本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘 要：采用自监督方式检测异常小区、无监督方式聚类问题类型、可视化标注标签的 数据挖掘思路，得到带标签的异常小区问题类型数据集。不仅标签数据集可直 接应用到网络运营运维领域，而且挖掘问题类型数据集的思路和方法论可广泛 推广到其他领域。另外，借助卷积神经网络深度学习算法，将大量的专家经验 模型化，构建智能优化引擎，挖掘出人工不易捕捉到的深度信息，更加准确高效 地发现网络问题，可扩展性强。
关键词：深度学习；异常小区；问题检测；问题分类
doi：10.12045/j.issn.1007-3043.2019.11.003
引言
当今移动网络复杂多变，特别随着5G和物联网的引入，其复杂性将进一步增加。采用深度学习算法的人工智能解决方案，可以适应复杂的环境，在用户和流量行为不断变化时，将优于任何人工驱动的解决方案。
移动网异常小区问题类型涉及无线覆盖、干扰、容量等多个方面，传统的网络优化方法是先采集PM和配置等数据，网优工程师再根据专家知识和经验，对各项指标分别设置阈值，来诊断网元是否存在高负
荷、高干扰、覆盖差等异常问题。管理增加了网络复杂性，如何在网络动态变化的情况下，快速发现网络问题，提升运维效率，是目前亟待研究的课题。
基于AI深度学习的移动网异常小区检测分类方案应运而生，它实现了原始数据入库解析自动化，问题分类智能化，诊断结果精准化，管控流程标准化，显著提升日常优化的生产效率和工作效果，起到了降本增效的作用。
