CN110555546A

CN110555546A - 一种光性能劣化趋势预测的更新方法及系统

Info

Publication number: CN110555546A
Application number: CN201910700355.4A
Authority: CN
Inventors: 匡立伟; 范志文
Original assignee: Fiberhome Telecommunication Technologies Co Ltd
Current assignee: Fiberhome Telecommunication Technologies Co Ltd
Priority date: 2019-07-31
Filing date: 2019-07-31
Publication date: 2019-12-10
Anticipated expiration: 2039-07-31
Also published as: WO2021017363A1; CN110555546B

Abstract

一种光性能劣化趋势预测的更新方法及系统，本发明涉及光通信领域，方法包括步骤：基于原始关键性能指标，构建预测光性能劣化趋势的神经网络；从增加的光性能指标中提取新关键性能指标，通过计算新关键性能指标和原始关键性能指标之间的协方差获得相关系数，选择相关系数小于或等于影响度阈值的新关键性能指标，作为全部或部分样本更新所述神经网络。本发明在光性能指标增加时，从中获得新关键性能指标，并作为样本更新预测光性能劣化的神经网络，不断地完善光性能劣化趋势，提高预测的准确率。

Description

一种光性能劣化趋势预测的更新方法及系统

技术领域

本发明涉及光通信领域，具体来讲涉及一种光性能劣化趋势预测的更新方法及系统。

背景技术

光通信设备在运行过程中，光器件、光模块和光通道等不断产生大量性能状态数据，即为性能指标；这些数据由设备光模块和单盘获取，上报管理和控制平台进行处理。

传统光性能劣化预测方法包括马尔可夫转移矩阵预测、指数平滑预测等，这些方法挖掘光性能指标变化规律，并基于挖掘到的变化规律预测光性能指标劣化趋势。

但是，这些方法需要获取影响劣化趋势预测的关键性能指标，如果有部分关键性能指标无法获取，预测误差会比较大。在实际通信网络工程中，受到各种因素的影响，部分关键性能指标可能无法及时获取。例如，通信中断导致光功率性能指标无法上报，光模块厂商暂时无法提供色散等关键性能指标，管控平台硬盘故障导致光信噪比性能指标数据丢失，上述情况都会导致部分关键光性能指标无法提取，影响传统预测方法的预测效果。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种光性能劣化趋势预测的更新方法及系统，当光性能指标增加时，从中获得新关键性能指标，并作为样本更新预测光性能劣化的神经网络，不断地完善光性能劣化趋势，提高预测的准确率。

为达到以上目的，一方面，采取一种光性能劣化趋势预测的更新方法，包括步骤：

基于原始关键性能指标，构建预测光性能劣化趋势的神经网络；

从增加的光性能指标中提取新关键性能指标，通过计算新关键性能指标和原始关键性能指标之间的协方差获得相关系数，选择相关系数小于或等于影响度阈值的新关键性能指标，作为全部或部分样本更新所述神经网络。

在上述技术方案的基础上，对于通信设备中各处理对象，每一个光性能指标经周期性采集后都构成一个时间序列，该处理对象的各个光性能指标的时间序列构成一个时间序列矩阵。

在上述技术方案的基础上，所述关键性能指标的提取过程包括：将所述时间序列矩阵进行奇异值分解为左奇异空间矩阵、奇异值矩阵、右奇异空间矩阵的乘积，若所述奇异值矩阵对角线上前n个元素占比超过重要度阈值，将三个所述矩阵中第n个元素之后截断，截断后的三个矩阵相乘得到关键性能指标矩阵，矩阵中所有元素即为关键性能指标；其中，关键性能指标包括为原始关键性能指标和新关键性能指标。

在上述技术方案的基础上，从光性能指标中提取所述关键性能指标时，先通过数据清洗去除不合格的光性能指标，再对于合格的光性能指标构建所述时间序列矩阵。

在上述技术方案的基础上，所述基于原始关键性能指标构建预测光性能劣化趋势的神经网络包括：将原始关键性能指标作为训练样本，选择神经网络模型，拟合出光性能劣化趋势函数；

