通信网络优化及运维中人工智能技术的运用,将人工智能应用于电信运营维护、网络维护、客户服务、网络后...

通信网络优化及运维中人工智能技术的运用

将人工智能应用于电信运营维护、网络维护、客户服务、网络后...根据你所反映的情况，建议如下:1 .拨打运营商客服热线，电信10000，联通10010，移动10086。2.拨号后，在连接手动服务之前通常会有许多业务介绍。在介绍过程中，您可以直接按拨号0，这将直接进入等待连接过程的手动服务，减少介绍次数。

人工智能运维真的能代替人工运维吗？

当前的趋势

将人工智能应用于电信运营维护、网络维护、客户服务、网络后...

将人工智能应用于电信运营维护、网络维护、客户服务、网络后...根据你所反映的情况，建议如下:1 .拨打运营商客服热线，电信10000，联通10010，移动10086。2.拨号后，在连接手动服务之前通常会有许多业务介绍。在介绍过程中，您可以直接按拨号0，这将直接进入等待连接过程的手动服务，减少介绍次数。

人工智能运维真的能代替人工运维吗？

通信网络优化及运维中人工智能技术的运用范文

摘要:目前，智能技术已经开始在各个领域发挥巨大作用。在特定的任务中，机器比人类表现得更好。本文梳理了人工智能算法，探讨了相关算法在网络优化、运行和维护中的应用。摘要:通过实际应用系统设计方案，探讨了人工智能技术如何提高网络优化、运行和维护的效率和质量。

关键词:人工智能；网络优化；机器学习；网络运行和维护；智能化；

1，导言

人工智能是达特茅斯学会在1956年首次提出的。会上，迈克菲、明斯基、罗切斯特和香农共同讨论了机器对人类智能的模拟，并开创了人工智能的主题。

此后，人工智能技术的螺旋式发展多次成为计算机科学的热点领域，出现了许多流派，如以推理和知识为核心的象征主义、基于仿生学的连接主义、以数据为核心的机器学习科学等。21世纪初，随着大数据技术的出现，现有的数据分析能力得到了极大的提高。社会生产和生活中积累的丰富数据资源进一步推动了人工智能技术的突破。人工智能的热潮又来了。今天，人工智能已经在许多领域取得了巨大的成功。

作为通信网络优化和运行维护的实践者，尤其是在通信网络运行维护变得越来越复杂的现状下，他们面临着许多问题和挑战。因此，我们不禁要问:什么是人工智能？在网络优化和运维工作中，人工智能算法能否提高网络优化、运维效率和质量？如何利用人工智能进行有效应用？

2。人工智能概述及其在网络优化和运行维护中的应用方向

人工智能是研究和发展模拟、扩展和扩展人类智能的理论、方法、技术和应用系统的一门新技术科学。作为一门交叉学科，哲学和认知科学、数学、计算机科学、生物学、心理学、信息论都是人工智能的研究范畴。

2.1 .人工智能算法系统

从算法的角度来看，系统如图1所示。

人工智能有广泛的技术。所有智能算法都属于人工智能，包括我们常用的优化搜索算法。

机器学习作为人工智能的一个重要分支，在许多领域都表现良好。机器学习(Machine learning)是指给定某一类任务T和性能度量P，计算机程序可以学习经验E，如果它在任务T中的性能仅仅可以用P来衡量，它就会随着经验E而提高，这种算法涉及概率论、统计学、近似理论、凸分析、计算复杂性理论等学科。

图1人工智能技术的分类

经典的机器学习算法包括罗杰斯回归、决策树、神经网络、支持向量机、k均值聚类、贝叶斯网络等。这些机器学习方法擅长处理少量数据的结构化数据，并已在工程中得到应用。然而，随着数据量和类型的增加，大多数经典机器提高性能的能力有限。很难分析非结构化数据(如文本、语音、图像、视频等)。)并满足大数据时代的需求。

神经网络在大数据时代脱颖而出。神经网络起源于脑科学，其工作原理接近人类的学习过程，并且已经证明单个神经元可以执行逻辑功能。1989年，Hornik等人甚至证明，一个多层前馈网络仅通过一个包含足够神经元的隐藏层就可以以任何精度逼近任何复杂度的连续函数，从而开创了神经网络研究的时代。神经网络采用反向传播梯度下降算法实现模型学习。从结构上来看，神经网络具有自然嵌套的概念层次，这为深层学习的产生奠定了基础。与其他算法相比，多层神经网络可以随着数据量的增加而获得更大的性能提升，因此被认为是一种有前途的人工智能算法。然而，当神经网络中存在许多隐藏层时，会出现梯度色散，这不能有效地抑制传播。因此，早期的神经网络通常使用1~3个隐藏层。

2006年，韩丁等人首次提出深度学习的概念，并基于无监督的逐层预训练和对BP算法的微调来实现深度网络[1，2]的训练，这引发了一场深度学习热。深度学习是一种特殊的机器学习。嵌套的概念层次用于表示和实现巨大的功能和灵活性，其中每个概念被定义为与一个简单的概念相关联，而更抽象的表示以不太抽象的方式计算。深度学习基于神经网络结构。多层隐藏结构可以提高学习者的能力。激活函数的嵌套提高了表达能力，并产生了一系列避免梯度分散的技术。

