基于多策略融合的室分小区隐性故障发现.docxVIP

42

42 2023/04/DTPT

基于多策略融合的室分小区

隐性故障发现

1概述

随着移动通信网络的发展规模越来越大，相应的无线网络结构也越来越复杂。室内信号分布系统即室分系统能够将基站信号均匀分布在室内每个区域，进而改善建筑物内的移动通信环境［1］。室分故障的传统排查方法主要依赖人工排查和常规网管系统，且只能检测小区显性故障，而对于隐性故障的排查［2］主要通过室分巡检、网管告警、用户投诉3种方式，存在人工成本高、用户感知耦合性低、网络性能定位及时性

——————————

收稿日期：2023-02-16

差等问题。

本文利用室分无线小区网络故障的海量数据，以小时为时间单位选取影响室分小区隐性故障的关键指标，预测小区小时级指标趋势及动态区间，准确快速判断室分故障，辅助算法和业务人员进行决策支撑，提升室分无线小区隐性故障智能排查特征构建的质量与效率。

2相关研究

2.1传统室分故障排查方法

传统室分无线小区故障排查手段存在监控难和效率低下2个痛点，监控难主要体现在传统室分系统

由大量哑网元组成，缺乏监控，同时现网大量室分系统运行时间过长，日常的维护压力很大，室分隐性故障难以被发现［3］；效率低下主要体现在对异常出现地点的定位手段缺失，现场的测试周期长、范围大、难度大、人员水平要求高。通常室分小区故障的排查主要有室分巡检、网管告警、用户投诉3种方式［4］。

常规网管系统利用操作维护中心监控室分小区的指标和告警状态，仅能监测该小区的显性故障，无法检测室分系统轻微故障或隐性故障。室分巡检［5］依据代维每月固定时间对室分系统排查，主要排查后台室分基站故障、无线配置参数设置问题，以及对于装修、破坏、元器件老化导致的隐性故障［6］。目前很多隐性故障都是收到用户的投诉后才去现场测试，逐个发

应用

模型优化

模型预测

数据输入和预处理

室分健康度监控

指标重要度调整策略

Prophet

算法

MR数据

代维人员现场排查

修正非连续异常值策略

预测未来动态门限

KPI数据

现然后排查问题。现场排查效率低下，且影响用户感知。

2.2小区无线网络异常识别方法

基于Prophet时序算法的无线网络突变小区识别方法［7］研究利用时序预测算法得到动态门限，通过对比指标在动态门限、相对门限以及绝对门限3种不同门限方法下的突变情况，使运维人员及时掌握网络性能，降低误报和错报异常，从而提升网络优化的效率和质量。但是该方法并没有考虑到不同指标是否异常对无线小区网络突变的重要度是不同的，如某单个指标异常可能直接导致小区网络故障；另外该方法没有结合无线小区网络突变的业务因素对预测结果做进一步修正。

针对传统室分小区故障排查难以排查隐性故障的问题，本文提出一种基于多策略融合的室分小区隐性故障发现方法，该方法在上述基于Prophet时序算法的网络异常识别方法中使用Prophet算法框架预测指标动态门限的基础上，提出使用动态门限结合多种故障发现优化策略，进而提高故障排查效率和准确率，提升用户感知。

3基于多策略融合的室分小区隐性故障发现

为了解决传统室分隐性故障排查方法难以发现隐性故障问题以及进一步提升小区无线网络异常识

图1室分隐性故障排查架构图

键指标值的浮动与时间特征相结合，输入到Prophet算法中预测未来动态门限，而后通过调整数据对室分异常影响的重要度以及修正非连续异常值优化室分异常排查，最终应用于室分健康度监控，及时反馈隐性故障，安排代维人员现场维修。

3.1室分小区隐性故障模型动态阈值计算

对室分小区隐性故障排查考虑了时序性特征的预测，本文使用了Prophet算法对KPI指标预测未来动态门限，实现实时监控识别异常波动KPI指标，及时优化无线移动网络，保证用户感知。根据前28天的特征数据进行时序模型构建，预测出后3天的小时级指标趋势及动态区间，快速有效发现室分小区故障。

Prophet时间序列预测框架［8］基于可分解模型的开源库，主要包括时间序列分解和机器学习的拟合。该算法不仅能够处理序列中存在的异常值或部分缺失值，还可以很好地预测时间序列未来一段时间的走势。

Prophet预测模型如图2所示，模型固定输入ds和y2列，分别为时间特征和关键指标特征，根据数据得出标准差后计算每个关键指标的动态门限，最后通过对比动态门限和指标值判断指标是否异常，将8项指标预测结果求和，多于3项异常即被视为存在故障，否

别方法预测效果，本文提出一种