一种基于趋势外推聚类的移动网络性能预警预判方法

摘要

本发明涉及一种移动网络性能预警预判方法，一种基于趋势外推聚类的移动网络性能预警预判方法，包括以下步骤：(1)利用趋势外推及K中心点聚类算法计算各个性能指标的预警门限；(2)实时计算本时间粒度的预警及预判，得出预判变化。本发明能够有效克服由于历史数据异常点导致的预警门限不准确问题，能够反映趋势变化，使预警门限更准确，能够根据网络拓扑将多条预警信息汇总为一条预判，并能够反映预判变化，从而能够从整体上反映网络的性能变化情况。

说明书

技术领域

本发明涉及一种移动网络性能预警预判方法，更具体地说，涉及一种基 于趋势外推聚类的移动网络性能预警预判方法。

背景技术

移动运营商对网络运行设备进行了实时监控，各个设备会定时产生一段 时间的监测数据，以供查询分析。当前移动网络异常分析一般包括两种方法： 一是：发现网络故障之后，查询历史监测数据，分析故障原因。这种方法一般 都有一定滞后性，即故障发生后才能分析出原因，然后进行维护。二是：设置 各个性能指标的预警门限，并实时监测当前各个性能指标，如发现指标超出门 限，则产生预警，进行故障分析。门限配置一般包括两种方法，即静态门限和 动态门限。静态门限需要人工配置，工作量大，要有足够的经验，而且随着网 络变化需要经常更新。动态门限一种方法是根据历史数据进行统计，采用均值 作为中心线，3倍标准差作为阈值计算门限。这种方法没有考虑到网络数据的 变化趋势，直接把历史数据均值作为未来的中心线，而且历史数据中的异常数 据也会对结果产生影响。另一种方法是采用传统时间序列预测方法进行预测作 为中心线，3倍标准差作为阈值计算门限。这种预测方法对预测之后某几个点 比较准确，如果预测点数多则误差较大，而且如果预测最近的序列出现异常， 对预测结果影响较大，容易产生误差。当网络中告警比较多时，人工查看非常 不方便，需要采用一种方法将网络中告警汇总为几个主告警，以便更好的分析 查看，本方法将这种汇总预警的方法称为预判。

发明内容

为了克服现有技术中存在的不足，本发明目的是提供一种基于趋势外推聚 类的移动网络性能预警预判方法。该方法能够通过趋势外推法更加准确的反映 未来的变化趋势，通过K中心点聚类算法能够消除历史数据中异常点对结果的 影响，通过预警汇总为预判给网络优化人员提供了更好的呈现方式，提高了预 警的准确率，减少了预警的误判，减少了网络优化人员的工作量。

为了实现上述发明目的，解决现有技术中所存在的问题，本发明采取的技 术方案是：一种基于趋势外推聚类的移动网络性能预警预判方法，其特征在于 包括以下步骤：

步骤1、利用趋势外推及K中心点聚类算法计算各个性能指标的预警门限： 将动态获取的移动网络性能指标历史数据，利用趋势外推及K中心点聚类算法 计算各个性能指标预警门限，本方法每天计算一次预警门限，具体包括以下子 步骤：

(1)、获取移动网络性能指标的历史数据：从移动网络数据库中动态获取 各个指标的历史数据，本方法要求历史性能指标数据至少为3周，最多不超过 8周，而且必须为整周；

(2)、将历史数据分解为趋势分量和周期分量：针对某一个网元的某一指 标的历史数据，看做是一个周期时间序列，周期为一天，共多个周期，将历史 数据分解为趋势分量和周期分量，具体包括以下子步骤：

(2a)、历史数据利用周期模型，计算移动平均值，得到趋势分量，历史数 据可看做周期分量和趋势分量共同作用的结果，利用时间序列的乘法模型表示 为：

Y＝F*T    (1)

式中，F是周期分量，T是趋势分量，Y是历史数据，对时间序列计算周 期整数倍的移动平均即可消除趋势分量的影响，得到周期分量，设历史数据时 间序列为y_t,t＝1,2,…,k-1，其中k为当前时刻，因为周也构成了一个周期，因 此本方法对周进行移动平均，表示为：

