本技術涉及網(wǎng)絡，具體涉及一種基站退服預測方法、裝置、電子設備和存儲介質(zhì)。

背景技術：

1、基站是無線通信中的重要設備之一，而基站在工作過程中，偶爾會因各種原因出現(xiàn)故障，觸發(fā)告警，部分嚴重的故障會造成基站退服，觸發(fā)退服告警，導致通信業(yè)務不可用，需要派出維護人員及時處理故障，消除告警。

2、目前，通?；趯＜蚁到y(tǒng)進行基站退服預測，而專家系統(tǒng)預測的準確性較低，特別是對于新技術，如第五代移動通信技術(5th?generation?mobile?communicationtechnology，5g)的基站，基站退服預測的新規(guī)則形成時間長、更新慢，未形成完善的規(guī)則時，專家系統(tǒng)預測準確性較低的問題更為突出。

3、因此，如何準確預測基站退服故障成為亟待解決的問題。

技術實現(xiàn)思路

1、本發(fā)明提供一種基站退服預測方法、裝置、電子設備和存儲介質(zhì)，用以解決現(xiàn)有技術無法準確預測基站退服故障的技術問題。

2、本發(fā)明提供一種基站退服預測方法，包括：

3、從已分組的多個維護場景分組中確定出當前待預測的目標維護場景分組，任一所述維護場景分組包括至少一個基站；

4、基于特征數(shù)量參數(shù)，對所述目標維護場景分組中的各待預測基站的故障特征數(shù)據(jù)進行特征降維，得到各所述待預測基站的降維特征數(shù)據(jù)，其中，各所述待預測基站屬于所述目標維護場景分組，所述特征數(shù)量參數(shù)是各所述降維特征數(shù)據(jù)的維度數(shù)；

5、將各所述降維特征數(shù)據(jù)分別輸入至預置退服預測模型，得到所述預置輕量級梯度提升機模型輸出的退服預測結果。

6、根據(jù)本發(fā)明提供的一種基站退服預測方法，各基站的維護場景分組基于如下步驟確定：

7、基于多個待分組基站的重要性特征數(shù)據(jù)，確定各所述待分組基站的綜合評分，其中，所述重要性特征數(shù)據(jù)包括維護難度評分、基站價值評分和維護要求評分中的至少一種；

8、基于各所述待分組基站的綜合評分和預置維護場景閾值，對各所述待分組基站進行分組得到多個維護場景分組。

9、根據(jù)本發(fā)明提供的一種基站退服預測方法，所述基于特征數(shù)量參數(shù)，對所述目標維護場景分組中的各待預測基站的故障特征數(shù)據(jù)進行特征降維，得到各所述待預測基站的降維特征數(shù)據(jù)，包括：

10、對各所述待預測基站的故障特征數(shù)據(jù)進行中心化處理，得到各所述待預測基站的中心化特征數(shù)據(jù)；

11、基于各所述中心化特征數(shù)據(jù)，構建協(xié)方差矩陣后，確定所述協(xié)方差矩陣的各特征值，以及與各所述特征值對應的特征向量；

12、將各所述特征向量按對應的特征值大小排序后，基于所述特征數(shù)量參數(shù)，確定特征矩陣；

13、基于所述特征矩陣，確定各所述待預測基站的降維特征數(shù)據(jù)。

14、根據(jù)本發(fā)明提供的一種基站退服預測方法，所述預置退服預測模型基于模型確定步驟確定，所述模型確定步驟包括：

15、確定若干個模型參數(shù)取值組和各所述模型參數(shù)取值組對應的退服預測模型，其中，所述模型參數(shù)取值組包括各模型參數(shù)的取值；

16、對各所述退服預測模型，分別基于測試數(shù)據(jù)集，確定測試集f1分數(shù)；

17、確定最大測試集f1分數(shù)對應的退服預測模型為所述預置退服預測模型，其中，所述最大測試集f1分數(shù)是各所述測試集f1分數(shù)中的最大值。

18、根據(jù)本發(fā)明提供的一種基站退服預測方法，所述確定若干個模型參數(shù)取值組和各所述模型參數(shù)取值組對應的退服預測模型，包括：

19、基于待訓練退服預測模型中各模型參數(shù)的取值范圍，確定若干個待選參數(shù)取值組；

20、對各所述待選參數(shù)取值組，分別使用訓練數(shù)據(jù)集，對所述待訓練退服預測模型進行訓練，得到各所述待選參數(shù)取值組對應的退服預測模型；

