室内分布系统中局部故障的监控方法、装置及存储介质与流程

本发明涉及室内无线网络技术领域，尤其涉及一种室内分布系统中局部故障的监控方法、装置及存储介质。

背景技术：

现有移动业务70％以上发生在室内区域，室内场景已成为无线网络优化的重点。相比室外，室内网络情况和内部结构更为复杂，导致室内网络无法主动监控，故障难以及时发现。

目前室内分布系统中局部故障的监控方法主要为：

1、通过用户投诉或者利用性能指标、显性硬件告警、参数设置等方式进行排查，这样无法主动对室内网络进行监控，只能被动发现问题，且故障难以及时发现。

2、利用室分入围前的验收测试和日常测试等，对室内(如办公楼房间、住宅小区)局部网络进行测试，了解其真实的网络质量，判别其故障。这样仍然需要人工进行测试和定位，需要耗费大量的人力物力进行室内现场排查测试，且排查周期长，对网络运行质量和用户使用感知影响较大。

3、加装室内无线网络故障监控诊断装置，包括监测终端、无线感知器，利用无线感知器采集和处理无线信号，对室内无线网络故障自主检测和告警。但这种方法成本高，只能针对部分重要场景进行监控，无法对室内系统所覆盖的所有楼栋和楼层推广使用。

技术实现要素：

本发明的主要目的在于提供一种室内分布系统中局部故障的监控方法，旨在解决目前室内分布系统中局部故障的监控方法中无法及时预警故障，需要消耗大量人力物力，同时检测效率低，难以对室内系统所覆盖的所有楼栋和楼层进行监控的问题。

为实现上述目的，本发明提供一种室内分布系统中局部故障的监控方法，所述方法包括：

获取所述室内分布系统中室分小区的第一场强信息，并将所述第一场强信息中满足第一预设条件的第二场强信息进行合并，形成切片区域；

根据第二预设条件对所述切片区域进行合并，形成切片区域组；

根据预设规则计算所述切片区域组的弱覆盖参数，并获取所述切片区域组对应的室分小区的性能数据；

根据所述切片区域组的弱覆盖参数，对应的室分小区的性能数据，以及预设的判断模型判断所述室内分布系统中室分小区的网络是否存在故障。

优选地，所述获取所述室内分布系统中室分小区的第一场强信息，并将所述第一场强信息中满足第一预设条件的第二场强信息进行合并，形成切片区域的步骤，包括：

获取所述室内分布系统中室分小区的第一场强信息，其中，所述第一场强信息包括国际移动用户识别码imsi、所述imsi对应的采样时间、所述imsi对应的主服务小区的接收信号码功率rsrp和所述imsi对应的邻区的接收信号码功率rsrp；

获取所述第一场强信息中采样持续时间高于第一预设值，且主服务小区的接收信号码功率rsrp和邻区的接收信号码功率rsrp的差值均低于第二预设值的第二场强信息，并将所述第二场强信息合并，形成切片区域。

优选地，所述第一场强信息还包括主服务小区的eci和邻区的eci，所述根据第二预设条件对所述切片区域进行合并，形成切片区域组的步骤，包括：

计算所述切片区域的主服务小区的平均接收信号码功率rsrp和邻区的平均接收信号码功率rsrp；

对各个切片区域中主服务小区的eci相同，邻区小区的eci相同，采样持续时间低于第三预设值，且主服务小区的平均接收信号码功率rsrp和邻区的平均接收信号码功率rsrp的差值均低于第四预设值的切片区域进行合并，形成切片区域组，其中所述第三预设值大于所述第一预设值。

优选地，所述弱覆盖参数包括弱覆盖切片组比例、无邻区部分弱覆盖切片组比例、强邻区部分弱覆盖切片组比例、弱邻区部分弱覆盖切片组比例和无时间跨度过滤弱覆盖切片组比例。

优选地，所述性能数据包括volte语音话务量、volte语音总流量、volte视频话务量、volte视频总流量、rrc连接最大数、rrc连接重建成功次数、rrc连接建立成功数、rrc连接建立请求次数、e-rab建立成功数和e-rab建立请求数中至少一种。

