1 引言
AI（Artificial Intelligence，人工智能），首次提出于 1956 年的 Dartmouth 学会。会议中，麦卡赛、明斯基、罗切斯特和香农等共同探讨机器模拟人类智慧，开创人工智能学科。此后，人工智能技术螺旋式发展，多次成为计算机科学的热点领域，并产生了众多流派，如以推理和知识为核心的符号主义，以仿生学为基础的连接主义，以数据为核心的机器学习科学等等。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大幅提升，社会生产生活中积累的丰富数据资源，进一步促进了人工智能技术的突破。人工智能热潮再次来临。时至今日，人工智能已在多个领域取得巨大成功。作为通信网络优化及运维从业者，尤其在当前通信网络运营维护工作越来越复杂的形势下，面临着许多问题和挑战。故我们不禁要问 ：人工智能是什么？在网络优化运维工作中，能否借助人工智能算法来提升网络优化、运维效率和质量？如何利用人工智能开展有效应用？
2 人工智能概述及在网络优化、运维中的应用方向
2.1 人工智能算法体系
人工智能技术范围广泛，所有智能化算法都属于人工智能，包括我们常用的最优化搜索算法类。
机器学习作为人工智能的重要分支，在很多领域表现出色。机器学习指的是计算机程序可以在给定某种类别的任务 T 和性能度量 P 下学习经验 E ，如果其在任务 T 中的性能恰好可以用 P 度量，则随着经验 E而提高。这类算法涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。
相比其他算法，多层神经网络能随数据量提升获得更多性能提升，因此被认为是一种有前途的人工智能算法。
但神经网络的隐层较多时，会出现梯度弥散，无法有效的反向传播，故早期的神经网络通常采用1 ～ 3 个隐层。
2006 年，Hinton 等人首次提出深度学习概念，并基于无监督逐层预训练＋ BP 算法精调来实现对深度网络的训练 [1,2]，掀起了深度学习热。
深度学习，是一种特殊的机器学习。使用嵌套的概念层次来表示并实现巨大的功能和灵活性，其中每个概念都定义为与简单概念相关联，而更为抽象的表示则以较不抽象的方式来计算。深度学习以神经网络结构为基础，多隐层结构能带来学习器容量增加，激活函数的嵌套提升了表达能力，并产生了一系列避免梯度弥散的技术。
近 10 年，人工智能在语音、图像、医疗、机器人等领域的突破性应用几乎均利用了深度学习算法。截至今日，人类可以说初步实现了狭义人工智能。
2.2 人工智能在网络优化、运维中的应用场景
人工智能算法众多，至少 300 项以上，神经网络类型也已达 40 种。作者仅对典型算法类别进行梳理，并讨论其在网络优化、运维中的可能应用方向。
首先，借助人工智能 / 机器学习技术，可以应用在对网络覆盖、干扰、容量等关键质量指标的建模和预测；也能够应用在网络运维经验、案例、处理工单等的深度挖掘、学习、决策 ；还可以实现对高维度网络结构、特征的降维分析、场景特征画像和标签化建模 ；此外，还可以实现对网络隐性故障 / 告警 / 投诉类问题的异常特
征分析、原因检测和智能问题定位等方面。
3 人工智能在网络优化、运维中的典型应用
在了解人工智能算法基础上，根据网络优化、运维的目标，基于网络优化、运维流程或机制，选择相应的输入数据，及输出目标。最终设计相应的工具实现流程。同时，在利用人工智能技术时，遵循相应的流程。
期刊文章分类查询,尽在期刊图书馆
如数据预处理（含数据清洗）、特征选取或特征学习、数据集划分、模型训练，及输出测试，并根据测试结果调整相应的算法超参数。
以下给出几个系统的设计思路。
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升无线网络质量的重要工作内容，现有覆盖优化主流技术以仿真优化、人工经验优化为主。此外，仿真优化很大程度上依赖传播模型的准确性，没有充分考虑用户及业务量分布场景。本系统提出利用深度学习来进行覆盖优化，设计思路分为以下几个步骤 ：
3.1.1 覆盖 TopN 小区问题分析
利 用 MRO（Measurement Report of OriginalType，测量报告原始数据）数据中小区的覆盖关系、地形地理位置数据、站型结构数据、用户分布情况等，构建覆盖评估矩阵。并通过预置规则判断，输出小区软、硬参数定性调整建议或问题（包括接入电平 / 功率 /A2门限 / 下倾角 / 方向角优化建议，及工参准确性问题），输出 TopN 小区分析和定性优化建议。
3.1.2 利用深度神经网络构建本区域的覆盖模型
使用小区网络结构、参数配置、地形地貌、业务类型、覆盖指标、干扰指标等特征属性，并将这些样本按照业务逻辑进行向量化，预处理后用于网络覆盖的精细画像，后对本区域覆盖模型进行训练。
3.1.3 覆盖指标定量预测
动态输入功率、方向角、倾角调整方案，实现对弱覆盖、过覆盖等指标量化预测。
本系统亦可根据预测结果，实现全流程自动输出推荐方案。
3.2 参数智能化设置与推荐系统
提高参数管理和分析的智能化水平，可以提升网络优化工作效率，降低网络运维成本。LTE（Long TermEvolution）网络中，各设备商无线参数总和已超过8000 个，仅依靠人工经验很难进行精细配置。本系统设计目标为智能化的学习现网已有参数配置经验，快速复制和推广参数优化经验。
3.3 异常网络质量特征的智能检测、原因定位、告警 /
投诉预诊断
对于网络性能告警、设备软、硬件告警、投诉类问题等，传统的网络监控和运维方法大多基于事后处理模式，即"触发告警→工单派发"模式，但各类性能告警一旦生成，代表网络问题已经发生，只能被动处理。
借助人工智能算法，如果能预先预测网络出问题概率，减少网络故障实际发生概率，则能将运维模式从事后处理推向事前预防，大大减少投诉发生，提升客户感知。系统设计思路如下。
3.4 智能工单规则分析与精确派单
探索利用现网已积累的闭环工单处理数据，进行挖掘分析并建立数学模型，利用有监督机器学习算法，分析网络特征与工单处理方案、工单反馈结果之间的映射关系等，通过大量数据训练模型，实现网络问题智能分类和工单智能派发。
3.5 智能隐患预测与自动巡检
针对集中维护中的隐患预测、动态巡检等需求进行机器学习和数据挖掘处理。通过同步用户权限省端数据，集中优化平台数据，动环监控数据，从多维度对站点运维指标进行特征画像，实现细粒度可视化的管理站点。利用人工智能技术，对重要告警进行实时预测。基于站点画像与隐患预测，定位重点监控小区，制定动态巡检计划。
通过关联工单系统，基于历史工单数据，自动输出诊断方案，提高工单派发的准确性。最终实现运维智能化。
4 总结
当前，人工智能的巨大进步已在各个领域发挥了巨大作用，机器在完成特定任务方面的表现甚至超过了人类。未来，人工智能技术将深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。研究人工智能在网络优化运维中的应用，必将极大提升网络智能优化及运维的水平，助力网络运营降本增效。
论文作者:吕金婷
论文发表刊物:《中国西部科技》2019年第9期
论文发表时间:2019/11/22
标签：人工智能论文; 网络论文; 算法论文; 数据论文; 深度论文; 神经网络论文; 机器论文; 《中国西部科技》2019年第9期论文;