故障的检测方法、装置、电子设备及存储介质

1.本发明涉及中断检测定位技术领域，尤其涉及故障的检测方法、装置、电子设备及存储介质。

背景技术：

2.随着无线通信技术的不断发展，以5g为代表的下一代无线通信技术相对于4g网络，其无线覆盖性能、传输时延、系统安全和用户体验也将得到显著的提高。在5g网络中，由于异构动态用户的海量数据流量需求和频繁的通信开销，极易导致用户服务质量乃至qoe的降低，而无线云接入网络(c-ran，cloud radio access networks)被认为是5g的一种能够解决该问题的架构。c-ran将基带处理单元(bbu，building baseband unit)虚拟化到一个云端资源池中。同时，bbu与远端射频单元(rrh，remote radio head)通过高速的前向回传链路连接，能够提供灵活的分布式的系统容量、降低网络总体能耗等。
3.与此同时，由于5g技术的频段较高，的有效服务距离相比于前代的网络也下降很多。为了满足覆盖的需求，的密度和蜂窝网络的复杂性不可避免的增长，这带来了大量的资本支出和运营支出(capex和opex)，对此问题，研究人员和标准化机构3gpp提出的解决方法是部署自组织网络(son)，其在网络中引入自组织能力实现网络的自主运行，进而提高网络的管理效率，降低人力成本。自组织网络主要分为三个关键领域：自主配置，自主优化以及自主恢复。由于5g中庞大的数量与密度，其发生故障的频次也在提升，因此，网络的自主恢复功能十分重要。自主恢复领域可以细分为中断检测，故障诊断和中断补偿。
4.有关4g lte的中断检测(cod)和中断补偿(coc)技术已经得到了大量的研究，大量的基于机器学习或智能算法的方法被应用于解决各种son的相关用例中。然而中断检测中大多是通过收集全部用户终端的数据来进行检测，在大量用户时计算资源开销过大，难以面对未来的5g c-ran中大量分布式rrh节点的快速准确检测需求。因此，如何完成中断rrh的主动式快速准确诊断，是需要解决的重要问题之一。

技术实现要素：

5.本发明提供故障的检测方法、装置、电子设备及存储介质，用以解决现有技术中中断检测的计算资源开销过大的缺陷，实现高效快捷、计算量少的检测算法。
6.本发明提供一种故障的检测方法，包括：获得侧的运行数据和用户侧的用户数据；对运行数据进行时序分解与离值检测，获得疑似故障情况；其中，疑似故障情况包括疑似故障的序号；基于疑似故障情况，计算疑似故障为中心的正方形区域内当前用户数据与历史用户数据的信号质量分布差异；基于信号质量分布差异，确定故障。
7.根据本发明提供的一种故障的检测方法，对所述运行数据进行时序分解，包括：每小时等间距采集侧的运行数据；其中，运行数据包括指标，指标包括用户连接数量，功率和总吞吐；将预设天数内的运行数据按照时间顺序分别进行连接并排序，
构成数据集合s
ijk
；其中，s
ijk
表示i号的j指标在第k个时间点上的值；将每一个每一个指标的时序数据s
ij
以一天为周期，分别进行stl时序分解，获得周期项seasonal
ij
、趋势项trend
ij
和余项rem
ij
；基于数据集合s
ijk
和周期项seasonal
ij
获得处理集合s
′
ijk
，其中，s
′
ijk
＝s
ijk-seasonal
ijk
。
8.根据本发明提供的一种故障的检测方法，对运行数据进行时序分解与离值检测，获得疑似故障情况，包括：对时序数据s
′
ij
进行gesd异常值检测；若当前时间点k的处理集合s
′
ijk
中的j指标属于异常点，则获得对应的i号作为疑似故障。
9.根据本发明提供的一种故障的检测方法，基于疑似故障情况，计算所述疑似故障为中心的正方形区域内当前所述用户数据与历史用户数据的信号质量分布差异之前，包括：以疑似故障为中心确定检测区域，并将检测区域划分为若干网格；获取检测区域内的用户侧的用户数据，并根据位置信息将用户数据按照网格进行分类；其中，用户数据包括位置信息和信号指标，信号指标包括当前小区信号、最大邻居小区信号和当前小区信号信噪比。
