1.本发明涉及电信网络运维技术领域，尤其涉及一种基于大数据的网络设备故障维修方法。
背景技术：2.电信网络作为信息化的基础设施，是信息化发展的基石，其运行的稳定性至关重要。由于电信网络涉及设施种类繁多、规模庞大、站点分散，对维护网络资源的时间投入、人力投入及故障排除时效上要求较高。
3.目前，现有网络维护模式中，网络设备故障通常都是被动发现的，而不能实现对隐患的主动排查；往往都是在用户在经历故障后投诉进而触发对故障的排查程序，或通过人工对累积的网络设备故障数据进行分析后发现设备隐患。一旦遇到突发的安全事故或网络负载的大幅波动，这时网络设备的隐患往往容易演变为集中爆发的故障，网络维护人员将被迫忙于“救火式”的网络抢修工作。
4.当前对设备故障的发现手段落后，设备问题的定位滞后；且缺乏远程故障检测、预警能力，且对于累积的隐患，容易在网络负荷大的时期导致区域性的网络故障，故障范围越大，技术人员的维修工作就越难实施，会对当地的维护造成不小的压力，进而容易导致用户对网络服务的不满；且在大规模的故障发生后，技术人员人数往往不足，不能及时的进行维修，故障工单的形成、派发、处理、闭环、及时性及流转的效率低，完全取决于维护人员的工作能力及积极性，受工作人员主观能动性影响较大，且不同技术人员的技能水平不一致，距离待维修地点的距离也不相同，难以在短时间内针对大规模故障对有限的维修资源作有效的调配。
技术实现要素：5.本发明提供一种基于大数据的网络设备故障维修方法，用以解决现有技术中只能被动检测故障、难以实现主动维修、维修资源调配困难且维修效率低的缺陷，克服了传统方法不能针对故障进行预防性维修的缺陷，避免人员调配不合理导致的维修质量下降，实现对故障的主动维修，并基于预设的资源调度模型实现对维修资源的调配管理，选取最合适的维修人员以及最近的维修资源站点，从而提高主动维修的效率。
6.本发明提供一种基于大数据的网络设备故障维修方法，包括如下步骤：
7.s1获取网络设备的故障数据，获取故障设备位置坐标；基于预设的故障案例库判断故障等级和故障类型；
8.s2将所述故障等级和故障类型输入预训练的资源调度模型，将所述故障等级和故障类型与维护人员标签库进行匹配，输出初选维护人员名单，与维修资源点位库进行匹配，输出初选维修资源点位；
9.s3根据所述故障设备位置坐标输出各个初选维修资源点位到故障设备的距离，选取距离最短的初选维修资源点位作为待调度资源点位，并根据资源调度模型输出待调度资
源点位到达故障设备的路线；
10.s4向所述初选维护人员名单中的任一维护人员下发故障工单，所述故障工单包括所述故障等级、所述故障类型、待调度资源点位以及所述路线；
11.s5获取维护人员的维修结果，判断故障是否消除。
12.根据本发明提供的一种基于大数据的网络设备故障维修方法，步骤s2中，获取初选维护人员名单后，获取每个初选维护人员的待办工作量，并获取每个初选维护人员到达所述故障设备位置坐标的距离，根据待办工作量和初选维护人员到达所述故障设备位置坐标的距离进行加权计算，输出选定的维护人员。
13.根据本发明提供的一种基于大数据的网络设备故障维修方法，步骤s2中，通过维护人员标签库模型筛选与所述故障类型、故障等级匹配的维护人员，维护人员标签库模型为：
[0014][0015]
其中，n为维护人员累计完成的历史月均工单量，t
△
为故障工单平均处理时长，r为故障工单闭环率，t0为故障设备修复后设备在网持续时长，为网络专业能力指数，δ为特殊作业技能指数，l为维护人员技能标签；
[0016]
具体的，特殊作业技能包括：1、低压电工作业；2、登高作业；3、制冷与空调作业；4、焊接与热切割作业；5、安全监管总局认定的其余作业；
[0017]
维护过程中，涉及特种作业操作时须由持有特种作业资格证的专业技能人员进行操作；相比较而言，具有特殊作业技能的维护人员可以对故障派单更为适配。
[0018]
根据本发明提供的一种基于大数据的网络设备故障维修方法，还包括计算资源调度模型的损失函数，应用公式：
[0019][0020]
其中，
[0021]
m为资源调度模型训练的样本个数，x、y为变量参数，x、y上标i指的是对应训练采样样本数据组号，j(θ)表示的是cost值，θ是参数；h
θ
(xi)为假设函数，表示的是在当前参数下，对于第i组样本数据的预测值；yi表示的是第i组数据的实际值。
