基于深度自编码器的移动通信基站异常度检测

传统的运维模式已无法满足4G以及5G网络运维的需要,运用人工智能和大数据等新技术,实现主动运维、快速运维和精准运维已成为网络运维发展的新趋势。基站异常检测是新型运维模式的一项重要内容,因此提出一种基于深度自编码器的基站异常度检测方法。首先对故障告警、相关性能KPI以及OMC运维指标分别建立稀疏降噪自编码器模型,然后综合三个模型的结果,对基站进行全面的异常度评测。该方法具有准确性高、评测粒度细、容易实施等特点,经过实际的试点应用,验证了该方法的有效性,为后续网络运维部门进行基站精准巡检以及进一步实现智能运维提供了可靠的数据支撑。

基于深度学习的基站设备灰尘隐患识别方法研究

由于基站设备大多会自带静电,很容易吸附灰尘,产生基站设备通风散热不良、温度过高等问题,从而影响基站设备的正常运行。目前,移动运营商在委派基站巡检人员对基站进行巡检并除尘时,巡检人员仅通过肉眼来判断设备是否存在灰尘,无法及时发现与清除灰尘,并且没有智能化判断除尘是否完成的手段。因此,研究基于深度学习的基站设备灰尘隐患识别方法,以高效支撑基站巡检工作。

基于深度学习的时序预测算法研究综述

时序数据的预测作为数据挖掘、智能运维等领域的研究重点,在各个行业的决策中发挥着重要作用。基于深度学习的时序预测算法,通常可分为基于循环神经网络、基于卷积神经网络和基于Transformer模型架构。主要针对这3种类型的时序预测算法,研究近年来相关算法的技术要点,对电力、交通、气象等数据进行实验分析对比不同算法优缺点,并对未来时序预测算法的研究进行展望。