基于機(jī)器學(xué)習(xí)lightgbm算法的運(yùn)營商基站退服預(yù)測研究

龍克樹 楊鑫 楊靖

摘要：文章研究目的是將機(jī)器學(xué)習(xí)的前沿技術(shù)應(yīng)用于通信行業(yè)的基站退服預(yù)測模型當(dāng)中，大幅提高預(yù)測精度，降低人工維護(hù)成本。本文首先介紹了運(yùn)營商基站當(dāng)前的維護(hù)現(xiàn)狀及預(yù)測退服的必要性，然后對lightgbm算法進(jìn)行了介紹，最后以告警類型、數(shù)量、時(shí)間等作為模型基礎(chǔ)進(jìn)行退服預(yù)測，具有較高的實(shí)用價(jià)值。

關(guān)鍵詞：機(jī)器學(xué)習(xí);基站;退服預(yù)測

隨著人民生活水平不斷提高，通信行業(yè)的高速發(fā)展，各運(yùn)營商為提升服務(wù)質(zhì)量不斷加快自身基站建設(shè)，服務(wù)體驗(yàn)確實(shí)得到了優(yōu)化，但帶來的設(shè)備故障維護(hù)成本也隨著增加，特別是與基站退服方面相關(guān)的監(jiān)控設(shè)備型號眾多、告警類別繁雜、告警次數(shù)頻繁，維護(hù)人員無法在海量的告警數(shù)據(jù)中獲取有效價(jià)值信息。

（一）運(yùn)營商基站退服告警現(xiàn)狀

目前各大運(yùn)營商均擁有基站跨域設(shè)備監(jiān)控系統(tǒng)，系統(tǒng)每日產(chǎn)生海量告警數(shù)據(jù)，基站設(shè)備告警和故障維護(hù)以簡單的“閾值線”判斷為依據(jù)，以工單派發(fā)、人為核實(shí)作為主要形式，因各類告警頻繁、無序、關(guān)系復(fù)雜等原因，維護(hù)人員無法在故障真正來臨前進(jìn)行維護(hù)、勘察。

（二）運(yùn)營商基站退服預(yù)測重要性

基站告警數(shù)據(jù)的分析、管理、應(yīng)用是維護(hù)工作質(zhì)量提升的參考依據(jù)，如能充分挖掘海量歷史告警數(shù)據(jù)的關(guān)聯(lián)關(guān)系，通過機(jī)器學(xué)習(xí)模型構(gòu)建、特征分析、模型訓(xùn)練等流程判斷出即將發(fā)生如“小區(qū)不可用告警”或“網(wǎng)元鏈接中斷”等核心故障現(xiàn)象。

基站退服預(yù)測問題實(shí)際可轉(zhuǎn)化基于時(shí)序數(shù)據(jù)的二分類問題，機(jī)器學(xué)習(xí)中有眾多分類、關(guān)聯(lián)分析算法，如決策樹C4.5、Apriori、FP-growth、Lightgbm等。

本研究采用的是LightGBM算法，它是一種基于Histogram（直方圖）的決策樹算法，是對GBDT（GradientBoostingDecisionTree，梯度提升決策樹）的高效實(shí)現(xiàn)，采用損失函數(shù)的負(fù)梯度作為當(dāng)前決策樹的殘差近似值，用于擬合新決策樹，算法通過采用基于梯度的單邊采樣、互斥特征捆綁等方式大幅提高了算法精度，加快了訓(xùn)練速度，同時(shí)還降低了訓(xùn)練時(shí)所需存儲，是目前機(jī)器學(xué)習(xí)領(lǐng)域最為主流的算法之一。

（一）基站數(shù)據(jù)預(yù)處理

為提高模型訓(xùn)練精準(zhǔn)度及訓(xùn)練速度，需要對原始基站告警數(shù)據(jù)進(jìn)行數(shù)據(jù)觀察和預(yù)處理，具體過程包括數(shù)據(jù)最大值、最小值、中位數(shù)、均值等進(jìn)行查看，數(shù)據(jù)去重、填充、排序等特殊處理，原始數(shù)據(jù)僅包括告警開始時(shí)間、基站名稱、類型三個(gè)字段。

