基站故障预测方法、装置、设备和介质与流程

1.本技术属于通信领域，具体涉及一种基站故障预测方法、装置、设备和存储介质。


背景技术：

2.随着无线通信技术的迅速发展，基站对人们生活的影响越来越大。基站是用来保证通话、视频、上网冲浪等需求的基础设施，使得手机等终端能够随时随地稳定地保持信号连接和数据传输。
3.一些情况下，基站会发生故障，影响终端的信号连接和数据传输。其中，基站的故障多种多样，发生故障的原因也错综复杂，现有技术中，基站发生故障后，需要等待维护人员赶到现场进行维修处理，耗费大量的时间成本。


技术实现要素：

4.本技术实施例的目的是提供一种基站故障预测方法、装置、设备和存储介质，能够解决目前的基站发生故障后，需要等待维护人员赶到现场进行维修处理，耗费大量的时间成本的问题。
5.第一方面，本技术实施例提供了一种基站故障预测方法，该方法包括：
6.获取基站的实时特征参数、所述实时特征参数的采集时间以及每种故障类型对应的平均时间差；
7.将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型；所述故障预测模型基于训练数据对图卷积神经网络进行训练得到，所述训练数据包括历史异常特征参数及所述历史异常特征参数对应的预设故障类型；
8.将所述采集时间与所述目标故障类型对应的平均时间差相加，确定故障时间；所述故障时间为预测所述基站发生所述目标故障类型的故障的时间。
9.可选地，所述将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型之前，还包括：
10.获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型；
11.将历史异常特征参数输入至图卷积神经网络进行预测，确定所述历史异常特征参数对应的预测故障类型；
12.计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，并基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型。
13.可选地，所述获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型，包括：
14.获取原始特征参数及所述原始特征参数对应的预设故障类型；
15.从所述原始特征参数中筛选出取值超出预设范围的候选异常特征参数；
16.基于极端梯度提升库xgboost算法，从所述候选异常特征参数中提取历史异常特征参数；所述历史异常特征参数与所述预设故障类型具有强关联关系。
17.可选地，所述计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，包括：
18.采用交叉熵算法，计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值。
19.可选地，所述基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型，包括：
20.基于所述误差值，采用随机梯度下降算法对所述图卷积神经网络的模型参数进行调整；
21.返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述平均误差值小于预设误差阈值，将调整后的图卷积神经网络作为故障预测模型；所述平均误差值为预设数量的训练数据对应的误差值的平均值。
22.可选地，采用如下步骤，获取每种故障类型对应的平均时间差：
23.获取所述历史异常特征参数的采集时间及故障时间；所述故障时间为发生历史故障的时间，所述历史故障为采集所述历史异常特征参数后最近发生的故障；
24.确定所述采集时间及所述故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。
25.可选地，所述确定所述采集时间及所述故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差，包括：
26.在所述时间差超过预设时间阈值的情况下，删除对应的历史异常特征参数；
27.在所述时间差不超过预设时间阈值的情况下，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。
28.第二方面，本技术实施例提供了一种故障预测的装置，该装置包括：
29.获取模块，用于获取基站的实时特征参数、所述实时特征参数的采集时间以及每种故障类型对应的平均时间差；
30.预测模块，用于将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型；所述故障预测模型基于训练数据对图卷积神经网络进行训练得到，所述训练数据包括历史异常特征参数及所述历史异常特征参数对应的预设故障类型；
31.确定模块，用于将所述采集时间与所述目标故障类型对应的平均时间差相加，确定故障时间；所述故障时间为预测所述基站发生所述目标故障类型的故障的时间。
32.可选地，所述装置还包括训练模块，用于：
33.获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型；
34.将历史异常特征参数输入至图卷积神经网络进行预测，确定所述历史异常特征参数对应的预测故障类型；
35.计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，并基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征
参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型。
36.可选地，所述训练模块，具体用于：
37.获取原始特征参数及所述原始特征参数对应的预设故障类型；
38.从所述原始特征参数中筛选出取值超出预设范围的候选异常特征参数；
39.基于极端梯度提升库xgboost算法，从所述候选异常特征参数中提取历史异常特征参数；所述历史异常特征参数与所述预设故障类型具有强关联关系。
40.可选地，所述训练模块，具体用于：
41.采用交叉熵算法，计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值。
