CN109472390B - 基于机器学习的规划方案智能生成方法及系统 - Google Patents
基于机器学习的规划方案智能生成方法及系统 Download PDFInfo
- Publication number
- CN109472390B CN109472390B CN201811059488.XA CN201811059488A CN109472390B CN 109472390 B CN109472390 B CN 109472390B CN 201811059488 A CN201811059488 A CN 201811059488A CN 109472390 B CN109472390 B CN 109472390B
- Authority
- CN
- China
- Prior art keywords
- planning
- design
- area
- scheme
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
一种基于机器学习的规划方案智能生成方法及系统,通过已标记的规划设计方案对模型的参数进行机器学习训练,得到生成模型G(z|y);然后,将待规划区域数据z'输入该生成模型G(z|y),运算获得待规划区域规划方案。所述待规划区域规划方案包括该区域的设计元素M、以及与该设计元素M对应的属性信息,可由图形处理软件渲染、编辑。本发明通过机器学习,在现有CAD图形处理软件的基础上,能够进一步实现智能规划设计。并且,结合对规划设计方案的综合评价,本发明还能够在使用过程中进一步优化训练获得的模型,进一步提高“批量化”的全自动的规划设计方案的质量。本发明保留有供设计人员操作的数据接口,设计人员能够通过该接口直接修改所述规划设计方案,效率更高。
Description
技术领域
本发明涉及地理信息应用/规划设计领域,尤其涉及一种区域用地规划方案自动生成方法及系统。
背景技术
不论是城市还是乡村,其整体用地规划设计都对居民生活质量和生态环境有着十分密切的影响。我国幅员辽阔,各类地貌特征和人文因素均会左右规划设计的工作细节,对相关工作人员提出了很多的要求。
随着信息化技术的来临,在新的时代背景下,各类计算机辅助设计软件对规划设计工作产生了深远的影响,极大地提升了工作人员的效率,也使得方案在协同创作与展示的环节上更加直观、生动。
然而,现有辅助设计软件均局限于对规划设计细节图纸的辅助处理或渲染,而很少涉及对规划设计方案本身的分析。在这些信息技术的帮助下,虽然目前规划设计相关工作效率已经得以提升,但仍然存在一些亟待改进的环节。例如,设计人员工作中,大量存在着针对各类简单规划设计的重复性劳动。比如,针对特定地形地貌、针对某些特定规划设计需求等设计要素,设计人员很容易确定规划设计方案,但在依据该方案生成图纸时,仍然需要将现有的具体的规划设计方案进行相应调整才能够满足设计需求。这些调整过程往往比较机械,但仍然需要设计人员投入大量时间、精力。
因此,目前急需一种智能化的系统,以人工智能的方式直接输出相应的规划设计方案,从而进一步提高设计人员的工作效率。
发明内容
现阶段,各类信息技术的成果,例如,遥感技术的不断提升使得工作人员可以快速准确地对被勘测区域加以了解,以实现全局上的统筹安排;在实际规划设计过程中,来源于各层面的丰富数据可为规划设计方案提供更精细化的功能支持;同时,计算机生成的各类基于二维,三维的方案能够更为直观地展示效果,使得各参与方可以直接看到规划设计成果,以便及时改正不合理的地方。
通过将以上这些成果进行有机整合,本发明提供一种基于实景三维设计的协同规划方案智能生成方法及系统,该方法以规划设计过程中所产生的大量设计方案作为样本进行标注,将标注结果作为机器学习的参考依据,构建基于机器学习的人工智能网络,来实现自动化的区域用地规划及元素设计工作。并且,本发明还能够智能地实现对规划设计方案的评价,实现全流程规划设计任务的信息化处理。
为了解决现有技术存在的不足,本发明的目的在于提供一种基于机器学习的规划方案智能生成方法,步骤包括:
第一步,获取待规划区域数据z',所述待规划区域数据z'融合有该区域的设计需求信息、地形地貌信息;
第二步,将所述待规划区域数据z'输入至训练好的生成模型G(z|y)中进行前向传播运算,前向传播运算获得待规划区域规划方案;所述待规划区域规划方案包括该区域的设计元素M、以及与该设计元素M对应的属性信息;
第三步,将所述设计元素M、以及与该设计元素M对应的属性信息通过数据接口输入至图形处理软件,建立模型图层、规划设计图层和自建图层,所述图形处理软件对所述各级模型图层、规划设计图层和自建图层进行渲染、编辑,形成方案预览文件,输出所述方案预览文件;
其中,第二步中,所述生成模型根据以下步骤训练获得:
步骤s1,对规划设计案例按照属性增加标注y,并将所述规划设计方案中评价为良好的规划设计区域x标注为正样本区域;将所述规划设计方案中评价为不足的规划设计区域x标注为负样本区域;获取随机生成数据样本,并标记为t=0;将所述规划设计方案中的规划设计区域x标记为t=1;所述t表示为属性标签;所述随机生成数据样本z服从指定要求的概率分布;
步骤s2,将所述规划设计方案中的规划设计区域x按照固定尺寸进行分解;
步骤s3,构建生成模型G(z|y)和鉴别模型D(x|y),初始化生成对抗网络V(D,G);
步骤s4,保持所述生成模型G(z|y)中的参数不变,将一组随机生成数据样本z和其标注y输入至所述生成模型G(z|y)进行前向传播计算获得前向传播损失误差,根据鉴别模型的目标优化函数优化鉴别模型D(x|y);其中,所述鉴别模型的目标优化函数为其中,表示对当前训练过程中的整体pdata(x)数据求损失函数;表示对当前训练过程中的整体pz(z)数据求损失函数;pdata(x)表示规划设计方案中各规划设计区域x的分布,为所述各规划设计区域x形成的集合;pz(z)表示随机生成数据样本z的分布,为所述各随机生成数据样本z形成的集合;
步骤s5,保持鉴别模型D(x|y)中的参数不变,将一组规划设计区域x和其标注y输入至所述鉴别模型D(x|y),根据生成模型的目标优化函数和步骤s4中前向传播计算获得的所述前向传播损失误差,进行反向传播计算,训练所述生成模型;其中,所述生成模型的目标优化函数