10.根据本发明提供的一种故障的检测方法，计算疑似故障为中心的正方形区域内当前用户数据与历史用户数据的信号质量分布差异，包括：将每个网格内的当前时间点的信号指标分布情况和历史数据的同时段内同网格的信号指标分布情况进行对比，获得信号指标在相应网格内的信号质量分布差异。
11.根据本发明提供的一种故障的检测方法，将每个网格内的当前时间点的信号指标分布情况和历史数据的同时段内同网格的信号指标分布情况进行对比，获得信号指标在相应网格内的信号质量分布差异，基于信号质量分布差异，确定故障，包括：计算每个网格内的当前时间点的信号指标分布和历史数据的同时段内同网格的信号指标分布的wasserstein距离；其中，wasserstein距离代表指标在对应网格区域内的分布差异度；根据分布差异度将检测区域通过映射函数f转化为三个图层的像素图，其中，每一个图层代表一个信号指标差异度的二维平面分布；将像素图输入通过预训练的卷积神经网络，得到像素图对应的故障概率；基于的故障概率，确定故障。
12.本发明还提供一种故障的检测装置，包括：数据获取模块，用于获得侧的运行数据和用户侧的用户数据；疑似故障模块，用于对运行数据进行时序分解与离值检测，获得疑似故障情况；其中，疑似故障情况包括疑似故障的序号；分布差异模块，用于基于疑似故障情况，计算疑似故障为中心的正方形区域内当前用户数据与历史用户数据的信号质量分布差异；故障模块，用于基于信号质量分布差异，确定故障。
13.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述故障的检测方法。
14.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述故障的检测方法。
15.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述故障的检测方法。
16.本发明提供故障的检测方法、装置、电子设备及存储介质，通过对侧的运
行数据进行时序分解与离值检测，获得疑似故障情况，根据疑似故障情况选择对应部分的用户侧计算当前用户数据与历史用户数据的信号质量分布差异，最终确定出故障。通过上述方式，本发明考虑侧数据和用户侧数据结合时空信息联合分析，不需要计算全部的用户侧数据，大大降低了系统的计算资源开销和时间开销，降低了平均运行时间。
附图说明
17.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1是本发明故障的检测方法一实施例的流程示意图；
19.图2是本发明故障的检测方法中侧数据处理一实施例的流程示意图；
20.图3是本发明故障的检测方法中用户侧数据处理一实施例的流程示意图；
21.图4是本发明故障的检测装置一实施例的结构示意图；
22.图5是本发明电子设备一实施例的结构示意图。
具体实施方式
23.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.本发明提供一种故障的检测方法，可应用于自组织网络中自主恢复领域的中断检测部分。请参阅图1，图1是本发明故障的检测方法一实施例的流程示意图，在本实施例中，故障的检测方法可以包括步骤s110～s140，各步骤具体如下：
25.s110：获得侧的运行数据和用户侧的用户数据。
26.本实施例以5g c-ran架构无线云网络小区为例进行说明。根据c-ran的架构，可以假设故障的检测装置位于云端的son(自组织网络)实体中，由各个收集其所服务用户的信息，汇总并发送至son实体，由故障的检测装置收集并处理。
27.整个检测流程分为侧初步检测和用户侧深度检测两部分，侧检测需要处理大量运行数据，首要目标为速度；用户侧深度检测只需要处理部分用户数据，首要目标为准确度。前者将收集到的大量即时数据进行时序分解，到疑似故障情况。后者根据前者所指示的疑似故障情况，计算用户侧的数据信号质量分布差异，并以此为基础进行故障的深度检测和故障确定，确定故障。
28.可选地，获得侧的运行数据具体包括：
29.每小时等间距采集侧的运行数据。其中，运行数据包括指标，指标包括用户连接数量，功率和总吞吐。
30.每小时等间距收集疑似故障附近的用户设备的用户数据。收集到的用户数据可以分为当前用户数据和历史用户数据，其中历史用户数据可以作为信号质量分布差异的
