ODN网智能规划方法、装置及系统制造方法及图纸

本发明专利技术涉及一种ODN网智能规划方法、装置及设备，所述方法可包括：获取待规划区域的OBD布点影响因子集；OBD布点影响因子集包括历史OBD布点样本数据集和业务样本数据集；通过神经网络模型处理历史OBD布点样本数据集，得到当前OBD布点训练参数和当前OBD布点训练参数对应的当前OBD布点分类结果数据；将业务样本数据集通过相似度聚类处理，得到OBD布点聚类结果数据；将OBD布点聚类结果数据通过最邻近分类处理，得到优化后的OBD布点分类结果数据；比对当前OBD布点分类结果数据与优化后的OBD布点分类结果数据，并根据比对的结果生成当前OBD布点优化数据。采用本方法能够优化待规划区域ODN网中的OBD布点，提高了OBD布点的准确性和效率。

【技术实现步骤摘要】
ODN网智能规划方法、装置及系统
本专利技术涉及通信
，特别是涉及一种ODN网智能规划方法、装置及系统。
技术介绍
随着通信技术的发展，虽然如今移动通信发展速度惊人，但因其带宽有限，终端体积不可能太大和显示屏幕受限等因素，而对于性能相对占优的固定终端实现FTTH(FibertotheBuilding：光纤到户)，可以让用户体验更优的通信方式。FTTH指的是光纤直接通达用户家庭，从通信局端一直到用户家庭全部为光纤线路的接入方式。光分配网(ODN：OpticalDistributionNetwork)是整个光网建设的主要部分，ODN由馈线光纤、光分路器(OBD：On-BoardDiagnostic)和支线构成，将一个光线路终端(OLT：OpticalLineTerminal)和多个光网络单元(ONU：OpticalNetworkUnit)连接起来，提供光信号的双向传输。而ODN组网规划的OBD布点是FTTH建设中的一个重要环节，ODN组网规划的OBD布点优劣直接影响着FTTH建设的效率。由于OBD布点的影响因子较多，规划过程复杂，时间较长；加上实际建设场景复杂多样，难以综合考虑规划区域内DP(电分线盒)的数量和位置、用户分布特点、小区性质，预测规划区域内需要覆盖的大致用户规模等，从而难以评估出等效用户容量和对应的OBD布点单元。传统的技术方案基本上整个过程采用人工规划，进行现场勘察和存量资源的核查确认，规划设计时需要凭借个人经验做出判断，没有明细的标准规范。在实现过程中，专利技术人发现传统技术中至少存在如下问题：传统的人工ODN网规划布点，资源建设周期长、不规范、投入浪费，对ODN组网规划布点效率低下。
技术实现思路
基于此，有必要针对传统的技术方案中对ODN组网规划布点效率低下的问题，本专利技术提供了一种ODN网智能规划方法、装置及系统。为了实现上述目的，一方面，本专利技术实施例提供了一种ODN网智能规划方法，包括以下步骤：获取待规划区域的OBD布点影响因子集；OBD布点影响因子集包括历史OBD布点样本数据集和业务样本数据集；通过神经网络模型处理历史OBD布点样本数据集，得到当前OBD布点训练参数和当前OBD布点训练参数对应的当前OBD布点分类结果数据；将业务样本数据集通过相似度聚类处理，得到OBD布点聚类结果数据；将OBD布点聚类结果数据通过最邻近分类处理，得到优化后的OBD布点分类结果数据；比对当前OBD布点分类结果数据与优化后的OBD布点分类结果数据，并根据比对的结果生成当前OBD布点优化数据。在其中一个实施例中，通过神经网络处理历史OBD布点样本数据集，得到当前OBD布点训练参数的步骤包括：获取历史OBD布点样本数据集的输入层向量和输入层权重矩阵；对输入层向量和输入层权重矩阵进行线性处理，得到隐藏层输入向量；对隐藏层输入向量进行保留映射函数处理，得到隐藏层输出向量；对隐藏层输出向量和对应隐藏层输出向量的隐藏层权重矩阵进行线性处理，得到输出层输入向量；对输出层输入向量进行保留映射函数处理，得到当前OBD布点训练参数。