步骤s6,重复所述步骤s4至步骤s5,直至所述生成模型G(z|y)和所述鉴别模型D(x|y)达到纳什均衡,输出此时的生成模型G(z|y)作为训练好的生成模型。
如上所述的基于机器学习的规划方案智能生成方法,其中,所述第一步还包括对待规划区域数据z'进行分割或归一化处理的步骤,所述分割或归一化处理用以将所述待规划区域数据z'调整至适合所述生成模型G(z)运算的大小。
如上所述的基于机器学习的规划方案智能生成方法,其中,所述第三步后,还包括第四步,评价所述待规划区域规划方案;
具体步骤包括:
步骤c1,根据该区域的设计需求信息确定至少一个一级评价指标,为每一个所述一级评价指标确定至少一个二级评价指标,并为每一个所述二级评价指标确定基于归一化数值的分值;
步骤c2,根据设计规范库为每一个所述二级评价指标设定一个或多个基于模糊集原理的隶属度函数,其中,所述隶属度函数由地形地貌信息、设计元素M、以及与该设计元素M对应的属性信息共同构成;
步骤c3,根据该区域的设计需求信息,将所述待规划区域规划方案所对应的地形地貌信息、设计元素M、以及与该设计元素M对应的属性信息带入到所述各隶属度函数,计算每一个二级评价指标、以及每一个一级评价指标的具体得分;
步骤c4,修正所述各二级评价指标、各一级评价指标的具体得分的权重;累加修正后的得分,输出修正后的得分和/或二级评价指标和/或一级评价指标的具体得分。根据规划设计需求和风格,专家知识库为各级评价指标提供模糊综合权重,用以衡量各指标在评价过程中的重要性程度。
如上所述的基于机器学习的规划方案智能生成方法,其中,所述第四步后,还包括第五步,更新所述生成模型G(z);
具体步骤包括:
步骤d1,根据所述修正后的得分和/或二级评价指标和/或一级评价指标的具体得分对所述已规划区域规划方案进行分类,分别标注为正样本或负样本;
步骤d2,对所述步骤d1中标注的正样本或负样本进行所述步骤s2至步骤s6;
步骤d3,以所述步骤d2获得的所述生成模型G(z)更新所述训练好的生成模型。
如上所述的基于机器学习的规划方案智能生成方法,其中,所述地形地貌信息M包括但不限于DEM、DOM、DRG、DLG等数字地图模型信息。其中,DRG表示数字栅格地图是纸制地形图的栅格形式的数字化产品;可作为背景与其他空间信息相关,用于数据采集、评价与更新,与DOM、DEM集成派生出新的可视信息。DLG表示数字线划地图,是现有地形图上基础地理要素分层存储的矢量数据集;数字线划图既包括空间信息也包括属性信息,可用于建设规划、资源管理、投资环境分析等各个方面以及作为人口、资源、环境、交通、治安等各专业信息系统的空间定位基础。DEM表示数字高程模型,是以高程表达地面起伏形态的数字集合,可制作透视图、断面图,进行工程土石方计算、表面覆盖面积统计,用于与高程有关的地貌形态分析、通视条件分析、洪水淹没区分析。DOM表示数字正射影像图,其利用航空相片、遥感影像,经象元纠正,按图幅范围裁切生成的影像数据,它的信息丰富直观,具有良好的可判读性和可量测性,从中可直接提取自然地理和社会经济信息。
本发明同时还提供一种基于机器学习的规划方案智能生成系统,其特征在于,包括:
综合展示平台、智能设计模块和方案评价模块;
所述智能设计模块的输入端接收待规划区域数据z',所述智能设计模块的输出端连接所述综合展示平台的输入端;所述智能设计模块用以执行以下步骤:
第一步,获取所述待规划区域数据z',所述待规划区域数据z'包括该区域的设计需求信息、地形地貌信息;
第二步,将所述待规划区域数据z'输入至训练好的生成模型G(z|y)中进行前向传播运算,前向传播运算获得待规划区域规划方案;所述待规划区域规划方案包括该区域的设计元素M、以及与该设计元素M对应的属性信息;
所述综合展示平台的输入端接收地形地貌信息以及所述智能设计模块的输出端,所述综合展示平台用以根据所述地形地貌信息以及所述智能设计模块输出的设计元素M、以及与该设计元素M对应的属性信息,通过数据接口输入至图形处理软件,建立模型图层、规划设计图层和自建图层,所述图形处理软件对所述各级模型图层、规划设计图层和自建图层进行渲染、编辑,所述综合展示平台的输出端还输出待规划区域规划方案至所述方案评价模块的输入端;
所述方案评价模块的输入端接收所述综合展示平台输出的所述待规划区域规划方案,所述方案评价模块的输出端输出得分;其中,所述得分通过如下步骤获得:
步骤c1,接收所述待规划区域规划方案,根据该区域的设计需求信息确定至少一个一级评价指标,为每一个所述一级评价指标确定至少一个二级评价指标,并为每一个所述二级评价指标确定基于归一化数值的分值;
步骤c2,根据设计规范库为每一个所述二级评价指标设定一个或多个基于模糊集原理的隶属度函数,其中,所述隶属度函数由地形地貌信息、设计元素M、以及与该设计元素M对应的属性信息共同构成;
步骤c3,根据该区域的设计需求信息,将所述待规划区域规划方案所对应的地形地貌信息、设计元素M、以及与该设计元素M对应的属性信息带入到所述各隶属度函数,计算每一个二级评价指标、以及每一个一级评价指标的具体得分;
步骤c4,修正所述各二级评价指标、各一级评价指标的具体得分的权重;累加修正后的得分,输出修正后的得分和/或二级评价指标和/或一级评价指标的具体得分。
可选的,如上所述的基于机器学习的规划方案智能生成系统,其中,还包括自主设计模块,所述自主设计模块的输入端接收待规划区域数据z',所述智能设计模块的输出端连接所述综合展示平台的输入端;
所述自主设计模块提供可供用户交互的数据接口,用以编辑所述地形地貌信息以及所述智能设计模块输出的设计元素M、以及与该设计元素M对应的属性信息,生成相应的待规划区域规划方案并输出。
可选的,如上所述的基于机器学习的规划方案智能生成系统,其中,所述智能设计模块的中的生成模型G(z|y)根据以下步骤训练获得:
步骤s1,对规划设计案例按照属性增加标注y,并将所述规划设计方案中评价为良好的规划设计区域x标注为正样本区域;将所述规划设计方案中评价为不足的规划设计区域x标注为负样本区域;获取随机生成数据样本,并标记为t=0;将所述规划设计方案中的规划设计区域x标记为t=1;所述t表示为属性标签;所述随机生成数据样本z服从指定要求的概率分布;