样本。
31.s120：对运行数据进行时序分解与离值检测，获得疑似故障情况。
32.可选地，将预设天数内的运行数据按照时间顺序分别进行连接并排序，构成数据集合s
ijk
；其中，s
ijk
表示i号的j指标在第k个时间点上的值；将每一个每一个指标的时序数据s
ij
以一天为周期，分别进行stl时序分解，获得周期项seasonal
ij
、趋势项trend
ij
和余项rem
ij
；基于数据集合s
ijk
和周期项seasonal
ij
获得处理集合s
′
ijk
，其中，s
′
ijk
＝s
ijk-seasonal
ijk
。
33.在此之后，对时序数据s
′
ij
进行gesd异常值检测；若当前时间点k的处理集合s
′
ijk
中的j指标属于异常点，则获得对应的i号作为疑似故障。其中，异常数据用于指示疑似故障情况。
34.s130：基于疑似故障情况，计算疑似故障为中心的正方形区域内当前用户数据与历史用户数据的信号质量分布差异。
35.在经过了侧初步检测之后，得到了初步确定疑似故障情况。接下来需要根据用户侧数据进行进一步的故障检测和确认。
36.可选地，以疑似故障为中心确定检测区域，并将检测区域划分为若干网格；获取检测区域内的用户侧的用户数据，并根据位置信息将用户数据按照网格进行分类；其中，用户数据包括位置信息和信号指标，信号指标包括当前小区信号、最大邻居小区信号和当前小区信号信噪比。将每个网格内的当前时间点的信号指标分布情况和历史数据的同时段内同网格的信号指标分布情况进行对比，获得信号指标在相应网格内的信号质量分布差异。
37.需要说明的是，采用网格化的处理，将周围的一块较大的正方形区域网格化为若干个小正方形区域，在每个小正方形区域内统计数据该区域的用户数据。同时，网格的区域不能过大也不能过小，每一个格子区域过大会导致其统计的数据对应的位置范围太广，计算出的分布数据会趋于统一，如果网格的区域过小，每一个网格内的用户数据就会过少，使得分布统计不准确，抗干扰能力变差。因此，无论是过大的网格还是过小的网格都会导致后续检测过程准确率下降。
38.需要说明的是，本实施例中是对疑似故障附近区域的用户数据进行采集，而不是针对疑似故障所服务的用户数据进行采集的。原因如下：在一个区域内的用户设备，不一定就属于一个，只是大多数用户设备都被离得较近的所服务，也有不少是被附近服务的。在故障后，有可能这个服务用户数量大幅度下降，或者就完全没有服务用户了，在这个区域内的用户要么切换到其他，要么就直接没有服务了。本实施例强调的是这一个区域内的用户数据，这些数据对应的用户是被不同所服务的，其中只有一部分可能是故障服务的用户(故障还有可能完全没有服务用户的)。本实施例之所以需要计算的分布差异就是要考虑到存在别的服务的用户。
39.s140：基于信号质量分布差异，确定故障。
40.在一些实施例中，基于信号质量分布差异，确定故障的步骤，具体包括：
41.计算每个网格内的当前时间点的信号指标分布和历史数据的同时段内同网格的信号指标分布的wasserstein距离；其中，wasserstein距离代表指标在对应网格区域内的分布差异度；根据分布差异度将检测区域通过映射函数f转化为三个图层的像素图，其中，
每一个图层代表一个信号指标差异度的二维平面分布；将像素图输入通过预训练的卷积神经网络，得到像素图对应的故障概率；基于的故障概率，确定故障。可选地，当的故障概率大于0.5时，则确定为故障。
42.本实施例使用卷积神经网络，根据分布差异信息转换的像素图计算得到故障概率信息，相比单纯的判断信息，在实际应用中更有价值。
43.在上述步骤之后，通过得到了所有疑似故障对应检测区域内每一个网格内3个指标的wasserstein距离。对于每一个初步检测指出的异常，用一个形状为(3
×
nd
×
nd)的矩阵记录该距离的分布情况。
44.如果没有出现异常，该矩阵内的每一个值都应较小，代表了分布没有出现明显差异。如果出现中断故障，那么该矩阵内的部分值会以一定模式变大，因为分布出现了异常。