42.可选地，所述训练模块，具体用于：
43.基于所述误差值，采用随机梯度下降算法对所述图卷积神经网络的模型参数进行调整；
44.返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述平均误差值小于预设误差阈值，将调整后的图卷积神经网络作为故障预测模型；所述平均误差值为预设数量的训练数据对应的误差值的平均值。
45.可选地，所述获取模块，具体用于：
46.获取所述历史异常特征参数的采集时间及故障时间；所述故障时间为发生历史故障的时间，所述历史故障为采集所述历史异常特征参数后最近发生的故障；
47.确定所述采集时间及所述故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。
48.可选地，所述获取模块，具体用于：
49.在所述时间差超过预设时间阈值的情况下，删除对应的历史异常特征参数；
50.在所述时间差不超过预设时间阈值的情况下，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。
51.第三方面，本技术实施例提供了一种基站故障预测设备，该设备包括：
52.传感器模块，用于采集基站的实时特征参数；
53.主控模块，用于获取所述传感器模块采集到的实时特征参数，并将获取到的实时特征参数上传至服务器；以使所述服务器实现上述任一项所述的基站故障预测方法的步骤；
54.通信模块，用于实现所述主控模块与所述服务器之间的通信；
55.电源模块，用于为所述主控模块、所述传感器模块及所述通信模块供电。
56.可选地，所述传感器模块，包括：
57.陀螺仪传感器模块，通过集成电路总线接口与所述主控模块相连，用于采集所述基站所处环境现场的角度变化率；
58.温湿度传感器模块，通过集成电路总线接口与所述主控模块相连，用于采集所述基站所处环境现场的温湿度；
59.红外传感器模块，通过通用输入输出接口与所述主控模块相连，用于采集所述基站所处环境现场出现的人体红外信号；
60.烟雾传感器模块，通过通用输入输出接口与所述主控模块相连，用于采集所述基站所处环境现场的烟雾浓度；
61.定位模块，通过通用同步异步串行收发接口与所述主控模块相连，用于采集所述基站所处环境现场的位置信息。
62.可选地，所述通信模块，包括：
63.5g通信模块，通过通用串行总线接口与所述主控模块相连，用于建立所述主控模块与所述服务器之间的通信连接，以使所述主控模块将获取到的实时特征参数上传至所述服务器；
64.无线组网模块，通过通用同步异步串行收发接口与所述主控模块相连，用于建立所述主控模块与其他基站之间的通信连接，以使所述主控模块将获取到的实时特征参数上传至所述其他基站，并使所述其他基站将所述实时特征参数上传至所述服务器。
65.第四方面，本技术实施例提供了一种电子设备，该电子设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
66.第五方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
67.第六方面，本技术实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
68.第六方面，本技术实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面所述的方法。
69.在本技术实施例中，获取基站的实时特征参数、实时特征参数的采集时间以及每种故障类型对应的平均时间差；将实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定基站的目标故障类型；故障预测模型基于训练数据对图卷积神经网络进行训练得到，训练数据包括历史异常特征参数及历史异常特征参数对应的预设故障类型；将采集时间与目标故障类型对应的平均时间差相加，确定故障时间；故障时间为预测基站发生目标故障类型的故障的时间。
70.这样，通过预先训练得到的故障预测模型对采集到的实时特征数据进行分析，能够在较短的时间内基于多个特征维度有效地预测基站故障可能会发生的故障类型，以及该类故障将要发生的时间，从而在基站故障发生前及时进行维护，以尽可能避免基站故障的发生、缩短故障处理时长以及减少不必要的损失，为使用基站服务的用户带来良好的感知体验。
附图说明
71.图1是根据一示例性实施例示出的一种基站故障预测方法的流程图；
72.图2是根据一示例性实施例示出的一种基站故障预测方法的逻辑示意图；
73.图3是根据一示例性实施例示出的基站基站故障预测设备的示意图；
74.图4是根据一示例性实施例示出的一种基站故障预测装置的框图；
75.图5根据一示例性实施例示出的一种基站基站故障预测电子设备的框图；
76.图6是根据一示例性实施例示出的一种用于基站故障预测的装置的框图。
具体实施方式
77.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本技术保护的范围。
78.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
79.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的基站故障预测方法进行详细地说明。
80.图1是根据一示例性实施例示出的一种基站故障预测方法的流程图，该基站故障预测方法包括以下步骤。
81.在步骤s11中，获取基站的实时特征参数、实时特征参数的采集时间以及每种故障类型对应的平均时间差。
82.基站是用来保证通话、视频、上网冲浪等需求的基础设施，使得手机等终端能够随时随地稳定地保持信号连接和数据传输。相关技术中，如果基站发生故障，则需要等待维护人员赶到现场进行维修处理，耗费大量的时间成本。
83.因此，需要一种基站故障预测方法，可以在基站故障发生之前，对基站故障发生的时间和位置进行有效的预测，从而尽可能避免故障的发生、缩短故障处理时长以及减少不必要的损失。
84.在本技术中，对基站进行故障预测时，首先需要获取基站的实时特征参数、实时特征参数的采集时间以及每种故障类型对应的平均时间差，其中，实时特征参数的类型以及故障类型均为预先定义的，可以根据不同的业务需求及应用场景进行定义，具体不做限定。
