王洋 ，滿毅 ，陳志鵬

（1.中國移動通信集團山西有限公司網(wǎng)絡部網(wǎng)絡管理中心，山西 太原 030009；2.億陽信通股份有限公司，北京 100093）

基于集中監(jiān)控數(shù)據(jù)資源的4G基站退服故障預警模型

王洋1，滿毅2，陳志鵬2

（1.中國移動通信集團山西有限公司網(wǎng)絡部網(wǎng)絡管理中心，山西 太原 030009；2.億陽信通股份有限公司，北京 100093）

4G無線基站設備是直接影響信息通信網(wǎng)絡用戶服務質量的重要環(huán)節(jié)，而4G無線基站退服故障將直接阻斷用戶正常通信。針對上述問題，基于集中監(jiān)控告警消息數(shù)據(jù)資源通過關聯(lián)規(guī)則挖掘和時間追溯推演分析，實現(xiàn)了4G基站退服故障的短期預警。基于集中監(jiān)控設備性能數(shù)據(jù)資源通過網(wǎng)元分類（數(shù)據(jù)清洗、特征篩選、網(wǎng)元聚類）、指標降維（按簇分組、主成分分析）、主成分表達式與退服故障關聯(lián)分析、性能指標選取及閾值分析實現(xiàn)了4G基站退服故障長期預警，經測試可準確預測次月27.8%的4G基站設備退服故障。

信息通信網(wǎng)絡；集中故障管理；集中監(jiān)控；網(wǎng)絡運維數(shù)據(jù)資源；基站退服；故障預警

1 引言

4G無線基站是4G移動通信網(wǎng)的末端接入設備，其運行狀態(tài)不僅影響了信息通信網(wǎng)絡的服務能力，而且直接關系到了客戶服務質量和客戶滿意度。4G無線基站退服（out of service）故障作為影響網(wǎng)絡服務質量的嚴重故障，一直是網(wǎng)絡監(jiān)控關注點和網(wǎng)絡運維技術難點[1]?；就朔?，即基站退出服務，該故障將直接導致該基站所覆蓋范圍內通信信號嚴重變弱或者中斷，進而嚴重影響用戶的正常通信服務，導致基站退服故障的主要原因包括傳輸故障、載頻故障、天饋故障和外部因素（如市電/蓄電池停電、高溫水浸）等。

在傳統(tǒng)網(wǎng)絡監(jiān)控模式通常采用事中監(jiān)測（對網(wǎng)絡告警變化和網(wǎng)絡指標異動實施7×24 h實時監(jiān)控派單和故障閉環(huán)管理）和事后分析（深度分析故障原因，共享運維經驗，降低重復發(fā)生風險）方式，而傳統(tǒng)網(wǎng)絡監(jiān)控模式在主動發(fā)現(xiàn)和快速響應等方面仍然略顯不足。因此，基于通信網(wǎng)絡集中監(jiān)控數(shù)據(jù)資源和數(shù)據(jù)挖掘算法形成故障事前預警，將網(wǎng)絡監(jiān)控數(shù)據(jù)資源（網(wǎng)絡告警消息數(shù)據(jù)、網(wǎng)絡性能指標數(shù)值）轉化為網(wǎng)絡運維數(shù)據(jù)價值，進而形成智能網(wǎng)絡運維新模式，如圖1所示。

4G基站退服故障預警模型包括4G基站退服故障短期預警模型（即退服短期預警）和4G基站退服故障長期預警模型（即退服長期預警）。退服短期預警模型主要用于網(wǎng)絡維護資源調度、用戶投訴快速響應[2]等方面；退服長期預警模型主要用于動態(tài)定點巡檢、網(wǎng)優(yōu)指標診斷（故障工單）等方面。