45.为了从分布的差异情况转化为的故障情况，本发明的一些实施例中还可以采用机器学习的方法，将检测区域可以转化成为一张像素图，像素图的每一个图层可以与一个信号指标相对应，在此基础上之后就可以通过图像识别的方式来实现故障的概率计算并判断是否异常。
46.由于wasserstein距离的取值范围为(0,+∞)，而像素图中每一个图层的取值范围为[0,255]，因此必须将wasserstein距离进行映射，将该距离转化为一个范围为[0,255]的值，之后才能进行后续工作。本实施例提供故障的检测方法，通过对侧的运行数据进行时序分解与离值检测，获得疑似故障情况，根据疑似故障情况选择对应部分的用户侧计算当前用户数据与历史用户数据的信号质量分布差异，最后确定出故障。通过上述方式，本实施例将时间空间因素作为重要指标，考虑了人员分布等因素的周期性，并将坐标信息单独作为处理依据，有较好的效果；分布联合处理侧数据和用户侧数据而非单一数据，对侧小规模数据执行快速检测算法，给出初步异常信息对用户侧数据进行筛选，使得只有少量用户侧数据需要深度计算，大大降低了平均运行时间，降低了计算资源消耗。使得算法在现实中可行。
[0047]
请参阅图2，图2是本发明故障的检测方法中侧数据处理一实施例的流程示意图。以下结合图2进一步说明侧的运行数据的处理过程：
[0048]
对于放置于云端son实体中的检测装置，每小时设置n
t1
个时间片，在每个时间片内收集各个的报告信息，由于用户的分布存在周期性，而的资源分配和用户分布高度相关，故认为的指标数据也存在周期性。以此为基础进行侧数据的异常检测。
[0049]
1)首先，检测装置收集各个的定期报告信息，每小时等间隔采集n
t1
次，在每个时间点内收集侧指标，包括用户连接数量，功率，总吞吐这3个指标。将近n
day1
天内不同、不同种类数据的按时间顺序分别进行连接并排序。构成集合s＝{s
ijk
|i∈u
bss
,j∈(1,2,3),k∈(1,
…
,n
t1
*24*n
day1
)}，数据集合s
ijk
表示i号的j指标在第k个时间点上的值。
[0050]
2)然后，将每一个i每一个指标j的时序数据2)然后，将每一个i每一个指标j的时序数据以1天为周期，分别进行stl时序分解，将其分为：周期项趋势项
和余项
[0051]
将不同种类时序数据去除周期项。得到处理后的数据集合s
′
＝{s
′
ijk
|i∈u
bss
,j∈(1,2,3),k∈(1,
…
,n
t1
*24*n
day1
)}，其中处理集合s
′
ijk
＝s
ijk-seasonal
ijk
。
[0052]
3)在此之后，对每一个i的每一个指标j处理后的时序数据s
′
ij
进行gesd异常值检测。判断当前时间点k的数据s
′
ijk
是否属于异常点，如果任意一项指标数据j属于异常点，则初步认定该i可能此时发生了故障，将会执行进一步的检测。
[0053]
具体算法如下：
[0054]
输入：侧的运行数据；输出：用于指示疑似故障情况的异常数据(即异常序号集合)。
[0055]
step 1：接收输入，整理并按时间顺序排列数据，得到s＝{s
ijk
|i∈u
bss
,j∈(1,2,3),k∈(1,
…
,n
t1
*24*n
day1
)}。
[0056]
step 2：初始化检测异常序号空集合r＝{}。
[0057]
step 3：循环迭代i
←
1:n
bss
：
[0058]
step 3.1：初始化逻辑判断标志flag＝false。
[0059]
step 3.2：循环迭代j
←
1:3：
[0060]
step 3.2.1：进行stl时序分解，seasonal
ij
，trend
ij
，rem
ij
＝stl(s
ij
)
[0061]
step 3.2.2：原始数据去掉周期项，得到s
′
＝{s
′
ijk
|i∈u
bss
,j∈(1,2,3),k∈(1,
…
,n
t1
*24*n
day1
)}，其中s
′
ijk
＝s
ijk-seasonal
ijk
。
[0062]
step 3.2.3：对进行gesd检测，判断当前时间点的数据是否为异常值，若是，则使得flag＝true。
[0063]
step 3.3：若flag＝＝true则r＝r∪{i}