${\hat{y}}_t=(y_t+y_{t-1}+...+y_{t-N+1})/N---\left(2\right)$

式中，是移动平均之后结果，y_t是t时刻的实际值，N是移动平均的数 据点数，本方法采用N为一周点数，从历史数据的第二周开始计算，一直计 算到当前时间粒度的前一个时间粒度，其值即为各个时间粒度的趋势分量；

(2b)、将历史数据原始值除以趋势分量即得周期分量，从而将趋势分量和 周期分量分离；

根据公式(1)可得F＝Y/T，将历史数据中第二周开始的数据除以对应时 间粒度的趋势分量，即得对应时间粒度的周期分量，从而将历史数据中趋势分 量和周期分量分离；

(3)、趋势分量利用曲线拟合得到下一周期的趋势分量：根据历史数据的 趋势分量，可以估算下一周期的趋势分量，具体包括以下子步骤：

(3a)、将历史数据的趋势分量利用多项式曲线拟合：根据经验，移动网络 性能指标的趋势一般满足多项式函数，因此进行多项式曲线拟合，多项式拟合 的结果形式为y＝a₀+a₁x+…+a_kx^k，式中x的最高次幂k代表此多项式是k次多项 式，本发明采用最小二乘法进行曲线拟合，误差平方和是指拟合数据和实际数 据对应点误差的平方和，其计算公式为：

$\mathrm{SSE}=\underset{i=1}{\overset{n}{\Sigma }}{(y_i-{\hat{y}}_i)}^2---\left(3\right)$

式中，y_i是实际数据，是拟合数据，n代表数据点个数，最小二乘法就 是要使误差平方和最小，进而确定各项系数，假设历史趋势分量共有n个点， 则其误差平方和为

$\mathrm{SSE}=\underset{i=1}{\overset{n}{\Sigma }}{[y_i-(a_0+a_1{x}_i+...+a_k{x_i}^k)]}^2---\left(4\right)$

式中，y_i是趋势分量实际数据，x_i是趋势分量序号，n代表趋势分量数据 点个数，a₀到a_k为要拟合的多项式系数，对公式(4)中a₀到a_k分别求偏导， 并令其为0，可得：

$\left(\begin{array}{c}-2\underset{i=1}{\overset{n}{\Sigma }}[y_i-(a_0+a_1{x}_i+...a_k{x_i}^k)]=0\\ ...\\ -2\underset{i=1}{\overset{n}{\Sigma }}[y_i-(a_0+a_1{x}_i+...a_k{x_i}^k)]{x_i}^k=0\end{array}\right)---\left(5\right)$

式中，y_i是趋势分量实际数据，x_i是趋势分量序号，n代表趋势分量数据 点个数，a₀到a_k为要拟合的多项式系数，根据k+1个方程的方程组，可以解得 a₀到a_k的值，进而得到趋势方程；

(3b)、利用拟合的趋势方程计算出下个周期的趋势值：根据拟合的趋势方 程和下个周期各点的序号，将序号带入趋势方程中，即可求得下个周期各点的 趋势值；

(4)、周期分量利用K中心点聚类算法聚类出一个聚类中心：针对历史数 据中n天的周期分量，利用K中心点聚类算法找出其中一天来代替n天的数据， 具体包括以下子步骤：

(4a)、任意选择一天数据作为初始中心点：假设周期分量共有n天数据， 每天有k个点，本发明将每天k个点作为一个数据点，它是一个k维向量，则 周期分量即可看做n个k维向量，任意选择n个k维向量中其中一个作为初始 中心点；

(4b)、计算此中心点的目标函数值：为了计算哪个中心点更加能够更好的 代替整个数据集，需要一个目标函数，目标函数越小，说明聚类效果越优，本 发明采用其余数据点离中心点距离之和作为目标函数，其中两点之间距离采用 如下公式计算：

$d=\sqrt{{(a_1-b_1)}^2+{(a_2-b_2)}^2+...+{(a_k-b_k)}^2}---\left(6\right)$

式中，a、b是两天数据，a₁到a_k分别为当天第一个数据点到第k个数据点， 每天一共k个点，本方法采用的目标函数计算公式为：

$S=\underset{i=1}{\overset{n-1}{\Sigma }}{d}_i---\left(7\right)$

式中，d_i为其余数据点到中心点距离，计算其余数据点离当前中心点的距 离，其和作为当前中心点的目标函数值；

(4c)、依次选择其余数据点作为中心点，比较目标函数值，确定最终中 心点：依次选择其余数据点作为中心点，计算目标函数值，与之前目标函数值 比较，如果小于之前目标函数值，则替换为当前中心点，直至所有数据点都比 较过之后，得到最终聚类中心点；

