故障原因定位方法、装置、电子设备及存储介质与流程

1.本申请涉及通信技术领域，尤其涉及一种故障原因定位方法、装置、电子设备及存储介质。


背景技术：

2.通信运营商在为用户提供通信业务服务的过程中，若通信业务发生大面故障，相应覆盖范围内的用户业务会受到影响，用户的服务的投诉可能骤升，甚至导致企业形象受损和业务下滑。
3.目前，对于大面积故障的原因定位，大多采用人工分析的方式，大面积故障的原因定位分析时，依赖于分析者对业务逻辑的熟练掌握和精准的资源拓扑，且不论业务逻辑的掌握能力非一日之功，资源拓扑的清查也不可一蹴而就，因此采用人工分析的方式，大面积故障的原因定位效率和准确率都难以达到期望的要求。
4.因此，在面对大面积故障发生时，如何快速而准确地定位故障原因，以支撑维护处理过程，减低大面积故障带来的损失，已成为现有技术中亟待解决的问题。


技术实现要素：

5.本申请实施例提供一种故障原因定位方法、装置、电子设备及存储介质，以至少解决相关技术中大面积故障原因定位效率和准确率低的问题。
6.本申请的技术方案如下：
7.一种故障原因定位方法，包括：
8.对故障管理系统上报的历史告警数据进行预处理；
9.通过pso算法优化训练模型的初始权值阈值至所述训练模型对应的目标函数算法收敛；
10.基于寻优的所述初始权值阈值，将预处理后的所述历史告警数据作为所述训练模型的输入、所述历史告警数据对应的故障原因作为所述训练模型的输出进行训练，得到故障原因定位模型。
11.一种故障原因定位装置，包括：
12.预处理模块，被配置成对故障管理系统上报的历史告警数据进行预处理；
13.优化模块，被配置成通过pso算法优化训练模型的初始权值阈值至所述训练模型对应的目标函数算法收敛；
14.训练模块，被配置成基于寻优的所述初始权值阈值，将预处理后的所述历史告警数据作为所述训练模型的输入、所述历史告警数据对应的故障原因作为所述训练模型的输出进行训练，得到故障原因定位模型。
15.一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述所述的方法步骤。
16.一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序
被处理器执行时实现上述所述的方法步骤。
17.本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
18.由于故障原因定位模型是在通过pso算法优化训练模型的初始权值阈值至算法收敛的情况下，以故障管理系统上报的历史告警数据作为训练模型的输入、历史告警数据对应的故障原因作为训练模型的输出进行训练得到的，因此通过该故障原因定位模型能够快速准确的得出大面积故障的故障原因，以支撑维护处理过程，减低大面积故障带来的损失。
附图说明
19.此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
20.图1为本申请实施例提供的应用环境示意图。
21.图2为本申请实施例提供的故障原因定位方法的流程图。
22.图3为本申请实施例提供的通过pso算法优化训练模型的初始权值阈的流程图。
23.图4为本申请实施例提供的基于故障原因定位模型进行故障原因定位的流程图。
24.图5为本申请实施例提供的电子设备的结构示意图。
25.图6为本申请实施例提供的故障原因定位装置的结构示意图。
具体实施方式
26.为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
27.为了在通信业务发生大面积故障时，能够快速而准确地定位故障原因，本申请实施例提供了一种故障原因定位方法、装置、电子设备及存储介质，该故障原因定位方法、装置、电子设备及存储介质能够在通信运营商为用户提供的通信业务发生大面积故障时，快速准确地定位出故障原因。
28.首先，为了更直观地理解本申请实施例提供的方案，下面结合图1，对本申请实施例提供的故障原因定位模型训练方案的系统架构进行说明。
29.如图1所示，是本申请一个或多个实施例提供的故障原因定位方法、装置、电子设备及存储介质的应用环境示意图。如图1所示，电子设备100通过网络300与故障管理系统200通信连接，以进行数据通信或交互。所述电子设备100可以是服务器或用户终端设备(如个人电脑)等。所述故障管理系统可以是在为用户提供通信业务服务过程中用于采集传输业务告警、动环监控告警、无线业务告警以及家庭宽带业务告警等的服务器。所述网络300可以是有线或无线网络。
30.下面将对本申请实施例提供的故障原因定位方法进行详细说明。
31.本申请实施例提供的故障原因定位方法可应用于电子设备100，为了便于描述，除特别说明外，本申请实施例均以电子设备100为执行主体进行说明。
32.可以理解，所述执行主体并不构成对本申请实施例的限定。
