申请/专利权人:重庆大学
申请日:2019-12-31
公开(公告)日:2022-04-26
公开(公告)号:CN111065106B
主分类号:H04W16/22
分类号:H04W16/22;H04W24/02;H04W24/04
优先权:
专利状态码:有效-授权
法律状态:2022.04.26#授权;2021.07.27#实质审查的生效;2020.04.24#公开
摘要:本发明公开了移动通信网络中基于异常检测和核密度估计KDE的指标突变小区检测方法,主要步骤为:1建立历史数据序列和测试数据序列。2筛选掉全部KPI序列均正常的小区,保留异常小区。3利用基于高斯核的KDE计算异常小区差分前的异常KPI序列的异常分数,并建立异常分数矩阵A。4判断异常分数矩阵A中是否存在元素a>α,若是,则记元素a对应的KPI为突变指标,对应小区记为指标突变小区。本发明可精确定位指标突变小区,灵活性高,鲁棒性强,性能稳定。
主权项:1.移动通信网络中基于异常检测和核密度估计KDE的指标突变小区检测方法,其特征在于,主要包括以下步骤:1获取移动通信网络所有小区KPI序列,并对每个小区的KPI序列进行数据清洗;2基于清洗后的KPI序列,建立历史数据序列和测试数据序列;3基于历史数据序列和测试数据序列,筛选掉全部KPI序列均正常的小区,保留异常小区,并记录每个小区的所有异常KPI的第一个发生异常的时间点t1st;4利用基于高斯核的KDE计算异常小区差分前的异常KPI序列的异常分数,并建立所述异常分数矩阵A;建立异常分数矩阵A的主要步骤如下:4.1以t0-t1st时间段的异常KPI序列作为KDE的训练数据集,对KDE进行训练;t0为KPI序列起始时间;4.2以t1st-t3时间段的异常KPI序列作为KDE的测试数据集,并将测试数据集输入到KDE中;t3为KPI序列终结时间;4.3利用KDE对测试数据集拟合,计算出t1st-t3时间段的每个时间点对应的异常分数值,并取对数,得到每个时间点对应的异常分数;将异常分数写入异常分数矩阵A中;5判断异常分数矩阵A中是否存在元素a>α,若是,则记元素a对应的KPI值v为突变指标,KPI值v对应小区记为指标突变小区;α为预设的阈值。
全文数据:
权利要求:
百度查询: 重庆大学 移动通信网络中基于异常检测和核密度估计KDE的指标突变小区检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。