[发明专利]一种基于趋势外推聚类的移动网络性能预警预判方法

摘要

本发明涉及一种移动网络性能预警预判方法，一种基于趋势外推聚类的移动网络性能预警预判方法，包括以下步骤：(1)利用趋势外推及K中心点聚类算法计算各个性能指标的预警门限；(2)实时计算本时间粒度的预警及预判，得出预判变化。本发明能够有效克服由于历史数据异常点导致的预警门限不准确问题，能够反映趋势变化，使预警门限更准确，能够根据网络拓扑将多条预警信息汇总为一条预判，并能够反映预判变化，从而能够从整体上反映网络的性能变化情况。

主权项

1.一种基于趋势外推聚类的移动网络性能预警预判方法，其特征在于包括以下步骤：步骤1、利用趋势外推及K中心点聚类算法计算各个性能指标的预警门限：将动态获取的移动网络性能指标历史数据，利用趋势外推及K中心点聚类算法计算各个性能指标预警门限，每天计算一次预警门限，具体包括以下子步骤：(1)、获取移动网络性能指标的历史数据：从移动网络数据库中动态获取各个指标的历史数据，要求历史性能指标数据至少为3周，最多不超过8周，而且必须为整周；(2)、将历史数据分解为趋势分量和周期分量：针对某一个网元的某一指标的历史数据，看做是一个周期时间序列，周期为一天，共多个周期，将历史数据分解为趋势分量和周期分量，具体包括以下子步骤：(2a)、历史数据利用周期模型，计算移动平均值，得到趋势分量，历史数据可看做周期分量和趋势分量共同作用的结果，利用时间序列的乘法模型表示为：Z＝F*T       (1)式中，F是周期分量，T是趋势分量，Z是历史数据，对时间序列计算周期整数倍的移动平均即可消除趋势分量的影响，得到周期分量，设历史数据时间序列为zt,t＝1,2,…,k‑1，其中k为当前时刻，因为周也构成了一个周期，因此对周进行移动平均，表示为：式中，是移动平均之后结果，z_t是t时刻的实际值，N是移动平均的数据点数，采用N为一周点数，从历史数据的第二周开始计算，一直计算到当前时间粒度的前一个时间粒度，其值即为各个时间粒度的趋势分量；(2b)、将历史数据原始值除以趋势分量即得周期分量，从而将趋势分量和周期分量分离；根据公式(1)可得F＝Z/T，将历史数据中第二周开始的数据除以对应时间粒度的趋势分量，即得对应时间粒度的周期分量，从而将历史数据中趋势分量和周期分量分离；(3)、趋势分量利用多项式曲线拟合得到下一周期的趋势分量：根据历史数据的趋势分量，可以估算下一周期的趋势分量，具体包括以下子步骤：(3a)、将历史数据的趋势分量利用多项式曲线拟合：根据经验，移动网络性能指标的趋势一般满足多项式函数，因此进行多项式曲线拟合，多项式曲线拟合的结果形式为y＝a0+a1x+…+akxk，式中x的最高次幂k代表此多项式是k次多项式，采用最小二乘法进行多项式曲线拟合，误差平方和是指多项式曲线拟合数据和实际数据对应点误差的平方和，其计算公式为：式中，y_i是趋势分量实际数据，是多项式曲线拟合数据，n代表趋势分量数据点个数，最小二乘法就是要使误差平方和最小，进而确定各项系数，假设历史趋势分量共有n个点，则其误差平方和为式中，yi是趋势分量实际数据，xi是趋势分量序号，n代表趋势分量数据点个数，a0到ak为多项式曲线拟合的多项式系数，对公式(4)中a0到ak分别求偏导，并令其为0，可得：式中，yi是趋势分量实际数据，xi是趋势分量序号，n代表趋势分量数据点个数，a0到ak为多项式曲线拟合的多项式系数，根据k+1个方程的方程组，可以解得α0到ak的值，进而得到趋势方程；(3b)、利用多项式曲线拟合的趋势方程计算出下个周期的趋势值：根据多项式曲线拟合的趋势方程和下个周期各点的序号，将序号带入趋势方程中，即可求得下个