1.一种于贝叶斯网的移动基站投诉根因分析方法,其特征在于,包括以下步骤:S1:根据描述业务知识的关联规则构建贝叶斯网,具体方法如下:
S1.1:针对当前用户投诉信息,定位到用户所在区域对应移动基站,获取该移动基站与当前用户投诉问题相同的N条历史投诉根因分析记录,历史投诉根因分析记录包括投诉问题、投诉发生所在区域的移动基站异常运维变量和取值;基于历史投诉根因分析记录,建立变量集Q=(x1,…,xi,…,xN,xN+1),其中xn表示第n个运维变量,其对应的可能取值数量记为Mn,n=1,2,…,N,xN+1表示用户投诉变量,其取值数量MN+1=2,分别为0和1,xN+1=1表示用户投诉,xN+1=0表示用户未投诉;
S1.2:采用下式计算变量集Q中任意两个变量xi和xj之间的支持度sup(xi,xj):其中,i,j=1,2,…,N且i≠j,#(xi,xj)表示变量xi和xj在历史投诉根因分析记录中同时出现的次数;
设定最小支持度supmin,0≤supmin≤1,通过检索找到所有满足sup(xi,xj)≥supmin的变量对,记筛选出的变量对数量为W,生成频繁二项集V=(v1,…,vw,…,vW),其中vw表示基于支持度筛选出的第w个变量对分别表示第w个变量对中的两个变量,w=1,2,…,W,1≤iw,jw≤N且iw≠jw;
S1.3:设定最小置信度cmin,0≤cmin≤1,采用下式计算频繁二项集V中每个变量对的置信度其中,表示变量和在历史投诉根因分析记录中同时出现的次数,表示历史投诉根因分析记录中变量出现的次数;
然后通过检索找到所有满足的变量对,并将筛选出的变量对按照置信度从大到小进行排列,记筛选出的变量对数量为T,第t个变量对为分别表示第t个变量对中的两个变量,r=1,2,…,T,1≤it,jt≤N且it≠jt;根据变量对生成变量强关联规则构成变量强关联规则集R=(r1,…,rt,…,rT),其中,rt表示变量强关联规则S1.4:根据变量强关联规则集R中的强关联规则生成贝叶斯网的有向无环图,具体步骤为:以变量集Q中的变量作为贝叶斯网的节点,并依次取出变量强关联规则集R中每条变量强关联规则若贝叶斯网中变量和之间不存在有向边,则生成一条变量指向变量的有向边,从而得到贝叶斯网的有向无环图;
然后基于贝叶斯网的有向无环图和移动基站运维数据,采用最大似然估计得到有向无环图中每个变量xi的条件概率参数计算公式如下:其中,qi,h为变量xi的父节点集π(xi)中节点的第h个取值组合,h=1,2,…,Hi,Hi为父节点集π(xi)中节点的取值组合数量,为运维变量xi的第mi个可能取值,mi=0,1,…,Mi-1,#()为搜索满足条件的运维数据记录数;
S2:生成贝叶斯网中各个变量的嵌入向量,具体方法如下:
S2.1:根据有向无环图的变量集Q进行S次采样生成S个样本,构成采样样本集Dc=(Dc,1,…,Dc,s,…,Dc,S),Dc,s表示第s个样本,s=1,2,…,S,每次采样生成样本的具体过程如下:以变量集Q=(x1,…,xi,…,xN,xN+1)中变量顺序作为采样顺序逐个采样,根据前向采样算法,对于变量xi,如果是贝叶斯网有向无环图中的根节点,则采样取值按P(xi)的概率进行采样;如果变量xi不是根节点,则采样取值按P(xi|π(xi)=qi)的概率进行采样,记变量xi的取值为的概率为生成随机数ram,0<ram<1,如果其中pi,-1=0,则将变量xi赋值为第mi个可能取值;
S2.2:根据采样样本集Dc,采用如下公式计算不同运维变量对不同取值组合的点互信息值其中,表示采样样本集D中变量xi的取值为的样本数量,表示采样样本集D中变量xj的取值为的样本数量,mj=0,1,…,Mj-1,Mj表示变量xj的可表示能取值数量;表示采样样本集D中同时满足变量xi的取值为且运维变量xj的取值为的样本数量;
