劉海濱 中國(guó)鐵塔股份有限公司響應(yīng)中心工程師

1　引言

中國(guó)鐵塔股份有限公司是3家電信企業(yè)聯(lián)合出資成立的通信基礎(chǔ)設(shè)施服務(wù)企業(yè)，目的是推動(dòng)資源共享，減少重復(fù)建設(shè)，避免“雙塔并立”、“多塔林立”等情形，并提升效率效益。公司主營(yíng)通信鐵塔、基站機(jī)房等配套設(shè)施及室內(nèi)分布系統(tǒng)的建設(shè)、維護(hù)和運(yùn)營(yíng)，兼營(yíng)基站設(shè)備的維護(hù)。

為及時(shí)、準(zhǔn)確地掌握各機(jī)房等設(shè)施的狀態(tài)，公司建立了完整的動(dòng)環(huán)監(jiān)控系統(tǒng)，能夠及時(shí)掌握全國(guó)百萬(wàn)級(jí)站址及相關(guān)設(shè)備的情況。在有異?；蚬收蠒r(shí)，能夠及時(shí)告警并智能合并相關(guān)告警，生成工單，直接派發(fā)給一線的維護(hù)人員。一線維護(hù)人員通過(guò)終端APP可以及時(shí)接收工單并上站維護(hù)。

由于各站址地理位置、氣候環(huán)境等都具有一定的特殊性和復(fù)雜性，某些工單的告警會(huì)自動(dòng)清除，此時(shí)有些派單就浪費(fèi)了一線維護(hù)人員的人力物力。因此，對(duì)工單進(jìn)行研究分析，為進(jìn)一步實(shí)施智能派單作出理論分析基礎(chǔ)。

2　歷史工單概覽

表1　歷史完結(jié)工單

對(duì)歷史完結(jié)工單進(jìn)行分析統(tǒng)計(jì)，約有77.6%的工單告警會(huì)自動(dòng)清除（見(jiàn)表1）；未上站維護(hù)且自動(dòng)清除的工單占總工單的比例約為65.4%（見(jiàn)表2）。因此，不需上站且自動(dòng)清除的工單是本次分析的重點(diǎn)。

表2　未上站維護(hù)且自動(dòng)清除的工單

智能派單的目的是減少一線維護(hù)人員無(wú)效上站的次數(shù)，對(duì)發(fā)出的工單確實(shí)需要維護(hù)人員上站維護(hù)。那么智能派單的基礎(chǔ)就是工單不需要人員上站維護(hù)而且告警會(huì)自動(dòng)消除，通過(guò)上述分析可知，這一部分占到了樣本工單的65.4%，具有相當(dāng)大的分析價(jià)值和操作空間，本文分析所指的工單告警就是這一部分。

通過(guò)分析樣本數(shù)據(jù)，告警自動(dòng)消除且未上站的工單中排名前20位的工單告警類型如表3所示。

從表3可以看出，排名第1的“交流輸入停電告警”占工單告警問(wèn)題中的36.31%，而第20名告警只占告警總量的0.22%。前20名告警的累積比占告警總量的98.24%，即在所有告警中98.24%都在這20個(gè)告警中。因此，本文主要分析前20名告警，且排列順序均按此表中的次序排列。

3　分析思路

首先判斷一個(gè)工單的告警是否會(huì)自動(dòng)消除，如果告警不能自動(dòng)消除，就只能派單，讓一線維護(hù)人員上站檢修。如預(yù)測(cè)的告警會(huì)自動(dòng)消除，如何決策何時(shí)派發(fā)該告警生成的工單給一線維護(hù)人員，既能保證站址維護(hù)的質(zhì)量，又可最大化地避免一線維護(hù)人員的空跑，高效利用人力資源，節(jié)約成本。因此，智能派單分為兩步，一是預(yù)測(cè)該告警產(chǎn)生的工單是否會(huì)自動(dòng)消除；二是統(tǒng)計(jì)分析該告警消除的時(shí)間分布情況，來(lái)決定何種告警何時(shí)派單效果較好。

表3　前20位工單告警類型

4　KNN算法測(cè)試

分析告警是否會(huì)自動(dòng)清除，采用的是機(jī)器學(xué)習(xí)中的KNN（k-NearestNeighbor）方法，即K近鄰法。

K最近鄰（KNN，k-NearestNeighbor）算法是機(jī)器學(xué)習(xí)中十大算法之一。所謂K最近鄰，就是K個(gè)最近的鄰居的意思，即每個(gè)樣本都可以用它最接近的K個(gè)鄰居來(lái)代表。

