1.本发明涉及移动通信
技术领域：
：，具体涉及一种小区异常状态的检测方法及设备。
背景技术：
：：2.移动通信网络运营商在进行网络运维中，通常定义在网络高负荷情况下需要统计的小区自忙时的多个高负荷相关的统计数据，人为划分出阈值，符合阈值条件的时段即判断为高负荷时段。例如，现网中一个小区一周有三天以上自忙时段处于高负荷，就会下发工单，交办给现网的网优工程师进行处理。这种基于阈值的小区负荷的判断处理较为粗略，需要网优工程师进行一段时间的持续观察，同时结合关键性能指标(keyperformanceindicator，kpi)参数、邻近小区信息等多种参数进行人工判定，还可能会漏掉某些参数上已经满载，但未被判定为高负荷的小区。3.另外一方面，在对高负荷小区优化时，现网工程师通常是根据自己的经验，判断高负荷的类别，并找到引起高负荷的原因，上述过程仍是主要通过解析kpi参数完成。但由于小区kpi参数非常多，即使精简掉二次参数，其映射的联合状态空间也是庞大的，对于工程师来说是难以处理的。因此，现网工程师一般只会跟踪少许常用参数，同时结合其它经验方法进行优化。以上网优方案的工作量通常都很大，另外实际效果也受到专家经验限制。技术实现要素：4.本发明的至少一个实施例提供了一种小区异常状态的检测方法、终端及网络设备，用于简化网络异常负荷状态的检测，并提高检测结果的准确度。5.根据本发明的一个方面，至少一个实施例提供了一种小区异常状态的检测方法，包括：6.获取预设时间段内采集到的第一小区的至少一个关键性能指标kpi参数组，所述kpi参数组包括在对应的采样时间点采集到的多个kpi参数的取值；7.对所述第一小区的每个kpi参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量；8.将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。9.可选的，对所述第一小区的每个kpi参数组分别进行降维处理，包括：10.将所述第一小区的每个kpi参数组分别输入至一预先训练好的自编码器，获得所述自编码器输出的第一降维向量。11.可选的，所述评估器用于对所述至少一个第一降维向量进行聚类处理，确定并输出所述至少一个第一降维向量所属的第一类别及其对应的标注信息，其中，所述第一类别是预先生成的多个类别中的一个，所述标注信息用于指示对应类别的小区异常状态。12.可选的，在获取所述第一小区的至少一个kpi参数组之前，所述方法还包括：13.获取在多个采样时间点采集到的多个小区的多个kpi参数组，其中，每个kpi参数组包含同一小区在一个采样时间点采集到的所述多个kpi参数；14.利用所述多个kpi参数组，训练一自编码器，直至达到预设的训练结束条件；其中，所述自编码器包括有一编码器和一解码器，所述编码器和解码器均包括有多层神经网络。15.可选的，所述方法还包括：16.获取将所述多个kpi参数组输入至训练好的所述自编码器后得到的多个降维向量；17.对所述多个降维向量进行聚类处理，得到多个类别。18.可选的，在得到多个类别之后，所述方法还包括：19.针对每个类别，分别执行以下处理：20.从所述多个kpi参数组中选择出归属于该类别的参数组，并利用所选择出的参数组训练一个分类器，并根据训练结果，计算所述参数组中的每个kpi参数的权重；21.重复执行以下步骤，直至所述参数组中不存在任何kpi参数：从所述参数组中的剩余kpi参数中选择权重最大的目标kpi参数，加入至一参数集合，并将该目标kpi参数以及与该目标kpi参数的相关性大于预设门限的kpi参数从所述参数组中删除；22.按照权重从大到小的顺序，从所述参数集合中选择出预设数量的kpi参数，作为该类别的kpi参数，并计算选择出的kpi参数在该类别中的统计特征相对于在所有样本中的统计特征的偏离度；23.将该类别的kpi参数、权重以及偏离度，作为该类别的特征输出；24.接收针对该类别所输入的标注信息，并建立标注信息与该类别的对应关系。25.可选的，所述标注信息包括以下信息中的至少一种：小区异常程度的评价值、小区负荷程度的评价值、小区待优化程度的评价值和备注信息。26.可选的，所述多个类别的数量为其中，n为所述多个kpi参数组的组数。27.可选的，确定所述至少一个第一降维向量所属的第一类别及其对应的标注信息，包括：28.对所述至少一个第一降维向量进行聚类处理，确定所述至少一个第一降维向量的第一中心点，计算所述第一中心点与各个类别的中心点之间的欧式距离，选择出最短欧式距离所对应的类别，作为所述至少一个第一降维向量所属的第一类别；29.根据预先建立的标注信息与类别的对应关系，确定所述第一类别对应的标注信息。30.可选的，在对所述至少一个第一降维向量进行聚类处理的步骤之前，所述方法还包括：31.对所述至少一个第一降维向量进行异常值检测，去除其中的离群点，得到更新后的第一降维向量。32.根据本发明的另一方面，至少一个实施例提供了一种小区异常状态的检测设备，包括：33.参数获取模块，用于获取预设时间段内采集到的第一小区的至少一个关键性能指标kpi参数组，所述kpi参数组包括在对应的采样时间点采集到的多个kpi参数的取值；34.降维处理模块，用于对所述第一小区的每个kpi参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量；35.标注处理模块，用于将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。36.可选的，所述降维处理模块，还用于将所述第一小区的每个kpi参数组分别输入至一预先训练好的自编码器，获得所述自编码器输出的第一降维向量。37.可选的，所述标注处理模块，还用于通过所述评估器对所述至少一个第一降维向量进行聚类处理，确定并输出所述至少一个第一降维向量所属的第一类别及其对应的标注信息，其中，所述第一类别是预先生成的多个类别中的一个，所述标注信息用于指示对应类别的小区异常状态。38.可选的，所述检测设备还包括：39.自编码器训练模块，用于在获取所述第一小区的至少一个kpi参数组之前，获取在多个采样时间点采集到的多个小区的多个kpi参数组，其中，每个kpi参数组包含同一小区在一个采样时间点采集到的所述多个kpi参数；利用所述多个kpi参数组，训练一自编码器，直至达到预设的训练结束条件；其中，所述自编码器包括有一编码器和一解码器，所述编码器和解码器均包括有多层神经网络。40.可选的，所述检测设备还包括：41.聚类模块，用于获取将所述多个kpi参数组输入至训练好的所述自编码器后得到的多个降维向量；对所述多个降维向量进行聚类处理，得到多个类别。42.可选的，所述检测设备还包括：43.标注信息建立模块，用于在得到多个类别之后，针对每个类别，分别执行以下处理：44.从所述多个kpi参数组中选择出归属于该类别的参数组，并利用所选择出的参数组训练一个分类器，并根据训练结果，计算所述参数组中的每个kpi参数的权重；45.重复执行以下步骤，直至所述参数组中不存在任何kpi参数：从所述参数组中的剩余kpi参数中选择权重最大的目标kpi参数，加入至一参数集合，并将该目标kpi参数以及与该目标kpi参数的相关性大于预设门限的kpi参数从所述参数组中删除；46.按照权重从大到小的顺序，从所述参数集合中选择出预设数量的kpi参数，作为该类别的kpi参数，并计算选择出的kpi参数在该类别中的统计特征相对于在所有样本中的统计特征的偏离度；47.将该类别的kpi参数、权重以及偏离度，作为该类别的特征输出；48.接收针对该类别所输入的标注信息，并建立标注信息与该类别的对应关系。49.可选的，所述标注处理模块，还用于对所述至少一个第一降维向量进行聚类处理，确定所述至少一个第一降维向量的第一中心点，计算所述第一中心点与各个类别的中心点之间的欧式距离，选择出最短欧式距离所对应的类别，作为所述至少一个第一降维向量所属的第一类别；根据预先建立的标注信息与类别的对应关系，确定所述第一类别对应的标注信息。50.可选的，所述检测设备还包括：51.异常点移除模块，用于在对所述至少一个第一降维向量进行聚类处理之前，对所述至少一个第一降维向量进行异常值检测，去除其中的离群点，得到更新后的第一降维向量。52.根据本发明的另一方面，至少一个实施例提供了小区异常状态的检测设备，包括收发机和处理器，其中，53.所述收发机，用于获取预设时间段内采集到的第一小区的至少一个关键性能指标kpi参数组，所述kpi参数组包括在对应的采样时间点采集到的多个kpi参数的取值；54.所述处理器，用于对所述第一小区的每个kpi参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量；将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。55.根据本发明的另一方面，至少一个实施例提供了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程序，所述程序被处理器执行时，实现如上所述的方法的步骤。56.与现有技术相比，本发明实施例提供的小区异常状态的检测方法及设备，可以简化后续分类处理的运算量，简化网络异常负荷状态的检测，提高检测效率。附图说明57.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：58.图1为本发明实施例的一种应用场景示意图；59.图2为本发明实施例提供的小区异常状态的检测方法的流程图；60.图3为本发明实施例提供的小区异常状态的检测方法的总体流程示意图；61.图4为本发明实施例提供的自编码器的结构示意图；62.图5为本发明实施例提供的小区异常状态的检测设备的一种结构示意图；63.图6为本发明实施例提供的小区异常状态的检测设备的另一种结构示意图。具体实施方式64.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。65.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。说明书以及权利要求中“和/或”表示所连接对象的至少其中之一。66.本文所描述的技术不限于nr系统以及长期演进型(longtimeevolution，lte)/lte的演进(lte-advanced，lte-a)系统，并且也可用于各种无线通信系统，诸如码分多址(codedivisionmultipleaccess，cdma)、时分多址(timedivisionmultipleaccess，tdma)、频分多址(frequencydivisionmultipleaccess，fdma)、正交频分多址(orthogonalfrequencydivisionmultipleaccess，ofdma)、单载波频分多址(single-carrierfrequency-divisionmultipleaccess，sc-fdma)和其他系统。术语“系统”和“网络”常被可互换地使用。cdma系统可实现诸如cdma2000、通用地面无线电接入(universalterrestrialradioaccess，utra)等无线电技术。utra包括宽带cdma(widebandcodedivisionmultipleaccess，wcdma)和其他cdma变体。tdma系统可实现诸如全球移动通信系统(globalsystemformobilecommunication，gsm)之类的无线电技术。