本发明涉及通信
技术领域：
，特别是涉及一种odn网智能规划方法、装置及系统。
背景技术：
：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，发明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。技术实现要素：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，本发明提供了一种odn网智能规划方法、装置及系统。为了实现上述目的，一方面，本发明实施例提供了一种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，本发明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，本发明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，本发明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发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的
技术领域：
的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。本发明提供的odn网智能规划方法，可以应用于如图1所示的应用环境中。其中，服务器102可获取待规划区域104的odn网规划数据。服务器102可获取待规划区域的历史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布点分类结果数据；将业务样本数据通过相似度聚类和最邻近分类处理，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，并根据比对的结果可生成当前obd布点优化数据。其中，服务器102可以但不限于是各种个人计算机、笔记本电脑和平板电脑等，服务器102也可以是用独立的服务器或者是多个服务器组成的服务器集群来实现。待规划区域104可以是工业园区和住宅小区等。本发明odn网智能规划方法、装置和系统实施例其中一应用场景：图2为一个实施例中odn网智能规划方法的应用场景图，如图2所示，ond网规划通常是按照分光级数、obd安装的位置以及分光比的选择来分。传统的对待规划区域ond网的obd规划布点主要有二种：第一种，小区二级分光模式。一级obd集中设置在小区内的光交接箱或光交接间内，二级obd设置在每个楼宇内，依据楼内用户数量，分光比选择1:4+4×1:16、1:8+8×1:8或1:16+16×1:4等多种组合方式。这种组网方式一般适用于低层住宅小区及工业园区等用户密度较低的场景。第二种，楼内二级分光。一级obd设置在每个楼宇一楼或地下室，采用1:8或1:16分光比；二级obd设置在楼层，分光比根据一级分光器的分光比选择，使总分光比达到1:64。这种组网模式同样适合高层住宅楼或大开间商务办公楼，网络建设初期投资少，利用率高，后期扩容较为简单。传统的技术方案主要是根据obd设备特性和端口数量，结合建筑物形态、用户分布、道路或管道分布情况，人工制定obd规划部署方案，对目标规划区域进行简单的空间范围布点，导致出现资源建设周期长、不规范、投入浪费等现象，odn组网方式整体效率低下。而本发明实施例可通过对存量光宽全覆盖小区建设方案的大数据分析，根据目标规划区域的存量dp资源、obd资源、客户、楼宇信息和矢量分布情况，结合神经网络模型和统计(聚类、分类)算法，快速生成obd规划部署方案，进而减少人工核对和干预，节约人力成本，缩短建设周期，提高了obd布点的准确性和效率。在一个实施例中，如图3所示，提供了一种odn网智能规划方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：步骤s310，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。其中，待规划区域指的是待规划光纤入户的区域；待规划区域可以是工业园区，也可以是住宅小区。obd布点影响因子集指的是影响obd布点的资源数据集，obd布点影响因子集可包括若干个待规划区域obd布点的影响因子，各个影响因子可包含若干给因素。历史obd布点样本数据集可以是待规划区域中已有的obd布点数据。业务样本数据集可以是根据待规划区域的性质特征确定的obd布点数据。具体地，获取待规划区域的obd布点影响因子集，其中可根据待规划区域历史布点数据获取历史obd布点样本数据集，可根据待规划区域的实际环境等特性获取业务样本数据集。步骤s320，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。其中，神经网络模型指的是由若干个逻辑单元按照不同的层级组织起来的网络模型，其中每一层的输出变量可作为下一层的输入变量。当前obd布点训练参数指的是经过神经网络处理得当的输出参数。当前obd布点分类结果数据指的是历史obd布点样本数据集通过神经网络模型处理的分类结果数据。具体地，将历史obd布点样本数据集输入神经网络模型，通过神经网络处理，可得到当前obd布点训练参数和当前obd布点分类结果数据。步骤s330，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。其中，相似度聚类处理指的是把相似的东西分到一组(无监督学习训练)。obd布点聚类结果数据指的是通过相似度聚类处理，得到的布点优化数据。具体地，将业务样本数据集通过相似度聚类处理，可对业务样本数据集通过大小不同、形状不同和密度不同等的空间聚类，得到重新划分后的obd布点聚类结果数据。步骤s340，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。其中，最邻近分类处理指的是根据数据的特征或属性，划分到已有的类别中(监督学习训练)。优化后的obd布点分类结果数据指的是通过最邻近分类处理，得到的分类结果数据。