以某电信公司的网络设备告警日志作为研究基础,提出随机森林嵌入(random trees embedding,RTE)和极端梯度提升(extreme gradient boosting,XGBoost)的组合模型,并将其应用于对网络业务运行状态的故障预测。针对特征中噪声大的问题,采用RTE算法对告警日志数据进行特征转化,借助Bagging抽样方法减少噪声数据的影响;结合XGBoost算法的多分类功能建立预测模型。实验结果表明,相对于XGBoost算法、随机森林算法以及基于概率统计的贝叶斯算法,RTE+XGBoost组合模型的预测准确率分别提升了1.23%、3.44%、4.43%。
