本技術涉及人工智能，特別涉及一種基于多源異構(gòu)數(shù)據(jù)融合分析的專網(wǎng)管理方法、裝置及設備。

背景技術：

1、在現(xiàn)代城市中，無線通信網(wǎng)絡的穩(wěn)定性和可靠性對于保障公共安全、交通管理、緊急服務等至關重要。多模無線專網(wǎng)是一種集成了邊緣計算和云計算技術的智能化網(wǎng)絡系統(tǒng)，即邊緣-云統(tǒng)一的異構(gòu)技術架構(gòu)下的通信網(wǎng)絡，它能夠提供高效、安全的數(shù)據(jù)傳輸服務。然而在大規(guī)模多模網(wǎng)絡系統(tǒng)中，如350mhz、370mhz、800mhz、1.4ghz、1.8ghz、5.8ghz、6ghz，當存在多個基站同時段發(fā)生故障時，如何在維修人員數(shù)量有限的情況下，按時限要求快速修復全網(wǎng)故障尤為重要。

2、相關技術中，當存在多個基站同時段發(fā)生故障時，為了實現(xiàn)故障的快速修復，一般盡可能的多派遣維修人員，按照維修人員離故障的遠近程度、故障發(fā)生緊急程度等單一維度去派遣維修人員維修故障，導致在維修人員有限的情況下，無法實現(xiàn)故障的最短時間快速修復，導致故障修復時間延長，從而降低了故障修復效率。

技術實現(xiàn)思路

1、本技術實施例提供了一種基于多源異構(gòu)數(shù)據(jù)融合分析的專網(wǎng)管理方法、裝置及設備。為了對披露的實施例的一些方面有一個基本的理解，下面給出了簡單的概括。該概括部分不是泛泛評述，也不是要確定關鍵/重要組成元素或描繪這些實施例的保護范圍。其唯一目的是用簡單的形式呈現(xiàn)一些概念，以此作為后面的詳細說明的序言。

2、第一方面，本技術實施例提供了一種基于多源異構(gòu)數(shù)據(jù)融合分析的專網(wǎng)管理方法，方法包括：

3、在監(jiān)測到多模無線專網(wǎng)在同一時段內(nèi)多個基站出現(xiàn)故障時，獲取各故障基站的基站數(shù)據(jù)；

4、根據(jù)各故障基站的基站數(shù)據(jù)、預設各頻段網(wǎng)絡故障修復的難易度以及預設各維修人員的維修熟練度，構(gòu)建多源異構(gòu)數(shù)據(jù)陣列；

5、將多源異構(gòu)數(shù)據(jù)陣列和預設故障修復優(yōu)先規(guī)則輸入預先訓練的故障維修調(diào)度模型中，輸出各故障基站對應的維修人員信息；預設故障修復優(yōu)先規(guī)則用于引導預先訓練的故障維修調(diào)度模型基于多源異構(gòu)數(shù)據(jù)陣列生成各故障基站對應的最優(yōu)維修人員信息；

6、基于各故障基站對應的維修人員信息，調(diào)度各維修人員。

7、可選的，根據(jù)各故障基站的基站信息、預設各頻段網(wǎng)絡故障修復的難易度以及預設各維修人員的維修熟練度，構(gòu)建多源異構(gòu)數(shù)據(jù)陣列，包括：

8、對各故障基站的基站信息進行數(shù)據(jù)清洗以及數(shù)據(jù)格式標準化處理，得到各故障基站的預處理數(shù)據(jù)；

9、基于預設矩陣參數(shù)與各維修人員的數(shù)量，構(gòu)建原始矩陣；

10、根據(jù)各故障基站的預處理數(shù)據(jù)、預設各頻段網(wǎng)絡故障修復的難易度，對預設各維修人員的維修熟練度進行數(shù)據(jù)融合，得到各維修人員的綜合嵌入向量表示；

11、將各維修人員的綜合嵌入向量表示嵌入至原始矩陣中的各個元素位置中，得到多源異構(gòu)數(shù)據(jù)陣列。

12、可選的，各故障基站的預處理數(shù)據(jù)包括基站位置信息、基站生命周期狀態(tài)信息、基站對用戶的影響度信息以及基站附近預設范圍內(nèi)的道路擁堵信息；