具体地，将obd布点聚类结果数据通过最邻近分类处理，可对obd布点聚类结果数据中的边缘数据点(业务稀疏地带)进行最近邻分类，得到优化后的obd布点分类结果数据。步骤s350，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。具体地，比对神经网络模型处理得到的当前obd布点分类结果数据与最邻近分类处理得到的优化后的obd布点分类结果数据，例如当前obd布点分类结果数据中存在obd异常点数据，则通过比对优化后的obd布点分类结果数据，对该obd异常点数据进行归类(对移动该obd异常点位置或者删除该obd异常点)，从而生成当前obd布点优化数据。上述odn网智能规划方法实施例中，通过获取待规划区域的obd布点影响因子集，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；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。需要说明的是，上述实施例中的神经网络模型、相似度聚类和最邻近分类处理过程可以是反复训练的处理过程，例如当生成当前obd布点优化数据后，可对当前obd布点优化数据继续进行神经网络模型处理，并将处理结果与相似度聚类和最邻近分类处理的优化结果继续比对，可得到再次优化后的obd布点优化数据。在一个实施例中，步骤s320包括：步骤s410，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。步骤s420，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。步骤s430，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。具体地，神经网络模型可具有输入层、隐藏层和输出层，其中输入层的输出数据是隐藏层的输入数据，隐藏层的输出数据是输出层的输入数据。获取历史obd布点样本数据集输入层向量和输入层权重矩阵，通过对输入层向量和输入层权重矩阵进行线性处理，可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，可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。优选的，线性处理可以是加权线性处理。表1obd布点影响因子集上述实施例中，通过对历史obd布点样本数据集进行神经网络的三层(输入层、隐藏层和输出层)处理，可得到当前obd布点训练参数，为后续完善obd布点提供了便携性，此外，可通过神经网络模型反复训练当前obd布点训练参数，得到更优化的obd布点数据。在一个实施例中，待规划区域的obd布点影响因子集可如表1所示。需要说明的是，网格单元指的是对大范围的物理区域进行划分管理时采用网格的模式，按网格方式进行划分后，每一个格子是网格管理的最小单元。网格管理应用在区域管理中，网格单元可以是社区和小区等待规划区域。在一个实施例中，神经网络模型处理步骤的具体过程为：获取待规划区域中影响obd布点的影响因子数据集为xn，结合神经网络的特性，隐藏层的节点数为hp。输出层为obd智能布点为yq，具体如表2所示。表2输入层、隐藏层和输出层参数输入层神经元个数隐藏层神经元个数输出层神经元个数xn(k)hp(k)yq(k)其中，k表示神经元个数(节点个数)。对影响因子数据集进行划分测试集和若干训练集，对测试集和若干训练集通过神经网络模型进行前向训练。1、初始化输入层、隐藏层和输出层参数(如表3所示)需要说明的是，上表中的others指的是除了e(k+1)＜e(k)和e(k+1)＞1.04e(k)之外的条件情况；wnp表示输入层中每个变量的权重，n指n行观测值，q指q列变量；bp隐藏层偏移向量系数，p指p行观测值；bq输出层偏移向量系数，q指q行观测值；e(k)指第k个变量的均值，e(k+1)指第k+1个变量的均值。2、计算隐藏层输入和输出通过输入层向量和对应的输入层权重矩阵作加权线性运算处理，计算出隐藏层输入向量为：其中，hih(k)表示隐藏层的输入向量公式，h为1到p个观测值(h＝1,2…p)，即不同的obd设备。隐藏层阀值向量的作用：通过线性叠加调整偏移。表3输入层、隐藏层和输出层初始化将每一个隐藏层的输入hih(k)作保留映射函数处理，得到每一个隐藏层输出向量hoh(k)：其中，hoh(k)表示隐藏层的输出向量公式，h为1到p个观测值(h＝1,2…p)，即不同obd设备。隐藏层输出向量是关于输入层权重矩阵的表达式，然后将每一个隐藏层输出向量hoh(k)作为输出层的输入。3、计算输出层输入和输出通过隐藏层输出向量和对应的输出层权重矩阵作线性处理，计算出输出层的输入向量为：其中，yio(k)表示输出层的输入向量公式，o指1到q个输入变量(o＝1,2…q)，即obd网格单元的影响因素，who为每个隐藏层输出向量hoh(k)的输出层权重。将每一个输出层的输入yio(k)继续作保留映射函数处理，得到每一个输出层输出向量yoo(k)：其中，yoo(k)表示输出层的输出向量公式，o表示1到q个输入变量(o＝1,2…q)，即obd网格单元的影响因素，who为每个隐藏层输出向量hoh(k)的输出层权重，yio(k)为输出层输入向量。得出输出层的每一个分类输出结果。当期望输出与实际输出的差超过误差函数定义的预设误差精度e时，再进行误差反向训练过程。其中，do(k)表示期望输出向量。基于上述的神经网络模型构架，通过训练已有obd布点数据，取得神经网络模型参数，建立已有obd布点的规则以及预测在该规则下布点的弊端。对历史obd布点样本数据通过神经网络模型处理，可得到当前obd布点训练参数，增强了obd布点预测的正确率和召回率，提高obd布点的准确性和有效性。在一个的实施例中，如图5所示，为一个实施例中神经网络处理步骤的结构示意图。该神经网络模型的输入层有784个节点，隐藏层有30个节点，输出层有10个节点。