（二）模型特征工程

在模型訓(xùn)練開始之前，需先進(jìn)行特征工程構(gòu)建，研究通過告警時(shí)間、基站告警類型、基站告警數(shù)量、告警關(guān)系等維度構(gòu)建模型特征。

告警時(shí)間維度包括：告警發(fā)生的年、月、日、時(shí)、分、秒、上午、中午、下午、晚上、是否周末、月上旬、月中旬、月下旬等;

基站告警類型包括：RRU類、傳輸類、電源類、基站設(shè)備類、時(shí)鐘源類、數(shù)據(jù)配置類、天饋類等;

基站告警數(shù)量包括：距離目標(biāo)日前1-N天的告警次數(shù)、故障次數(shù)、告警天數(shù)、故障天數(shù)、單日平均告警次數(shù)、異常類告警數(shù)、射頻類告警數(shù)、BBU告警數(shù)、RHUB告警數(shù)等。

（三）預(yù)測模型構(gòu)建

本研究使用的當(dāng)前機(jī)器學(xué)習(xí)當(dāng)中的LightGBM算法對樣本數(shù)據(jù)的基站退服情況進(jìn)行預(yù)測分析，模型構(gòu)建過程包括數(shù)據(jù)核查、預(yù)處理，創(chuàng)建特征，訓(xùn)練集、驗(yàn)證集、測試集構(gòu)建，模型訓(xùn)練，網(wǎng)格搜索參數(shù)調(diào)優(yōu)等，圖4.1是模型構(gòu)建流程圖，如下：

（四）模型評估及參數(shù)調(diào)優(yōu)

LightGBM可通過指定部分超參數(shù)來優(yōu)化預(yù)測效果及訓(xùn)練速度，具體包括控制參數(shù)、核心參數(shù)、度量參數(shù)等。

當(dāng)模型參數(shù)取值如表4.1所示時(shí)，經(jīng)過5次交叉驗(yàn)證，模型訓(xùn)練集的對數(shù)損失率是18.45%，auc達(dá)到85.65%;校驗(yàn)集的對數(shù)損失率是18.45%，校驗(yàn)集auc達(dá)到85.78%，模型準(zhǔn)確率達(dá)到92.38%，模型精確度取到最大值0.8231，即此模型可在一定條件下有效預(yù)測基站退服。

上述研究表明模型通過基站告警發(fā)生的時(shí)間、類型、數(shù)量、告警間關(guān)聯(lián)關(guān)系等維度數(shù)據(jù)預(yù)測未來某一時(shí)段基站發(fā)生退服的概率值，讓廣大員工從海量、無效的告警中得到最有價(jià)值的信息，提高了維護(hù)效率，實(shí)現(xiàn)用戶的無故障感知使用，切實(shí)提升品牌服務(wù)質(zhì)量，降低潛在用戶投訴風(fēng)險(xiǎn)。

參考文獻(xiàn)：

[1]石少民.數(shù)據(jù)挖掘在移動(dòng)基站退服故障預(yù)測中的研究[D].新疆大學(xué)，2019.

[2]杜麗英.基于決策樹的C4.5算法[J].輕工科技，2013，29（10）：59+117.

[3]阮超凡.移動(dòng)基站告警數(shù)據(jù)處理分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].大連理工大學(xué)，2016.

[4]邢紅梅，陳欣，王慧.基于LightGBM模型的文本分類研究[J].內(nèi)蒙古工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，39（01）：52-59.

龍克樹，男，中國移動(dòng)通信集團(tuán)貴州有限公司，工程師;楊鑫，男，中國亞信科技有限公司，工程師;楊靖，女，中國移動(dòng)通信集團(tuán)貴州有限公司，工程師。