CN110737995A - 一种基于gan的建筑房屋日照时长预测方法、装置和设备 - Google Patents

一种基于gan的建筑房屋日照时长预测方法、装置和设备 Download PDF

Info

Publication number
CN110737995A
CN110737995A CN201911019439.8A CN201911019439A CN110737995A CN 110737995 A CN110737995 A CN 110737995A CN 201911019439 A CN201911019439 A CN 201911019439A CN 110737995 A CN110737995 A CN 110737995A
Authority
CN
China
Prior art keywords
building
building information
sunshine duration
network model
information picture
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.)
Pending
Application number
CN201911019439.8A
Other languages
English (en)
Inventor
胡浩
张超
杨超龙
黄聿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Bozhilin Robot Co Ltd
Original Assignee
Guangdong Bozhilin Robot Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Bozhilin Robot Co Ltd filed Critical Guangdong Bozhilin Robot Co Ltd
Priority to CN201911019439.8A priority Critical patent/CN110737995A/zh
Publication of CN110737995A publication Critical patent/CN110737995A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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"
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于GAN的建筑房屋日照时长预测方法、装置和设备，利用预置GAN网络模型对建筑房屋的日照时长进行预测，预置GAN网络模型的自变量为楼栋信息图片，因变量为含有日照时长信息的新楼栋信息图片，只需要向预置GAN网络模型输入包含楼栋信息的图片，预置GAN网络模型输出含有日照时长信息的新楼栋信息图片，即可预测出待进行日照时长预测楼栋的日照时长，预测时间可以达到毫秒级别，相比于现有的日照分析软件需要耗时几十秒到分钟的耗时，预测耗时得到了大幅度的缩减，解决了现有的基于CAD平台的日照分析软件进行基于GAN的建筑房屋日照时长预测方法，计算日照时长所耗费的时间过长的技术问题。

Description

一种基于GAN的建筑房屋日照时长预测方法、装置和设备
技术领域
本申请涉及建筑房屋日照分析技术领域，尤其涉及一种基于GAN的建筑房屋日照时长预测方法、装置和设备。
背景技术
随着国内工业化进程的快速发展，工业化城市建设推进迅速，城市用地日趋紧张，提高容积率是一个提高效益的重要措施，要提高容积率往往通过增加建筑房屋楼层的层数和缩小建筑之间的距离，因此高层建筑的楼群密度不断提高，从而导致一些建筑房屋未达到法规规定的建筑房屋日照时长标准，剥夺了人们享受阳光的权力，在城市建设不断推进、城市用地紧张、城市建筑高层化的背景下，建筑房屋日照所产生的矛盾愈发突出。良好的日照条件不仅仅是人们选购房屋参考的因素，也是开发商定价的重要考虑因素。