2 4G基站退服故障短期預警模型

4G基站退服故障短期預警模型是利用信息通信網(wǎng)絡告警消息數(shù)據(jù)資源，采用了Apriori算法和FP-Growth算法獲得關聯(lián)規(guī)則，將4G基站退服故障告警消息數(shù)據(jù)及其關聯(lián)告警消息數(shù)據(jù)進行追溯時間推演分析，最終獲得時間推演概率分布模型。

Apriori算法流程可歸納為以下步驟[3]。

（1）分析頻繁項集，即從全量數(shù)據(jù)庫迭代獲取不小于預設最小支持計數(shù)閾值的所有項集（連接、剪枝、枚舉）。

（2）獲取強關聯(lián)規(guī)則，即基于最小支持度和最小置信度標準從已分析獲取的頻繁項集中提煉關聯(lián)規(guī)則。

FP-Growth算法較Apriori算法而言，不是首先生成候選項集，然后統(tǒng)計計算是否頻繁的“項集生成—頻繁評估”的方式。FP-Growth算法流程如下[4]：將項集數(shù)據(jù)逐個讀入并按照支持度進行降序排序，將排序后的項集逐個映射至一棵以 null為根節(jié)點的頻繁模式樹 （frequent pattern-tree，F(xiàn)P-tree），在每個節(jié)點處記錄該節(jié)點出現(xiàn)的支持度，最后輸出滿足最小支持度的頻繁模式。將群體智能[5]、負載均衡策略[6]、多叉樹結構存儲[7]等方法與上述經典關聯(lián)規(guī)則挖掘算法思想相結合，可進一步提升關聯(lián)規(guī)則挖掘效率。

選取某地市30天4G基站退服相關專業(yè)告警消息數(shù)據(jù)（含無線專業(yè)、傳輸專業(yè)、交換專業(yè)、動力環(huán)境專業(yè)）分別從全專業(yè)（全網(wǎng)級）、單專業(yè)（專業(yè)級）、單網(wǎng)元（設備級）3個維度進行關聯(lián)關系挖掘分析。

·全專業(yè)（全網(wǎng)級）：全專業(yè)關聯(lián)規(guī)則表征了4G基站退服故障與各專業(yè)告警之間的關聯(lián)關系，該關聯(lián)規(guī)則將信息通信網(wǎng)絡中所隱藏的專業(yè)之間的鏈路連接、數(shù)據(jù)配置、業(yè)務邏輯層面關系顯性化，實現(xiàn)了全程全網(wǎng)的網(wǎng)絡監(jiān)管支撐手段。

·單專業(yè)（設備級）：單專業(yè)關聯(lián)規(guī)則表征了專業(yè)內設備之間的故障消息傳播機理，該關聯(lián)規(guī)則可指導專業(yè)維護人員對4G基站退服故障影響范圍和排障定位的分析處理。

·單網(wǎng)元（板卡級）：單網(wǎng)元關聯(lián)規(guī)則表征了設備內部消息的工作機制，由于消息傳遞屬于板卡級連接方式，因此，單網(wǎng)元關聯(lián)規(guī)則中的告警消息傳遞迅速敏感。

圖1 智能網(wǎng)絡運維新模式

以單網(wǎng)元（板卡級）為例，選擇某地市60天4G基站全量告警消息數(shù)據(jù)并對告警數(shù)據(jù)按照其對應的網(wǎng)元名稱進行第1次告警消息數(shù)據(jù)分組，然后各組告警消息數(shù)據(jù)以10 min時間窗口進行第2次告警消息數(shù)據(jù)分組；通過關聯(lián)規(guī)則挖掘算法（支持度大于0.5）輸出與4G基站退服相關的關聯(lián)規(guī)則；基于時間屬性進行追溯推演分析獲得關聯(lián)告警的時間分布特征，其計算方法如下：