85.举例而言，基站的故障类型可以包括但不限于：基带处理单元(building base band unit，bbu)故障、射频拉远单元(remote radio unit，rru)故障、设备电源故障、光模块故障、光纤故障和天馈故障等。
86.在本技术中，可以将上述6种故障类型用集合表示为{y1，y2，y3，y4，y5，y6}，如果发生了某种故障，则集合中该故障类型对应的值记为1，未发生的故障类型对应的值则记为0，例如，如果发生了天馈故障，这该故障类型集合可以表示为{0，0，0，0，0，1}。
87.进行基站故障预测时所用到的实时特征参数可以包括但不限于：设备在线时长、设备使用寿命、设备电流、设备电压、基带功率、bbu收发光功率、rru收发光功率、接收信号强度指示(received signal strength indication，rssi)、天馈驻波比、环境温湿度、人体红外信号、经纬度、角度变化率和烟雾浓度。
88.在本技术中，可以将某时刻上述14种实时特征参数用集合表示为{x1，x2，x3，x4，
…
，x
14
}，例如，如果该时刻设备在线时长为2小时，则代入集合中可以表示为{2，x2，x3，
x4，
…
，x
14
}。
89.其中，y1，y2，
…
，y6和x1，x2，
…
，x
14
的下角标分别是用于区别各个不同的对象，而不必用于描述特定的顺序或先后次序。
90.另外，可以预先定义各个实时特征参数的正常值范围，并额外设定一个特征参数异常标记值，当某个实时特征参数的取值超出预先定义的正常值范围时，表示该实时特征参数的取值异常，因此，可以将该实时特征参数的特征参数标记为预设的异常标记值，从而便于更快速地发现基站的异常情况，及时对基站故障进行预测。
91.一种实现方式中，采用如下步骤，获取每种故障类型对应的平均时间差：
92.获取历史异常特征参数的采集时间及故障时间；故障时间为发生历史故障的时间，历史故障为采集历史异常特征参数后最近发生的故障；
93.确定采集时间及故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为平均时间差。
94.可以理解，特征参数出现异常的时间与故障的实际发生时间存在一定的时间差，本技术中，可以将采集历史异常特征参数后最近发生的故障认为是历史异常特征参数所表征或导致的故障，然后，根据历史异常特征参数的采集时间t
begin
与故障时间t
end
，确定每种故障类型的平均时间差t＝t
begin-t
end
，用于对基站故障进行预测，确定较为准确的故障发生时间。
95.其中，历史异常特征参数可以是故障预测模型的训练数据包括的全部异常特征参数，也可以是从训练数据中随机抽取的一组异常特征参数，具体不做限定。
96.进一步地，确定采集时间及故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为平均时间差，包括：
97.在时间差超过预设时间阈值的情况下，删除对应的历史异常特征参数；
98.在时间差不超过预设时间阈值的情况下，将每种故障类型的历史故障对应的时间差的平均值作为平均时间差。
99.在实际应用场景中，异常特征参数的影响时间是有期限的，换句话说，特征参数出现异常并不完全意味着基站会发生故障，只有异常特征参数出现后的预设时间阈值内发生的故障，才可以认为是由该异常特征参数影响或导致的故障，反之，如果时间差超过预设时间阈值，那么可以认为该历史异常特征参数与该次历史故障无关。
100.举例而言，预设时间阈值可以为24小时，如果在某个历史特征参数超出正常值范围，则该历史特征参数作为历史异常特征参数，其对应取值被标记为异常标记值，在之后的24小时内，如果基站未发生故障，则将该历史异常特征参数对应的取值清零，表明该历史异常特征参数并未引起故障。
101.比如，在2023年2月11日下午5:00采集到某个基站设备电压异常，如果在半小时即5：30后网络管理系统中的对应基站出现设备掉电告警，则其时间差为0.5小时，如果直到12日的下午5:00时仍未出现任何告警，表明并未引起故障，则时间差不存在，或者也可以将时间差记为-1。
102.在步骤s12中，将实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定基站的目标故障类型；故障预测模型基于训练数据对图卷积神经网络进行训练得到，训练数据包括历史异常特征参数及历史异常特征参数对应的预设故障类型。
103.在本步骤中，将采集到的实时特征参数输入至预先训练得到的故障预测模型中，由故障预测模型对实时特征参数进行分析，以确定基站可能会发生的目标故障类型。其中，故障预测模型是一种图卷积神经网络(graph convolutional neural network，gcn)模型，历史异常特征参数是曾经采集到的基站的异常特征参数，而历史异常特征参数对应的预设故障类型则表示历史异常特征参数导致或表征的实际发生过的基站故障的故障类型。
104.本技术中，在对实时特征参数进行分析之前，需要先训练出故障预测模型。一种实现方式中，将实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定基站的目标故障类型之前，还包括：
105.获取历史异常特征参数及历史异常特征参数对应的预设故障类型；
106.将历史异常特征参数输入至图卷积神经网络进行预测，确定历史异常特征参数对应的预测故障类型；
107.计算预测故障类型与历史异常特征参数对应的预设故障类型的误差值，并基于误差值对图卷积神经网络的模型参数进行调整，返回将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型。
108.也就是说，将历史异常特征参数输入到原始的图卷积神经网络模型中进行分析，得到历史异常特征参数对应的预测故障类型，记录预测故障类型与历史异常特征参数对应的实际发生的预设故障类型之间的时间差，并计算预测故障类型与预设故障类型之间的误差，基于产生的误差优化图卷积神经网络模型参数，得到优化后的图卷积神经网络模型，也就是故障预测模型。
109.比如，若得到的误差值小于预设误差阈值，则认为误差值满足预设条件，得到优化后的图卷积神经网络模型，即故障预测模型，否则获取下一个训练数据继续对图卷积神经网络进行训练。