ofdma系统可实现诸如超移动宽带(ultramobilebroadband，umb)、演进型utra(evolution-utra，e-utra)、ieee802.21(wi-fi)、ieee802.16(wimax)、ieee802.20、flash-ofdm等无线电技术。utra和e-utra是通用移动电信系统(universalmobiletelecommunicationssystem，umts)的部分。lte和更高级的lte(如lte-a)是使用e-utra的新umts版本。utra、e-utra、umts、lte、lte-a以及gsm在来自名为“第三代伙伴项目”(3rdgenerationpartnershipproject，3gpp)的组织的文献中描述。cdma2000和umb在来自名为“第三代伙伴项目2”(3gpp2)的组织的文献中描述。本文所描述的技术既可用于以上提及的系统和无线电技术，也可用于其他系统和无线电技术。然而，以下描述出于示例目的描述了nr系统，并且在以下大部分描述中使用nr术语，尽管这些技术也可应用于nr系统应用以外的应用。67.以下描述提供示例而并非限定权利要求中阐述的范围、适用性或者配置。可以对所讨论的要素的功能和布置作出改变而不会脱离本公开的精神和范围。各种示例可恰适地省略、替代、或添加各种规程或组件。例如，可以按不同于所描述的次序来执行所描述的方法，并且可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。68.请参见图1，图1示出本发明实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11和网络设备12。其中，终端11也可以称作用户终端或用户设备(ue，userequipment)，终端11可以是手机、平板电脑(tabletpersonalcomputer)、膝上型电脑(laptopcomputer)、个人数字助理(personaldigitalassistant，pda)、移动上网装置(mobileinternetdevice，mid)、可穿戴式设备(wearabledevice)或车载设备等终端侧设备，需要说明的是，在本发明实施例中并不限定终端11的具体类型。网络设备12可以是基站和/或核心网网元，其中，上述基站可以是5g及以后版本的基站(例如：gnb、5gnrnb等)，或者其他通信系统中的基站(例如：enb、wlan接入点、或其他接入点等)，其中，基站可被称为节点b、演进节点b、接入点、基收发机站(basetransceiverstation，bts)、无线电基站、无线电收发机、基本服务集(basicserviceset，bss)、扩展服务集(extendedserviceset，ess)、b节点、演进型b节点(enb)、家用b节点、家用演进型b节点、wlan接入点、wifi节点或所述领域中其他某个合适的术语，只要达到相同的技术效果，所述基站不限于特定技术词汇，需要说明的是，在本发明实施例中仅以nr系统中的基站为例，但是并不限定基站的具体类型。69.基站可在基站控制器的控制下与终端11通信，在各种示例中，基站控制器可以是核心网或某些基站的一部分。一些基站可通过回程与核心网进行控制信息或用户数据的通信。在一些示例中，这些基站中的一些可以通过回程链路直接或间接地彼此通信，回程链路可以是有线或无线通信链路。无线通信系统可支持多个载波(不同频率的波形信号)上的操作。多载波发射机能同时在这多个载波上传送经调制信号。例如，每条通信链路可以是根据各种无线电技术来调制的多载波信号。每个已调信号可在不同的载波上发送并且可携带控制信息(例如，参考信号、控制信道等)、开销信息、数据等。70.基站可经由一个或多个接入点天线与终端11进行无线通信。每个基站可以为各自相应的覆盖区域提供通信覆盖。接入点的覆盖区域可被划分成仅构成该覆盖区域的一部分的扇区。无线通信系统可包括不同类型的基站(例如宏基站、微基站、或微微基站)。基站也可利用不同的无线电技术，诸如蜂窝或wlan无线电接入技术。基站可以与相同或不同的接入网或运营商部署相关联。不同基站的覆盖区域(包括相同或不同类型的基站的覆盖区域、利用相同或不同无线电技术的覆盖区域、或属于相同或不同接入网的覆盖区域)可以交叠。71.无线通信系统中的通信链路可包括用于承载上行链路(uplink，ul)传输(例如，从终端11到网络设备12)的上行链路，或用于承载下行链路(downlink，dl)传输(例如，从网络设备12到终端11)的下行链路。ul传输还可被称为反向链路传输，而dl传输还可被称为前向链路传输。下行链路传输可以使用授权频段、非授权频段或这两者来进行。类似地，上行链路传输可以使用有授权频段、非授权频段或这两者来进行。72.如
背景技术：
：中所述的，现有技术中，移动网络的运维中对于网络负荷状态的判断，通常依赖于网优工程师的专家经验，并且判断结果的准确度不高。为解决以上问题中的至少一个，本发明实施例提供了一种小区异常状态的检测方法，可以简化网络异常负荷状态的检测，并提高检测结果的准确度。73.请参照图2，本发明实施例提供的一种小区异常状态的检测方法，可以应用于网络侧设备，如图1中所示的基站，还可以应用于核心网网元，该方法包括：74.步骤21，获取预设时间段内采集到的第一小区的至少一个关键性能指标kpi参数组，所述kpi参数组包括在对应的采样时间点采集到的多个kpi参数的取值。75.具体的，每个kpi参数组对应一个采样时间点，所述kpi参数组是在对应的采样时间点采集到的该第一小区所述多个kpi参数的取值，不同的kpi参数组则是在不同时间点采集到的该第一小区所述多个kpi参数的取值。76.这里，在需要对第一小区的负荷进行检测时，本发明实施例获取预设时间段内采集到的所述第一小区的至少一个kpi参数组，每个kpi参数组包括预先选择的多个kpi参数。在本文的最后，给出了所述多个kpi参数具体示例。77.步骤22，对所述第一小区的每个kpi参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量。78.这里，为了简化后续运算量，本发明实施例可以利用自编码器对每个kpi参数组进行降维处理，将所述第一小区的每个kpi参数组分别输入至一预先训练好的自编码器，获得所述自编码器输出的第一降维向量，这样，每个kpi参数组可以得到一个对应的第一降维向量，针对所述至少一个kpi参数组可以获得相应数量的第一降维向量。通过降维处理，本发明实施例可以简化后续分类处理的运算量，简化网络异常负荷状态的检测，提高检测效率。79.步骤23，将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。80.这里，本发明实施例可以利用预先生成的评估器来生成小区异常状态的评估信息。所述评估器用于对所述至少一个第一降维向量进行聚类处理，确定并输出所述至少一个第一降维向量所属的第一类别及其对应的标注信息，其中，所述第一类别是预先生成的多个类别中的一个，所述标注信息用于指示对应类别的小区负荷异常状态。81.本发明实施例可以利用各种聚类算法，预先获得多个分类。然后，在步骤23中，利用相同聚类算法对步骤22中获得的所述至少一个第一降维向量进行聚类处理，确定所述至少一个第一降维向量的中心点(为了便于描述，这里称之为第一中心点)，计算所述第一中心点与预先生成的各个类别的中心点之间的欧式距离，选择出最短欧式距离所对应的类别，作为所述至少一个第一降维向量所属的第一类别。另外，还可以根据预先建立的标注信息与类别的对应关系，确定所述第一类别对应的标注信息。这里，各个类别对应的标注信息，可以预先由网优工程师提供并保存在设备本地。所述标注信息具体可以包括以下信息中的至少一种：小区异常程度的评价值、小区负荷程度的评价值、小区待优化程度的评价值和备注信息。82.可选的，在执行步骤23的处理之前，还可以对所述至少一个第一降维向量进行异常值检测，去除其中的离群点，得到更新后的第一降维向量。83.通过以上步骤，本发明实施例可以利用多个kpi参数来进行小区异常负荷的检测，由于采用了降维处理和聚类处理，本发明实施例可以利用较多的kpi参数来进行检测，从而可以提高检测结果的准确度，另外，由于利用自编码器对多个kpi参数进行降维处理，以及利用聚类算法进行类别预测，本发明实施例不需要依赖于网优工程师的人工判断，可以简化网络异常负荷状态的检测。84.在上述步骤21之前，本发明实施例可以预先训练所述自编码器以及生成所述多个类别。下面将对自编码器的训练和多个类别的生成进行说明。85.本发明实施例可以获取在多个采样时间点采集到的多个小区的多个kpi参数组，其中，每个kpi参数组包含同一小区在一个采样时间点采集到的所述多个kpi参数。86.例如，从网管采集的多个小区的kpi参数，假设已经格式化为数据表格形式，第i行第j列代表第i个采样点(即小区)的第j个kpi参数。其中，每行的唯一标识为小区唯一名称 数据采集时间戳的形式。本发明实施例上述方法最终输出为根据某一时段kpi参数推理出的某个小区和负荷相关的建议信息，也可输出某小区任意kpi采集时刻所处状态的负荷建议信息。87.本发明实施例的方案总体流程如图3所示，可以划分为两个阶段：训练阶段和推理阶段(本文有时候也将推理阶段称为实际应用阶段)，在训练阶段，降维步骤需要训练一个自编码器的神经网络，在状态映射步骤需要人工介入完成类别信息的标注。其中，虚线所示为训练阶段所包括的额外步骤。88.如图3所示，在进行降维处理之前，本发明实施例可以通过数据清洗步骤来过滤一些噪音数据或质量不高的数据。例如，按照按以下计算方式去除取值过于单一的kpi参数：在某个kpi参数出现次数最多的取值的出现频率大于某个预设门限时，删除该参数。然后，还可以将数据清洗后的kpi参数归一化到零均值和单位方差的分布形式。89.然后，利用所述多个kpi参数组，训练一自编码器，直至达到预设的训练结束条件(如，训练时长达到预设时长门限，或者，训练数据量达到预设的数据量门限)。如图3所示，自编码器通常包括有一编码器和一解码器，所述编码器和解码器均包括有多层神经网络，例如，图3中的编码器和解码器分别包括有3层神经网络。其中，第一层和第二层分别包括全连接层、prelu激活层和批归一化层，第三层是一个全连接网络。编码器的三层(layer1～layer3)分别有n1、n2、n3个神经元，而解码器的三层(layer1～layer3)的神经元个数为n2、n1、n0个，其中n0为输入编码器的数据维度，即每个kpi数据组中的kpi参数个数。n1、n2、n3典型值为64、16、2。90.自编码器的降维处理，在步骤22的实际应用阶段中以及在应用之前的训练阶段中有所不同。其中，在训练阶段，自编码器的编码器和解码器被视为一体，解码器最终输出原始数据的估计值，通过将原始数据视为标注值，根据估计值与标注值计算损失函数，损失函数为带l1正则项的smoothl2loss(如下式1所示)，对损失函数使用adam算法对编码器和解码器进行训练。训练时批归一化使用按批计算的均值、方差。91.损失函数的计算公式如下：[0092][0093]其中，x是标注值，是估计值，m是x的维度。是l1正则化项。[0094]在实际应用阶段，仅依靠编码器工作，编码器处理输入数据，编码器输出的即为数据降维结果。数据降维结果还可以进一步通过异常点检测组件处理，筛除少量离群点，并送往下一个步骤。在实际应用阶段，批归一化使用数据整体计算的均值、方差。