步骤s2,将所述规划设计方案中的规划设计区域x按照固定尺寸进行分解;
步骤s3,构建生成模型G(z|y)和鉴别模型D(x|y),初始化生成对抗网络V(D,G);
步骤s4,保持所述生成模型G(z|y)中的参数不变,将一组随机生成数据样本z和其标注y输入至所述生成模型G(z|y)进行前向传播计算获得前向传播损失误差,根据鉴别模型的目标优化函数优化鉴别模型D(x|y);其中,所述鉴别模型的目标优化函数为其中,表示对当前训练过程中的整体pdata(x)数据求损失函数;表示对当前训练过程中的整体pz(z)数据求损失函数;pdata(x)表示规划设计方案中各规划设计区域x的分布,为所述各规划设计区域x形成的集合;pz(z)表示随机生成数据样本z的分布,为所述各随机生成数据样本z形成的集合;
步骤s5,保持鉴别模型D(x|y)中的参数不变,将一组规划设计区域x和其标注y输入至所述鉴别模型D(x|y),根据生成模型的目标优化函数和步骤s4中前向传播计算获得的所述前向传播损失误差,进行反向传播计算,训练所述生成模型;其中,所述生成模型的目标优化函数
步骤s6,重复所述步骤s4至步骤s5,直至所述生成模型G(z|y)和所述鉴别模型D(x|y)达到纳什均衡,输出此时的生成模型G(z|y)作为训练好的生成模型。
可选的,如上所述的基于机器学习的规划方案智能生成系统,其中,所述纳什均衡的判断方法为:
将所述生成模型G(z|y)带入所述鉴别模型D(x|y)时,获得D(G(z|y))=0.5判断为纳什均衡;
或者,将规划设计方案中各规划设计区域x的分布Pdata(x)带入到整体优化目标函数中,计算得到Pdata(x)=Pg(x)时判断为纳什均衡;其中,Pg(x)表示生成规划方案的分布,即全部生成规划方案形成的集合。
有益效果
本发明,基于计算机系统开发的软件平台,通过集成多种计算机辅助设计(CAD)技术,可协助工作人员在该系统平台上完成全过程的规划设计任务。本发明可通过导入GIS数字模型,分析其中的地形地质特征,获得待规划区域数据z',对所述待规划区域数据z'计算,生成规划设计方案并展示。本发明在现有CAD软件平台的基础上,进一步实现智能规划设计和对规划设计方案的综合评价。
本发明所提供的方案,利用机器学习所得出的规划设计与待规划区域之间的关系,而直接根据该对应关系进行智能的全自动的规划设计。智能规划设计所得出的方案,依托于基础的自主设计演示平台,如,CAD软件,可为机器生成的规划设计方案提供即时展示与修改的功能,实现高质量的“批量化”的规划设计作业。
本发明对其智能生成的规划设计方案所进行的综合评价也是自动化实现的。在方案后期评估阶段,本发明根据需求要点选取恰当的评价指标,通过评分的形式对各类方案的规划设计结果进行基本的定量分析,便于方案间进行横向对比或在方案迭代过程中进行纵向对比,为决策者提供一个基于数据的参考依据。所述的方案综合评价基于三个支持库:环境数据库、设计规范库、专家知识库。评价过程以寻找贴合设计需求的最优解决方案为目标,建立评价方案,并从若干个角度中选择恰当的评价指标和权重,从而解决方案评价这类主观性较强的实际问题。并且,由于规划设计平台整合了方案形成过程中的各类设计要点和参考数据,将其直接导入方案评价模块,有助于快速实现方案的评价与对比。该评价过程还可用于对机器学习训练模型的迭代更新,进一步提高生成方案的准确度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,并与本发明的实施例一起,用于解释本发明,并不构成对本发明的限制。在附图中:
图1为根据本发明的基于机器学习的规划方案智能生成系统的框图;
图2为根据本发明的基于机器学习的规划方案智能生成方法的流程图;
图3为根据本发明的基于机器学习的规划方案智能生成方法中训练生成模型的流程示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
参考图1所示,本发明提供的基于机器学习的规划方案智能生成系统,包括:
综合展示平台、智能设计模块和方案评价模块;
所述智能设计模块的输入端接收待规划区域数据z',所述智能设计模块的输出端连接所述综合展示平台的输入端;所述智能设计模块用以执行以下步骤:
第一步,获取所述待规划区域数据z',所述待规划区域数据z'包括该区域的设计需求信息、地形地貌信息;
第二步,将所述待规划区域数据z'输入至训练好的生成模型G(z|y)中进行前向传播运算,前向传播运算获得待规划区域规划方案;所述待规划区域规划方案包括该区域的设计元素M、以及与该设计元素M对应的属性信息;
所述综合展示平台的输入端接收地形地貌信息以及所述智能设计模块的输出端,所述综合展示平台用以根据所述地形地貌信息以及所述智能设计模块输出的设计元素M、以及与该设计元素M对应的属性信息,通过数据接口输入至图形处理软件,建立模型图层、规划设计图层和自建图层,所述图形处理软件对所述各级模型图层、规划设计图层和自建图层进行渲染、编辑,所述综合展示平台的输出端还输出待规划区域规划方案至所述方案评价模块的输入端;
所述方案评价模块的输入端接收所述综合展示平台输出的所述待规划区域规划方案,所述方案评价模块的输出端输出得分;其中,所述得分通过如下步骤获得:
步骤c1,接收所述待规划区域规划方案,根据该区域的设计需求信息确定至少一个一级评价指标,为每一个所述一级评价指标确定至少一个二级评价指标,并为每一个所述二级评价指标确定基于归一化数值的分值;
步骤c2,根据设计规范库为每一个所述二级评价指标设定一个或多个基于模糊集原理的隶属度函数,其中,所述隶属度函数由地形地貌信息、设计元素M、以及与该设计元素M对应的属性信息共同构成;