110.这样，可以在满足故障预测模型精度要求的条件下，尽可能提高模型训练的效率，减少系统资源占用。
111.一种实现方式中，上述故障预测模型训练过程中，获取历史异常特征参数及历史异常特征参数对应的预设故障类型，包括：
112.获取原始特征参数及原始特征参数对应的预设故障类型；
113.从原始特征参数中筛选出取值超出预设范围的候选异常特征参数；
114.基于极端梯度提升库xgboost算法，从候选异常特征参数中提取历史异常特征参数；历史异常特征参数与预设故障类型具有强关联关系。
115.也就是说，在训练故障预测模型之前，需要对原始特征参数进行预处理，从原始特征参数中筛选出用于模型训练的历史异常特征参数，其中，选取出的历史异常特征参数必然对应某种预设故障类型，即已经发生故障对应的特征参数。故障类型则在网络管理系统中获取，如网络管理系统中产生了设备掉电告警，历史异常特征参数可以体现出与某种故障类型之间存在强关联关系。
116.具体来说，首先选取已发生的故障对应的且对应取值为异常标记值的原始特征参数，作为候选异常特征参数，然后，使用极端梯度提升库(extreme gradient boosting，xgboost)算法筛选出与每种预设故障类型具有强关联关系的候选异常特征参数，作为历史
异常特征参数，进一步地，还可以对筛选出的候选异常特征参数使用标准差的方法进行归一化处理，得到历史异常特征参数。
117.其中，在使用xgboost算法筛选历史异常特征参数的过程中，首先，可以获得每个候选异常特征参数对应的特征重要度集合{g1，g2，g3，g4，
…
，g
14
}，然后，计算平均特征重要度进而，根据候选异常特征参数与特征重要度的对应关系，筛选出符合条件gi≥g
ave
的候选异常特征参数，作为历史异常特征参数。
118.一种实现方式中，上述故障预测模型训练过程中，计算预测故障类型与历史异常特征参数对应的预设故障类型的误差值，包括：
119.采用交叉熵算法，计算预测故障类型与历史异常特征参数对应的预设故障类型的误差值。
120.具体来说，交叉熵算法可以表示为其中，loss表示误差值，yi表示实际发生的预设故障类型[y1，y2，y3，y4，y5，y6]中第i个预设故障类型对应的值，pi表示预测故障类型[p1，p2，p3，p4，p5，p6]中第i个预测故障类型对应的值，n表示最大共有6种不同的故障类型。
[0121]
在本步骤中，基于误差值对图卷积神经网络的模型参数进行调整，返回将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型，包括：
[0122]
基于误差值，采用随机梯度下降算法对图卷积神经网络的模型参数进行调整；
[0123]
返回将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至平均误差值小于预设误差阈值，将调整后的图卷积神经网络作为故障预测模型；平均误差值为预设数量的训练数据对应的误差值的平均值。
[0124]
也就是说，可以采用使用随机梯度下降算法，对图卷积神经网络模型中的参数进行优化，比如，如果预设数量为1000，那么，可以将每1000个训练数据分为一组，某个分组包括的历史异常特征参数一次输入至图卷积神经网络进行训练，计算每1000组的平均误差值若平均误差值在10％以内，则可以认为图卷积神经网络模型已经满足精度要求，得到故障预测模型，否则获取下一分组的训练数据继续对图卷积神经网络模型进行训练。
[0125]
在步骤s13中，将采集时间与目标故障类型对应的平均时间差相加，确定故障时间；故障时间为预测基站发生目标故障类型的故障的时间。
[0126]
在本步骤中，根据每种故障类型在同种实时特征参数下的平均时间差以及实时特征参数的采集时间，即可推算出s12中预测得到的目标故障类型的故障可能发生的时间，进而便于工作人员及时进行维护，尽可能避免基站故障的发生。
[0127]
举例而言，如果在2023年2月11日下午5:00采集到某个基站设备电压异常，在5：30，网络管理系统中的对应基站出现设备掉电告警，其时间差为0.5小时；在12日上午8:00采集到另一个基站设备电压异常，在1小时后出现设备掉电告警，其时间差为1小时，则平均时间差为(0.5+1)/2＝0.75小时。在13日下午2:00采集到某个基站的设备电压后，将此数据
输入到故障检测模型中，如果预测到该基站可能发生设备电源故障，那么，看推测故障发生的时间在0.75小时后，即该基站可能当天下午2:45发生设备电源故障。在预测出故障后，可通过网络将某基站将要发生的故障类型和时间发送给工作人员，要求尽快安排维护人员处理。
[0128]
如图2所示，为本技术提供的基站故障预测方法的逻辑示意图，基站故障预测方法包括以下步骤：
[0129]
s1：定义基站设备的故障类型，和定义识别基站故障类型时所用到的关键特征参数。也就是说，获取预先定义的实时特征参数的类型以及故障类型。
[0130]
s2：获取原始数据集进行数据预处理，筛选出最优特征参数数据集，并进行归一化处理。也就是说，从原始特征参数中筛选出用于模型训练的历史异常特征参数。
[0131]
s3：将最优特征参数数据集用矩阵的形式表示，输入到gcn中用来训练gcn模型中的参数，得到训练后的gcn模型。也就是说，将历史异常特征参数输入到原始的图卷积神经网络模型中，得到历史异常特征参数对应的预测故障类型，基于预测故障类型与预设故障类型优化图卷积神经网络模型。
[0132]
s4：随机抽取一组训练数据输入到gcn模型的中得到预测的故障类型值，记录与实际故障之间的时间差，并计算实际故障类型值与预测值之间的误差。也就是说，根据历史异常特征参数的采集时间t
begin
与故障时间t
end
，确定每种故障类型的平均时间差t＝t
begin-t
end
，并计算预测故障类型与预设故障类型之间的误差。
[0133]
s5：对误差采用算法优化gcn模型中的参数取值，计算每1000组的平均误差值，若平均误差值满足精度要求，则得到优化后的gcn模型，否则返回步骤s4进行下一组训练。也就是说，采用使用随机梯度下降算法，对图卷积神经网络模型中的参数进行优化。
[0134]