优选地，在所述根据所述切片区域组的弱覆盖参数，对应的室分小区的性能数据，以及预设的判断模型判断所述室内分布系统中室分小区的网络是否存在故障的步骤之前，包括：

获取不同样本小区的切片区域组的弱覆盖参数和性能数据；

通过预设的机器学习算法对所述样本小区的切片区域组的弱覆盖参数和性能数据进行训练学习，并建立判断模型。

优选地，所述根据所述切片区域组的弱覆盖参数，对应的室分小区的性能数据，以及预设的判断模型判断所述室内分布系统中室分小区的网络是否存在故障的步骤，包括：

将所述室分小区的切片区域组的弱覆盖参数和性能数据录入至预设的判断模型中；

根据判断模型中的样本小区的切片区域组的弱覆盖参数和性能数据，对所述室分小区的切片区域组的弱覆盖参数和性能数据进行分析，确定所述室分小区的指标评分；

根据所述室分小区的指标评分判断所述室内分布系统中室分小区的网络是否存在故障。

优选地，所述根据所述室分小区的指标评分判断所述室内分布系统中室分小区的网络是否存在故障的步骤，包括：

判断所述室分小区的指标评分是否低于第五预设值；

若是，则所述室分小区的网络存在故障，并生成故障报告。

此外，为实现上述目的，本发明还提供一种室内分布系统中局部故障的监控装置，所述室内分布系统中局部故障的监控装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的室内分布系统中局部故障的监控程序，所述室内分布系统中局部故障的监控程序被所述处理器执行时实现如上所述中任一项所述室内分布系统中局部故障的监控方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有室内分布系统中局部故障的监控程序，所述室内分布系统中局部故障的监控程序被处理器执行时实现如上所述中任一项所述室内分布系统中局部故障的监控方法的步骤。

本发明通过获取所述室内分布系统中室分小区的第一场强信息，并将所述第一场强信息中满足第一预设条件的第二场强信息进行合并，形成切片区域；根据第二预设条件对所述切片区域进行合并，形成切片区域组；根据预设规则计算所述切片区域组的弱覆盖参数，并获取所述切片区域组对应的室分小区的性能数据；根据所述切片区域组的弱覆盖参数，对应的室分小区的性能数据，以及预设的判断模型判断所述室内分布系统中室分小区的网络是否存在故障。通过上述方式，本发明中通过获取所述室内分布系统中室分小区的第一场强信息，并从所述第一场强信息中筛选出满足第一预设条件的第二场强信息，并将所述第二场强信息进行合并，形成切片区域，然后再根据第二预设条件对所述切片区域进行合并，形成切片区域组，再根据切片区域组的场强信息和数量，计算所述室分小区的切片区域组的弱覆盖参数，并将计算得到的弱覆盖参数和所述室分小区的性能数据与判断模型中海量的样本小区的切片区域组的弱覆盖参数和性能数据对比分析，确认所述室分小区的网络是否存在故障。这使得室内分布系统中的局部故障通过判断模型即可实现远程监测，不需要人工现场测试，同时提高了检测效率。

附图说明

图1是本发明室内分布系统中局部故障的监控装置的结构示意图；

图2为本发明室内分布系统中局部故障的监控方法的第一实施例的流程示意图；

图3为本发明室内分布系统中局部故障的监控方法的第二实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，图1是本发明实施例方案涉及的装置结构示意图。

本发明实施例的硬件装置可以是pc，也可以是智能手机、平板电脑、服务器、便携计算机等终端设备。

如图1所示，该装置可以包括：处理器1001，例如cpu，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的装置结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及室内分布系统中局部故障的监控程序。

