[发明专利]一种基于xgboost的指控通信装备故障预测方法

权利要求书

1.一种基于xgboost的指控通信装备故障预测方法，其特征在于，包括以下步骤：

S1、数据预处理，从空间与时间维度构建特征集features；

S2、定义样本特征权重w_k与损失函数rmspe_xg；

S3、依据测试集时间性，按时间序列划分训练数据X_train与验证数据X_test；

S4、将划分的训练特征集X_train[features]与训练目标值X_train['Fault']转换为训练特征向量矩阵dtrain，将划分的验证特征集X_test[features]与验证目标值X_test['Fault']转换为验证特征向量矩阵dvalid；

S5、构建xgboost模型，通过dtrain训练模型，并利用损失函数rmspe_xg对dtrain结果与dvalid结果进行交叉验证，使模型损失值收敛，最终得到训练好预测模型xgbmodel；

S6、从测试数据test中筛选测试特征集test[features]，生成特征向量dtest，通过xgbmodel预测dtest未来某时刻装备是否出现故障，并预测其故障类型。

2.根据权利要求1所述的一种基于xgboost的指控通信装备故障预测方法，其特征在于，所述步骤S1具体包括：

S11、将训练数据所有非法数据置为0，删除未入网的指控通信装备数据，通过装备编号关联装备信息、通信网络节点与链路情况、位置信息与天气信息，将装备类型、人员操作熟练程度、最近的维修故障种类、软件版本是否一致、是否存在电磁干扰从字母转换为数字索引，形成训练数据X_train；

S12、创建时间维度特征：将训练数据X_train中检测时间datetime拆分为cpu温度、内存峰值、维修次数、最近维修时间、最近的维修故障种类、软件版本是否一致，构造时间维度特征features1；

S13、创建空间维度特征：获取装备类型、通信距离，并引入它们所处位置的风力等级、降雨量、最低温度、最高温度、是否存在电磁干扰，构造空间维度特征features2；

S14、合并时间维度特征features1与空间维度特征features2，形成特征集features。

3.根据权利要求1所述的一种基于xgboost的指控通信装备故障预测方法，其特征在于，所述步骤S2具体包括：

S21、定义样本特征权重w_k：

S22、定义损失函数rmspe_xg：

y_k＝e^yk-1 (2)

其中y_k为训练数据目标值，yhat_k为验整数据目标值。

4.根据权利要求1所述的一种基于xgboost的指控通信装备故障预测方法，其特征在于，所述步骤S3具体包括：

S31、依据测试集时间特性划分验证集与训练集，获取测试集test['datetime']字段最小时间与最大时间，即计算预测装备故障的时间跨度span，根据span划分训练特征集X_train[features]，首先将X_train[features]按时间顺序排序，然后将“最近时间-span”到“最近时间”的数据作为验证集X_test，其余数据作为训练集X_train。

5.根据权利要求1所述的一种基于xgboost的指控通信装备故障预测方法，其特征在于，所述步骤S4具体包括：

S41、训练特征向量矩阵：

其中，x_mn为训练特征集X_train[features]中的训练特征数据；

S42、验证特征向量矩阵：

其中，xhat_mn为验证特征集X_test[features]中的验证特征数据。