33.具体的，该故障原因定位方法如图2所示，可以包括如下步骤：
34.步骤s21，对故障管理系统上报的历史告警数据进行预处理。
35.本申请实施例中，历史告警数据可以是故障管理系统之前上报一定时间段内的传输业务告警、动环监控告警、无线业务告警以及家庭宽带业务告警等告警的数量。
36.其中，无线业务告警可以包括基站退服和基站侧点云类告警，传输业务告警可以包括分组传送网(packet transport network，ptn)/同步数值系统(synchronous digital hierarchy，sdh)侧通断类告警、ptn/sdh温度类告警、ptn/sdh设备类告警、ptn/sdh性能类告警、波分线路侧通断类告警、波分温度类告警、波分设备类告警以及波分性能类告警等，动环监控告警可以包括动环监控停电类告警和动环监控电压类告警，家庭宽带业务告警可以包括光线路终端(optical line terminal，olt)退服类告警。
37.该一定时间段可以根据实际情况设定，例如可以设置为15分钟、30分钟等。其中，动环监控告警上报的时间间隔可以相对设置长一些。
38.历史告警数据可能存在一定的噪声数据，因此在对历史告警数据进行预处理时，可先对历史告警数据进行去燥，剔除掉历史告警数据中无效数据和错误数据。其中，无效数据和错误数据主要是指其中一些偏离正常范围内的数据，如告警数量为非整数或负数，或者告警数量远超正常值等。
39.例如，一历史告警数据为(5、7、4、2.8、6)，其中的5个数字分别代表5类不同类型告警的数量。由于历史告警数据是故障管理系统之前上报一定时间段内的传输业务告警、动环监控告警、无线业务告警以及家庭宽带业务告警等告警的数量，必然为0或正整数，因此该历史告警数据中的2.8这一项数据明细是有误的，此时需对该项异常的数据进行剔除。
40.剔除掉历史告警数据中无效数据和错误数据后，可补全史告警数据中缺失的数据。数据补全可以采用，但不限于均值替换法、回归替换法等，本申请实施例中不做具体限定。
41.可以理解的，若历史告警数据中不存在偏离正常范围内的数据，则可以不对其进行数据剔除和补全。
42.在数据补全后，在对数据补全的历史告警数据进行归一化处理，得到一多维向量。本申请实施例中，历史告警数据中包括一定时间段内的基站退服类告警数量、基站侧点云类告警数量、ptn/sdh侧通断类告警数量、ptn/sdh温度类告警数量、ptn/sdh设备类告警数量、ptn/sdh性能类告警数量、波分线路侧通断类告警数量、波分温度类告警数量、波分设备类告警数量、波分性能类告警数量、动环监控停电类告警数量、动环监控电压类告警数量以及olt退服类告警数量等共计13类告警的告警数量，因此在进行归一化后，可得到一个包含13个维度数据的多维向量。
43.步骤s22，通过pso算法优化训练模型的初始权值阈值至训练模型对应的目标函数算法收敛。
44.请参阅图3，步骤s22包括如下的步骤：
45.s31，在经过pso算法的种群初始化、适应度计算、个体最优粒子更新和全局最优粒子更新后，计算种群中全局最优粒子的变异概率。
46.标准的pso算法具有种群初始化、适应度计算、个体最优粒子更新和全局最优粒子更新四个步骤，本申请实施例中不做具体说明。
47.在标准的pso算法中，粒子下一时刻的速度和位置均取决于当前位置和当前速度，
而当前位置由上一时刻速度、个体极值和全局最优极值共同决定。若算法早熟收敛，则全局最优极值未必是全局最优。因此，在经过pso算法的种群初始化、适应度计算、个体最优粒子更新和全局最优粒子更新后，还新增全局最优自变异操作，以扩展粒子的搜索空间。
48.具体的，首先计算种群中全局最优粒子的变异概率，全局最优粒子的变异概率的计算公式为其中，k为迭代次数，ρ为改变指数曲线变化率的扩张常数，为第k代的种群适应度方差，p
max
为变异概率的最大值，p
min
为变异概率的最小值。
49.s32，基于全局最优粒子的变异概率，对全局最优极值执行变异。
50.由上式可得，粒子越靠近，种群多样性越不显著，群体适应度方差越小，对应的全局最优极值的变异概率越大。反之，种群多样性越显著，全局最优极值的变异概率越小。当种群适应度方差越大时，全局极值变异概率越小越好，引入的指数函数具有较快的下降趋势，恰好与之吻合，使得pso算法变异速度较优。
51.因此引入一随机数λ，由该随机数λ和全局最优粒子的变异概率来对全局最优极值执行变异。对全局最优极值执行变异的计算公式为其中，λ为一随机数，η是满足标准正态分布的随机数，gaussian(σ)是服从高斯分布且标准差为σ的随机数。
52.s33，更新种群中的粒子的速度和位置以寻找全局最优极值。
53.其中，更新种群中的粒子的速度和位置的计算公式为和x
k 1
＝x
k
v
k 1