(5)、将聚类中心和下一周期的趋势分量相乘得到下一周期的预警门限基 准值：由子步骤(3)得到的下一周期的趋势分量和由子步骤(4)得到周期分 量的聚类中心，将两者对应项相乘得到下一周期的预警门限基准值；

(6)、利用正态分布的3σ原则，计算下一周期的正常活动区间，得到预警 门限：根据统计计算，历史每天同一时间粒度数据基本满足正态分布，而正态 分布满足3σ原则，即数据基本都在均值-3σ到均值+3σ之间，而偏离这个区间 的概率只有0.3％，因此可以采用这个原则确定数据正常的活动范围，具体包括 以下子步骤：

(6a)、计算历史性能指标数据每天同一个时间粒度的标准差：将历史性能 指标数据与每天同一时间粒度数据作为一组，计算每组的标准差，其中标准差 公式为：

$\sigma =\sqrt{\frac{1}{N-1}\underset{i=1}{\overset{N}{\Sigma }}{(x_i-\mu )}^2}---\left(8\right)$

式中，x_i是每天同一时间粒度的数据值，一共N个，μ是每天同一时间粒 度的均值，σ是标准差；

(6b)、计算下一周期的正常活动区间，结合下一周期的预警门限基准值得 到预警门限：本方法将预警门限基准值上下浮动2σ作为正常活动区间，超出则 产生预警，将预警级别定为2级，即高级别预警和低级别预警，将基准值加减 3σ作为高级别预警门限，基准值加减2σ作为低级别预警门限；

步骤2、实时计算本时间粒度的预警及预判，得出预判变化：实时获得各 个性能指标值，跟步骤1得到的预警门限进行比较，判断是否预警，然后将各 个指标预警汇总为预判，并与上个时间粒度预判进行比较，得到预判变化，具 体包括以下子步骤：

(A)、计算本时间粒度的预警：将各个网元的各个性能指标实际值和步骤 1计算出来的预警门限进行比较，判断是否预警；

(B)、将各个指标的预警根据各自的网络拓扑汇总为本时间粒度的预判信 息：将各个指标预警汇总为一个或多个主预警，定义为预判，具体包括以下子 步骤：

(Ba)、将本时间粒度预警根据指标进行分组：将本时间粒度预警根据性 能指标进行分组，每个指标分为一组；

(Bb)、将同一指标维度最高的预警提取出作为本时间粒度预判：根据不 同的性能指标，移动网络性能网元分为不同的维度，如位置更新成功率网元维 度从上到下依次为Pool、MSC、BSC，即每个Pool由多个MSC组成，每个 MSC管理多个BSC，将不同性能指标预警按照各自网络拓扑从下到上进行汇 总，得到维度最高的一个或多个预警作为预判；

(C)、将本时间粒度预判与上一时间粒度预判进行比较，得出预判变化： 将上个时间粒度的预判与本时间粒度预判进行比较，得出预判的变化情况，预 判变化为预判发生、预判消除、预判维度变化及预判级别变化。

本发明有益效果是：一种基于趋势外推聚类的移动网络性能预警预判方 法，包括以下步骤：步骤1、利用趋势外推及K中心点聚类算法计算各个性能 指标的预警门限，具体包括以下子步骤：(1)、获取移动网络性能指标的历史 数据，(2)、将历史数据分解为趋势分量和周期分量，(3)、趋势分量利用曲线 拟合得到下一周期的趋势分量，(4)、周期分量利用K中心点聚类算法聚类出 一个聚类中心，(5)、将聚类中心和下一周期的趋势分量相乘得到下一周期的 预警门限基准值，(6)、利用正态分布的3σ原则，计算下一周期的正常活动区 间，得到预警门限；步骤2、实时计算本时间粒度的预警及预判，得出预判变 化，具体包括以下子步骤：(A)、计算本时间粒度的预警，(B)、将各个指标 的预警根据各自的网络拓扑汇总为本时间粒度的预判信息，(C)、将本时间粒 度预判与上一时间粒度预判进行比较，得出预判变化。与现有技术相比，本发 明能够有效克服由于历史数据异常点导致的预警门限不准确问题，能够反映趋 势变化，使预警门限更准确，能够根据网络拓扑将多条预警信息汇总为一条预 判，并能够反映预判变化，从而能够从整体上反映网络的性能变化情况。