这里，离群点有时候也叫做飞点、异常值或异常点，是指样本中的个别值，其数据明显偏离其余的观测值。利用异常值检测算法，如箱型图、简单统计量，3σ原则等算法，可以检测出离群点。[0095]关于自编码器的更多细节，可以参考相关现有技术的介绍，本文不再详细说明。[0096]在获得训练好的自编码器之后，本发明实施例可以获取所述多个kpi参数组输入至训练好的所述自编码器后得到的多个降维向量，并对所述多个降维向量进行聚类处理，得到多个类别。聚类算法可以采用k-means算法，例如，划分的类别数量可以是其中n为所述多个kpi参数组的组数。例如，在上述数据表格中，每一行数据代表某个小区在某个数据采集时间的多个kpi参数，此时，n为所述数据表格的行数。[0097]在得到多个类别之后，还可以针对每个类别分别执行以下处理：[0098]1)从所述多个kpi参数组中选择出归属于该类别的参数组，并利用所选择出的kpi参数组训练一个分类器，并根据训练结果，计算kpi参数组中的每个kpi参数的权重。这里的分类器可以是基分类器，具体可以是cart决策树。[0099]这里，假设聚类后得到k个类别，可以将聚类得到的类别标签映射到各个kpi参数组，这样，可以通过类别标签，将每个类别下的kpi参数组中筛选出来，得到该类别下的所有kpi参数组。在某个类别下的样本(即kpi参数组)较少是，还可以对样本进行均衡处理，生成足够数量的样本。[0100]另外，这里根据训练结果，计算每个kpi参数的权重。kpi参数的权重代表了某个kpi参数在该类别区分于其它类别的过程中起到的作用的重要性。kpi参数的权重通过计算所有使用包含了该kpi参数的节点引起的纯度下降的值的和来得到。[0101]2)重复执行以下步骤，直至所述kpi参数组中不存在任何kpi参数：从所述参数组中的剩余kpi参数中选择权重最大的目标kpi参数，加入至一参数集合，并将该目标kpi参数以及与该目标kpi参数的相关性大于预设门限的kpi参数从所述参数组中删除。[0102]这里，可以对权重进行排序，并计算该类别中，所有kpi参数的皮尔逊相关系数，然后，从权重最高的kpi参数开始，将权重最高的kpi参数加入至一个参数集合，然后，依次将与该权重最高的kpi参数的相关系数大于某个门限(如0.8)的其他kpi参数去除。通过重复以上处理，可以最终得到一个包含一个或多个kpi参数的参数集合。[0103]3)按照权重从大到小的顺序，从所述参数集合中选择出预设数量的kpi参数，作为该类别的kpi参数，并计算选择出的kpi参数在该类别中的统计特征相对于在所有样本中的统计特征的偏离度。这里，所述所有样本是指训练所述自编码器时所使用的所述多个kpi参数组。[0104]这里，考虑到参数集合中的kpi参数还可能比较多，因此可以设置一个预设数量(例如，10个)，进而从该参数集合中选择全部或部分参数，作为该类别的kpi参数，并计算选择出的kpi参数在该类别中的统计特征相对于在所有样本中的统计特征的偏离度。[0105]4)将该类别的kpi参数、权重以及偏离度，作为该类别的特征输出。[0106]这里，将每个类别的kpi参数、权重以及偏离度，作为该类别的特征输出，从而可以提供给网优工程师进行打分。[0107]5)接收针对该类别所输入的标注信息，并建立标注信息与该类别的对应关系。[0108]这里，可以接收网优工程师对该每个类别的打分结果(即标注信息)，例如，打分项包含三项，分别是负荷异常程度、负荷程度和待优化程度。每一项都有(极低，低，中，高，极高)五种选项，分别对应1～5分，一种可能的样表形式如表1所示。[0109]负荷异常程度负荷程度待优化程度原因备注ꢀꢀꢀꢀ[0110]表1[0111]将现网工程师的打分结果映射到类别中。这样，在有工单信息的情形下，可以提取工单信息进行综合映射。[0112]下面提供若干分析的具体示例：[0113]小区分析示例：[0114]利用本发明实施例的方法，可以输出某个小区的类别及其对应的标注信息，这些信息可以提供给网优工程师进行决策。[0115]例如，对于某个小区，小区分析包含以下操作步骤：[0116]1)统计异常程度》＝3的状态在小区时间轴的占比，当上述占比》10％时输出异常小区的指示信息，并输出占比最多的异常状态对应的标注原因。[0117]2)统计异常程度》＝3，且高负荷程度》＝3的状态的占比，当占比》10％时输出高负荷小区的指示信息，并输出占比最多的高负荷异常状态对应的标注原因。[0118]3)统计异常程度》＝3，且待优化程度》＝3的状态的占比，当占比》10％时输出待优化小区的指示信息，输出占比最多的待优化异常状态对应的标注原因。[0119]4)将类别的kpi参数权重、状态时序等中间计算结果也作为可选项提供给工程师查阅。[0120]小区时序分析示例：[0121]由于所计算的状态存在时序特性，其时序信息可以被用来进行进一步的异常归类。[0122]示例1：在聚类前，将连续的p个时序的状态视为联合状态进行聚类。p为一个预设正整数，例如，可以为2。[0123]示例2：在判断小区异常时，当一个异常状态连续出现q次时，才判定小区异常，q为一个预设正整数，例如，可以为4。[0124]从以上所述可以看出，本发明实施例至少具有以下优点：[0125]1)本发明实施例引入一种无监督的小区异常状态的检测方法，与现有基于阈值的方案对比，可以利用任意数量的参数、自适应网络变化、检测更精确，无需人工。[0126]2)相比现有基于阈值的小区异常检测的输出，本发明实施例可以一次定位到多个问题，还可以输出多个候选异常，并通过权重排序，可通过距离阈值调整查准率或查全率。[0127]3)相比于现有基于人工经验的方法，本发明实施例在实际应用阶段自动映射人类经验，无需人工处理。[0128]4)相对于现有基于统计均值偏差筛选关键kpi的方法，本发明实施例能检测出统计偏差和该类别无关的异常场景。例如部分参数具有大的波动，可能某一类异常该参数表现异常但并非导致该异常的主要原因。[0129]5)相比于现有统计方法，本发明实施例可以提升问题定位准确率，并可输出多个潜在候选原因。[0130]6)相比现有方法，聚类类别数量以进行确定，和现网小区级kpi参数的实际异常类别数量相匹配。[0131]7)相比于现有人工标注方案，本发明实施例相比现有运维标注数据更结构化，有利于数据训练。[0132]以上介绍了本发明实施例的各种方法。下面将进一步提供实施上述方法的装置。[0133]请参照图5，本发明实施例提供了一种小区异常状态的检测设备50，包括：[0134]参数获取模块51，用于获取预设时间段内采集到的第一小区的至少一个关键性能指标kpi参数组，所述kpi参数组包括在对应的采样时间点采集到的多个kpi参数的取值；[0135]降维处理模块52，用于对所述第一小区的每个kpi参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量；[0136]标注处理模块53，用于将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。[0137]可选的，所述参数获取模块51，还用于将所述第一小区的每个kpi参数组分别输入至一预先训练好的自编码器，获得所述自编码器输出的第一降维向量。[0138]可选的，所述标注处理模块53，还用于通过所述评估器对所述至少一个第一降维向量进行聚类处理，确定并输出所述至少一个第一降维向量所属的第一类别及其对应的标注信息，其中，所述第一类别是预先生成的多个类别中的一个，所述标注信息用于指示对应类别的小区异常状态。[0139]可选的，所述检测设备还包括：[0140]自编码器训练模块，用于在获取所述第一小区的至少一个kpi参数组之前，获取在多个采样时间点采集到的多个小区的多个kpi参数组，其中，每个kpi参数组包含同一小区在一个采样时间点采集到的所述多个kpi参数；利用所述多个kpi参数组，训练一自编码器，直至达到预设的训练结束条件；其中，所述自编码器包括有一编码器和一解码器，所述编码器和解码器均包括有多层神经网络。[0141]可选的，所述检测设备还包括：[0142]聚类模块，用于获取将所述多个kpi参数组输入至训练好的所述自编码器后得到的多个降维向量；对所述多个降维向量进行聚类处理，得到多个类别。[0143]可选的，所述检测设备还包括：[0144]标注信息建立模块，用于在得到多个类别之后，针对每个类别，分别执行以下处理：[0145]从所述多个kpi参数组中选择出归属于该类别的参数组，并利用所选择出的参数组训练一个分类器，并根据训练结果，计算所述参数组中的每个kpi参数的权重；[0146]重复执行以下步骤，直至所述参数组中不存在任何kpi参数：从所述参数组中的剩余kpi参数中选择权重最大的目标kpi参数，加入至一参数集合，并将该目标kpi参数以及与该目标kpi参数的相关性大于预设门限的kpi参数从所述参数组中删除；[0147]按照权重从大到小的顺序，从所述参数集合中选择出预设数量的kpi参数，作为该类别的kpi参数，并计算选择出的kpi参数在该类别中的统计特征相对于在所有样本中的统计特征的偏离度；[0148]将该类别的kpi参数、权重以及偏离度，作为该类别的特征输出；[0149]接收针对该类别所输入的标注信息，并建立标注信息与该类别的对应关系。[0150]可选的，所述标注信息包括以下信息中的至少一种：小区异常程度的评价值、小区负荷程度的评价值、小区待优化程度的评价值和备注信息。[0151]可选的，所述多个类别的数量为其中，n为所述多组kpi参数的组数。[0152]可选的，所述标注处理模块，还用于对所述至少一个第一降维向量进行聚类处理，确定所述至少一个第一降维向量的第一中心点，计算所述第一中心点与各个类别的中心点之间的欧式距离，选择出最短欧式距离所对应的类别，作为所述至少一个第一降维向量所属的第一类别；根据预先建立的标注信息与类别的对应关系，确定所述第一类别对应的标注信息。[0153]可选的，所述检测设备还包括：[0154]异常点移除模块，用于在对所述至少一个第一降维向量进行聚类处理之前，对所述至少一个第一降维向量进行异常值检测，去除其中的离群点，得到更新后的第一降维向量。[0155]需要说明的是，该实施例中的装置是与上述图2所示的方法对应的设备，上述各实施例中的实现方式均适用于该设备的实施例中，也能达到相同的技术效果。本发明实施例提供的上述设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。[0156]请参考图6，本发明实施例提供了小区异常状态的检测设备600的一结构示意图，包括：处理器601、收发机602、存储器603和总线接口，其中：[0157]在本发明实施例中，小区异常状态的检测设备600还包括：存储在存储器上603并可在处理器601上运行的程序，所述程序被处理器601执行时实现如下步骤：[0158]获取预设时间段内采集到的第一小区的至少一个关键性能指标kpi参数组，所述kpi参数组包括在对应的采样时间点采集到的多个kpi参数的取值；对所述第一小区的每个kpi参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量；将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。[0159]可选的，所述处理器执行所述程序时还实现以下步骤：[0160]将所述第一小区的每个kpi参数组分别输入至一预先训练好的自编码器，获得所述自编码器输出的第一降维向量。