在过去的十年中，人工智能在语音、图像、医疗、机器人等地方的突破性应用几乎都采用了深度学习算法。到今天为止，人类可以说已经初步实现了狭义的人工智能。

2.2 .人工智能在网络优化和运维中的应用场景

有许多人工智能算法，至少有300个项目和40种类型的神经网络。作者只整理了典型的算法类别，并讨论了它们在网络优化和运行维护中可能的应用方向。

首先，借助人工智能/机器学习技术，可以应用于网络覆盖、干扰、容量等关键质量指标的建模和预测。它还可以应用于网络运行和维护经验、案例和工单的深入挖掘、学习和决策。还可以实现高维网络结构、特征、场景特征肖像和标注建模的降维分析。此外，还可以实现网络隐藏故障/报警/投诉问题的异常特征分析、原因检测、智能问题定位等方面。详细排序如表1所示。

3。人工智能在网络优化和运行维护中的典型应用

在理解人工智能算法的基础上，根据网络优化和运行维护的目标，并基于网络优化、运行维护的过程或机制，选择相应的输入数据和输出目标。最后，设计了相应的工具实现流程。

表1人工智能技术在网络优化运行维护中的应用场景

同时，当使用人工智能技术时，遵循相应的过程。例如数据预处理(包括数据清理)、特征选择或特征学习、数据集划分、模型训练和输出测试，以及根据测试结果调整相应的算法超参数。

以下是几个系统的设计思想。

3.1 .基于深度学习的覆盖优化系统

无线网络覆盖优化是提高无线网络质量的一项重要工作。现有覆盖优化的主流技术主要是仿真优化和人工体验优化。此外，模拟优化在很大程度上依赖于传播模型的准确性，并且没有充分考虑用户和流量分布场景。该系统建议使用深度学习来优化覆盖范围。设计思路分为以下几个步骤:

3.1.1。前N个小区覆盖分析

利用MRO(原始类型测量报告)数据，基于小区覆盖关系、地形和地理位置数据、站结构数据、用户分布等构建覆盖评估矩阵。根据预设规则判断，输出小区软硬参数的定性调整建议或问题(包括接入级别/功率/A2阈值/下倾角/方向角优化建议，以及人工参数的准确性问题)，输出前N个小区分析和定性优化建议。

3.1.2。使用深度神经网络建立该区域的覆盖模型

小区网络结构、参数配置、地形、服务类型、覆盖指标、干扰指标等特征属性。并且根据服务逻辑对这些样本进行矢量化。预处理后，用于网络覆盖的精细图像，然后训练局部覆盖模型。

3.1.3。覆盖指标的定量预测

动态输入功率、方向角和倾角调整方案可以实现弱覆盖、过覆盖等指标的定量预测。

系统还可以根据预测结果自动输出推荐方案。深度学习模型的设计如图2所示。

3.2 .智能参数设置和推荐系统

提高参数管理和分析的智能化水平可以提高网络优化的效率，降低网络运行和维护的成本。在长期演进(LTE)网络中，每个设备制造商的无线参数之和已经超过8000，并且仅依靠人工经验难以进行精细配置。该系统的设计目标是智能学习现有网络的现有参数配置经验，并快速复制和推广参数优化经验。系统设计思想如下。

3.2.1。LTE小区特征建模

为无线场景的精细分类选择和量化特征属性，包括诸如站结构、交通量、用户分布、用户移动性、邻域结构、地形、互操作性配置策略等特征。

图2基于深度学习的覆盖优化系统模型设计

3.2.2基于聚类算法的细胞特征聚类分类

基于无监督机器学习聚类算法的细胞特征聚类分类:如基于变权重和肘部规则的K均值算法，以获得聚类结果；BIRCH算法能够识别噪声点，但参数调整过程复杂，对高维数据的聚类能力较弱。DBSCAN算法具有计算速度快，可以找到任意形状的聚类，但难以反映密度等特点。[3]，这种算法可以使计算机程序自动完成细胞特征的定量聚类分类。小区无线特征的聚类过程如图3所示被可视化。

3.2.3。参数配置与网络质量的相关性分析

对每个场景的特征聚类结果进行聚类和划分后的聚类内单元进行网络质量评估，挖掘现有网络每个场景的局部参数的最优配置，固化聚类中的局部参数配置经验，根据协同过滤算法自动推荐参数经验值。

3.2.4。基于协同过滤算法和LTE参数智能推荐的小区特征匹配

使用典型的邻域算法KNN，通过计算样本个体之间的距离或相似性(即，寻找具有最相似特征的长期演进无线小区的过程)，找到最接近每个输入样本个体的K个个体。算法的时间复杂度与样本数量直接相关，一对一的比较过程需要每个人完成。最后，找到参数最优经验库中特征最相似的LTE无线小区，实现参数值[4]的自动推荐输出。

