一种网络优化的方法、装置及可读存储介质

技术领域

本发明涉及网络技术领域，尤其涉及一种网络优化的方法、装置及可读存储介质。

背景技术

随着通信网络的不断发展，用户对于网络质量的要求越来越高。但是，传统的网络优化方法仅考虑网络设备的性能参数，无法很好地满足用户的需求。在网络问题诊断的过程中，常见的移动通信网络问题诊断技术包括基于网络侧的网络问题检测和基于用户侧的网络问题检测。然而，这些网络问题诊断技术无法高效、全面的定位网络问题，导致网络优化效率低下。

发明内容

本发明所要解决的技术问题是针对现有技术的上述不足，提供一种网络优化的方法、装置及可读存储介质，用以解决现有的网络优化方法无法高效、全面的定位网络问题，导致网络优化效率低下的问题。

第一方面，本发明提供一种网络优化的方法，所述方法包括：

获取无人机与基站交互过程中的多条交互数据；

根据多条所述交互数据中任意时间相邻的两条交互数据对应的距离识别出疑似网络问题点；

计算每个所述疑似网络问题点对应的网络偏离得分；

根据各个所述疑似网络问题点对应的网络偏离得分确定网络问题区域；

对所述网络问题区域进行网络优化。

进一步地，所述交互数据包括无人机的位置信息、网络指标信息和时间信息；

所述网络指标信息包括以下至少之一：参考信号接收功率RSRP、信号与干扰加噪声比SINR、邻区的特定小区偏置CIO、延迟。

进一步地，所述无人机的位置信息是通过全球定位系统GPS定位技术、或射频识别定位技术、或低空卫星定位技术、或基站定位技术确定的。

进一步地，所述根据多条所述交互数据中任意时间相邻的两条交互数据对应的距离识别出疑似网络问题点，具体包括：

根据多条所述交互数据中每条所述交互数据的时间信息和位置信息，计算任意时间相邻的两条交互数据对应的两个位置点之间的距离；

若任意两个位置点之间的距离超过预设距离阈值，则判定在所述两个位置点之间存在疑似网络问题点；

响应于任意两个位置点之间存在疑似网络问题点，根据所述两个位置点的位置信息识别出疑似网络问题点的位置信息。

进一步地，所述若任意两个位置点之间的距离超过预设距离阈值，则判定在所述两个位置点之间存在疑似网络问题点之前，所述方法还包括：

根据所述无人机的飞行速度、基站的网络覆盖能力、以及预设区域内基站的密度确定所述距离阈值。

进一步地，所述计算每个所述疑似网络问题点对应的网络偏离得分，具体包括：

针对每个所述疑似网络问题点，根据所述疑似网络问题点对应的两条交互数据的网络指标信息，计算所述疑似网络问题点每个网络指标对应的偏离得分，并根据所述每个网络指标对应的偏离得分得到所述疑似网络问题点对应的网络偏离得分。

进一步地，所述疑似网络问题点某个网络指标对应的偏离得分根据以下公式计算得到：

其中，S

进一步地，所述根据各个所述疑似网络问题点对应的网络偏离得分确定网络问题区域，具体包括：

将网络偏离得分大于预设偏离阈值的所有所述疑似网络问题点作为确定网络问题点；

采用预设聚类算法对所有所述确定网络问题点进行密度聚类，形成至少一个聚类簇；

将所述至少一个聚类簇中每个聚类簇对应的区域确定为网络问题区域。

进一步地，所述采用预设聚类算法对所有所述确定网络问题点进行密度聚类，形成至少一个聚类簇之前，所述方法还包括：

根据所述无人机的飞行速度或任意时间相邻的两条交互数据对应的距离的倍数设置所述聚类算法对应的聚类半径；

根据网络优化的重要程度设置所述聚类算法对应的聚类点个数。

第二方面，本发明提供一种网络优化的装置，所述装置包括：

交互数据获取模块，用于获取无人机与基站交互过程中的多条交互数据；

疑似问题点识别模块，与所述交互数据获取模块连接，用于根据多条所述交互数据中任意时间相邻的两条交互数据对应的距离识别出疑似网络问题点；

偏离得分计算模块，与所述疑似问题点识别模块连接，用于计算每个所述疑似网络问题点对应的网络偏离得分；

问题区域确定模块，与所述偏离得分计算模块连接，用于根据各个所述疑似网络问题点对应的网络偏离得分确定网络问题区域；

网络优化模块，与所述问题区域确定模块连接，用于对所述网络问题区域进行网络优化。

第三方面，本发明提供一种网络优化的装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现上述第一方面所述的网络优化的方法。