[0161]可选的，所述处理器执行所述程序时还实现以下步骤：[0162]通过所述评估器对所述至少一个第一降维向量进行聚类处理，确定并输出所述至少一个第一降维向量所属的第一类别及其对应的标注信息，其中，所述第一类别是预先生成的多个类别中的一个，所述标注信息用于指示对应类别的小区异常状态。[0163]可选的，所述处理器执行所述程序时还实现以下步骤：[0164]获取在多个采样时间点采集到的多个小区的多个kpi参数组，其中，每个kpi参数组包含同一小区在一个采样时间点采集到的所述多个kpi参数；[0165]利用所述多个kpi参数组，训练一自编码器，直至达到预设的训练结束条件；其中，所述自编码器包括有一编码器和一解码器，所述编码器和解码器均包括有多层神经网络。[0166]可选的，所述处理器执行所述程序时还实现以下步骤：获取将所述多个kpi参数组输入至训练好的所述自编码器后得到的多个降维向量；对所述多个降维向量进行聚类处理，得到多个类别。[0167]可选的，所述处理器执行所述程序时还实现以下步骤：在得到多个类别之后，针对每个类别，分别执行以下处理：[0168]从所述多个kpi参数组中选择出归属于该类别的参数组，并利用所选择出的参数组训练一个分类器，并根据训练结果，计算所述参数组中的每个kpi参数的权重；[0169]重复执行以下步骤，直至所述参数组中不存在任何kpi参数：从所述参数组中的剩余kpi参数中选择权重最大的目标kpi参数，加入至一参数集合，并将该目标kpi参数以及与该目标kpi参数的相关性大于预设门限的kpi参数从所述参数组中删除；[0170]按照权重从大到小的顺序，从所述参数集合中选择出预设数量的kpi参数，作为该类别的kpi参数，并计算选择出的kpi参数在该类别中的统计特征相对于在所有样本中的统计特征的偏离度；[0171]将该类别的kpi参数、权重以及偏离度，作为该类别的特征输出；[0172]接收针对该类别所输入的标注信息，并建立标注信息与该类别的对应关系。[0173]可选的，所述标注信息包括以下信息中的至少一种：小区异常程度的评价值、小区负荷程度的评价值、小区待优化程度的评价值和备注信息。[0174]可选的，所述多个类别的数量为其中，n为所述多个kpi参数组的组数。[0175]可选的，所述处理器执行所述程序时还实现以下步骤：对所述至少一个第一降维向量进行聚类处理，确定所述至少一个第一降维向量的第一中心点，计算所述第一中心点与各个类别的中心点之间的欧式距离，选择出最短欧式距离所对应的类别，作为所述至少一个第一降维向量所属的第一类别；根据预先建立的标注信息与类别的对应关系，确定所述第一类别对应的标注信息。[0176]可选的，所述处理器执行所述程序时还实现以下步骤：对所述至少一个第一降维向量进行异常值检测，去除其中的离群点，得到更新后的第一降维向量。[0177]在图6中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器601代表的一个或多个处理器和存储器603代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机602可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。[0178]处理器601负责管理总线架构和通常的处理，存储器603可以存储处理器601在执行操作时所使用的数据。[0179]需要说明的是，该实施例中的设备是与上述图2所示的方法对应的设备，上述各实施例中的实现方式均适用于该设备的实施例中，也能达到相同的技术效果。该设备中，收发机602与存储器603，以及收发机602与处理器601均可以通过总线接口通讯连接，处理器601的功能也可以由收发机602实现，收发机602的功能也可以由处理器601实现。在此需要说明的是，本发明实施例提供的上述设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。[0180]在本发明的一些实施例中，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现以下步骤：[0181]获取预设时间段内采集到的第一小区的至少一个关键性能指标kpi参数组，所述kpi参数组包括在对应的采样时间点采集到的多个kpi参数的取值；对所述第一小区的每个kpi参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量；将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。[0182]该程序被处理器执行时能实现上述应用于检测设备的小区异常状态的检测方法中的所有实现方式，且能达到相同的技术效果，为避免重复，此处不再赘述。[0183]下面给出本发明实施例可以使用的小区级kpi参数列表，本发明可以采用以下参数中部分或全部参数：[0184]上行平均mcs；[0185]rssi_pucch_avg；[0186]下行双流占比；[0187]下行平均mcs；[0188]sinr_pusch_avg；[0189]下行传输效率(bytes/prb)；[0190]average_cqi；[0191]下行重传率lte_5208a；[0192]rssi_pusch_avg；[0193]下行流量(mb)；[0194]phr均值；[0195]切换执行尝试；[0196]小区下行包数；[0197]小区用户面上行丢包率；[0198]volte上行丢包率；[0199]rrc/rach比例；[0200]下行最大速率(mbit/s)；[0201]下行平均速率(mbit/s)；[0202]pdcch_cce平均利用率；[0203]mac层上行误块率；[0204]prach请求次数；[0205]上行重传率lte_5207b；[0206]小区上行包数；[0207]sinr_pucch_avg；[0208]rrc平均连接数；[0209]ca能力终端；[0210]agg8占比(％)；[0211]agg1_used_pdcch；[0212]agg4_used_pdcch；[0213]drb建立成功数；[0214]ue_per_dl_tti_avg；[0215]有效rrc连接平均数；[0216]rrc最大连接数；[0217]prach建立成功率；[0218]drb建立成功率；[0219]无线掉线率；[0220]上行流量(mb)；[0221]agg2_used_pdcch；[0222]切换入成功率；[0223]上行prb平均利用率；[0224]上行传输效率(bytes/prb)；[0225]切换入失败次数；[0226]小区上行丢包数(qci＝1)；[0227]prach负荷；[0228]prach成功次数；[0229]上行干扰值；[0230]agg8_used_pdcch；[0231]小区上行丢包数；[0232]ue_per_ul_tti_avg；[0233]切换入成功次数；[0234]ue_per_ul_tti_max；[0235]rrc建立请求次数；[0236]小区用户面下行丢包率；[0237]mac层下行误块率；[0238]drb建立请求数；[0239]ho_prep_in_succ；[0240]ue_per_dl_tti_max；[0241]含准备切换成功率；[0242]erab建立请求次数；[0243]下行prb平均利用率；[0244]有效rrc连接最大数；[0245]上行平均速率(mbit/s)；[0246]含准备切换尝试；[0247]含准备切换入成功率；[0248]切换入尝试次数；[0249]e_rab建立成功次数qci_1；[0250]小区下行包数(qci＝1)；[0251]切换执行成功；[0252]无线掉线率_分母；[0253]volte下行丢包率；[0254]切换执行失败；[0255]rrc建立成功次数；[0256]小区下行丢包数；[0257]切换执行成功率；[0258]volte语音话务量(erl)；[0259]含准备切换失败；[0260]上行最大速率(mbit/s)；[0261]enb_init_to_idle_rnl；[0262]e_rab建立成功率qci_2；[0263]fail_enb_ho_prep_ac；[0264]sign_conn_estab_rej_nemg；[0265]erab建立失败次数；[0266]erab建立成功次数；[0267]erab_add_setup_fail_rnl_mob；[0268]esvrcc切换占比；[0269]erab_ini_setup_fail_tnl_tru；[0270]erab_add_setup_fail_tnl_tru；[0271]enb_init_to_idle_other；[0272]esvrcc切换成功次数；[0273]esvrcc切换请求次数；[0274]esvrcc切换成功率；[0275]fail_enb_ho_prep_qci；[0276]e_rab异常释放次数qci_1；[0277]e_rab建立请求次数qci_1；[0278]e_rab掉线率qci_1；[0279]e_rab建立请求次数qci_2；[0280]volte视频话务量(erl)；[0281]e_rab建立成功次数qci_2；[0282]rrc建立成功率；[0283]拥塞次数；[0284]无线掉线率_分子；[0285]负载原因切换请求次数；[0286]负载原因切换成功次数；[0287]pdcch拥塞率(％)；[0288]接通失败次数；[0289]fail_enb_ho_prep_time；[0290]ca配置用户数；[0291]小区下行丢包数(qci＝1)；[0292]小区上行包数(qci＝1)；[0293]ca激活用户数；[0294]e_rab建立成功率qci_1；[0295]含准备切换入尝试次数；[0296]无线接通率；[0297]e_rab掉线率分母qci_1；[0298]rrc建立失败次数；[0299]sign_est_f_rrccompl_missing；[0300]fail_enb_ho_prep_other；[0301]erab建立成功率；[0302]小区可用率。[0303]本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。[0304]所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0305]在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。[0306]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单元来实现本发明实施例方案的目的。[0307]另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。[0308]所述功能如果以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的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、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。[0309]以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
：的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。当前第1页12当前第1页12