KNN算法的核心思想是：如果一個(gè)樣本在特征空間中有K個(gè)最相鄰的樣本中的大多數(shù)屬于某一個(gè)類別，則判定該樣本也屬于這個(gè)類別，并具有這個(gè)類別上樣本的特性。該方法在確定分類決策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來(lái)決定待分類樣本所屬的類別。KNN方法在類別決策時(shí)，只與極少量的相鄰樣本有關(guān)。KNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來(lái)確定所屬類別，因此對(duì)于類域交叉或重疊較多的待分樣本集來(lái)說(shuō)，KNN方法較其他方法更為適合。

KNN方法的核心思想如圖1所示。圖1中，問(wèn)號(hào)處圓點(diǎn)要被決定賦予哪個(gè)類，是屬于三角形還是四方形？KNN的思想是以問(wèn)號(hào)處的圓點(diǎn)為圓心，畫等距離線（如實(shí)線圓圈與虛線圓圈），如果K=3，由于三角形所占比例為2/3，圓點(diǎn)將被賦予三角形類；如果K=5，由于四方形比例為3/5，因此圓點(diǎn)被賦予四方形類。

以告警清除方式作為被預(yù)測(cè)值，預(yù)測(cè)告警是否會(huì)自動(dòng)消除，本次試驗(yàn)中經(jīng)過(guò)測(cè)試K=7時(shí)預(yù)測(cè)的效果最好。訓(xùn)練時(shí)，對(duì)不同告警賦予了不同的權(quán)重值，權(quán)重值為各告警在樣本中出現(xiàn)的次數(shù)，并且將是否上站作為一個(gè)輸入項(xiàng)，通過(guò)對(duì)樣本集的訓(xùn)練，KNN對(duì)測(cè)試集的預(yù)測(cè)效果如表4所示。

說(shuō)明如下：

data_test_label是測(cè)試集標(biāo)簽，即在測(cè)試集中已知每個(gè)樣本是屬于哪個(gè)類的，以行為代表，0代表告警為手工清除，1代表告警為自動(dòng)清除，即行的數(shù)據(jù)代表實(shí)際情況。

data_test_pred是通過(guò)KNN方法對(duì)測(cè)試集作預(yù)測(cè)分類，0表示預(yù)測(cè)告警為手工清除，1表示預(yù)測(cè)告警為自動(dòng)清除，以列為代表。

表4　KNN對(duì)測(cè)試集的預(yù)測(cè)效果

Row Total代表本行有多少數(shù)據(jù)，即測(cè)試樣本中實(shí)際為0或1的有多少數(shù)據(jù)。

ColumnTotal代表本列有多少數(shù)據(jù)，即測(cè)試樣本中預(yù)測(cè)為0或1的有多少數(shù)據(jù)。

具體說(shuō)明舉例如下：

測(cè)試樣本中為0的數(shù)據(jù)實(shí)際有16919行（即0與Row Total列組合處），通過(guò)KNN測(cè)試為0的數(shù)據(jù)為14210行（即0，0組合外，表示預(yù)測(cè)正確），通過(guò)KNN預(yù)測(cè)為1的數(shù)據(jù)為2709行（即0，1組合處，表示預(yù)測(cè)錯(cuò)誤）。

測(cè)試樣本中為1的數(shù)據(jù)實(shí)際有57969行（即1與Row Total列組合處），通過(guò)KNN測(cè)試為0的數(shù)據(jù)為339行（即1，0組合處，表示預(yù)測(cè)錯(cuò)誤），通過(guò)KNN預(yù)測(cè)為測(cè)試樣本中1的數(shù)據(jù)為57630行（即1，1組合處，表示預(yù)測(cè)正確）。

以三行三列位置處（1，1組合處）具體說(shuō)明，測(cè)試樣本中實(shí)際為1的樣本數(shù)為57969行（即1與Row Total列交集），其中預(yù)測(cè)為1（即預(yù)測(cè)正確）的數(shù)據(jù)有57630行（即1，1組合處），正確率為0.994（57630/57969），錯(cuò)誤（1，0組合處）率為0.006（339/57969）。預(yù)測(cè)為1的數(shù)據(jù)一共有60339行（Column Total行與1組合處），預(yù)測(cè)正確的有57630行（1，1組合），預(yù)測(cè)正確率為0.955（57630/60339）。預(yù)測(cè)為1實(shí)際也為1的數(shù)據(jù)有57630行，占測(cè)試總樣本（Column Total行與Row Total列組合處）中的0.770（57630/74888），測(cè)試總樣本為74888行（Column Total行與Row Total列組合處）。其他數(shù)據(jù)同理。