[0064]
step 4：输出r。
[0065]
对上述部分数学符号的解释：
[0066]nbss
：代表数量。
[0067]ubss
＝{1,2,
…
,n
bss
}：序号的集合。
[0068]nt1
＝12：表示初步异常检测中每小时划分时间片数量。
[0069]
r：表示初步异常检测中检测到异常的序号集合。
[0070]
请参阅图3，图3是本发明故障的检测方法中用户侧数据处理一实施例的流程示意图。以下结合图3进一步说明用户侧的用户数据的处理过程：
[0071]
在经过了侧初步检测之后，得到了初步确定的故障序号构成的集合r，接下来需要根据用户侧数据进行进一步的故障检测和确认。对于用户侧的数据，每小时设置n
t2
个时间片，通过周期地收集其所服务用户的坐标、时间戳、信号质量指标数据。
[0072]
在某一时刻收到来自侧初步检测的异常数据后，假设检测装置每小时采集n
t2
次用户侧数据：
[0073]
1)首先，对于每一个r中的，以其位置为中心，指定该故障附近以(nd*l)为边长的正方形区域为检测区域，从逻辑上将该区域划分为nd×
nd个l
×
l的小正方形网格。
2)然后，对每一个来源于用户侧的用户数据，包括位置信息、当前小区信号、最大邻居小区信号、当前小区信号信噪比，根据位置信息判断其所在区域是否处于检测区域中，并判断该数据属于哪一个小正方形网格中并进行归类统计。
[0074]
3)在归类好处于检测区域的用户数据后，根据统计到的信息，将当前时间点每个小网格内的信号指标数据分布情况和过去n
day2
天同时段内同小网格的信号指标数据分布情况进行对比，计算两分布的wasserstein距离，用此距离代表该指标在该网格区域内的信号质量分布差异。根据信号质量分布差异将该(nd*l)为边长的正方形检测区域通过映射函数f转化为3个图层的像素图，形状为(3
×
nd×
nd)的矩阵，每一个图层代表了一个信号指标(当前小区信号、最大邻居小区信号、当前小区信号信噪比)差异度的二维平面分布，取值范围为[0,255]。随后像素图作为输入通过预训练的卷积神经网络，得到该像素图对应中心的故障概率。
[0075]
4)对于每一个pt中的执行2-3操作，得到r中所有的故障概率。
[0076]
当故障概率大于预设数值时，则认为对应的为故障。
[0077]
具体算法如下：
[0078]
输入：当前时间点用户侧数据d
now
＝{(xi,yi,rsrpi,rsrpni,sinri)|i＝1,2,
…
}(分别代表横坐标，纵坐标，当前小区信号值，最大邻居小区信号值，当前小区信噪比)、过去n
day2
天内同小时段用户侧数据d
past
＝{(x
′i,y
′i,rsrp
′i,rsrpn
′i,sinr
′i)|i＝1,2,
…
}、侧检测异常序号集合r；输出：r中每个的故障概率p。
[0079]
step 1：初始化集合c＝{c
ij
|i∈n
+
,j∈n
+
}，其中c
ij
＝{}表示当前时间点逻辑位置为i行j列的检测小网格内统计的信息。初始化集合c
′
＝{c
′
ij
|i∈n
+
,j∈n
+
}，其中c
′
ij
＝{}表示过去几天同时段内逻辑位置为i行j列的检测小网格内统计的信息。
[0080]
step 2：处理当前时间点数据，循环迭代i
←
1:|d
now
|：
[0081]
step 2.1：检查该数据是否属于某一的检测区域并统计，循环迭代j
←
1:|r|：
[0082]
step 2.2：计算该数据的位置对应检测小网格的逻辑坐标其中floorr→z为向下取整符号。
[0083]
step 2.3：判断逻辑位置(indexx,indexy)是否处于rj的检测区域内。若是，c
indexx,indexy
＝c
index,indexy
∪{(rsrpi,rsrpni,sinri)}。
[0084]
step 2.4执行直到j循环结束
[0085]
step 3：处理过去时间点数据，循环迭代i
←
1:|d
past
|：
[0086]
step 3.1：检查该数据是否属于某一的检测区域并统计，循环迭代j
←
1:|r|：
[0087]
step 3.2：计算该数据的位置对应检测小网格的逻辑坐标