通过获取obd布点影响因子集(如表1中)，生成输入层向量(对应784个节点)；经过输入层处理，可得到30个节点数据，并将该30个节点数据传输给隐藏层；通过隐藏层处理，可得到10个节点数据，并将该10个节点数据传输给输出层，通过输出层处理可得到当前obd布点训练参数。在一个实施例中，相似度聚类为snn(similarity-nearestneighbor：相似最近邻聚类算法)聚类；最邻近分类为knn(k-nearestneighbor：k最近邻分类算法)分类。步骤s330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。具体地，snn聚类指的是基于共享最近邻的聚类算法,通过使用数据点间共享最近邻的个数作为相似度来处理变密度簇。从而可以对业务样本数据集集中发现大小不同、形状不同、密度不同的空间聚类。通过snn聚类，重新划分待规划区域的obd布点分布的聚类，识别各种业务数据点的形状、密度，从而充分利用地理环境的影响。步骤s340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。具体的，knn分类指的是在训练样本中找到测试样的k个最近邻，然后根据这k个最近邻的类别来决定测试样本的类别。通过对obd布点聚类结果数据进行knn分类处理，从而得到优化后的obd布点分类结果数据。通过在snn聚类基础上对knn分类的处理，能够有效提高obd布点的校验程度，极大程度上考虑了业务稀疏区域光资源的覆盖问题，实现了obd布点死角区域的歼灭。在一个实时例中，如图6所示，为一个实施例中knn分类处理步骤的结构示意图。knn分类处理的具体过程如下：获取待分类的测试样本集、已分类的训练样本集ci(其中，i＝1,2,3……n)和最邻近数k值；对测试样本集和训练样本集p进行k邻近分类处理，判断nk(p)＝k(其中训练样本集2，p，k)，若训练样本集p的k个邻近点集nk(p)全部属于同一类别ci，训练样本集p则分为该类；若在训练样本集p的k个最近邻居中，找训练样本集p的最近共享邻居得到k的最近邻居中各个类别的点数ki。对训练样本集q比对nk(p)，判断nk(q)＝k(其中训练样本集2、q、k)，若p布点属于nk(q)，训练样本集p与训练样本集q相似度根据共享点数的大小得到。计算某一布点的平均相似度n(ci)；p与ci的相似度等于总和nk(p)的相似度除于k；求最大值(q与ci的相似度)；并将训练样本集p分为该类，从而优化了异常布点。在一个实施例中，步骤s330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。具体地，比对神经网络模型处理得到的当前obd布点训练参数和相似度聚类处理得到的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，从而对obd异常点布点数据进行了优化，提高了obd布点的准确度。在一个实施例中，可将神经网络模型处理得到的当前obd布点训练参数再次通过相似度聚类处理，得到对当前obd布点训练参数的重新划分，对神经网络模型未进行有效obd布点划分的一些边缘数据建立新一类网格单元格布点，通过与神经网络输出结果对比，得到obd异常布点数据。将obd异常布点数据进行最邻近分类处理，即计算每个obd异常布点与其周围k个邻居中不同类别的平均相似度，最后把该obd异常布点分给相似度最大的那一类网格单元，从而优化聚类算法下的obd布点结果。在一个实施例中，如图7所示，为一个实施例中反复优化步骤的流程示意图。步骤s350之后包括：步骤s710，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。步骤s720，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。具体地，根据对obd布点的优化处理，在得到当前obd布点优化数据之后，继续校准当前obd布点训练参数，得到校准后的当前obd布点分类结果数据。再次对比校准后的当前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，从而可得到obd布点更优化数据，提高了obd布点的准确性和效率。在一个实施例中，步骤s310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。具体地，对obd布点影响因子集进行数据预处理，如数据清洗、数据编码和数据重构，从而可对obd布点影响因子集的数据进行筛选，删除无用数据；并对obd布点影响因子集分类得到历史obd布点样本数据集和业务样本数据集。进而提高对obd布点优化处理速度。在一个实施例中，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。具体地，铜覆盖率的影响因素数据集、光覆盖率的影响因素数据集和区域网格分割单元的影响因素数据集可如上述表1所示。在一个实施例中，如图8所示，为另一个实施例中odn网智能规划方法的流程示意图。odn网智能规划方法可包括一下步骤：步骤s810，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。步骤s820，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。步骤s830，将业务样本数据通过snn聚类处理，得到obd布点聚类结果数据。步骤s840，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。步骤s850，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。上述实施例中，根据已有的数据集，以解决智能布点obd网格单元的业务基础，建立预测与校验的模型。分为建立obd智能布点神经网络模型、基于snn聚类和knn相结合的obd校验模型。前者通过训练数据集，建立obd布点预测模型；后者对obd布点预测模型的结果进行优化校验，再返回修正神经网络模型的参数，反复训练神经网络模型，从而优化了obd布点，提高了obd布点的准确性和效率。