[0022]
根据本发明提供的一种基于大数据的网络设备故障维修方法，还包括：实时获取地图信息，实时在地图上显示选定的维护人员的位置信息以及待调度资源点位到故障设备位置坐标的路线。
[0023]
根据本发明提供的一种基于大数据的网络设备故障维修方法，在步骤s5中，包括：
[0024]
在完成维修之后，获取原故障设备正常运行一预设时间段内的kqi指标数据，判断网络设备的kqi指标数据是否在标准值范围内，若网络设备的kqi指标数据在标准值范围内，且维护人员测量获取的测试数据在标准值范围内，则所述故障已经消除；
[0025]
若网络设备的kqi指标数据不在标准值范围内，且维护人员测量获取的测试数据也不在标准值范围内，则所述故障未消除，重新下派故障工单，直至故障消除。
[0026]
根据本发明提供的一种基于大数据的网络设备故障维修方法，在步骤s5之后，包
括：
[0027]
建立故障类型、故障原因以及对应的故障工单的映射关系，根据所述映射关系生成故障案例库。
[0028]
另一方面，本发明还提供一种基于大数据的网络设备故障维修系统，包括：
[0029]
数据获取模块，用于获取网络设备的故障数据，获取故障设备位置坐标；基于预设的故障案例库判断故障等级和故障类型；
[0030]
维修资源初选模块，用于将所述故障等级和故障类型输入预训练的资源调度模型，将所述故障等级和故障类型与维护人员标签库进行匹配，输出初选维护人员名单，与维修资源点位库进行匹配，输出初选维修资源点位；
[0031]
维修资源点位确定模块，用于根据所述故障设备位置坐标输出各个初选维修资源点位到故障设备的距离，选取距离最短的初选维修资源点位作为待调度资源点位，并根据资源调度模型输出待调度资源点位到达故障设备的路线；
[0032]
维修工单生成模块，用于向所述初选维护人员名单中的任一维护人员下发故障工单，所述故障工单包括所述故障等级、所述故障类型、待调度资源点位以及所述路线；
[0033]
维修结果判断模块，用于获取维护人员的维修结果，判断故障是否消除。
[0034]
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述网络设备故障维修方法的步骤。
[0035]
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述网络设备故障维修方法的步骤。
[0036]
本发明提供的一种基于大数据的网络设备故障维修方法，通过故障案例库确定故障等级和故障类型，进而根据维护人员标签库指派最合适的维修人员并选定距离最近的维护资源点位，基于预训练的资源调度模型实现最优的维护资源和维修人员调配，并生成维修工单，克服了传统方法不能针对故障进行预防性维修的缺陷，避免人员调配不合理导致的维修质量下降，实现对故障的主动维修，通过大数据及资源动态调度算法，实现维护资源的高效调配、高效利用，保障网络故障的及时响应，提升网络故障处理的及时性及闭环率。
附图说明
[0037]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]
图1是本发明提供的基于大数据的网络设备故障维修方法的流程示意图。
具体实施方式
[0039]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040]
本技术的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或模块。
[0041]
在一个实施例中，如图1所示，本发明提供一种基于大数据的网络设备故障维修方法，包括如下步骤：
[0042]
s1获取网络设备的故障数据，获取故障设备位置坐标；基于预设的故障案例库判断故障等级和故障类型；
[0043]
s2将所述故障等级和故障类型输入预训练的资源调度模型，将所述故障等级和故障类型与维护人员标签库进行匹配，输出初选维护人员名单，与维修资源点位库进行匹配，输出初选维修资源点位；
[0044]
s3根据所述故障设备位置坐标输出各个初选维修资源点位到故障设备的距离，选取距离最短的初选维修资源点位作为待调度资源点位，并根据资源调度模型输出待调度资源点位到达故障设备的路线；
[0045]