將時間流劃分為不同區(qū)間，根據(jù)上述時間間隔計算結果將4G基站退服關聯(lián)告警消息歸屬到不同的時間區(qū)間內，然后統(tǒng)計該關聯(lián)告警消息發(fā)生的概率分布。以4G基站退服故障消息前 200～400 s為例（見表1），4G基站退服告警消息發(fā)生前200～400 s“射頻單元輸入電源能力不足告警”消息發(fā)生的概率為71.43%，“遠程維護通道故障告警”消息發(fā)生的概率為66.56%。

表1 4G基站退服前200～400 s關聯(lián)告警發(fā)生概率統(tǒng)計

3 4G基站退服故障長期預警模型

4G基站退服故障長期預警模型（如圖2所示）是利用信息通信網(wǎng)絡4G基站設備性能指標數(shù)據(jù)資源，對設備性能指標數(shù)據(jù)進行清洗、均值化，對設備性能指標數(shù)據(jù)進行聚類分析形成具有相同/類似特征的網(wǎng)元集合；對每簇4G基站設備進行主成分分析獲得主成分表達式（貢獻率＞85%）實現(xiàn)4G基站設備性能指標降維；將主成分表達式與4G基站退服故障次數(shù)進行關聯(lián)分析，進而獲得表征4G基站退服故障的4G基站設備性能指標數(shù)據(jù)集；對該4G基站設備性能指標數(shù)據(jù)集進行閾值分析得出預警閾值門限區(qū)間。

3.1 網(wǎng)元分類

（1）數(shù)據(jù)清洗

以某地市5個月4G基站設備性能指標數(shù)據(jù)資源為例，約為76萬條性能指標數(shù)據(jù)（4G基站數(shù)量為5 119個、數(shù)據(jù)時間粒度為天、4G基站設備性能指標維度560個），剔除異常數(shù)據(jù)（數(shù)值為零或者數(shù)值為空），對相同網(wǎng)元相同維度指標按照工作日和非工作日進行均值計算。

（2）特征篩選

圖2 4G基站退服故障長期預警模型

對全量均值化指標數(shù)據(jù)計算相關矩陣，根據(jù)相關系數(shù)判別標準（見表2）選擇相關系數(shù)大于0.5的性能指標，則全量560個4G基站設備性能指標集降至77個。進一步剔除數(shù)值波動微弱的指標（如上行PUSCH TTI總數(shù)、下行PUSCH TTI總數(shù)）后，4G基站設備性能指標集降至39個。

表2 相關系數(shù)評價標準

（3）網(wǎng)元聚類

對4G基站設備的39個性能指標集進行聚類分析，聚類分析采用K-means聚類算法，即：將每個4G基站設備（39維性能指標）分配到距它最近的簇中心獲得K個簇；分別計算各簇中所有實例的均值，把它們作為各簇新的簇中心（見表3）。通過歐式距離計算各簇的簇內、簇間距離并通過“簇平方誤差和之比”來優(yōu)選聚類參數(shù)，其計算方法如下：

其中，m為聚類分簇的個數(shù)，n為聚類各簇之間存在距離關系的個數(shù)。簇平方誤差和之比的數(shù)值越小，則表明簇內網(wǎng)元性能指標的“距離”較小，而簇間網(wǎng)元性能指標的“距離”較大，即聚類效果越好，反之則較差。

根據(jù)基站的服務區(qū)域重要性、業(yè)務量水平、網(wǎng)絡拓撲節(jié)點作用等因素，基站可以分為VVIP基站、VIP基站、普通基站（A類基站、B類基站、C類基站）[8]，因此將4G基站設備聚類為5簇（見表4）。

網(wǎng)元分類（數(shù)據(jù)清洗、特征篩選、網(wǎng)元聚類）環(huán)節(jié)通過基于設備性能指標自身特征的網(wǎng)絡設備分類，避免了由于4G基站設備業(yè)務劃分與4G基站設備實際運行性能指標之間所存在的差異所帶來的分析干擾，實現(xiàn)了基于網(wǎng)元性能指標特征的差異化分類。