所述神经网络的输入为处理对象当前时刻的关键性能指标，或者多个相连时刻的关键性能指标；输出为下一时刻所述处理对象的剩余可用寿命。

在上述技术方案的基础上，所述多个相连时刻的关键性能指标作为神经网络输入包括：将当前时刻的关键性能指标和上一时刻的关键性能指标，共同作为神经网络输入。

在上述技术方案的基础上，选择相关系数小于或等于影响度阈值的新关键性能指标，作为部分样本，和所述原始关键性能指标共同更新所述神经网络。

在上述技术方案的基础上，选择相关系数小于或等于影响度阈值的新关键性能指标，作为全部样本，对所述神经网络做增量式更新。

本发明还提供一种光性能劣化趋势预测的更新系统，包括：

光性能指标获取模块，其用于采集光性能指标，包括原始光性能指标和新增的光性能指标；

关键性能指标提取模块，其用于由原始光性能指标中提取原始关键性能指标；还用于从新增的光性能指标中提取新关键性能指标；

相关选择模块，其用于通过计算新关键性能指标和原始关键性能指标之间的协方差获得相关系数，选择相关系数小于或等于影响度阈值的新关键性能指标；

神经网络，其基于原始关键性能指标构建，用于预测光性能劣化趋势；还用于以选择的新关键性能指标作为全部或部分样本，进行更新。

在上述技术方案的基础上，所述光性能指标获取模块还用于将每一个光性能指标，经过周期性采集后构成一个时间序列，将每个处理对象的各个光性能指标的时间序列构成一个时间序列矩阵。

在上述技术方案的基础上，所述关键性能指标提取模块提取关键性能指标包括：将所述时间序列矩阵进行奇异值分解为左奇异空间矩阵、奇异值矩阵、右奇异空间矩阵的乘积，若所述奇异值矩阵对角线上前n个元素占比超过重要度阈值，将三个所述矩阵中第n个元素之后截断，截断后的三个矩阵相乘得到关键性能指标矩阵，矩阵中所有元素即为关键性能指标。

在上述技术方案的基础上，所述神经网络将原始关键性能指标作为训练样本，拟合出光性能劣化趋势函数；所述神经网络的输入为处理对象当前时刻的关键性能指标，或者多个相连时刻的关键性能指标；输出为下一时刻所述处理对象的剩余可用寿命。

在上述技术方案的基础上，所述神经网络以选择的新关键性能指标作为部分样本，结合所述原始关键性能指标共同进行更新。

在上述技术方案的基础上，所述神经网络以选择的新关键性能指标作为全部样本，进行增量式更新。

上述技术方案中的一个具有如下有益效果：

本发明能够解决现有技术数据样本不完备的问题，能够准确预测通信设备光性能劣化趋势，判断光模块光通道等处理对象的可靠性和剩余寿命等情况，实现光网络性能前瞻式优化，光网故障的预判预防，实际使用中，劣化趋势预测准确率达90％以上。

采用奇异值分解的方法提取影响劣化趋势的关键性能指标(包括原始关键性能指标和新关键性能指标)，去除冗余指标和不一致指标，提高劣化趋势预测效率。

通过计算协方差获得相关系数，选择相关系数小于或等于影响度阈值的新关键性能指标；根据新关键性能指标作为样本、或者根据新关键性能指标和原始关键性能指标共同作为样本，不断完善光性能劣化趋势的神经网络，提升预测准确率。

附图说明

图1为本发明实施例光性能劣化趋势预测的更新方法流程图；

图2为本发明实施例基于奇异值分解方法提取关键性能指标示意图；

图3为本发明实施例神经网络构建和更新示意图；

图4为本发明实施例光性能劣化趋势预测的智能闭环更新流程示意图。

具体实施方式

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

如图1所示，本实施例提供一种光性能劣化趋势预测的更新方法，包括步骤：

S1.基于原始关键性能指标，构建预测光性能劣化趋势的神经网络。

S2.当有光性能指标增加时，从增加的光性能指标中提取新关键性能指标，通过计算新关键性能指标和原始关键性能指标之间的协方差获得相关系数；选择相关系数小于或等于影响度阈值的新关键性能指标。