技术领域：
：，具体涉及一种小区异常状态的检测方法及设备。
背景技术：
：：2.移动通信网络运营商在进行网络运维中，通常定义在网络高负荷情况下需要统计的小区自忙时的多个高负荷相关的统计数据，人为划分出阈值，符合阈值条件的时段即判断为高负荷时段。例如，现网中一个小区一周有三天以上自忙时段处于高负荷，就会下发工单，交办给现网的网优工程师进行处理。这种基于阈值的小区负荷的判断处理较为粗略，需要网优工程师进行一段时间的持续观察，同时结合关键性能指标(keyperformanceindicator，kpi)参数、邻近小区信息等多种参数进行人工判定，还可能会漏掉某些参数上已经满载，但未被判定为高负荷的小区。3.另外一方面，在对高负荷小区优化时，现网工程师通常是根据自己的经验，判断高负荷的类别，并找到引起高负荷的原因，上述过程仍是主要通过解析kpi参数完成。但由于小区kpi参数非常多，即使精简掉二次参数，其映射的联合状态空间也是庞大的，对于工程师来说是难以处理的。因此，现网工程师一般只会跟踪少许常用参数，同时结合其它经验方法进行优化。以上网优方案的工作量通常都很大，另外实际效果也受到专家经验限制。技术实现要素：4.本发明的至少一个实施例提供了一种小区异常状态的检测方法、终端及网络设备，用于简化网络异常负荷状态的检测，并提高检测结果的准确度。5.根据本发明的一个方面，至少一个实施例提供了一种小区异常状态的检测方法，包括：6.获取预设时间段内采集到的第一小区的至少一个关键性能指标kpi参数组，所述kpi参数组包括在对应的采样时间点采集到的多个kpi参数的取值；7.对所述第一小区的每个kpi参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量；8.将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。9.可选的，对所述第一小区的每个kpi参数组分别进行降维处理，包括：10.将所述第一小区的每个kpi参数组分别输入至一预先训练好的自编码器，获得所述自编码器输出的第一降维向量。11.可选的，所述评估器用于对所述至少一个第一降维向量进行聚类处理，确定并输出所述至少一个第一降维向量所属的第一类别及其对应的标注信息，其中，所述第一类别是预先生成的多个类别中的一个，所述标注信息用于指示对应类别的小区异常状态。12.可选的，在获取所述第一小区的至少一个kpi参数组之前，所述方法还包括：13.获取在多个采样时间点采集到的多个小区的多个kpi参数组，其中，每个kpi参数组包含同一小区在一个采样时间点采集到的所述多个kpi参数；14.利用所述多个kpi参数组，训练一自编码器，直至达到预设的训练结束条件；其中，所述自编码器包括有一编码器和一解码器，所述编码器和解码器均包括有多层神经网络。15.可选的，所述方法还包括：16.获取将所述多个kpi参数组输入至训练好的所述自编码器后得到的多个降维向量；17.对所述多个降维向量进行聚类处理，得到多个类别。18.可选的，在得到多个类别之后，所述方法还包括：19.针对每个类别，分别执行以下处理：20.从所述多个kpi参数组中选择出归属于该类别的参数组，并利用所选择出的参数组训练一个分类器，并根据训练结果，计算所述参数组中的每个kpi参数的权重；21.重复执行以下步骤，直至所述参数组中不存在任何kpi参数：从所述参数组中的剩余kpi参数中选择权重最大的目标kpi参数，加入至一参数集合，并将该目标kpi参数以及与该目标kpi参数的相关性大于预设门限的kpi参数从所述参数组中删除；22.按照权重从大到小的顺序，从所述参数集合中选择出预设数量的kpi参数，作为该类别的kpi参数，并计算选择出的kpi参数在该类别中的统计特征相对于在所有样本中的统计特征的偏离度；23.将该类别的kpi参数、权重以及偏离度，作为该类别的特征输出；24.接收针对该类别所输入的标注信息，并建立标注信息与该类别的对应关系。25.可选的，所述标注信息包括以下信息中的至少一种：小区异常程度的评价值、小区负荷程度的评价值、小区待优化程度的评价值和备注信息。26.可选的，所述多个类别的数量为其中，n为所述多个kpi参数组的组数。27.可选的，确定所述至少一个第一降维向量所属的第一类别及其对应的标注信息，包括：28.对所述至少一个第一降维向量进行聚类处理，确定所述至少一个第一降维向量的第一中心点，计算所述第一中心点与各个类别的中心点之间的欧式距离，选择出最短欧式距离所对应的类别，作为所述至少一个第一降维向量所属的第一类别；29.根据预先建立的标注信息与类别的对应关系，确定所述第一类别对应的标注信息。30.可选的，在对所述至少一个第一降维向量进行聚类处理的步骤之前，所述方法还包括：31.对所述至少一个第一降维向量进行异常值检测，去除其中的离群点，得到更新后的第一降维向量。32.根据本发明的另一方面，至少一个实施例提供了一种小区异常状态的检测设备，包括：33.参数获取模块，用于获取预设时间段内采集到的第一小区的至少一个关键性能指标kpi参数组，所述kpi参数组包括在对应的采样时间点采集到的多个kpi参数的取值；34.降维处理模块，用于对所述第一小区的每个kpi参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量；35.标注处理模块，用于将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。36.可选的，所述降维处理模块，还用于将所述第一小区的每个kpi参数组分别输入至一预先训练好的自编码器，获得所述自编码器输出的第一降维向量。37.可选的，所述标注处理模块，还用于通过所述评估器对所述至少一个第一降维向量进行聚类处理，确定并输出所述至少一个第一降维向量所属的第一类别及其对应的标注信息，其中，所述第一类别是预先生成的多个类别中的一个，所述标注信息用于指示对应类别的小区异常状态。38.可选的，所述检测设备还包括：39.自编码器训练模块，用于在获取所述第一小区的至少一个kpi参数组之前，获取在多个采样时间点采集到的多个小区的多个kpi参数组，其中，每个kpi参数组包含同一小区在一个采样时间点采集到的所述多个kpi参数；利用所述多个kpi参数组，训练一自编码器，直至达到预设的训练结束条件；其中，所述自编码器包括有一编码器和一解码器，所述编码器和解码器均包括有多层神经网络。40.可选的，所述检测设备还包括：41.聚类模块，用于获取将所述多个kpi参数组输入至训练好的所述自编码器后得到的多个降维向量；对所述多个降维向量进行聚类处理，得到多个类别。42.可选的，所述检测设备还包括：43.标注信息建立模块，用于在得到多个类别之后，针对每个类别，分别执行以下处理：44.从所述多个kpi参数组中选择出归属于该类别的参数组，并利用所选择出的参数组训练一个分类器，并根据训练结果，计算所述参数组中的每个kpi参数的权重；45.重复执行以下步骤，直至所述参数组中不存在任何kpi参数：从所述参数组中的剩余kpi参数中选择权重最大的目标kpi参数，加入至一参数集合，并将该目标kpi参数以及与该目标kpi参数的相关性大于预设门限的kpi参数从所述参数组中删除；46.按照权重从大到小的顺序，从所述参数集合中选择出预设数量的kpi参数，作为该类别的kpi参数，并计算选择出的kpi参数在该类别中的统计特征相对于在所有样本中的统计特征的偏离度；47.将该类别的kpi参数、权重以及偏离度，作为该类别的特征输出；48.接收针对该类别所输入的标注信息，并建立标注信息与该类别的对应关系。49.可选的，所述标注处理模块，还用于对所述至少一个第一降维向量进行聚类处理，确定所述至少一个第一降维向量的第一中心点，计算所述第一中心点与各个类别的中心点之间的欧式距离，选择出最短欧式距离所对应的类别，作为所述至少一个第一降维向量所属的第一类别；根据预先建立的标注信息与类别的对应关系，确定所述第一类别对应的标注信息。50.可选的，所述检测设备还包括：51.异常点移除模块，用于在对所述至少一个第一降维向量进行聚类处理之前，对所述至少一个第一降维向量进行异常值检测，去除其中的离群点，得到更新后的第一降维向量。52.根据本发明的另一方面，至少一个实施例提供了小区异常状态的检测设备，包括收发机和处理器，其中，53.所述收发机，用于获取预设时间段内采集到的第一小区的至少一个关键性能指标kpi参数组，所述kpi参数组包括在对应的采样时间点采集到的多个kpi参数的取值；54.所述处理器，用于对所述第一小区的每个kpi参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量；将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。55.根据本发明的另一方面，至少一个实施例提供了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程序，所述程序被处理器执行时，实现如上所述的方法的步骤。56.与现有技术相比，本发明实施例提供的小区异常状态的检测方法及设备，可以简化后续分类处理的运算量，简化网络异常负荷状态的检测，提高检测效率。附图说明57.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：58.图1为本发明实施例的一种应用场景示意图；59.图2为本发明实施例提供的小区异常状态的检测方法的流程图；60.图3为本发明实施例提供的小区异常状态的检测方法的总体流程示意图；61.图4为本发明实施例提供的自编码器的结构示意图；62.图5为本发明实施例提供的小区异常状态的检测设备的一种结构示意图；63.图6为本发明实施例提供的小区异常状态的检测设备的另一种结构示意图。具体实施方式64.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。65.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。说明书以及权利要求中“和/或”表示所连接对象的至少其中之一。66.本文所描述的技术不限于nr系统以及长期演进型(longtimeevolution，lte)/lte的演进(lte-advanced，lte-a)系统，并且也可用于各种无线通信系统，诸如码分多址(codedivisionmultipleaccess，cdma)、时分多址(timedivisionmultipleaccess，tdma)、频分多址(frequencydivisionmultipleaccess，fdma)、正交频分多址(orthogonalfrequencydivisionmultipleaccess，ofdma)、单载波频分多址(single-carrierfrequency-divisionmultipleaccess，sc-fdma)和其他系统。术语“系统”和“网络”常被可互换地使用。cdma系统可实现诸如cdma2000、通用地面无线电接入(universalterrestrialradioaccess，utra)等无线电技术。utra包括宽带cdma(widebandcodedivisionmultipleaccess，wcdma)和其他cdma变体。tdma系统可实现诸如全球移动通信系统(globalsystemformobilecommunication，gsm)之类的无线电技术。