s4向所述初选维护人员名单中的任一维护人员下发故障工单，所述故障工单包括所述故障等级、所述故障类型、待调度资源点位以及所述路线；
[0046]
s5获取维护人员的维修结果，判断故障是否消除。
[0047]
需要说明的是，步骤s1中，获取的故障信息为根据kqi数据、dpi数据与网络设备故障数据的映射关系模型计算得到的潜在故障隐患数据，即根据历史运行日志中解包得到的kqi数据、dpi数据以及用户故障报修数据确定kqi数据、dpi数据与网络设备故障数据的映射关系，得到映射关系模型，输入实时监测的kqi数据、dpi数据进而推断当前系统内是否存在故障，从而根据大数据的历史数据推算故障的相关数据，预测得到故障等级；
[0048]
基于大数据从kqi数据、dpi数据中确定网络设备存在的故障隐患，进而发出故障告警，进而输出故障数据；
[0049]
其中，历史告警日志可在设备运行网管平台omc中随时获取；基础工程参数、工单处理日志可以在日常网络维护优化管理平台中存取；用户投诉数据可以在网络经营分析系统中存取；
[0050]
具体的，从故障数据中，推算得到故障设备的位置，并基于大数据经验训练好的kqi数据、dpi数据与网络设备故障数据的映射关系模型得到故障类型和故障等级，进一步用于故障工单的指派，提高对维护资源的分配效率；
[0051]
可选的，获取故障位置处设备站点的历史故障率，进而判断是否需要更换配件或做进一步的检修；
[0052]
进一步的，在步骤s2中，获取初选维护人员名单后，获取每个初选维护人员的待办工作量，并获取每个初选维护人员到达所述故障设备位置坐标的距离，根据待办工作量和初选维护人员到达所述故障设备位置坐标的距离进行加权计算，输出选定的维护人员；
[0053]
具体的，步骤s2中，通过维护人员标签库模型筛选与所述故障类型、故障等级匹配的维护人员，维护人员标签库模型为：
[0054]
[0055]
其中，n为维护人员累计完成的历史月均维修工单量，t
△
为故障工单平均处理时长，r为故障工单闭环率，t0为故障设备修复后设备在网持续时长，为网络专业能力指数，δ为特殊作业技能指数，l为维护人员技能标签；
[0056]
其中，网络专业能力指数可以为维护人员在对应网络维护专业技能相关考试中获取的认证等级，通过对故障进行分级、获取故障类型，能够分析得到所需的证书等级和具体的网络维护专业类型，从而指派专业人员；
[0057]
具体的，特殊作业技能包括：1、低压电工作业；2、登高作业；3、制冷与空调作业；4、焊接与热切割作业；5、安全监管总局认定的其余作业；
[0058]
维护过程中，涉及特种作业操作时须由持有特种作业资格证的专业技能人员进行操作；相比较而言，具有特殊作业技能的维护人员可以对故障派单更为适配。
[0059]
故障工单闭环率指的是对应维护人员处理多个故障工单，消除故障的故障工单占总故障工单数量的比例；
[0060]
通过故障工单平均处理时长，判断是否满足故障工单处理时限要求，对于部分故障等级较高的故障，需要指派故障工单平均处理时长较低的维护人员；
[0061]
基于上述数个参数，多维度的评价维护人员的技术水平和每月接单的容量，通过维护人员标签库模型既保证了选取技术水平合适的维护人员，还从时限、维护人员工单处理余量、处理效率的角度斟酌，选取技术水平足够、维修时限能满足最低要求的维修人员；
[0062]
需要说明的是，可以根据实际需要对故障等级进行分级，根据维修人员数量和维修人员整体技术水平划定故障等级，使得每个故障等级内都有充足的可执行对应故障等级维修工单的维护人员；
[0063]
根据本发明提供的一种基于大数据的网络设备故障维修方法，还包括计算资源调度模型的损失函数，应用公式：
[0064][0065]
其中，
[0066]
上式为线性回归模型，采用的是随机梯度下降法；其中，m为资源调度模型训练的样本个数，x、y为变量参数，x、y上标i指的是对应训练采样样本数据组号，j(θ)表示的是cost值，θ是参数；h
θ
(xi)为假设函数，表示的是在当前参数下，对于第i组样本数据的预测值；yi表示的是第i组数据的实际值。
[0067]
通过计算损失函数，根据损失函数的数值优化资源调度模型，调整资源调度模型中的参数；
[0068]
需要说明的是，获取历史工单分配日志，根据预设的维护人员标签库模型和故障库模型对历史工单分配日志进行修订，排除分配不合理的工单，获得训练样本；对资源调度模型进行训练
