1.移动通信网络中基于异常检测和核密度估计KDE的指标突变小区检测方法，其特征在于，主要包括以下步骤：

1)获取移动通信网络所有小区KPI序列，并对每个小区的KPI序列进行数据清洗；

2)基于清洗后的KPI序列，建立历史数据序列和测试数据序列；

3)基于历史数据序列和测试数据序列，筛选掉全部KPI序列均正常的小区，保留异常小区，并记录每个小区的所有异常KPI的第一个发生异常的时间点t1st；

4)利用基于高斯核的KDE计算异常小区差分前的异常KPI序列的异常分数，并建立所述异常分数矩阵A；

建立异常分数矩阵A的主要步骤如下：

4.1)以t0‑t1st时间段的异常KPI序列作为KDE的训练数据集，对KDE进行训练；t0为KPI序列起始时间；

4.2)以t1st‑t3时间段的异常KPI序列作为KDE的测试数据集，并将测试数据集输入到KDE中；t3为KPI序列终结时间；

4.3)利用KDE对测试数据集拟合，计算出t1st‑t3时间段的每个时间点对应的异常分数值，并取对数，得到每个时间点对应的异常分数；将异常分数写入异常分数矩阵A中；

5)判断异常分数矩阵A中是否存在元素a＞α，若是，则记元素a对应的KPI值v为突变指标，KPI值v对应小区记为指标突变小区；α为预设的阈值。

2.根据权利要求1所述的移动通信网络中基于异常检测和核密度估计KDE的指标突变小区检测方法，其特征在于，对每个小区的KPI序列进行数据清洗的主要步骤如下：

1)基于设定的粒度g，筛选掉粒度不合规的小区；

2)基于设定的数据长度S＝T/g，筛选掉时间长度不合规的小区；T为指标突变小区检测周期；

3)以0填充剩余小区缺失值；

4)基于业务告警信息，筛选掉业务告警小区。

3.根据权利要求1或2所述的移动通信网络中基于异常检测和核密度估计KDE的指标突变小区检测方法，其特征在于，历史数据序列为t0‑t1时间段的KPI序列；测试数据序列为t2‑t3时间段的KPI序列；t0为KPI序列起始时间；t1∈(t0,t3)为历史数据序列终结时间；t2∈(t0,t3)为测试数据序列起始时间；t3为KPI序列终结时间。

4.根据权利要求1或2所述的移动通信网络中基于异常检测和核密度估计KDE的指标突变小区检测方法，其特征在于，确定异常小区的主要步骤如下：

1)利用季节差分法对历史数据序列和测试数据序列进行差分；将差分后的历史数据序列和测试数据序列输入到加法模型中，得到历史趋势数据集和测试趋势数据集；

2)基于历史趋势数据集，分别计算不同小区中不同KPI序列的均值μ和标准差σ，并确定每个KPI的正常区间I；

3)判断测试趋势数据集中每个元素是否位于对应KPI序列的正常区间I内，若否，则将对应KPI标记为异常指标，并将所述异常指标所在小区标记为异常小区。

5.根据权利要求4所述的移动通信网络中基于异常检测和核密度估计KDE的指标突变小区检测方法，其特征在于，加法模型Y[t]＝T[t]+S[t]+e[t]；其中，T[t]、S[t]、e[t]为KPI差分后得到的三个分解因子；Y[t]表示加法模型输出的历史趋势数据或测试趋势数据。

6.根据权利要求4所述的移动通信网络中基于异常检测和核密度估计KDE的指标突变小区检测方法，其特征在于，KPI的正常区间I＝(μ‑ω×σ,μ+ω×σ)；ω为常数。