S3.以选择的新关键性能指标，作为全部样本或者部分样本更新上述神经网络，转入S2。

上述步骤中，采集通信设备中各处理对象的光性能指标，对于各处理对象，不同的光性能指标对劣化趋势的影响程度不同，有关键性能指标和次要指标。

例如，对于激光器来说，偏置电流的变化对劣化程度影响比较大。对Och(OpticalChannel，光通道)来说，误码率是反映劣化程度的重要指标。衰减与OTS(OpticalTransport Segment，光传输段)劣化程度密切相关。另外，对于某一类光性能指标，采集过程中存在重复、冗余、不完备、不一致等情况，需要对光性能进行提取，得到高质量的关键光性能指标集合。低质量重复冗余样本数据会导致光性能劣化趋势预测结果不准确，只有基于高质量核心的关键光性能指标，才能准确挖掘光性能趋势的变化规律。

本实施例基于矩阵和张量模型对光性能指标进行表示。矩阵是一个二维数组，矩阵中的每一个元素由行坐标和纵坐标进行确定。每一行的所有矩阵元素构成行向量，每一列的所有矩阵元素构成列向量。矩阵M中，第i行、j列的元素表示为M_ij。矩阵是二维数组，对于超过二维的数组，可以采用张量表示。在三维张量T中，一个元素可以表示为T(i,j,k)，其中i,j,k是张量元素在第一阶、第二阶、第三阶上的坐标。张量可以沿着各阶展开，得到对应的模展开矩阵。光性能指标构建为矩阵后，可以进行矩阵的特征值分解和奇异值分解。通过特征值分解，矩阵转化为一系列特征向量与特征值的乘积，即M＝Qdiag(λ)Q^-1，其中Q是矩阵M的特征向量集合，即Q＝(q₁,q₂,…)，Q中的特征向量表示为q₁,q₂等，Q^-1是Q的逆矩阵，λ是矩阵M特征值。

上述步骤S1中，原始关键性能指标可以是直接预先设置好的，也可以是通过奇异值分解方法从已有的光性能指标中提取到的。上述步骤S2中，同样通过奇异值分解方法，提取到新关键性能指标。

优选的，提供一种通过奇异值分解的方法提取关键性能指标的实施例。对于通信设备中各处理对象，周期性采集每一个光性能指标，采集到的每一个光能性能指标构成一个时间序列，该处理对象的各个光性能指标的时间序列构成一个时间序列矩阵。

例如，每十五分钟采集一次OTS(Optical Transport Segment，光传输段)层OSNR(Optical Signal and Noise Ratio，光信噪比)的值，所有的OSNR性能指标构成时间序列向量v_osnr＝(v_osnr1,v_osnr2,v_osnr3,…)。同样，OTS光传输段层的IOP(Input Optical Power，输入光功率)和OOP(Output Optical Power，输出光功率)可以构成时间序列V_IOP和V_OOP。将这些时间序列向量组合成一起，构成OTS光传输段层的时间序列矩阵,记为M_ots。对于光通信设备的各处理对象，可以构建光性能时间序列张量模型T,张量模型第一阶标识处理对象，例如第一阶表示光传输层OTS，则有T(1,:,:)＝M_ots；其中，时间序列张量模型能够帮助实现光性能数据的统一表示和存储，为光性能劣化趋势增量式智能分析提供便利。

上述原始关键性能指标和新关键性能指标的提取过程相同，都包括：针对一个处理对象，将上述时间序列矩阵进行奇异值分解，分解后为左奇异空间矩阵、奇异值矩阵、右奇异空间矩阵的乘积，奇异值矩阵即为对角矩阵，如果其对角线上前n个元素占比超过重要度阈值，将三个所述矩阵中第n个元素之后截断，截断后的三个矩阵相乘得到关键性能指标矩阵，关键性能指标矩阵中所有元素即为关键性能指标。上述重要度阈值可以根据不同情况自行设置，表示的是光性能指标的重要程度。例如，重要度阈值设定为80％，对角矩阵元素为(32，29，20，9，6，3，1，0)，前三个元素占比为81％(前三个元素的和，除以所有八个元素的和，商为0.81)大于阈值80％，所以从第三个元素后面进行截断。