第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的网络优化的方法。

本发明提供的网络优化的方法、装置及可读存储介质，首先获取无人机与基站交互过程中的多条交互数据；并根据多条所述交互数据中任意时间相邻的两条交互数据对应的距离识别出疑似网络问题点；然后计算每个所述疑似网络问题点对应的网络偏离得分；并根据各个所述疑似网络问题点对应的网络偏离得分确定网络问题区域；再对所述网络问题区域进行网络优化。本发明能够实时、高效、全面地自动定位网络问题，提高网络优化效率，进而能进一步提升网络通信的质量和用户体验，解决了现有的网络优化方法无法高效、全面的定位网络问题，导致网络优化效率低下的问题。

附图说明

图1为本发明实施例1的一种网络优化的方法的流程图；

图2为本发明实施例2的一种网络优化的装置的结构示意图；

图3为本发明实施例3的一种网络优化的装置的结构示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面将结合附图对本发明实施方式作进一步地详细描述。

可以理解的是，此处描述的具体实施例和附图仅仅用于解释本发明，而非对本发明的限定。

可以理解的是，在不冲突的情况下，本发明中的各实施例及实施例中的各特征可相互组合。

可以理解的是，为便于描述，本发明的附图中仅示出了与本发明相关的部分，而与本发明无关的部分未在附图中示出。

可以理解的是，本发明的实施例中所涉及的每个单元、模块可仅对应一个实体结构，也可由多个实体结构组成，或者，多个单元、模块也可集成为一个实体结构。

可以理解的是，本发明的实施例中的术语“第一”、“第二”等是用于区别不同的对象，或者用于区别对同一对象的不同处理，而不是用于描述对象的特定顺序。

可以理解的是，在不冲突的情况下，本发明的流程图和框图中所标注的功能、步骤可按照不同于附图中所标注的顺序发生。

可以理解的是，本发明的流程图和框图中，示出了按照本发明各实施例的系统、装置、设备、方法的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可代表一个单元、模块、程序段、代码，其包含用于实现规定的功能的可执行指令。而且，框图和流程图中的每个方框或方框的组合，可用实现规定的功能的基于硬件的系统实现，也可用硬件与计算机指令的组合来实现。

可以理解的是，本发明实施例中所涉及的单元、模块可通过软件的方式实现，也可通过硬件的方式来实现，例如单元、模块可位于处理器中。

实施例1：

本实施例提供一种网络优化的方法，如图1所示，该方法包括：

步骤S101：获取无人机与基站交互过程中的多条交互数据。

在本实施例中，无人机作为通信终端，通过与基站进行通信来获取网络信号的相关信息，如基站网络的RSRP(Reference Signal Receiving Power，参考信号接收功率)、SINR(Signal to Interference plus Noise Ratio，信号与干扰加噪声比)、CIO(CellIndividual Offset，邻区的特定小区偏置)、延迟等网络指标，这些网络指标是评估网络通信质量的重要参考。其中，无人机与基站之间的交互可以通过无线通信技术，如4G、5G、6G等移动通信技术来实现。

具体地，在无人机起飞或飞行的过程中，无人机会周期性地向附近的基站发送交互请求，请求获取当前的网络信号信息。基站在接收到交互请求后，会根据无人机的位置信息和标识，向无人机发送相应的交互数据。交互数据包括无人机的位置信息、网络指标信息和时间信息等，其中，位置信息包括准确的无人机的经度、纬度、高度、飞行速度等，网络指标信息包括以下至少之一：参考信号接收功率RSRP、信号与干扰加噪声比SINR、邻区的特定小区偏置CIO、延迟；时间信息包括无人机发送交互请求的准确时间。

可选地，所述无人机的位置信息是通过GPS(Global Positioning System，全球定位系统)定位技术、或射频识别定位技术、或低空卫星定位技术、或基站定位技术确定的。

