基于Prophet時(shí)序算法的無線網(wǎng)絡(luò)突變小區(qū)識別方法研究

楊飛虎，許國平，劉賢松，張碩偉，鄭敏之，施亞洲（.中國聯(lián)通網(wǎng)絡(luò)AI中心，上海 00050；.中國聯(lián)合網(wǎng)絡(luò)通信集團(tuán)有限公司，北京 000；.上海聯(lián)通無線網(wǎng)運(yùn)營中心，上海 00050）

1 概述

隨著5G 和物聯(lián)網(wǎng)的引入［1］，移動網(wǎng)絡(luò)越來越復(fù)雜多變，但人們對無線網(wǎng)絡(luò)的質(zhì)量要求越來越高，這對運(yùn)營商的無線網(wǎng)絡(luò)優(yōu)化提出了新的挑戰(zhàn)［2］。KPI 指標(biāo)直接反映了無線網(wǎng)絡(luò)的性能和質(zhì)量，傳統(tǒng)的小區(qū)KPI突變檢測方法是先采集PM 和配置等數(shù)據(jù)，網(wǎng)絡(luò)優(yōu)化工程師再根據(jù)專業(yè)知識和經(jīng)驗(yàn)，對各個(gè)KPI 指標(biāo)分別設(shè)置閾值，觀察KPI 指標(biāo)是否連續(xù)若干個(gè)小時(shí)超出閾值，來判斷KPI 指標(biāo)是否存在異常［3］。但是網(wǎng)絡(luò)制式多樣化，用戶行為不可控，總會有部分屬于正常性突變或者偶發(fā)性波動的KPI 指標(biāo)作為異常被識別出來，這種方法存在資源投入大、閾值不準(zhǔn)確、優(yōu)化不及時(shí)等問題。

2 傳統(tǒng)無線網(wǎng)絡(luò)KPI突變小區(qū)檢測方法

小區(qū)KPI突變檢測是無線網(wǎng)絡(luò)優(yōu)化的一個(gè)底層核心技術(shù)，是改善網(wǎng)絡(luò)覆蓋質(zhì)量的重要手段，因此小區(qū)KPI 突變檢測在無線網(wǎng)絡(luò)優(yōu)化工作中具有重要的指導(dǎo)意義［4］。傳統(tǒng)的小區(qū)KPI突變檢測流程如圖1所示。

圖1 傳統(tǒng)的小區(qū)KPI突變檢測流程圖

傳統(tǒng)的小區(qū)KPI突變檢測是對全網(wǎng)各項(xiàng)指標(biāo)進(jìn)行日常性監(jiān)控，并對有問題的小區(qū)進(jìn)行預(yù)處理和派單。在監(jiān)控KPI 指標(biāo)時(shí)，除了滿足質(zhì)差小區(qū)定義及突變小區(qū)定義外，還需要同時(shí)滿足監(jiān)控時(shí)間條件，如不滿足監(jiān)控時(shí)間條件則繼續(xù)監(jiān)控指標(biāo)。通常在各項(xiàng)指標(biāo)日常監(jiān)控中，監(jiān)控時(shí)間段為：09：00—24：00（15 h），并且質(zhì)差或突變條件觸發(fā)后要同時(shí)滿足“6 h及以上或連續(xù)4 h”，才能觸發(fā)告警派單。如果人為設(shè)定規(guī)則過于苛刻，監(jiān)控系統(tǒng)預(yù)處理與派單有嚴(yán)重的滯后性，網(wǎng)絡(luò)運(yùn)維人員不能及時(shí)處理網(wǎng)絡(luò)質(zhì)量或性能問題［5］；如果規(guī)則過于寬松，可能出現(xiàn)因?yàn)榉菬o線原因、正常潮汐、特殊事件等造成的正常性突變或者偶發(fā)性波動被當(dāng)作KPI指標(biāo)異常處理的情況。

隨著整個(gè)移動網(wǎng)絡(luò)系統(tǒng)中數(shù)據(jù)規(guī)模的指數(shù)式增加，傳統(tǒng)的基于“人為設(shè)置單一規(guī)則”的自動化小區(qū)KPI 突變檢測顯得力不從心［6］?，F(xiàn)階段的網(wǎng)絡(luò)運(yùn)維優(yōu)化迫切需要一種能夠從海量運(yùn)行數(shù)據(jù)中依據(jù)人工智能方法自動地獲取和更新更加可靠的規(guī)則，以實(shí)現(xiàn)對無線網(wǎng)絡(luò)質(zhì)量提供強(qiáng)有力的保障［7-8］。

