基站故障预测方法、装置、设备和介质与流程

本技术属于通信领域，具体涉及一种基站故障预测方法、装置、设备和存储介质。

背景技术：

1、随着无线通信技术的迅速发展，基站对人们生活的影响越来越大。基站是用来保证通话、视频、上网冲浪等需求的基础设施，使得手机等终端能够随时随地稳定地保持信号连接和数据传输。

2、一些情况下，基站会发生故障，影响终端的信号连接和数据传输。其中，基站的故障多种多样，发生故障的原因也错综复杂，现有技术中，基站发生故障后，需要等待维护人员赶到现场进行维修处理，耗费大量的时间成本。

技术实现思路

1、本技术实施例的目的是提供一种基站故障预测方法、装置、设备和存储介质，能够解决目前的基站发生故障后，需要等待维护人员赶到现场进行维修处理，耗费大量的时间成本的问题。

2、第一方面，本技术实施例提供了一种基站故障预测方法，该方法包括：

3、获取基站的实时特征参数、所述实时特征参数的采集时间以及每种故障类型对应的平均时间差；

4、将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型；所述故障预测模型基于训练数据对图卷积神经网络进行训练得到，所述训练数据包括历史异常特征参数及所述历史异常特征参数对应的预设故障类型；

5、将所述采集时间与所述目标故障类型对应的平均时间差相加，确定故障时间；所述故障时间为预测所述基站发生所述目标故障类型的故障的时间。

6、可选地，所述将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型之前，还包括：

7、获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型；

8、将历史异常特征参数输入至图卷积神经网络进行预测，确定所述历史异常特征参数对应的预测故障类型；

9、计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，并基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型。

10、可选地，所述获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型，包括：

11、获取原始特征参数及所述原始特征参数对应的预设故障类型；

12、从所述原始特征参数中筛选出取值超出预设范围的候选异常特征参数；

13、基于极端梯度提升库xgboost算法，从所述候选异常特征参数中提取历史异常特征参数；所述历史异常特征参数与所述预设故障类型具有强关联关系。

14、可选地，所述计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，包括：

15、采用交叉熵算法，计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值。

16、可选地，所述基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型，包括：

17、基于所述误差值，采用随机梯度下降算法对所述图卷积神经网络的模型参数进行调整；

18、返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述平均误差值小于预设误差阈值，将调整后的图卷积神经网络作为故障预测模型；所述平均误差值为预设数量的训练数据对应的误差值的平均值。

19、可选地，采用如下步骤，获取每种故障类型对应的平均时间差：

20、获取所述历史异常特征参数的采集时间及故障时间；所述故障时间为发生历史故障的时间，所述历史故障为采集所述历史异常特征参数后最近发生的故障；

21、确定所述采集时间及所述故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。

22、可选地，所述确定所述采集时间及所述故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差，包括：

23、在所述时间差超过预设时间阈值的情况下，删除对应的历史异常特征参数；

24、在所述时间差不超过预设时间阈值的情况下，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。

25、第二方面，本技术实施例提供了一种故障预测的装置，该装置包括：

26、获取模块，用于获取基站的实时特征参数、所述实时特征参数的采集时间以及每种故障类型对应的平均时间差；

27、预测模块，用于将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型；所述故障预测模型基于训练数据对图卷积神经网络进行训练得到，所述训练数据包括历史异常特征参数及所述历史异常特征参数对应的预设故障类型；

28、确定模块，用于将所述采集时间与所述目标故障类型对应的平均时间差相加，确定故障时间；所述故障时间为预测所述基站发生所述目标故障类型的故障的时间。

29、可选地，所述装置还包括训练模块，用于：

30、获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型；

31、将历史异常特征参数输入至图卷积神经网络进行预测，确定所述历史异常特征参数对应的预测故障类型；

32、计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，并基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型。

