本技術(shù)涉及建筑工程管理領(lǐng)域，特別涉及一種基于bim的建筑工程可視化管理方法及系統(tǒng)。

背景技術(shù)：

1、隨著建筑工程的日益復(fù)雜化和信息化，building?information?modeling?（bim）技術(shù)在建筑領(lǐng)域得到了廣泛應(yīng)用。bim模型能夠集成建筑工程的幾何信息、屬性信息和關(guān)聯(lián)信息，為建筑工程的設(shè)計(jì)、施工和管理提供了數(shù)字化的平臺(tái)和工具。然而，建筑工程bim模型通常包含大量的高維、異構(gòu)的數(shù)據(jù)，如何有效地組織、分析和利用這些數(shù)據(jù)，是實(shí)現(xiàn)建筑工程可視化管理的關(guān)鍵。

2、目前，針對(duì)建筑工程bim數(shù)據(jù)的分析和管理，已有一些研究和應(yīng)用。其中，數(shù)據(jù)聚類是一種重要的數(shù)據(jù)分析技術(shù)，通過將相似的數(shù)據(jù)點(diǎn)歸入同一類別，可以發(fā)現(xiàn)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和關(guān)聯(lián)。傳統(tǒng)的聚類算法，如k-means和層次聚類，在處理高維數(shù)據(jù)時(shí)存在一些局限性，如聚類結(jié)果對(duì)初始值敏感、難以發(fā)現(xiàn)非凸形狀的聚類等。為了克服這些局限性，基于密度的聚類算法，如dbscan（density-based?spatial?clustering?of?applications?with?noise），被廣泛應(yīng)用于高維數(shù)據(jù)聚類。dbscan算法通過識(shí)別數(shù)據(jù)點(diǎn)的局部密度，可以發(fā)現(xiàn)任意形狀的聚類，對(duì)噪聲數(shù)據(jù)具有魯棒性。然而，現(xiàn)有的基于dbscan的bim數(shù)據(jù)聚類方法仍然存在一些不足。首先，建筑工程bim模型包含多個(gè)層級(jí)的數(shù)據(jù)，如建筑、樓層、構(gòu)件等，現(xiàn)有方法通常將所有數(shù)據(jù)點(diǎn)視為同一層級(jí)，忽略了數(shù)據(jù)的層級(jí)關(guān)系，導(dǎo)致聚類精度不高。其次，bim模型中的數(shù)據(jù)屬性具有不同的重要性，現(xiàn)有方法未能充分考慮屬性的權(quán)重差異，影響了聚類的質(zhì)量。此外，由于bim數(shù)據(jù)的高維性和復(fù)雜性，聚類結(jié)果的解釋和應(yīng)用也面臨挑戰(zhàn)。

3、例如相關(guān)專利文獻(xiàn)cn117787670b，公開了一種基于建筑工程的bim數(shù)據(jù)管理方法及系統(tǒng)，屬于數(shù)據(jù)管理領(lǐng)域，其中方法包括：對(duì)目標(biāo)建筑工程內(nèi)的多個(gè)數(shù)據(jù)源進(jìn)行數(shù)據(jù)點(diǎn)采集，生成建筑工程數(shù)據(jù)集；對(duì)目標(biāo)建筑工程的歷史建筑工程數(shù)據(jù)進(jìn)行聚類分析，生成多個(gè)建筑工程數(shù)據(jù)類；生成數(shù)據(jù)協(xié)同陣列，進(jìn)行降維處理，獲得降維數(shù)據(jù)陣列，遍歷目標(biāo)建筑工程的bim數(shù)據(jù)與降維數(shù)據(jù)陣列進(jìn)行匹配，獲取數(shù)據(jù)匹配點(diǎn)集，進(jìn)行bim數(shù)據(jù)的分析管理，生成管理策略；通過管理策略對(duì)目標(biāo)建筑工程進(jìn)行bim數(shù)據(jù)的管理。但是該方案該方案僅對(duì)建筑工程的歷史數(shù)據(jù)進(jìn)行聚類分析，未能充分利用bim模型中的幾何信息、屬性信息和關(guān)聯(lián)信息，忽略了建筑工程數(shù)據(jù)的多層級(jí)特性。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中基于bim的建筑工程高維數(shù)據(jù)聚類精度低，本技術(shù)提供了一種基于bim的建筑工程可視化管理方法及系統(tǒng)，通過改進(jìn)dbscan聚類算法，并根據(jù)建筑工程bim模型的層級(jí)關(guān)系進(jìn)行聚類分析等，提高了分析精度。