对于建筑房屋日照时长的精确计算显得至关重要，目前建筑行业大部分采用基于CAD平台的日照分析软件，根据太阳和建筑物的真实日照情况，按照设定的时间段和视角将分析结果生成直观的日照阴影仿真和规划三维场景模型并放映出来，通过楼栋周围阴影的深浅来表征日照时长的长短。
但是目前的基于CAD平台的日照分析软件进行基于GAN的建筑房屋日照时长预测方法，输入一个包含楼栋信息的CAD格式文件后，点击运行软件几十秒到几分钟不等才能计算出楼栋的日照时长，一张设计图纸计算日照时长所耗费的时间过长。
发明内容
本申请提供了一种基于GAN的建筑房屋日照时长预测方法、装置和设备，用于解决现有的基于CAD平台的日照分析软件进行基于GAN的建筑房屋日照时长预测方法，计算日照时长所耗费的时间过长的技术问题。
本申请第一方面提供了一种基于GAN的建筑房屋日照时长预测方法，包括：
获取待进行日照时长预测楼栋的楼栋信息图片，所述楼栋信息图片包括所述待进行日照时长预测楼栋的预置范围内的建筑房屋分布信息；
将所述楼栋信息图片输入预置GAN网络模型，所述预置GAN网络模型的自变量为楼栋信息图片，因变量为含有日照时长信息的新楼栋信息图片；
获取所述预置GAN网络模型输出的所述新楼栋信息图片，得到所述待进行日照时长预测楼栋的预测日照时长。
可选的，所述获取待进行日照时长预测楼栋的楼栋信息图片，之前还包括：
将CAD格式的待进行日照时长预测楼栋的楼栋信息图转换为所述楼栋信息图片，所述楼栋信息图包括所述待进行日照时长预测楼栋的预置范围内的建筑房屋分布信息。
可选的，所述将所述楼栋信息图片输入预置GAN网络模型，之前还包括：
对所述待训练的GAN网络模型进行训练，得到预置GAN网络模型。
可选的，所述对所述待训练的GAN网络模型进行训练，得到预置GAN网络模型包括：
将CAD格式的楼栋信息图样本输入到预置日照分析软件中，得到包含日照时长label的参考楼栋信息图片样本；
将所述参考楼栋信息图片样本输入到待训练GAN网络模型的判别器中，学习真实数据的特征；
将所述CAD格式的楼栋信息图样本转换为楼栋信息图片样本，在所述楼栋信息图片样本中引入随机噪声，输入到所述待训练GAN网络模型的生成器中，预测得到包含日照时长label的第一预测楼栋信息图片样本；
将所述第一预测楼栋信息图片样本输入到所述判别器中，学习伪数据的特征；
在所述第一预测楼栋信息图片样本引入随机噪声，输入到所述生成器中，预测得到包含日照时长的第二预测楼栋信息图片样本；
将所述参考楼栋信息图片样本和所述第二预测楼栋信息图片样本输入到所述判别器中，根据判别结果计算真实数据与伪数据的loss值；
将所述loss值反馈至所述判别器与所述生成器，在所述loss值收敛时，GAN网络模型训练结束，得到预置GAN网络模型。
本申请第二方面提供了一种基于GAN的建筑房屋日照时长预测装置，包括：
获取单元，用于获取待进行日照时长预测楼栋的楼栋信息图片，所述楼栋信息图片包括所述待进行日照时长预测楼栋的预置范围内的建筑房屋分布信息；
输入单元，用于将所述楼栋信息图片输入预置GAN网络模型，所述预置GAN网络模型的自变量为楼栋信息图片，因变量为含有日照时长信息的新楼栋信息图片；
输出单元，用于获取所述预置GAN网络模型输出的所述新楼栋信息图片，得到所述待进行日照时长预测楼栋的预测日照时长。
可选的，还包括：
转换单元，用于将CAD格式的待进行日照时长预测楼栋的楼栋信息图转换为所述楼栋信息图片，所述楼栋信息图包括所述待进行日照时长预测楼栋的预置范围内的建筑房屋分布信息。
可选的，还包括：
训练单元，用于对所述待训练的GAN网络模型进行训练，得到预置GAN网络模型。
可选的，所述训练单元具体用于：
将CAD格式的楼栋信息图样本输入到预置日照分析软件中，得到包含日照时长label的参考楼栋信息图片样本；
将所述参考楼栋信息图片样本输入到待训练GAN网络模型的判别器中，学习真实数据的特征；
将所述CAD格式的楼栋信息图样本转换为楼栋信息图片样本，在所述楼栋信息图片样本中引入随机噪声，输入到所述待训练GAN网络模型的生成器中，预测得到包含日照时长label的第一预测楼栋信息图片样本；
将所述第一预测楼栋信息图片样本输入到所述判别器中，学习伪数据的特征；
在所述第一预测楼栋信息图片样本引入随机噪声，输入到所述生成器中，预测得到包含日照时长的第二预测楼栋信息图片样本；