步骤c3,根据该区域的设计需求信息,将所述待规划区域规划方案所对应的地形地貌信息、设计元素M、以及与该设计元素M对应的属性信息带入到所述各隶属度函数,计算每一个二级评价指标、以及每一个一级评价指标的具体得分;所述的隶属度函数,以对某一地区域规划评价为例,可建一级评价指标U={u1,u2,u3,u4}={适宜性,经济性,规范性,风险性},其中对于适宜性评价指标可建立二级评价指标u1={u11,u12,u13,u14}={自然因素,区位因素,环境因素,基础条件},其中每一个因素均由组成该因素的多项数据因子计算得到一个指数,如自然因素受高程i1、坡度i2、地貌信息i3等因子影响区位因素受距城镇、交通干道距离等因子影响,这些因子in由评价模块中的环境数据库提供,用于计算多个因子评价指标指数的计算方法由规范设计库提供,下标u表示所要计算的二级评价指标,上标p表示当前用地规划类型,根据方案给出的用地规划类型不同,每一个计算公式中各因子的权重也将不同。对应于每一个二级评价指标u,均存在一个对应的评语集,在本方法中表示为归一化的分值,从而与指数数值大小形成一个隶属度关系,表现为隶属度函数r的形式,根据实际需求,隶属度函数可选择柯西型、高斯型等任意类型,最终用于将多个二级评价指标共同计算得到一个一级评价指标数值,即f(u,r,w),其中w表示评价指标权重,由专家知识库提供。同样的,对一级评价指标重复以上过程,将得到最终的综合评价得分;
步骤c4,修正所述各二级评价指标、各一级评价指标的具体得分的权重;累加修正后的得分,输出修正后的得分和/或二级评价指标和/或一级评价指标的具体得分。
可选的,如上所述的基于机器学习的规划方案智能生成系统,其中,还包括自主设计模块,所述自主设计模块的输入端接收待规划区域数据z,所述智能设计模块的输出端连接所述综合展示平台的输入端;
可选的,如上所述的基于机器学习的规划方案智能生成系统,其中,还包括自主设计模块,所述自主设计模块的输入端接收待规划区域数据z',所述智能设计模块的输出端连接所述综合展示平台的输入端;
所述自主设计模块提供可供用户交互的数据接口,用以编辑所述地形地貌信息以及所述智能设计模块输出的设计元素M、以及与该设计元素M对应的属性信息,生成相应的待规划区域规划方案并输出。
本发明所述系统,依据功能分为展示与设计两个模块,后者又细分为自主设计和智能设计两个子模块,三模块协同、交互,实现了以三维地貌地形信息底图为基础的区域规划和元素设计,以及全过程的方案预览核查,如图1所示。
其中,综合展示平台提供了面向GIS地理信息和三维设计元素的UI设计界面,设计模块则基于该平台同时提供了人工或自动化的设计模式,其中,自主设计模块提供了可满足广泛规划设计需求的实用工具,能够根据设计师的需求在综合展示平台上构建直观的三维实景模型设计方案。智能设计模块则以实现选定区域的自动化设计为目的,提供一键式的二维区域方案规划和元素设计,以本发明所述系统为支撑,通过机器学习的方法,可实现规划设计方案的自动生成,设计的及时性与展示效果俱佳。同时本发明还提供方案评价和修改反馈功能,可使系统不断自我智能提升设计水平。
本发明的系统主要可实现以下几点功能:
1.综合展示平台功能:
-交互:包括工程/工作空间文件、地形地貌信息、设计元素所必须的依赖库载入,以及各部分对应的环境参数设置,其中地形地貌信息包括但不限于DEM、DOM、DRG、DLG等数字地图模型,同时含有设计方案的导出设置;
-分析工具:包括二、三维场景下的勘察设计数据展示和环境分析工具,如可视域、通视、剖面、等高线等,便于综合区域环境特征进行规划设计工作;
-预览工具:包括各级模型图层、规划设计图层和自建图层的显示/隐藏、锁定等功能;包括多种角度和方式的三维实景设计方案预览,支持以飞行模式设定预览流程并形成视频;包括各类基于三维场景的辅助工具,如简单计算、添加网格、添加辅助线等;
-核查工具:对已经设置好的元素和区域进行核查和修订,标注有问题的地方进行及时更正后反馈意见。
2.自主三维设计模块功能:
-区域规划:根据数字地图模型对三维区域内场景进行区域用地规划,规定各地块上的设计元素类型;
-编辑改造:包括对二、三维地形地貌的改造操作,如挖洞、填平、剪裁、拼接、镶嵌等,以使整体场景与设计元素更匹配;
-元素设计:根据指定区域的设计元素类型,添加指定的三维设计模型,并设置相应的元素属性(高度、位置等)。
3.智能二维设计模块功能:
-样本设置:根据自主设计迭代过程中形成的设计方案,标注合格的正样本和不合格的负样本,为机器学习提供二维平面上的基础训练样本;
-模型训练:对生成对抗网络中的生成模型和鉴别模型进行设置,设定训练过程中的各项目标值和参数,进行交替对抗训练,得到满足要求的生成模型;
-智能设计:在数字模型上选择需要机器设计的二维平面区域,生成模型自动生成设计方案,方案包括二维场景下的区域用地类型规划和规划设计元素属性。
4.方案评价模块功能:
-环境数据库:包含勘察设计阶段所产生的针对于待规划区域内的一系列涉及地形、地质、水文等空间环境信息和相互之间产生的空间环境特征关系,在本系统中用于为评价过程提供基础数据支持。
-规范设计库:包含各类用于规划设计过程不同阶段下的设计要求与约束条件,包含理论设计知识与政策法规限制,在本系统中用于根据设计方案中的微观数据参数和环境数据来计算评价指标分值。
-专家知识库:包含在长期实践中所形成的规划设计全过程中的经验知识,尤其是对于一些主观要素的判断依据。在本系统中用于根据设计需求侧重为各级评价指标提供一个判断权重。
参考图3,本发明所述的规划设计方案智能生成方法,主要按照以下几个步骤进行:
1.通过自主设计模块所提供的设计功能结合实际设计需求,进行实景设计,生成设计方案;(自主设计)
2.对设计方案进行核查,指出不合理的地方进行修改直至满足要求;(修订核查)
3.积累设计方案并根据迭代设计过程的阶段性结果标定正负样本;(样本标定)
4.通过正负样本训练对抗网络,得到效果较好的生成模型;(模型训练)
5.在平台上选定所需规划设计的区域,由生成模型智能设计;(智能设计)
6.对设计方案进行展示与导出;(方案展示)
7.对设计方案进行自动评价。(方案评价)
具体而言,本发明通过对抗网络(GAN,Generative Adversarial Networks),生成对规划设计方案。对抗网络的核心是一个生成模型和一个鉴别模型之间所进行的对抗升级:首先由生成模型根据随机噪声来生成一个满足系统要求的输入信息,再交给鉴别模型来判断该输入是否是由生成模型所“伪造”的,还是系统的真实输入,由此形成一个最大最小博弈,从而不断的去优化生成器,使其达到可以以假乱真的目的,最终用于生成所需的系统真实输出。