在本实施例中，为了准确定位无人机的位置信息，可以通过GPS定位技术、或射频识别定位技术、或低空卫星定位技术、或基站定位技术确定无人机的位置，从而得到准确的无人机的位置信息。

步骤S102：根据多条所述交互数据中任意时间相邻的两条交互数据对应的距离识别出疑似网络问题点。

在本实施例中，根据无人机与基站的交互数据，筛选任意时间相邻的两条交互数据，根据欧几里德距离公式，计算两点(即位置点)之间的直线距离。由于网络通信质量的突然变化可能导致信号传输异常，从而影响了无人机的发送请求的时间，进而导致无人机的位置偏离原预定位置较大。因此，根据任意两个位置点之间的距离可以识别出疑似网络问题点。

可选地，所述根据多条所述交互数据中任意时间相邻的两条交互数据对应的距离识别出疑似网络问题点，具体包括：

根据多条所述交互数据中每条所述交互数据的时间信息和位置信息，计算任意时间相邻的两条交互数据对应的两个位置点之间的距离；

若任意两个位置点之间的距离超过预设距离阈值，则判定在所述两个位置点之间存在疑似网络问题点；

响应于任意两个位置点之间存在疑似网络问题点，根据所述两个位置点的位置信息识别出疑似网络问题点的位置信息。

在本实施例中，假设A2和A3两个位置点之间的距离超过预设距离阈值，则判定在A2和A3两个位置点之间存在疑似网络问题点，此时，可以根据A2和A3两个位置点的位置信息确定出疑似网络问题点的位置信息。需要注意的是，疑似网络问题点位置的确定和基站的覆盖范围、无人机的飞行速度有关系，如果无人机飞行速度过快，则可适当性的将问题点位置多偏向于A3(如果无人机飞行方向为A2->A3)，例如公式可以如下：

可选地，所述若任意两个位置点之间的距离超过预设距离阈值，则判定在所述两个位置点之间存在疑似网络问题点之前，所述方法还包括：

根据所述无人机的飞行速度、基站的网络覆盖能力、以及预设区域内基站的密度确定所述距离阈值。

在本实施例中，距离阈值可根据无人机的飞行速度和基站的网络覆盖能力、以及区域内基站密度共同确定。

步骤S103：计算每个所述疑似网络问题点对应的网络偏离得分。

在本实施例中，对于疑似网络问题点，根据其网络指标计算网络偏离得分，用于评估其是否真的存在网络问题。

可选地，所述计算每个所述疑似网络问题点对应的网络偏离得分，具体包括：

针对每个所述疑似网络问题点，根据所述疑似网络问题点对应的两条交互数据的网络指标信息，计算所述疑似网络问题点每个网络指标对应的偏离得分，并根据所述每个网络指标对应的偏离得分得到所述疑似网络问题点对应的网络偏离得分。

在本实施例中，网络偏离得分可以由多个网络指标组成，如RSRP、SINR、CIO、延迟等。每个网络指标都可以根据其测量值与预设的标准值之间的差异来计算得分。得分越高，表示该指标偏离标准值越大，存在问题的可能性越大。通过将各个网络指标的得分综合考虑，可以得出一个综合的网络偏离得分。

可选地，所述疑似网络问题点某个网络指标对应的偏离得分根据以下公式计算得到：

其中，S

在本实施例中，网络指标优选包括RSRP、SINR、CIO和延迟，可以先通过上述公式计算RSRP、SINR、CIO和延迟每个网络指标对应的偏离得分，然后根据以下公式计算得到疑似网络问题点对应的网络偏离得分：

其中，

步骤S104：根据各个所述疑似网络问题点对应的网络偏离得分确定网络问题区域。

可选地，所述根据各个所述疑似网络问题点对应的网络偏离得分确定网络问题区域，具体包括：

将网络偏离得分大于预设偏离阈值的所有所述疑似网络问题点作为确定网络问题点；

采用预设聚类算法对所有所述确定网络问题点进行密度聚类，形成至少一个聚类簇；

将所述至少一个聚类簇中每个聚类簇对应的区域确定为网络问题区域。

在本实施例中，聚类算法比如可以是DBSCAN(Density-Based SpatialClustering of Applications with Noise，基于密度的聚类算法)，根据上述疑似网络问题点清单，大于预设偏离阈值的疑似网络问题点为确定网络问题点，将区域内所有确定网络问题点进行密度聚类形成一个或多个聚类簇，针对聚类的结果，每一个聚类簇即为出现网络问题的区域。