33、可选地，所述训练模块，具体用于：

34、获取原始特征参数及所述原始特征参数对应的预设故障类型；

35、从所述原始特征参数中筛选出取值超出预设范围的候选异常特征参数；

36、基于极端梯度提升库xgboost算法，从所述候选异常特征参数中提取历史异常特征参数；所述历史异常特征参数与所述预设故障类型具有强关联关系。

37、可选地，所述训练模块，具体用于：

38、采用交叉熵算法，计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值。

39、可选地，所述训练模块，具体用于：

40、基于所述误差值，采用随机梯度下降算法对所述图卷积神经网络的模型参数进行调整；

41、返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述平均误差值小于预设误差阈值，将调整后的图卷积神经网络作为故障预测模型；所述平均误差值为预设数量的训练数据对应的误差值的平均值。

42、可选地，所述获取模块，具体用于：

43、获取所述历史异常特征参数的采集时间及故障时间；所述故障时间为发生历史故障的时间，所述历史故障为采集所述历史异常特征参数后最近发生的故障；

44、确定所述采集时间及所述故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。

45、可选地，所述获取模块，具体用于：

46、在所述时间差超过预设时间阈值的情况下，删除对应的历史异常特征参数；

47、在所述时间差不超过预设时间阈值的情况下，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。

48、第三方面，本技术实施例提供了一种基站故障预测设备，该设备包括：

49、传感器模块，用于采集基站的实时特征参数；

50、主控模块，用于获取所述传感器模块采集到的实时特征参数，并将获取到的实时特征参数上传至服务器；以使所述服务器实现上述任一项所述的基站故障预测方法的步骤；

51、通信模块，用于实现所述主控模块与所述服务器之间的通信；

52、电源模块，用于为所述主控模块、所述传感器模块及所述通信模块供电。

53、可选地，所述传感器模块，包括：

54、陀螺仪传感器模块，通过集成电路总线接口与所述主控模块相连，用于采集所述基站所处环境现场的角度变化率；

55、温湿度传感器模块，通过集成电路总线接口与所述主控模块相连，用于采集所述基站所处环境现场的温湿度；

56、红外传感器模块，通过通用输入输出接口与所述主控模块相连，用于采集所述基站所处环境现场出现的人体红外信号；

57、烟雾传感器模块，通过通用输入输出接口与所述主控模块相连，用于采集所述基站所处环境现场的烟雾浓度；

58、定位模块，通过通用同步异步串行收发接口与所述主控模块相连，用于采集所述基站所处环境现场的位置信息。

59、可选地，所述通信模块，包括：

60、5g通信模块，通过通用串行总线接口与所述主控模块相连，用于建立所述主控模块与所述服务器之间的通信连接，以使所述主控模块将获取到的实时特征参数上传至所述服务器；

61、无线组网模块，通过通用同步异步串行收发接口与所述主控模块相连，用于建立所述主控模块与其他基站之间的通信连接，以使所述主控模块将获取到的实时特征参数上传至所述其他基站，并使所述其他基站将所述实时特征参数上传至所述服务器。

62、第四方面，本技术实施例提供了一种电子设备，该电子设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。

63、第五方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。

64、第六方面，本技术实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。

65、第六方面，本技术实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面所述的方法。

66、在本技术实施例中，获取基站的实时特征参数、实时特征参数的采集时间以及每种故障类型对应的平均时间差；将实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定基站的目标故障类型；故障预测模型基于训练数据对图卷积神经网络进行训练得到，训练数据包括历史异常特征参数及历史异常特征参数对应的预设故障类型；将采集时间与目标故障类型对应的平均时间差相加，确定故障时间；故障时间为预测基站发生目标故障类型的故障的时间。

67、这样，通过预先训练得到的故障预测模型对采集到的实时特征数据进行分析，能够在较短的时间内基于多个特征维度有效地预测基站故障可能会发生的故障类型，以及该类故障将要发生的时间，从而在基站故障发生前及时进行维护，以尽可能避免基站故障的发生、缩短故障处理时长以及减少不必要的损失，为使用基站服务的用户带来良好的感知体验。