附图说明

图1是本发明移动网络性能预警预判方法的流程图。

图2是2013.8.1-2013.8.28某MSC位置更新成功率原始数据图。

图3是2013.8.1-2013.8.28某MSC位置更新成功率原始数据按天统计 图。

图4是2013.8.1-2013.8.28某MSC位置更新成功率应用7*96移动平均 结果图。

图5是2013.8.1-2013.8.28某MSC位置更新成功率应用移动平均后分 解出的周期分量图。

图6是2013.8.1-2013.8.28某MSC位置更新成功率分解出的周期分量 按天统计图。

图7是2013.8.1-2013.8.28某MSC位置更新成功率分解出的趋势分量使 用1次、3次多项式曲线拟合结果图。

图8是2013.8.1-2013.8.28某MSC位置更新成功率分解出的趋势分量使 用5次、7次多项式曲线拟合结果图。

图9是2013.8.1-2013.8.28某MSC位置更新成功率分解出的趋势分量使 用8次、9次多项式曲线拟合结果图。

图10是2013.8.1-2013.8.28某MSC位置更新成功率分解出的趋势分量 最终趋势外推结果图。

图11是2013.8.1-2013.8.28某MSC位置更新成功率分解出的周期分量 应用K中心点聚类算法结果图。

图12是2013.8.1-2013.8.28某MSC位置更新成功率计算出的动态门限 结果图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，一种基于趋势外推聚类的移动网络性能预警预判方法，包括 以下步骤：

步骤1、利用趋势外推及K中心点聚类算法计算各个性能指标的预警门限。

将动态获取的移动网络性能指标历史数据，利用趋势外推及K中心点聚类 算法计算各个性能指标预警门限，本方法每天计算一次预警门限，具体包括以 下子步骤：

(1)、获取移动网络性能指标的历史数据；动态获取移动网络性能指标的 历史数据，移动网络性能指标可以有多个，如寻呼成功率、位置更新成功率、 CP负荷等，各个性能指标又可以分为不同的网元维度(Pool、MSC、BSC等)， 高维度指标需要通过低维度来统计计算，移动网络性能指标可以按照不同的时 间粒度来统计，如1小时、15分钟等，本方法要求历史性能指标数据至少3 周，最多不超过8周，并且必须为整周。接下来会结合具体数据进行分析，从 某市移动网络管理数据库中获取某MSC位置更新成功率指标数据，时间是从 2013年8月1日开始的28天，时间采集粒度为15分钟，原始数据如图2所示。 每天96个点，可以看做是一个96维的向量，28天可以看做28个96维向量， 如图3所示。

(2)、将历史数据分解为趋势分量和周期分量；时间序列一般是由多因素 共同作用的结果，一般将其分解为不同分量来分析：趋势分量(T)、循环分量(C)、 季节分量(S)、不规则分量(I)。时间序列有两种分析模型，加法模型(y＝T+S+C+I) 和乘法模型(y＝T*S*C*I)，由于加法模型可以通过求对数转为乘法模型，因此 一般使用乘法模型来分析。对于有明显季节因素影响的时间序列，可以通过季 节移动平均来消除季节变动和随机变动部分SI，剩下TC，采用移动季节平均 公式为：y_t＝(y_t+y_t-1+…+y_t-N+1)/N，得到的就是趋势分量和循环分量TC，其中N 一般取为季节周期的正整数倍。针对某一个网元的历史数据，可以看做是一个 周期时间序列，周期为一天，一共多个周期。将历史数据分解为趋势分量和周 期分量，具体包括以下子步骤：

(2a)、历史数据利用周期模型，计算移动平均值，得到趋势分量；对于 历史指标数据，因为是周期时间序列，所以有周期因素的影响，但是每个周期 又伴有一定的趋势性，所以又有趋势的影响，所以可以把历史指标数据Y看做 周期分量F和趋势分量T共同作用的结果。利用时间序列的乘法模型，即为

Y＝F*T    (1)

式中，F是指周期分量，T是指趋势分量，Y是整个指标数据。对时间序 列计算周期整数倍的移动平均即可消除趋势分量的影响，得到周期分量。设历 史数据时间序列为y_t,t＝1,2,…,k-1，其中k为当前时刻，因为周也构成了一个 周期，因此本方法对周进行移动平均，即