，其中，ω为惯性权重，r1和r2为分布于0到1区间的随机数，k是当前迭代次数，为第k次迭代时个体最优粒子位置，为第k次迭代时全局最优粒子位置(全局最优极值)，c1和c2为常数，v
k
为第k次迭代时的速度，v
k 1
为第k 1次迭代时的速度，x
k
为第k次迭代时的粒子位置，x
k 1
为第k 1次迭代时的粒子位置。
54.更新种群中的粒子的速度和位置以后，即可根据更新后的粒子速度和位置得到更新后的全局最优极值。
55.s34，判断是否满足收敛条件，如果否，则执行步骤s35；如果是，则执行步骤s36。
56.其中，是否满足收敛条件可以是全局最优极值作为训练模型初始的权值阈值并使得训练模型对应的目标函数算法收敛或pso算法的迭代次数达到预设的次数。
57.例如，设定pso算法的的迭代次数为50次，当前迭代的次数刚好是第50次，则本次迭代后计算得到的全局最优极值可以作为训练模型的初始权值阈值。
58.本申请实施例中，可将每次更新得到的全局最优极值作为训练模型的初始权值阈值进行运算，并计算训练模型的输出值与实际值之间的误差，若训练模型的输出值与实际值之间的误差小于预先设定的阈值，则说明当前的全局最优极值满足收敛条件。
59.本申请实施例中，所述训练模型为bp神经网络模型。
60.步骤s35，迭代更新全局最优极值。
61.如果不满足收敛条件，则重新进行个体最优粒子更新、全局最优粒子更新以及全局最优自变异操作，然后再更新种群中的粒子的速度和位置以更新全局最优极值，直到满
足收敛条件。
62.步骤36，将全局最优极值作为训练模型的初始权值阈值。
63.若当前的全局最优极值满足收敛条件，则可将当前的全局最优极值作为训练模型的初始权值阈值。
64.步骤s23，基于寻优的初始权值阈值，将预处理后的历史告警数据作为训练模型的输入、历史告警数据对应的故障原因作为训练模型的输出进行训练，得到故障原因定位模型。
65.在确定出训练模型的初始权值阈值后，可将全局最优极值作为训练模型的初始权值阈值，预处理后的历史告警数据作为训练模型的输入、历史告警数据对应的故障原因作为训练模型的输出进行训练，得到故障原因定位模型。
66.其中，历史告警数据对应的故障原因可来源于维护人员回复的真实原因。
67.模型的训练过程为现有技术，在此不再赘述。
68.步骤s24，基于故障原因定位模型进行故障原因定位。
69.请参阅图4，基于故障原因定位模型进行故障原因定位可以包括如下步骤：
70.步骤s241，接收故障管理系统上报的当前告警数据。
71.步骤s242，对当前告警数据进行预处理。
72.其中，对当前告警数据进行预处理包括对当前报警数据进行去噪、数据补全和归一化处理，具体过程在此不再赘述。
73.步骤s243，将预处理后的当前告警数据输入到预先训练的故障原因定位模型，以得到与当前告警数据对应的故障原因。
74.本申请实施例提供的故障原因定位方法，由于故障原因定位模型是在通过pso算法优化训练模型的初始权值阈值至算法收敛的情况下，以故障管理系统上报的历史告警数据作为训练模型的输入、历史告警数据对应的故障原因作为训练模型的输出进行训练得到的，因此通过该故障原因定位模型能够快速定位出大面积故障的故障原因，以支撑维护处理过程，提升故障处置效率，提升用户体验，减低大面积故障带来的损失。同时，由于在经过标准的pso算法后还新增全局最优自变异操作，并基于高斯分布随机数和正态分布随机数进行变异，具有较复杂的变异情形，丰富了变异方向的多样性，使得pso能收敛到较优的全局最优极值，使得训练得到的故障原因定位模型能够准确定位出故障原因，提升故障原因定位的准确性。另外，无需对全专业业务逻辑的熟练掌握即可准确定位故障原因，使用便捷，有益于技术的推广普及，无需持久的、大规模的资源清查攻坚战，消除了对资源壁垒的依赖性，节约资源整治成本，提高经济效益。
75.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
76.图5是本申请的一个实施例电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储
器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
77.处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industry standardarchitecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standardarchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
78.存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