ofdma系统可实现诸如超移动宽带(ultramobilebroadband，umb)、演进型utra(evolution-utra，e-utra)、ieee802.21(wi-fi)、ieee802.16(wimax)、ieee802.20、flash-ofdm等无线电技术。utra和e-utra是通用移动电信系统(universalmobiletelecommunicationssystem，umts)的部分。lte和更高级的lte(如lte-a)是使用e-utra的新umts版本。utra、e-utra、umts、lte、lte-a以及gsm在来自名为“第三代伙伴项目”(3rdgenerationpartnershipproject，3gpp)的组织的文献中描述。cdma2000和umb在来自名为“第三代伙伴项目2”(3gpp2)的组织的文献中描述。本文所描述的技术既可用于以上提及的系统和无线电技术，也可用于其他系统和无线电技术。然而，以下描述出于示例目的描述了nr系统，并且在以下大部分描述中使用nr术语，尽管这些技术也可应用于nr系统应用以外的应用。67.以下描述提供示例而并非限定权利要求中阐述的范围、适用性或者配置。可以对所讨论的要素的功能和布置作出改变而不会脱离本公开的精神和范围。各种示例可恰适地省略、替代、或添加各种规程或组件。例如，可以按不同于所描述的次序来执行所描述的方法，并且可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。68.请参见图1，图1示出本发明实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11和网络设备12。其中，终端11也可以称作用户终端或用户设备(ue，userequipment)，终端11可以是手机、平板电脑(tabletpersonalcomputer)、膝上型电脑(laptopcomputer)、个人数字助理(personaldigitalassistant，pda)、移动上网装置(mobileinternetdevice，mid)、可穿戴式设备(wearabledevice)或车载设备等终端侧设备，需要说明的是，在本发明实施例中并不限定终端11的具体类型。网络设备12可以是基站和/或核心网网元，其中，上述基站可以是5g及以后版本的基站(例如：gnb、5gnrnb等)，或者其他通信系统中的基站(例如：enb、wlan接入点、或其他接入点等)，其中，基站可被称为节点b、演进节点b、接入点、基收发机站(basetransceiverstation，bts)、无线电基站、无线电收发机、基本服务集(basicserviceset，bss)、扩展服务集(extendedserviceset，ess)、b节点、演进型b节点(enb)、家用b节点、家用演进型b节点、wlan接入点、wifi节点或所述领域中其他某个合适的术语，只要达到相同的技术效果，所述基站不限于特定技术词汇，需要说明的是，在本发明实施例中仅以nr系统中的基站为例，但是并不限定基站的具体类型。69.基站可在基站控制器的控制下与终端11通信，在各种示例中，基站控制器可以是核心网或某些基站的一部分。一些基站可通过回程与核心网进行控制信息或用户数据的通信。在一些示例中，这些基站中的一些可以通过回程链路直接或间接地彼此通信，回程链路可以是有线或无线通信链路。无线通信系统可支持多个载波(不同频率的波形信号)上的操作。多载波发射机能同时在这多个载波上传送经调制信号。例如，每条通信链路可以是根据各种无线电技术来调制的多载波信号。每个已调信号可在不同的载波上发送并且可携带控制信息(例如，参考信号、控制信道等)、开销信息、数据等。70.基站可经由一个或多个接入点天线与终端11进行无线通信。每个基站可以为各自相应的覆盖区域提供通信覆盖。接入点的覆盖区域可被划分成仅构成该覆盖区域的一部分的扇区。无线通信系统可包括不同类型的基站(例如宏基站、微基站、或微微基站)。基站也可利用不同的无线电技术，诸如蜂窝或wlan无线电接入技术。基站可以与相同或不同的接入网或运营商部署相关联。不同基站的覆盖区域(包括相同或不同类型的基站的覆盖区域、利用相同或不同无线电技术的覆盖区域、或属于相同或不同接入网的覆盖区域)可以交叠。71.无线通信系统中的通信链路可包括用于承载上行链路(uplink，ul)传输(例如，从终端11到网络设备12)的上行链路，或用于承载下行链路(downlink，dl)传输(例如，从网络设备12到终端11)的下行链路。ul传输还可被称为反向链路传输，而dl传输还可被称为前向链路传输。下行链路传输可以使用授权频段、非授权频段或这两者来进行。类似地，上行链路传输可以使用有授权频段、非授权频段或这两者来进行。72.如
背景技术：
：中所述的，现有技术中，移动网络的运维中对于网络负荷状态的判断，通常依赖于网优工程师的专家经验，并且判断结果的准确度不高。为解决以上问题中的至少一个，本发明实施例提供了一种小区异常状态的检测方法，可以简化网络异常负荷状态的检测，并提高检测结果的准确度。73.请参照图2，本发明实施例提供的一种小区异常状态的检测方法，可以应用于网络侧设备，如图1中所示的基站，还可以应用于核心网网元，该方法包括：74.步骤21，获取预设时间段内采集到的第一小区的至少一个关键性能指标kpi参数组，所述kpi参数组包括在对应的采样时间点采集到的多个kpi参数的取值。75.具体的，每个kpi参数组对应一个采样时间点，所述kpi参数组是在对应的采样时间点采集到的该第一小区所述多个kpi参数的取值，不同的kpi参数组则是在不同时间点采集到的该第一小区所述多个kpi参数的取值。76.这里，在需要对第一小区的负荷进行检测时，本发明实施例获取预设时间段内采集到的所述第一小区的至少一个kpi参数组，每个kpi参数组包括预先选择的多个kpi参数。在本文的最后，给出了所述多个kpi参数具体示例。77.步骤22，对所述第一小区的每个kpi参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量。78.这里，为了简化后续运算量，本发明实施例可以利用自编码器对每个kpi参数组进行降维处理，将所述第一小区的每个kpi参数组分别输入至一预先训练好的自编码器，获得所述自编码器输出的第一降维向量，这样，每个kpi参数组可以得到一个对应的第一降维向量，针对所述至少一个kpi参数组可以获得相应数量的第一降维向量。通过降维处理，本发明实施例可以简化后续分类处理的运算量，简化网络异常负荷状态的检测，提高检测效率。79.步骤23，将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。80.这里，本发明实施例可以利用预先生成的评估器来生成小区异常状态的评估信息。所述评估器用于对所述至少一个第一降维向量进行聚类处理，确定并输出所述至少一个第一降维向量所属的第一类别及其对应的标注信息，其中，所述第一类别是预先生成的多个类别中的一个，所述标注信息用于指示对应类别的小区负荷异常状态。81.本发明实施例可以利用各种聚类算法，预先获得多个分类。然后，在步骤23中，利用相同聚类算法对步骤22中获得的所述至少一个第一降维向量进行聚类处理，确定所述至少一个第一降维向量的中心点(为了便于描述，这里称之为第一中心点)，计算所述第一中心点与预先生成的各个类别的中心点之间的欧式距离，选择出最短欧式距离所对应的类别，作为所述至少一个第一降维向量所属的第一类别。另外，还可以根据预先建立的标注信息与类别的对应关系，确定所述第一类别对应的标注信息。这里，各个类别对应的标注信息，可以预先由网优工程师提供并保存在设备本地。所述标注信息具体可以包括以下信息中的至少一种：小区异常程度的评价值、小区负荷程度的评价值、小区待优化程度的评价值和备注信息。82.可选的，在执行步骤23的处理之前，还可以对所述至少一个第一降维向量进行异常值检测，去除其中的离群点，得到更新后的第一降维向量。83.通过以上步骤，本发明实施例可以利用多个kpi参数来进行小区异常负荷的检测，由于采用了降维处理和聚类处理，本发明实施例可以利用较多的kpi参数来进行检测，从而可以提高检测结果的准确度，另外，由于利用自编码器对多个kpi参数进行降维处理，以及利用聚类算法进行类别预测，本发明实施例不需要依赖于网优工程师的人工判断，可以简化网络异常负荷状态的检测。84.在上述步骤21之前，本发明实施例可以预先训练所述自编码器以及生成所述多个类别。下面将对自编码器的训练和多个类别的生成进行说明。85.本发明实施例可以获取在多个采样时间点采集到的多个小区的多个kpi参数组，其中，每个kpi参数组包含同一小区在一个采样时间点采集到的所述多个kpi参数。86.例如，从网管采集的多个小区的kpi参数，假设已经格式化为数据表格形式，第i行第j列代表第i个采样点(即小区)的第j个kpi参数。其中，每行的唯一标识为小区唯一名称 数据采集时间戳的形式。本发明实施例上述方法最终输出为根据某一时段kpi参数推理出的某个小区和负荷相关的建议信息，也可输出某小区任意kpi采集时刻所处状态的负荷建议信息。87.本发明实施例的方案总体流程如图3所示，可以划分为两个阶段：训练阶段和推理阶段(本文有时候也将推理阶段称为实际应用阶段)，在训练阶段，降维步骤需要训练一个自编码器的神经网络，在状态映射步骤需要人工介入完成类别信息的标注。其中，虚线所示为训练阶段所包括的额外步骤。88.如图3所示，在进行降维处理之前，本发明实施例可以通过数据清洗步骤来过滤一些噪音数据或质量不高的数据。例如，按照按以下计算方式去除取值过于单一的kpi参数：在某个kpi参数出现次数最多的取值的出现频率大于某个预设门限时，删除该参数。然后，还可以将数据清洗后的kpi参数归一化到零均值和单位方差的分布形式。89.然后，利用所述多个kpi参数组，训练一自编码器，直至达到预设的训练结束条件(如，训练时长达到预设时长门限，或者，训练数据量达到预设的数据量门限)。如图3所示，自编码器通常包括有一编码器和一解码器，所述编码器和解码器均包括有多层神经网络，例如，图3中的编码器和解码器分别包括有3层神经网络。其中，第一层和第二层分别包括全连接层、prelu激活层和批归一化层，第三层是一个全连接网络。编码器的三层(layer1～layer3)分别有n1、n2、n3个神经元，而解码器的三层(layer1～layer3)的神经元个数为n2、n1、n0个，其中n0为输入编码器的数据维度，即每个kpi数据组中的kpi参数个数。n1、n2、n3典型值为64、16、2。90.自编码器的降维处理，在步骤22的实际应用阶段中以及在应用之前的训练阶段中有所不同。其中，在训练阶段，自编码器的编码器和解码器被视为一体，解码器最终输出原始数据的估计值，通过将原始数据视为标注值，根据估计值与标注值计算损失函数，损失函数为带l1正则项的smoothl2loss(如下式1所示)，对损失函数使用adam算法对编码器和解码器进行训练。训练时批归一化使用按批计算的均值、方差。91.损失函数的计算公式如下：[0092][0093]其中，x是标注值，是估计值，m是x的维度。是l1正则化项。[0094]在实际应用阶段，仅依靠编码器工作，编码器处理输入数据，编码器输出的即为数据降维结果。数据降维结果还可以进一步通过异常点检测组件处理，筛除少量离群点，并送往下一个步骤。在实际应用阶段，批归一化使用数据整体计算的均值、方差。