Skip to content

电信网络弹性预测性维护：XGBoost 与 MIP 联合优化框架

约 1384 个字 64 行代码 4 张图片 预计阅读时间 5 分钟

项目摘要

本项目针对电信基础设施老化问题，提出了一种“预测+决策”的闭环框架：

  1. 预测层：利用 XGBoost 预测设备在未来各时间窗的故障概率（Probabilistic Prediction）。

  2. 决策层：构建混合整数规划（MIP）模型，在满足网络弹性（Resilience）约束的前提下，统筹固定调度成本与故障风险，实现维护任务的智能“批处理”。

核心成果：相比传统策略，总成本降低 3.4%，调度频率降低 50% [cite: 4]。

1. 业务痛点与问题定义

在实际运维中，核心矛盾体现在两方面：

  • 成本矛盾：固定出勤费（Dispatch Cost）很高。坏一台修一台（反应式）会导致出勤费激增；定期修（预防性）又会浪费设备剩余寿命。

  • 约束矛盾：电信网络要求高可用性（例如：任意时刻必须有 85% 的节点在线）。

目标：找到调度方案 \(x_{i,t}\) ，在保证网络韧性约束的前提下，最小化（维修费 + 出勤费 + 风险惩罚）总成本。

2. 模块一：基于 XGBoost 的故障概率预测

2.1 特征工程 (Rolling Features)

单纯的传感器读数存在噪声，为捕捉设备退化趋势，引入滚动窗口（Rolling Window） 特征是提高预测精度的关键。


# 核心代码截取自 Xg.py
def process_data(df, is_test=False, true_rul=None):
    # ... 基础清理 ...

    # 关键点：不仅看当前值，更要看过去一段时间的均值和波动率
    # capture the trend over a window of 5 cycles
    df_rolled = df.groupby('unit_number')[cols_normalize].rolling(window=5, min_periods=1).mean()
    df_rolled.columns = [f"{c}_mean" for c in cols_normalize]

    df_std = df.groupby('unit_number')[cols_normalize].rolling(window=5, min_periods=1).std().fillna(0)
    df_std.columns = [f"{c}_std" for c in cols_normalize]

    # 将原始特征、滚动均值、滚动标准差合并
    df_feat = pd.concat([df, df_rolled, df_std], axis=1)
    return df_feat

为什么这样做？

实验表明，引入滚动特征后虽有轻微滞后，但模型对长期退化趋势的捕捉更准确。对优化器而言，“设备正在变坏”的趋势信息比“设备实时数值”更有价值。

2.2 概率输出

传统回归模型预测剩余寿命（RUL）具体数值，本项目将其转化为多分类问题，输出每个设备在未来每个时间窗（Bin）失效的概率。


# 模型训练参数 (Xg.py)
model = xgb.XGBClassifier(
    objective='multi:softprob',  # 关键：输出多分类的概率矩阵
    num_class=len(CONFIG['rul_bins']) - 1, 
    # ... 其他参数 ...
)

# 输出结果：Prob_Matrix (N_units x T_windows)
# 这是一个 (100, 6) 的矩阵，表示100台设备在未来6个时间段的风险
prob_matrix = model.predict_proba(X_test)

3. 模块二：基于 MIP 的运筹优化决策

拿到概率矩阵后，使用 COPT (Cardinal Optimizer) 求解器进行核心决策。

3.1 数学建模

将业务逻辑转化为数学公式是项目核心，以下是完整建模逻辑：

符号定义

  • \(i∈{1..N}\) : 设备编号

  • \(t∈{1..T}\) : 时间窗

  • \(P_{i,t}\) : 设备 \(i\) 在时间 \(t\) 的故障概率（来自 XGBoost）

决策变量

  • \(x_{i,t}∈{0,1}\) : 状态变量。1 表示设备正常工作，0 表示正在维护。

  • \(y_{t}∈{0,1}\) : 调度变量。1 表示时间窗 \(t\) 派遣运维团队（产生固定成本），0 表示未派遣。

目标函数 (Objective)

$$ \min Z = \sum_{t} C_{fix} \cdot y_t + \sum_{i,t} \left( C_{var} \cdot (1-x_{i,t}) + C_{risk} \cdot P_{i,t} \cdot x_{i,t} \right) $$