在图1所示的装置中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的室内分布系统中局部故障的监控程序，并执行以下操作：

获取所述室内分布系统中室分小区的第一场强信息，并将所述第一场强信息中满足第一预设条件的第二场强信息进行合并，形成切片区域；

根据第二预设条件对所述切片区域进行合并，形成切片区域组；

根据预设规则计算所述切片区域组的弱覆盖参数，并获取所述切片区域组对应的室分小区的性能数据；

根据所述切片区域组的弱覆盖参数，对应的室分小区的性能数据，以及预设的判断模型判断所述室内分布系统中室分小区的网络是否存在故障。

进一步地，处理器1001可以调用存储器1005中存储的室内分布系统中局部故障的监控程序，还执行以下操作：

获取所述室内分布系统中室分小区的第一场强信息，其中，所述第一场强信息包括国际移动用户识别码imsi、所述imsi对应的采样时间、所述imsi对应的主服务小区的接收信号码功率rsrp和所述imsi对应的邻区的接收信号码功率rsrp；

获取所述第一场强信息中采样持续时间高于第一预设值，且主服务小区的接收信号码功率rsrp和邻区的接收信号码功率rsrp的差值均低于第二预设值的第二场强信息，并将所述第二场强信息合并，形成切片区域。

进一步地，处理器1001可以调用存储器1005中存储的室内分布系统中局部故障的监控程序，还执行以下操作：

计算所述切片区域的主服务小区的平均接收信号码功率rsrp和邻区的平均接收信号码功率rsrp；

对各个切片区域中主服务小区的eci相同，邻区小区的eci相同，采样持续时间低于第三预设值，且主服务小区的平均接收信号码功率rsrp和邻区的平均接收信号码功率rsrp的差值均低于第四预设值的切片区域进行合并，形成切片区域组，其中所述第三预设值大于所述第一预设值。

进一步地，处理器1001可以调用存储器1005中存储的室内分布系统中局部故障的监控程序，还执行以下操作：

所述弱覆盖参数包括弱覆盖切片组比例、无邻区部分弱覆盖切片组比例、强邻区部分弱覆盖切片组比例、弱邻区部分弱覆盖切片组比例和无时间跨度过滤弱覆盖切片组比例。

进一步地，处理器1001可以调用存储器1005中存储的室内分布系统中局部故障的监控程序，还执行以下操作：

所述性能数据包括volte语音话务量、volte语音总流量、volte视频话务量、volte视频总流量、rrc连接最大数、rrc连接重建成功次数、rrc连接建立成功数、rrc连接建立请求次数、e-rab建立成功数和e-rab建立请求数中至少一种。

