4G 移动网络自适应报警阈值预测：基于百分位引导的深度学习框架及可解释输出

在移动通信领域，报警充当早期警示信号。当小区（无线覆盖的基本单元）关闭或行为异常时，即触发报警。这会导致服务质量下降，直接影响用户体验。运营商依赖预设阈值决定何时派遣工程师。在实际中，这些阈值是手动设置的，且不随时间、流量或网络条件的变化而固定。这会导致繁忙时段严重故障被忽视，而安静时段的次要问题引发不必要的呼叫。本文提出一种机器学习框架，自动预测四个报警阈值、审计窗口持续时间、非活动时间限制、总波动次数以及每小时波动限制，从实时网络行为中生成。由于阈值没有真实标签，我们引入百分位引导的标签派生策略，在来自 10,648 个小区、来自三家供应商、九个地区的真实 4G 网络匿名数据集上评估四个模型：Gradient Boosted Trees 基线、CNN-BiLSTM 带注意力机制、提出的 PCTN 以及 iTransformer。PCTN 在总体上表现最佳，尤其在三个目标指标上超过最新的 iTransformer，仅使用 83% 的参数。其混合输出头和动态 alpha 机制产生既准确又可解释的阈值，允许运营商在无需重新训练的情况下检查和调整所学策略。所有比较在 p < 0.001 时均具有统计显著性。该框架每日使用新数据进行训练，使阈值能够持续适应网络变化。