这里，离群点有时候也叫做飞点、异常值或异常点，是指样本中的个别值，其数据明显偏离其余的观测值。利用异常值检测算法，如箱型图、简单统计量，3σ原则等算法，可以检测出离群点。[0095]关于自编码器的更多细节，可以参考相关现有技术的介绍，本文不再详细说明。[0096]在获得训练好的自编码器之后，本发明实施例可以获取所述多个kpi参数组输入至训练好的所述自编码器后得到的多个降维向量，并对所述多个降维向量进行聚类处理，得到多个类别。聚类算法可以采用k-means算法，例如，划分的类别数量可以是其中n为所述多个kpi参数组的组数。例如，在上述数据表格中，每一行数据代表某个小区在某个数据采集时间的多个kpi参数，此时，n为所述数据表格的行数。[0097]在得到多个类别之后，还可以针对每个类别分别执行以下处理：[0098]1)从所述多个kpi参数组中选择出归属于该类别的参数组，并利用所选择出的kpi参数组训练一个分类器，并根据训练结果，计算kpi参数组中的每个kpi参数的权重。这里的分类器可以是基分类器，具体可以是cart决策树。[0099]这里，假设聚类后得到k个类别，可以将聚类得到的类别标签映射到各个kpi参数组，这样，可以通过类别标签，将每个类别下的kpi参数组中筛选出来，得到该类别下的所有kpi参数组。在某个类别下的样本(即kpi参数组)较少是，还可以对样本进行均衡处理，生成足够数量的样本。[0100]另外，这里根据训练结果，计算每个kpi参数的权重。kpi参数的权重代表了某个kpi参数在该类别区分于其它类别的过程中起到的作用的重要性。kpi参数的权重通过计算所有使用包含了该kpi参数的节点引起的纯度下降的值的和来得到。[0101]2)重复执行以下步骤，直至所述kpi参数组中不存在任何kpi参数：从所述参数组中的剩余kpi参数中选择权重最大的目标kpi参数，加入至一参数集合，并将该目标kpi参数以及与该目标kpi参数的相关性大于预设门限的kpi参数从所述参数组中删除。[0102]这里，可以对权重进行排序，并计算该类别中，所有kpi参数的皮尔逊相关系数，然后，从权重最高的kpi参数开始，将权重最高的kpi参数加入至一个参数集合，然后，依次将与该权重最高的kpi参数的相关系数大于某个门限(如0.8)的其他kpi参数去除。通过重复以上处理，可以最终得到一个包含一个或多个kpi参数的参数集合。[0103]3)按照权重从大到小的顺序，从所述参数集合中选择出预设数量的kpi参数，作为该类别的kpi参数，并计算选择出的kpi参数在该类别中的统计特征相对于在所有样本中的统计特征的偏离度。这里，所述所有样本是指训练所述自编码器时所使用的所述多个kpi参数组。[0104]这里，考虑到参数集合中的kpi参数还可能比较多，因此可以设置一个预设数量(例如，10个)，进而从该参数集合中选择全部或部分参数，作为该类别的kpi参数，并计算选择出的kpi参数在该类别中的统计特征相对于在所有样本中的统计特征的偏离度。[0105]4)将该类别的kpi参数、权重以及偏离度，作为该类别的特征输出。[0106]这里，将每个类别的kpi参数、权重以及偏离度，作为该类别的特征输出，从而可以提供给网优工程师进行打分。[0107]5)接收针对该类别所输入的标注信息，并建立标注信息与该类别的对应关系。[0108]这里，可以接收网优工程师对该每个类别的打分结果(即标注信息)，例如，打分项包含三项，分别是负荷异常程度、负荷程度和待优化程度。每一项都有(极低，低，中，高，极高)五种选项，分别对应1～5分，一种可能的样表形式如表1所示。[0109]负荷异常程度负荷程度待优化程度原因备注ꢀꢀꢀꢀ[0110]表1[0111]将现网工程师的打分结果映射到类别中。这样，在有工单信息的情形下，可以提取工单信息进行综合映射。[0112]下面提供若干分析的具体示例：[0113]小区分析示例：[0114]利用本发明实施例的方法，可以输出某个小区的类别及其对应的标注信息，这些信息可以提供给网优工程师进行决策。[0115]例如，对于某个小区，小区分析包含以下操作步骤：[0116]1)统计异常程度》＝3的状态在小区时间轴的占比，当上述占比》10％时输出异常小区的指示信息，并输出占比最多的异常状态对应的标注原因。[0117]2)统计异常程度》＝3，且高负荷程度》＝3的状态的占比，当占比》10％时输出高负荷小区的指示信息，并输出占比最多的高负荷异常状态对应的标注原因。[0118]3)统计异常程度》＝3，且待优化程度》＝3的状态的占比，当占比》10％时输出待优化小区的指示信息，输出占比最多的待优化异常状态对应的标注原因。[0119]4)将类别的kpi参数权重、状态时序等中间计算结果也作为可选项提供给工程师查阅。[0120]小区时序分析示例：[0121]由于所计算的状态存在时序特性，其时序信息可以被用来进行进一步的异常归类。[0122]示例1：在聚类前，将连续的p个时序的状态视为联合状态进行聚类。p为一个预设正整数，例如，可以为2。[0123]示例2：在判断小区异常时，当一个异常状态连续出现q次时，才判定小区异常，q为一个预设正整数，例如，可以为4。[0124]从以上所述可以看出，本发明实施例至少具有以下优点：[0125]1)本发明实施例引入一种无监督的小区异常状态的检测方法，与现有基于阈值的方案对比，可以利用任意数量的参数、自适应网络变化、检测更精确，无需人工。[0126]2)相比现有基于阈值的小区异常检测的输出，本发明实施例可以一次定位到多个问题，还可以输出多个候选异常，并通过权重排序，可通过距离阈值调整查准率或查全率。[0127]3)相比于现有基于人工经验的方法，本发明实施例在实际应用阶段自动映射人类经验，无需人工处理。[0128]4)相对于现有基于统计均值偏差筛选关键kpi的方法，本发明实施例能检测出统计偏差和该类别无关的异常场景。例如部分参数具有大的波动，可能某一类异常该参数表现异常但并非导致该异常的主要原因。[0129]5)相比于现有统计方法，本发明实施例可以提升问题定位准确率，并可输出多个潜在候选原因。[0130]6)相比现有方法，聚类类别数量以进行确定，和现网小区级kpi参数的实际异常类别数量相匹配。[0131]7)相比于现有人工标注方案，本发明实施例相比现有运维标注数据更结构化，有利于数据训练。[0132]以上介绍了本发明实施例的各种方法。下面将进一步提供实施上述方法的装置。[0133]请参照图5，本发明实施例提供了一种小区异常状态的检测设备50，包括：[0134]参数获取模块51，用于获取预设时间段内采集到的第一小区的至少一个关键性能指标kpi参数组，所述kpi参数组包括在对应的采样时间点采集到的多个kpi参数的取值；[0135]降维处理模块52，用于对所述第一小区的每个kpi参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量；[0136]标注处理模块53，用于将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。[0137]可选的，所述参数获取模块51，还用于将所述第一小区的每个kpi参数组分别输入至一预先训练好的自编码器，获得所述自编码器输出的第一降维向量。[0138]可选的，所述标注处理模块53，还用于通过所述评估器对所述至少一个第一降维向量进行聚类处理，确定并输出所述至少一个第一降维向量所属的第一类别及其对应的标注信息，其中，所述第一类别是预先生成的多个类别中的一个，所述标注信息用于指示对应类别的小区异常状态。[0139]可选的，所述检测设备还包括：[0140]自编码器训练模块，用于在获取所述第一小区的至少一个kpi参数组之前，获取在多个采样时间点采集到的多个小区的多个kpi参数组，其中，每个kpi参数组包含同一小区在一个采样时间点采集到的所述多个kpi参数；利用所述多个kpi参数组，训练一自编码器，直至达到预设的训练结束条件；其中，所述自编码器包括有一编码器和一解码器，所述编码器和解码器均包括有多层神经网络。[0141]可选的，所述检测设备还包括：[0142]聚类模块，用于获取将所述多个kpi参数组输入至训练好的所述自编码器后得到的多个降维向量；对所述多个降维向量进行聚类处理，得到多个类别。[0143]可选的，所述检测设备还包括：[0144]标注信息建立模块，用于在得到多个类别之后，针对每个类别，分别执行以下处理：[0145]从所述多个kpi参数组中选择出归属于该类别的参数组，并利用所选择出的参数组训练一个分类器，并根据训练结果，计算所述参数组中的每个kpi参数的权重；[0146]重复执行以下步骤，直至所述参数组中不存在任何kpi参数：从所述参数组中的剩余kpi参数中选择权重最大的目标kpi参数，加入至一参数集合，并将该目标kpi参数以及与该目标kpi参数的相关性大于预设门限的kpi参数从所述参数组中删除；[0147]按照权重从大到小的顺序，从所述参数集合中选择出预设数量的kpi参数，作为该类别的kpi参数，并计算选择出的kpi参数在该类别中的统计特征相对于在所有样本中的统计特征的偏离度；[0148]将该类别的kpi参数、权重以及偏离度，作为该类别的特征输出；[0149]接收针对该类别所输入的标注信息，并建立标注信息与该类别的对应关系。[0150]可选的，所述标注信息包括以下信息中的至少一种：小区异常程度的评价值、小区负荷程度的评价值、小区待优化程度的评价值和备注信息。[0151]可选的，所述多个类别的数量为其中，n为所述多组kpi参数的组数。[0152]可选的，所述标注处理模块，还用于对所述至少一个第一降维向量进行聚类处理，确定所述至少一个第一降维向量的第一中心点，计算所述第一中心点与各个类别的中心点之间的欧式距离，选择出最短欧式距离所对应的类别，作为所述至少一个第一降维向量所属的第一类别；根据预先建立的标注信息与类别的对应关系，确定所述第一类别对应的标注信息。[0153]可选的，所述检测设备还包括：[0154]异常点移除模块，用于在对所述至少一个第一降维向量进行聚类处理之前，对所述至少一个第一降维向量进行异常值检测，去除其中的离群点，得到更新后的第一降维向量。[0155]需要说明的是，该实施例中的装置是与上述图2所示的方法对应的设备，上述各实施例中的实现方式均适用于该设备的实施例中，也能达到相同的技术效果。本发明实施例提供的上述设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。[0156]请参考图6，本发明实施例提供了小区异常状态的检测设备600的一结构示意图，包括：处理器601、收发机602、存储器603和总线接口，其中：[0157]在本发明实施例中，小区异常状态的检测设备600还包括：存储在存储器上603并可在处理器601上运行的程序，所述程序被处理器601执行时实现如下步骤：[0158]获取预设时间段内采集到的第一小区的至少一个关键性能指标kpi参数组，所述kpi参数组包括在对应的采样时间点采集到的多个kpi参数的取值；对所述第一小区的每个kpi参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量；将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。[0159]可选的，所述处理器执行所述程序时还实现以下步骤：[0160]将所述第一小区的每个kpi参数组分别输入至一预先训练好的自编码器，获得所述自编码器输出的第一降维向量。