[0069]
根据本发明提供的一种基于大数据的网络设备故障维修方法，还包括：实时获取地图信息，实时在地图上显示选定的维护人员的位置信息以及待调度资源点位到故障设备位置坐标的路线；
[0070]
可选的，在地图上实时显示每个维护人员的位置信息，确定每个维护人员的服务
范围，在收到故障告警信息时，匹配故障位置与服务范围，从而确定最佳的维护人员，保证维修工单处理的时效；
[0071]
可选的，优先指派维修工单至待办工作量最低的维护人员，同时获取维护人员的实时位置，确定到达故障设备所在区域的时间和预计维修时间之和不能超过故障工单处理时限；
[0072]
可选的，在地图上显示每个维护资源站点的位置，判断每个维护资源站点的服务范围，根据每个维护资源站点存储的配件类型和配件种类确定维护资源站点的等级，根据故障等级与维护资源站点的等级匹配，选取合适的维护资源站点；
[0073]
根据本发明提供的一种基于大数据的网络设备故障维修方法，在步骤s5中，包括：
[0074]
在完成维修之后，获取原故障设备正常运行一预设时间段内的kqi指标数据，判断网络设备的kqi指标数据是否在标准值范围内，若网络设备的kqi指标数据在标准值范围内，且维护人员测量获取的测试数据在标准值范围内，则所述故障已经消除；
[0075]
若网络设备的kqi指标数据不在标准值范围内，且维护人员测量获取的测试数据也不在标准值范围内，则所述故障未消除，重新下派故障工单，直至故障消除。
[0076]
根据本发明提供的一种基于大数据的网络设备故障维修方法，在步骤s5之后，包括：
[0077]
建立故障类型、故障原因以及对应的故障工单的映射关系，根据所述映射关系生成故障案例库；
[0078]
若对应的维护人员没有在第一次故障工单内消除对应的故障，则记录对应的处理过程，确定未能消除故障的原因，将处理过程上传至故障库，将故障类型和故障原因关联起来，更新故障案例库；
[0079]
若对应的维护人员在第一次故障工单内消除了对应的故障，依旧记录对应的处理过程，根据现场测量确定故障原因，将处理过程上传至故障库，将故障类型和故障原因关联起来，生成故障案例库；同理，根据历史工单处理日志中的处理记录，生成故障案例库；
[0080]
可选的，根据故障工单处理结果，获取当前的kqi指标数据，不断更新kqi数据、dpi数据与网络设备故障数据的映射关系模型；
[0081]
具体的，所述网络业务质量指标kqi数据包括：无线接接通率、业务保持性指标、业务响应时延、业务响应速率、数据丢包率；
[0082]
所述网络设备性能指标dpi数据包括：参考信号接收功率、参考信号接收质量、信号与干扰加噪声比、信道质量指示、调制与编码数据、物理上行共享信道数据以及物理下行共享信道数据。
[0083]
下面对本发明提供的网络设备故障维修系统进行描述，下文描述的网络设备故障维修系统与上文描述的网络设备故障维修方法可相互对应参照，本发明提供的基于大数据的网络设备故障维修系统，包括如下模块：
[0084]
数据获取模块，用于获取网络设备的故障数据，获取故障设备位置坐标；基于预设的故障案例库判断故障等级和故障类型；
[0085]
维修资源初选模块，用于将所述故障等级和故障类型输入预训练的资源调度模型，将所述故障等级和故障类型与维护人员标签库进行匹配，输出初选维护人员名单，与维修资源点位库进行匹配，输出初选维修资源点位；
[0086]
维修资源点位确定模块，用于根据所述故障设备位置坐标输出各个初选维修资源点位到故障设备的距离，选取距离最短的初选维修资源点位作为待调度资源点位，并根据资源调度模型输出待调度资源点位到达故障设备的路线；
[0087]
维修工单生成模块，用于向所述初选维护人员名单中的任一维护人员下发故障工单，所述故障工单包括所述故障等级、所述故障类型、待调度资源点位以及所述路线；
[0088]
维修结果判断模块，用于获取维护人员的维修结果，判断故障是否消除。
[0089]
另一方面，本发明提供一种电子设备，该电子设备可以包括：处理器(processor)、通信接口(communicationsinterface)、存储器(memory)和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的逻辑指令，以执行上述各方法提供的基于大数据的网络设备故障维修方法，包括如下步骤：
