本发明涉及基站管理领域，尤其涉及一种基站控制电路板体智能散热系统。
背景技术：
1、基站管理中，一般推进分类管理，部分类型豁免的管理方式。基站的分类方式很多，根据建设类型划分包括自建型基站和附建型基站；以覆盖类型划分包括室外宏基站、室外分布系统和室内分布系统；还可以根据基站高度、位置、功率等进一步细分。未来基站部署的方式将更加多样，其建设规模也将超过传统基站，对基站的管理需要适应新型部署方式的发展变化。许多国家都有针对某些类型的基站简化管理流程甚至豁免管理的案例。由于考虑影响因素的不同，各国豁免管理的规定差异非常大，难以直接借鉴，有必要开展专题研究。
2、当前，在基站管理过程中，一般为基站设施附加散热设施以对基站设施尤其是基站的控制电路板体进行散热，然而由于天气原因、基站输出功率原因以及散热设施本身原因，基站设施的散热需求不同，其中关键在于需要预判出基站的控制电路板体在未来时间区间的散热数据，从而为基站的散热设施的工作策略提供关键数据，但是，难点也在于此。
技术实现思路
1、为了解决相关领域的技术问题，本发明提供了一种基站控制电路板体智能散热系统，通过为当前基站的控制电路板体未来时间区间的散热数据的智能分析引入多项基础数据，所述多项基础数据包括当前基站的控制电路板体在当前时刻之前各个过往时间区间分别对应的各份参考散热数值，以及当前基站在当前时刻之前各个过往时间区间分别对应的各份射频信号功率，从而为智能分析结果的稳定性和有效性提供数据基础，再引入定制训练器件用于对反卷积神经网络进行各次训练操作以获得反卷积神经网络模型，所述反卷积神经网络模型为完成各次训练操作后的反卷积神经网络，且所述反卷积神经网络进行的训练操作的次数与当前基站的服务用户数量成正比，从而为不同基站构建不同结构的人工智能模型，以及在智能分析获得的当前基站的控制电路板体在当前时刻之后未来时间区间对应的参考散热数值大于等于设定散热阈值时，设置所述当前基站的散热风扇在当前时刻之后未来时间区间内进入散热模式，否则，设置所述当前基站的散热风扇在当前时刻之后未来时间区间内进入休眠模式，从而完成对基站未来时间区间的散热策略的智能化设计。
2、根据本发明，提供了一种基站控制电路板体智能散热系统，所述系统包括：
3、数据测量器件，用于测量当前基站的控制电路板体在当前时刻之前各个过往时间区间分别对应的各份参考散热数值，每一个过往时间区间对应的参考散热数值为在所述过往时间区间内均匀间隔的各个过往时刻分别对应的各份散热数值的算术平均值；
4、定制训练器件，用于对反卷积神经网络进行各次训练操作以获得反卷积神经网络模型，所述反卷积神经网络模型为完成各次训练操作后的反卷积神经网络；
5、功率检测器件，用于测量当前基站在当前时刻之前各个过往时间区间分别对应的各份射频信号功率，每一个过往时间区间对应的射频信号功率为在所述过往时间区间内均匀间隔的各个过往时刻分别对应的各份射频信号功率的算术平均值；
6、内容映射机构，分别与所述数据测量器件、所述定制训练器件以及所述功率检测器件连接，用于将所述当前基站的各份运行信息、所述当前基站的控制电路板体在当前时刻之前各个过往时间区间分别对应的各份参考散热数值以及所述当前基站在当前时刻之前各个过往时间区间分别对应的各份射频信号功率同步输入到所述反卷积神经网络模型，并运行所述反卷积神经网络模型，以获得所述反卷积神经网络模型输出的所述当前基站的控制电路板体在当前时刻之后未来时间区间对应的参考散热数值，所述当前基站的各份运行信息为所述当前基站的馈线损耗、工作频率以及系统带宽；
7、散热处理机构，与所述内容映射机构连接，用于在所述当前基站的控制电路板体在当前时刻之后未来时间区间对应的参考散热数值大于等于设定散热阈值时，设置所述当前基站的散热风扇在当前时刻之后未来时间区间内进入散热模式；
8、其中，所述散热处理机构还用于在所述当前基站的控制电路板体在当前时刻之后未来时间区间对应的参考散热数值小于所述设定散热阈值时，设置所述当前基站的散热风扇在当前时刻之后未来时间区间内进入休眠模式；
9、其中，散热处理机构，与所述内容映射机构连接，用于在所述当前基站的控制电路板体在当前时刻之后未来时间区间对应的参考散热数值大于等于设定散热阈值时，设置所述当前基站的散热风扇在当前时刻之后未来时间区间内进入散热模式包括：所述当前基站的散热风扇位于所述当前基站的控制电路板体附近且到所述当前基站的控制电路板体的板体表面的距离等于设定距离；
10、其中，定制训练器件，用于对反卷积神经网络进行各次训练操作以获得反卷积神经网络模型，所述反卷积神经网络模型为完成各次训练操作后的反卷积神经网络包括：所述反卷积神经网络进行的训练操作的次数与所述当前基站的服务用户数量成正比。
11、由此可见，本发明至少具备以下三处关键的发明构思：
12、首先，为当前基站的控制电路板体未来时间区间的散热数据的智能分析引入多项基础数据，所述多项基础数据包括当前基站的控制电路板体在当前时刻之前各个过往时间区间分别对应的各份参考散热数值，以及当前基站在当前时刻之前各个过往时间区间分别对应的各份射频信号功率，从而为智能分析结果的稳定性和有效性提供数据基础；
13、其次，引入定制训练器件用于对反卷积神经网络进行各次训练操作以获得反卷积神经网络模型，所述反卷积神经网络模型为完成各次训练操作后的反卷积神经网络，且所述反卷积神经网络进行的训练操作的次数与当前基站的服务用户数量成正比，从而为不同基站构建不同结构的人工智能模型；
14、最后，在智能分析获得的当前基站的控制电路板体在当前时刻之后未来时间区间对应的参考散热数值大于等于设定散热阈值时，设置所述当前基站的散热风扇在当前时刻之后未来时间区间内进入散热模式，否则，设置所述当前基站的散热风扇在当前时刻之后未来时间区间内进入休眠模式，从而完成对基站未来时间区间的散热策略的智能化设计。
1.一种基站控制电路板体智能散热系统，其特征在于，所述系统包括：
2.如权利要求1所述的基站控制电路板体智能散热系统，其特征在于：
3.如权利要求2所述的基站控制电路板体智能散热系统，其特征在于，所述系统还包括：
4.如权利要求3所述的基站控制电路板体智能散热系统，其特征在于：
5.如权利要求3所述的基站控制电路板体智能散热系统，其特征在于，所述系统还包括：
6.如权利要求5所述的基站控制电路板体智能散热系统，其特征在于：
7.如权利要求5所述的基站控制电路板体智能散热系统，其特征在于：
8.如权利要求5所述的基站控制电路板体智能散热系统，其特征在于：
9.如权利要求5所述的基站控制电路板体智能散热系统，其特征在于：