[0088]
step 3.3：判断逻辑位置(indexx,indexy)是否处于rj的检测区域内。若是，c
′
indexx,indexy
＝c
′
indexx,lndexy
∪{(rsrp
′i,rsrpn
′i,sinr
′i)}。
[0089]
step 3.4执行直到j循环结束
[0090]
step 4：初始化r＝{0,0,0
…
,0},|r|＝|r|,pj代表了rj的故障概率，代表了rj的故障指示。
[0091]
step 5：循环迭代j
←
1:|r|：
[0092]
step 5.1：初始化表示该检测区域异常度转换的像素图。
[0093]
step 5.2：计算检测区域逻辑坐标起点5.2：计算检测区域逻辑坐标起点其中表示rj的坐标。
[0094]
step 5.3：循环迭代xbais
←
0:n
d-1、ybais
←
0:n
d-1：
[0095]
step 5.3.1：img
xbias,ybias
＝wasserstein(c
minx+xbias.miny+ybias
,c
′
minx+xbias.miny+ybias
)，其中wasserstein函数用于计算三个指标分布情况的wasserstein距离。
[0096]
step 5.3.2：将距离转换为像素值，img
xbias,ybias
＝min(img
xbias,ybias
*5,255)。
[0097]
step 5.3.3：通过预训练好的卷积神经网络计算rj的故障概率p＝cnn(img)。
[0098]
step 5.3.4：将得到的结果更新，pj＝p，若p》0.5则
[0099]
step 6：输出结果p、p
bool
。
[0100]
对上述部分数学符号的解释：
[0101]nt2
＝12：表示深度异常检测中每小时划分时间片数量。
[0102]
nd＝16：表示深度异常检测中监测区域内行/列所包含小正方形区域数量。
[0103]
l＝25(m)：表示表示深度异常检测中监测区域内行/列小正方形区域的边长。
[0104]fr
→r(x)＝min(x*5,255)：表示深度异常检测中由wasserstein距离转换为像素值的映射函数。
[0105]
下面对本发明提供的故障的检测装置进行描述，下文描述的故障的检测装置与上文描述的故障的检测方法可相互对应参照。
[0106]
本发明还提供一种故障的检测装置，请参阅图4，图4是本发明故障的检测装置一实施例的结构示意图，在本实施例中，故障的检测装置400可以包括运行数据模块410、异常数据模块420、疑似故障模块430和故障模块440。具体地：
[0107]
运行数据模块410，用于获得侧的运行数据和用户侧的用户数据；
[0108]
疑似故障420，用于对运行数据进行时序分解与离值检测，获得疑似故障情况；其中，疑似故障情况包括疑似故障的序号；
[0109]
分布差异430，用于基于疑似故障情况，计算疑似故障为中心的正方形区域内当前用户数据与历史用户数据的信号质量分布差异；
[0110]
故障模块440，用于基于信号质量分布差异，确定故障。
[0111]
在一些实施例中，数据获取模块410用于：
[0112]
每小时等间距采集侧的运行数据；其中，运行数据包括指标，指标包括用户连接数量，功率和总吞吐；将预设天数内的运行数据按照时间顺序分别进行连接并排序，构成数据集合s
ijk
；其中，s
ijk
表示i号的j指标在第k个时间点上的值；将每一个每一个指标的时序数据s
ij
以一天为周期，分别进行stl时序分解，获得周期项seasonal
ij
、趋势项trend
ij
和余项rem
ij
；基于数据集合s
ijk
和周期项seasonal
ij
获得处理集合s
′
ijk
，其中，s
′
ijk
＝s
ijk-seasonal
ijk
。
[0113]
在一些实施例中，疑似故障420用于：
[0114]
对时序数据s
′
ij
进行gesd异常值检测；若当前时间点k的处理集合s
′
ij
中的j指标
属于异常点，则获得对应的i号作为疑似故障。
[0115]
在一些实施例中，分布差异模块430用于：
[0116]