在其中一个实施例中，相似度聚类为SNN聚类；最邻近分类为KNN分类；将业务样本数据通过相似度聚类处理，得到OBD布点聚类结果数据的步骤包括：将业务样本数据集通过SNN聚类处理，得到OBD布点聚类结果数据；将OBD布点聚类结果数据通过最邻近分类处理，得到优化后的OBD布点分类结果数据的步骤包括：将OBD布点聚类结果数据通过KNN分类处理，得到优化后的OBD布点分类结果数据。在其中一个实施例中，将业务样本数据集通过相似度聚类处理，得到OBD布点聚类结果数据的步骤之后包括：比对当前OBD布点训练参数和OBD布点聚类结果数据；得到OBD异常点布点数据；对OBD异常点布点数据进行最邻近分类处理，得到优化后的OBD布点分类结果数据。在其中一个实施例中，比对当前OBD布点训练参数与优化后的OBD布点分类结果数据，并根据比对的结果生成当前OBD布点优化数据的步骤之后包括：根据比对的结果，校准当前OBD布点训练参数，得到校准后的当前OBD布点分类结果数据；对比校准后的当前OBD布点分类结果数据与优化后的OBD布点分类结果数据，更新当前OBD布点优化数据。在其中一个实施例中，获取待规划区域的OBD布点影响因子集的步骤之后包括：对OBD布点影响因子集进行数据预处理，得到历史OBD布点样本数据集和业务样本数据集；数据预处理包括数据清洗、数据编码和数据重构。在其中一个实施例中，历史OBD布点样本数据集包括铜覆盖率的影响因素数据集和光覆盖率的影响因素数据集；业务样本数据集包括区域网格分割单元的影响因素数据集。另一方面，本专利技术实施例还提供了一种ODN网智能规划装置，包括：数据获取单元，用于获取待规划区域的OBD布点影响因子集；OBD布点影响因子集包括历史OBD布点样本数据集和业务样本数据集；神经网络处理单元，用于通过神经网络处理历史OBD布点样本数据集，得到当前OBD布点训练参数和当前OBD布点训练参数对应的当前OBD布点分类结果数据；聚类处理单元，用于将业务样本数据通过相似度聚类处理，得到OBD布点聚类结果数据；分类处理单元，用于将OBD布点聚类结果数据通过最邻近分类处理，得到优化后的OBD布点分类结果数据；比对优化单元，用于根据比对当前OBD布点分类结果数据与优化后的OBD布点分类结果数据得到的比对结果，生成当前OBD布点优化数据。另一方面，本专利技术实施例还提供了一种ODN网智能规划系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述ODN网智能规划方法的步骤。另一方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述ODN网智能规划方法的步骤。上述技术方案中的一个技术方案具有如下优点和有益效果：通过对待规划区域的历史OBD布点样本数据集输入神经网络模型，得到当前OBD布点分类结果数据；通过将待规划区域的业务样本数据集进行相似度聚类处理，对OBD布点进行确立校验，得到OBD布点聚类结果数据；将OBD布点聚类结果数据通过最邻近分类处理，得到优化后的OBD布点分类结果数据；根据比对当前OBD布点分类结果数据与优化后的OBD布点分类结果数据得到的比对结果，生成当前OBD布点优化数据，从而优化了待规划区域ODN网中的OBD布点，提高了OBD布点的准确性和效率。附图说明图1为一个实施例中ODN网智能规划方法的应用环境图；图2为一个实施例中ODN网智能规划方法的应用场景图；图3为一个实施例中ODN网智能规划方法的流程示意图；图4为一个实施例中神经网络处理步骤的流程示意图；图5为一个实施例中神经网络处理步骤的结构示意图；图6为一个实施例中KNN分类处理步骤的结构示意图；图7为一个实施例中反复优化步骤的流程示意图；图8为另一个实施例中ODN网智能规划方法的流程示意图；图9为一个实施例中ODN网智能规划方法的流程结构图；图10为一个实施例中ODN网智能规划方法的流程架构图；图11为一个实施例中ODN网智能规划装置的结构框图；图12为一个实施例中ODN网智能规划系统的内部结构图。具体实施方式为了便于理解本专利技术，下面将参照相关附图对本专利技术进本文档来自技高网...