然后根据构建得到大小为G×G的点互信息矩阵W,其中
S2.3:采用如下公式计算变量关联矩阵MOBN:
MOBN=W-logβ
其中,β表示贝叶斯网中不相邻的节点对数量;
S2.4:对变量关联矩阵MOBN采用低秩分解进行降维,所得到大小为G×d的矩阵作为嵌入矩阵Y,其中每一行作为对应变量取值的嵌入向量;
S3:基于变量嵌入向量进行概率推理,得到各变量发生故障的条件概率,具体方法如下:S3.1:根据嵌入矩阵Y,得到变量xi的取值为时的嵌入向量以及变量xj的取值为时的嵌入向量计算得到嵌入向量和嵌入向量之间的相似度S3.2:基于变量及其邻居的嵌入向量之间的相似度来计算变量xi取值为的概率计算方法如下:记变量xi的邻居变量集合为Nei,对于邻居变量集合Nei中每个变量xj′,记嵌入向量和嵌入向量之间的相似度为xj′∈Nei,mj′=0,1,…,Mj′-1,Mj′表示变量xj′的可能取值数量;然后计算嵌入向量与邻居变量集合Nei所有变量xj′在不同取值时嵌入向量相似度的平均值然后采用如下公式计算得到变量xi取值为的概率S3.3:以用户投诉变量xN+1作为证据节点,遍历各个运维变量xn,根据如下步骤进行贝叶斯网近似推理,计算运维变量xn在不同取值时发生故障的条件概率具体步骤如下:(1)初始化在各个运维变量xn取值为的数量
(2)令用户投诉变量xN+1的取值为1,然后随机生成变量集Q中每个运维变量的取值,初始化得到运维推理样本Do,1,令运维推理样本序号z=1;
(3)对于每个运维变量xn,如果运维推理样本Do,z中运维变量则令否则不作任何操作;
(4)基于运维推理样本Do,z生成新的运维推理样本Do,z+1,具体方法为:根据变量集Q中每个运维变量的序号对运维变量进行重新采样,对于运维变量xn生成随机数ram′n,如果其中P(xn=kn,-1)=0,则将运维变量xn的取值更新为其第mn个可能取值;
(5)判断是否z<Z,Z为预设的运维推理样本数量,如果是,令z=z+1,返回步骤(3),否则进入步骤(6);
(6)基于生成的Z个运维推理样本Do,z,采用如下公式计算在用户投诉下已知基站发生故障时每个运维变量发生故障的条件概率S4:基于用户投诉情形下运维变量发生故障的条件概率,根据如下公式计算运维变量xn取值为和下的条件概率差值的绝对值其中,mn,m′n=0,1,…,Mn-1,mn≠m′n;
采用如下公式计算运维变量xn在取值为下对基站故障的贡献度
其中,vdmax(xn)表示运维变量xn取值对的条件概率差值中的最大值,表示向上取整;
采用如下公式计算运维变量xn的贡献度db(xn):
根据贡献度从大到小对运维变量进行排序,将前γ个运维变量构成移动基站投诉根因集合,γ的大小根据实际需要进行设置。
2.根据权利要求1所述的移动基站投诉根因分析方法,其特征在于,所述步骤S2.1中采样样本的数量S采用如下方法确定:设置采样样本数量的初始值S0,然后逐步增大采样样本数量,对于每个采样样本数量,统计根据前向采样算法得到的每个条件概率参数与基于贝叶斯网的条件概率表中的对应条件概率参数之间差值的平均值,如果差值平均值小于预设的阈值,则将当前采样样本数量作为最终的采样样本数量S。
3.根据权利要求1所述的移动基站投诉根因分析方法,其特征在于,所述步骤S2.4中对变量关联矩阵MOBN进行低秩分解的方法为:最小化如下损失函数J,将变量关联矩阵MOBN近似地采用其前d维的矩阵进行表示:其中,λg为矩阵MOBN-UdΣd(Vd)T的特征值;
然后采用奇异值分解方法将分解如下:
得到矩阵的两个低维矩阵和将低维矩阵U作为变量关联矩阵MOBN的嵌入矩阵Y。