以疑似故障为中心确定检测区域，并将检测区域划分为若干网格；获取检测区域内的用户侧的用户数据，并根据位置信息将用户数据按照网格进行分类；其中，用户数据包括位置信息和信号指标，信号指标包括当前小区信号、最大邻居小区信号和当前小区信号信噪比。
[0117]
在一些实施例中，分布差异模块430用于：
[0118]
将每个网格内的当前时间点的信号指标分布情况和历史数据的同时段内同网格的信号指标分布情况进行对比，获得信号指标在相应网格内的信号质量分布差异。
[0119]
在一些实施例中，故障模块440用于：
[0120]
计算每个网格内的当前时间点的信号指标分布和历史数据的同时段内同网格的信号指标分布的wasserstein距离；其中，wasserstein距离代表指标在对应网格区域内的分布差异度；根据分布差异度将检测区域通过映射函数f转化为三个图层的像素图，其中，每一个图层代表一个信号指标差异度的二维平面分布；将像素图输入通过预训练的卷积神经网络，得到像素图对应的故障概率；基于的故障概率，确定故障。
[0121]
本实施例提供故障的检测装置，通过对侧的运行数据进行时序分解与离值检测，获得疑似故障情况，根据疑似故障情况选择对应部分的用户侧计算当前用户数据与历史用户数据的信号质量分布差异，最后确定出故障。通过上述方式，本实施例的故障检测装置考虑侧数据和用户侧数据结合时空信息联合分析，不需要计算全部的用户侧数据，大大降低了检测方法的计算资源开销和时间开销，降低了平均运行时间。
[0122]
本发明还提供一种电子设备，请参阅图5，图5是本发明电子设备一实施例的结构示意图。在本实施例中，电子设备500可以包括存储器(memory)510、处理器(processor)520及存储在存储器520上并可在处理器510上运行的计算机程序。处理器510执行程序时实现上述各方法所提供的故障的检测方法。
[0123]
可选地，电子设备500还可以包括通信总线530和通信接口(communications interface)540，其中，处理器510，通信接口540，存储器520通过通信总线530完成相互间的通信。处理器510可以调用存储器520中的逻辑指令，以执行故障的检测方法，该方法包括：获得侧的运行数据和用户侧的用户数据；对运行数据进行时序分解与离值检测，获得疑似故障情况；其中，疑似故障情况包括疑似故障的序号；基于疑似故障情况，计算疑似故障为中心的正方形区域内当前用户数据与历史用户数据的信号质量分布差异；基于信号质量分布差异，确定故障。
[0124]
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种
可以存储程序代码的介质。
[0125]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的故障的检测方法，其步骤和原理在上述方法已详细介绍，在此不再赘述。
[0126]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的故障的检测方法，其步骤和原理在上述方法已详细介绍，在此不再赘述。
[0127]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0128]
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0129]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：

1.一种故障的检测方法，其特征在于，包括：获得侧的运行数据和用户侧的用户数据；对所述运行数据进行时序分解与离值检测，获得疑似故障情况；其中，所述疑似故障情况包括疑似故障的序号；基于所述疑似故障情况，计算所述疑似故障为中心的正方形区域内当前用户数据与历史用户数据的信号质量分布差异；基于所述信号质量分布差异，确定故障。2.根据权利要求1所述的故障的检测方法，其特征在于，所述对所述运行数据进行时序分解，包括：每小时等间距采集侧的运行数据；其中，所述运行数据包括指标，所述指标包括用户连接数量，功率和总吞吐；将预设天数内的运行数据按照时间顺序分别进行连接并排序，构成数据集合s