如图2所示，处理对象包括光通道、光传输段层、激光器、放大器等，图2第一个框内为关键性能指标，包括光通道Och性能、光传输段层OTS性能、激光器性能、放大器性能等。图2中第二个框内标识将某一处理对象的光性能指标构建为时间序列矩阵，时间序列矩阵中的每一行元素表示该处理对象特定指标的时间序列向量。例如，对于光传输段层OTS，在劣化趋势分析中可以采用输入光功率、输出光功率、OSC误码率、光信噪比等光性能指标。本实施例中采用上述四个光性能指标作为例子描述OTS的时间序列矩阵，四个光性能指标对应的值如表1所示。

表1

光性能指标	时刻t<sub>1</sub>	时刻t<sub>2</sub>	时刻t<sub>3</sub>	时刻t<sub>4</sub>	时刻t<sub>5</sub>
						输入光功率v<sub>iop</sub>	-4dB	-3dB	-4dB	-4dB	-3dB
输出光功率v<sub>oop</sub>	-3dB	-2dB	-3dB	-3dB	-2dB
						OSC误码率v<sub>osc</sub>	10e-12	10e-12	10e-12	10e-11	10e-11
光信噪比v<sub>osnr</sub>	21dB	22dB	22dB	23dB	24dB

根据表1，输入光功率时间序列向量为v_iop＝(-4,-3,-4,-4,-3)，输出光功率时间序列向量为v_oop＝(-3,-2,-3,-3,-2)，OSC误码率时间序列向量为v_osc＝(10e-12，10e-12,10e-12,10e-11,10e-11)，光信噪比时间序列向量为v_osnr＝(21,22,22,23,24)。上边四个光性能指标的时间序列向量构成OTS光传输段层的时间序列矩阵：

上述光传输段层OTS的时间序列矩阵包含冗余和不一致等低质量数据，可以通过基于奇异值分解的方式，求得关键光性能指标。图2中第三个框表示由系列光性能指标组成的时间序列矩阵，例如，上述举例中的光传输段层OTS对应的时间序列矩阵M_ots。

对时间序列矩阵M_ots进行奇异值分解，得到M_ots＝U∑V^T，其中U表示左奇异空间矩阵(4行4列)，V表示右奇异空间矩阵(5行5列)，∑是奇异值矩阵(4行5列)，矩阵∑对角线上的元素从大到小排列。其中，奇异值矩阵对角线第一个元素值约为51.11，第二个元素值约为1.77，第三个元素值约为0.05。假定根据重要度阈值比较后，从第二个元素值后截断，如图2中所示，为选取前二个元素值对应的左奇异空间矩阵、右奇异空间矩阵、奇异值矩阵相乘，求得关键性能指标矩阵为：

如图2所示，本实施例中，关键性能指标为输入光功率和输出光功率。

基于上述实施例，提供一种步骤S1的实施例，以上述方式获取原始关键性能指标。

优选的，对于原始采集的光性能指标，在提取原始关键性能指标前，可以先通过数据清洗去除不合格的光性能指标，包括噪音数据、冗余数据、不一致数据等。接着，对于合格的光性能指标，根据上述奇异值矩阵对角线元素提取原始关键性能指标。

将原始关键性能指标作为训练样本，基于原始关键性能指标建立神经网络模型，从数据中学习到光性能劣化规律，神经网络中的大量神经元能够逼近反映光性能劣化趋势的函数。构建的神经网络的输入为处理对象当前时刻的关键性能指标，或者多个相连时刻的关键性能指标；输出为下一时刻所述处理对象的剩余可用寿命。

本实施例中，表2是构建光传输段层OTS性能劣化趋势神经网络要用到的样本数据示例。第二行和第三行是输入光功率和输出光功率时间序列的原始关键性能指标，第四行是光通道层能提供正常稳定服务的剩余可用寿命。剩余可用寿命的时间长度采用剩余的周数来表示，其中rwl表示remined weeks of life，时间序列向量表示为V_rwl。