s6：将实时采集到的实时特征参数数据输入到优化后的gcn模型中，即可得到预测的故障结果，并可根据平均时间差推算出该故障将要发生的时间。也就是说，将实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定基站的目标故障类型；将采集时间与目标故障类型对应的平均时间差相加，确定故障时间。
[0135]
由以上可见，本技术的实施例提供的技术方案，通过预先训练得到的故障预测模型对采集到的实时特征数据进行分析，能够在较短的时间内基于多个特征维度有效地预测基站故障可能会发生的故障类型，以及该类故障将要发生的时间，从而在基站故障发生前及时进行维护，以尽可能避免基站故障的发生、缩短故障处理时长以及减少不必要的损失，为使用基站服务的用户带来良好的感知体验。
[0136]
本技术实施例提供的基站故障预测方法，执行主体可以为服务器。本技术实施例中以服务器执行故障预测的方法为例，说明本技术实施例提供的基站故障预测方法。
[0137]
如图3所示，本技术还提供了一种基站故障预测设备，包括：
[0138]
传感器模块，用于采集基站的实时特征参数；
[0139]
主控模块，用于获取传感器模块采集到的实时特征参数，并将获取到的实时特征参数上传至服务器；以使服务器实现上述任一项的基站故障预测方法的步骤；
[0140]
通信模块，用于实现主控模块与服务器之间的通信；
[0141]
电源模块，用于为主控模块、传感器模块及通信模块供电。
[0142]
其中，电源模块可以通过电源接口与主控模块相连，用于保证基站的正常运作。另
外，及站内还可以配置电池，通过电池提供一定的续航，这样，在基站停电时仍然能保证将基站的实时特征参数传输出去，避免数据无法上传导致的数据丢失。
[0143]
主控模块是由处理器和内存等组成的最小系统，该模块的作用是收集各个传感器模块采集到的实时特征参数，并将实时特征参数整合后转给5g通信模块进行发送。
[0144]
在本技术中，实时特征参数可以包括但不限于设备在线时长、设备使用寿命、设备电流、设备电压、基带功率、bbu收发光功率、rru收发光功率、rssi、天馈驻波比和告警信息等。
[0145]
一种实现方式中，传感器模块，包括：
[0146]
陀螺仪传感器模块，通过集成电路总线(inter-integrated circuit，iic)接口与主控模块相连，用于采集基站所处环境现场的角度变化率；陀螺仪传感器模块可以用于判断基站是否发生了晃动，如狂风、地震等情况；
[0147]
温湿度传感器模块，通过集成电路总线接口与主控模块相连，用于采集基站所处环境现场的温湿度；温湿度传感器模块可以判断基站的环境现场是否发生了暴雨、洪涝、干旱等情况；
[0148]
红外传感器模块，通过通用输入输出(general-purpose input/output，gpio)接口与主控模块相连，用于采集基站所处环境现场出现的人体红外信号；红外传感器模块可以判断基站是否有人工干预，如人为破坏、偷窃或维修基站设备等；
[0149]
烟雾传感器模块，通过通用输入输出接口与主控模块相连，用于采集基站所处环境现场的烟雾浓度；烟雾传感器模块可以检测基站所处环境现场的烟雾浓度，判断周围是否发生了火灾；
[0150]
定位模块，通过通用同步异步串行收发(universal synchronous/asynchronous receiver/transmitter，usart)接口与主控模块相连，用于采集基站所处环境现场的位置信息；定位模块可以确定基站的当前位置，判断基站是否发生了搬迁。
[0151]
其中，采用多传感器模块采集基站内外的实时特征参数，并对各传感器模块设置统一的采样间隔，利用5g低延时、大带宽的特性上传基站的实时特征参数，从而可以根据实时特征参数精准分析某一时刻基站的状态，用于对基站故障进行诊断。
[0152]
一种实现方式中，通信模块，包括：
[0153]
5g通信模块，通过通用串行总线(universal serial bus，usb)接口与主控模块相连，用于建立主控模块与服务器之间的通信连接，以使主控模块将获取到的实时特征参数上传至服务器；
[0154]
本技术中，服务器可以是位于云端的网络服务器，也可以是基站本地设置的服务器，具体不做限定。主控模块通过5g通信模块对基站的实时特征参数进行查询，进而统一将查询到的实时特征参数上传到服务器，数据处理和模型训练等复杂计算场景均放在服务器中进行，计算所需的算力可自由调度，从而避免资源的浪费，同时可以减少基站本地的数据处理量，减少基站建设成本；
[0155]
无线组网模块，通过通用同步异步串行收发接口与主控模块相连，用于建立主控模块与其他基站之间的通信连接，以使主控模块将获取到的实时特征参数上传至其他基站，并使其他基站将实时特征参数上传至服务器。
[0156]
本技术中，无线组网模块可以把附近的基站的组成局域网络，实现基站之间的相
互通信，这样，在某个基站故障导致没有5g信号，无法发送其自身的实时特征参数时，可通过局域网络将该基站的实时特征参数传输给其它基站，由其它基站上传至服务器，对该基站的实时特征参数进行故障预测，从而避免数据无法上传导致的数据丢失。
[0157]
由以上可见，本技术的实施例提供的技术方案，通过预先训练得到的故障预测模型对采集到的实时特征数据进行分析，能够在较短的时间内基于多个特征维度有效地预测基站故障可能会发生的故障类型，以及该类故障将要发生的时间，从而在基站故障发生前及时进行维护，以尽可能避免基站故障的发生、缩短故障处理时长以及减少不必要的损失，为使用基站服务的用户带来良好的感知体验。
[0158]
本技术实施例提供的基站故障预测方法，执行主体可以为基站故障预测装置。本技术实施例中以基站故障预测装置执行故障预测的方法为例，说明本技术实施例提供的基站故障预测方法的装置。
[0159]
图4是根据一示例性实施例示出的一种基站故障预测装置框图，该装置包括：
[0160]
获取模块201，用于获取基站的实时特征参数、所述实时特征参数的采集时间以及每种故障类型对应的平均时间差；
[0161]
预测模块202，用于将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型；所述故障预测模型基于训练数据对图卷积神经网络进行训练得到，所述训练数据包括历史异常特征参数及所述历史异常特征参数对应的预设故障类型；