3 Prophet時(shí)序算法介紹

Prophet 算法是2017 年Facebook 發(fā)布的開源時(shí)序預(yù)測框架，它主要研究時(shí)序數(shù)據(jù)特征和時(shí)序變化規(guī)律，并對未來走勢進(jìn)行預(yù)測［9-10］。該算法不僅能夠彌補(bǔ)傳統(tǒng)時(shí)序模型對時(shí)序數(shù)據(jù)過于局限、缺失值需要填充、模型取法靈活性等不足，而且相較于傳統(tǒng)的時(shí)序模型，在模型準(zhǔn)確率以及使用者之間的互動方面具有更好的效果［11］。Prophet 算法是一個(gè)可分解的時(shí)間序列模型，它對時(shí)序數(shù)據(jù)各個(gè)特征進(jìn)行分析，例如對時(shí)序數(shù)據(jù)的長期趨勢性、季節(jié)周期性、節(jié)假日效應(yīng)等特征分析。Prophet 算法通過將這幾項(xiàng)特征擬合，累加起來得到時(shí)間序列的預(yù)測值。Prophet模型的構(gòu)成如下：

式中：

g(t)——趨勢項(xiàng)，用來擬合時(shí)間序列的趨勢性變化

s(t)——周期性變化，一般來說是以周或者年為單位

h(t)——節(jié)假日因素造成的影響，數(shù)據(jù)中是否存在節(jié)假日

εt——誤差項(xiàng)，通常表示突發(fā)事件的影響

3.1 趨勢項(xiàng)

在Prophet 算法中，趨勢增長類似于種族增長。Facebook 采用了2 種增長函數(shù)，一個(gè)是基于邏輯回歸函數(shù)，另一個(gè)是基于分段線性函數(shù)。

基于分段線性函數(shù)的趨勢：

式中：

k——增長率

δ——增長率的變化量（適應(yīng)率）

m——偏移量參數(shù)

γ——讓函數(shù)連續(xù)

基于邏輯回歸函數(shù)的非線性趨勢：

其中，C(t)，k(t)，m(t)是隨著時(shí)間t變化的函數(shù)，a(t)=(a1(t),...,aS(t))T，δ=(δ1,...,δS)T，γ=(γ1,...,γS)T。

3.2 季節(jié)周期項(xiàng)

時(shí)間序列通常隨著天、周、月、年等周期性的變化而呈現(xiàn)周期性的變化，在數(shù)學(xué)分析中，區(qū)間內(nèi)的周期性函數(shù)是可以通過正弦和余弦函數(shù)來表示。在Proph?et算法中，使用傅里葉級數(shù)來模擬時(shí)間序列的周期性。傅里葉級數(shù)的形式如下：

式中：

P——時(shí)間序列的周期，如P=365.25 表示以年為周期，P=7表示以周為周期

Prophet的周期函數(shù)如下：

其中，

參數(shù)向量β初始化為β～Normal(0,σ2)。

4 基于Prophet時(shí)序算法的突變小區(qū)檢測方法

通過Prophet 訓(xùn)練模型的時(shí)序分解方法，將KPI 指標(biāo)分解為3項(xiàng)：趨勢項(xiàng)、周期項(xiàng)和誤差項(xiàng)，針對趨勢、周期特征分量，建立Prophet 模型進(jìn)行預(yù)測。流程如圖2所示。

