針對通信網(wǎng)絡告警預測中預測精度不高、模型訓練效率較低等缺陷，提出告警權值確定方法和基于自然序樹（ Can-tree）的加權增量關聯(lián)規(guī)則挖掘的通信網(wǎng)絡告警預測方案。首先，對告警數(shù)據(jù)進行預處理，確定告警數(shù)據(jù)權值并壓縮到Can-tree結構中；其次，應用增量關聯(lián)規(guī)則挖掘算法對Can-tree進行挖掘，生成告警關聯(lián)規(guī)則；最后，使用模式匹配的方法對實時告警信息進行預測，并對結果進行優(yōu)化整理。實驗結果表明，基于Can-tree的加權增量關聯(lián)規(guī)則挖掘算法是高效的，利用前次挖掘的結果和信息提高了挖掘的效率，網(wǎng)絡告警數(shù)據(jù)的權值分配方案能夠合理地區(qū)分告警數(shù)據(jù)的重要程度，有助于將重要程度高的告警關聯(lián)規(guī)則挖掘出來，并加快過時告警關聯(lián)規(guī)則的淘汰，提高預測的準確度和精度。

　　通信網(wǎng)絡產(chǎn)生的大量數(shù)據(jù)如指令、告警，其中包含了對故障的檢測預測十分有用的信息，通過對告警數(shù)據(jù)進行分析和挖掘，能夠獲得其中隱含的告警關聯(lián)規(guī)則，當實時告警數(shù)據(jù)到來時，通過匹配告警關聯(lián)規(guī)則，可對不久的將來可能發(fā)生的告警進行預測，從而指導網(wǎng)絡故障管理。

　　當前，通信告警預測的解決方案主要有：基于神經(jīng)網(wǎng)絡的預測方法、基于支持向量機的方法心］、基于遺傳算法的預測方法、基于挖掘的時間序列預測方法?；谏窠?jīng)網(wǎng)絡的告警預測技術具有較強的非線性映射能力和動態(tài)自適應能力；但是存在網(wǎng)絡訓練時間較長、難以選取輸入變量和隱含層數(shù)及節(jié)點數(shù)、訓練結果不穩(wěn)定、容易陷入局部最優(yōu)值等缺點?；谥С窒蛄繖C（ Support Vector Machine．SVM）的方法能在較少的樣本上得到很好的預測效果；但是復雜度較高，并且存在過學習的問題?；谶z傳算法的告警預測技術具有通用、魯棒性強等特點；但是也存在隨機性大、未成熟收斂、收斂速度低等問題?；陉P聯(lián)規(guī)則挖掘和序列模式挖掘方法的優(yōu)點是不需要知道網(wǎng)絡拓撲的關系，當網(wǎng)絡拓撲結構發(fā)生變化時，可以通過對歷史告警數(shù)據(jù)進行分析，自動發(fā)現(xiàn)新的告警模式，適應網(wǎng)絡的變化，解決網(wǎng)絡中出現(xiàn)的新問題；不足之處就在構建預測模型時需要多次掃描數(shù)據(jù)庫，且候選項的數(shù)量巨大，導致構建效率較低。