[0162]
确定模块203，用于将所述采集时间与所述目标故障类型对应的平均时间差相加，确定故障时间；所述故障时间为预测所述基站发生所述目标故障类型的故障的时间。
[0163]
可选地，所述装置还包括训练模块，用于：
[0164]
获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型；
[0165]
将历史异常特征参数输入至图卷积神经网络进行预测，确定所述历史异常特征参数对应的预测故障类型；
[0166]
计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，并基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型。
[0167]
可选地，所述训练模块，具体用于：
[0168]
获取原始特征参数及所述原始特征参数对应的预设故障类型；
[0169]
从所述原始特征参数中筛选出取值超出预设范围的候选异常特征参数；
[0170]
基于极端梯度提升库xgboost算法，从所述候选异常特征参数中提取历史异常特征参数；所述历史异常特征参数与所述预设故障类型具有强关联关系。
[0171]
可选地，所述训练模块，具体用于：
[0172]
采用交叉熵算法，计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值。
[0173]
可选地，所述训练模块，具体用于：
[0174]
基于所述误差值，采用随机梯度下降算法对所述图卷积神经网络的模型参数进行调整；
[0175]
返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述平均误差值小于预设误差阈值，将调整后的图卷积神经网络作为故障预测模型；所述平均误差值为预设数量的训练数据对应的误差值的平均值。
[0176]
可选地，所述获取模块201，具体用于：
[0177]
获取所述历史异常特征参数的采集时间及故障时间；所述故障时间为发生历史故障的时间，所述历史故障为采集所述历史异常特征参数后最近发生的故障；
[0178]
确定所述采集时间及所述故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。
[0179]
可选地，所述获取模块201，具体用于：
[0180]
在所述时间差超过预设时间阈值的情况下，删除对应的历史异常特征参数；
[0181]
在所述时间差不超过预设时间阈值的情况下，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。
[0182]
由以上可见，本技术的实施例提供的技术方案，通过预先训练得到的故障预测模型对采集到的实时特征数据进行分析，能够在较短的时间内基于多个特征维度有效地预测基站故障可能会发生的故障类型，以及该类故障将要发生的时间，从而在基站故障发生前及时进行维护，以尽可能避免基站故障的发生、缩短故障处理时长以及减少不必要的损失，为使用基站服务的用户带来良好的感知体验。
[0183]
本技术实施例中的基站故障预测装置可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(mobile internet device，mid)、增强现实(augmented reality，ar)/虚拟现实(virtual reality，vr)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，还可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本技术实施例不作具体限定。
[0184]
本技术实施例中的基站故障预测装置可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不作具体限定。
[0185]
本技术实施例提供的基站故障预测装置能够实现图1至图2的方法实施例实现的各个过程，为避免重复，这里不再赘述。
[0186]
可选地，如图5所示，本技术实施例还提供一种电子设备500，包括处理器501和存储器502，存储器502上存储有可在所述处理器501上运行的程序或指令，该程序或指令被处理器501执行时实现上述基站故障预测方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0187]
需要说明的是，本技术实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
[0188]
图6为实现本技术实施例的一种电子设备的硬件结构示意图。
[0189]
该电子设备1000包括但不限于：射频单元1001、网络模块1002、音频输出单元
1003、输入单元1004、传感器1005、显示单元1006、用户输入单元1007、接口单元1008、存储器1009、以及处理器1010等部件。
[0190]
本领域技术人员可以理解，电子设备1000还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器1010逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图6中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
[0191]
由以上可见，本技术的实施例提供的技术方案，通过预先训练得到的故障预测模型对采集到的实时特征数据进行分析，能够在较短的时间内基于多个特征维度有效地预测基站故障可能会发生的故障类型，以及该类故障将要发生的时间，从而在基站故障发生前及时进行维护，以尽可能避免基站故障的发生、缩短故障处理时长以及减少不必要的损失，为使用基站服务的用户带来良好的感知体验。
[0192]