周期各点的趋势值；(4)、周期分量利用K中心点聚类算法聚类出一个聚类中心：针对历史数据中n天的周期分量，利用K中心点聚类算法找出其中一天来代替n天的数据，具体包括以下子步骤：(4a)、任意选择一天数据作为初始中心点：假设周期分量共有n天数据，每天有k个点，将每天k个点作为一个数据点，它是一个k维向量，则周期分量即可看做n个k维向量，任意选择n个k维向量中其中一个作为初始中心点；(4b)、计算此中心点的目标函数值：为了计算哪个中心点更加能够更好的代替整个数据集，需要一个目标函数，目标函数越小，说明聚类效果越优，采用其余数据点离中心点距离之和作为目标函数，其中两点之间距离采用如下公式计算：式中，b、c是两天数据，b1到bk分别为当天第一个数据点到第k个数据点，每天一共k个点，采用的目标函数计算公式为：式中，di为其余数据点到中心点距离，计算其余数据点离当前中心点的距离，其和作为当前中心点的目标函数值；(4c)、依次选择其余数据点作为中心点，比较目标函数值，确定最终中心点：依次选择其余数据点作为中心点，计算目标函数值，与之前目标函数值比较，如果小于之前目标函数值，则替换为当前中心点，直至所有数据点都比较过之后，得到最终聚类中心点；(5)、将聚类中心和下一周期的趋势分量相乘得到下一周期的预警门限基准值：由子步骤(3)得到的下一周期的趋势分量和由子步骤(4)得到周期分量的聚类中心，将两者对应项相乘得到下一周期的预警门限基准值；(6)、利用正态分布的3σ原则，计算下一周期的正常活动区间，得到预警门限：根据统计计算，历史每天同一时间粒度数据基本满足正态分布，而正态分布满足3σ原则，即数据基本都在均值‑3σ到均值+3σ之间，而偏离这个区间的概率只有0.3％，因此可以采用这个原则确定数据正常的活动范围，具体包括以下子步骤：(6a)、计算历史性能指标数据每天同一个时间粒度的标准差：将历史性能指标数据与每天同一时间粒度数据作为一组，计算每组的标准差，其中标准差公式为：式中，mi是每天同一时间粒度的数据值，一共N个，μ是每天同一时间粒度的均值，σ是标准差；(6b)、计算下一周期的正常活动区间，结合下一周期的预警门限基准值得到预警门限：将预警门限基准值上下浮动2σ作为正常活动区间，超出则产生预警，将预警级别定为2级，即高级别预警和低级别预警，将基准值加减3σ作为高级别预警门限，基准值加减2σ作为低级别预警门限；步骤2、实时计算本时间粒度的预警及预判，得出预判变化：实时获得各个性能指标值，跟步骤1得到的预警门限进行比较，判断是否预警，然后将各个指标预警汇总为预判，并与上个时间粒度预判进行比较，得到预判变化，具体包括以下子步骤：(A)、计算本时间粒度的预警：将各个网元的各个性能指标实际值和步骤1计算出来的预警门限进行比较，判断是否预警；(B)、将各个指标的预警根据各自的网络拓扑汇总为本时间粒度的预判信息：将各个指标预警汇总为一个或多个主预警，定义为预判，具体包括以下子步骤：(Ba)、将本时间粒度预警根据指标进行分组：将本时间粒度预警根据性能指标进行分组，每个指标分为一组；(Bb)、将同一指标维度最高的预警提取出作为本时间粒度预判：根据不同的性能指标，移动网络性能网元分为不同的维度，如位置更新成功率网元维度从上到下依次为Pool、MSC、BSC，即每个Pool由多个MSC组成，每个MSC管理多个BSC，将不同性能指标预警按照各自网络拓扑从下到上进行汇总，得到维度最高的一个或多个预警作为预判；(C)、将本时间粒度预判与上一时间粒度预判进行比较，得出预判变化：将上个时间粒度的预判与本时间粒度预判进行比较，得出预判的变化情况，预判变化为预判发生、预判消除、预判维度变化及预判级别变化。