13、根據(jù)各故障基站的預處理數(shù)據(jù)、預設各頻段網(wǎng)絡故障修復的難易度，對預設各維修人員的維修熟練度進行數(shù)據(jù)融合，得到各維修人員的綜合嵌入向量表示，包括：

14、獲取各維修人員的員工信息；

15、將各維修人員的員工信息以及預設各維修人員的維修熟練度映射至同一個向量空間中，得到各維修人員的基礎向量；

16、將各故障基站的基站位置信息、基站生命周期狀態(tài)信息、基站對用戶的影響度信息、基站附近預設范圍內(nèi)的道路擁堵信息以及預設各頻段網(wǎng)絡故障修復的難易度映射至同一個向量空間中，得到各故障基站的基礎向量；

17、以各維修人員的基礎向量為中心向量，將各故障基站的基礎向量作為子向量逐一映射關聯(lián)至每個中心向量上，生成各維修人員的綜合嵌入向量表示。

18、可選的，多源異構(gòu)數(shù)據(jù)陣列是由各維修人員的綜合嵌入向量表示組成的，各維修人員的綜合嵌入向量表示包含維修人員的基礎向量與各故障基站的基礎向量，維修人員的基礎向量是基于維修人員的員工信息與預設維修人員的維修熟練度生成的，各故障基站的基礎向量是根據(jù)各故障基站的基站信息生成的；預先訓練的故障維修調(diào)度模型包括優(yōu)化目標確定層、主節(jié)點確定層、從屬節(jié)點確定層、綜合相似度計算層、最終從屬節(jié)點確定層、對應關系確定層以及信息輸出層；

19、將多源異構(gòu)數(shù)據(jù)陣列和預設故障修復優(yōu)先規(guī)則輸入預先訓練的故障維修調(diào)度模型中，輸出各故障基站對應的維修人員信息，包括：

20、優(yōu)化目標確定層基于預設故障修復優(yōu)先規(guī)則，確定優(yōu)化目標，優(yōu)化目標用于最小化總的修復時間或最大化資源利用率或平衡工作負載，以及用于約束維修人員數(shù)量或技能匹配要求或地理位置限制；

21、主節(jié)點確定層將各維修人員的綜合嵌入向量表示包含的維修人員的基礎向量作為主節(jié)點；

22、從屬節(jié)點確定層將各維修人員的綜合嵌入向量表示包含的各故障基站的基礎向量作為主節(jié)點的多個從屬節(jié)點；

23、綜合相似度計算層計算主節(jié)點與主節(jié)點上每個從屬節(jié)點之間的綜合相似度；

24、最終從屬節(jié)點確定層根據(jù)優(yōu)化目標以及主節(jié)點與主節(jié)點上每個從屬節(jié)點之間的綜合相似度，確定主節(jié)點對應的最終從屬節(jié)點，以得到維修人員與故障基站之間的最優(yōu)匹配關系；

25、對應關系確定層根據(jù)主節(jié)點對應的最終從屬節(jié)點，逐一確定維修人員與故障基站的對應關系；

26、信息輸出層基于維修人員與故障基站的對應關系，輸出各故障基站對應的維修人員信息。

27、可選的，根據(jù)優(yōu)化目標以及主節(jié)點與主節(jié)點上每個從屬節(jié)點之間的綜合相似度，確定主節(jié)點對應的最終從屬節(jié)點，包括：

28、構(gòu)建優(yōu)化目標的目標函數(shù)，目標函數(shù)為最小化維修總時間或最大化維修效率；

29、根據(jù)主節(jié)點與主節(jié)點上每個從屬節(jié)點之間的綜合相似度以及目標函數(shù)，計算主節(jié)點與主節(jié)點上每個從屬節(jié)點之間的維修總時間或維修效率；