进一步地，处理器1001可以调用存储器1005中存储的室内分布系统中局部故障的监控程序，还执行以下操作：

获取不同样本小区的切片区域组的弱覆盖参数和性能数据；

通过预设的机器学习算法对所述样本小区的切片区域组的弱覆盖参数和性能数据进行训练学习，并建立判断模型。

进一步地，处理器1001可以调用存储器1005中存储的室内分布系统中局部故障的监控程序，还执行以下操作：

将所述室分小区的切片区域组的弱覆盖参数和性能数据录入至预设的判断模型中；

根据判断模型中的样本小区的切片区域组的弱覆盖参数和性能数据，对所述室分小区的切片区域组的弱覆盖参数和性能数据进行分析，确定所述室分小区的指标评分；

根据所述室分小区的指标评分判断所述室内分布系统中室分小区的网络是否存在故障。

进一步地，处理器1001可以调用存储器1005中存储的室内分布系统中局部故障的监控程序，还执行以下操作：

判断所述室分小区的指标评分是否低于第五预设值；

若是，则所述室分小区的网络存在故障，并生成故障报告。

本发明室内分布系统中局部故障的监控装置的具体实施例与下述室内分布系统中局部故障的监控方法各实施例基本相同，在此不作赘述。

参照图2，图2为本发明室内分布系统中局部故障的监控方法的第一实施例的流程示意图，所述室内分布系统中局部故障的监控方法包括：

步骤s10，获取所述室内分布系统中室分小区的第一场强信息，并将所述第一场强信息中满足第一预设条件的第二场强信息进行合并，形成切片区域。

本发明实施例的硬件装置可以是pc，也可以是智能手机、平板电脑、服务器、便携计算机等终端设备，为方便说明，本发明的以下实施例均以pc为例。mr测量报告是移动终端采集到的无线信息，并定时通过无线网络传输给小区基站，从而使得网络侧可以获得无线信息。室内分布系统中室分小区的场强信息包含在mr测量报告中，通过手机发送至基站。本发明在对室分小区的无线网络进行监控时，通过pc采集全网基站的mr测量报告，并从所述mr测量报告提取出所述室分小区的原始下行场强信息，作为第一场强信息。其中，所述第一场强信息包括所述第一场强信息包括国际移动用户识别码imsi(internationalmobilesubscriberidentificationnumber简称：imsi)、所述imsi对应的采样时间、所述imsi对应的主服务小区的接收信号码功率rsrp(referencesignalreceivingpower简称：rsrp)和所述imsi对应的邻区的接收信号码功率rsrp。

pc获取到第一场强信息后，根据第一预设条件对第一场强信息进行筛选，将满足第一预设条件的场强信息作为第二场强信息，并对第二场强信息进行合并，形成切片区域。具体地，筛选出第一场强信息中满足采样持续时间高于第一预设值，且主服务小区的接收信号码功率和邻区的接收信号码功率的差值均低于第二预设值时，将满足条件的场强信息进行合并，形成切片区域。其中，所述第二场强信息属于所述第一场强信息中的数据。例如，本实施例将第一预设值设置成30s，第二预设值设置成3dbm，那么本实施例就是将室分小区的第一场强信息中满足主服务小区和邻区的接收信号码功率变化幅度均低于3dbm，且持续时间大于30秒的采样点合并成一个切片区域。

当然，上述实施方式为本发明的优选实施方式，作为其他的实施方式，可以选择比上述第一预设条件中更多或者更少的条件，比如，在上述第一预设条件中增加采样时段的限制等。

本领域的技术人员可以理解，上述第一预设条件中的第一预设值和第二预设值可以根据实际情况进行设定，本发明不做具体限制。

步骤s20，根据第二预设条件对所述切片区域进行合并，形成切片区域组。

获取切片区域后，计算所述切片区域的主服务小区的平均接收信号码功率rsrp和邻区的平均接收信号码功率rsrp，并从各个切片区域中筛选出满足第二预设条件的切片区域，并对满足条件的切片区域进行合并，形成切片区域组。本实施例中选取切片区域中主服务小区的eci相同，邻区小区的eci相同，采样持续时间低于第三预设值，且主服务小区的平均接收信号码功率rsrp和邻区的平均接收信号码功率rsrp的差值均低于第四预设值的切片区域进行合并，形成切片区域组，其中所述第三预设值必须大于所述第一预设值。例如，本实施例中将第三预设值设置为20min，第四预设值设置为3dbm，那么本实施例就是选取不同切片区域的中主服务小区的eci相同，邻区小区的eci相同，采样持续时间低于20min，且主服务小区的平均接收信号码功率rsrp和邻区的平均接收信号码功率rsrp变化均低于3dbm的切片区域进行合并，形成切片区域组。