可选地，所述采用预设聚类算法对所有所述确定网络问题点进行密度聚类，形成至少一个聚类簇之前，所述方法还包括：

根据所述无人机的飞行速度或任意时间相邻的两条交互数据对应的距离的倍数设置所述聚类算法对应的聚类半径；

根据网络优化的重要程度设置所述聚类算法对应的聚类点个数。

需要说明的是，在聚类算法中需要预设部分参数，例如DBSCAN需要预设聚类半径和聚类点个数，示例性的，可以根据无人机的飞行速度(或任意时间相邻的两条交互数据之间的距离的倍数)设置聚类半径，根据网络优化的重要程度设置聚类点个数，例如如果需要优先关注小范围的网络问题，那么可以将聚类点个数设置的尽可能小，比如2则表示任意两个网络问题点之间的距离小于预设聚类直径，则这网络两个问题点会被归到一个聚类簇里面；相反如果重点关注大范围的网络问题，优先解决大范围的网络问题，则可以将聚类点个数设置的尽可能大，比如10则表示10个问题点中只有任意两两之间的距离小于预设聚类直径，则至少需要10个满足要求的网络问题点才会确定一个聚类簇。

步骤S105：对所述网络问题区域进行网络优化。

在本实施例中，当有多个网络问题区域时，可以根据重要性确定优先优化区域，并先对优先优化区域进行网络优化。

在一个具体的实施例中，该网络优化的方法可以包括如下步骤：

步骤1：确定无人机准确位置

无人机通过GPS定位技术确定自身的准确位置，位置包括无人机自身在三维空间中的坐标，包括经度、纬度和海拔高度。这些坐标将被用于计算无人机在飞行过程中的位置变化，以及后续计算距离和问题点时的参考。

步骤2：采集无人机与基站的交互数据

无人机作为通信终端，通过与基站进行通信来获取网络信号的相关信息。无人机起飞或飞行的过程中，无人机会周期性地向附近的基站发送交互请求，请求获取当前的网络信号信息。基站在接收到交互请求后，会根据无人机的位置信息和标识，向无人机发送相应的交互数据。

步骤3：确定疑似网络问题点

根据无人机与基站的交互数据，筛选任意时间相邻的两条数据，根据欧几里德距离公式，计算两点之间的直线距离。如果某个距离超过预设的距离阈值，就可以判定在该距离对应的交互数据两点之间疑似存在网络问题。

步骤4：计算网络偏离得分

对于疑似网络问题点，根据其网络指标计算网络偏离得分，用于评估其是否真的存在网络问题。对多个网络指标分别计算偏离得分，并计算该疑似问题点的网络偏离得分。

步骤5：确定网络问题点，并根据重要性确定优先优化区域

根据上述疑似网络问题点清单，大于预设阈值的疑似问题点为确定网络问题点。将区域内所有确定网络问题点进行密度聚类(可以使用聚类算法，如DBSCAN，基于密度的聚类算法)，形成一个或多个聚类簇。针对聚类的结果，每一个聚类簇即为出现网络问题的区域，对应每一个簇内的网络问题点即为上述步骤3中提到的单个网络问题点，在区域确定之后，可针对该区域内的每个问题点进行更进一步的网络问题排查，并进行相应的网络优化。

在另一个具体的实施例中，该网络优化的方法可以包括如下步骤：

步骤1：确定无人机准确位置

无人机通过GPS定位技术确定自身的准确位置，位置包括无人机自身在三维空间中的坐标，包括经度、纬度和海拔高度。这些坐标将被用于计算无人机在飞行过程中的位置变化，以及后续计算距离和问题点时的参考。