30、將最小維修總時間或最大維修效率對應的從屬節(jié)點確定為主節(jié)點對應的最終從屬節(jié)點。

31、可選的，目標函數(shù)為：

32、

33、其中，minz是維修總時間或維修效率，m是維修人員的數(shù)量，n是故障基站的數(shù)量，cij是維修人員i維修故障基站j的成本，成本為主節(jié)點與主節(jié)點上每個從屬節(jié)點之間的綜合相似度，xij是決策變量；其中，

34、決策變量的約束條件為：每個故障基站只能由一個維修人員維修：每個維修人員只能維修一個故障基站：

35、

36、可選的，按照以下步驟生成預先訓練的故障維修調(diào)度模型，包括：

37、收集歷史發(fā)生故障的歷史故障基站的歷史基站數(shù)據(jù)；

38、采用神經(jīng)網(wǎng)絡構(gòu)建故障維修調(diào)度模型；

39、構(gòu)建最小化維修總時間或最大化維修效率的目標函數(shù)；

40、將目標函數(shù)集成值故障維修調(diào)度模型中；

41、通過預設故障修復優(yōu)先規(guī)則以及目標函數(shù)，對歷史基站數(shù)據(jù)標注最優(yōu)維修人員信息，得到模型訓練數(shù)據(jù)；

42、將模型訓練數(shù)據(jù)輸入集成了目標函數(shù)的故障維修調(diào)度模型中進行機器學習，生成預先訓練的故障維修調(diào)度模型。

43、第二方面，本技術實施例提供了一種基于多源異構(gòu)數(shù)據(jù)融合分析的專網(wǎng)管理裝置，裝置包括：

44、基站數(shù)據(jù)獲取模塊，用于在監(jiān)測到多模無線專網(wǎng)在同一時段內(nèi)多個基站出現(xiàn)故障時，獲取各故障基站的基站數(shù)據(jù)；

45、多源異構(gòu)數(shù)據(jù)陣列構(gòu)建模塊，用于根據(jù)各故障基站的基站數(shù)據(jù)、預設各頻段網(wǎng)絡故障修復的難易度以及預設各維修人員的維修熟練度，構(gòu)建多源異構(gòu)數(shù)據(jù)陣列；

46、維修人員信息輸出模塊，用于將多源異構(gòu)數(shù)據(jù)陣列和預設故障修復優(yōu)先規(guī)則輸入預先訓練的故障維修調(diào)度模型中，輸出各故障基站對應的維修人員信息；預設故障修復優(yōu)先規(guī)則用于引導預先訓練的故障維修調(diào)度模型基于多源異構(gòu)數(shù)據(jù)陣列生成各故障基站對應的最優(yōu)維修人員信息；

47、維修人員調(diào)度模塊，用于基于各故障基站對應的維修人員信息，調(diào)度各維修人員。

48、第三方面，本技術實施例提供一種電子設備，可包括：處理器和存儲器；其中，存儲器存儲有計算機程序，計算機程序適于由處理器加載并執(zhí)行上述的方法步驟。

49、本技術實施例提供的技術方案可以包括以下有益效果：

50、在本技術實施例中，可將多源異構(gòu)數(shù)據(jù)陣列和預設故障修復優(yōu)先規(guī)則輸入預先訓練的故障維修調(diào)度模型中進行處理后輸出各故障基站對應的維修人員信息。一方面，該多源異構(gòu)數(shù)據(jù)陣列融合了基站信息、修復難易度和維修人員信息，不同數(shù)據(jù)源提供的數(shù)據(jù)具有不同的信息和視角，增加了數(shù)據(jù)分析的深度和廣度，從而提升了分析結(jié)果的可靠性；另一方面，預先訓練的故障維修調(diào)度模型可以將多源異構(gòu)數(shù)據(jù)陣列進行主從節(jié)點擬合，以快速確定出維修人員與故障基站的對應關系，從而提高了故障處理的效率；另一方面，預設故障修復優(yōu)先規(guī)則用于提醒模型按照設定的優(yōu)先策略輸出最佳結(jié)果，保證了模型的靈活性，使得模型能夠在不同的場景需求下輸出不同的最優(yōu)解，從而避免了分析維度的單一性。

51、應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本技術。