应理解的是，本技术实施例中，输入单元1004可以包括图形处理器(graphics processing unit，gpu)10041和麦克风10042，图形处理器10041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1006可包括显示面板10061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板10061。用户输入单元1007包括触控面板10071以及其他输入设备10072中的至少一种。触控面板10071，也称为触摸屏。触控面板10071可包括触摸检测装置和触摸控制器两个部分。其他输入设备10072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
[0193]
存储器1009可用于存储软件程序以及各种数据。存储器1009可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器1009可以包括易失性存储器或非易失性存储器，或者，存储器1009可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本技术实施例中的存储器109包括但不限于这些和任意其它适合类型的存储器。
[0194]
处理器1010可包括一个或多个处理单元；可选的，处理器1010集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器1010中。
[0195]
本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述基站故障预测方法实施例的各个过程，且能达
到相同的技术效果，为避免重复，这里不再赘述。
[0196]
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器rom、随机存取存储器ram、磁碟或者光盘等。
[0197]
本技术实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述基站故障预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0198]
应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
[0199]
本技术实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述基站故障预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0200]
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
[0201]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0202]
上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。

技术特征：
1.一种基站故障预测方法，其特征在于，包括：获取基站的实时特征参数、所述实时特征参数的采集时间以及每种故障类型对应的平均时间差；将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型；所述故障预测模型基于训练数据对图卷积神经网络进行训练得到，所述训练数据包括历史异常特征参数及所述历史异常特征参数对应的预设故障类型；将所述采集时间与所述目标故障类型对应的平均时间差相加，确定故障时间；所述故障时间为预测所述基站发生所述目标故障类型的故障的时间。2.根据权利要求1所述的基站故障预测方法，其特征在于，所述将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型之前，还包括：获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型；将历史异常特征参数输入至图卷积神经网络进行预测，确定所述历史异常特征参数对应的预测故障类型；计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，并基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型。3.根据权利要求2所述的基站故障预测方法，其特征在于，所述获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型，包括：获取原始特征参数及所述原始特征参数对应的预设故障类型；从所述原始特征参数中筛选出取值超出预设范围的候选异常特征参数；基于极端梯度提升库xgboost算法，从所述候选异常特征参数中提取历史异常特征参数；所述历史异常特征参数与所述预设故障类型具有强关联关系。4.根据权利要求2所述的基站故障预测方法，其特征在于，所述计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，包括：采用交叉熵算法，计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值。5.根据权利要求2所述的基站故障预测方法，其特征在于，所述基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型，包括：基于所述误差值，采用随机梯度下降算法对所述图卷积神经网络的模型参数进行调整；返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述平均误差值小于预设误差阈值，将调整后的图卷积神经网络作为故障预测模型；所述平均误差值为预设数量的训练数据对应的误差值的平均值。6.根据权利要求1所述的基站故障预测方法，其特征在于，采用如下步骤，获取每种故障类型对应的平均时间差：