79.处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成故障原因定位装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
80.对故障管理系统上报的历史告警数据进行预处理；
81.通过pso算法优化训练模型的初始权值阈值至所述训练模型对应的目标函数算法收敛；
82.基于寻优的所述初始权值阈值，将预处理后的所述历史告警数据作为所述训练模型的输入、所述历史告警数据对应的故障原因作为所述训练模型的输出进行训练，得到故障原因定位模型；
83.基于所述故障原因定位模型进行故障原因定位。
84.上述如本申请图2-4所示实施例揭示的故障原因定位装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
85.该电子设备还可执行图2-4的方法，并实现故障原因定位装置在图2-4所示实施例的功能，本申请实施例在此不再赘述。
86.当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
87.本申请实施例提供的电子设备，可在通过pso算法优化训练模型的初始权值阈值至算法收敛的情况下，以故障管理系统上报的历史告警数据作为训练模型的输入、历史告警数据对应的故障原因作为训练模型的输出进行训练得到故障原因定位模型，因此通过该故障原因定位模型能够快速定位出大面积故障的故障原因，以支撑维护处理过程，提升故障处置效率，提升用户体验，减低大面积故障带来的损失。同时，可在经过标准的pso算法后还新增全局最优自变异操作，并基于高斯分布随机数和正态分布随机数进行变异，具有较复杂的变异情形，丰富了变异方向的多样性，使得pso能收敛到较优的全局最优极值，使得训练得到的故障原因定位模型能够准确定位出故障原因，提升故障原因定位的准确性。另外，无需对全专业业务逻辑的熟练掌握即可准确定位故障原因，使用便捷，有益于技术的推广普及，无需持久的、大规模的资源清查攻坚战，消除了对资源壁垒的依赖性，节约资源整治成本，提高经济效益。
88.本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图2-4所示实施例的方法，并具体用于执行以下操作：
89.对故障管理系统上报的历史告警数据进行预处理；
90.通过pso算法优化训练模型的初始权值阈值至所述训练模型对应的目标函数算法收敛；
91.基于寻优的所述初始权值阈值，将预处理后的所述历史告警数据作为所述训练模型的输入、所述历史告警数据对应的故障原因作为所述训练模型的输出进行训练，得到故障原因定位模型；
92.基于所述故障原因定位模型进行故障原因定位。
93.图6是本申请的一个实施例故障原因定位装置600的结构示意图。请参考图6，在一种软件实施方式中，故障原因定位装置600可包括：
94.预处理模块601，被配置成对故障管理系统上报的历史告警数据进行预处理；
95.优化模块602，被配置成通过pso算法优化训练模型的初始权值阈值至所述训练模型对应的目标函数算法收敛；
96.训练模块603，被配置成基于寻优的所述初始权值阈值，将预处理后的所述历史告警数据作为所述训练模型的输入、所述历史告警数据对应的故障原因作为所述训练模型的输出进行训练，得到故障原因定位模型；
97.定位模块604，被配置成基于所述故障原因定位模型进行故障原因定位。
98.本申请实施例提供的故障原因定位装置600，可在通过pso算法优化训练模型的初始权值阈值至算法收敛的情况下，以故障管理系统上报的历史告警数据作为训练模型的输入、历史告警数据对应的故障原因作为训练模型的输出进行训练得到故障原因定位模型，因此通过该故障原因定位模型能够快速定位出大面积故障的故障原因，以支撑维护处理过程，提升故障处置效率，提升用户体验，减低大面积故障带来的损失。同时，由于在经过标准的pso算法后还新增全局最优自变异操作，并基于高斯分布随机数和正态分布随机数进行变异，具有较复杂的变异情形，丰富了变异方向的多样性，使得pso能收敛到较优的全局最优极值，使得训练得到的故障原因定位模型能够准确定位出故障原因，提升故障原因定位
的准确性。另外，无需对全专业业务逻辑的熟练掌握即可准确定位故障原因，使用便捷，有益于技术的推广普及，无需持久的、大规模的资源清查攻坚战，消除了对资源壁垒的依赖性，节约资源整治成本，提高经济效益。
99.总之，以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
100.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
101.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