測(cè)試樣本中，實(shí)際為0、1的比例分別是0.226（16919/74888，0與 Row Total列組合處）與 0.774（57969/74888，1與Row Total列組合處）；預(yù)測(cè)結(jié)果中，預(yù)測(cè)為0、1的比例分別為0.194（14549/74888，Column Total行與 0組合處）與 0.806（60339/74888，Column Total行與1組合處）。

由表4可知，當(dāng)預(yù)測(cè)一個(gè)工單的告警會(huì)自動(dòng)消除時(shí)，準(zhǔn)確率為95.5%（即1，1組合處），即預(yù)測(cè)一個(gè)告警會(huì)自動(dòng)消除，95.5%是真的會(huì)自動(dòng)消除的，4.5%的概率是不會(huì)自動(dòng)消除的，即預(yù)測(cè)錯(cuò)誤的概率為4.5%。

5　工單時(shí)間分布

根據(jù)對(duì)歷史工單告警恢復(fù)時(shí)間的分析，工單告警為自動(dòng)消除且不需要上站的前10名累計(jì)占92.46%，前20名累計(jì)占98.24%，覆蓋了絕大多部分情況，因此關(guān)于告警恢復(fù)時(shí)間的分析，均是針對(duì)工單告警會(huì)自動(dòng)消除且不需要上站的情況（即表3中的數(shù)據(jù)），前20名告警分布時(shí)間如圖2所示。

圖2中縱坐標(biāo)是告警名稱，按告警占比例排序，從下到上，占比依次由大到小，可見(jiàn)橫作標(biāo)是告警消除需要的時(shí)間（持續(xù)時(shí)間），此圖標(biāo)示出不同種類的告警在告警自動(dòng)消除所需時(shí)間上的大概分布情況。通過(guò)告警種類與持續(xù)時(shí)間的對(duì)比（顏色的濃密代表了數(shù)據(jù)是否密集），不同告警持續(xù)的時(shí)間不同，離異點(diǎn)的情況也不同，但總體可以看出，大部分都會(huì)小于500min。

如圖3所示，每種告警數(shù)據(jù)分布不同，每種告警對(duì)應(yīng)行的著色從左到右由深到淺，表示數(shù)據(jù)分布由集中到分散，具體數(shù)據(jù)的集中分布程度的展示，需要通過(guò)箱線圖（見(jiàn)圖4）。

如從0～12的自然數(shù)中，13個(gè)數(shù)從小到大排列，最小的是0，對(duì)應(yīng)圖5中下角線（表示最小值，即下部分虛線最下的橫線），最大的是12，對(duì)應(yīng)圖4中的上角線（表示最大值，即上部分虛線最上的橫線）。

四分位數(shù)（Quartile），即統(tǒng)計(jì)學(xué)中，把所有數(shù)值由小到大排列并分成四等份，處于三個(gè)分割點(diǎn)位置的數(shù)值就是四分位數(shù)。

第一四分位數(shù)（Q1），又稱“較小四分位數(shù)”，等于該樣本中所有數(shù)值由小到大排列后第25%的數(shù)字，對(duì)應(yīng)圖表3中柱體的下邊線，在本例中是3。

第二四分位數(shù)（Q2），又稱“中位數(shù)”，等于該樣本中所有數(shù)值由小到大排列后第50%的數(shù)字，對(duì)應(yīng)圖表3中柱體的中線，在本例中是6。

圖2　前20名告警分布時(shí)間

第三四分位數(shù)（Q3），又稱“較大四分位數(shù)”，等于該樣本中所有數(shù)值由小到大排列后第75%的數(shù)字，對(duì)應(yīng)圖表1中柱體的上邊線，在本例中是9。

第三四分位數(shù)與第一四分位數(shù)的差距又稱四分位距（InterQuartileRange，IQR），對(duì)應(yīng)圖表1中的整個(gè)柱體，在本例中是6。