圖2 基于Prophet時(shí)序算法的小區(qū)KPI突變檢測流程

a）將實(shí)際KPI 指標(biāo)值與各分量的預(yù)測值相減獲得隨機(jī)序列，隨機(jī)序列的標(biāo)準(zhǔn)差和各分量的預(yù)測值合成得到KPI指標(biāo)的動態(tài)門限。

b）在絕對門限和動態(tài)門限之間設(shè)置相對門限，來設(shè)定異常KPI指標(biāo)等級。

c）通過判斷KPI 數(shù)值是否超過相對門限，來判定該KPI指標(biāo)是不是發(fā)生異常。

4.1 Prophet預(yù)測

Prophet 算法在預(yù)測過程中，能夠通過調(diào)整轉(zhuǎn)折點(diǎn)平臺參數(shù)自動探測到轉(zhuǎn)折點(diǎn)。對歷史KPI指標(biāo)發(fā)生異常的數(shù)據(jù)進(jìn)行調(diào)整，減少對KPI指標(biāo)歷史規(guī)律的影響，這樣可以使預(yù)測結(jié)果更加靈活、平滑。

a）首先采用Prophet 模型訓(xùn)練的時(shí)序數(shù)據(jù)分解方法，將歷史KPI 指標(biāo)數(shù)據(jù)St分解成趨勢項(xiàng)trendt、周期項(xiàng)（dailyt,weeklyt）和誤差項(xiàng)ε。

b）將分解出的趨勢 trendt和周期項(xiàng)（dailyt,weeklyt），采用Prophet 模型預(yù)測獲得第t+3 天趨勢預(yù)測值 trendt+3和周期預(yù)測值（dailyt+3,weeklyt+3）。

c）將上述趨勢預(yù)測值trendt+3、周期預(yù)測值（dailyt+3,weeklyt+3）和誤差項(xiàng)ε集成得到第t+3 天小區(qū)KPI 指標(biāo)的預(yù)測值St+3，St+3=trendt+3+dailyt+3+weeklyt+3+ε。

4.2 動態(tài)門限

根據(jù)中心極限定理，如果一個(gè)事物受到多種因素的影響，不管每個(gè)因素本身是什么分布，它們疊加后結(jié)果的平均值呈現(xiàn)正態(tài)分布。因此實(shí)際值與預(yù)測值的差值即隨機(jī)序列呈現(xiàn)正態(tài)分布。正態(tài)分布的標(biāo)準(zhǔn)反映了組內(nèi)個(gè)體間的離散程度。如一個(gè)較大的標(biāo)準(zhǔn)差，表示大部分的數(shù)值和其平均值之間差異較大；一個(gè)較小的標(biāo)準(zhǔn)差，代表這些數(shù)值較接近平均值。

a）將歷史KPI指標(biāo)數(shù)據(jù)St與趨勢預(yù)測值trendt、周期預(yù)測值（dailyt,weeklyt）相減得到隨機(jī)序列Rt，Rt呈現(xiàn)正態(tài)分布，Rt=St-trendt-dailyt-weeklyt。

b）隨機(jī)序列Rt的標(biāo)準(zhǔn)差反映了實(shí)際KPI 指標(biāo)與KPI 指標(biāo)預(yù)測的離散程度，計(jì)算隨機(jī)序列Rt的標(biāo)準(zhǔn)差。

c）將第t+3 天小區(qū)KPI 指標(biāo)的預(yù)測值St+3與隨機(jī)序列Rt的標(biāo)準(zhǔn)差σ進(jìn)行集成得到第t+3天小區(qū)KPI指標(biāo)的動態(tài)門限d_threst+3，d_threst+3=St+3+σ。

4.3 相對門限和絕對門限

a）公司對各個(gè)KPI 指標(biāo)的健康度閾值有明確的要求，如4G 接通率不能低于90%，4G 掉話率不能高于5%等等。根據(jù)KPI指標(biāo)的健康度閾值，設(shè)置絕對門限a_thres。

b）落在動態(tài)門限和絕對門限之間的數(shù)據(jù)不一定很差。通過設(shè)置相對門限r(nóng)_thres，來控制派單量以及KPI 指標(biāo)異常程度。相對門限設(shè)置10 個(gè)等級，等級越大，相對門限越大，落在相對門限和絕對門限之間的概率越小，KPI 指標(biāo)越接近于絕對門限，KPI 指標(biāo)異常越嚴(yán)重；等級越小，相對門限越小，落在相對門限和絕對門限之間的概率越大，派單量也會越多。設(shè)相對門限等級為β。

5 實(shí)驗(yàn)分析

5.1 原始數(shù)據(jù)

