异常小区检测方法、装置、存储介质及电子设备与流程

本公开涉及通信，具体而言，涉及一种异常小区检测方法、异常小区检测装置、电子设备以及计算机可读存储介质。

背景技术：

1、目前，通信及网络技术在人们的生产生活中起着至关重要的作用，确保通信质量是向用户提供良好通信体验的关键。小区，也称蜂窝小区，是指在蜂窝移动通信系统中，一个基站或基站的一部分所覆盖的区域，在这个区域内，移动台可以通过无线信道可靠地与基站进行通信。

2、相关技术中，无线优化领域通过检测异常小区来确保通信质量。传统方法一般通过观测小区时序指标，并基于预测模型检测小区是否异常。然而，该方法存在需要大量时序指标数据支撑，且无法针对不同小区适应性地对模型参数调优等问题，从而导致效率和准确率较低。

技术实现思路

1、本公开的目的在于提供一种异常小区检测方法、异常小区检测装置、电子设备以及计算机可读存储介质，从而在一定程度上解决了相关技术存在的需要大量时序指标数据支撑，且无法针对不同小区适应性地对模型参数调优等问题。

2、根据本公开的第一方面，提供一种异常小区检测方法，包括：

3、获取待检测小区的目标指标序列，并确定所述目标指标序列的类别；

4、基于所述目标指标序列的类别确定所述待检测小区的目标检测模型；其中，所述目标检测模型为基于知识蒸馏算法预先训练好的学生模型，用于识别异常序列；

5、将所述目标指标序列输入所述目标检测模型，通过所述目标检测模型重构所述目标指标序列，得到重构序列；

6、当所述目标指标序列与所述重构序列的偏离比例大于预设阈值时，识别所述目标指标序列为所述异常序列，所述待检测小区为异常小区。

7、在本公开的一种示例性实施例中，所述方法还包括：

8、获取各小区的历史指标序列，并对所述历史指标序列进行数据清洗，得到训练数据集；

9、基于所述训练数据集训练得到导师模型；其中，所述导师模型用于指导所述目标检测模型的训练；

10、基于所述历史指标序列对所述小区进行分类，并将所述训练数据集划分为分数据集；

11、确定各所述小区中的异常小区，将所述异常小区的所述历史指标序列将所述分数据集中剔除；

12、将剔除过后的所述分数据集输入所述导师模型及待训练的所述目标检测模型，基于知识蒸馏算法利用所述导师模型训练得到所述目标检测模型。

13、在本公开的一种示例性实施例中，所述基于所述历史指标序列对所述小区进行分类，包括：

14、基于所述历史指标序列确定各所述小区为室内小区或室外小区；

15、若所述小区为室内小区，获取所述小区的目标字段，并依据所述目标字段对所述小区进行分类；

16、若所述小区为室外小区，将所述历史指标序列划分为覆盖类指标数据集和容量类指标数据集；

17、针对所述覆盖类指标数据集，获取所述小区的地貌类别；

18、针对所述容量类指标数据集，获取所述小区的目标字段，并依据所述目标字段对所述小区进行分类。

19、在本公开的一种示例性实施例中，所述确定各所述小区中的异常小区，将所述异常小区的所述历史指标序列将所述分数据集中剔除，包括：

20、将所述分数据集输入孤立森林模型，输出所述分数据集中各所述小区的异常得分；其中，所述异常得分用于表征各所述小区在所述分数据集对应的时间段内所述历史指标数据的异常程度；

21、对各所述异常得分进行排序，并基于所述异常得分的排序确定分界点；

22、基于所述分界点确定所述小区中的所述异常小区，将所述异常小区的所述历史指标序列将所述分数据集中剔除。

23、在本公开的一种示例性实施例中，所述将所述训练数据集划分为分数据集，包括：

24、确定所述训练数据集中各指标数据对应的日期类型；

25、基于所述小区类型，将所述训练数据集根据所述小区类型、所述日期类型及数据类型整理成所述分数据集。

26、在本公开的一种示例性实施例中，所述针对所述覆盖类指标数据集，获取所述小区的地貌类别，包括：

27、针对所述覆盖类指标数据集，在地图中获取对应的兴趣面；其中，所述兴趣面用于在所述地图中表示区域状的地理实体；

28、对于各所述兴趣面，基于聚类算法得到多个像素点簇，并将各所述小区归类至与所述像素点簇合面积最大的簇下，得到所述小区的所述地貌类别。

29、在本公开的一种示例性实施例中，，所述孤立森林模型的模型参数基于所述分数据集中数据的数据类型确定，所述模型参数包括特征维数及样本数。

30、根据本公开的第二方面，提供一种异常小区检测装置，包括：

31、数据获取模块，用于获取待检测小区的目标指标序列，并所述目标指标序列的类别；

32、模型确定模块，用于基于所述目标指标序列的类别确定所述待检测小区的目标检测模型；其中，所述目标检测模型为基于知识蒸馏算法预先训练好的学生模型，用于识别异常序列；

33、数据处理模块，用于将所述目标指标序列输入所述目标检测模型，通过所述目标检测模型重构所述目标指标序列，得到重构序列；

34、异常检测模块，用于当所述目标指标序列与所述重构序列的偏离比例大于预设阈值时，识别所述目标指标序列为所述异常序列，所述待检测小区为异常小区。

35、根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。

36、根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。

37、本公开示例性实施例可以具有以下部分或全部有益效果：

38、在本公开示例实施方式所提供的异常小区检测方法中，获取待检测小区的目标指标序列，并确定目标指标序列的类别；基于目标指标序列的类别确定待检测小区的目标检测模型；其中，目标检测模型为基于知识蒸馏算法预先训练好的学生模型，用于识别异常序列；将目标指标序列输入目标检测模型，通过目标检测模型重构目标指标序列，得到重构序列；当目标指标序列与重构序列的偏离比例大于预设阈值时，识别目标指标序列为异常序列，待检测小区为异常小区。本公开实施例基于知识蒸馏方法训练得到目标检测模型，并基于目标检测模型通过目标指标序列实现异常小区的检测，通过引入大小模型联动的学习方式，使更轻量级的小模型得到更好的重构小区指标序列的能力，有助于达到算力和模型性能之间的平衡。此外，本公开实施例还基于目标指标序列确定小区类别，将不同的指标形态区分开，有利于得到更准确可信的异常检测结果。

39、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

1.一种异常小区检测方法，其特征在于，包括：

2.根据权利要求1所述的异常小区检测方法，其特征在于，所述方法还包括：

3.根据权利要求2所述的异常小区检测方法，其特征在于，所述基于所述历史指标序列对所述小区进行分类，包括：

4.根据权利要求2所述的异常小区检测方法，其特征在于，所述确定各所述小区中的异常小区，将所述异常小区的所述历史指标序列将所述分数据集中剔除，包括：

5.根据权利要求2所述的异常小区检测方法，其特征在于，所述将所述训练数据集划分为分数据集，包括：

6.根据权利要求3所述的异常小区检测方法，其特征在于，所述针对所述覆盖类指标数据集，获取所述小区的地貌类别，包括：

7.根据权利要求4所述的异常小区检测方法，其特征在于，所述孤立森林模型的模型参数基于所述分数据集中数据的数据类型确定，所述模型参数包括特征维数及样本数。

8.一种异常小区检测装置，其特征在于，包括：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。

10.一种电子设备，其特征在于，包括：