2、本技術(shù)的目的通過以下技術(shù)方案實(shí)現(xiàn)。

3、本技術(shù)的一個(gè)方面提供一種基于bim的建筑工程可視化管理方法，包括：s1，采集建筑工程數(shù)據(jù)，生成包含幾何信息、屬性信息和關(guān)聯(lián)信息的數(shù)據(jù)集；s2，根據(jù)建筑工程bim模型的層級(jí)關(guān)系，將數(shù)據(jù)集劃分為多個(gè)層級(jí)子集；采用改進(jìn)的dbscan聚類算法對(duì)每個(gè)層級(jí)子集進(jìn)行聚類分析；所述改進(jìn)的dbscan聚類算法通過引入屬性權(quán)重機(jī)制，根據(jù)屬性的重要性調(diào)整聚類過程中的距離度量；s3，合并不同層級(jí)子集的聚類結(jié)果，得到數(shù)據(jù)集的多個(gè)數(shù)據(jù)聚類；s4，根據(jù)數(shù)據(jù)聚類對(duì)數(shù)據(jù)集進(jìn)行分類歸檔，根據(jù)分類歸檔結(jié)果生成語義關(guān)聯(lián)的數(shù)據(jù)協(xié)同陣列a；s5，對(duì)語義關(guān)聯(lián)的數(shù)據(jù)協(xié)同陣列a進(jìn)行降維處理，得到降維數(shù)據(jù)陣列；s6，采用基于密度的空間索引方法構(gòu)建降維數(shù)據(jù)陣列的空間索引；利用分布式計(jì)算框架，將建筑工程bim模型劃分為多個(gè)分區(qū)，將分區(qū)與空間索引進(jìn)行分布式匹配，得到數(shù)據(jù)匹配點(diǎn)集；s7，根據(jù)數(shù)據(jù)匹配點(diǎn)集進(jìn)行可視化分析，生成管理策略。

4、進(jìn)一步的，s2，采用改進(jìn)的dbscan聚類算法對(duì)每個(gè)層級(jí)子集進(jìn)行聚類分析，包括：s21，根據(jù)建筑工程bim模型的層級(jí)關(guān)系，將數(shù)據(jù)集劃分為多個(gè)層級(jí)子集；所述層級(jí)關(guān)系包含建筑、樓層和構(gòu)件；s22，設(shè)置動(dòng)態(tài)權(quán)重矩陣w，初始化權(quán)重值，定義局部數(shù)據(jù)特征度量，局部數(shù)據(jù)特征度量用于衡量第k個(gè)屬性在第t次迭代中的局部重要性；s23，在每次迭代中，根據(jù)局部數(shù)據(jù)特征度量和上一次迭代的聚類結(jié)果，更新動(dòng)態(tài)權(quán)重矩陣w；s24，計(jì)算任意兩個(gè)數(shù)據(jù)點(diǎn)和之間的加權(quán)歐氏距離；s25，根據(jù)加權(quán)歐氏距離，對(duì)每個(gè)層級(jí)子集進(jìn)行dbscan聚類，得到相應(yīng)層級(jí)的數(shù)據(jù)聚類結(jié)果；s26，重復(fù)步驟s23至步驟s25，直至聚類結(jié)果收斂或達(dá)到預(yù)設(shè)的最大迭代次數(shù)，得到每個(gè)層級(jí)的最終聚類結(jié)果。

