异常小区检测方法、装置、设备及介质制造方法及图纸

本公开提供了一种异常小区检测方法、装置、设备及介质，涉及通信技术领域。该方法包括：根据多个待检测小区的KPI对应的运行性能数据，构建小区性能矩阵；计算小区性能矩阵中的各个特征数据的曼哈顿距离；根据熵值法和各个特征数据的曼哈顿距离计算小区性能矩阵的权重；根据小区性能矩阵的权重和各个特征数据的曼哈顿距离得到多个待检测小区的评分值，输出评分值最高的待检测小区为异常小区。通过曼哈顿距离修正熵值权重法计算公式，获得不同KPI在分析异常小区时所用的权重，提高工作效率以及小区异常检测的准确性和客观性。率以及小区异常检测的准确性和客观性。率以及小区异常检测的准确性和客观性。

【技术实现步骤摘要】
异常小区检测方法、装置、设备及介质


[0001]本公开涉及大数据
，尤其涉及一种异常小区检测方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]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(KeyPerformanceIndicator，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。故亟待解决对5G基站故障判断和经验积累不足且缺乏统一标准的问题。
[0003]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0004]本公开提供一种异常小区检测方法、装置、电子设备及计算机可读存储介质，至少在一定程度上克服现有的异常小区检测方法缺乏统一标准的问题。
[0005]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0006]根据本公开的一个方面，提供一种异常小区检测方法，包括：
[0007]根据多个待检测小区的关键性能指标KPI对应的运行性能数据，构建小区性能矩阵；
[0008]计算所述小区性能矩阵中的各个特征数据的曼哈顿距离；
[0009]根据熵值法和所述各个特征数据的曼哈顿距离计算所述小区性能矩阵的权重；
[0010]根据所述小区性能矩阵的权重和所述各个特征数据的曼哈顿距离得到多个所述待检测小区的评分值，输出评分值最高的待检测小区为异常小区。
[0011]在本公开的一个实施例中，所述小区性能矩阵中的各个特征数据的曼哈顿距离采用以下公式表示：
[0012]Dis
j(i，t)
＝|best(A
j
)
‑
X
j(i,t)
|
[0013]其中，Dis
j(i，t)
为所述小区性能矩阵中第j项KPI的第i个小区t时刻的曼哈顿距离，i∈(1，N)，t∈(1，T)，N为待检测小区的数量，T为待检测小区运行性能数据的检测周期，best(A
j
)为第j项KPI的最优值，X
j(i,t)
为所述小区性能矩阵中第j项KPI的第i个小区t时刻的特征数据。
[0014]在本公开的一个实施例中，所述根据熵值法和所述各个特征数据的曼哈顿距离计
算所述小区性能矩阵的权重，包括：
[0015]根据所述各个特征数据的曼哈顿距离，计算各个特征数据标准化值；
[0016]根据所述各个特征数据标准化值，计算所述各个特征数据标准化值的比重；
[0017]根据所述各个特征数据标准化值的比重，计算所述小区性能矩阵的熵值；
[0018]根据所述小区性能矩阵的熵值，计算所述小区性能矩阵的权重。
[0019]在本公开的一个实施例中，所述小区性能矩阵的权重采用下式表示：
[0020][0021]其中，e
j
为所述小区性能矩阵的熵值，M为运行性能参数的数量。
[0022]在本公开的一个实施例中，所述根据所述小区性能矩阵的权重和所述各个特征数据的曼哈顿距离得到多个所述待检测小区的评分值，输出评分值最高的待检测小区为异常小区，包括：
[0023]计算所述小区性能矩阵的权重和所述各个特征数据的曼哈顿距离的乘积得到多个所述待检测小区的评分值；
[0024]对多个所述待检测小区的评分值进行聚类，选取评分值最高的待检测小区为异常小区。
[0025]在本公开的一个实施例中，所述方法还包括：
[0026]剔除所述小区性能矩阵中满足预设条件的待检测小区；或者，
[0027]填充所述小区性能矩阵中的数据缺失项。