[0090]
s1获取网络设备的故障数据，获取故障设备位置坐标；基于预设的故障案例库判断故障等级和故障类型；
[0091]
s2将所述故障等级和故障类型输入预训练的资源调度模型，将所述故障等级和故障类型与维护人员标签库进行匹配，输出初选维护人员名单，与维修资源点位库进行匹配，输出初选维修资源点位；
[0092]
s3根据所述故障设备位置坐标输出各个初选维修资源点位到故障设备的距离，选取距离最短的初选维修资源点位作为待调度资源点位，并根据资源调度模型输出待调度资源点位到达故障设备的路线；
[0093]
s4向所述初选维护人员名单中的任一维护人员下发故障工单，所述故障工单包括所述故障等级、所述故障类型、待调度资源点位以及所述路线；
[0094]
s5获取维护人员的维修结果，判断故障是否消除。
[0095]
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0096]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法提供的基于大数据的网络设备故障维修方法，包括如下步骤：
[0097]
s1获取网络设备的故障数据，获取故障设备位置坐标；基于预设的故障案例库判断故障等级和故障类型；
[0098]
s2将所述故障等级和故障类型输入预训练的资源调度模型，将所述故障等级和故障类型与维护人员标签库进行匹配，输出初选维护人员名单，与维修资源点位库进行匹配，输出初选维修资源点位；
[0099]
s3根据所述故障设备位置坐标输出各个初选维修资源点位到故障设备的距离，选
取距离最短的初选维修资源点位作为待调度资源点位，并根据资源调度模型输出待调度资源点位到达故障设备的路线；
[0100]
s4向所述初选维护人员名单中的任一维护人员下发故障工单，所述故障工单包括所述故障等级、所述故障类型、待调度资源点位以及所述路线；
[0101]
s5获取维护人员的维修结果，判断故障是否消除。
[0102]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法提供的基于大数据的网络设备故障维修方法，包括如下步骤：
[0103]
s1获取网络设备的故障数据，获取故障设备位置坐标；基于预设的故障案例库判断故障等级和故障类型；
[0104]
s2将所述故障等级和故障类型输入预训练的资源调度模型，将所述故障等级和故障类型与维护人员标签库进行匹配，输出初选维护人员名单，与维修资源点位库进行匹配，输出初选维修资源点位；
[0105]
s3根据所述故障设备位置坐标输出各个初选维修资源点位到故障设备的距离，选取距离最短的初选维修资源点位作为待调度资源点位，并根据资源调度模型输出待调度资源点位到达故障设备的路线；
[0106]
s4向所述初选维护人员名单中的任一维护人员下发故障工单，所述故障工单包括所述故障等级、所述故障类型、待调度资源点位以及所述路线；
[0107]
s5获取维护人员的维修结果，判断故障是否消除。
[0108]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0109]
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各实施方式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。基于这样的理解，上述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软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0110]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
