本发明涉及通信检修，尤其涉及基于拓扑成图的通信检修业务智能辅助决策系统。
背景技术：
1、在现代通信网络的运维管理中，随着网络规模的扩大和业务需求的增加，传统的网络检修方法面临着巨大的挑战。这些挑战包括网络故障的及时发现与定位、检修资源的有效分配以及检修活动对生产的最小影响等。传统方法往往依赖于经验判断和手动分析，不仅效率低下，而且难以应对复杂多变的网络环境和故障模式。
2、此外，由于缺乏对网络结构深入分析的工具和方法，传统检修策略很难全面覆盖网络中的所有潜在故障点，导致故障预测的准确性和覆盖范围有限。同时，检修计划的制定通常缺乏对生产计划的考虑，容易造成检修活动与生产活动的冲突，影响生产效率。
技术实现思路
1、基于上述目的，本发明提供了基于拓扑成图的通信检修业务智能辅助决策系统。
2、基于拓扑成图的通信检修业务智能辅助决策系统，包括：
3、基础数据采集模块：用于收集通信网络的运行数据、历史检修记录、pms3.0业务系统数据；
4、数据预处理模块：用于对收集到的数据进行预处理和初步分析，以满足后续处理的需要，提高数据的可用性和处理效率，为拓扑成图算法提供优化的输入；
5、拓扑成图算法模块：用于利用改进的拓扑排序算法，对通信网络的结构进行分析，识别通信网络中的关键节点和薄弱环节，为故障预测和检修计划的制定提供依据；
6、故障预测模块：用于基于拓扑排序算法分析结果和历史检修记录的故障数据，采用机器学习算法对潜在故障进行预测，识别发生故障的区域和原因，为检修计划的制定提供指导；
7、通信检修计划智能编制模块：用于根据故障预测结果和生产部门的生产计划，采用基于多约束条件算法自动编制通信检修计划，该模块旨在优化检修计划，以最小化停电损失并提升供电可靠性。
8、进一步的，所述基础数据采集模块具体包括：
9、运行数据的收集基于通信网络中分布式的传感器和监控设备，实时监控通信网络的状态，包括信号强度、网络流量、设备运行状态，通过预设的通信协议将数据传输至数据存储中心；
10、历史检修记录的收集通过接入维护管理系统，自动提取过往的检修报告和维护日志，包括故障发生时间、故障类型、处理过程和结果；
11、pms3.0业务系统数据的收集通过与pms3.0系统的api接口集成，实时获取业务系统中的相关数据，包括设备信息、网络配置、用户反馈，以获得网络业务视图。
12、进一步的，所述数据预处理模块具体包括：
13、所述数据预处理模块具体包括：
14、针对收集到的通信网络运行数据、历史检修记录及pms3.0业务系统数据进行异常值检测和修正，包括去除不完整、错误和冗余的数据记录；
15、将清洗后的数据统一转换为适合后续处理的格式，包括统一时间戳格式、编码转换和数据结构调整；
16、初步分析包括对格式化后的数据进行基本统计分析和特征提取，包括计算网络流量的平均值、峰值指标以及从历史检修记录中提取故障发生频率和典型故障模式。
17、进一步的，所述拓扑成图算法模块中改进的拓扑排序算法具体包括：
18、通信网络建模：将通信网络建模为一个加权有向图:g＝(v,e,w)，其中，v代表网络中的节点集合，如路由器、交换机等,e代表节点间的有向边集合，表示通信链路，w代表边的权重集合，权重基于链路的重要性、带宽、延迟性能指标；
19、强连通分量scc识别：使用tarjan算法来识别图中的强连通分量scc，以处理通信网络中存在的循环依赖问题，每个scc视为一个超级节点，图中的循环依赖在处理过程中被压缩成单个节点，从而将原图转化为无环图dag；
20、改进拓扑排序：得到了无环图dag之后，进行拓扑排序，考虑边的权重和节点的冗余度，具体包括：
21、初始化一个队列q和一个结果列表l；
22、将所有入度为0的节点(在dag中没有任何进入边的节点)加入队列q；
23、当队列q不为空时，从q中取出一个节点u，将其添加到结果列表l中；
24、减少u的所有邻接节点的入度，若某个邻接节点v的入度变为0，则将其加入队列q；
25、在选择入度为0的节点加入队列时，考虑节点的冗余度和边的权重，优先选择冗余度低(即更关键)和连接权重高(即更重要)的节点和边；
26、多路径分析：对于通信网络中的每个节点，分析从该节点出发到达其他所有节点的路径数量和质量，以评估该节点的冗余度和关键性；
27、所述关键节点包括：入度或出度为0、冗余度低、位于权重高的边上的节点；