获取所述历史异常特征参数的采集时间及故障时间；所述故障时间为发生历史故障的时间，所述历史故障为采集所述历史异常特征参数后最近发生的故障；确定所述采集时间及所述故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。7.根据权利要求6所述的基站故障预测方法，其特征在于，所述确定所述采集时间及所述故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差，包括：在所述时间差超过预设时间阈值的情况下，删除对应的历史异常特征参数；在所述时间差不超过预设时间阈值的情况下，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。8.一种基站故障预测装置，其特征在于，包括：获取模块，用于获取基站的实时特征参数、所述实时特征参数的采集时间以及每种故障类型对应的平均时间差；预测模块，用于将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型；所述故障预测模型基于训练数据对图卷积神经网络进行训练得到，所述训练数据包括历史异常特征参数及所述历史异常特征参数对应的预设故障类型；确定模块，用于将所述采集时间与所述目标故障类型对应的平均时间差相加，确定故障时间；所述故障时间为预测所述基站发生所述目标故障类型的故障的时间。9.根据权利要求8所述的基站故障预测装置，其特征在于，所述装置还包括训练模块，用于：获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型；将历史异常特征参数输入至图卷积神经网络进行预测，确定所述历史异常特征参数对应的预测故障类型；计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，并基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型。10.根据权利要求9所述的基站故障预测装置，其特征在于，所述训练模块，具体用于：获取原始特征参数及所述原始特征参数对应的预设故障类型；从所述原始特征参数中筛选出取值超出预设范围的候选异常特征参数；基于极端梯度提升库xgboost算法，从所述候选异常特征参数中提取历史异常特征参数；所述历史异常特征参数与所述预设故障类型具有强关联关系。11.根据权利要求9所述的基站故障预测装置，其特征在于，所述训练模块，具体用于：采用交叉熵算法，计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值。12.根据权利要求9所述的基站故障预测装置，其特征在于，所述训练模块，具体用于：基于所述误差值，采用随机梯度下降算法对所述图卷积神经网络的模型参数进行调整；
返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述平均误差值小于预设误差阈值，将调整后的图卷积神经网络作为故障预测模型；所述平均误差值为预设数量的训练数据对应的误差值的平均值。13.根据权利要求8所述的基站故障预测装置，其特征在于，所述获取模块，具体用于：获取所述历史异常特征参数的采集时间及故障时间；所述故障时间为发生历史故障的时间，所述历史故障为采集所述历史异常特征参数后最近发生的故障；确定所述采集时间及所述故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。14.根据权利要求13所述的基站故障预测方法，其特征在于，所述获取模块，具体用于：在所述时间差超过预设时间阈值的情况下，删除对应的历史异常特征参数；在所述时间差不超过预设时间阈值的情况下，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。15.一种基站故障预测设备，其特征在于，包括：传感器模块，用于采集基站的实时特征参数；主控模块，用于获取所述传感器模块采集到的实时特征参数，并将获取到的实时特征参数上传至服务器；以使所述服务器实现如权利要求1-7任一项所述的基站故障预测方法的步骤；通信模块，用于实现所述主控模块与所述服务器之间的通信；电源模块，用于为所述主控模块、所述传感器模块及所述通信模块供电。16.根据权利要求15所述的基站故障预测方法，其特征在于，所述传感器模块，包括：陀螺仪传感器模块，通过集成电路总线接口与所述主控模块相连，用于采集所述基站所处环境现场的角度变化率；温湿度传感器模块，通过集成电路总线接口与所述主控模块相连，用于采集所述基站所处环境现场的温湿度；红外传感器模块，通过通用输入输出接口与所述主控模块相连，用于采集所述基站所处环境现场出现的人体红外信号；烟雾传感器模块，通过通用输入输出接口与所述主控模块相连，用于采集所述基站所处环境现场的烟雾浓度；定位模块，通过通用同步异步串行收发接口与所述主控模块相连，用于采集所述基站所处环境现场的位置信息。17.根据权利要求15所述的基站故障预测方法，其特征在于，所述通信模块，包括：5g通信模块，通过通用串行总线接口与所述主控模块相连，用于建立所述主控模块与所述服务器之间的通信连接，以使所述主控模块将获取到的实时特征参数上传至所述服务器；无线组网模块，通过通用同步异步串行收发接口与所述主控模块相连，用于建立所述主控模块与其他基站之间的通信连接，以使所述主控模块将获取到的实时特征参数上传至所述其他基站，并使所述其他基站将所述实时特征参数上传至所述服务器。18.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-7任一项
所述的基站故障预测方法的步骤。19.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-7任一项所述的基站故障预测方法的步骤。

技术总结
本申请公开了一种基站故障预测方法、装置、电子设备和存储介质，属于通信领域。该方法包括：获取基站的实时特征参数、实时特征参数的采集时间以及每种故障类型对应的平均时间差；将实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定基站的目标故障类型；故障预测模型基于训练数据对图卷积神经网络进行训练得到，训练数据包括历史异常特征参数及历史异常特征参数对应的预设故障类型；将采集时间与目标故障类型对应的平均时间差相加，确定故障时间；故障时间为预测基站发生目标故障类型的故障的时间。这样，能够在较短的时间内基于多个特征维度有效地预测基站故障可能会发生的故障类型以及该类故障将要发生的时间，避免基站故障发生。避免基站故障发生。避免基站故障发生。


技术研发人员：王斌 王婷
受保护的技术使用者：中国电信股份有限公司
技术研发日：2023.06.21
技术公布日：2023/9/13