102.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
103.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

技术特征：
1.一种故障原因定位方法，其特征在于，包括：对故障管理系统上报的历史告警数据进行预处理；通过pso算法优化训练模型的初始权值阈值至所述训练模型对应的目标函数算法收敛；基于寻优的所述初始权值阈值，将预处理后的所述历史告警数据作为所述训练模型的输入、所述历史告警数据对应的故障原因作为所述训练模型的输出进行训练，得到故障原因定位模型；基于所述故障原因定位模型进行故障原因定位。2.根据权利要求1所述的方法，其特征在于，所述基于所述故障原因定位模型进行故障原因定位，包括：接收所述故障管理系统上报的当前告警数据；对所述当前告警数据进行预处理；将预处理后的所述当前告警数据输入到预先训练的所述故障原因定位模型，以得到与所述当前告警数据对应的故障原因。3.根据权利要求1所述的方法，其特征在于，所述通过pso算法优化训练模型的初始权值阈值至所述训练模型对应的目标函数算法收敛，包括：在经过pso算法的种群初始化、适应度计算、个体最优粒子更新和全局最优粒子更新后，计算种群中全局最优粒子的变异概率；基于全局最优粒子的变异概率，对全局最优极值执行变异；更新种群中的粒子的速度和位置以寻找所述全局最优极值；当以所述全局最优极值作为所述训练模型初始的权值阈值并使得训练模型对应的目标函数算法收敛或所述pso算法的迭代次数达到预设的次数时，将所述全局最优极值作为所述训练模型的初始权值阈值。4.根据权利要求3所述的方法，其特征在于，所述计算种群中全局最优粒子的变异概率的计算公式为其中，k为迭代次数，ρ为改变指数曲线变化率的扩张常数，为第k代的种群适应度方差，p
max
为变异概率的最大值，p
min
为变异概率的最小值；所述计算种群中的全局最优极值的计算公式为其中，λ为一随机数，η是满足标准正态分布的随机数，gaussian(σ)是服从高斯分布且标准差为σ的随机数；所述迭代更新种群中的粒子的速度和位置的计算公式为和x
k 1
＝x
k
v
k 1
，其中，ω为惯性权重，r1和r2为分布于0到1区间的随机数，k是当前迭代次数，为第k次迭代时个体最优粒子位置，为第k次迭代时全局最优粒子位置，c1和c2为常数，v
k
为第k次迭代时的速度，v
k 1
为第k 1次迭代时的速度，x
k
为第k次迭代时的粒子位置，x
k 1
为第k 1次迭代时的粒子位置。
5.根据权利要求1所述的方法，其特征在于，所述对故障管理系统上报的历史告警数据进行预处理，包括：对所述历史告警数据进行去噪、数据补全和归一化处理，得到与所述历史告警数据对应的多维向量。6.根据权利要求1所述的方法，其特征在于，所述历史告警数据包括传输告警数据、动环监控告警数据、无线告警数据以及家庭宽带告警数据中的至少一种。7.根据权利要求1所述的方法，其特征在于，所述训练模型为bp神经网络模型。8.一种故障原因定位装置，其特征在于，包括：预处理模块，被配置成对故障管理系统上报的历史告警数据进行预处理；优化模块，被配置成通过pso算法优化训练模型的初始权值阈值至所述训练模型对应的目标函数算法收敛；训练模块，被配置成基于寻优的所述初始权值阈值，将预处理后的所述历史告警数据作为所述训练模型的输入、所述历史告警数据对应的故障原因作为所述训练模型的输出进行训练，得到故障原因定位模型；定位模块，被配置成基于所述故障原因定位模型进行故障原因定位。9.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现权利要求1-7任一所述的方法步骤。10.一种计算机可读存储介质，其特征在于，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述的方法步骤。
技术总结
本申请公开了一种故障原因定位方法、装置、电子设备及存储介质，涉及通信技术领域。故障原因定位方法包括：对故障管理系统上报的历史告警数据进行预处理；通过PSO算法优化训练模型的初始权值阈值至训练模型对应的目标函数算法收敛；基于寻优的初始权值阈值，将预处理后的历史告警数据作为训练模型的输入、历史告警数据对应的故障原因作为训练模型的输出进行训练，得到故障原因定位模型；基于故障原因定位模型进行故障原因定位。本申请公开的故障原因定位方法、装置、电子设备及存储介质够快速准确的得出大面积故障的故障原因。快速准确的得出大面积故障的故障原因。快速准确的得出大面积故障的故障原因。


技术研发人员：吴薇
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2019.12.30
技术公布日：2021/7/15