将所述参考楼栋信息图片样本和所述第二预测楼栋信息图片样本输入到所述判别器中，根据判别结果计算真实数据与伪数据的loss值；
将所述loss值反馈至所述判别器与所述生成器，在所述loss值收敛时，GAN网络模型训练结束，得到预置GAN网络模型。
本申请第三方面提供了一种基于GAN的建筑房屋日照时长预测设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面所述的任意一种基于GAN的建筑房屋日照时长预测方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的任意一种基于GAN的建筑房屋日照时长预测方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请中提供的一种基于GAN的建筑房屋日照时长预测方法，包括：获取待进行日照时长预测楼栋的楼栋信息图片，楼栋信息图片包括所述待进行日照时长预测楼栋的预置范围内的建筑房屋分布信息；将楼栋信息图片输入预置GAN网络模型，预置GAN网络模型的自变量为楼栋信息图片，因变量为含有日照时长信息的新楼栋信息图片；获取所述预置GAN网络模型输出的新楼栋信息图片，得到待进行日照时长预测楼栋的预测日照时长。本申请提供的基于GAN的建筑房屋日照时长预测方法，利用预置GAN网络模型对建筑房屋的日照时长进行预测，预置GAN网络模型的自变量为楼栋信息图片，因变量为含有日照时长信息的新楼栋信息图片，只需要向预置GAN网络模型输入包含楼栋信息的图片，预置GAN网络模型输出含有日照时长信息的新楼栋信息图片，即可预测出待进行日照时长预测楼栋的日照时长，预测时间可以达到毫秒级别，相比于现有的日照分析软件需要耗时几十秒到分钟的耗时，预测耗时得到了大幅度的缩减，解决了现有的基于CAD平台的日照分析软件进行基于GAN的建筑房屋日照时长预测方法，计算日照时长所耗费的时间过长的技术问题。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例中提供的一种基于GAN的建筑房屋日照时长预测方法的一个流程示意图；
图2为本申请实施例中提供的一种基于GAN的建筑房屋日照时长预测方法的另一个流程示意图；
图3为本申请实施例中提供的一种基于GAN的建筑房屋日照时长预测装置的结构示意图；
图4为本申请实施例中提供的待进行日照时长预测楼栋的楼栋信息图片示意图；
图5为本申请实施例中的楼栋日照时长预测过程示意图；
图6为待训练的GAN网络模型的训练过程示意图；
图7为日照分析软件预测图4的楼栋日照时长效果示意图；
图8为预置GAN网络模型生成器的卷积和反卷积神经网络结构图；
图9为预置GAN网络模型判别器的卷积神经网络结构图；
图10为预置GAN网络模型对图4进行日照时长预测的效果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图2，本申请中提供了一种基于GAN的建筑房屋日照时长预测方法的实施例，包括：
步骤101、获取待进行日照时长预测楼栋的楼栋信息图片，楼栋信息图片包括待进行日照时长预测楼栋的预置范围内的建筑房屋分布信息。
步骤102、将楼栋信息图片输入预置GAN网络模型，预置GAN网络模型的自变量为楼栋信息图片，因变量为含有日照时长信息的新楼栋信息图片。
步骤103、获取预置GAN网络模型输出的新楼栋信息图片，得到待进行日照时长预测楼栋的预测日照时长。
需要说明的是，本申请实施例中，首先需要获得待进行日照时长预测楼栋的楼栋信息图片，如图4所示，图4中的黑色部分为各楼栋的分布图片。楼栋的日照时长用阴影来表示，阴影的深浅程度表征日照时长的长短。预置GAN网络模型可以是经深度学习算法训练完成的日照时长预测模型，预置GAN网络模型包括生成器G和判别器D，生成器G是一个生成图片的网络，判别器D是一个判别一张图片是否为“真”或“假”。在预置GAN网络模型的训练过程中，生成器G的目标就是尽量生成真实的图片去欺骗判别器D。而判别器D的目标就是尽量把生成器G生成的图片和真实的图片分别开来。在预置GAN网络模型收敛时，生成数据具有和真实数据相同的分布。因此，可以用预置GAN网络模型将输入的楼栋信息图片，生成含有日照时长信息的新楼栋信息图片，从而达到对待进行日照时长预测楼栋的日照时长预测效果，楼栋日照时长预测过程示意图如图5所示。通过对大量实验结果统计，本申请实施例提出的GAN模型预测的日照时长与日照分析软件计算出来的日照时长误差小于5分钟的样本数据占比91.01％，误差小于10分钟的样本数据占比高达98.58％，预测结果准确性和可靠性高。预测耗时降低到毫秒级别，相对于日照分析软件计算的时间极大缩短。