5、一方面，傳統(tǒng)的dbscan算法使用單一的距離度量（如歐氏距離）來衡量數(shù)據(jù)點(diǎn)之間的相似性，將所有數(shù)據(jù)點(diǎn)視為平等的個(gè)體。這種處理方式忽略了建筑工程bim數(shù)據(jù)中固有的層級(jí)結(jié)構(gòu)，如建筑、樓層、構(gòu)件等不同層級(jí)之間的關(guān)系。單一距離度量無法捕捉和表示不同層級(jí)數(shù)據(jù)之間的語義差異和關(guān)聯(lián)性，導(dǎo)致聚類結(jié)果無法準(zhǔn)確反映建筑工程的實(shí)際結(jié)構(gòu)。

6、本技術(shù)，根據(jù)建筑工程bim模型的層級(jí)關(guān)系，將數(shù)據(jù)集劃分為多個(gè)層級(jí)子集，如建筑、樓層和構(gòu)件等。這種層級(jí)劃分考慮了bim數(shù)據(jù)的多層級(jí)特性，使得聚類算法能夠更好地適應(yīng)建筑工程數(shù)據(jù)的結(jié)構(gòu)和組織方式。通過對(duì)不同層級(jí)數(shù)據(jù)的獨(dú)立聚類分析，可以發(fā)現(xiàn)各層級(jí)數(shù)據(jù)的內(nèi)在關(guān)聯(lián)和模式，提高聚類的精度和可解釋性。

7、本技術(shù)，在計(jì)算數(shù)據(jù)點(diǎn)之間的相似性時(shí)，采用加權(quán)歐氏距離，將動(dòng)態(tài)權(quán)重矩陣與屬性差異相結(jié)合。通過引入屬性權(quán)重，使得聚類算法在計(jì)算距離時(shí)能夠重點(diǎn)考慮重要屬性的差異，減少次要屬性的干擾。

8、進(jìn)一步的，計(jì)算任意兩個(gè)數(shù)據(jù)點(diǎn)和之間的加權(quán)歐氏距離，通過如下公式：，其中，表示第t次迭代的加權(quán)距離；表示第k個(gè)屬性在第t次迭代中的動(dòng)態(tài)權(quán)重；和分別表示數(shù)據(jù)點(diǎn)和在第k個(gè)屬性上的取值；k為屬性的維度，取值范圍為1到n，其中n為數(shù)據(jù)集的屬性總數(shù)；t表示聚類迭代的次數(shù)，取值范圍為1到t，其中t為預(yù)設(shè)的最大迭代次數(shù)或聚類收斂時(shí)的迭代次數(shù)；表示第k個(gè)屬性在第t次迭代中的局部重要性度量，可通過計(jì)算屬性在局部領(lǐng)域內(nèi)的方差、熵等指標(biāo)來衡量；，其中，α為學(xué)習(xí)率參數(shù)，用于控制動(dòng)態(tài)權(quán)重的調(diào)整速度，取值范圍為0到1。

9、，其中，表示第k個(gè)屬性在數(shù)據(jù)點(diǎn)的局部領(lǐng)域內(nèi)第j個(gè)取值的出現(xiàn)概率；m表示第k個(gè)屬性在數(shù)據(jù)點(diǎn)的局部領(lǐng)域內(nèi)不同取值的個(gè)數(shù)。

10、傳統(tǒng)的dbscan算法在處理建筑工程bim數(shù)據(jù)時(shí)，通常采用靜態(tài)的權(quán)重分配方式，即為每個(gè)屬性分配固定的權(quán)重值。然而，這種靜態(tài)權(quán)重分配可能無法適應(yīng)建筑工程數(shù)據(jù)在不同層級(jí)和區(qū)域的局部特征和變化。不同屬性在不同層級(jí)和區(qū)域可能具有不同的重要性和影響力，靜態(tài)權(quán)重分配忽略了這種動(dòng)態(tài)變化，導(dǎo)致聚類結(jié)果的局限性和不準(zhǔn)確性。