本发明如此设计,主要是基于以下原因。规划设计的过程本质上是一个融合创作的过程。根据实际的设计需求、地貌地形等诸多因素为指定的区域规划出合理的元素,并设计元素最优的属性,即实现地貌地形信息与设计元素的匹配,这在优秀的设计方案中往往是两者结合相适宜的,具有一定的客观性。在本系统中,即是通过使用大量自主设计案例形成正样本和负样本,对样本进行不断的训练生成对抗网络,从而训练出一个具有优秀设计能力的生成模型,来代理设计人员完成基础的规划设计工作。
其中,智能设计所采用的机器学习方法依赖于大量标注后的训练样本,而平台所提供的自主设计模块和修订功能则刚好为这些数据的积累提供了支持。为了保证设计精度,目前智能设计在二维平面上进行,其结果可反馈到自主设计环节进行辅助设计与进一步迭代优化。相关智能设计模块在本系统中的结构示意如图1所示
设计方案中的参数本质上由各类数字模型类型(DRG、DOM等)和设计元素属性M构成,将整个设计区域分割成若干小的设计空间,以实现两者的最优匹配为目标,设置相应的生成模型和鉴别模型参数,让两者进行交替训练:首先生成模型根据随机扰动生成初步的规划设计,然后交给鉴别模型判断该方案是来自于设计人员制作的还是由生成模型所制造的,不断优化鉴别模型直至其可以完全鉴别两种输入源,再根据鉴别模型的预测值作为标记训练优化生成模型,使其可以迷惑鉴别模型,如此不断重复交替训练过程,追求最优的生成模型。最终满足要求的生成模型即可以划定的数字模型区域作为输入,生成一个较高水平的二维规划设计方案。
该部分主要包含模型训练和模型应用两个部分,其中模型训练的具体应用步骤如下:
1.对基于平台产生的大量设计案例进行标注,将各种区域类型划分、设计元素与地形地貌特征进行人工分割和属性分类标注,同时将其中优秀的设计部分标注为正样本,需要修改的部分标注为负样本;这里的设计方案可存储为矩阵或图像形式,该矩阵或图像还融合和有要求矩阵,所述要求矩阵与设计案例进行矩阵乘法运算,以将所述各种区域类型划分、设计元素与地形地貌特征融合入所述方案
2.对于尺寸过大的区域进行分组并剪裁,以满足模型输入需求;
3.根据实际需求构建生成模型和鉴别模型,初始化生成对抗网络;
4.以最大最小原则为目标,分别设置鉴别模型(式1)和生成模型(式2)的损失函数,形成整个网络的整体目标优化函数(式3),该函数分别用于优化生成模型和鉴别模型;
-((1-t)log(1-(D(G(z|y)))+ylogD(x|y)) (1)
4.保持生成模型参数不变,将服从高斯分布的一组随机变量和属性标签参数输入生成器前向传播,根据目标优化函数优化鉴别模型(式4);
5.保持鉴别模型参数不变,根据目标优化函数和前向传播损失误差反向传播训练生成模型(式5),该过程基于网上公开的BP(反向传播)封装库;
具体而言,根据所述目标优化函数根据鉴别网络损失函数得到的计算结果进行反向传播运算,属于一个BP梯度反传过程,告知本次训练的结果如何,为继续迭代提供一个反馈,(其方法是相对统一的,目前各类GAN改进模型基本均是使用同样的反向传播封装库去计算的),即鉴别网络优化是一个梯度上升的优化过程生成网络优化是一个梯度下降的优化过程最终实现目标
6.重复步骤4,5直至生成和鉴别模型达到纳什均衡,生成模型的生成结果令鉴别模型无法分辨真伪,从而得到一个具有高水平的规划设计方案生成模型;
上述公式中x代表真实输入数据的样本,即,规划设计方案中的规划设计区域;Pdata(x)代表真实规划方案的分布;z代表生成数据的样本,即,随机生成数据样本;P(z)代表生成规划方案的分布;G(z|y)代表生成网络模型;D(x|y)代表鉴别网络模型;初始化生成对抗网络为V(D,G)表示优化函数,即,根据信息决定当前优化过程中的优化目标,本方法基于最大最小博弈,即表示D最大,G最小的目标;表示鉴别出的类别,是一个基于阈值的取整函数,当鉴别器认为该数据为真时,向上取整为1,当鉴别器认为该数据为真时,向下取整为0,一般的,阈值取0.5;表示对当前训练过程中的整体pdata(x)数据求损失函数,可选的一种示例: 表示对当前训练过程中的整体pz(z)数据求损失函数,可选的一种示例:其中,Pg(x)表示生成规划方案的分布,即全部生成规划方案形成的集合,理想情况下,Pdata(x)=Pg(x)代表了生成模型具有以假乱真的能力,即达到纳什均衡的条件,该条件由D(G(z|y))=0.5也就是将Pdata(x)=Pg(x)带入到公式(3)中计算得到;标签参数或标注y代表了对该图片生长的要求,是根据初步设计需求和基本勘察数据得到的属性信息,通过隐藏节点连接的方式与x或z结合在一起共同形成输入,进行有监督的学习。
模型的应用步骤比较简单,根据设计需求将待规划区域作为输入条件放到训练好的生成模型G(z|y)中进行前向传播,即可得到自动生成的规划方案。
上述方法基于生成对抗理论,具体模型结构和网络结构可根据规划设计业务特征和实际样本条件进行调整,对于不同设计需求也将产生不同的模型参数,并不局限于某一固定模式化的模型和参数。
考虑到规划设计本身的复杂程度,以及设计需求中的一些特定要求,模型训练与实际应用过程将根据不同的规划设计风格进行分组,从而使不同组别的样本具有更相近的设计理念,形成更好的学习效果,在应用中也能够更结合需求使用恰当的分组所训练的结构。
上述方案基于CGAN(有条件生成对抗网络),能够更好的根据设计需求去生成指定的方案,是一个有监督的学习过程。
综上,可较好的实现本技术效果。
本发明技术方案的优点主要体现在:本发明面向建筑、景观、道路规划设计工作者,以减少重复设计环节,促进协同办公效率,提高方案直观展示能力为目标,首先构建了基于地形地貌信息的实景设计平台,支持在地理信息底图上进行叠加设计与修改,并提供了多种实景预览方式;其次,通过将大量设计方案样例作为样本,采用机器学习的方式,使平台具有智能化的自主规划设计能力,能够自动根据选定规划区域的地貌地形特征,完成自动化的规划设计工作,并能够对方案进行综合评价。