21、基于各所述退服預測模型的f1分數(shù)和預置f1分數(shù)閾值，選擇出若干個待選參數(shù)取值組和對應的退服預測模型，得到所述若干個模型參數(shù)取值組和各所述模型參數(shù)取值組對應的退服預測模型。

22、根據(jù)本發(fā)明提供的一種基站退服預測方法，所述訓練數(shù)據(jù)集包括第一訓練數(shù)據(jù)和第二訓練數(shù)據(jù)，所述第一訓練數(shù)據(jù)用于訓練模型，所述第二訓練數(shù)據(jù)用于確定訓練得到的模型是否達到訓練目標，所述第一訓練數(shù)據(jù)和所述第二訓練數(shù)據(jù)基于如下步驟進行標注：

23、將訓練樣本基站的歷史降維特征數(shù)據(jù)按時間進行排序，其中所述訓練樣本基站的維護場景分組是所述當前維護場景分組；

24、基于預置分組天數(shù)，對所述歷史降維特征數(shù)據(jù)進行分組，得到若干組特征數(shù)據(jù)；

25、對各所述特征數(shù)據(jù)，將第一部分特征數(shù)據(jù)和其對應的基站退服情況標注為第一訓練數(shù)據(jù)，并將第二部分特征數(shù)據(jù)和其對應的基站退服情況標注為第二訓練數(shù)據(jù)，其中，所述第一部分特征數(shù)據(jù)是所述特征數(shù)據(jù)中第1天至第i天的降維特征數(shù)據(jù)，所述第二部分特征數(shù)據(jù)是所述特征數(shù)據(jù)中第i+1天至第n天的降維特征數(shù)據(jù)，n為所述預置分組天數(shù)，i＜n。

26、根據(jù)本發(fā)明提供的一種基站退服預測方法，若各所述測試集f1分數(shù)均小于預置測試集f1分數(shù)閾值，則調(diào)整所述特征數(shù)量參數(shù)的值后，重新對各所述待預測基站的故障特征數(shù)據(jù)進行特征降維，并重新執(zhí)行所述模型確定步驟，其中，所述預置測試集f1分數(shù)閾值是所述當前維護場景分組對應的測試集f1分數(shù)閾值模型確定步驟。

27、本發(fā)明還提供一種基站退服預測裝置，包括：

28、基站確定模塊，用于：從已分組的多個維護場景分組中確定出當前待預測的目標維護場景分組，任一所述維護場景分組包括至少一個基站；

29、特征降維模塊，用于：基于特征數(shù)量參數(shù)，對所述目標維護場景分組中的各待預測基站的故障特征數(shù)據(jù)進行特征降維，得到各所述待預測基站的降維特征數(shù)據(jù)，其中，各所述待預測基站屬于所述目標維護場景分組，所述特征數(shù)量參數(shù)是各所述降維特征數(shù)據(jù)的維度數(shù)；

30、退服預測模塊，用于：將各所述降維特征數(shù)據(jù)分別輸入至預置退服預測模型，得到所述預置輕量級梯度提升機模型輸出的預測結果。

31、本發(fā)明還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如上述任一種所述基站退服預測方法。

32、本發(fā)明還提供一種非暫態(tài)計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如上述任一種所述基站退服預測方法。

33、本技術實施例提供的基站退服預測方法、裝置、電子設備和存儲介質(zhì)，從已分組的多個維護場景分組中確定出當前待預測的目標維護場景分組，任一所述維護場景分組包括至少一個基站；基于特征數(shù)量參數(shù)，對所述目標維護場景分組中的各待預測基站的故障特征數(shù)據(jù)進行特征降維，得到各所述待預測基站的降維特征數(shù)據(jù)，其中，各所述待預測基站屬于所述目標維護場景分組，所述特征數(shù)量參數(shù)是各所述降維特征數(shù)據(jù)的維度數(shù)；將各所述降維特征數(shù)據(jù)分別輸入至預置退服預測模型，得到所述預置輕量級梯度提升機模型輸出的退服預測結果。該方法中，對同一維護場景分組的基站進行特征降維，并使用相同的退服預測模型進行退服預測，一方面，由于同一維護場景分組的基站具有相近的維護需求，因此對一個維護場景分組中的基站進行退服預測時，能夠有針對性地進行預測，從而提高基站退服預測的準確性，另一方面，將基站按維護場景分組后，分組進行特征降維可以減少特征降維的計算量，并且各組基站的故障特征數(shù)據(jù)可以并行進行特征降維處理，提高數(shù)據(jù)處理效率。