本申请实施例中提供的基于GAN的建筑房屋日照时长预测方法，利用预置GAN网络模型对建筑房屋的日照时长进行预测，预置GAN网络模型的自变量为楼栋信息图片，因变量为含有日照时长信息的新楼栋信息图片，只需要向预置GAN网络模型输入包含楼栋信息的图片，预置GAN网络模型输出含有日照时长信息的新楼栋信息图片，即可预测出待进行日照时长预测楼栋的日照时长，预测时间可以达到毫秒级别，相比于现有的日照分析软件需要耗时几十秒到分钟的耗时，预测耗时得到了大幅度的缩减，解决了现有的基于CAD平台的日照分析软件进行基于GAN的建筑房屋日照时长预测方法，计算日照时长所耗费的时间过长的技术问题。
为了便于理解，请参阅图2，本申请提供了一种基于GAN的建筑房屋日照时长预测方法的另一个实施例，包括：
步骤201、获取待进行日照时长预测楼栋的楼栋信息图片，楼栋信息图片包括待进行日照时长预测楼栋的预置范围内的建筑房屋分布信息。
需要说明的是，建筑行业通常采用CAD格式文件保存楼栋信息，本申请实施例中首先将CAD格式的待进行日照时长预测楼栋的楼栋信息图转换为楼栋信息图片，转换完成的楼栋信息图片如图4所示，楼栋信息图和转换完成的楼栋信息图片均包括待进行日照时长预测楼栋的预置范围内的建筑房屋分布，如图4中的黑色部分。
步骤202、对待训练的GAN网络模型进行训练，得到预置GAN网络模型。
需要说明的是，步骤202与步骤201可以不存在先后动作关系。请参阅图6，图6为待训练的GAN网络模型的训练过程示意图，对待训练的GAN网络模型进行训练的过程可以描述如下：
将CAD格式的楼栋信息图样本输入到预置日照分析软件中，得到包含日照时长label的参考楼栋信息图片样本；
将参考楼栋信息图片样本输入到待训练GAN网络模型的判别器D中，学习真实数据的特征；
将CAD格式的楼栋信息图样本转换为楼栋信息图片样本，在楼栋信息图片样本中引入随机噪声，输入到待训练GAN网络模型的生成器G中，预测得到包含日照时长label的第一预测楼栋信息图片样本；
将第一预测楼栋信息图片样本输入到判别器D中，学习伪数据的特征；
在第一预测楼栋信息图片样本引入随机噪声，输入到生成器G中，预测得到包含日照时长的第二预测楼栋信息图片样本；
将参考楼栋信息图片样本和第二预测楼栋信息图片样本输入到判别器D中，根据判别结果计算真实数据与伪数据的loss值；
将loss值反馈至所述判别器D与生成器G，在loss值收敛时，GAN网络模型训练结束，得到预置GAN网络模型。
在待训练的GAN网络模型收敛时，待训练的GAN网络模型训练完成。
GAN网络模型中生成器G采用的是卷积和反卷积神经网络结构模型，其网络结构如图8所示。输入一张楼栋信息图片，假设它的尺寸为256x256，经过下采样后，提取出图片的特征向量，再经过上采样后将特征向量还原到跟输入图片一样尺寸大小(256x256)，并且包含预测时长label的楼栋信息图片，下采样和上采样的过程并不一定是对称的，但输入与输出的图片尺寸是一致的。
GAN网络模型中判别器D其实是一个基于卷积神经网络结构训练的一个二分类器，其网络结构如图9所示。将生成器生成的图片输入到判别器的卷积神经网络结构当中，将可能输出两种可能的标签(即label)，分别为“真”或者“假”。
步骤203、获取待进行日照时长预测楼栋的楼栋信息图片，楼栋信息图片包括待进行日照时长预测楼栋的预置范围内的建筑房屋分布信息。
需要说明的是，步骤203与上一实施例中的步骤101一致，步骤203与步骤202之间也可以不存在先后动作关系。
步骤204、将楼栋信息图片输入预置GAN网络模型，预置GAN网络模型的自变量为楼栋信息图片，因变量为含有日照时长信息的新楼栋信息图片。
步骤205、获取预置GAN网络模型输出的新楼栋信息图片，得到待进行日照时长预测楼栋的预测日照时长。