${\hat{y}}_t=(y_t+y_{t-1}+...+y_{t-N+1})/N---\left(2\right)$

式中，是移动平均之后结果，y_t是t时刻的实际值，N是移动平均的数 据点数，本方法采用N为一周点数，如每小时采集一个点，N即为24*7＝168。 从历史数据的第二周开始计算，一直计算到当前时间粒度的前一个时间粒 度，其值即为各个时间粒度的趋势分量。针对提供的某MSC位置更新成功率 指标数据，每天采集96个点，因此N＝96*7，计算其移动平均，结果如图4所 示，其即为趋势分量T。

(2b)、将历史数据原始值除以趋势分量即得周期分量，从而将趋势分量 和周期分量分离；根据公式1可得F＝Y/T，将历史数据中第二周开始的数据除 以对应时间粒度的趋势分量，即得对应时间粒度的周期分量，从而将历史数据 中趋势分量和周期分量分离。针对提供的某MSC位置更新成功率指标数据， 计算结果如图5、图6所示。

(3)、趋势分量利用曲线拟合得到下一周期的趋势分量；根据历史数据的 趋势分量，可以估算下一周期的趋势分量，具体包括以下子步骤：

(3a)、将历史数据的趋势分量利用多项式曲线拟合；根据经验，移动网 络性能指标的趋势一般满足多项式函数，因此进行多项式曲线拟合。多项式拟 合的结果形式为y＝a₀+a₁x+…+a_kx^k，其中x的最高次幂k代表此多项式是k次多 项式。本发明采用最小二乘法进行曲线拟合，误差平方和是指拟合数据和实际 数据对应点误差的平方和，其计算公式为：

$\mathrm{SSE}=\underset{i=1}{\overset{n}{\Sigma }}{(y_i-{\hat{y}}_i)}^2---\left(3\right)$

式中，y_i是指实际数据，是指拟合数据，n代表数据点个数，最小二乘 法就是要使误差平方和最小，进而确定各项系数。假设历史趋势分量共有n个 点，则其误差平方和为

$\mathrm{SSE}=\underset{i=1}{\overset{n}{\Sigma }}{[y_i-(a_0+a_1{x}_i+...+a_k{x_i}^k)]}^2---\left(4\right)$

式中，y_i是指趋势分量实际数据，x_i是指趋势分量序号，n代表趋势分量 数据点个数，a₀到a_k为要拟合的多项式系数。对公式4中a₀到a_k分别求偏导， 并令其为0，可得：

$\left(\begin{array}{c}-2\underset{i=1}{\overset{n}{\Sigma }}[y_i-(a_0+a_1{x}_i+...a_k{x_i}^k)]=0\\ ...\\ -2\underset{i=1}{\overset{n}{\Sigma }}[y_i-(a_0+a_{1}x+...a_k{x_i}^k)]{x_i}^k=0\end{array}\right)---\left(5\right)$

式中，y_i是指趋势分量实际数据，x_i是指趋势分量序号，n代表趋势分量 数据点个数，a₀到a_k为要拟合的多项式系数。根据k+1个方程组，可以解得a₀ 到a_k的值，进而得到趋势方程。针对提供的某MSC位置更新成功率指标数据， 分别进行1次、3次、5次、7次、8次、9次多项式拟合，得到结果分别为：

