[發明專利]ODN網智能規劃方法、裝置及系統

有效

• 申請號: 201810108108.0
• 申請日: 2018-02-02
• 公開（公告）號: CN108446712B
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 李毅;楊莉;楊鶴鳴;林濤;陳華榮;趙松君;鄧曉旭;林焜煜;趙勇
• 申請（專利權）人: 廣東省電信規劃設計院有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;H04L12/24;H04Q11/00
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 向薇

1.一種ODN網智能規劃方法，其特征在于，包括以下步驟：

獲取待規劃區域的OBD布點影響因子集；所述OBD布點影響因子集包括歷史OBD布點樣本數據集和業務樣本數據集；

通過神經網絡模型處理所述歷史OBD布點樣本數據集，得到當前OBD布點訓練參數和所述當前OBD布點訓練參數對應的當前OBD布點分類結果數據；其中，所述神經網絡模型為BP神經網絡模型；

將所述業務樣本數據集通過相似度聚類處理，得到OBD布點聚類結果數據；

將所述OBD布點聚類結果數據通過最鄰近分類處理，得到優化后的OBD布點分類結果數據；

根據比對所述當前OBD布點分類結果數據與所述優化后的OBD布點分類結果數據得到的比對結果，生成當前OBD布點優化數據。

2.根據權利要求1所述的ODN網智能規劃方法，其特征在于，所述通過神經網絡模型處理所述歷史OBD布點樣本數據集，得到當前OBD布點訓練參數的步驟包括：

獲取所述歷史OBD布點樣本數據集的輸入層向量和輸入層權重矩陣；

對所述輸入層向量和所述輸入層權重矩陣進行線性處理，得到隱藏層輸入向量；對所述隱藏層輸入向量進行保留映射函數處理，得到隱藏層輸出向量；

對所述隱藏層輸出向量和對應所述隱藏層輸出向量的隱藏層權重矩陣進行線性處理，得到輸出層輸入向量；對所述輸出層輸入向量進行保留映射函數處理，得到所述當前OBD布點訓練參數。

3.根據權利要求1所述的ODN網智能規劃方法，其特征在于，所述相似度聚類為SNN聚類；所述最鄰近分類為KNN分類；

所述將所述業務樣本數據集通過相似度聚類處理，得到OBD布點聚類結果數據的步驟包括：

將所述業務樣本數據集通過所述SNN聚類處理，得到所述OBD布點聚類結果數據；

所述將所述OBD布點聚類結果數據通過最鄰近分類處理，得到優化后的OBD布點分類結果數據的步驟包括：

將所述OBD布點聚類結果數據通過所述KNN分類處理，得到所述優化后的OBD布點分類結果數據。

4.根據權利要求1所述的ODN網智能規劃方法，其特征在于，所述將所述業務樣本數據集通過相似度聚類處理，得到OBD布點聚類結果數據的步驟之后包括：

比對所述當前OBD布點分類結果數據和所述OBD布點聚類結果數據；得到OBD異常點布點數據；

對所述OBD異常點布點數據進行最鄰近分類處理，得到所述優化后的OBD布點分類結果數據。

5.根據權利要求1所述的ODN網智能規劃方法，其特征在于，所述根據比對所述當前OBD布點分類結果數據與所述優化后的OBD布點分類結果數據得到的比對結果的步驟之后包括：

根據所述比對結果，校準所述當前OBD布點訓練參數，得到校準后的當前OBD布點分類結果數據；

對比所述校準后的當前OBD布點分類結果數據與所述優化后的OBD布點分類結果數據，更新所述當前OBD布點優化數據。

6.根據權利要求1至5任意一項所述的ODN網智能規劃方法，其特征在于，所述獲取待規劃區域的OBD布點影響因子集的步驟之后包括：

對所述OBD布點影響因子集進行數據預處理，得到所述歷史OBD布點樣本數據集和所述業務樣本數據集；

所述數據預處理包括數據清洗、數據編碼和數據重構。

7.根據權利要求6所述的ODN網智能規劃方法，其特征在于，

所述歷史OBD布點樣本數據集包括銅覆蓋率的影響因素數據集和光覆蓋率的影響因素數據集；

所述業務樣本數據集包括區域網格分割單元的影響因素數據集。