[0161]可选的，所述处理器执行所述程序时还实现以下步骤：[0162]通过所述评估器对所述至少一个第一降维向量进行聚类处理，确定并输出所述至少一个第一降维向量所属的第一类别及其对应的标注信息，其中，所述第一类别是预先生成的多个类别中的一个，所述标注信息用于指示对应类别的小区异常状态。[0163]可选的，所述处理器执行所述程序时还实现以下步骤：[0164]获取在多个采样时间点采集到的多个小区的多个kpi参数组，其中，每个kpi参数组包含同一小区在一个采样时间点采集到的所述多个kpi参数；[0165]利用所述多个kpi参数组，训练一自编码器，直至达到预设的训练结束条件；其中，所述自编码器包括有一编码器和一解码器，所述编码器和解码器均包括有多层神经网络。[0166]可选的，所述处理器执行所述程序时还实现以下步骤：获取将所述多个kpi参数组输入至训练好的所述自编码器后得到的多个降维向量；对所述多个降维向量进行聚类处理，得到多个类别。[0167]可选的，所述处理器执行所述程序时还实现以下步骤：在得到多个类别之后，针对每个类别，分别执行以下处理：[0168]从所述多个kpi参数组中选择出归属于该类别的参数组，并利用所选择出的参数组训练一个分类器，并根据训练结果，计算所述参数组中的每个kpi参数的权重；[0169]重复执行以下步骤，直至所述参数组中不存在任何kpi参数：从所述参数组中的剩余kpi参数中选择权重最大的目标kpi参数，加入至一参数集合，并将该目标kpi参数以及与该目标kpi参数的相关性大于预设门限的kpi参数从所述参数组中删除；[0170]按照权重从大到小的顺序，从所述参数集合中选择出预设数量的kpi参数，作为该类别的kpi参数，并计算选择出的kpi参数在该类别中的统计特征相对于在所有样本中的统计特征的偏离度；[0171]将该类别的kpi参数、权重以及偏离度，作为该类别的特征输出；[0172]接收针对该类别所输入的标注信息，并建立标注信息与该类别的对应关系。[0173]可选的，所述标注信息包括以下信息中的至少一种：小区异常程度的评价值、小区负荷程度的评价值、小区待优化程度的评价值和备注信息。[0174]可选的，所述多个类别的数量为其中，n为所述多个kpi参数组的组数。[0175]可选的，所述处理器执行所述程序时还实现以下步骤：对所述至少一个第一降维向量进行聚类处理，确定所述至少一个第一降维向量的第一中心点，计算所述第一中心点与各个类别的中心点之间的欧式距离，选择出最短欧式距离所对应的类别，作为所述至少一个第一降维向量所属的第一类别；根据预先建立的标注信息与类别的对应关系，确定所述第一类别对应的标注信息。[0176]可选的，所述处理器执行所述程序时还实现以下步骤：对所述至少一个第一降维向量进行异常值检测，去除其中的离群点，得到更新后的第一降维向量。[0177]在图6中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器601代表的一个或多个处理器和存储器603代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机602可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。[0178]处理器601负责管理总线架构和通常的处理，存储器603可以存储处理器601在执行操作时所使用的数据。[0179]需要说明的是，该实施例中的设备是与上述图2所示的方法对应的设备，上述各实施例中的实现方式均适用于该设备的实施例中，也能达到相同的技术效果。该设备中，收发机602与存储器603，以及收发机602与处理器601均可以通过总线接口通讯连接，处理器601的功能也可以由收发机602实现，收发机602的功能也可以由处理器601实现。在此需要说明的是，本发明实施例提供的上述设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。[0180]在本发明的一些实施例中，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现以下步骤：[0181]获取预设时间段内采集到的第一小区的至少一个关键性能指标kpi参数组，所述kpi参数组包括在对应的采样时间点采集到的多个kpi参数的取值；对所述第一小区的每个kpi参数组分别进行降维处理，生成所述第一小区的至少一个第一降维向量；将所述至少一个第一降维向量输入至评估器，生成所述第一小区的异常状态的评估信息。[0182]该程序被处理器执行时能实现上述应用于检测设备的小区异常状态的检测方法中的所有实现方式，且能达到相同的技术效果，为避免重复，此处不再赘述。[0183]下面给出本发明实施例可以使用的小区级kpi参数列表，本发明可以采用以下参数中部分或全部参数：[0184]上行平均mcs；[0185]rssi_pucch_avg；[0186]下行双流占比；[0187]下行平均mcs；[0188]sinr_pusch_avg；[0189]下行传输效率(bytes/prb)；[0190]average_cqi；[0191]下行重传率lte_5208a；[0192]rssi_pusch_avg；[0193]下行流量(mb)；[0194]phr均值；[0195]切换执行尝试；[0196]小区下行包数；[0197]小区用户面上行丢包率；[0198]volte上行丢包率；[0199]rrc/rach比例；[0200]下行最大速率(mbit/s)；[0201]下行平均速率(mbit/s)；[0202]pdcch_cce平均利用率；[0203]mac层上行误块率；[0204]prach请求次数；[0205]上行重传率lte_5207b；[0206]小区上行包数；[0207]sinr_pucch_avg；[0208]rrc平均连接数；[0209]ca能力终端；[0210]agg8占比(％)；[0211]agg1_used_pdcch；[0212]agg4_used_pdcch；[0213]drb建立成功数；[0214]ue_per_dl_tti_avg；[0215]有效rrc连接平均数；[0216]rrc最大连接数；[0217]prach建立成功率；[0218]drb建立成功率；[0219]无线掉线率；[0220]上行流量(mb)；[0221]agg2_used_pdcch；[0222]切换入成功率；[0223]上行prb平均利用率；[0224]上行传输效率(bytes/prb)；[0225]切换入失败次数；[0226]小区上行丢包数(qci＝1)；[0227]prach负荷；[0228]prach成功次数；[0229]上行干扰值；[0230]agg8_used_pdcch；[0231]小区上行丢包数；[0232]ue_per_ul_tti_avg；[0233]切换入成功次数；[0234]ue_per_ul_tti_max；[0235]rrc建立请求次数；[0236]小区用户面下行丢包率；[0237]mac层下行误块率；[0238]drb建立请求数；[0239]ho_prep_in_succ；[0240]ue_per_dl_tti_max；[0241]含准备切换成功率；[0242]erab建立请求次数；[0243]下行prb平均利用率；[0244]有效rrc连接最大数；[0245]上行平均速率(mbit/s)；[0246]含准备切换尝试；[0247]含准备切换入成功率；[0248]切换入尝试次数；[0249]e_rab建立成功次数qci_1；[0250]小区下行包数(qci＝1)；[0251]切换执行成功；[0252]无线掉线率_分母；[0253]volte下行丢包率；[0254]切换执行失败；[0255]rrc建立成功次数；[0256]小区下行丢包数；[0257]切换执行成功率；[0258]volte语音话务量(erl)；[0259]含准备切换失败；[0260]上行最大速率(mbit/s)；[0261]enb_init_to_idle_rnl；[0262]e_rab建立成功率qci_2；[0263]fail_enb_ho_prep_ac；[0264]sign_conn_estab_rej_nemg；[0265]erab建立失败次数；[0266]erab建立成功次数；[0267]erab_add_setup_fail_rnl_mob；[0268]esvrcc切换占比；[0269]erab_ini_setup_fail_tnl_tru；[0270]erab_add_setup_fail_tnl_tru；[0271]enb_init_to_idle_other；[0272]esvrcc切换成功次数；[0273]esvrcc切换请求次数；[0274]esvrcc切换成功率；[0275]fail_enb_ho_prep_qci；[0276]e_rab异常释放次数qci_1；[0277]e_rab建立请求次数qci_1；[0278]e_rab掉线率qci_1；[0279]e_rab建立请求次数qci_2；[0280]volte视频话务量(erl)；[0281]e_rab建立成功次数qci_2；[0282]rrc建立成功率；[0283]拥塞次数；[0284]无线掉线率_分子；[0285]负载原因切换请求次数；[0286]负载原因切换成功次数；[0287]pdcch拥塞率(％)；[0288]接通失败次数；[0289]fail_enb_ho_prep_time；[0290]ca配置用户数；[0291]小区下行丢包数(qci＝1)；[0292]小区上行包数(qci＝1)；[0293]ca激活用户数；[0294]e_rab建立成功率qci_1；[0295]含准备切换入尝试次数；[0296]无线接通率；[0297]e_rab掉线率分母qci_1；[0298]rrc建立失败次数；[0299]sign_est_f_rrccompl_missing；[0300]fail_enb_ho_prep_other；[0301]erab建立成功率；[0302]小区可用率。[0303]本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。[0304]所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0305]在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。[0306]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单元来实现本发明实施例方案的目的。[0307]另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。[0308]所述功能如果以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的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、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。[0309]以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
：的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