本文所采用的數(shù)據(jù)集來自某省網(wǎng)優(yōu)某小區(qū)過去連續(xù)28 天的KPI 指標(biāo)，數(shù)據(jù)集中包含日期、4G 接通率等信息。在對原始數(shù)據(jù)分析的過程中，發(fā)現(xiàn)數(shù)據(jù)中存在格式的不一致性、空缺值和無用信息等噪聲數(shù)據(jù)，這些噪聲數(shù)據(jù)將會不利于模型的訓(xùn)練，需要對原始數(shù)據(jù)進(jìn)行預(yù)處理。

5.2 數(shù)據(jù)預(yù)測處理

數(shù)據(jù)格式。原始數(shù)據(jù)集中包含很多KPI 指標(biāo)，本文實(shí)驗(yàn)只是使用4G 接通率，因此需要對其他KPI指標(biāo)進(jìn)行過濾。在保證原始數(shù)據(jù)完整性和準(zhǔn)確性的同時(shí)，對原始數(shù)據(jù)格式進(jìn)行轉(zhuǎn)換，以滿足算法模型對數(shù)據(jù)的要求。

空缺值處理。原始數(shù)據(jù)中存在空缺值，如4G接通率在某一天的某個(gè)時(shí)刻沒有數(shù)值。本文采用上下均值替代法，即用空缺值時(shí)刻的上個(gè)時(shí)刻數(shù)據(jù)和下個(gè)時(shí)刻數(shù)據(jù)的均值來填補(bǔ)缺失的KPI指標(biāo)數(shù)據(jù)。經(jīng)過一系列對原始數(shù)據(jù)的分析與處理，得到適合模型訓(xùn)練的標(biāo)準(zhǔn)、連續(xù)的數(shù)據(jù)集。

5.3 參數(shù)說明

Prophet 本質(zhì)上是一種可分解的加法回歸模型，即按時(shí)序特征可將時(shí)序數(shù)據(jù)分解為非周期性變化的趨勢項(xiàng)、天或周的季節(jié)周期項(xiàng)和節(jié)假日效應(yīng)等。因此，Prophet 模型可以靈活地對各時(shí)序特征的參數(shù)進(jìn)行設(shè)置，這些參數(shù)值的大小分別表示各個(gè)特征對模型預(yù)測結(jié)果的貢獻(xiàn)度。通過分析模型的訓(xùn)練結(jié)果，可以調(diào)節(jié)各特征的參數(shù)，以便進(jìn)一步提升預(yù)測精確度。本文使用的Prophet算法的部分參數(shù)說明如表1所示。

5.4 實(shí)驗(yàn)結(jié)果

5.4.1 Prophet算法預(yù)測結(jié)果與分析

如圖3 所示，黑點(diǎn)表示某小區(qū)4G 接通率的真實(shí)數(shù)據(jù)，藍(lán)線表示預(yù)測值。從預(yù)測結(jié)果可以看出，模型對歷史數(shù)據(jù)有較好的擬合，自動調(diào)整歷史4G接通率數(shù)據(jù)中的異常點(diǎn)，減小異常點(diǎn)對擬合曲線的影響，預(yù)測結(jié)果較好地?cái)M合了大部分歷史數(shù)據(jù)的規(guī)律，并對未來3天的數(shù)據(jù)進(jìn)行預(yù)測，可以發(fā)現(xiàn)模型對KPI 指標(biāo)歷史規(guī)律的預(yù)測比較準(zhǔn)確。而且相較于傳統(tǒng)小區(qū)KPI突變檢測方法，能夠?qū)ξ磥?天的KPI指標(biāo)趨勢進(jìn)行預(yù)測。

表1 模型的參數(shù)

圖3 4G接通率KPI指標(biāo)預(yù)測值

5.4.2 動態(tài)門限結(jié)果分析

如圖4 所示，淺藍(lán)色部分表示某小區(qū)4G 接通率預(yù)測結(jié)果的動態(tài)門限。動態(tài)門限包含了大部分的真實(shí)值，在動態(tài)門限內(nèi)的數(shù)值都屬于正常KPI指標(biāo)，而超過動態(tài)門限的數(shù)值則屬于異常KPI指標(biāo)。相較于傳統(tǒng)小區(qū)KPI 突變檢測方法，動態(tài)門限更容易發(fā)現(xiàn)不符合歷史規(guī)律的KPI數(shù)值，值得運(yùn)維人員重點(diǎn)關(guān)注。

