[发明专利]网络故障评估方法、装置、计算设备及存储介质

权利要求书

1.一种网络故障评估方法，其特征在于，所述方法包括：

将用户投诉数据和网元性能数据关联，构造特征矢量，所述特征矢量包括各小区、各时间段的用户投诉特征和对应的网元性能特征，所述用户投诉数据包括投诉数量、投诉同比变化率和投诉环比变化率，网元性能数据包括话务量、流量、吞吐量、时延和利用率；

通过遗传算法，为使用高斯核函数的支持向量机选择所述特征矢量的特征子集和对应的高斯核函数参数对，其中，将支持向量机渐进行为特性加入所述遗传算法的染色体中；

使用训练数据集对所述支持向量机进行训练，所述训练数据集包括从训练数据中提取的所选择特征子集的各训练特征值；

使用所述支持向量机对测试数据集进行分析，以判断网络故障，所述测试数据集包括从测试数据中提取的所选择特征子集的各测试特征值；

所述使用所述支持向量机对测试数据集进行分析以判断网络故障，包括：

将选择的所述特征矢量的特征子集和对应的高斯核函数参数对代入所述支持向量机中；

使用所述支持向量机对多种故障进行两两判断；

根据两两判断结果计算每个故障的得分；

选取得分最高的作为网络故障。

2.根据权利要求1所述的方法，其特征在于，所述将支持向量机渐进行为特性加入所述遗传算法的染色体中，包括：

将经过交叉操作和变异操作的染色体根据适应度大小排序，将前n个染色体作为父本染色体，n为正整数；

计算每个所述父本染色体的支持向量机渐进行为特性；

基于每个所述父本染色体的支持向量机渐进行为特性，构建n*m个高斯核函数参数对；

基于所构建的n*m个高斯核函数参数对，得到新一代染色体。

3.根据权利要求1所述的方法，其特征在于，所述高斯核函数参数对包括惩罚参数C和高斯核函数参数γ，通过下述公式计算所述支持向量机的渐进行为特性

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述特征矢量中的各项特征数据进行标准化处理，所述特征矢量中包括训练数据集和测试数据集。

5.根据权利要求4所述的方法，其特征在于，所述对特征矢量中的各项特征数据进行标准化处理，包括：

对所述各项特征数据进行线性比例缩放：

其中，x为特征矢量中各项特征数据的原始值，x′为线性比例缩放后特征矢量中各项特征数据的值，min为原始值的下限，max为原始值的上限。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将特征子集选择和所述高斯核函数参数对转换为二进制编码；

基于所述特征子集选择和所述高斯核函数参数的二进制编码，构建染色体。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

从父代种群、子代种群、优化种群中选择N个种群，作为新一代种群，N为正整数；

基于所述新一代种群中每个染色体的特征子集选择，确定已选择特征的训练数据集和测试数据集；

基于所述新一代种群中每个染色体的高斯核函数参数对和所述已选择特征的训练数据集，得到支持向量机分类器的权值向量和偏置值。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

基于所述支持向量机分类器的权值向量和偏置值、所述高斯核函数参数对及所述已选择特征的训练数据集，计算分类准确率；

基于所述分类准确率、特征代价和已被选择特征，计算适应度；

在所述适应度满足预定条件的情况下，确定选择的所述特征矢量的特征子集和对应的高斯核函数参数对。