表4 各簇4G基站設備數(shù)量及占比分布

3.2 指標降維

（1）按簇分組

根據(jù)網(wǎng)元分類結果對4G基站設備進行分組 （后續(xù)模型分析以第2簇為例）。

（2）主成分分析

首先4G基站設備性能指標數(shù)據(jù)構建560維的指標向量x=(x1,x2,x3,…,x560)T，則5 119個 4G基站將形成全量樣本矩陣，即：xi=(xi1,xi2,xi3,…,xi560)T，i=1,2,3,…,5 119，對樣本陣元進行標準化變換獲得標準化矩陣Z：

經過指標降維（按簇分組、主成分分析）分析發(fā)現(xiàn)：89個主成分表達式的累計貢獻率為100%，最終按照累計信息利用率達到85%選定45個主成分表達式（例如：第8主成分 U8、第 21 主成分 U21、第 22 主成分 U22，見表5～表7）。

表3 4G基站設備性能指標分簇中心點分布實例

表5 第8主成分U8主要性能指標及其權重

表6 第21主成分U21主要性能指標及其權重

表7 第22主成分U22主要性能指標及其權重

3.3 主成分表達式與退服故障關聯(lián)

根據(jù)多元線性回歸模型應用所需滿足的條件：自變量與因變量存在線性關系，各樣本數(shù)據(jù)相互獨立。因此，將指標降維后的45個主成分表達式和基站退服次數(shù)通過計算相關系數(shù)實現(xiàn)關聯(lián)關系分析。測試選取相關系數(shù)的絕對值大于0.1的主成分表達式包括：主成分表達式8、主成分表達式16、主成分表達式21和主成分表達式 22（見表8），說明主成分表達式和基站退服次數(shù)存在一定的關聯(lián)關系。

對45個主成分表達式和基站退服次數(shù)進行回歸分析獲得回歸方程：

表8 主成分表達式與基站退服次數(shù)相關系數(shù)

其中，xi表示第i個主成分表達式，ai表示第i個主成分表達式對應的系數(shù)，b為常數(shù)項。經計算獲得回歸方程各項參數(shù)可以得出（見表9）：偏回歸系數(shù)絕對值相對較大的主成分表達式指標為第8主成分U8、第21主成分U21、第22主成分 U22。

表9 基于主成分表達式和基站退服次數(shù)的回歸方程參數(shù)（含常數(shù)項）

通過顯著性水平（significant level）檢驗回歸方程的線性關系是否顯著，若顯著性水平在0.05以上則分析結果有意義。經F檢驗（F=25.449，P＜0.001）表明回歸方程的線性關系顯著。判定系數(shù)R2是用于檢驗多元回歸方程效果的一項重要指標，取值范圍為0～1，R2數(shù)值表示因變量中可由回歸模型中自變量解釋的部分所占的比例。由于4G基站設備退服故障原因涉及傳輸線路、動力環(huán)境等多種突變因素，而且此類突變因素占導致基站設備退服故障原因的40%～60%，例如：市電停電巡檢、外部施工斷纖等[10,11]，雖然性能指標的變化不能全部表征4G基站設備退服故障，但通過回歸分析中的通過判定系數(shù)R2（R2=0.224 6）來看，4G基站設備退服故障變化由22.46%的主成分表達式所涉及的性能指標所引起，此效果在后續(xù)的工程測試同時得到了驗證。

3.4 性能指標選取及閾值

對第 8主成分 U8、第 21主成分 U21、第 22主成分U22所包含的22個主要性能指標進行相關性分析，將相關系數(shù)大于0.75的性能指標歸為一組。由于具有相關性的同組網(wǎng)優(yōu)指標具有相同或者類似的分布特征及變化規(guī)律，因此，通過分析各組中一個典型的網(wǎng)優(yōu)指標與退服故障次數(shù)的關系即可表征該組指標數(shù)據(jù)的特征規(guī)律。

