基于人工智能的网络优化方法、后台系统与流程

本公开涉及基于人工智能的网络优化，特别涉及一种基于人工智能的网络优化方法、后台系统、电子设备、计算机可读存储介质、计算机程序产品。

背景技术：

1、随着低空经济的快速发展，无人机、低空飞行器等设备的应用日益广泛，其可靠运行高度依赖低空无线通信链路（如飞控信号、数据回传信号）的稳定性。现有技术中，低空无线环境感知多采用单无人机、固定增益天线切换的模式，比如，通过单无人机搭载多组不同增益的天线单元，沿固定航道扫描信号，对比理想信号强度后切换天线或告警。

2、然而，单无人机仅能沿固定航道单点检测，无法同时覆盖不同高度、不同区域的无线环境，对于大范围低空区域（如城市核心区、物流航线集群），巡检耗时是理想值的3倍以上，且易存在检测盲区。现有技术仅能检测信号差的结果，无法识别信号恶化的根源（如电磁干扰、物理遮挡、临时干扰源），更无法定位移动干扰源（如地面电磁干扰车、临时wifi放大器），导致问题排查效率低下。还有一些仅结合距离，气象数据计算理想信号强度的现有技术，未考虑低空三维环境中的障碍物（如高楼、树木、桥梁）对信号的遮挡损耗，理想信号与实际场景偏差可达10-15dbm，导致误判率高，此外，现有技术仅能实时检测信号恶化，无法预测未来时段（如6-24小时）的信号变化（如降雨导致的信号衰减、人流高峰引发的频段拥堵），易导致无人机飞行中突发通信中断。

3、也就是说，现有技术中，低空无线环境感知方法存在巡检效率低、干扰源难定位、信号预测缺失、理想信号精度差、天线切换策略单一等问题。

技术实现思路

1、本公开提供一种基于人工智能的网络优化方法、后台系统、电子设备、计算机可读存储介质、计算机程序产品。

2、第一方面，本公开提供了一种基于人工智能的网络优化方法，应用于后台系统，方法包括：

3、s1，根据目标区域的三维地图，按照高度将巡检空域划分为低空层、中空层和高空层。对多架巡检无人机进行分层部署，组网配置与航道规划。

4、s2，控制多架巡检无人机中各无人机按照各自的航道进行飞行，接收来自高空无人机组的气象数据，来自低空无人机组的激光雷达点云数据和实际信号强度。根据激光雷达点云数据和气象数据计算理想信号强度。将理想信号强度与实际信号强度进行比较，判断实际信号是否达标。

5、s3，若判定实际信号不达标，确定存在干扰源，则：控制中空无人机组采集实际信号不达标区域的频谱数据并回传。根据频谱数据识别干扰源类型。根据干扰源类型确定干扰处理方案。控制低空无人机组定位干扰源并回传干扰源的定位坐标，在干扰源是动态干扰源的情况下，控制低空无人机组追踪干扰源并回传跟踪轨迹，得到干扰源的运动轨迹。并上报干扰源的定位或者运动轨迹以及干扰处理方案。

6、在一些实施例中，s1中，对多架巡检无人机分层部署包括：将低空无人机组部署在低空层，将中空无人机组部署在中空层，将高空无人机组部署在高空层。其中，低空无人机组中的各无人机搭载有高精度频谱分析仪，激光雷达和低增益天线单元。中空无人机组中的各无人机搭载有频谱数据采集模块，中增益天线单元和双模通信模块。高空无人机组中的各无人机搭载有远距离信号接收器，多参数气象传感器和高增益天线单元。对多架巡检无人机进行组网配置，包括：将高空无人机组作为核心节点，以使高空无人机组接收来自中空无人机组的数据之后回传至后台系统。将中空无人机组作为中继节点，以使低空无人机组采集的数据经中空无人机组转发至高空无人机组。

7、在一些实施例中，s2中，得到理想信号强度的方法包括：

8、s21，根据激光雷达点云数据计算遮挡损耗。

9、s22，根据气象数据计算气象损耗。

10、s23，根据基站发射功率、遮挡损耗、气象损耗、基站天线增益、低空无人机组中各无人机的天线增益计算理想信号强度。

11、在一些实施例中，s21包括：对激光雷达点云数据进行去噪处理得到去噪后的点云数据，利用icp算法根据去噪后的点云数据得到三维网格模型。根据人工智能识别模型对三维网格模型中的障碍物进行分类，并根据类型为各障碍物匹配预设的介电常数。根据三维网格模型测算各障碍物的厚度，根据式计算得到遮挡损耗，其中，是基站发出的信号的波长。