可选地，在确定无人机准确位置时，也可通过其他定位技术来实现，例如射频识别定位、低空卫星定位、基站定位技术等，具体需依赖于无人机的硬件设备。

其中，通过射频识别定位技术确定无人机位置步骤如下：为每架无人机安装RFID(Radio Frequency Identification，无线射频识别技术)标签或芯片，这些RFID标签可以包含独特的识别信息，如ID号码或序列号；在地面部署RFID读写器，这些读写器可以发送射频信号并接收RFID标签的响应；无人机飞行时，RFID读写器会发送射频信号，激活附近无人机上的RFID标签；RFID标签响应并发送其识别信息给读写器；通过多个部署在地面的RFID读写器，可以三角测量或多边测量计算无人机的位置，集成数据并计算无人机的准确位置。

其中，通过低空卫星定位技术确定无人机位置步骤如下：无人机配备具备接收卫星信号的GPS接收器；配备支持多频段的GPS接收器以提高抗信号干扰的能力；在低空卫星定位情况下，多颗卫星位于地平线以上，使接收器可以看到更多的卫星，确保无人机的GPS接收器能够接收来自多颗卫星的信号；接收器记录来自卫星的信号，并计算其位置，通常使用三角测量方法；进行数据融合，将GPS定位与其他传感器数据结合，以提高精度。

其中，通过基站定位技术确定无人机位置步骤如下：建立一组配备有GPS接收器地面基站通信设备；配备无人机与GPS接收器和通信模块，使其能够与地面基站通信；无人机向附近的基站发送信号，基站接收这些信号；基站测量收到的信号的时间延迟，并使用多普勒效应来确定无人机的速度；根据基站之间的距离差异和多个基站的测量数据，计算无人机的位置；结合其他传感器数据，如IMU(Inertial Measurement Unit，惯性测量单元)或视觉传感器，以提高位置精度。

步骤2：采集无人机与基站的交互数据

无人机作为通信终端，通过与基站进行通信来获取网络信号的相关信息，如基站网络的RSRP、SINR、CIO、延迟等网络指标，这些网络指标是评估网络通信质量的重要参考。

无人机与基站之间的交互可以通过无线通信技术，如4G、5G、6G等移动通信技术来实现。

具体地，在无人机起飞或飞行的过程中，无人机会周期性地向附近的基站发送交互请求，请求获取当前的网络信号信息。基站在接收到交互请求后，会根据无人机的位置信息和标识，向无人机发送相应的交互数据。交互数据包括无人机的准确位置信息、网络指标信息、时间信息等，其中，准确位置信息包括无人机的经度、纬度、高度、飞行速度等，网络指标信息包括信号强度、信噪比、延迟等指标，时间信息包括无人机发送交互请求的准确时间。

步骤3：确定疑似网络问题点

根据无人机与基站的交互数据，筛选任意时间相邻的两条交互数据，根据欧几里德距离公式，计算两点之间的直线距离。例如该无人机在某段飞行中共有1000条交互数据，则对应的，根据第1条交互数据和第2条交互数据中的位置信息，计算距离1；根据第2条交互数据和第3条交互数据中的位置信息，计算距离2，以此类推，共计算到距离999，比如，计算的距离如表1所示。

表1

根据上述距离(例如上例中的距离D1到距离D999)，如果某个距离超过预设的距离阈值，就可以判定在该距离对应的交互数据两点之间疑似存在网络问题。由于网络通信质量的突然变化可能导致信号传输异常，从而影响了无人机的发送请求的时间，进而导致无人机的位置偏离原预定位置较大。这些问题点被认为是疑似网络问题点，需要进一步分析确认。

具体的，距离阈值可根据无人机的飞行速度和基站的网络覆盖能力、以及区域内基站密度共同确定，如果无人机在匀速直线飞行，网络正常的情况下，对应的上述距离，例如D1和D2的数值几乎相等(或在很小的范围内波动，但近似相等)。当网络出现问题(信号弱、延迟大等)，则对应的上述距离，例如D1和D2的数据则不相等，如果D1为正常数值，则D2会超过预设的距离阈值，表示无人机在位置A2和A3之间(时间序号002和003的数据之间)存在疑似网络问题点。

