ÖZETÇEGSM şebekelerinde karşılaşılan kronik kalite aksaklıklarının önemli bir kısmı belirli aralıklarla oluşan, sıkça tekrarlanıp kısa sürede ortadan kalkan, periyodik kalite alarmlarına neden olmaktadır. Şebekede oluşan kalite alarmlarının sayısı yüksek olduğu için, GSM şebekelerinde aksaklık yönetiminden sorumlu uzman personel düzenli olarak kalite alarmlarını inceleyip kronik kalite aksaklıklarını belirlemeye çalışmaktadır. Periyodik alarmlara neden olan kronik kalite aksaklıklarının uzman personel tarafından alarm tarihçesi incelenerek belirlenmesi uzun zaman alan maliyetli bir işlemdir. Bu çalışmada alarm tarihçesi üzerinde dağılımdan bağımsız olasılık kestirimi yöntemi kullanılarak periyodik alarmlara neden olan aksaklıkları belirlemek için yeni bir yöntem sunulmaktadır. Çalışma kapsamında alarm tarihçesindeki alarmlar üzerinde dağılımdan bağımsız olasılık kestirimi yaklaşımı ile alarmların kaynak, tip ve tekrarlanma bilgilerine göre histogramlar üretilmiştir. Bu histogramlar uzmanlar tarafından incelenmiş ve periyodik kalite alarmları etiketlenmiştir. Kronik kalite alarmı tespiti için kurulan bir modelin parametreleri etiketli veri kullanılarak öğrenilmiştir. Öğrenilmiş model kullanılarak kronik kalite aksaklıklarına sahip kaynaklar büyük bir başarı oranı ile bulunmuştur.
Anahtar Kelimeler -dağılımdan bağımsız olasılık kestirimi; histogram; GSM; kalite problemleri; kalite aksaklıkları.ABSTRACT A significant number of chronic GSM quality faults cause chronic quality alarms, which happen periodically, repeat often and disappear after a short time. There are a huge number of quality alarms and alarm quality experts who are responsible for the fault management try to determine chronic quality faults by examining quality alarms. The task of examining the history of a huge number of alarms and determining the chronic quality faults is a very time consuming and expensive task. In this study, a new non-parametric density estimation approach is proposed to determine quality faults which cause periodic alarms. We use the alarm history to do a nonparametric density estimation using histograms, based on the source, type and reoccurrence information for each alarm. These histograms were examined by the experts and they labeled the alarm histograms based on whether they point to chronic quality problems or not. We built a model to determine chronic quality problems and learned the parameters of this model using the alarm histogram data labeled by the experts. The learned model had a very good performance in determining the chronic quality faults.