表2

光性能指标	时刻t<sub>2</sub>	时刻t<sub>3</sub>	时刻t<sub>4</sub>	时刻t<sub>5</sub>
					输入光功率v<sub>iop</sub>	-2.98dB	-4.0dB	-4.02dB	-3.01dB
输出光功率v<sub>oop</sub>	-2.02dB	-3.0dB	-2.98dB	-1.99dB
					剩余可用寿命V<sub>rwl</sub>	18weeks	17weeks	17weeks	16weeks

在具体实施过程中，可以根据实际工程情况和实验评估结果构建光性能劣化趋势神经网络的输入和输出样本。

例如，如果只采用当前时刻的关键性能指标预测处理对象的剩余可用寿命，可以将表2中的输入光功率和输出光功率作为输入，将下一时刻剩余可用寿命作为输出。如，输入为(-3.98,-3.02)，(-2.98,-2.02)，(-4.0,-3.0)；输出为(18)，(17)，(17)。

如果采用多个相连时刻的关键性能指标预测处理对象的剩余可用寿命，可以选择多个相连时刻的输入光功率和输出光功率作为输入，将下一时刻处理对象的剩余可用寿命作为输出。例如，在表2中，采用上一时刻和当前时刻的光功率预测下一时刻的剩余可用寿命，输入可以采用输入光功率两个时刻的关键性能指标值，即时刻t₁和t₂的值(-3.98,-2.98,-3.02,-2.02)，输出为剩余可用寿命v_rwl在时刻t₃的值(17)。本实施例中，上一时刻为t₁，当前时刻为t₂，下一时刻为t₃。

在实际应用中，利用得到的劣化趋势拟合函数，输入关键性能指标，预测出处理对象的剩余可用寿命。

优选的，神经网络采用RNN(Recurrent Neural Network，循环神经网络)或LSTM(Long-Short Term Memory，长短期记忆网络)。

循环神经网络是一类用于处理序列数据的神网络，可以通过许多不同的方式建立。几乎所有函数都可以被认为是前馈网络，本质上任何涉及循环的函数都可以被认为是一个循环神经网络。LSTM循环网络除了外部的RNN循环外，还具有内部的LSTM自环，每个单元有相同的输入和输出，便也有更多的参数和控制信息流动的门控单元系统。LSTM的特点是在RNN结构以外添加了各层的阀门节点。阀门有3类,包括遗忘阀门(forget gate)，输入阀门(input gate)和输出阀门(output gate)。这些阀门可以打开或关闭，用于将判断模型神经网络的记忆态在该层输出的结果是否达到阈值从而加入到当前该层的计算中。阀门节点利用函数将网络的记忆态作为输入计算；如果输出结果达到阈值则将该阀门输出与当前层的计算结果进行处理作为下一层的输入，如果没有达到阈值则将该输出结果遗忘掉。每一层包括阀门节点的权重都会在每一次模型反向传播训练过程中更新。LSTM模型的记忆功能就是由这些阀门节点实现的。当阀门打开的时候，前面模型的训练结果就会关联到当前的模型计算，而当阀门关闭的时候之前的计算结果就不再影响当前的计算。因此，通过调节阀门的开关我们就可以实现早期序列对最终结果的影响。

基于上述实施例，提供一种光性能指标增加时，如何根据提取到的新关键性能指标更新神经网络的实施例，即上述步骤S2和步骤S3的具体实施。

光性能指标的数据需要从真实的通信网络中获取，因为实际工程中的各种因素，某些关键性能指标当前可能无法获取，通过后期努力才能补全。例如，由于某些光器件的特定版本不支持某个关键性能指标，导致当前无法采集到本指标对应的样本数据，通过与光器件厂商协调，升级软硬件，后期又有可能获得这个关键性能指标。针对这种情况，需要实现光性能劣化趋势的增量式预测，能够先基于当前已获得的关键性能指标数据进行预测分析，等后续获取到新关键性能指标数据以后，增量式更新前面输出的光性能劣化趋势神经网络。