对应的该疑似网络问题点可根据A2和A3的位置确定，例如上表中通过计算地理位置两点之间的中间点为问题点。需要注意的是，疑似网络问题点位置的确定和基站的覆盖范围、无人机的飞行速度有关系，如果无人机飞行速度过快，则可适当性的将问题点位置多偏向于A3(如果无人机飞行方向为A2->A3)，例如公式可以如下：

步骤4：计算网络偏离得分

对于疑似网络问题点，根据其网络指标计算网络偏离得分，用于评估其是否真的存在网络问题。

网络偏离得分可以由多个网络指标组成，如RSRP、SINR、CIO、延迟等。每个网络指标都可以根据其测量值与预设的标准值之间的差异来计算得分。得分越高，表示该指标偏离标准值越大，存在问题的可能性越大。通过将各个网络指标的得分综合考虑，可以得出一个综合的网络偏离得分。

示例性的，可根据如下公式计算某个疑似网络问题点的单个指标的偏离得分：

以该网络指标为当前疑似网络问题点的指标之一：RSRP为例，则对应的上述公式中，n为以该疑似网络问题点为中心，半径R范围内的所有疑似网络问题点个数(R为预设参数，可根据基站的覆盖范围进行调整，例如R为100m)，x

最后，根据上述公式，对多个网络指标分别计算偏离得分，并通过下述公式计算该疑似网络问题点的网络偏离得分：

其中，

步骤5：确定网络问题点，并根据重要性确定优先优化区域

根据上述疑似网络问题点清单，大于预设偏离阈值的疑似网络问题点为确定网络问题点。

将区域内所有确定网络问题点进行密度聚类(可以使用聚类算法，如DBSCAN，基于密度的聚类算法)，形成一个或多个聚类簇。

需要说明的是，在聚类算法中需要预设部分参数，例如DBSCAN需要预设半径和聚类点个数，示例性的，可以根据无人机的飞行速度(或上述任意相邻的两条交互数据之间的距离的倍数)设置聚类半径，根据网络优化的重要程度设置聚类点个数，例如如果需要优先关注小范围的网络问题，那么可以将聚类点个数设置的尽可能小，比如2则表示任意两个网络问题点之间的距离小于预设聚类直径，则这网络两个问题点会被归到一个聚类簇里面；相反如果重点关注大范围的网络问题，优先解决大范围的网络问题，则可以将聚类点个数设置的尽可能大，比如10则表示10个问题点中只有任意两两之间的距离小于预设聚类直径，则至少需要10个满足要求的网络问题点才会确定一个聚类簇。

针对聚类的结果，每一个聚类簇即为出现网络问题的区域，对应每一个簇内的网络问题点即为上述步骤3中提到的单个网络问题点，在区域确定之后，可针对该区域内的每个网络问题点进行更进一步的网络问题排查，并进行相应的网络优化。

需要说明的是，本发明提供的网络优化的方法至少具有以下

有益效果：

1)实时性有效提升：传统的网络优化方法可能存在实时性和精确性之间的权衡问题，而本发明通过实时获取无人机的位置信息和网络指标信息，将实时性与精确性相结合，可以更准确地监测和定位网络问题。

2)自动化诊断，精确性提升：本发明通过网络偏离得分的计算和密度聚类分析，实现了自动化的网络问题诊断和定位，且本发明不仅仅考虑了单一的信号强度指标，还将多个网络指标纳入考虑，如信噪比、延迟等，通过综合分析多维度的指标，能够更全面地评估网络通信质量，提高问题识别的准确性。

本发明实施例提供的网络优化的方法，首先获取无人机与基站交互过程中的多条交互数据；并根据多条所述交互数据中任意时间相邻的两条交互数据对应的距离识别出疑似网络问题点；然后计算每个所述疑似网络问题点对应的网络偏离得分；并根据各个所述疑似网络问题点对应的网络偏离得分确定网络问题区域；再对所述网络问题区域进行网络优化。本发明能够实时、高效、全面地自动定位网络问题，提高网络优化效率，进而能进一步提升网络通信的质量和用户体验，解决了现有的网络优化方法无法高效、全面的定位网络问题，导致网络优化效率低下的问题。