当然，上述实施方式为本发明的优选实施方式，作为其他的实施方式，可以选择比上述第二预设条件中更多或者更少的条件，比如，在上述第二预设条件中增加采样时段的限制等。

当然，本领域的技术人员可以理解，上述第二预设条件中的第三预设值和第四预设值可以根据实际情况进行设定，本发明不做限制。

步骤s30，根据预设规则计算所述切片区域组的弱覆盖参数，并获取所述切片区域组对应的室分小区的性能数据。

获取到切片区域组后，统计室分小区的切片区域组的数量，并计算每个切片区域组的主服务小区的平均接收信号码功率rsrp和邻区的平均接收信号码功率rsrp，并根据所述切片区域组的主服务小区的平均接收信号码功率rsrp、邻区的平均接收信号码功率rsrp和切片区域组的数量，按预设规则计算所述切片区域组的弱覆盖参数。其中，所述弱覆盖参数包括弱覆盖切片组比例、无邻区部分弱覆盖切片组比例、强邻区部分弱覆盖切片组比例、弱邻区部分弱覆盖切片组比例和无时间跨度过滤弱覆盖切片组比例。其中，所述弱覆盖切片组比例为主服务小区的平均场强小于-110dbm的切片区域组占切片区域组总数的比值，所述无邻区部分弱覆盖切片组比例为不含邻区eci的切片区域组占切片区域组总数的比值，所述强邻区部分弱覆盖切片组比例为邻区的平均场强大于-90dbm的切片区域组占切片区域组总数的比值，所述弱邻区部分弱覆盖切片组比例为邻区的平均场强小于-95dbm的切片区域组占切片区域组总数的比值，所述无时间跨度过滤弱覆盖切片组比例为主服务小区的平均场强和邻区的平均场强均小于-95dbm的切片区域组占切片区域组总数的比值。当然，上述弱覆盖参数中的门限值如-110dbm、-90dbm和-95dbm可以根据实际情况定义，本发明不做限定。

同时，pc通过采集基站的mr测量报告获取所述室分小区的性能数据，所述性能数据为volte语音话务量、volte语音总流量、volte视频话务量、volte视频总流量、rrc连接最大数、rrc连接重建成功次数、rrc连接建立成功数、rrc连接建立请求次数、e-rab建立成功数、e-rab建立请求数、qci1的上行最大激活e-rab数、qci1的下行最大激活e-rab数、qci2的上行最大激活e-rab数、qci2的下行最大激活e-rab数等。本实施例中所述性能数据包括volte语音话务量、volte语音总流量、volte视频话务量、volte视频总流量、rrc连接最大数、rrc连接重建成功次数、rrc连接建立成功数、rrc连接建立请求次数、e-rab建立成功数和e-rab建立请求数中至少一种以上的组合。本实施选取上述全部数据作为性能数据。

当然，上述实施方式为本发明的优选实施方式，作为其他的实施方式，可以选择比上述弱覆盖参数和性能参数中更多或者更少的参数，比如，选取的弱覆盖参数可以包括弱覆盖切片组比例、无邻区部分弱覆盖切片组比例、强邻区部分弱覆盖切片组比例、弱邻区部分弱覆盖切片组比例和无时间跨度过滤弱覆盖切片组比例中的一种、二种、三种或者四种来实施，或者为其他参数与所述弱覆盖参数的组合。选取性能参数时，也可根据实际需要从mr测量报告获取更多或更少的数据。