本实施例中，每当有增加的光性能指标时，通过周期性采集光性能指标，按照上述奇异值分解方法，从中获取新关键性能指标。

由于新关键性能指标对劣化趋势预测结果的影响程度不同，新关键性能指标和原始关键性能指标推导出的影响程度之间可能存在重复，或者有比较大的交集。为了利用新关键性能指标快速提升劣化趋势预测的精确度，提出协同分析方法，对新关键性能指标对预测结果的影响程度进行评估。

本实施例将光性能指标定义为一个随机变量，新采集的光性能指标构成随机变量集合，从新采集的光性能指标中，根据时间序列矩阵奇异值分解结果得到新关键性能指标。按照关键程度计算新关键性能指标和原始关键性能指标之间的协方差，从而求得相关系数，并根据实际工程需要设计影响度阈值。丢弃相关系数大于影响度阈值的新关键性能指标，也就是奇异值矩阵对角线上截断掉的元素对应的光性能指标。选取相关系数小于或等于影响度阈值的新关键性能指标，用于更新光性能劣化趋势的增量预测。

在光性能劣化趋势智能预测过程中，新增加的各个关键性能指标对劣化趋势的影响是不同的，这些影响之间可能相互独立，也可能相互关联，也有可能某几个关键性能指标的影响可以互联取代。例如光纤劣化过程中，光功率、气候温度、外部应力、不当操作等，对光纤剩余可用寿命的影响是不同的，外部应力与不当操作对光纤劣化的影响程度又有关联。

上述分析过程中，通过协方差反映了关键性能指标之间因素线性相关的强度。协方差是负值，则其中一个因素取得较大值的同时，另一个因素取得较小值。两个因素相互独立则协方差为0。另外，采用相关系数评估因素之间的关联强度，相关系数将关键性能指标因素进行归一化，评估因素的相关性而不受因素变量尺度大小的影响。

如图3所示，其左边为基于原始关键性能指标得到的时间序列矩阵，中间为基于该时间序列矩阵建立的神经网络，用来光性能劣化趋势预测。右侧虚线中为新关键性能指标的时间序列矩阵，也可以说是时间序列增量矩阵，可以看出是在原始关键性能指标得到的时间序列矩阵上增加的，将新关键性能指标的时间序列矩阵作为全部样本，输入上述神经网络进行训练，增量更新劣化趋势拟合函数调整各神经元的激励函数权重值，实现该神经网络的增量更新。

例如，表3是构建光传输段层OTS性能劣化趋势神经网络要用到的样本数据。

表3

光性能指标	时刻t<sub>1</sub>	时刻t<sub>2</sub>	时刻t<sub>3</sub>	时刻t<sub>4</sub>	时刻t<sub>5</sub>
						输入光功率v<sub>iop</sub>	-3.9dB	-2.9dB	-4.1dB	-4.2dB	-3.9dB
输出光功率v<sub>oop</sub>	-3.2dB	-2.7dB	-3.8dB	-2.9dB	-2.3dB
						光信噪比v<sub>osnr</sub>	21dB	22dB	23dB	22dB	23dB

当有新关键性能指标时，采用增量指标协同影响分析方法进行分析，如果新关键性能指标与原始关键性能指标密切相关，则表示劣化趋势预测的输入中已经包含了输入样本相关信息，不用基于新关键性能指标更新劣化趋势预测结果。如果新关键性能指标和原始关键性能指标不相关，本实施例中，需要基于新关键性能指标重新构建输入向量，对已经得到的预测光劣化趋势的神经网络进行训练更新，利用新关键性能指标调整拟合函数权重。例如表3中，第一行和第二行为原始关键性能指标，第三行为新关键性能指标，计算这三个时间序列向量的相关系数得ρ(iop,osnr)＝0.36，ρ(oop,osnr)＝0.04。假如影响度阈值为0.4，则由相关系数可以得到输入光功率与光信噪比不相关，输出光功率与光信噪比不相关，因此需要将光信噪比对光性能劣化趋势预测结果进行更新。