本发明能够实现对1.建筑、道路、景观规划协同设计;2.设计方案动态展示与核查;3.批量式设计方案生成;4.设计模式迁移应用。其充分借鉴国际上先进的算法与技术,结合实际项目需求自主创新,以解决传统规划设计问题,提高工作效率,具有实用与创新性。本发明可靠性高:遵循完善的质量控制与权限管理策略,采取多种测试方法,能够保证用户数据与成果不受损害。结构性强:本发明采用分层独立的系统结构设计,各模块之间层次分析,调度清晰,高内聚,低耦合,模块工具与业务逻辑需求一一对应。扩展性好:本发明充分考虑未来业务发展新需求,采用模块化设计便于后续功能改进与升级。
本领域普通技术人员可以理解:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于机器学习的规划方案智能生成方法,其特征在于,步骤包括:
第一步,获取待规划区域数据z',所述待规划区域数据z'融合有该区域的设计需求信息、地形地貌信息;
第二步,将所述待规划区域数据z'输入至训练好的生成模型G(z|y)中进行前向传播运算,前向传播运算获得待规划区域规划方案;所述待规划区域规划方案包括该区域的设计元素M、以及与该设计元素M对应的属性信息;
其中,第二步中,所述生成模型根据以下步骤训练获得:
步骤s1,对规划设计案例按照属性增加标注y,并将所述规划设计方案中评价为良好的规划设计区域x标注为正样本区域;将所述规划设计方案中评价为不足的规划设计区域x标注为负样本区域;获取随机生成数据样本,并标记为t=0;将所述规划设计方案中的规划设计区域x标记为t=1;所述t表示为属性标签;所述随机生成数据样本z服从指定要求的概率分布;
步骤s2,将所述规划设计方案中的规划设计区域x按照固定尺寸进行分解;
步骤s3,构建生成模型G(z|y)和鉴别模型D(x|y),初始化生成对抗网络V(D,G);
步骤s4,保持所述生成模型G(z|y)中的参数不变,将一组随机生成数据样本z和其标注y输入至所述生成模型G(z|y)进行前向传播计算获得前向传播损失误差,根据鉴别模型的目标优化函数优化鉴别模型D(x|y);其中,所述鉴别模型的目标优化函数为其中,表示对当前训练过程中的整体pdata(x)数据求损失函数;表示对当前训练过程中的整体pz(z)数据求损失函数;pdata(x)表示规划设计方案中各规划设计区域x的分布,为所述各规划设计区域x形成的集合;pz(z)表示随机生成数据样本z的分布,为所述各随机生成数据样本z形成的集合;
步骤s5,保持鉴别模型D(x|y)中的参数不变,将一组规划设计区域x和其标注y输入至所述鉴别模型D(x|y),根据生成模型的目标优化函数和步骤s4中前向传播计算获得的所述前向传播损失误差,进行反向传播计算,训练所述生成模型;其中,所述生成模型的目标优化函数
步骤s6,重复所述步骤s4至步骤s5,直至所述生成模型G(z|y)和所述鉴别模型D(x|y)达到纳什均衡,输出此时的生成模型G(z|y)作为训练好的生成模型;
第三步,将所述设计元素M、以及与该设计元素M对应的属性信息通过数据接口输入至图形处理软件,建立模型图层、规划设计图层和自建图层,所述图形处理软件对各级模型图层、规划设计图层和自建图层进行渲染、编辑,形成方案预览文件,输出所述方案预览文件;
第四步,评价所述待规划区域规划方案;
具体步骤包括:
步骤c1,根据该区域的设计需求信息确定至少一个一级评价指标,为每一个所述一级评价指标确定至少一个二级评价指标,并为每一个所述二级评价指标确定基于归一化数值的分值;
步骤c2,根据设计规范库为每一个所述二级评价指标设定一个或多个基于模糊集原理的隶属度函数,其中,所述隶属度函数由地形地貌信息、设计元素M、以及与该设计元素M对应的属性信息共同构成;
步骤c3,根据该区域的设计需求信息,将所述待规划区域规划方案所对应的地形地貌信息、设计元素M、以及与该设计元素M对应的属性信息带入到所述各隶属度函数,计算每一个二级评价指标、以及每一个一级评价指标的具体得分;
步骤c4,修正所述各二级评价指标、各一级评价指标的具体得分的权重;累加修正后的得分,输出修正后的得分和/或二级评价指标和/或一级评价指标的具体得分;
第五步,更新所述生成模型G(z);
具体步骤包括:
步骤d1,根据所述修正后的得分和/或二级评价指标和/或一级评价指标的具体得分对已规划区域规划方案进行分类,分别标注为正样本或负样本;
步骤d2,对所述步骤d1中标注的正样本或负样本进行所述步骤s2至步骤s6;
步骤d3,以所述步骤d2获得的所述生成模型G(z)更新所述训练好的生成模型。
2.如权利要求1所述的基于机器学习的规划方案智能生成方法,其特征在于,所述第一步还包括对待规划区域数据z'进行分割或归一化处理的步骤,所述分割或归一化处理用以将所述待规划区域数据z'调整至适合所述生成模型G(z)运算的大小。
3.如权利要求1或2所述的基于机器学习的规划方案智能生成方法,其特征在于,所述地形地貌信息包括但不限于DEM、DOM、DRG、DLG数字地图模型信息。
4.一种基于机器学习的规划方案智能生成系统,其特征在于,包括:
综合展示平台、智能设计模块和方案评价模块;
所述智能设计模块的输入端接收待规划区域数据z',所述智能设计模块的输出端连接所述综合展示平台的输入端;所述智能设计模块用以执行以下步骤:
第一步,获取所述待规划区域数据z',所述待规划区域数据z'包括该区域的设计需求信息、地形地貌信息;
第二步,将所述待规划区域数据z'输入至训练好的生成模型G(z|y)中进行前向传播运算,前向传播运算获得待规划区域规划方案;所述待规划区域规划方案包括该区域的设计元素M、以及与该设计元素M对应的属性信息;
所述智能设计模块的中的生成模型根据以下步骤训练获得:
步骤s1,对规划设计案例按照属性增加标注y,并将所述规划设计方案中评价为良好的规划设计区域x标注为正样本区域;将所述规划设计方案中评价为不足的规划设计区域x标注为负样本区域;获取随机生成数据样本,并标记为t=0;将所述规划设计方案中的规划设计区域x标记为t=1;所述t表示为属性标签;所述随机生成数据样本z服从指定要求的概率分布;
步骤s2,将所述规划设计方案中的规划设计区域x按照固定尺寸进行分解;
步骤s3,构建生成模型G(z|y)和鉴别模型D(x|y),初始化生成对抗网络V(D,G);