在当前广西钦州地区的网络验证中，该省选取了67个钦州高落差TOP单元，并利用场景参数自动推荐工具输出参数修改建议。累计修改了254个参数。调整后，无线连接率从99.45%提高到99.65%，无线掉线率从0.5%降低到0.37%，切换成功率从98.85%提高到98.91%。可以看出，该系统基本上接近人工优化的效果，同时降低了人工成本，可以长期稳定地进行网络优化。

图3小区无线特性的分簇操作过程

3.3 .异常网络质量特征的智能检测、原因定位、报警/投诉预诊断

对于网络性能告警、设备软硬件告警、投诉等问题，传统的网络监控和运维方法大多基于后处理模式，即“触发告警→工单分配”模式。但是，一旦产生各种性能警报，它们表示网络问题已经发生，只能被动处理。

借助人工智能算法，如果能够提前预测网络故障的概率，降低网络故障的实际概率，就可以将运维模式从后处理推向前预防，从而大大减少投诉的发生，提高客户感知。系统设计思想如下。

3.3.1。正常网络运行下的特征数据提取

在网络正常运行状态下，所有与网络运行特性相关的数据，如性能、参数、报警状态、流量等。，被提取。并根据业务逻辑向量化这些特性。

3.3.2、特征学习或降维

由于有数百个原始特征，包括许多冗余特征，计算量很大，影响了后续异常样本分布的识别，因此通过自编码等算法来降低维数。

3.3.3 .异常数据的筛选

根据从正常采样点学习到的分布密度，输出待检测数据的密度异常概率，如图4 [5，6]所示。

此时，可以实现报警/投诉预诊断和故障排除。最近，如果选择了监督学习，即异常样本包含故障类型标签，则可以根据上述过程直接输出故障类型。

图4异常网络质量特征的智能检测

3.4 .智能工单规则分析与精确调度

探索和利用现有网络中积累的闭环工单处理数据，进行挖掘分析，建立数学模型，使用监督机器学习算法分析网络特征与工单处理方案、工单反馈结果等之间的映射关系。通过大量的数据训练模型，实现网络问题的智能分类和工单的智能分配。

系统设计过程包括:

(1)记录工单实施计划和指标前后的对比效果，共同描绘网络问题的特点和工程师的业务处理能力。

(2)基于复杂特征图，对有效工单进行机器模型学习，利用模型预测实现网络问题的智能分类和工单的智能分配。

(3)连续反馈/校正特征图像，以增强机器学习能力。同时，网络问题特征数据库、网络分析经验数据库和人员能力数据库不断积累和形成。

3.5、智能隐患预测和自动检查

根据集中维护中隐患预测和动态检查的要求，进行机器学习和数据挖掘。通过用户权限省级数据的同步、平台数据的集中优化和监控数据的移动，实现了网站运行维护指标的多维表征，实现了管理网站的细粒度可视化。使用人工智能技术实时预测重要警报。根据现场概况和隐患预测，确定重点监控区域，制定动态检查计划。通过关联的工单系统，基于历史工单数据，自动输出诊断方案，提高工单分配的准确性。最终实现智能操作和维护。

利用数据挖掘技术，可以及早发现问题，将问题从被动处理转变为主动预防，从而提高整体资源利用率和维护效率。系统流程如下。

(1)基于现场性能数据、报警信息、人力资源、设备状况等多维度。，对站点进行统计描述，实现运行维护侧的健康等级等。

(2)利用大数据和深循环神经网络，对现有的历史性能、劳动参数、动态环数据和历史报警数据进行建模，实现重要报警的提前预测，形成隐患专家诊断系统。通过学习历史维护方案，实现自动输出报警检查方案，如图5所示。

图5基于循环神经网络的重要报警预测

(3)根据隐患管理和现场情况，定位隐患区域，制定动态检查计划，优化资源调度，执行检查任务。

(4)对接整合工单数据，数据挖掘合并工单，剔除不必要的工单，合并相似的工单。

[/s2/]4，[概要/s2/]

目前，人工智能的巨大进步在各个领域发挥了巨大的作用，机器在完成特定任务方面的性能甚至超过了人类。未来，人工智能技术将深刻改变人类的生产生活方式和思维方式，实现社会生产力的全面飞跃。研究人工智能在网络优化和运维中的应用，将大大提高网络智能优化和运维水平，有助于网络运行降低成本、提高效率。

参考

[1]韩丁和萨拉库蒂诺夫.用神经网络降低数据维数[J]。科学，2006。

[2]约绍·本吉奥。为人工智能[学习深层架构。机器学习的基础和趋势，2009

[3]周志华。机器学习[。北京:清华大学出版社，2016。

[4]弗朗切斯科·里奇等人的推荐系统:技术、评估和高效算法[·米]。北京:机械工业出版社，2015。

[5]韩建文，米其林k .数据挖掘的概念和技术[M]。北京:机械工业出版社，2010。

[6]威滕，英，弗兰克，英，等。数据挖掘的实用机器学习技术[。北京:机械工业出版社，2006。