12、在一些实施例中，s22包括：根据气象数据和气象模型得到气象损耗系数，将气象损耗系数与信号的实际传输距离相乘，得到气象损耗。信号的实际传输距离是基站到目标无人机之间的距离，目标无人机是实际信号强度的归属无人机。

13、在一些实施例中，s23包括：

14、s231，根据式计算自由空间损耗。

15、s232，根据式计算理想信号强度，其中，是基站发射功率，是自由空间损耗，是气象损耗，是遮挡损耗，是基站天线增益，是低空无人机组中各无人机的天线增益。

16、在一些实施例中，s3中，控制中空无人机组采集干扰源的频谱数据并回传。根据频谱数据识别干扰源类型，包括：控制中空无人机组采集信号不达标区域的频谱数据并回传，根据卷积神经网络cnn和长短时记忆模型lstm算法，从中空无人机组回传的频谱数据中提取频谱特征并分析信号时间序列变化，确定干扰类型。控制低空无人机组定位干扰源并回传干扰源的定位坐标，包括：调度低空无人机组中的三架无人机构建三角定位网络，根据三角定位网络中各无人机回传的干扰信号到达角和时间差，计算得到干扰源的三维坐标并回传。

17、在一些实施例中，还包括：获取低空无人机组的飞行数据和人流数据。将低空无人机组的飞行数据，人流数据和气象数据输入至预测模型中，得到未来预设时间段内的信号强度的预测值。预测模型是基于低空无人机组的历史数据，人流历史数据和气象历史数据以及长短期记忆网络得到的。若第一区域的未来预设时间段内的信号强度的预测值低于预设阈值，则以航道长度、遮挡损耗和预测信号强度为代价因子，采用a算法重新规划第一区域的无人机航道，得到优化后的航道方案，并将优化后的航道方案下发至低空无人机组中的相关无人机，控制相关无人机进行航道切换。第一区域是低空层中的空间区域。

18、在一些实施例中，还包括：实时获取并记录信号达标率和信号最弱的区域坐标，生成信号质量报告。获取并记录干扰源类型、数量、定位坐标、处理结果，生成干扰源报告。实时获取干扰源处理报告和未来预设时间段内的信号预测报告，生成预测报告。生成并展示三维信号热力图、干扰源轨迹动画和信号预测曲线，为不同的角色配置对应的数据查看权限。

19、第二方面，本公开提供了一种后台系统，包括：

20、规划模块，设置为：根据目标区域的三维地图，按照高度将巡检空域划分为低空层、中空层和高空层。对多架巡检无人机进行分层部署，组网配置与航道规划。

21、信号接收模块，设置为：控制多架巡检无人机中各无人机按照各自的航道进行飞行，接收来自高空无人机组的气象数据，来自低空无人机组的激光雷达点云数据和实际信号强度。根据激光雷达点云数据和气象数据计算理想信号强度。将理想信号强度与实际信号强度进行比较，判断实际信号是否达标。

22、干扰源处理模块，设置为：若判定实际信号不达标，确定存在干扰源，则：控制中空无人机组采集实际信号不达标区域的频谱数据并回传。根据频谱数据识别干扰源类型。根据干扰源类型确定干扰处理方案。控制低空无人机组定位干扰源并回传干扰源的定位坐标，在干扰源是动态干扰源的情况下，控制低空无人机组追踪干扰源并回传跟踪轨迹，得到干扰源的运动轨迹。并上报干扰源的定位或者运动轨迹以及干扰处理方案。

23、第三方面，本公开提供了一种电子设备，该电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的一个或多个计算机程序，一个或多个所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于人工智能的网络优化方法。

24、第四方面，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序在被处理器执行时实现上述的基于人工智能的网络优化方法。

25、第五方面，本公开提供了一种计算机程序产品，其包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述的基于人工智能的网络优化方法。

26、本公开所提供的实施例，能够实现大范围分层覆盖，三层无人机按不同高度协同作业，巡检效率大幅提升，一百平方公里区域的巡检时间从四小时缩短至一点二小时。同时实现了从只知道信号差到知道为什么差、谁在干扰、在哪干扰、怎么处理的质变，通过频谱采集、人工智能识别、三角定位和动态追踪完成全流程，且后台系统仅做识别、定位、生成方案并上报，不干预底层执行，系统架构清晰，可落地性强。

27、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。