針對通信網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）的加權增量關聯規則挖掘的通信網絡告警預測方案。首先，對告警數據進行預處理，確定告警數據權值并壓縮到Can-tree結構中；其次，應用增量關聯規則挖掘算法對Can-tree進行挖掘，生成告警關聯規則；最后，使用模式匹配的方法對實時告警信息進行預測，并對結果進行優化整理。實驗結果表明，基于Can-tree的加權增量關聯規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，網絡告警數據的權值分配方案能夠合理地區分告警數據的重要程度，有助于將重要程度高的告警關聯規則挖掘出來，并加快過時告警關聯規則的淘汰，提高預測的準確度和精度。

　　通信網絡產生的大量數據如指令、告警，其中包含了對故障的檢測預測十分有用的信息，通過對告警數據進行分析和挖掘，能夠獲得其中隱含的告警關聯規則，當實時告警數據到來時，通過匹配告警關聯規則，可對不久的將來可能發生的告警進行預測，從而指導網絡故障管理。

　　當前，通信告警預測的解決方案主要有：基于神經網絡的預測方法、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。基于神經網絡的告警預測技術具有較強的非線性映射能力和動態自適應能力；但是存在網絡訓練時間較長、難以選取輸入變量和隱含層數及節點數、訓練結果不穩定、容易陷入局部最優值等缺點。基于支持向量機（ 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。基于遺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。基于關聯規則挖掘和序列模式挖掘方法的優點是不需要知道網絡拓撲的關系，當網絡拓撲結構發生變化時，可以通過對歷史告警數據進行分析，自動發現新的告警模式，適應網絡的變化，解決網絡中出現的新問題；不足之處就在構建預測模型時需要多次掃描數據庫，且候選項的數量巨大，導致構建效率較低。