1次多项式拟合：f(x)＝p1*x+p2

p1＝0.0004168  p2＝94.22

SSE:1.297

3次多项式拟合：f(x)＝p1*x^3+p2*x^2+p3*x+p4

p1＝-1.043e-10  p2＝3.399e-07  p3＝0.000113  p4＝94.28

SSE:0.6613

5次多项式拟合：f(x)＝p1*x^5+p2*x^4+p3*x^3+p4*x^2+p5*x+p6

p1＝-1.827e-16  p2＝1.075e-12  p3＝-2.374e-09  p4＝ 2.392e-06

p5＝-0.000607  p6＝94.34

SSE:0.2616

7次多项式拟合：f(x)＝p1*x^7+p2*x^6+p3*x^5+p4*x^4+p5*x^3+ p6*x^2+p7*x+p8

p1＝2.522e-22  p2＝-2.105e-18  p3＝6.752e-15  p4＝ -1.039e-11

p5＝7.576e-09  p6＝-1.907e-06  p7＝0.0001642  p8＝ 94.31

SSE:0.1623

8次多项式拟合：f(x)＝p1*x^8+p2*x^7+p3*x^6+p4*x^5+p5*x^4+ p6*x^3+p7*x^2+p8*x+p9

p1＝4.203e-25  p2＝-3.138e-21  p3＝9.067e-18  p4＝ -1.257e-14

p5＝8.349e-12  p6＝-2.509e-09  p7＝8.7e-07  p8＝ -0.0001568

p9＝94.32

SSE:0.1529

9次多项式拟合：f(x)＝p1*x^9+p2*x^8+p3*x^7+p4*x^6+p5*x^5+ p6*x^4+p7*x^3+p8*x^2+p9*x+p10

p1＝-1.572e-27  p2＝1.469e-23  p3＝-5.73e-20  p4＝ 1.206e-16

p5＝-1.476e-13  p6＝1.057e-10  p7＝-4.281e-08  p8＝ 9.593e-06

p9＝-0.0009593  p10＝94.33

SSE:0.1193

拟合曲线如图7、图8、图9所示，其中图7(a)为1次多项式拟合结果， 图7(b)为3次多项式拟合结果，图8(a)为5次多项式拟合结果，图8(b)为7次 多项式拟合结果，图9(a)为8次多项式拟合结果，图9(b)为9次多项式拟合结 果。可以看到次幂越高，误差项平方和越小，但是阶数太高，数据点中异常项 对结果影响越大，所以本例选择7次多项式拟合。

(3b)、利用拟合的趋势方程计算出下个周期的趋势值；根据拟合的趋势 方程和下个周期各点的序号，将序号带入趋势方程中，即可求得下个周期各点 的趋势值。针对提供的某MSC位置更新成功率指标数据，根据拟合函数计算 下一周期趋势分量，即取x从2017到2112，计算y的值，得到结果如图10 所示。

(4)、周期分量利用K中心点聚类算法聚类出一个聚类中心；K中心点聚 类算法是K均值聚类算法的改进算法，K均值聚类算法是把n个样本分成K 类，并且计算每个类中点的均值作为其类的中心点，其对离群点是敏感的，离 群点容易导致分类结果不正确和中心点不正确，K中心点聚类算法改善了K均 值聚类算法对离群点敏感的特性，在有异常值的情况下，依然可以较好的聚类 出中心点。这个中心点能够代替整个数据集，此步针对历史数据中n天的周期 分量，利用K中心点聚类算法找出其中一天来代替n天的数据，并且受数据中 异常点的影响较小，具体包括以下子步骤：

(4a)、任意选择一天数据作为初始中心点；假设周期分量共有n天数据， 每天有k个点，本发明将每天k个点作为一个数据点，它是一个k维向量，则 周期分量即可看做n个k维向量。任意选择n个k维向量中其中一个作为初始 中心点。

(4b)、计算此中心点的目标函数值；为了计算哪个中心点更加能够更好 的代替整个数据集，需要一个目标函数，目标函数越小，说明聚类效果越优。 本发明采用其余数据点离中心点距离之和作为目标函数，其中两点之间距离采 用如下公式计算：

$d=\sqrt{{(a_1-b_1)}^2+{(a_2-b_2)}^2+...+{(a_k-b_k)}^2}---\left(6\right)$

式中，a、b是两天数据，a₁到a_k分别为当天第一个数据点到第k个数据点， 每天一共k个点。因此本方法采用的目标函数计算公式为：

$S=\underset{i=1}{\overset{n-1}{\Sigma }}{d}_i---\left(7\right)$

式中，d_i为其余数据点到中心点距离，计算其余数据点离当前中心点的距 离，其和作为当前中心点的目标函数值。

(4c)、依次选择其余数据点作为中心点，比较目标函数值，确定最终中 心点；依次选择其余数据点作为中心点，计算目标函数值，与之前目标函数值 比较，如果小于之前目标函数值，则替换为当前中心点，直至所有数据点都比 较过之后，得到最终聚类中心点。针对提供的某MSC位置更新成功率指标数 据，聚类结果如图11所示。

(5)、将聚类中心和下一周期的趋势分量相乘得到下一周期的预警门限基 准值；由子步骤(3)得到的下一周期的趋势分量和由子步骤(4)得到周期分 量的聚类中心，将两者对应项相乘得到下一周期的预警门限基准值。