实施例2：

如图2所示，本实施例提供一种网络优化的装置，用于执行上述网络优化的方法，包括：

交互数据获取模块11，用于获取无人机与基站交互过程中的多条交互数据；

疑似问题点识别模块12，与所述交互数据获取模块11连接，用于根据多条所述交互数据中任意时间相邻的两条交互数据对应的距离识别出疑似网络问题点；

偏离得分计算模块13，与所述疑似问题点识别模块12连接，用于计算每个所述疑似网络问题点对应的网络偏离得分；

问题区域确定模块14，与所述偏离得分计算模块13连接，用于根据各个所述疑似网络问题点对应的网络偏离得分确定网络问题区域；

网络优化模块15，与所述问题区域确定模块14连接，用于对所述网络问题区域进行网络优化。

可选地，所述交互数据包括无人机的位置信息、网络指标信息和时间信息；

所述网络指标信息包括以下至少之一：参考信号接收功率RSRP、信号与干扰加噪声比SINR、邻区的特定小区偏置CIO、延迟。

可选地，所述无人机的位置信息是通过全球定位系统GPS定位技术、或射频识别定位技术、或低空卫星定位技术、或基站定位技术确定的。

可选地，所述疑似问题点识别模块12包括：

距离计算单元，用于根据多条所述交互数据中每条所述交互数据的时间信息和位置信息，计算任意时间相邻的两条交互数据对应的两个位置点之间的距离；

问题点判定单元，用于若任意两个位置点之间的距离超过预设距离阈值，则判定在所述两个位置点之间存在疑似网络问题点；

问题点识别单元，用于响应于任意两个位置点之间存在疑似网络问题点，根据所述两个位置点的位置信息识别出疑似网络问题点的位置信息。

可选地，所述装置还包括：

距离阈值确定模块，用于根据所述无人机的飞行速度、基站的网络覆盖能力、以及预设区域内基站的密度确定所述距离阈值。

可选地，所述偏离得分计算模块13具体用于：

针对每个所述疑似网络问题点，根据所述疑似网络问题点对应的两条交互数据的网络指标信息，计算所述疑似网络问题点每个网络指标对应的偏离得分，并根据所述每个网络指标对应的偏离得分得到所述疑似网络问题点对应的网络偏离得分。

可选地，所述疑似网络问题点某个网络指标对应的偏离得分根据以下公式计算得到：

其中，S

可选地，所述问题区域确定模块14包括：

问题点确定单元，用于将网络偏离得分大于预设偏离阈值的所有所述疑似网络问题点作为确定网络问题点；

问题点聚类单元，用于采用预设聚类算法对所有所述确定网络问题点进行密度聚类，形成至少一个聚类簇；

问题区域确定单元，用于将所述至少一个聚类簇中每个聚类簇对应的区域确定为网络问题区域。

可选地，所述装置还包括：

半径设置模块，用于根据所述无人机的飞行速度或任意时间相邻的两条交互数据对应的距离的倍数设置所述聚类算法对应的聚类半径；

个数设置模块，用于根据网络优化的重要程度设置所述聚类算法对应的聚类点个数。

实施例3：

参考图3，本实施例提供一种网络优化的装置，包括存储器21和处理器22，存储器21中存储有计算机程序，处理器22被设置为运行所述计算机程序以执行实施例1中的网络优化的方法。

其中，存储器21与处理器22连接，存储器21可采用闪存或只读存储器或其他存储器，处理器22可采用中央处理器或单片机。

实施例4：

本实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例1中的网络优化的方法。

该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory，随机存取存储器)，ROM(Read-Only Memory，只读存储器)，EEPROM(Electrically ErasableProgrammable read only memory，带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory，光盘只读存储器)，数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。

综上所述，本发明实施例提供的网络优化的方法、装置及可读存储介质，首先获取无人机与基站交互过程中的多条交互数据；并根据多条所述交互数据中任意时间相邻的两条交互数据对应的距离识别出疑似网络问题点；然后计算每个所述疑似网络问题点对应的网络偏离得分；并根据各个所述疑似网络问题点对应的网络偏离得分确定网络问题区域；再对所述网络问题区域进行网络优化。本发明能够实时、高效、全面地自动定位网络问题，提高网络优化效率，进而能进一步提升网络通信的质量和用户体验，解决了现有的网络优化方法无法高效、全面的定位网络问题，导致网络优化效率低下的问题。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。