本申请涉及通信，尤其涉及一种故障预测方法、装置、程序产品及存储介质。
背景技术：
1、现有的针对光模块故障的处理方法通常是网络工程师根据以往基站覆盖场景、业务量判断站点的重要性以及处理优先级，但现网存在大量集中式无线接入网(centralizedradio access network，cran)基站，拉远开通以及各网络制式相互升级的情况，通过人工查询站点位置信息后上站进行处理，整个过程耗时长。
技术实现思路
1、为解决现有存在的技术问题，本申请实施例提供一种故障预测方法、装置、程序产品及存储介质。
2、为达到上述目的，本申请实施例的技术方案是这样实现的：
3、本申请实施例提供了一种故障预测方法，应用于光模块，包括：
4、获取所述光模块的性能参数对应的样本数据集和目标数据集；
5、将所述样本数据集进行分解处理，得到第一数据集和第二数据集；所述第一数据集表征所述目标数据集中的正常工况对应的数据集；所述第二数据集表征所述目标数据集中的风险工况对应的数据集；
6、利用所述第一数据集和所述第二数据集分别对预设的自回归滑动平均模型(autoregressive moving average model，arma)进行训练，得到训练后的第一arma模型和第二arma模型；
7、根据所述目标数据集和所述第一arma模型或所述第二arma模型确定所述目标数据集对应的预测结果；
8、将所述预测结果进行可视化输出。
9、上述方案中，所述光模块包括第一端和第二端；所述第一端与所述第二端为对端；所述性能参数包括以下至少之一：
10、所述第一端的电流参数和功率参数；
11、所述第二端的功率参数。
12、上述方案中，所述将所述样本数据集进行分解处理，得到第一数据集和第二数据集，包括：
13、按照预设方法将所述样本数据集进行分解处理，得到所述第一数据集和所述第二数据集。
14、上述方案中，所述根据所述目标数据集和所述第一arma模型或所述第二arma模型确定所述目标数据集对应的预测结果，包括：
15、分别获取所述第一数据集的第一中心数据和所述第二数据集的第二中心数据；
16、确定所述目标数据集和所述第一中心数据间的第一距离以及所述目标数据集与所述第二中心数据间的第二距离；
17、基于所述目标数据集、所述第一距离、所述第二距离、所述第一arma模型或所述第二arma模型确定所述预测结果。
18、上述方案中，所述基于所述目标数据集、所述第一距离、所述第二距离、所述第一arma模型或所述第二arma模型确定所述预测结果，包括：
19、比较所述第一距离与所述第二距离，得到比较结果；
20、在所述比较结果表征所述第一距离小于或等于所述第二距离时，利用所述第一arma模型对所述目标数据集进行预测，得到所述预测结果；
21、在所述比较结果表征所述第一距离大于所述第二距离时，利用所述第二arma模型对所述目标数据集进行预测，得到所述预测结果。
22、上述方案中，所述将所述预测结果进行可视化输出，包括：
23、获取所述光模块对应的单板信息；
24、根据所述单板信息对所述预测结果进行可视化输出。
25、上述方案中，所述单板信息包括以下至少之一：
26、所述光模块的网元名称信息；
27、所述光模块的网元身份标识(identification，id)信息；
28、所述光模块对应的小区名称信息；
29、所述光模块对应的基站重要的(very important person，vip)等级信息或小区vip等级信息；
30、所述光模块对应的位置信息；
31、所述光模块对应的时间信息。
32、本申请实施例还提供了一种故障预测装置，应用于光模块，包括：
33、获取单元，用于获取所述光模块的性能参数对应的样本数据集和目标数据集；
34、处理单元，用于将所述样本数据集进行分解处理，得到第一数据集和第二数据集；所述第一数据集表征所述目标数据集中的正常工况对应的数据集；所述第二数据集表征所述目标数据集中的风险工况对应的数据集；
35、训练单元，用于利用所述第一数据集和所述第二数据集分别对arma进行训练，得到训练后的第一arma模型和第二arma模型；
36、确定单元，用于根据所述目标数据集和所述第一arma模型或所述第二arma模型确定所述目标数据集对应的预测结果；
37、输出单元，用于将所述预测结果进行可视化输出。
38、本申请实施例还提供了一种电子设备，包括：
39、存储器，用于存储可执行指令；
40、处理器，用于执行所述存储器中存储的可执行指令时，实现上述所述方法的任一步骤。
41、本申请实施例还提供了一种计算机程序产品，所述计算机程序在被处理器执行时实现上述所述方法的任一步骤。
42、本申请实施例还提供一种计算机可读存储介质，存储有可执行指令，用于被处理器执行时，实现上述所述方法的任一步骤。
43、本申请实施例提供了故障预测方法、装置、程序产品及存储介质，其中，方法应用于光模块，包括：获取所述光模块的性能参数对应的样本数据集和目标数据集；将所述样本数据集进行分解处理，得到第一数据集和第二数据集；所述第一数据集表征所述目标数据集中的正常工况对应的数据集；所述第二数据集表征所述目标数据集中的风险工况对应的数据集；利用所述第一数据集和所述第二数据集分别对arma进行训练，得到训练后的第一arma模型和第二arma模型；根据所述目标数据集和所述第一arma模型或所述第二arma模型确定所述目标数据集对应的预测结果；将所述预测结果进行可视化输出。通过采集光模块运行性能参数，建立arma模型对光模块故障进行预测，实现了光模块故障处理由“事后处理”向“预处理”的模式进行转变，将预测结果进行可视化输出呈现，为用户高效处理光模块故障提供了有力的支撑和依据。
1.一种故障预测方法，其特征在于，所述方法应用于光模块，包括：
2.根据权利要求1所述的方法，其特征在于，所述光模块包括第一端和第二端；所述第一端与所述第二端为对端；所述性能参数包括以下至少之一：
3.根据权利要求1所述的方法，其特征在于，所述将所述样本数据集进行分解处理，得到第一数据集和第二数据集，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标数据集和所述第一arma模型或所述第二arma模型确定所述目标数据集对应的预测结果，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于所述目标数据集、所述第一距离、所述第二距离、所述第一arma模型或所述第二arma模型确定所述预测结果，包括：
6.根据权利要求1所述的方法，其特征在于，所述将所述预测结果进行可视化输出，包括：
7.根据权利要求6所述的方法，其特征在于，所述单板信息包括以下至少之一：
8.一种故障预测装置，其特征在于，所述装置应用于光模块，包括：
9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序在被处理器执行时实现权利要求1至7任一项所述的故障预测方法。
10.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于被处理器执行时，实现权利要求1至7任一项所述的故障预测方法。