(6)、利用正态分布的3σ原则，计算下一周期的正常活动区间，得到预警 门限；根据统计计算，历史每天同一时间粒度数据基本满足正态分布，而正态 分布满足3σ原则，即数据基本都在“均值-3σ”到“均值+3σ”之间，而偏离 这个区间的概率只有0.3％，因此可以采用这个原则确定数据正常的活动范围， 具体包括以下子步骤：

(6a)、计算历史性能指标数据每天同一个时间粒度的标准差σ；历史性能 指标数据，每天同一时间粒度数据作为一组，计算每组的标准差σ，其中标准 差公式为：

$\sigma =\sqrt{\frac{1}{N-1}\underset{i=1}{\overset{N}{\Sigma }}{(x_i-\mu )}^2}---\left(8\right)$

式中，x_i是每天同一时间粒度的数据值，一共N个，μ是每天同一时间粒 度的均值。

(6b)、计算下一周期的正常活动区间，结合下一周期的预警门限基准值 得到预警门限；本方法将预警门限基准值上下浮动2σ作为正常活动区间，超出 则产生预警，将预警级别定为2级，高级别预警和低级别预警，将基准值加减 3σ作为高级别预警门限，基准值加减2σ作为低级别预警门限。针对提供的某 MSC位置更新成功率指标数据，最终计算结果如图12所示。

步骤2、实时计算本时间粒度的预警及预判，得出预判变化；实时获得各 个性能指标值，跟步骤1得到的预警门限进行比较，判断是否预警，然后将各 个指标预警汇总为预判，并与上个时间粒度预判进行比较，得到预判变化，具 体包括以下子步骤：

(A)、计算本时间粒度的预警；将各个网元的各个性能指标实际值和上一 步骤计算出来的预警门限比较，判断是否预警。

(B)、将各个指标的预警根据各自的网络拓扑汇总为本时间粒度的预判信 息；将各个指标预警汇总为一个或多个主预警，定义为预判，具体包括以下子 步骤：

(Ba)、将本粒度预警根据指标进行分组；将本粒度预警根据性能指标进 行分组，每个指标分为一组。

(Bb)、将同一指标维度最高的预警提取出作为本粒度预判；根据不同的 性能指标，移动网络性能网元可能分为不同的维度，如位置更新成功率网元维 度从上到下依次为Pool、MSC、BSC，即每个Pool由多个MSC组成，每个 MSC管理多个BSC。将不同性能指标预警按照各自网络拓扑从下到上进行汇 总，得到维度最高的一个或多个预警作为预判。2013.8.1010:15位置更新成功 率的预警情况如下：Pool1.MSC1.BSC2高级别预警，Pool1.MSC1.BSC5低级 别预警，Pool1.MSC1低级别预警。根据网络拓扑结构，汇总出预判为 Pool1.MSC1低级别预判。

(C)、将本时间粒度预判与上一时间粒度预判进行比较，得出预判变化；

获得上个时间粒度的所有预判，与本粒度预判进行比较，得出预判的变化 情况。预判变化可能为：预判发生、预判消除、预判维度变化、预判级别变化， 判别标准为：预判发生：当前时间粒度此维度有预判，上个时间粒度原来没有 此维度预判，且没有此维度高低维度预判。预判消除：上个时间粒度有此维度 预判，当前时间粒度没有此维度预判，且没有此维度高低维度预判。预判维度 变化：当前时间粒度有此维度预判，上个时间粒度有此维度高低维度预判。预 判级别变化：上个时间粒度有此维度预判，当前时间粒度有此维度预判，但是 级别不同。2013.8.1010:00时间粒度位置更新成功率预判情况为：Pool1低级 别预判，而2013.8.1010:15时间粒度位置更新成功率预判为：Pool1.MSC1低 级别预判，所以可以得出位置更新成功率指标预判由Pool1的低级别预判降低 为Pool1.MSC1的低级别预判，维度降低。

本发明优点在于：一种基于趋势外推聚类的移动网络性能预警预判方法， 能够有效克服由于历史数据异常点导致的预警门限不准确问题，能够反映趋势 变化，使预警门限更准确，能够根据网络拓扑将多条预警信息汇总为一条预判， 并能够反映预判变化，从而能够从整体上反映网络的性能变化情况。