[发明专利]一种基于人工智能的网元设备故障预测方法及系统

权利要求书

1.一种基于人工智能的网元设备故障预测方法，其特征在于，包括：

步骤S1，采集网元设备的多个特征的历史数据；

步骤S2，对所述历史数据通过分类模块进行处理得到一历史数据分类集合，所述历史数据分类集合包括所述历史数据的故障类型及对应的概率；

步骤S3，通过时间序列分析模块以预定时间预测所述历史数据得到预定时间后的特征数据，对所述预定时间后的特征数据通过所述分类模块进行处理得到一预测数据集合，所述预测数据集合包括可能发生的故障类型及对应的概率；

步骤S4，基于所述历史数据分类集合和所述预测数据集合进行加权累加得到判断集合，所述判断集合包括故障类型及对应的概率。

2.根据权利要求1所述的网元设备故障预测方法，其特征在于，步骤S2包括：

步骤S21，将所述历史数据通过所述第一分类模块预训练处理得到第一集合；

步骤S22，将所述历史数据通过所述第二分类模块预训练处理得到第二集合；

步骤S23，将所述第一分类模块和所述第二分类模块进行模型融合，得到融合后的故障类型及对应的概率，通过对所述故障类型及对应的概率加权累加得到所述历史数据分类集合。

3.根据权利要求2所述的网元设备故障预测方法，其特征在于，步骤S3包括：

步骤S31，将所述历史数据输入至对应的所述时间序列分析模块；

步骤S32，将所述历史数据的数值按其先后发生的时间顺序排列，对所述历史数据进行预训练处理；

步骤S33，预测每一所述历史数据的数值于所述预定时间后的数值，得到所述预定时间后的特征数据。

4.根据权利要求3所述的网元设备故障预测方法，其特征在于，步骤S33之后还包括：

步骤S34，将所述预定时间后的特征数据通过所述第一分类模块预训练处理得到第三集合；

步骤S35，将所述预定时间后的特征数据通过所述第二分类模块预训练处理得到第四集合；

步骤S36，将所述第一分类模块和所述第二分类模块进行模型融合，得到融合后的故障类型及对应的概率，通过对所述故障类型及对应的概率加权累加得到所述预测数据集合。

5.根据权利要求4所述的网元设备故障预测方法，其特征在于，步骤S4之后还包括：

步骤S5，人工校验所述判断集合，并依据实际故障类型及对应的概率更新所述第一分类模块以及所述第二分类模块；

步骤S6，依据当前时刻的所述历史数据跟新所有所述时间序列分析模块。

6.一种基于人工智能的网元设备故障预测系统，应用于权利要求1-5中任意一项所述的网元设备故障预测方法，其特征在于，包括：

特征数据采集模块，用于采集所述网元设备的多个所述特征的所述历史数据；

所述分类模块，连接所述特征数据采集模块以及所述时间序列分析模块；

多个所述时间序列分析模块，连接所述特征数据采集模块，每一所述时间序列分析模块对应接收一所述特征的所述历史数据。

7.根据权利要求6所述的网元设备故障预测系统，其特征在于，所述特征数据采集模块包括：

服务展示及能力开放层，用于向用户提供应用操作界面；

核心能力层，连接所述服务展示及能力开放层的能力输出接口，用于功能管理；

数据处理及采集配置层，连接所述网元设备。

8.根据权利要求6所述的网元设备故障预测系统，其特征在于，所述分类模块包括所述第一分类模块以及所述第二分类模块。

9.根据权利要求6所述的网元设备故障预测系统，其特征在于，所述特征数据包括：控制器、端口流量、光功率以及错包率的至少一种。