实时业务风险度为& =化￡<^&，其中为步骤2中计算出的第j条边的介数，Sk ^==1 为步骤2中获取的第k种业务的重要度评级。
[0029] 作为进一步具体的技术方案，所述步骤4中的深度置信网络的输入由1个时间段 的电力通信网历史误码率与历史光功率，以及第1+1时间段中电力通信网m条边的实时业 务风险度Pu+1)1，…，Ρα+1)ηι组成，共计2Xl+m个输入；该深度置信网络的输出为第1+1时间 段的电力通信网运行趋势预测与实时总业务风险度的组合判定结果；所述的步骤4中深度 置信网络的参数通过上述1个时间段的电力通信网历史性能数据，以及第1+1时间段的电 力通信网中所有边的实时业务风险度进行滚动训练得出，具体步骤如下：
[0030] (1)通过查阅电力通信网相关规范与历史记录，将整个电力通信网在6小时长内 总体运行情况划分为1~L，共计L个级别。根据电力通信网真实运行情况，将电力通信网 在当前监测时间段之前N个时间段的历史运行情况(^，…，0N也都取值为1~L中的某一个 值，即划定每个时间段的运行情况级别；
[0031] (2)从第1个时间段的电力通信网历史性能数据开始，取第1时间段到第1时间段 的电力通信网历史误码率OPi，…，OPi与历史光功率ESi，…，ESi，以及第1+1时间段中电力 通信网m条边的业务风险度Pu+1)1，…，Pu+1)ni作为输入，取第1+1时间段的电力通信网预测 运行情况爲+1和预测总业务风险焉+1的组合((UJ作为最终输出目标，记为一组训练；再 取第2时间段到第1+1时间段的电力通信网历史误码率0P2，…，0P1+1与历史光功率ES2，… ，ES1+1，以及第1+2时间段中电力通信网m条边的业务风险度Ρα+2)1，…，Pu+2)ni作为输入，取第 1+2时间段的电力通信网预测运行情况0^和预测总业务风险瓦2的组合作为最 终输出目标，记为一组训练；以此类推，直到取第Ν-1时间段到第Ν-1时间段的电力通信网 历史误码率〇PNi，…，〇PNi与历史光功率ESΝ丨，…，ESNi，以及第Ν时间段中电力通信网m条 边的业务风险度PN1，…，ΡΝηι作为输入，取第N时间段的电力通信网预测运行情况和预测 总业务风险&的组合，戶^作为最终输出目标，记为最后一组训练；共计Ν-1组训练；
[0032] (3)构造一个Μ层的深度置信网络（DBNs)，其中第1层是一个高斯一一伯努利型 的受限玻尔兹曼机（GBRBM)，包含一个可视层与一个隐藏层，其可视层也是整个网络的初始 输入层，具有2X1+m个输入，隐藏层的节点（输出）数为n1;其后M-2层都是标准的受限玻 尔兹曼机（RBM)。每层受限玻尔兹曼机又分成一个可视层与一个隐藏层，可视层节点之间 无连接，隐藏层节点之间也无连接，可视层节点与隐藏层节点都是随机、二值分布的，可视 层与隐藏层之间是全连接的。最后一层（第Μ层）是回归层（REG)，有nM个输入，即第M-1 层中隐藏层的输出，回归层输出节点为1个，即最终输出目标（电力通信网运行情况和总业 务风险的组合）；
[0033] (4)对于每次训练，在第1层高斯一一伯努利型受限玻尔兹曼机中可视层的 2Xl+m个节点中输入1个时段的电力通信网历史误码率与历史光功率，以及该次训练中的 电力通信网m条边的业务风险度，然后建立第1层隐藏层输出与期望输出之间的均方误差 最小函数，依据吉布斯抽样方法求解上述最小函数，获得第1层的参数；再将第1层的隐藏 层输出作为第2层标准的受限玻尔兹曼机中可视层的输入，然后建立第2层隐藏层输出与 期望输出之间的均方误差最小函数，依据吉布斯抽样方法求解上述最小函数，获得第2层 的参数；以此类推，重复将上一层中隐藏层的输出作为下一层中可视层的输入，训练出该层 的参数，直到执行完M-2层标准的受限玻尔兹曼机；然后将最后一层受限玻尔兹曼机的输 出输入到第Μ层的回归层中，随机化初始该层参数；
[0034] (5)计算每组训练中最终输出的第itrain时间段的电力通信网预测运行情 况^_和预测总业务风险：^_的组合-与第itrain时间段的电力通信网历 史运行情况〇ltrain和历史总业务风险PltMin的组合（0ltrain，P1&ain)的误差平方，其中，itrain为每组训练的编号，取值为1+1，…，N;通过使各组训练的误差平方之和最小化，即 ，以微调该深度置信网络参数。
[0035] 作为进一步具体的技术方案，所述步骤5中当前监测时间段之前一段时间的电力 通信网历史性能数据是指第Ν-1+1时间段到第Ν时间段的电力通信网历史误码率0ΡΝ1+1，… ，〇ΡΝ与历史光功率ESΝ1+1，…，ESn。
[0036] 作为进一步具体的技术方案，所述步骤5中当前监测时间段的电力通信网中所有 边的实时业务风险度是通过下述方法获得的：记录当前监测时间段时邻接图匕中各边所承 载业务情况[Q，…，C"]，其中的任一元素Cq表示当前监测时间段的第j条边实时承载的 业务情况，其具体表达形式为= [c,1,,…,g1j，则Cq中的任一元素 < 表示当前监测时间 段中第j条边实时承载的第k种业务的数量，如果该时段该边不承载该业务，则此元素值为 0。则当前监测时间段的第j条边的实时业务风险度为A=巧，:其中为步骤2中 Μ 计算出的第j条边的介数，Sk为步骤2中获取的第k种业务的重要度评级。将第Ν-1+1时 间段到第N时间段的电力通信网历史误码率0PN1+1，…，0PN与历史光功率ESN1+1，…，ESN，以 及当前监测时间段电力通信网中各边的实时业务风险度Pm…，PJ乍为步骤4中训练出的 深度置信网络的输入，求出电力通信网在当前监测时间段的预测运行趋势以及实时总业务 风险度。
[0037] 作为进一步具体的技术方案，所述步骤6在当前监测时间段结束后再次从电力通 信传输网管的接口采集当前监测时间段电力通信网的误码率〇匕与光功率ESp并依据相关 规范与历史记录确定当前监测时间段的电力通信网实时运行情况级别A，分别将上述数据 按时序添加到电力通信网历史性能数据中，即将〇匕作为第N+1时段的历史误码率OPN+1， 将E&作为第N+1时段的历史光功率ESN+1，将乍为第N+1时段的历史运行情况级别；所 述步骤6将当前监测时间段的电力通信网实时总业务风险度匕，按时序添加到历史总业务 风险度数据中，即将匕作为第N+1时段的历史总业务风险度P_;所述步骤6将当前监测 时间段的电力通信网中各边的实时业务风险度P&…，Pj安时序添加到各边的历史业务风 险度中，即将Pm…，PJ乍为第N+1时段各边的历史业务风险度P(N+1)1，…，Ρ_1)Π1;再用更新 后的数据 〇P2,…，〇PN+1，ES2,…，ESN+1，02,…，0N+1 以及[P21，…，P2J,…，[P(N+1)1，…，P_J， p2，…，PN+1对步骤4中的深度置信网络进行训练，更新该深度置信网络参数，再重复步骤5， 获得下一监测时间段的运行趋势以及实时总业务风险度。
[0038] 与已有技术相比，本发明有益效果体现在：
[0039] 1、本发明是一种基于深度学习的电力通信网运行趋势与业务风险分析方法。该方 法在区县所辖的电力通信网历史运行与监测数据及相关业务系统数据基础上，依据深度学 习理论，构建了一个多层的深度置信网络架构，并充分利用该深度网络强大的多输出能力， 把运行趋势预测与业务风险评的各类可能组合作为不同输出模式，最终训练出能够综合判 别本区县电力通信网运行模式的深度模型。再将电力通信网的历史运行数据与实时业务系 统数据作为该模型的测试数据，利用训练的深度网络模型参数即可最终得到电力通信网运 行趋势预测与业务风险评估结果。
[0040] 2、与现有电力通信网运行趋势预测方法相比较，本发明利用当前人工智能领域最 前沿的深度学习方法，建立、模拟人脑学习机制来解释电力通信网运行数据，可对电力通信 网运行的趋势进行准确、精细预测，克服了传统运行趋势预测方法无法捕捉众多影响电力 通信网运行的因素与运行趋势之间的非线性关系的缺陷，改变了一直以来单纯依赖设备告 警的被动处理模式，可以更准确地评估电力通信网运行状况，进而实现实时报警。
[0041] 3、与现有电力通信网运行趋势预测方法相比较，本发明运用深度学习设计了一套 统一的集成学习框架，对电力通信网运行趋势预测与业务风险评估进行集成分析，二者集 成一起分析既可以提高精度又可以提高效率，克服了传统业务风险评估方法单纯依赖电力 通信网络架构、受电力通信网的复杂性和某些风险因素的不确定性较大的不足，可以有效 地评估电力通信网上运行的系统业务风险，并为电力通信网业务风险控制提供准确依据， 对于网络设计、维护与管理以及提高整个网络运行的可靠性等诸多方面都有着实际意义。
[0042] 4、本发明在步骤1中采集了电力通信网的历史性能数据。其采集的数据按照需求 划分均匀，采集时间较长。所采集的数据包含了电力通信网历史误码率与历史光功率数据， 主要体现在对光功率由光发送功率、光接收功率等参数及复用层、再生层、各速率的通道层 的误码秒、严重误码秒、背景块误码、不可用秒等性能数据，再将其整合成误码率与光功率 两类数据。采集过程主要通过传输网管的北向接口直接采集，并根据现场实际情况以及设 备的重要程度，设置采集周期，保证了电力通信网性能数据的准确可靠。
[0043] 5、本发明在步骤2中建立了电力通信网的邻接图，并为邻接图中的每条边设置了 权重。由于网络中不同边对网络的作用和影响力并不相同，因而各边风险对网络风险的影 响程度也不同。设置边权重可以描述边在网络中的作用和影响力，反映边在网络中的地位， 是边在网络中重要程度的体现。但是电力通信网作为专网，带宽并非关键指标，容量并不能 衡量边重要性。本发明在步骤2中利用邻接图中计算出电力通信网中任意两节点之间的 最短路径，再利用最短路径获得电力通讯网络的邻接图中任意一条边的介数作为该边的权 重，使得该权重既可以描述网络整体拓扑结构，由不随网络行状态的变化而改变。因此可从 拓扑角度准确描述边在网络中的重要程度。
[0044] 6、本发明在步骤3中采集了电力通信网在任一时间段的总业务风险度，以及同一 时间段中电力通信网的邻接图中任意一条边所承载的业务种类与数量，并用同一条边的介 数对其进行加权，获得任意一条边在任一时间段的业务风险度。该过程既采集了长期的业 务风险数据，又包含了当前监测时间段的实时业务风险数据，使得本发明可以充分使用这 两种业务风险数据来对总业务风险进行准