在一个实施例中，如图9所示，为一个实施例中odn网智能规划方法的流程结构图。通过对已有obd布点样本数据(obd历史布点样本数据)传输给神经网络模型，通过神经网络处理得到obd布点的训练参数。通过snn相似度的聚类算法对不含obd布点的样本数据(业务布点样本数据)进行基于空间密度obd布点位置的确立校验处理，其中不含obd布点的样本数据如小区规模(户数)、楼层空间感(层数)、已有电信业务量(量数)等。通过knn分类算法对边缘数据点(业务稀疏地带)进行再一次的优化分类，并对knn分类算法的结果与神经网络的结果相对比，从而校准神经网络模型的参数，反复训练神经网络模型，从而达到优化了obd布点。具有科学聚类现有业务资源及户数的地理划分的优点，增进布点的规则性以及完整性，同时也提高了obd布点位置的准确性和效率性。在一个实施例中，如图10所示，为一个实施例中odn网智能规划方法的流程架构图。通过对obd位置智能布点的需求，获得obd布点影响因子集，通过数据清洗、数据重构、构建特征工程、相关系数矩阵分析等建模前预处理，以及建立神经网络、knn模型等建模测试，计算出对obd布点最有影响的因子。通过神经网络模型算法处理，根据需求对影响因子数据进行聚类、分类等处理，得到输出层的obd布点具体位置。应该理解的是，虽然图3、4、7和8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图3、4、7和8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。在一个实施例中，如图11所示，提供了一种odn网智能规划装置，包括：数据获取单元110、神经网络处理单元120、神经网络处理单元130、分类处理单元140和比对优化单元150。其中：数据获取单元110，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120，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130，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140，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150，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。在一个实施例中，神经网络处理单元120包括：输入层数据获取单元，用于获取历史obd布点样本数据集的输入层向量和输入层权重矩阵；隐藏层数据获取单元，用于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；输出层数据获取单元，用于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。在一个实施例中，odn网智能规划装置还包括：obd异常点获取单元，用于比对当前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；obd异常点处理单元，用于对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。在一个实施例中，odn网智能规划装置还包括：参数校准单元，用于根据比对的结果，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；数据更新单元，用于对比校准后的当前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，odn网智能规划装置还包括：数据预处理单元，用于对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。关于odn网智能规划装置的具体限定可以参见上文中对于odn网智能规划方法的限定，在此不再赘述。上述odn网智能规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。在一个实施例中，提供了一种odn网智能规划系统，该odn网智能规划系统可以是服务器，其内部结构图可以如图12所示。该odn网智能规划系统包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该odn网智能规划系统的处理器用于提供计算和控制能力。该odn网智能规划系统的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该odn网智能规划系统的数据库用于存储obd布点影响因子集、当前obd布点训练参数、当前obd布点分类结果数据、obd布点聚类结果数据、优化后的obd布点分类结果数据和当前obd布点优化数据等数据。该odn网智能规划系统的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种odn网智能规划方法。本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的odn网智能规划系统的限定，具体的odn网智能规划系统可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。在一个实施例中，提供了一种odn网智能规划系统，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：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。在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：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。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。当前第1页12