其中：

  • \(C_{fix} \cdot y_t\) ：固定调度费

  • \(C_{var} \cdot (1-x_{i,t})\) ：变动维修费

  • \(C_{risk} \cdot P_{i,t} \cdot x_{i,t}\) ：风险惩罚

核心约束

  1. 韧性约束 (Resilience Constraint)：

    $$ \sum_{i} x_{i,t} \geq N_{req}, \forall t $$

    解读：任意时间，正常工作的设备数量不能少于 \(N_{req}\) （如85台）。

  2. 调度逻辑关联 (Big-M Constraint)：

    $$ \sum_{i} (1-x_{i,t}) \leq M \cdot y_t, \forall t $$

    解读：若 \(y_t=0\) （未派遣团队），则 \(\sum(1-x)\) 必须为0（无设备维修）；仅派遣团队后，才可开展维修，这是“批处理”效应的数学根源。

3.2 代码实现


# 核心代码截取自 diff_model.py -> solve_optimization 函数

def solve_optimization(resilience=None, ...):
    env = Envr()
    model = env.createModel("MIP_Solver")

    # 1. 定义变量
    x = {} # 状态变量
    y = {} # 调度变量 (Dispatch)
    for t in range(T):
        y[t] = model.addVar(vtype=COPT.BINARY) 
        for i in range(N):
            x[i, t] = model.addVar(vtype=COPT.BINARY)

    # 2. 构建目标函数
    obj = 0
    for t in range(T):
        obj += D * y[t]  # Fixed Dispatch Cost (关键成本项)
        for i in range(N):
            # 维护成本 + 风险期望成本
            obj += CONFIG['cost_maint'] * (1 - x[i, t]) + P * PROBS[i, t] * x[i, t]
    model.setObjective(obj, COPT.MINIMIZE)

    # 3. 添加约束
    for t in range(T):
        # 约束A: 网络韧性 (Resilience)
        model.addConstr(sum(x[i, t] for i in range(N)) >= R)

        # 约束B: 逻辑关联 (Big-M)
        # 统计当前维修数量
        maint_count = sum(1 - x[i, t] for i in range(N))
        # 如果没派车(y=0)，maint_count必须为0
        model.addConstr(maint_count <= N * y[t]) 

    model.solve()
    # ...

4. 关键机制分析：它是如何省钱的？

通过 diff_model.py 中 run_exp4_gantt() 可视化对比验证模型有效性：

4.1 批处理效应 (Batching Effect)

  • 启发式策略：“打地鼠”模式，设备风险高就修，导致每个时间窗 \(y_t\) 均为1，固定出勤成本极高。

  • 优化策略（MIP）：全局规划，若某时间窗需维修部分高风险设备，会将其他中风险设备合并维修，利用同一趟出勤完成多台设备维护。

结果：将分散在6个时间窗的任务压缩至2个时间窗完成，大幅降低固定出勤成本。

4.2 韧性与鲁棒性

通过 run_exp2_sensitivity() 测试 \(N_{req}\) 从70到95的变化：

  • \(N_{req} ≤85\) 时，模型成本控制游刃有余；

  • \(N_{req} ≥90\) （高压环境）时，启发式策略成本突变爆炸，而MIP模型通过精细调度，成本上升平缓，极端工况下稳定性更强。

5. 项目复盘与自我思考

Self-Reflection

Q: 这个项目的核心壁垒是什么？

A: 不是 XGBoost 也不是 COPT，而是将二者结合的 Problem Formulation（问题构建）。

大多数预测性维护仅停留在“预测设备会坏”，本项目进一步解决“在资源有限、出勤费昂贵、需保证85%在线率的前提下，具体该哪天修？哪几台一起修？”的问题。

这将单纯的技术问题（Prediction） 升维为管理决策问题（Decision Making），也是数据科学在工业界落地的核心价值。

📎 附录：环境依赖

  • Python 3.8+

  • coptpy: 杉数科技求解器 (需申请 License 否则功能受限)

  • xgboost: 梯度提升树库

  • pandas, numpy: 数据处理

结果

Strategy_Comparison.png
Strategy_Comparison.png
Resilience_Sensitivity.png
Resilience_Sensitivity.png
Pareto_Frontier.png
Pareto_Frontier.png
Schedule_Gantt.png
Schedule_Gantt.png

总结

  1. 项目核心是“预测+决策”闭环：XGBoost 输出故障概率矩阵，MIP 模型基于概率实现维护任务的全局优化调度。

  2. 滚动窗口特征提升了故障概率预测的趋势捕捉能力，是预测层的关键优化点。

  3. MIP 模型的“批处理”逻辑和韧性约束，是实现成本降低、调度频率减半的核心机制，体现了从技术预测到业务决策的价值升维。