本实施例中，新关键性能指标的时间序列矩阵作为增量矩阵，记为I。例如，对于光传送段层OTS，已获得输入光功率和输出光功率两个关键性能指标对应的时间序列向量v_iop和v_oop，对应的时间序列矩阵为M＝(v_iop，v_oop)^T，现在新增光信噪比OSNR和OSC(OpticalSupervisor Channel，光监控信道)误码率两个性能指标,则增量矩阵表示为I＝(v_osnr，v_osc)^T。利用上述提出的基于奇异值的方法进行处理，求得增量矩阵中的新关键性能指标，然后利用新关键指标作为全部样本，更新已经获得的劣化趋势预测拟合函数，实现预测结果的增量更新。

在另一种实施方式中，可以选取相关系数小于或等于影响度阈值的新关键性能指标，选取的新关键性能指标作为部分样本，和原始关键性能指标样本结合在一起，共同更新预测光性能劣化趋势的神经网络。

如图4所示，上述步骤S3和S4形成了一个闭环更新。当有新增的光性能指标时，通信设备周期性采集光性能指标，例如光通道Och、光传输段层OTS、激光器、放大器对应的光性能指标。这些光性能指标可以上传至管控平台，构建时间序列矩阵、时间序列张量、增量矩阵。然后，可以通过数据清洗去除不合格的光性能指标，包括噪音数据、冗余数据、不一致数据等。接着，对于合格的光性能指标，根据奇异值矩阵对角线元素提取新关键性能指标。再利用协同分析方法，判断新关键性能指标和原始关键性能指标之间的关联系数，结合影响度阈值判别选取，选取后的新关键性能指标构建增量矩阵，更新劣化趋势预测拟合函数。通过在闭环运行过程中不断完善预测结果，提高劣化趋势预测准确率。

优选的，利用更新后的预测函数，对处理对象的劣化趋势进行预测，根据预测结果制定处理方案，实现光网性能前瞻优化和故障预判预防。例如，如果激光器劣化趋势预测结果表明剩余有效寿命为一个星期，管控系统会通过邮件等方式提醒维护人员提前一周更换激光器。

本发明还提供一种光性能劣化趋势预测的更新系统，用于实施上述实施例，系统包括光性能指标获取模块、关键性能指标提取模块、相关选择模块和神经网络。

关键性能指标提取模块，用于由原始光性能指标中提取原始关键性能指标；还用于从新增的的光性能指标中，提取新关键性能指标。

相关选择模块，用于通过计算新关键性能指标和原始关键性能指标之间的协方差获得相关系数，选择相关系数小于或等于影响度阈值的新关键性能指标。

神经网络，基于原始关键性能指标构建，用于预测光性能劣化趋势；还用于以选择的新关键性能指标作为全部或部分样本，进行更新。

优选的，光性能指标获取模块还用于对新增的光性能指标进行周期性采集，将每一个光性能指标构成一个时间序列，将每个处理对象的各个光性能指标的时间序列构成一个时间序列矩阵。

关键性能指标将上述时间序列矩阵进行奇异值分解为左奇异空间矩阵、奇异值矩阵、右奇异空间矩阵的乘积，若奇异值矩阵对角线上前n个元素占比超过重要度阈值，将三个矩阵中第n个元素之后截断，截断后的三个矩阵相乘得到关键性能指标矩阵，矩阵中所有元素即为关键性能指标。

上述神经网络将原始关键性能指标作为训练样本，拟合出光性能劣化趋势函数。神经网络的输入为处理对象当前时刻的关键性能指标，或者多个时刻的关键性能指标；输出为下一时刻所述处理对象的剩余可用寿命。