ijk
；其中，s
ijk
表示i号的j指标在第k个时间点上的值；将每一个每一个指标的时序数据s
ij
以一天为周期，分别进行stl时序分解，获得周期项seasonal
ij
、趋势项trend
ij
和余项rem
ij
；基于所述数据集合s
ijk
和所述周期项seasonal
ij
获得处理集合s
′
ijk
，其中，s
′
ijk
＝s
ijk-seasonal
ijk
。3.根据权利要求2所述的故障的检测方法，其特征在于，所述对所述运行数据进行时序分解与离值检测，获得疑似故障情况，包括：对时序数据s
′
ij
进行gesd异常值检测；若当前时间点k的所述处理集合s
′
ijk
中的j指标属于异常点，则获得对应的i号作为所述疑似故障。4.根据权利要求1所述的故障的检测方法，其特征在于，所述基于所述疑似故障情况，计算所述疑似故障为中心的正方形区域内当前所述用户数据与历史用户数据的信号质量分布差异之前，包括：以所述疑似故障为中心确定检测区域，并将所述检测区域划分为若干网格；获取所述检测区域内的用户侧的用户数据，并根据位置信息将所述用户数据按照网格进行分类；其中，所述用户数据包括所述位置信息和信号指标，所述信号指标包括当前小区信号、最大邻居小区信号和当前小区信号信噪比。5.根据权利要求4所述的故障的检测方法，其特征在于，所述计算所述疑似故障为中心的正方形区域内当前用户数据与历史用户数据的信号质量分布差异，包括：将每个网格内的当前时间点的信号指标分布情况和历史数据的同时段内同网格的信号指标分布情况进行对比，获得所述信号指标在相应网格内的信号质量分布差异。6.根据权利要求4所述的故障的检测方法，其特征在于，所述将每个网格内的当前时间点的信号指标分布情况和历史数据的同时段内同网格的信号指标分布情况进行对比，获得所述信号指标在相应网格内的信号质量分布差异，基于所述信号质量分布差异，确定故障，包括：计算每个网格内的当前时间点的信号指标分布和历史数据的同时段内同网格的信号指标分布的wasserstein距离；其中，所述wasserstein距离代表所述指标在对应网格区域
内的分布差异度；根据所述分布差异度将所述检测区域通过映射函数f转化为三个图层的像素图，其中，每一个图层代表一个信号指标差异度的二维平面分布；将所述像素图输入通过预训练的卷积神经网络，得到所述像素图对应的故障概率；基于所述的故障概率，确定故障。7.一种故障的检测装置，其特征在于，包括：数据获取模块，用于获得侧的运行数据和用户侧的用户数据；疑似故障模块，用于对所述运行数据进行时序分解与离值检测，获得疑似故障情况；其中，所述疑似故障情况包括疑似故障的序号；分布差异模块，用于基于所述疑似故障情况，计算所述疑似故障为中心的正方形区域内当前用户数据与历史用户数据的信号质量分布差异；故障模块，用于基于所述信号质量分布差异，确定故障。8.一种电子设备，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计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述故障的检测方法。9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述故障的检测方法。10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述故障的检测方法。

技术总结

本发明提供故障的检测方法、装置、电子设备及存储介质，其中，故障的检测方法包括：获得侧的运行数据和用户侧的用户数据；对运行数据进行时序分解与离值检测，获得疑似故障情况；基于疑似故障情况，计算疑似故障为中心的正方形区域内当前用户数据与历史用户数据的信号质量分布差异；基于信号质量分布差异，确定故障。通过上述方式，本发明考虑时空因素并联合处理侧数据和用户侧数据而非单一数据，对侧小规模数据执行快速检测算法，给出异常信息对用户侧数据进行筛选，使得只有少量用户侧数据需要深度计算，大大降低了平均运行时间，降低了计算资源消耗。算资源消耗。算资源消耗。