28、所述薄弱环节包括：冗余度低的链路、权重高但没有备份路径的链路。
29、进一步的，所述tarjan算法包括：
30、对于图中的每个节点u，维护一个唯一的编号num[u]和一个最小可回溯编号low[u]；
31、通过深度优先搜索，递归访问每个节点的邻居；
32、如果节点v未被访问过，递归访问v，更新low[u]＝min(low[u],low[v])，若low[u]＝num[u]，则找到一个scc，从当前深度优先搜索栈中弹出直到u的所有节点，则节点形成一个scc。
33、进一步的，所述深度优先搜索用于递归访问每个节点的邻居的具体包括：
34、选择起始节点：从图中选择一个起始节点作为搜索的起点；
35、访问节点：访问当前节点，将其标记为已探索；
36、递归探索邻居：对于当前节点的每一个未探索的邻居节点，递归地执行深度优先搜索；
37、回溯：当当前节点的所有邻居都被探索后，回溯到上一个节点，继续探索未被访问的路径；
38、重复：重复访问节点、递归探索邻居、回溯，直到所有从起始节点可达的节点都被探索；
39、选择新的起始节点：若图中还有未被探索的节点，选择新的未被探索的节点作为起始节点，并重复选择起始节、访问节点、递归探索邻居、回溯以及重复。
40、进一步的，所述机器学习算法采用gbdt算法(梯度提升决策树)，所述故障预测模块具体包括：
41、数据准备：整合拓扑排序算法的分析结果与历史检修记录，构建特征数据集，特征包括节点在拓扑中的位置、节点和边的权重、历史故障次数、节点的冗余度，基于历史检修记录中的故障事件，将数据标记为正样本(发生故障)和负样本(未发生故障)；
42、模型训练：使用gbdt算法训练得到故障预测模型，gbdt算法通过迭代地添加决策树来最小化损失函数，每棵新树的建立均修正之前所有树的预测残差，评估不同特征对模型预测能力的贡献度，识别出对故障预测最重要的特征；
43、故障预测与分析：利用训练好的gbdt算法模型，输入当前通信网络状态的特征数据，将输出每个节点或链路发生故障的概率，根据gbdt算法模型的预测结果，确定故障概率高的节点或链路作为潜在的高风险区域，进而通过分析高风险区域中的特征重要性得分，推断出潜在的故障原因。
44、进一步的，所述gbdt算法模型具体包括：
45、初始化模型：gbdt算法的起始点是一个基本模型，即一个常数值，通过最小化损失函数得到，对于二分类问题，常数包括训练数据目标值的对数几率，设起始点的基本模型为f0(x)，对所有的数据点其中，l是损失函数，yi是样本点的真实标签；
46、计算残差：在每次迭代中,计算当前模型的残差,即真实值与模型预测值之间的差异，第m次迭代的残差计算公式为：
47、其中，l是损失函数，fm-1(x)是前m-1棵树的加权和；
48、训练新的决策树：使用残差作为目标值训练新的决策树，每棵树学习的目标是预测上一步模型输出与真实标签之间的差异；
49、计算叶节点值：每棵树训练完成后，计算每个叶节点的输出值，该输出值是使得损失函数最小的最优值，对于平方损失函数，叶节点的输出值是该叶节点所有样本残差的平均值；
50、更新模型:将新树的预测结果加入到当前模型中，模型更新公式为其中，v是学习率，γjm是第m棵树的第j个叶节点的值，i(x∈rjm)是指示函数，如果x落在叶节点j的区域rjm内，则值为1，否则为0；
51、迭代:重复计算残差至更新模型，直到达到预定的迭代次数或模型性能不再提升。
52、进一步的，所述通信检修计划智能编制模块具体包括：
53、整合由gbdt算法模型提供的故障预测结果，包括潜在故障区域、故障概率和预测的故障类型；分析来自生产部门的生产计划，确定计划中的活动时间、资源占用情况和可用性窗口；
54、所述多约束条件算法包括：
55、时间约束：检修活动必须规划在生产计划的可用时间窗口内，以避免对生产活动造成干扰；
56、资源约束：检修活动的资源需求不能超过在任一时间点可用的资源；
57、优先级约束：基于gbdt故障预测结果，给予高风险区域和关键设备更高的检修优先级；
58、所述自动编制通信检修计划包括：
59、使用优化算法在满足所有约束条件的前提下，搜索最优的检修活动序列和时间安排，优化目标包括最小化检修对生产的影响、最大化检修活动的覆盖范围或自定义的性能指标。