11、本技術(shù)引入了動(dòng)態(tài)權(quán)重矩陣w和局部數(shù)據(jù)特征度量，用于衡量不同屬性在聚類過程中的重要性。通過在每次迭代中根據(jù)局部數(shù)據(jù)特征度量和上一次聚類結(jié)果更新動(dòng)態(tài)權(quán)重矩陣，使得聚類算法能夠自適應(yīng)地調(diào)整屬性權(quán)重，充分考慮不同屬性對(duì)聚類結(jié)果的影響。這種動(dòng)態(tài)權(quán)重調(diào)整機(jī)制能夠更好地捕捉建筑工程數(shù)據(jù)在不同層級(jí)和區(qū)域的局部模式和變化，使聚類結(jié)果更加準(zhǔn)確和可靠。

12、進(jìn)一步的，s4，根據(jù)數(shù)據(jù)聚類對(duì)數(shù)據(jù)集進(jìn)行分類歸檔，根據(jù)分類歸檔結(jié)果生成語義關(guān)聯(lián)的數(shù)據(jù)協(xié)同陣列a，包括：s41，提取每個(gè)數(shù)據(jù)聚類內(nèi)部數(shù)據(jù)點(diǎn)的共同特征，作為相應(yīng)聚類的語義描述；所述共同特征表示聚類內(nèi)數(shù)據(jù)點(diǎn)屬性分布的一致性或相似性；s42，根據(jù)語義描述，對(duì)數(shù)據(jù)聚類進(jìn)行分類和歸檔，得到具有語義關(guān)聯(lián)的數(shù)據(jù)分類；s43，遍歷數(shù)據(jù)集中的每個(gè)數(shù)據(jù)點(diǎn)，根據(jù)數(shù)據(jù)點(diǎn)所屬的數(shù)據(jù)聚類和語義描述，將數(shù)據(jù)點(diǎn)映射到對(duì)應(yīng)的數(shù)據(jù)分類中；s44，提取每個(gè)數(shù)據(jù)分類內(nèi)部數(shù)據(jù)點(diǎn)的屬性信息，構(gòu)建屬性矩陣，屬性矩陣的每行表示一個(gè)數(shù)據(jù)點(diǎn)，每列表示一個(gè)屬性；所述屬性包含幾何屬性；s45，根據(jù)數(shù)據(jù)點(diǎn)之間的拓?fù)潢P(guān)系和邏輯關(guān)系，構(gòu)建關(guān)聯(lián)矩陣，關(guān)聯(lián)矩陣表示數(shù)據(jù)點(diǎn)之間的關(guān)聯(lián)強(qiáng)度；s46，利用多維數(shù)組存儲(chǔ)tensorflow，將屬性矩陣和關(guān)聯(lián)矩陣組合成多維數(shù)據(jù)協(xié)同陣列。

13、進(jìn)一步的，s5，對(duì)語義關(guān)聯(lián)的數(shù)據(jù)協(xié)同陣列a進(jìn)行降維處理，得到降維數(shù)據(jù)陣列，包括：s51，對(duì)語義關(guān)聯(lián)的數(shù)據(jù)協(xié)同陣列a進(jìn)行中心化處理，得到中心化后的矩陣；中心化處理目的是將數(shù)據(jù)的均值遷移到原點(diǎn)，使得數(shù)據(jù)在各個(gè)維度上的均值為0。這樣可以消除數(shù)據(jù)的平移影響，使得后續(xù)的特征值分解和降維處理更加準(zhǔn)確和穩(wěn)定。

14、s52，引入核函數(shù)，計(jì)算核矩陣k，其中，，表示矩陣數(shù)據(jù)點(diǎn)和在高維特征空間中的內(nèi)積；核函數(shù)可以將原始數(shù)據(jù)映射到高維特征空間，捕捉數(shù)據(jù)的非線性特征。通過計(jì)算數(shù)據(jù)點(diǎn)之間在高維特征空間中的內(nèi)積，得到核矩陣k。這里的數(shù)據(jù)點(diǎn)x_i和x_j是從中心化后的矩陣a'中提取的。

15、s53，對(duì)核矩陣k進(jìn)行中心化處理，得到中心化后的核矩陣；s54，對(duì)中心化后的核矩陣進(jìn)行特征值分解，得到特征值矩陣λ和特征向量矩陣v，即；特征值分解可以提取核矩陣的主要特征和方向，為后續(xù)的降維處理提供基礎(chǔ)。