以第2簇為例，首先對第8主成分U8、第21主成分U21、第22主成分U22所包含的22個主要性能指標依次編號為1～22，通過相關性分析將22個主要性能指標劃分為9組 （相關系數(shù)大于0.75），對9組主要性能指標數(shù)值與4G基站設備退服次數(shù)變化進行分析，得出4類波動特征見表10。

（1）中軸波動型性能指標（性能指標編號為 1、2、3、4、21、22）

圖3 RRU_PdschPrbMeanTot_6與4G基站設備退服次數(shù)的數(shù)值分布特征

表10 4G基站設備退服故障預警模型參考指標選取及閾值

以 RRU_PdschPrbMeanTot_6（性能指標編號 4）為例（如圖 3所示），當 4G基站設備退服次數(shù)較少時，該性能指標值相對平穩(wěn)；當4G基站設備退服次數(shù)為5～10次時，該性能指標值出現(xiàn)小幅度波動上升；當4G基站設備退服次數(shù)大于10次時，該性能指標值逐步出現(xiàn)大幅度的中軸性波動。因此，此類指標屬于中軸波動型性能指標，可根據(jù)工程實踐的容忍度建立雙邊閾值分級預警。

（2）降低型性能指標（性能指標編號為1～16）

以 erab_nbrsuccmod_qci9（性能指標編號 5）為例（如圖4所示），當4G基站設備退服次數(shù)較少時，該性能指標值相對平穩(wěn)；當4G基站設備退服次數(shù)逐步增大時，該性能指標值出現(xiàn)整體下降趨勢且無明顯反比線性關系。因此，此類指標屬于降低型性能指標，可根據(jù)工程實踐容忍度建立上限型閾值分級預警。

（3）升高型性能指標（性能指標編號為17）

從 PHY_CellMaxTxPower（性能指標編號 5）變化特征來看（如圖5所示），當4G基站設備退服次數(shù)較少時，該性能指標值相對恒定；當4G基站設備退服次數(shù)逐步增大時，該性能指標值出現(xiàn)整體上升趨勢且無明顯正比線性關系。因此，此類指標屬于升高型性能指標，可根據(jù)工程實踐容忍度建立下限型閾值分級預警。

（4）中軸恒定型性能指標（性能指標編號為18～20）

以CONTEXT_NbrLeft（性能指標編號 18）為例（如圖 6所示），隨著4G基站設備退服次數(shù)增加，該性能指標值圍繞中軸波動，但未呈現(xiàn)出明顯變化特征，因此不納入4G基站設備退服故障預警模型參考指標體系。

通過4G基站設備退服故障次數(shù)和性能指標的變化規(guī)律分析，最終選定第1類（第1組，共計6個性能指標）、第2類（第 2～7組，共計 12個性能指標）和第 3類（第 8組，共計1個性能指標）形成由19個參考性能指標構成的4G基站設備退服故障長期預警模型。

綜上所述，基于4G基站設備退服故障長期預警模型性能指標體系和閾值判別方法，采用某地市5個月的4G基站設備性能指標數(shù)據(jù)（日粒度），通過上月對次月的4G基站設備退服故障進行預測分析，經測試可準確27.8%（均值）的基站設備退服故障事件。

圖4 erab_nbrsuccmod_qci9與4G基站設備退服次數(shù)的數(shù)值分布特征

圖5 PHY_CellMaxTxPower與4G基站設備退服次數(shù)的數(shù)值分布特征

表6 CONTEXT_NbrLeft與4G基站設備退服次數(shù)的數(shù)值分布特征

4 結束語

從工程實踐角度而言，4G基站退服故障短期/長期預警模型方法特點如下。

（1）將退服故障與告警數(shù)據(jù)之間的關聯(lián)邏輯明確化、清晰化、工具化

以退服故障為著眼點，通過數(shù)據(jù)挖掘算法工具實現(xiàn)了基于本地化告警特征的關聯(lián)規(guī)則挖掘方法，該方法不僅提高了關聯(lián)規(guī)則的本地化適用性，而且規(guī)避了人工分析關聯(lián)規(guī)則的主觀性所帶來的遺漏和片面性[12]，更大程度地提升了關聯(lián)規(guī)則獲取的客觀性、完備性、科學性和便捷性。