60、进一步的，所述优化算法使用遗传算法，具体包括：
61、初始种群：随机生成一组检修计划，每个计划称为一个个体，每个个体表示一种检修活动安排，包括活动的顺序、时间安排；
62、适应度函数：定义一个适应度函数f来评估每个个体的质量，即检修计划的优劣，适应度函数综合考虑多个因素，包括：
63、故障预测结果的覆盖度：f1高风险区域是否得到优先检修；
64、生产影响最小化：f2检修活动对生产计划的影响程度；
65、资源利用率：f3检修资源的使用效率；
66、满足约束条件：f4检修计划是否符合所有约束条件(如时间窗口、资源限制等)；
67、综合适应度函数表示为：f＝w1·f1+w2·f2+w3·f3+w4·f4，其中，w1,w2,w3,w4是权重系数，用于调整不同因素在适应度评分中的重要性；
68、选择：根据个体的适应度选择一对个体进行交叉(繁殖)；
69、交叉：随机选择基因(即检修活动的某个安排)并交换这对个体的基因，产生新的后代，交叉率pc控制进行交叉的概率；
70、变异：以预设的变异率pm随机改变个体中的基因(比如改变某个活动的时间安排)，以增加种群的多样性；
71、新一代种群：选择适应度最高的个体组成新一代种群，重复执行选择、交叉和变异操作，直到满足终止条件(如达到预设的迭代次数或适应度阈值)。
72、本发明具有以下有益效果：
73、本发明通过整合拓扑成图算法模块分析的网络结构信息和gbdt模型的故障预测结果，能够准确地识别通信网络中的潜在故障区域和原因，深入的故障分析和预测不仅提高了故障识别的准确性，还扩大了故障预测的覆盖范围，有助于及时发现并解决潜在的网络问题，提到通信检修业务辅助决策的准确性。
74、本发明利用遗传算法基于多约束条件自动编制的检修计划，使得检修活动能够在满足生产部门生产计划的同时，优先考虑高风险区域和关键设备，这种智能化的检修计划制定方式不仅确保了检修资源的高效利用，还最大限度地减少了检修活动对生产的影响，提高了维护工作的效率和效果。
75、本发明通过对拓扑排序算法进行改进，包括强连通分量(scc)的识别、改进的拓扑排序过程以及多路径分析，增强了对通信网络结构深度分析的能力，通过强连通分量(scc)的识别，能够有效地处理网络中的循环依赖问题，揭示网络内部的稳定子结构，为网络的层次分析和模块化管理提供了坚实的基础。这种对网络结构的深入理解有助于精准定位故障源头，优化网络设计，提高网络的稳定性和效率，通过改进的拓扑排序过程，能够更加准确地识别出网络中的关键节点和薄弱环节。这不仅为故障的快速诊断提供了有效的线索，还为基于历史数据和网络结构的故障预测提供了更加可靠的依据，从而提前采取预防措施，减少故障发生的风险，通过多路径分析，能够全面评估网络中各节点和连接的冗余度，识别网络中的潜在风险点，有助于优化网络的备份和冗余设计，提高网络在面对故障时的恢复能力和鲁棒性，帮助技术人员快速定位故障点和潜在的薄弱环节。
1.基于拓扑成图的通信检修业务智能辅助决策系统，其特征在于，包括：
2.根据权利要求1所述的基于拓扑成图的通信检修业务智能辅助决策系统，其特征在于，所述基础数据采集模块具体包括：
3.根据权利要求2所述的基于拓扑成图的通信检修业务智能辅助决策系统，其特征在于，所述数据预处理模块具体包括：
4.根据权利要求3所述的基于拓扑成图的通信检修业务智能辅助决策系统，其特征在于，所述拓扑成图算法模块中改进的拓扑排序算法具体包括：
5.根据权利要求4所述的基于拓扑成图的通信检修业务智能辅助决策系统，其特征在于，所述tarjan算法包括：
6.根据权利要求4所述的基于拓扑成图的通信检修业务智能辅助决策系统，其特征在于，所述深度优先搜索用于递归访问每个节点的邻居的具体包括：
7.根据权利要求4所述的基于拓扑成图的通信检修业务智能辅助决策系统，其特征在于，所述机器学习算法采用gbdt算法，所述故障预测模块具体包括：
8.根据权利要求7所述的基于拓扑成图的通信检修业务智能辅助决策系统，其特征在于，所述gbdt算法模型具体包括：
9.根据权利要求8所述的基于拓扑成图的通信检修业务智能辅助决策系统，其特征在于，所述通信检修计划智能编制模块具体包括：
10.根据权利要求9所述的基于拓扑成图的通信检修业务智能辅助决策系统，其特征在于，所述优化算法使用遗传算法，具体包括：