圖4的箱線圖是垂直顯示，圖5是橫向顯示，箱線圖含義相同。

箱線圖用于展示數(shù)據(jù)分布情況，示例中數(shù)據(jù)是均勻分布，所以圖形看起來(lái)是對(duì)稱的，但實(shí)際中數(shù)據(jù)千差萬(wàn)別，如某些數(shù)據(jù)比較集中，第一四分位數(shù)可能與第二四分位數(shù)重合等情況發(fā)生。

圖4　箱線圖（垂直顯示）

圖6是圖3的箱線圖展示，進(jìn)一步說(shuō)明各種告警在不需要上站維護(hù)時(shí)自動(dòng)恢復(fù)所需要的時(shí)間分布情況。

以“交流輸入停電告警”為例，25%的數(shù)據(jù)是在15min以下，50%的數(shù)據(jù)約是在47min以下。而“非法進(jìn)入告警”的第一四分位數(shù)、第二四分位數(shù)及第三四分位數(shù)間差距比較小，75%的數(shù)據(jù)約是65min以下。具體數(shù)據(jù)參見(jiàn)表5。

圖3　500min以下告警種類和時(shí)間

圖5　箱線圖（橫向顯示）

6　結(jié)束語(yǔ)

通過(guò)KNN算法預(yù)測(cè)分析一個(gè)告警是否會(huì)自動(dòng)清除，在一定情況下可考慮延遲派單，根據(jù)圖6和表5所示，延遲一定時(shí)間在相應(yīng)的概率下工單的告警會(huì)自動(dòng)清除，如“交流輸入停電告警”，延遲15min，有25%的概率告警會(huì)自動(dòng)消除；如延遲47min，有50%的概率告警會(huì)自動(dòng)消除。

系統(tǒng)目前每日產(chǎn)生12萬(wàn)左右的工單，65.4%會(huì)自動(dòng)消除且不需要上站操作。如果將某些告警產(chǎn)生的派單作一定的延時(shí)，可減少許多派單量，如排名第一的“交流輸入停電告警”，占比為36.31%，如果延時(shí)派單15min約可減少25%的工單量，即減少的工單量約為7124（120000×0.654×0.3631×0.25）條；上站維護(hù)的工單量占工單總量的13.4%，如果按照這個(gè)比例進(jìn)行推算（假定上站維護(hù)的工單量與工單問(wèn)題保持一定的線性關(guān)系），減少的7124條工單會(huì)間接減少954（7124×0.134）次上站，以每次上站維護(hù)成本200元計(jì)算，只此一項(xiàng)每天就可節(jié)省成本約19.08萬(wàn)元。

圖6　圖3箱線圖展示

對(duì)同一個(gè)站址的告警已實(shí)現(xiàn)基于規(guī)則的智能合并，大大減少了重復(fù)告警及無(wú)效告警的產(chǎn)生。在告警產(chǎn)生后，基于何種標(biāo)準(zhǔn)及狀況需要一線維護(hù)人員上站進(jìn)行檢修維護(hù)，根據(jù)行業(yè)特點(diǎn)和實(shí)際情況決定。

目前，分析的方法與結(jié)論還有一些局限性：數(shù)據(jù)是抽樣獲取，沒(méi)有覆蓋一個(gè)完整的生命周期，如果想更準(zhǔn)確，需要大數(shù)據(jù)分析，獲得多個(gè)生命周期的數(shù)據(jù)。此次分析只是針對(duì)本公司該問(wèn)題解決方案的一個(gè)大致畫像及探索方向，包括對(duì)特征值的提取、算法的選擇及參數(shù)優(yōu)化等。

離異點(diǎn)比較多，說(shuō)明數(shù)據(jù)分布不成正態(tài)分布，第一四分位數(shù)可能不足25%的比例。

目前，只能預(yù)測(cè)告警是否會(huì)自動(dòng)消除，至于告警產(chǎn)生的具體原因及消除原因并不清楚，需要調(diào)研分析。

以上分析只是對(duì)智能派單實(shí)現(xiàn)思路的一種嘗試，在告警恢復(fù)的時(shí)間分布分析中，可以進(jìn)一步細(xì)分，如加入時(shí)間、地域、設(shè)備品牌、天汽等因素，結(jié)合告警產(chǎn)生的原因等因素，這樣可以作到更精細(xì)、更準(zhǔn)確的分析評(píng)估。在決定是否需要派單以及何時(shí)派單時(shí)，更加的客觀全面，更加合理有效地利用一線工作人員的人力資源，作到精確、高效維護(hù)，不斷提高維護(hù)保障的質(zhì)量與效率。

表5　工單時(shí)間分布