5.4.3 相對門限與絕對門限結(jié)果分析

如圖5 所示，較深藍(lán)色部分表示某小區(qū)4G 接通率預(yù)測結(jié)果的相對門限，深藍(lán)色部分表示預(yù)測結(jié)果的絕對門限。相對門限將動態(tài)門限和絕對門限之間的數(shù)據(jù)進(jìn)一步篩選，選取1 級相對門限，異常KPI 數(shù)據(jù)減少了20%。因此，相對門限對異常KPI 數(shù)據(jù)有進(jìn)一步的篩選作用，幫助運(yùn)維人員關(guān)注KPI 數(shù)據(jù)異常程度更高的時(shí)刻。

圖4 動態(tài)門限

圖5 相對門限與絕對門限

5.4.4 不同等級相對門限分析

如圖6 和圖7 所示，超過等級1 相對門限的KPI 數(shù)值有8 個(gè)，而超過等級3 相對門限的KPI 數(shù)值只有5個(gè)。因此，不同等級的相對門限，可以人為控制KPI指標(biāo)異常數(shù)量，減少預(yù)警次數(shù)。

圖6 等級1相對門限

圖7 等級3相對門限

如表2 所示，某小區(qū)4G 接通率從2020 年6 月3 日9 點(diǎn)開始發(fā)生異常，從11 點(diǎn)到14 點(diǎn)連續(xù)低于相對門限但未低于絕對門限，直到17 點(diǎn)4G 接通率突然惡化，直接低于絕對門限，降到74%?？梢园l(fā)現(xiàn)模型對KPI 指標(biāo)突然惡化有明顯的預(yù)警作用，如果運(yùn)維人員能夠在2020年6月3日9點(diǎn)到14點(diǎn)找到4G接通率KPI指標(biāo)異常原因，那么17 點(diǎn)就不會發(fā)生4G 接通率突然惡化，也不會造成用戶投訴。

表2 2020年6月3日4G接通率實(shí)際值與3個(gè)門限

5.5 應(yīng)用效果

目前該方法已經(jīng)在某省聯(lián)通無線網(wǎng)運(yùn)營中心進(jìn)行試點(diǎn)使用，根據(jù)“區(qū)域”模塊可選擇全網(wǎng)小區(qū)、重點(diǎn)場景、網(wǎng)格、區(qū)縣分公司等指定區(qū)域，通過時(shí)間和相對門限等級選擇，可以自動對比絕對門限篩選出不同KPI 的TOP 小區(qū)，便于后臺指標(biāo)監(jiān)控人員實(shí)時(shí)掌握不同區(qū)域的KPI突變情況（見圖8）。

圖8 無線網(wǎng)絡(luò)突變小區(qū)智能識別應(yīng)用

通過點(diǎn)擊任意KPI指標(biāo)表盤中的“超過動態(tài)門限”區(qū)域，可顯示出超過動態(tài)門限的TOP 小區(qū)具體分析結(jié)果及指標(biāo)變化趨勢圖，隨時(shí)掌握TOP 小區(qū)指標(biāo)突變時(shí)刻及歷史趨勢。

6 結(jié)束語

本文構(gòu)建了一種基于Prophet 時(shí)序算法的無線網(wǎng)絡(luò)突變小區(qū)識別方法，對突變小區(qū)KPI指標(biāo)進(jìn)行識別，實(shí)驗(yàn)結(jié)果表明，該方法將KPI指標(biāo)歷史數(shù)據(jù)擬合，可發(fā)現(xiàn)歷史KPI指標(biāo)的分布規(guī)律，通過動態(tài)門限、相對門限和絕對門限精確地識別突變KPI 指標(biāo)，使運(yùn)維人員及時(shí)掌握網(wǎng)絡(luò)性能，降低誤報(bào)和錯(cuò)報(bào)異常，提升網(wǎng)絡(luò)優(yōu)化效率和質(zhì)量。目前，該方法是對4G 網(wǎng)絡(luò)KPI指標(biāo)進(jìn)行突變檢測，將來還可以應(yīng)用到對5G 網(wǎng)絡(luò)KPI指標(biāo)突變檢測。后續(xù)工作將考慮多維度KPI 指標(biāo)關(guān)聯(lián)和KPI突變根因定位等，探索更加準(zhǔn)確、適應(yīng)范圍更廣的預(yù)測模型。