1.基于异常检测和集成学习的休眠小区检测方法，其特征在于，包括以下步骤：

1)获取移动通信网络所有小区关键性能指标KPI数据序列，并对每个小区的关键性能指标KPI数据序列进行数据清洗；

2)基于清洗后的关键性能指标KPI数据序列，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，筛选掉全部关键性能指标KPI数据序列均正常的小区，保留异常小区；

确定异常小区的步骤如下：

3.1)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；

3.2)基于历史趋势数据集，分别计算不同小区中不同关键性能指标KPI数据序列的均值μ和方差σ，并确定每个关键性能指标KPI数据的正常区间I；

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

4)获取h时间内异常小区的异常原因，并对异常原因进行分类，记为pattern1,pattern2,…,patternn；

5)将每一类异常原因对应的小区数据分别打上标签，得到打上标签的小区数据和对应标记小区；

6)选取标记小区的物理上行链路控制信道的平均接收信号强度AVG_RSSI_PUCCH(RSSI1)和物理上行链路共享信道的平均接收信号强度AVG_RSSI_PUSCH(RSSI2)，并计算IFP指标；IFP＝max(AVG_RSSI_PUCCH(RSSI1)，AVG_RSSI_PUSCH(RSSI2))；

7)分别计算异常小区和标记小区的IFP指标与物理上行链路控制信道的平均接收信号强度AVG_RSSI_PUCCH(RSSI1)的相关性指标corr1、IFP指标与物理上行链路共享信道的平均接收信号强度AVG_RSSI_PUSCH(RSSI2)的相关性指标corr2、物理上行链路控制信道的平均接收信号强度AVG_RSSI_PUCCH(RSSI1)和物理上行链路共享信道的平均接收信号强度AVG_RSSI_PUSCH(RSSI2)的相关性指标corr3；

8)以标记小区的相关性指标corr1、相关性指标corr2和相关性指标corr3作为训练数据，训练随机森林模型，得到小区分类模型M；

9)将异常小区的相关性指标corr1、相关性指标corr2和相关性指标corr3作为测试数据，输入到小区分类模型M中，输出每个异常小区的异常原因属于pattern1、pattern2、…和patternn的概率矩阵A；

10)若概率矩阵A的最大元素a≤ε，则所述异常小区为休眠小区；ε为预设的概率阈值。

2.根据权利要求1所述的基于异常检测和集成学习的休眠小区检测方法，其特征在于，对每个小区的关键性能指标KPI数据序列进行数据清洗的步骤如下：

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为休眠小区检测周期；

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所述的基于异常检测和集成学习的休眠小区检测方法，其特征在于：历史数据序列为t0‑t1时间段的关键性能指标KPI数据序列；测试数据序列为t2‑t3时间段的关键性能指标KPI数据序列；t0为关键性能指标KPI数据序列起始时间；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为关键性能指标KPI数据序列终结时间。

4.根据权利要求1所述的基于异常检测和集成学习的休眠小区检测方法，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]为差分后的关键性能指标KPI数据；Y[t]表示加法模型输出的历史趋势数据或测试趋势数据。

5.根据权利要求1所述的基于异常检测和集成学习的休眠小区检测方法，其特征在于：关键性能指标KPI数据的正常区间I＝(μ‑ω×σ,μ+ω×σ)；ω为常数。

6.根据权利要求1或2所述的基于异常检测和集成学习的休眠小区检测方法，其特征在于：异常原因包括上行干扰、相邻小区发生异常、线路异常。

7.根据权利要求1所述的基于异常检测和集成学习的休眠小区检测方法，其特征在于，相关性指标corr1如下所示：相关性指标corr2如下所示：

相关性指标corr3如下所示：

式中，cov()为协方差，var()为方差。