16、s55，對(duì)特征值矩陣λ進(jìn)行降維處理，選取前k個(gè)最大的特征值，得到降維后的特征值矩陣，其中k為降維后的維度；通過選擇最重要的特征值和特征向量，將數(shù)據(jù)從高維空間映射到低維空間。

17、s56，根據(jù)降維后的特征值矩陣，截?cái)嗵卣飨蛄烤仃噕，得到降維后的特征向量矩陣；s57，計(jì)算降維后的數(shù)據(jù)協(xié)同陣列，即，將降維后的數(shù)據(jù)協(xié)同陣列作為降維數(shù)據(jù)陣列?？梢钥醋魇窃紨?shù)據(jù)矩陣a在低維空間中的近似表示。

18、傳統(tǒng)的奇異值分解（svd）假設(shè)數(shù)據(jù)點(diǎn)之間存在線性關(guān)系。然而，語義關(guān)聯(lián)的數(shù)據(jù)協(xié)同陣列a可能存在非線性特征，線性降維方法可能無法有效捕捉數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和復(fù)雜關(guān)系，導(dǎo)致降維后的數(shù)據(jù)陣列失去重要信息。

19、本技術(shù)，通過引入核函數(shù)，將原始數(shù)據(jù)映射到高維特征空間，在高維特征空間中進(jìn)行特征值分解，可以捕捉數(shù)據(jù)的非線性結(jié)構(gòu)和復(fù)雜關(guān)系。核函數(shù)的選擇可以根據(jù)數(shù)據(jù)的特點(diǎn)和先驗(yàn)知識(shí)來確定，常用的核函數(shù)包括高斯核函數(shù)和多項(xiàng)式核函數(shù)等。對(duì)中心化后的核矩陣進(jìn)行特征值分解，得到特征值矩陣λ和特征向量矩陣v。這相當(dāng)于在高維特征空間中進(jìn)行主成分分析（pca），提取數(shù)據(jù)的主要特征。通過引入核技巧，可以在高維特征空間中進(jìn)行特征提取和降維，有效處理語義關(guān)聯(lián)數(shù)據(jù)協(xié)同陣列中的非線性特征，提高降維的效果和數(shù)據(jù)的表示能力。

20、進(jìn)一步的，s53，對(duì)核矩陣k進(jìn)行中心化處理，得到中心化后的核矩陣，包括：計(jì)算中心化矩陣h：計(jì)算中心化矩陣h，，其中，i為n×n的單位矩陣，為n×n的全1矩陣，n為數(shù)據(jù)點(diǎn)的數(shù)量；利用中心化矩陣h，對(duì)核矩陣k進(jìn)行中心化處理，得到中心化后的核矩陣：。

21、中心化后的核矩陣k'，使得核矩陣的行和列均值都為0，消除數(shù)據(jù)的偏置項(xiàng)。中心化處理可以提高核主成分分析的效果，使得提取的特征更加準(zhǔn)確和穩(wěn)定。另一方面避免了在原始空間中顯式計(jì)算數(shù)據(jù)點(diǎn)之間的距離，降低了計(jì)算復(fù)雜度。

22、中心化處理的目的是將核矩陣的行和列均值都轉(zhuǎn)換為0，消除數(shù)據(jù)的偏置項(xiàng)，使得核矩陣更加適合進(jìn)行特征值分解。通過引入中心化矩陣h，可以在核空間中實(shí)現(xiàn)數(shù)據(jù)的中心化。