技术特征：1.一种基于大数据的网络设备故障维修方法，其特征在于，包括：s1获取网络设备的故障数据，获取故障设备位置坐标；基于预设的故障案例库判断故障等级和故障类型；s2将所述故障等级和故障类型输入预训练的资源调度模型，将所述故障等级和故障类型与维护人员标签库进行匹配，输出初选维护人员名单，与维修资源点位库进行匹配，输出初选维修资源点位；s3根据所述故障设备位置坐标输出各个初选维修资源点位到故障设备的距离，选取距离最短的初选维修资源点位作为待调度资源点位，并根据资源调度模型输出待调度资源点位到达故障设备的路线；s4向所述初选维护人员名单中的任一维护人员下发故障工单，所述故障工单包括所述故障等级、所述故障类型、待调度资源点位以及所述路线；s5获取维护人员的维修结果，判断故障是否消除。2.根据权利要求1所述的一种基于大数据的网络设备故障维修方法，其特征在于，步骤s2中，获取初选维护人员名单后，获取每个初选维护人员的待办工作量，并获取每个初选维护人员到达所述故障设备位置坐标的距离，根据待办工作量和初选维护人员到达所述故障设备位置坐标的距离进行加权计算，输出选定的维护人员。3.根据权利要求1所述的一种基于大数据的网络设备故障维修方法，其特征在于，步骤s2中，通过维护人员标签库模型筛选与所述故障类型、故障等级匹配的维护人员，维护人员标签库模型为：其中，n为维护人员累计完成的历史月均工单量，t
△
为故障工单平均处理时长，r为故障工单闭环率，t0为故障设备修复后设备在网持续时长，为网络专业能力指数，δ为特殊作业技能指数，l为维护人员技能标签。4.根据权利要求2所述的一种基于大数据的网络设备故障维修方法，其特征在于，实时获取地图信息，实时在地图上显示选定的维护人员的位置信息以及待调度资源点位到故障设备位置坐标的路线。5.根据权利要求1所述的一种基于大数据的网络设备故障维修方法，其特征在于，在步骤s5中，包括：在完成维修之后，获取原故障设备正常运行一预设时间段内的kqi指标数据，判断网络设备的kqi指标数据是否在标准值范围内，若网络设备的kqi指标数据在标准值范围内，且维护人员测量获取的测试数据在标准值范围内，则所述故障已经消除；若网络设备的kqi指标数据不在标准值范围内，且维护人员测量获取的测试数据也不在标准值范围内，则所述故障未消除，重新下派故障工单，直至故障消除。6.根据权利要求5所述的一种基于大数据的网络设备故障维修方法，其特征在于，在步骤s5之后，包括：建立故障类型、故障原因以及对应的故障工单的映射关系，根据所述映射关系生成故障案例库。7.一种基于大数据的网络设备故障维修系统，其特征在于，包括：
数据获取模块，用于获取网络设备的故障数据，获取故障设备位置坐标；基于预设的故障案例库判断故障等级和故障类型；维修资源初选模块，用于将所述故障等级和故障类型输入预训练的资源调度模型，将所述故障等级和故障类型与维护人员标签库进行匹配，输出初选维护人员名单，与维修资源点位库进行匹配，输出初选维修资源点位；维修资源点位确定模块，用于根据所述故障设备位置坐标输出各个初选维修资源点位到故障设备的距离，选取距离最短的初选维修资源点位作为待调度资源点位，并根据资源调度模型输出待调度资源点位到达故障设备的路线；维修工单生成模块，用于向所述初选维护人员名单中的任一维护人员下发故障工单，所述故障工单包括所述故障等级、所述故障类型、待调度资源点位以及所述路线；维修结果判断模块，用于获取维护人员的维修结果，判断故障是否消除。8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述网络设备故障维修方法的步骤。9.一种非暂态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如权利要求1至6任一项所述网络设备故障维修方法的步骤。
技术总结本发明涉及电信网络运维技术领域，提供了一种基于大数据的网络设备故障维修方法，包括：获取网络设备的故障数据，通过故障案例库判断故障等级和故障类型，输入预训练的资源调度模型，与维护人员标签库匹配，输出初选维护人员名单，与维修资源点位库匹配，输出初选维修资源点位；根据故障设备位置坐标输出初选维修资源点位到故障设备的距离，获取待调度资源点位；向维护人员下发故障工单，故障工单包括故障等级、故障类型、待调度资源点位以及路线；获取维护人员的维修结果，判断故障是否消除。本发明通过大数据及资源动态调度算法，实现维护资源的高效调配、高效利用，保障网络故障的及时响应，提升网络故障处理的及时性及闭环率。率。率。
技术研发人员：成纯松 方迪 程林 赵清 张国华
受保护的技术使用者：武汉虹信技术服务有限责任公司
技术研发日：2022.08.09
技术公布日：2022/12/2
