[發明專利]故障根因分析方法和裝置、計算機可讀存儲介質

有效

• 申請號: 202010156759.4
• 申請日: 2020-03-09
• 公開（公告）號: CN113381869B
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 劉漢生;錢兵;王海寧;陸順;任宏丹
• 申請（專利權）人: 中國電信股份有限公司
• 主分類號: H04L41/0631
• 分類號: H04L41/0631;H04L41/0677;H04W24/04
• 代理公司: 中國貿促會專利商標事務所有限公司 11038
• 代理人: 王云飛

1.一種故障根因分析方法，其特征在于，包括：

基于采集的基站告警工單日志和故障診斷日志的多維特征，構造故障特征向量矩陣和故障診斷結果向量；

根據故障特征向量矩陣和故障診斷結果向量，預訓練多種基站故障診斷算法模型；

根據多種基站故障診斷算法模型的預訓練準確率，將多種基站故障診斷算法模型進行融合，生成基站故障診斷融合模型；

利用基站故障診斷融合模型，確定線上基站故障工單根因結果；

其中，所述根據多種基站故障診斷算法模型的預訓練準確率，將多種基站故障診斷算法模型進行融合，生成基站故障診斷融合模型包括：

根據多種基站故障診斷算法模型的訓練結果，結合訓練樣本已有的故障診斷結果標簽，得到各基站故障診斷算法模型的預訓練準確率；

根據各基站故障診斷算法模型的預訓練準確率確定每種基站故障診斷算法模型的初始權值；

根據每種基站故障診斷算法模型的初始權值，將多種基站故障診斷算法模型進行融合，生成基站故障診斷融合模型。

2.根據權利要求1所述的故障根因分析方法，其特征在于，所述基于采集的基站告警工單日志和故障診斷日志的多維特征，構造故障特征向量矩陣和故障診斷結果向量包括：

采用數字編碼表達各類故障特征，構造初始故障特征向量矩陣；

根據故障時序特征確定時序向量；

根據初始故障特征向量矩陣和時序向量確定故障特征向量矩陣。

3.根據權利要求2所述的故障根因分析方法，其特征在于，所述各類故障特征包括告警類型和數量特征、基站地理位置特征和第一次告警時間特征中的至少一項。

4.根據權利要求2所述的故障根因分析方法，其特征在于，所述根據故障時序特征確定時序向量包括：

根據單個基站本次告警類型的總個數、每類告警的出現順序確定時序向量。

5.根據權利要求1-4中任一項所述的故障根因分析方法，其特征在于，所述根據多種基站故障診斷算法模型的預訓練準確率，將多種基站故障診斷算法模型進行融合，生成基站故障診斷融合模型還包括：

將訓練樣本的各個故障診斷結果標簽循環帶入基站故障診斷融合模型，計算模型偏差，通過反饋調整各基站故障診斷算法模型的權值。

6.根據權利要求1-4中任一項所述的故障根因分析方法，其特征在于，還包括：

采集基站告警工單日志和故障診斷日志；

其中，所述采集基站告警工單日志和故障診斷日志包括：

基于歷史故障工單診斷結果，采集基站告警工單日志和故障診斷日志；

根據故障類型進行針對性的過采樣和欠采樣，并根據分類預測分布對采樣結果進行再均衡。

7.一種故障根因分析裝置，其特征在于，包括：

向量構建模塊，用于基于采集的基站告警工單日志和故障診斷日志的多維特征，構造故障特征向量矩陣和故障診斷結果向量；

模型預訓練模塊，用于根據故障特征向量矩陣和故障診斷結果向量，預訓練多種基站故障診斷算法模型；

融合模型生成模塊，用于根據多種基站故障診斷算法模型的預訓練準確率，將多種基站故障診斷算法模型進行融合，生成基站故障診斷融合模型；

故障根因確定模塊，用于利用多種基站故障診斷算法模型，確定線上基站故障工單根因結果；

其中，融合模型生成模塊，用于根據多種基站故障診斷算法模型的訓練結果，結合訓練樣本已有的故障診斷結果標簽，得到各基站故障診斷算法模型的預訓練準確率；根據各基站故障診斷算法模型的預訓練準確率確定每種基站故障診斷算法模型的初始權值；根據每種基站故障診斷算法模型的初始權值，將多種基站故障診斷算法模型進行融合，生成基站故障診斷融合模型；

其中，所述故障根因分析裝置用于執行實現如權利要求1-6中任一項所述的故障根因分析方法的操作。

8.一種故障根因分析裝置，其特征在于，包括：

存儲器，用于存儲指令；

處理器，用于執行所述指令，使得所述故障根因分析裝置執行實現如權利要求1-6中任一項所述的故障根因分析方法的操作。

9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機指令，所述指令被處理器執行時實現如權利要求1-6中任一項所述的故障根因分析方法。