步骤s40，根据所述切片区域组的弱覆盖参数，对应的室分小区的性能数据，以及预设的判断模型判断所述室内分布系统中室分小区的网络是否存在故障。

将所述室分小区的切片区域组的弱覆盖参数和对应的室分小区的性能数据录入至预设的判断模型中，从而通过判断模型判断室分小区的网络是否存在故障，以实现对所述室内分布系统的局部故障进行监控。本实施例中根据判断模型对所述室分小区的切片区域组的弱覆盖参数和对应的室分小区的性能数据进行分析，确定指标评分，判断所述指标评分是否低于第五预设值；若是，则所述室分小区的网络存在故障，并生成故障报告。所述故障报告可以为word格式或者pdf格式，便于打印。具体地，所述预设的判断模型中包含有不同样本小区的切片区域组的弱覆盖参数和性能数据，同时所述样本小区包含正常情况和各类故障情况下的各个场景标记，判断模型基于各个场景标记下的弱覆盖参数和性能数据进行建模，并预设各个弱覆盖参数和性能数据的权重值，根据加权平均公式可以计算得到各个场景标记下的加权平均值，将所述加权平均值作为故障判断的指标评分。在实际监控某室分小区网络时，可将该小区的切片区域组的弱覆盖参数和性能数据录入判断模型，通过判断模型计算该小区的指标评分，与判断模型中的各个指标评分比较，进而确认该小区有无网络故障。

在本实施例中通过将室分小区的场强信息按预设条件进行合并，形成切片区域组，进而根据切片区域组中的平均场强和数量，计算切片区域组的弱覆盖参数，再结合该室分小区的性能数据，与预设判断模型中样本小区的切片区域组的弱覆盖参数和性能数据对比分析，判断所述室分小区的网络进行监控，使得室内分布系统中的局部故障通过判断模型即可实现远程监控，不需要人工现场测试，同时提高了检测效率，并实现了对室内系统所覆盖的所有楼栋和楼层的隐形故障进行监控。

进一步的，参照图3，本发明室内分布系统中局部故障的监控方法的第二实施例的流程示意图，基于上述图2所示的实施例，所述步骤s40根据所述切片区域组的弱覆盖参数，对应的室分小区的性能数据，以及预设的判断模型判断所述室内分布系统中室分小区的网络是否存在故障之前，还包括：

步骤s50，获取不同样本小区的切片区域组的弱覆盖参数和性能数据。

获取不同样本小区的切片区域组的弱覆盖参数和性能数据，可以根据上述第一实施例中的步骤s10、s20和s30来获取海量样本小区的切片区域组的弱覆盖参数和性能数据，也可以采用其他方式来获取样本小区的切片区域组的弱覆盖参数和性能数据。

步骤s60，通过预设的机器学习算法对所述样本小区的切片区域组的弱覆盖参数和性能数据进行训练学习，并建立判断模型。

所述判断模型通过预设的机器学习算法训练得到不同样本小区的切片区域组的弱覆盖参数和性能数据，所述样本小区含有人工标记，标记有正常情况下和各类故障情况下的各个场景信息，对各个场景标记下的弱覆盖参数和性能数据进行建模。其中，机器学习算法可以为xgboost(extremegradientboosting)算法。xgboost算法的代价函数中引入了正则化项，其正则化项包含了全部叶子节点的个数，也包含了叶子节点输出的分数，这样不仅可以防止过拟合，也大大降低了模型的复杂度。xgboost算法对缺失值鲁棒性较好，当样本存在缺失值时，xgboost算法可以自动学习分裂方向；并且xgboost算法支持并行计算，所以在效率和准确率上面都有很大的优势。具体算法如下所示：

xgboost算法在第t次迭代后，模型的预测等于前t-1次模型预测加上第t棵树的预测：

目标函数：

函数f(x)的二阶泰勒展开式为：

其中t为叶子的个数，w为叶子权重，constant为常数项。

假设ij＝{i|q(xi)＝j}被定义为每个叶子上面样本集合，则目标函数可表示为：

其中，

根据xgboost算法对样本小区的切片区域组的弱覆盖参数和性能数据进行学习训练，建立判断模型。为后续检测某室内分系统的网络故障时，通过该判断模型求得室内分系统中各室分小区的指标评分，进而判断室分小区的网络是否存在故障。

当然，除本实施例中xgboost算法外，也可以通过gdbt和adaboost等其他算法来实现，本发明不做具体限定。

在本实施例中通过对样本小区在正常情况下和不同故障情况下的切片区域组的弱覆盖参数和性能数据进行学习训练，由此建立判断模型，在后期需要对某个室分小区进行故障检测时，获取该室分小区的切片区域组的弱覆盖参数和性能数据，并与判断模型中的数据对比分析，即可知道该室分小区的网络是否存在故障。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有室内分布系统中局部故障的监控程序，所述室内分布系统中局部故障的监控程序被处理器执行时实现如下操作：