[0028]在本公开的一个实施例中，所述KPI包括NG信令连接建立成功率，UE上下文掉线率、优良率、5G下切4G成功率、系统内切换成功率、RRC连接建立成功率。
[0029]根据本公开的另一个方面，提供一种异常小区检测装置，包括：
[0030]矩阵构建模块，用于根据多个待检测小区的关键性能指标KPI对应的运行性能数据，构建小区性能矩阵；
[0031]距离计算模块，用于计算小区性能矩阵中的各个特征数据的曼哈顿距离；
[0032]权重计算模块，用于根据熵值法和各个特征数据的曼哈顿距离计算小区性能矩阵的权重；
[0033]异常小区确定模块，用于根据小区性能矩阵的权重和各个特征数据的曼哈顿距离得到多个待检测小区的评分值，输出评分值最高的待检测小区为异常小区。
[0034]根据本公开的另一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的异常小区检测方法。
[0035]根据本公开的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的异常小区检测方法。
[0036]本公开的实施例所提供的一种异常小区检测方法、装置、设备及介质，通过获取到的多个待检测小区的运行性能数据构建小区性能矩阵，计算小区性能矩阵中的各个特征数据的曼哈顿距离，根据熵值法和各个特征数据的曼哈顿距离对小区性能矩阵的权重进行修正，从而根据修正后的权重和各个特征数据的曼哈顿距离得到各个待检测小区的评分值，并将评分值最高的待检测小区确定为异常小区，统一故障审查标准，并为异常检测提供数
MarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(Internet ProtocolSecurity，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
[0052]在图1中，基站120的管辖范围内包括5个小区，基站120为5个小区内的终端设备110提供网络服务。通常的，基站120也称作gNB等，终端设备110也称作终端、用户设备或UE等。
[0053]终端设备110可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、增强现实设备、虚拟现实设备等。
[0054]可选地，不同的终端设备110本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常小区检测方法，其特征在于，包括：根据多个待检测小区的关键性能指标KPI对应的运行性能数据，构建小区性能矩阵；计算所述小区性能矩阵中的各个特征数据的曼哈顿距离；根据熵值法和所述各个特征数据的曼哈顿距离计算所述小区性能矩阵的权重；根据所述小区性能矩阵的权重和所述各个特征数据的曼哈顿距离得到多个所述待检测小区的评分值，输出评分值最高的待检测小区为异常小区。2.根据权利要求1所述的异常小区检测方法，其特征在于，所述小区性能矩阵中的各个特征数据的曼哈顿距离采用以下公式表示：Dis
j(i，t)
＝|best(A
j
)
‑
X
j(i,t)
|其中，Dis
j(i，t)
为所述小区性能矩阵中第j项KPI的第i个小区t时刻的曼哈顿距离，i∈(1，N)，t∈(1，T)，N为待检测小区的数量，T为待检测小区运行性能数据的检测周期，best(A
j
)为第j项KPI的最优值，X
j(i,t)
为所述小区性能矩阵中第j项KPI的第i个小区t时刻的特征数据。3.根据权利要求2所述的异常小区检测方法，其特征在于，所述根据熵值法和所述各个特征数据的曼哈顿距离计算所述小区性能矩阵的权重，包括：根据所述各个特征数据的曼哈顿距离，计算各个特征数据标准化值；根据所述各个特征数据标准化值，计算所述各个特征数据标准化值的比重；根据所述各个特征数据标准化值的比重，计算所述小区性能矩阵的熵值；根据所述小区性能矩阵的熵值，计算所述小区性能矩阵的权重。4.根据权利要求3所述的异常小区检测方法，其特征在于，所述小区性能矩阵的权重采用下式表示：其中，e
j
为所述小区性能矩阵...

【专利技术属性】
技术研发人员：徐骁桐，钱兵，王兵，程明康，薛艳茹，花昀，戴旭，武巍，谢汉垒，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：