步骤s4,保持所述生成模型G(z|y)中的参数不变,将一组随机生成数据样本z和其标注y输入至所述生成模型G(z|y)进行前向传播计算获得前向传播损失误差,根据鉴别模型的目标优化函数优化鉴别模型D(x|y);其中,所述鉴别模型的目标优化函数为其中,表示对当前训练过程中的整体pdata(x)数据求损失函数;表示对当前训练过程中的整体pz(z)数据求损失函数;pdata(x)表示规划设计方案中各规划设计区域x的分布,为所述各规划设计区域x形成的集合;pz(z)表示随机生成数据样本z的分布,为所述各随机生成数据样本z形成的集合;
步骤s5,保持鉴别模型D(x|y)中的参数不变,将一组规划设计区域x和其标注y输入至所述鉴别模型D(x|y),根据生成模型的目标优化函数和步骤s4中前向传播计算获得的所述前向传播损失误差,进行反向传播计算,训练所述生成模型;其中,所述生成模型的目标优化函数
步骤s6,重复所述步骤s4至步骤s5,直至所述生成模型G(z|y)和所述鉴别模型D(x|y)达到纳什均衡,输出此时的生成模型G(z|y)作为训练好的生成模型;
第三步,所述综合展示平台的输入端接收地形地貌信息以及所述智能设计模块的输出端,所述综合展示平台用以根据所述地形地貌信息以及所述智能设计模块输出的设计元素M、以及与该设计元素M对应的属性信息,通过数据接口输入至图形处理软件,建立模型图层、规划设计图层和自建图层,所述图形处理软件对各级模型图层、规划设计图层和自建图层进行渲染、编辑,所述综合展示平台的输出端还输出待规划区域规划方案至所述方案评价模块的输入端;
第四步,所述方案评价模块的输入端接收所述综合展示平台输出的所述待规划区域规划方案,所述方案评价模块的输出端输出得分;其中,所述得分通过如下步骤获得:
步骤c1,接收所述待规划区域规划方案,根据该区域的设计需求信息确定至少一个一级评价指标,为每一个所述一级评价指标确定至少一个二级评价指标,并为每一个所述二级评价指标确定基于归一化数值的分值;
步骤c2,根据设计规范库为每一个所述二级评价指标设定一个或多个基于模糊集原理的隶属度函数,其中,所述隶属度函数由地形地貌信息、设计元素M、以及与该设计元素M对应的属性信息共同构成;
步骤c3,根据该区域的设计需求信息,将所述待规划区域规划方案所对应的地形地貌信息、设计元素M、以及与该设计元素M对应的属性信息带入到所述各隶属度函数,计算每一个二级评价指标、以及每一个一级评价指标的具体得分;
步骤c4,修正所述各二级评价指标、各一级评价指标的具体得分的权重;累加修正后的得分,输出修正后的得分和/或二级评价指标和/或一级评价指标的具体得分;
第五步,更新所述生成模型G(z);
具体步骤包括:
步骤d1,根据所述修正后的得分和/或二级评价指标和/或一级评价指标的具体得分对已规划区域规划方案进行分类,分别标注为正样本或负样本;
步骤d2,对所述步骤d1中标注的正样本或负样本进行所述步骤s2至步骤s6;
步骤d3,以所述步骤d2获得的所述生成模型G(z)更新所述训练好的生成模型。
5.如权利要求4所述的基于机器学习的规划方案智能生成系统,其特征在于,还包括自主设计模块,所述自主设计模块的输入端接收待规划区域数据z',所述智能设计模块的输出端连接所述综合展示平台的输入端;
所述自主设计模块提供可供用户交互的数据接口,用以编辑所述地形地貌信息以及所述智能设计模块输出的设计元素M、以及与该设计元素M对应的属性信息,生成相应的待规划区域规划方案并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811059488.XA CN109472390B (zh) | 2018-09-12 | 2018-09-12 | 基于机器学习的规划方案智能生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811059488.XA CN109472390B (zh) | 2018-09-12 | 2018-09-12 | 基于机器学习的规划方案智能生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472390A CN109472390A (zh) | 2019-03-15 |
CN109472390B true CN109472390B (zh) | 2021-08-31 |
Family
ID=65664214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811059488.XA Active CN109472390B (zh) | 2018-09-12 | 2018-09-12 | 基于机器学习的规划方案智能生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472390B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110353A (zh) * | 2019-03-20 | 2019-08-09 | 广西大学 | 面向绿色住区设计方案初期的参数化生成优化设计方法 |
CN109951484B (zh) * | 2019-03-20 | 2021-01-26 | 四川长虹电器股份有限公司 | 针对机器学习产品进行攻击的测试方法及系统 |
CN110532327B (zh) * | 2019-08-22 | 2023-04-18 | 深圳供电局有限公司 | 一种人工智能电网线路规划方法 |
CN111428864A (zh) * | 2020-04-08 | 2020-07-17 | 重庆软汇科技股份有限公司 | 一种基于神经网络的自动事务生成方法及系统 |
CN111679829B (zh) * | 2020-06-11 | 2023-03-21 | 北京百度网讯科技有限公司 | 用户界面设计的确定方法和装置 |
CN112052547B (zh) * | 2020-09-04 | 2021-07-23 | 东南大学 | 一种基于人工智能的城市道路网络自动生成方法 |
CN112732390A (zh) * | 2021-01-19 | 2021-04-30 | 广东省水文局韶关水文分局 | 一种洪水过程线预报人机协作交互方法 |