【技术保护点】
1.一种ODN网智能规划方法，其特征在于，包括以下步骤：获取待规划区域的OBD布点影响因子集；所述OBD布点影响因子集包括历史OBD布点样本数据集和业务样本数据集；通过神经网络模型处理所述历史OBD布点样本数据集，得到当前OBD布点训练参数和所述当前OBD布点训练参数对应的当前OBD布点分类结果数据；将所述业务样本数据集通过相似度聚类处理，得到OBD布点聚类结果数据；将所述OBD布点聚类结果数据通过最邻近分类处理，得到优化后的OBD布点分类结果数据；比对所述当前OBD布点分类结果数据与所述优化后的OBD布点分类结果数据，并根据所述比对的结果生成当前OBD布点优化数据。

【技术特征摘要】
1.一种ODN网智能规划方法，其特征在于，包括以下步骤：获取待规划区域的OBD布点影响因子集；所述OBD布点影响因子集包括历史OBD布点样本数据集和业务样本数据集；通过神经网络模型处理所述历史OBD布点样本数据集，得到当前OBD布点训练参数和所述当前OBD布点训练参数对应的当前OBD布点分类结果数据；将所述业务样本数据集通过相似度聚类处理，得到OBD布点聚类结果数据；将所述OBD布点聚类结果数据通过最邻近分类处理，得到优化后的OBD布点分类结果数据；比对所述当前OBD布点分类结果数据与所述优化后的OBD布点分类结果数据，并根据所述比对的结果生成当前OBD布点优化数据。2.根据权利要求1所述的ODN网智能规划方法，其特征在于，所述通过神经网络处理所述历史OBD布点样本数据集，得到当前OBD布点训练参数的步骤包括：获取所述历史OBD布点样本数据集的输入层向量和输入层权重矩阵；对所述输入层向量和所述输入层权重矩阵进行线性处理，得到隐藏层输入向量；对所述隐藏层输入向量进行保留映射函数处理，得到隐藏层输出向量；对所述隐藏层输出向量和对应所述隐藏层输出向量的隐藏层权重矩阵进行线性处理，得到输出层输入向量；对所述输出层输入向量进行保留映射函数处理，得到所述当前OBD布点训练参数。3.根据权利要求1所述的ODN网智能规划方法，其特征在于，所述相似度聚类为SNN聚类；所述最邻近分类为KNN分类；所述将所述业务样本数据通过相似度聚类处理，得到OBD布点聚类结果数据的步骤包括：将所述业务样本数据集通过所述SNN聚类处理，得到所述OBD布点聚类结果数据；所述将所述OBD布点聚类结果数据通过最邻近分类处理，得到优化后的OBD布点分类结果数据的步骤包括：将所述OBD布点聚类结果数据通过所述KNN分类处理，得到所述优化后的OBD布点分类结果数据。4.根据权利要求1所述的ODN网智能规划方法，其特征在于，所述将所述业务样本数据集通过相似度聚类处理，得到OBD布点聚类结果数据的步骤之后包括：比对所述当前OBD布点分类结果数据和所述OBD布点聚类结果数据；得到OBD异常点布点数据；对所述OBD异常点布点数据进行最邻近分类处理，得到所述优化后的OBD布点分类结果数据。5.根据权...

【专利技术属性】
技术研发人员：李毅，杨莉，杨鹤鸣，林涛，陈华荣，赵松君，邓晓旭，林焜煜，赵勇，
申请(专利权)人：广东省电信规划设计院有限公司，
类型：发明
国别省市：广东,44