优选的，当选择的新关键性能指标作为部分样本时，结合原始关键性能指标共同对上述神经网络进行更新。

优选的，当选择的新关键性能指标作为全部样本时，以此对上述神经网络进行增量式更新。

本发明通过不断采集的新关键性能指标更新光性能劣化趋势预测，挖掘光模块、光通道等处理对象的可靠性以及剩余寿命等变化情况，实现光网性能前瞻式优化、光网故障预判预防。针对光性能劣化趋势预测过程中面临的样本数据关键性能指标提取、预测结果更新等挑战，构建光性能指标时间序列矩阵，基于奇异值分解方法求得关键性能指标，创建新关键性能指标的增量矩阵，基于相关系数判断新关键性能指标对预测结果变化程度的影响，对光性能劣化趋势预测函数进行动态更新，采用智能闭环方法实现光性能劣化趋势自动预测和处理。

本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims

1.一种光性能劣化趋势预测的更新方法，其特征在于，包括步骤：

2.如权利要求1所述的光性能劣化趋势预测的更新方法，其特征在于：对于通信设备中各处理对象，每一个光性能指标经周期性采集后都构成一个时间序列，该处理对象的各个光性能指标的时间序列构成一个时间序列矩阵。

3.如权利要求2所述的光性能劣化趋势预测的更新方法，其特征在于，所述关键性能指标的提取过程包括：

将所述时间序列矩阵进行奇异值分解为左奇异空间矩阵、奇异值矩阵、右奇异空间矩阵的乘积，若所述奇异值矩阵对角线上前n个元素占比超过重要度阈值，将三个所述矩阵中第n个元素之后截断，截断后的三个矩阵相乘得到关键性能指标矩阵，矩阵中所有元素即为关键性能指标；

其中，关键性能指标包括为原始关键性能指标和新关键性能指标。

4.如权利要求3所述的光性能劣化趋势预测的更新方法，其特征在于：从光性能指标中提取所述关键性能指标时，先通过数据清洗去除不合格的光性能指标，再对于合格的光性能指标构建所述时间序列矩阵。

5.如权利要求3所述的光性能劣化趋势预测的更新方法，其特征在于，所述基于原始关键性能指标构建预测光性能劣化趋势的神经网络包括：将原始关键性能指标作为训练样本，选择神经网络模型，拟合出光性能劣化趋势函数；

6.如权利要求1所述的光性能劣化趋势预测的更新方法，其特征在于，所述多个相连时刻的关键性能指标作为神经网络输入包括：将当前时刻的关键性能指标和上一时刻的关键性能指标，共同作为神经网络输入。

7.如权利要求1-6任一所述的光性能劣化趋势预测的更新方法，其特征在于：选择相关系数小于或等于影响度阈值的新关键性能指标，作为部分样本，和所述原始关键性能指标共同更新所述神经网络。

8.如权利要求1-6任一所述的光性能劣化趋势预测的更新方法，其特征在于：选择相关系数小于或等于影响度阈值的新关键性能指标，作为全部样本，对所述神经网络做增量式更新。

9.一种光性能劣化趋势预测的更新系统，其特征在于，包括：

10.如权利要求9所述的光性能劣化趋势预测的更新系统，其特征在于：所述光性能指标获取模块还用于将每一个光性能指标，经过周期性采集后构成一个时间序列，将每个处理对象的各个光性能指标的时间序列构成一个时间序列矩阵。

11.如权利要求10所述的光性能劣化趋势预测的更新系统，其特征在于，所述关键性能指标提取模块提取关键性能指标包括：

将所述时间序列矩阵进行奇异值分解为左奇异空间矩阵、奇异值矩阵、右奇异空间矩阵的乘积，若所述奇异值矩阵对角线上前n个元素占比超过重要度阈值，将三个所述矩阵中第n个元素之后截断，截断后的三个矩阵相乘得到关键性能指标矩阵，矩阵中所有元素即为关键性能指标。

12.如权利要求11所述的光性能劣化趋势预测的更新系统，其特征在于：所述神经网络将原始关键性能指标作为训练样本，拟合出光性能劣化趋势函数；

13.如权利要求9-12任一所述的光性能劣化趋势预测的更新方法，其特征在于：所述神经网络以选择的新关键性能指标作为部分样本，结合所述原始关键性能指标共同进行更新。

14.如权利要求9-12任一所述的光性能劣化趋势预测的更新方法，其特征在于：所述神经网络以选择的新关键性能指标作为全部样本，进行增量式更新。