（2）基于時間屬性采用追溯推演+數(shù)據(jù)統(tǒng)計方式實現(xiàn)短期/長期退服預警

本工程實踐充分發(fā)揮了數(shù)據(jù)的時間屬性特征，采用調整時間窗口形成追溯推演分析方式，同時通過大量的數(shù)據(jù)統(tǒng)計分析形成了影響退服故障的告警消息/性能指標數(shù)據(jù)集。

（3）將網(wǎng)絡性能數(shù)值分析引入退服故障預警工程實踐

人工經驗和本研究前期都發(fā)現(xiàn)部分指標在退服時發(fā)生的劇烈變化，但都是退服后突變的網(wǎng)優(yōu)指標的變化，并不具有預警功能，本文從長時間粒度上發(fā)現(xiàn)網(wǎng)優(yōu)指標與退服次數(shù)的關系，可以規(guī)避突變指標的影響，突出退服前緩變指標的影響。

從生產運維角度而言，4G基站退服故障短期預警模型方法可用于豐富故障工單信息詳情字段，為維護人員提供歷史正常數(shù)據(jù)和異常數(shù)據(jù)對比分析，簡化排障操作，提供有價值信息；根據(jù)預測結果合理調度外派維護人員、車輛、設備進而提升維護效率，降低物料消耗；及時制定投訴答復信息，有效支撐客服人員的信息發(fā)布。4G基站退服故障長期預警模型方法可用于網(wǎng)絡運維短板定向提升，制定具有優(yōu)先級的日常巡檢設備清單目錄，提高日常維護費用的生產價值轉化效能。

[1]王洋.集中監(jiān)控模式下的信息通信網(wǎng)絡故障管理探索與實踐[J].電信科學，2015,31(1):170-176.WANG Y.Discuss on the exploration and practice of information communication network fault in the centralized monitoring mode[J].Telecommunications Science,2015,31(1):170-176.

[2]黃夏.提高網(wǎng)絡類公告信息發(fā)布效率的探討 [J].廣西通信技術,2014(1):7-10.HUANG X.How to improve the issuing efficiency of notices related to network operation [J].GuangxiCommunication Technology,2014,1:7-10.

[3]蔣盛益,李霞,鄭琪.數(shù)據(jù)挖掘原理與實踐[M].北京:電子工業(yè)出版社,2011.JIANG Y S,LI X,ZHENG Q.Data mining principles and practice[M].Beijing:Publishing House of Electronics Industry,2011.

[4]HAN J W,PEI J,YIN Y W.Mining frequent patterns without candidate generation[C]//The

2000 ACM SIGMOD International Conference on Management of Data,May 15-18,2000,Dallas,Texas,USA.New York:ACM Press,2000:1-12.

[5] 王洋.基于群體智能的通信網(wǎng)絡告警關聯(lián)規(guī)則挖掘算法研究[D].太原:太原理工大學,2015.WANG Y.Information communication network alarm association rule mining algorithm based on swarm intelligence[D].Taiyuan:Taiyuan University of Technology,2015.

[6]施亮,錢雪忠.基于Hadoop的并行 FP-Growth算法的研究與實現(xiàn)[J].微電子學與計算機,2015,32(4):150-154.SHI L,QIAN X Z.Research and implementation of parallel FP-Growth algorithm based on Hadoop[J].Microelectronics&Computer,2015,32(4):150-154.

