[发明专利]小区异常状态的检测方法及设备

说明书

本发明提供了一种小区异常状态的检测方法及设备，该方法包括：获取预设时间段内采集到的第一小区的至少一个关键性能指标KPI参数组，所述KPI参数组包括在对应的采样时间点采集到的多个KPI参数的取值；对所述第一小区的每个KPI参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量；将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。本发明能够简化网络异常负荷状态的检测，并提高检测结果的准确度。

技术领域

本发明涉及移动通信技术领域，具体涉及一种小区异常状态的检测方法及设备。

背景技术

移动通信网络运营商在进行网络运维中，通常定义在网络高负荷情况下需要统计的小区自忙时的多个高负荷相关的统计数据，人为划分出阈值，符合阈值条件的时段即判断为高负荷时段。例如，现网中一个小区一周有三天以上自忙时段处于高负荷，就会下发工单，交办给现网的网优工程师进行处理。这种基于阈值的小区负荷的判断处理较为粗略，需要网优工程师进行一段时间的持续观察，同时结合关键性能指标(Key PerformanceIndicator，KPI)参数、邻近小区信息等多种参数进行人工判定，还可能会漏掉某些参数上已经满载，但未被判定为高负荷的小区。

另外一方面，在对高负荷小区优化时，现网工程师通常是根据自己的经验，判断高负荷的类别，并找到引起高负荷的原因，上述过程仍是主要通过解析KPI参数完成。但由于小区KPI参数非常多，即使精简掉二次参数，其映射的联合状态空间也是庞大的，对于工程师来说是难以处理的。因此，现网工程师一般只会跟踪少许常用参数，同时结合其它经验方法进行优化。以上网优方案的工作量通常都很大，另外实际效果也受到专家经验限制。

发明内容

本发明的至少一个实施例提供了一种小区异常状态的检测方法、终端及网络设备，用于简化网络异常负荷状态的检测，并提高检测结果的准确度。

根据本发明的一个方面，至少一个实施例提供了一种小区异常状态的检测方法，包括：

获取预设时间段内采集到的第一小区的至少一个关键性能指标KPI参数组，所述KPI参数组包括在对应的采样时间点采集到的多个KPI参数的取值；

对所述第一小区的每个KPI参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量；

将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。

可选的，对所述第一小区的每个KPI参数组分别进行降维处理，包括：

将所述第一小区的每个KPI参数组分别输入至一预先训练好的自编码器，获得所述自编码器输出的第一降维向量。

可选的，所述评估器用于对所述至少一个第一降维向量进行聚类处理，确定并输出所述至少一个第一降维向量所属的第一类别及其对应的标注信息，其中，所述第一类别是预先生成的多个类别中的一个，所述标注信息用于指示对应类别的小区异常状态。

可选的，在获取所述第一小区的至少一个KPI参数组之前，所述方法还包括：

获取在多个采样时间点采集到的多个小区的多个KPI参数组，其中，每个KPI参数组包含同一小区在一个采样时间点采集到的所述多个KPI参数；

利用所述多个KPI参数组，训练一自编码器，直至达到预设的训练结束条件；其中，所述自编码器包括有一编码器和一解码器，所述编码器和解码器均包括有多层神经网络。

可选的，所述方法还包括：

获取将所述多个KPI参数组输入至训练好的所述自编码器后得到的多个降维向量；

对所述多个降维向量进行聚类处理，得到多个类别。

可选的，在得到多个类别之后，所述方法还包括：