获取所述室内分布系统中室分小区的第一场强信息，并将所述第一场强信息中满足第一预设条件的第二场强信息进行合并，形成切片区域；

根据第二预设条件对所述切片区域进行合并，形成切片区域组；

根据预设规则计算所述切片区域组的弱覆盖参数，并获取所述切片区域组对应的室分小区的性能数据；

根据所述切片区域组的弱覆盖参数，对应的室分小区的性能数据，以及预设的判断模型判断所述室内分布系统中室分小区的网络是否存在故障。

进一步地，所述室内分布系统中局部故障的监控程序被处理器执行时还实现如下操作：

获取所述室内分布系统中室分小区的第一场强信息，其中，所述第一场强信息包括国际移动用户识别码imsi、所述imsi对应的采样时间、所述imsi对应的主服务小区的接收信号码功率rsrp和所述imsi对应的邻区的接收信号码功率rsrp；

获取所述第一场强信息中采样持续时间高于第一预设值，且主服务小区的接收信号码功率rsrp和邻区的接收信号码功率rsrp的差值均低于第二预设值的第二场强信息，并将所述第二场强信息合并，形成切片区域。

进一步地，所述室内分布系统中局部故障的监控程序被处理器执行时还实现如下操作：

计算所述切片区域的主服务小区的平均接收信号码功率rsrp和邻区的平均接收信号码功率rsrp；

对各个切片区域中主服务小区的eci相同，邻区小区的eci相同，采样持续时间低于第三预设值，且主服务小区的平均接收信号码功率rsrp和邻区的平均接收信号码功率rsrp的差值均低于第四预设值的切片区域进行合并，形成切片区域组，其中所述第三预设值大于所述第一预设值。

进一步地，所述室内分布系统中局部故障的监控程序被处理器执行时还实现如下操作：

所述弱覆盖参数包括弱覆盖切片组比例、无邻区部分弱覆盖切片组比例、强邻区部分弱覆盖切片组比例、弱邻区部分弱覆盖切片组比例和无时间跨度过滤弱覆盖切片组比例。

进一步地，所述室内分布系统中局部故障的监控程序被处理器执行时还实现如下操作：

所述性能数据包括volte语音话务量、volte语音总流量、volte视频话务量、volte视频总流量、rrc连接最大数、rrc连接重建成功次数、rrc连接建立成功数、rrc连接建立请求次数、e-rab建立成功数和e-rab建立请求数中至少一种。

进一步地，所述室内分布系统中局部故障的监控程序被处理器执行时还实现如下操作：

获取不同样本小区的切片区域组的弱覆盖参数和性能数据；

通过预设的机器学习算法对所述样本小区的切片区域组的弱覆盖参数和性能数据进行训练学习，并建立判断模型。

进一步地，所述室内分布系统中局部故障的监控程序被处理器执行时还实现如下操作：

将所述室分小区的切片区域组的弱覆盖参数和性能数据录入至预设的判断模型中；

根据判断模型中的样本小区的切片区域组的弱覆盖参数和性能数据，对所述室分小区的切片区域组的弱覆盖参数和性能数据进行分析，确定所述室分小区的指标评分；

根据所述室分小区的指标评分判断所述室内分布系统中室分小区的网络是否存在故障。

进一步地，所述室内分布系统中局部故障的监控程序被处理器执行时还实现如下操作：

判断所述室分小区的指标评分是否低于第五预设值；

若是，则所述室分小区的网络存在故障，并生成故障报告。

本发明计算机可读存储介质的具体实施例与上述室内分布系统中局部故障的监控方法各实施例基本相同，在此不作赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保。