[7]郭方方,梁曉,王慧強,等.一種基于多叉樹的并行 Apriori算法[J].小型微型計算機系統(tǒng),2015,36(6):1176-1180.GUO F F,LIANG X,WANG H Q,et al.Parallel Apriori algorithm based on multi-tree[J].Journal of Chinese Computer Systems,2015,36(6):1176-1180.

[8]區(qū)旭青.江門通信公司基站應急油機調度系統(tǒng)的研究與分析[D].昆明:云南大學,2015.OU X Q.Research and analysis on a base of oil machine scheduling system in Jiangmen communication company[D].Kunming:Yunnan University,2015.

[9]韓冰.主成分分析和神經網(wǎng)絡在工業(yè)經濟數(shù)據(jù)中的應用[D].長春:吉林大學,2014.HAN B.The application of principal component analysis and neural network in industrial economy data[D].Changchun:Jilin University,2014.

[10]楊順祥,謝永任.降低CDMA網(wǎng)基站傳輸原因斷站率的研究[J].電信科學,2013(S2):112-115.YANG S X,XIE Y R.Lowering transmission interruption rate of base station in CDMA network [J].Telecommunications Science,2013(S2):112-115.

[11]宮琦.移動網(wǎng)小區(qū)退服情況分析 [J].中國新通信，2014(15):11-12.GONG Q.The situation analysis of cell out of service in mobile network[J].China New Telecommunications,2014(15):11-12.

[12]王洋,李國才,徐亞昆.信息通信網(wǎng)絡告警分類、關聯(lián)性與管理方法研究[J].電信科學,2013(8):132-135.WANG Y,LI G C,XU Y K.Research on management method,classification and correlation of alarm in information communication network[J].Telecommunications Science,2013,(8):132-135.

Fault early warning model of 4G base station out of service based on centralized monitoring data resources

WANG Yang1,MAN Yi2,CHEN Zhipeng2
1.Network Management Center,Network Department of China Mobile Group Shanxi Co.,Ltd.,Taiyuan 030009,China 2.Bright Oceans Inter-Telecom Co.,Ltd.,Beijing 100093,China

4G wireless base station equipment is an important link which has direct impact on information communication network customer service quality,and 4G wireless base stations out of service fault will directly block users’normal communication.Aiming at these problems,based on the centralized monitoring warning message data resources through association rule mining and time trace deduction analysis,4G base stations out of service fault short-term warning was achieved.Based on centralized monitoring equipment performance data resources,by the classification of network elements(data cleaning,feature selection,network elements clustering),index dimension reduction(grouped by cluster,principal component analysis),principal component expression and out of service fault correlation analysis,performance indicators selection and threshold analysis,4G base stations out of service fault long-term warning was achieved.The test can accurately predict the 27.8%of 4G base station equipment out of service fault next month.

information and telecommunication network,centralized fault management,centralized monitoring,network operational data resource,base station out of service,fault early warning

TN915.07；TP306+.3；TP277

A

10.11959/j.issn.1000-0801.2016147

2015-11-11;

2016-05-11

王洋，wangyang1@sx.chinamobile.com

王洋(1983-)，男，博士，中國移動通信集團山西有限公司網(wǎng)絡部網(wǎng)絡管理中心網(wǎng)絡分析工程師、通信工程師，主要研究方向為移動通信大數(shù)據(jù)分析技術、集中監(jiān)控技術與集中故障管理。

滿毅（1974-），男，博士，億陽信通股份有限公司新產品預研部總工程師，主要研究方向為電信網(wǎng)絡管理、大數(shù)據(jù)分析處理。長期從事電信網(wǎng)絡管理研究，主持或參與國內主要電信運營商的OSS系統(tǒng)規(guī)劃設計開發(fā)及相關規(guī)范制定等工作。

陳志鵬（1989-），女，億陽信通股份有限公司數(shù)據(jù)挖掘工程師，主要研究方向為統(tǒng)計學、機器學習與數(shù)據(jù)挖掘。