23、進(jìn)一步的，s6，采用基于密度的空間索引方法構(gòu)建降維數(shù)據(jù)陣列的空間索引；利用分布式計(jì)算框架，將建筑工程bim模型劃分為多個(gè)分區(qū)，將分區(qū)與空間索引進(jìn)行分布式匹配，得到數(shù)據(jù)匹配點(diǎn)集，包括：s61，對(duì)建筑工程bim模型進(jìn)行空間劃分，劃分為多個(gè)大小相等的分區(qū)；s62，對(duì)降維數(shù)據(jù)陣列進(jìn)行劃分，劃分為多個(gè)數(shù)據(jù)空間大小相等的網(wǎng)格單元；s63，計(jì)算每個(gè)網(wǎng)格單元的數(shù)據(jù)點(diǎn)數(shù)量，根據(jù)數(shù)據(jù)點(diǎn)數(shù)量估計(jì)網(wǎng)格單元的密度；s64，選擇密度大于閾值的網(wǎng)格單元作為密集單元，將密集單元內(nèi)的數(shù)據(jù)點(diǎn)插入到空間索引結(jié)構(gòu)中，所述空間索引結(jié)構(gòu)采用r樹結(jié)構(gòu)；s65，對(duì)密度小于閾值的網(wǎng)格單元，遞歸地進(jìn)行劃分，直到所有網(wǎng)格單元的密度均大于閾值，或達(dá)到預(yù)設(shè)的最大劃分深度；s66，在空間索引結(jié)構(gòu)的每個(gè)節(jié)點(diǎn)上，存儲(chǔ)節(jié)點(diǎn)對(duì)應(yīng)網(wǎng)格單元內(nèi)的數(shù)據(jù)點(diǎn)信息，數(shù)據(jù)點(diǎn)信息包含數(shù)據(jù)點(diǎn)的坐標(biāo)和屬性；s67，利用分布式計(jì)算框架，將建筑工程bim模型的分區(qū)與對(duì)應(yīng)的空間索引結(jié)構(gòu)進(jìn)行匹配，得到分區(qū)內(nèi)的數(shù)據(jù)匹配點(diǎn)集。

24、本技術(shù)的另一個(gè)方面還提供一種基于bim的建筑工程可視化管理系統(tǒng)，用于執(zhí)行本技術(shù)的一種基于bim的建筑工程可視化管理方法。

25、相比于現(xiàn)有技術(shù)，本技術(shù)的優(yōu)點(diǎn)在于：

26、bim模型通常包含大量的幾何、材質(zhì)、屬性等多維度數(shù)據(jù)，傳統(tǒng)的聚類算法（如k-means）在處理高維數(shù)據(jù)時(shí)，容易陷入“維度災(zāi)難”，聚類效果差，計(jì)算復(fù)雜度高。本技術(shù)采用基于密度的聚類算法dbscan，首先，根據(jù)模型的層級(jí)關(guān)系，將數(shù)據(jù)劃分為若干個(gè)層級(jí)子集（如樓層、專業(yè)、構(gòu)件類型等）。然后，在每個(gè)子集內(nèi)部獨(dú)立執(zhí)行dbscan聚類。最后，將不同層級(jí)的聚類結(jié)果進(jìn)行合并和協(xié)調(diào)，得到最終的聚類結(jié)果。分層聚類可以減少數(shù)據(jù)的復(fù)雜度，提高聚類的效率和精度。

27、傳統(tǒng)的遍歷目標(biāo)建筑工程的bim數(shù)據(jù)與降維數(shù)據(jù)陣列進(jìn)行匹配，意味著需要進(jìn)行大量的相似度計(jì)算和比較操作。當(dāng)bim模型和數(shù)據(jù)陣列的規(guī)模較大時(shí)，這種窮舉式的匹配過程可能非常耗時(shí)和低效。特別是在實(shí)時(shí)應(yīng)用場景下，如施工進(jìn)度跟蹤、設(shè)計(jì)變更分析等，高昂的計(jì)算成本可能成為性能瓶頸，影響系統(tǒng)的響應(yīng)速度和用戶體驗(yàn)。本技術(shù)為了加速匹配過程，對(duì)降維數(shù)據(jù)陣列建立高效的索引結(jié)構(gòu)，如kd樹、r樹等。利用索引快速鎖定潛在的匹配候選，避免不必要的相似度計(jì)算。同時(shí)，采用并行計(jì)算技術(shù)，將匹配任務(wù)分配到多個(gè)處理單元，充分利用計(jì)算資源，提高匹配效率。