CN113744399B (zh) * | 2021-09-09 | 2023-08-22 | 网易(杭州)网络有限公司 | 地形分层数据处理方法、装置、设备及机器可读储存介质 |
CN117649159B (zh) * | 2024-01-30 | 2024-04-16 | 北京城建设计发展集团股份有限公司 | 基于多目标场景的城市航站楼设计管理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016221A (zh) * | 2017-05-26 | 2017-08-04 | 吴志强 | 一种基于城市智能模型的辅助设计方法 |
CN112651059A (zh) * | 2020-12-18 | 2021-04-13 | 东南大学 | 一种基于人工智能的控规地块城市设计多方案生成方法 |
-
2018
- 2018-09-12 CN CN201811059488.XA patent/CN109472390B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016221A (zh) * | 2017-05-26 | 2017-08-04 | 吴志强 | 一种基于城市智能模型的辅助设计方法 |
CN112651059A (zh) * | 2020-12-18 | 2021-04-13 | 东南大学 | 一种基于人工智能的控规地块城市设计多方案生成方法 |
Non-Patent Citations (2)
Title |
---|
"APPLICATION OF INTELLIGENT DECISION SUPPORT TECHNOLOGY IN POWER SYSTEM";HAO CHEN 等;《2009 International Conference on Machine Learning and Cybernetics》;20090825;全文 * |
"基于深度学习的城市道路网自动生成";李航;《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》;20180715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109472390A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472390B (zh) | 基于机器学习的规划方案智能生成方法及系统 | |
CN112651059B (zh) | 一种基于人工智能的控规地块城市设计多方案生成方法 | |
CN111680025B (zh) | 面向自然资源多源异构数据时空信息智能同化的方法及系统 | |
Wu | SimLand: a prototype to simulate land conversion through the integrated GIS and CA with AHP-derived transition rules | |
CN110134752B (zh) | 三维大场景建模数据处理方法及装置 | |
CN109344215A (zh) | 一种检测小班林业资源的方法 | |
CN115587399A (zh) | 基于bim的项目进度管理系统及应用 | |
CN108765567A (zh) | 一种用于构建城市设计数字化沙盘的系统 | |
CN114443793A (zh) | 一种时空数据可视化的国土空间详细规划三维场景设计的方法 | |
CN114077764A (zh) | 基于三维gis与bim集成的临建模型建立方法及应用 | |
CN115293570A (zh) | 一种基于gis国土空间规划系统及方法 | |
CN111814528B (zh) | 一种连通性分析的夜光影像城市等级分类方法 | |
Jiang et al. | Generative urban design: A systematic review on problem formulation, design generation, and decision-making | |
CN115526450A (zh) | 基于倾斜摄影与bim结合的施工进度监测方法、系统及介质 | |
CN113536421A (zh) | 一种基于bim的港口规划协同分析方法与系统 | |
CN116090065A (zh) | 一种基于数字孪生的智慧城市绿化设计方法及装置 | |
Mao et al. | Graph-based 3D building semantic segmentation for sustainability analysis | |
Borisov et al. | An automated process of creating 3D city model for monitoring urban infrastructures | |
CN109801364A (zh) | 一种三维数字建模方法和数字化车间管理系统 | |
CN105426601A (zh) | 一种基于bim的多样性设计方案汇报方法及其系统 | |
CN115564087A (zh) | 一种区域生态网络识别优化方法、系统、装置及存储介质 | |
KR101669029B1 (ko) | 지반정보 분석 장치 및 방법 | |
Martella et al. | State of the art of urban digital twin platforms | |
CN113852204A (zh) | 一种于数字孪生的变电站三维全景监视系统及方法 | |
Sang et al. | The topological viewshed: embedding topological pointers into digital terrain models to improve GIS capability for visual landscape analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |