本发明涉及人工智能，具体为一种基于多源数据信息的智能化监管系统及方法。
背景技术：
1、在现代通信网络的设计、安装和维护过程中，传统的方法依赖于人工经验和单一数据源，往往存在信息不全面、决策不精准等问题。随着通信网络的规模和复杂性的增加，如何高效地进行通信网络的规划、建设和维护成为亟待解决的问题。当前市场上，尽管存在一些网络规划和管理工具，但它们普遍存在以下缺点：
2、现有工具大多依赖单一数据源，缺乏对多源数据的综合分析能力，导致规划和决策过程中信息不全面。传统的方法需要大量人工参与，流程复杂且容易出错，效率低下。现有系统多为事后分析，缺乏实时监控和预警机制，难以及时发现和解决问题。许多工具仅提供基本的数据处理和分析功能，缺乏智能化算法的支持，无法提供精准的预测和优化方案。
技术实现思路
1、本发明的目的在于提供一种基于多源数据信息的智能化监管系统及方法，以解决上述背景技术中提出的问题。
2、为了解决上述技术问题，本发明提供如下技术方案：
3、一种基于多源数据信息的智能化监管方法，所述方法包括以下步骤：
4、s100、使用nltk工具、命名实体识别ner和主题模型lda分析项目需求文档，提取需求信息，通过回归分析算法分析历史项目数据，预测当前项目的需求趋势；利用数据爬虫自动收集多源数据，使用数据清洗和融合算法将多源数据进行整合，将多源数据与预测的当前项目的需求趋势一起形成整合数据集；
5、s200、基于整合数据集，利用遗传算法进行通信电网的覆盖规划；通过dijkstra算法确定基站位置和光纤布线，使用仿真工具结合深度学习模型进行网络性能预测和评估，优化设计方案；
6、s300、基于设计方案，选择通信设备，使用ai辅助设计工具生成施工路线图；通过yolo算法和openpose算法进行设备安装过程的实时监控和指导，控制无人机和机器人辅助进行安装和调试，实时传输视频和图像数据到中央控制系统；
7、s400、使用测试工具进行通信网络测试，实时监控通信电网的运行状态，检测异常和潜在问题；使用随机森林算法分析运行数据，根据潜在问题预测导致的后果并进行预警；发生故障时，利用深度学习模型自动诊断故障原因，生成解决方案。
8、根据步骤s100，收集与通信电网项目相关的需求文档，包括项目说明书、用户需求报告和技术规格书；使用nltk工具将需求文档转换为文本格式，进行分词、去停用词和词性标注的预处理；利用命名实体识别ner和主题模型lda，提取出项目中的需求信息；将提取的需求信息进行分类和归类，形成结构化数据；通过回归分析算法分析历史项目数据，预测当前项目的需求趋势。
9、根据步骤s100，利用数据爬虫自动收集多源数据，所述多源数据的数据源包括：地理信息系统数据、卫星图像数据、人口统计数据和历史通信网络性能数据；编写爬虫脚本，自动从上述数据源中定期爬取数据，使用scrapy从地理信息系统网站爬取地形图和道路网数据，使用selenium模拟浏览器操作，下载卫星图像数据，从第三方数据提供平台爬取交通数据和人口统计数据，访问通信网络服务提供商的api接口，获取历史通信网络性能数据；检查爬取到的数据的完整性和准确性，处理缺失值和异常值，进行数据格式标准化；对不同数据源的数据进行时间和空间上的对齐，将数据按时间戳对齐，将地理数据转换到相同的坐标系中；
10、通过空间数据融合、时间序列数据融合和属性数据融合，将多源数据与预测的当前项目的需求趋势一起形成整合数据集。
11、根据步骤s200，给遗传算法进行问题定义：在给定区域内确定基站位置，以最大化覆盖范围和满足用户需求为目标；每个个体表示为基站的坐标，其中i表示第i个基站；使用适应度函数，评估每组基站位置的优劣，定义为覆盖范围和信号强度的加权组合，公式如下：
12、；
13、其中，表示基站位置覆盖的区域面积，表示基站位置处的信号强度，n是基站的总数，从到分别是从第1个基站到第n个基站的坐标，是权重参数，用于平衡覆盖范围和信号强度的重要性；
14、在遗传算法中，随机生成初始种群，每个个体代表一个基站位置的解决方案，根据适应度函数选择适应度较高的个体作为父代，使用轮盘赌选择；对选定的父代进行交叉操作，生成新的个体，所述交叉操作采用单点交叉；对新生成的个体进行变异操作，引入随机性，以增加种群的多样性；计算新个体的适应度，并根据选择策略替换当前种群中适应度较低的个体；重复执行选择、交叉和变异的步骤，直到达到最大迭代次数。
15、在遗传算法中，轮盘赌选择是一种概率选择方法，用于从种群中选择个体作为父代，其步骤如下：首先，计算种群中所有个体的适应度总和；然后，计算每个个体被选择的概率，这个概率是其适应度占总适应度的比例；为每个个体计算累积概率分布，这样累积概率范围从0到1；生成一个0到1之间的随机数，然后在累积概率分布中找到第一个累积概率大于该随机数的个体，该个体即被选为父代。通过上述步骤，能够根据适应度比例，较高适应度的个体有更高的概率被选择，从而保留优秀的基因。
16、根据步骤s200，通信电网表示为一个加权有向图，其中v表示节点集合，e表示边的集合，每条边上有一个权重表示从节点u到节点v的传输代价；
17、利用dijkstra算法，将起始节点设置为源节点s，初始化距离数组d[]，将所有节点的距离初始化为无穷大，将源节点的距离初始化为0；
18、重复以下步骤直到所有节点都被访问过：从未访问的节点中选取距离最小的节点u，对于节点u的每个邻接节点v，如果通过节点u到节点v的路径距离小于当前已知的最短路径距离，则更新节点v的距离值d[v]；
19、根据每个节点记录的前驱节点信息，重构出从源节点到目标节点的最短路径，从而确定基站位置和光纤布线。
20、根据步骤s200，选择ns-3作为仿真工具，模拟通信网络的实际运行环境；根据基站位置和光纤布线方案，在ns-3中创建网络拓扑，配置网络协议和参数，运行仿真，收集网络性能指标，将仿真结果保存为数据集，作为深度学习模型的输入；选择卷积神经网络作为深度学习模型，使用仿真生成的数据集训练深度学习模型，将输入特征与输出目标进行映射，其中，输入特征包括基站位置、光纤布线方案和网络配置参数，输出目标包括带宽利用率、延迟和丢包率，通过模型训练，学习仿真数据中的模式和特征；
21、使用验证集评估模型的性能，调整模型参数，优化模型效果，通过交叉验证确保模型的泛化能力和预测精度；将不同基站位置和光纤布线方案的仿真结果与深度学习模型的预测结果进行比较和分析，评估每个方案的网络性能指标；根据评估结果，选择性能最优的基站位置和光纤布线方案，对性能不佳的方案进行调整和优化，重新运行仿真和模型预测，验证优化效果；重复优化和验证过程，直到找到最优的设计方案；
22、最终选择的最优基站位置和光纤布线方案，将作为实际通信网络的设计方案，在实际部署中，结合仿真和预测结果，进行施工和安装。
23、根据步骤s300，基于设计方案，选择通信设备，使用ai辅助设计工具rhino+grasshopper，根据设计方案生成详细的施工路线图，ai辅助设计工具分析地理信息、建筑结构和其他环境因素，优化施工路线；确定基站和光纤的具体安装位置，以及连接路径；
24、rhino是一款三维建模软件，而grasshopper是其插件，擅长参数化设计，使用这两款工具可以根据设计方案生成详细的施工路线图，步骤如下：将通信网络的设计方案导入到rhino中，包含基站位置、光纤布线等信息；在grasshopper中创建参数化模型，将设计方案中的各个参数，如基站位置、光纤路径等，输入grasshopper的参数组件；通过grasshopper的算法组件，生成详细的施工路线图，包括路径规划和施工步骤；根据施工需求和实际情况，使用grasshopper对模型进行优化和调整，确保施工路线图的可行性和高效性；将最终的施工路线图导出为图纸和施工文档，供现场施工使用。
25、在施工现场部署摄像头和传感器，覆盖主要施工区域，使用图像处理算法对实时捕捉的图像进行预处理，利用yolo算法识别和定位施工现场的关键设备和组件，识别关键设备和组件的异常，通过openpose算法识别施工人员的姿态和动作，识别不符合规范的操作；在中央控制系统中显示实时图像和分析结果，施工监控人员能够实时查看施工进度和质量，提供实时指导；
26、将视频数据输入yolo算法，实时识别和定位施工现场的关键设备和组件，如基站、光纤、工具等。yolo算法能够快速检测目标，并提供其位置。利用yolo识别出的设备和组件位置，监控其状态，检测异常情况，如设备位置偏移、组件缺失等。将视频数据输入openpose算法，识别施工人员的姿态和动作。openpose能够检测人体的关节点，从而识别人员的动作和姿势。根据识别结果，实时提供施工指导和反馈，如纠正人员的姿态、提醒设备摆放位置等，确保施工过程的准确性和安全性。
27、无人机配备摄像头和传感器，用于高空作业和设备检查，利用同步定位与地图构建算法，确保无人机能够在施工环境中进行定位和导航，通过特征点匹配对关键设备和组件进行识别和定位，确保安装位置的准确性；实时传输视频和图像数据到中央控制系统，施工监控人员能够远程控制无人机，进行高空设备的安装和调整；
28、地面机器人配备机械臂和工具，用于进行安装和调试工作，使用dijkstra算法为机器人规划最佳移动路径，避免障碍物，通过图像处理和物体识别算法，机器人能够自动识别并抓取需要安装的设备或组件，机器人实时传输操作数据和图像到中央控制系统，监控人员能够远程监控和控制机器人的操作过程。
29、根据步骤s400，选择通信网络测试工具ixchariot，在通信电网的关键节点和设备上部署工具，生成测试流量并记录网络性能数据；制定测试方案，确定测试节点和数据流，在不同节点生成流量，收集网络性能数据；使用apache kafka分析网络性能数据，得到监控数据，从监控数据中提取实时网络特征，所述实时网络特征包括带宽利用率、延迟、丢包率和设备状态，利用异常检测算法isolation forest检测网络中的异常行为。
30、isolation forest是一种异常检测算法，能够有效检测通信网络中的异常行为。使用正常的运行数据训练isolation forest模型，建立正常行为模式，将实时运行数据输入训练好的isolation forest模型，检测是否存在异常行为；isolation forest通过分离异常点和正常点，识别出异常行为，如流量异常增加、延迟异常升高等；检测到异常行为时，系统发出预警，通知运维人员采取相应措施。
31、根据步骤s400，收集训练集，包括历史通信网络运行数据和相应的网络状态标签，所述网络状态标签包括正常和异常；使用随机森林算法训练模型，随机森林由若干棵决策树组成，每棵树由不同的子样本和特征生成，每棵决策树的输出通过多数投票决定最终预测结果；使用训练好的随机森林模型分析实时网络特征，结合isolation forest检测的网络中的异常行为预测潜在问题；根据预测结果，如果检测到潜在问题，触发预警机制，生成预警信息，通知运维人员进行检查和处理；
32、深度学习模型采用卷积神经网络，对故障数据进行自动诊断，输入为故障数据特征，输出为故障原因；训练集包括历史故障数据和相应的故障原因标签，卷积神经网络进行前向传播，进行故障诊断，生成故障原因报告；根据故障原因，系统自动生成解决方案，解决方案包括详细的修复步骤和所需资源。
33、一种基于多源数据信息的智能化监管系统，包括：
34、需求分析与数据整合模块：包括：需求提取单元、需求趋势预测单元、多源数据收集单元和数据预处理单元；其中，需求提取单元负责使用nltk工具、命名实体识别ner和主题模型lda分析项目需求文档，提取需求信息，需求趋势预测单元通过回归分析算法分析历史项目数据，预测当前项目的需求趋势，多源数据收集单元利用数据爬虫自动收集多源数据，数据预处理单元使用数据清洗和融合算法将多源数据进行整合，将多源数据与预测的当前项目的需求趋势一起形成整合数据集；
35、通信电网规划与优化模块：包括：覆盖规划单元、基站位置与光纤布线单元和网络性能评估单元；其中，覆盖规划单元基于整合数据集，利用遗传算法进行通信电网的覆盖规划，基站位置与光纤布线单元通过dijkstra算法确定基站位置和光纤布线，网络性能评估单元使用仿真工具结合深度学习模型进行网络性能预测和评估，优化设计方案；
36、施工规划与设备安装模块：包括：施工规划单元、实时监控指导单元和无人机与机器人辅助单元；其中，施工规划单元基于设计方案，选择通信设备，使用ai辅助设计工具生成施工路线图，实时监控指导单元通过yolo算法和openpose算法进行设备安装过程的实时监控和指导，无人机与机器人辅助单元控制无人机和机器人辅助进行安装和调试，实时传输视频和图像数据到中央控制系统；
37、网络测试与故障诊断模块：包括：网络测试单元、实时监控单元、实时预警单元和故障诊断单元；其中，网络测试单元使用测试工具进行通信网络测试，实时监控单元负责实时监控通信电网的运行状态，检测异常和潜在问题，实时预警单元负责使用随机森林算法分析运行数据，根据潜在问题预测导致的后果并进行预警，故障诊断单元负责当发生故障时，利用深度学习模型自动诊断故障原因，生成解决方案。
38、与现有技术相比，本发明所达到的有益效果是：
39、本发明通过数据爬虫技术自动收集地理信息系统数据、卫星图像数据、人口统计数据和历史通信网络性能数据等多源数据，利用数据清洗和融合算法进行整合，提供全面的数据信息支持。
40、本发明通过遗传算法进行通信电网的覆盖规划，利用dijkstra算法确定基站位置和光纤布线，并结合仿真工具和深度学习模型进行网络性能预测和评估，提供优化的设计方案。
41、本发明利用随机森林算法分析运行数据，进行异常检测和预警，发生故障时，利用深度学习模型自动诊断故障原因，生成解决方案，通过智能化决策支持系统提供故障处理指导，迅速恢复通信服务。
1.一种基于多源数据信息的智能化监管方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的一种基于多源数据信息的智能化监管方法，其特征在于：根据步骤s100，收集与通信电网项目相关的需求文档，包括项目说明书、用户需求报告和技术规格书；使用nltk工具将需求文档转换为文本格式，进行分词、去停用词和词性标注的预处理；利用命名实体识别ner和主题模型lda，提取出项目中的需求信息；将提取的需求信息进行分类和归类，形成结构化数据；通过回归分析算法分析历史项目数据，预测当前项目的需求趋势。
3.根据权利要求2所述的一种基于多源数据信息的智能化监管方法，其特征在于：根据步骤s100，利用数据爬虫自动收集多源数据，所述多源数据的数据源包括：地理信息系统数据、卫星图像数据、人口统计数据和历史通信网络性能数据；编写爬虫脚本，自动从上述数据源中定期爬取数据，使用scrapy从地理信息系统网站爬取地形图和道路网数据，使用selenium模拟浏览器操作，下载卫星图像数据，从第三方数据提供平台爬取交通数据和人口统计数据，访问通信网络服务提供商的api接口，获取历史通信网络性能数据；检查爬取到的数据的完整性和准确性，处理缺失值和异常值，进行数据格式标准化；对不同数据源的数据进行时间和空间上的对齐，将数据按时间戳对齐，将地理数据转换到相同的坐标系中；
4.根据权利要求1所述的一种基于多源数据信息的智能化监管方法，其特征在于：根据步骤s200，给遗传算法进行问题定义：在给定区域内确定基站位置，以最大化覆盖范围和满足用户需求为目标；每个个体表示为基站的坐标，其中i表示第i个基站；使用适应度函数，评估每组基站位置的优劣，定义为覆盖范围和信号强度的加权组合，公式如下：
5.根据权利要求4所述的一种基于多源数据信息的智能化监管方法，其特征在于：根据步骤s200，通信电网表示为一个加权有向图，其中v表示节点集合，e表示边的集合，每条边上有一个权重表示从节点u到节点v的传输代价；
6.根据权利要求5所述的一种基于多源数据信息的智能化监管方法，其特征在于：根据步骤s200，选择ns-3作为仿真工具，模拟通信网络的实际运行环境；根据基站位置和光纤布线方案，在ns-3中创建网络拓扑，配置网络协议和参数，运行仿真，收集网络性能指标，将仿真结果保存为数据集，作为深度学习模型的输入；选择卷积神经网络作为深度学习模型，使用仿真生成的数据集训练深度学习模型，将输入特征与输出目标进行映射，其中，输入特征包括基站位置、光纤布线方案和网络配置参数，输出目标包括带宽利用率、延迟和丢包率，通过模型训练，学习仿真数据中的模式和特征；
7.根据权利要求1所述的一种基于多源数据信息的智能化监管方法，其特征在于：根据步骤s300，基于设计方案，选择通信设备，使用ai辅助设计工具rhino+grasshopper，根据设计方案生成详细的施工路线图，ai辅助设计工具分析地理信息、建筑结构和其他环境因素，优化施工路线；确定基站和光纤的具体安装位置，以及连接路径；
8.根据权利要求1所述的一种基于多源数据信息的智能化监管方法，其特征在于：根据步骤s400，选择通信网络测试工具ixchariot，在通信电网的关键节点和设备上部署工具，生成测试流量并记录网络性能数据；制定测试方案，确定测试节点和数据流，在不同节点生成流量，收集网络性能数据；使用apache kafka分析网络性能数据，得到监控数据，从监控数据中提取实时网络特征，所述实时网络特征包括带宽利用率、延迟、丢包率和设备状态，利用异常检测算法isolation forest检测网络中的异常行为。
9.根据权利要求8所述的一种基于多源数据信息的智能化监管方法，其特征在于：根据步骤s400，收集训练集，包括历史通信网络运行数据和相应的网络状态标签，所述网络状态标签包括正常和异常；使用随机森林算法训练模型，随机森林由若干棵决策树组成，每棵树由不同的子样本和特征生成，每棵决策树的输出通过多数投票决定最终预测结果；使用训练好的随机森林模型分析实时网络特征，结合isolation forest检测的网络中的异常行为预测潜在问题；根据预测结果，如果检测到潜在问题，触发预警机制，生成预警信息，通知运维人员进行检查和处理；
10.一种基于多源数据信息的智能化监管系统，使用权利要求1-9中任一项所述的一种基于多源数据信息的智能化监管方法，其特征在于，包括：