需要说明的是，步骤204、步骤205分别与上一实施例中的步骤102和步骤103一致，在此不在进行赘述。
将图4输入到预置GAN网络模型中，预测出各楼栋的日照时长，通过阴影来表征，阴影的深浅程度与日照时长成映射关系，阴影的深浅代表日照时长的长短情况，预测效果如图10所示。
为了便于理解，请参阅图3，本申请中提供一种情绪识别装置，包括：
获取单元301，用于获取待进行日照时长预测楼栋的楼栋信息图片，楼栋信息图片包括待进行日照时长预测楼栋的预置范围内的建筑房屋分布信息。
输入单元302，用于将楼栋信息图片输入预置GAN网络模型，预置GAN网络模型的自变量为楼栋信息图片，因变量为含有日照时长信息的新楼栋信息图片。
输出单元303，用于获取预置GAN网络模型输出的新楼栋信息图片，得到待进行日照时长预测楼栋的预测日照时长。
作为改进，还可以包括：
转换单元304，用于将CAD格式的待进行日照时长预测楼栋的楼栋信息图转换为楼栋信息图片，楼栋信息图包括所述待进行日照时长预测楼栋的预置范围内的建筑房屋分布信息。
作为改进，还可以包括：
训练单元305，用于对待训练的GAN网络模型进行训练，得到预置GAN网络模型。
作为改进，训练单元305具体用于：
训练单元具体用于：
将CAD格式的楼栋信息图样本输入到预置日照分析软件中，得到包含日照时长label的参考楼栋信息图片样本；
将参考楼栋信息图片样本输入到待训练GAN网络模型的判别器中，学习真实数据的特征；
将CAD格式的楼栋信息图样本转换为楼栋信息图片样本，在楼栋信息图片样本中引入随机噪声，输入到待训练GAN网络模型的生成器中，预测得到包含日照时长label的第一预测楼栋信息图片样本；
将第一预测楼栋信息图片样本输入到所述判别器中，学习伪数据的特征；
在第一预测楼栋信息图片样本引入随机噪声，输入到生成器中，预测得到包含日照时长的第二预测楼栋信息图片样本；
将参考楼栋信息图片样本和第二预测楼栋信息图片样本输入到判别器中，根据判别结果计算真实数据与伪数据的loss值；
将loss值反馈至所述判别器与生成器，在loss值收敛时，GAN网络模型训练结束，得到预置GAN网络模型。
本申请中提供了一种基于GAN的建筑房屋日照时长预测设备的实施例，所述设备包括处理器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行前述的基于GAN的建筑房屋日照时长预测方法实施例中的基于情绪识别方法。
本申请中提供了一种计算机可读存储介质的实施例，计算机可读存储介质用于存储程序代码，所述程序代码用于执行前述基于GAN的建筑房屋日照时长预测方法实施例中的基于GAN的建筑房屋日照时长预测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所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；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于GAN的建筑房屋日照时长预测方法，其特征在于，包括：
获取待进行日照时长预测楼栋的楼栋信息图片，所述楼栋信息图片包括所述待进行日照时长预测楼栋的预置范围内的建筑房屋分布信息；
将所述楼栋信息图片输入预置GAN网络模型，所述预置GAN网络模型的自变量为楼栋信息图片，因变量为含有日照时长信息的新楼栋信息图片；
获取所述预置GAN网络模型输出的所述新楼栋信息图片，得到所述待进行日照时长预测楼栋的预测日照时长。
2.根据权利要求1所述的基于GAN的建筑房屋日照时长预测方法，其特征在于，所述获取待进行日照时长预测楼栋的楼栋信息图片，之前还包括：
将CAD格式的待进行日照时长预测楼栋的楼栋信息图转换为所述楼栋信息图片，所述楼栋信息图包括所述待进行日照时长预测楼栋的预置范围内的建筑房屋分布信息。
3.根据权利要求2所述的基于GAN的建筑房屋日照时长预测方法，其特征在于，所述将所述楼栋信息图片输入预置GAN网络模型，之前还包括：
对所述待训练的GAN网络模型进行训练，得到预置GAN网络模型。
4.根据权利要求3所述的基于GAN的建筑房屋日照时长预测方法，其特征在于，所述对所述待训练的GAN网络模型进行训练，得到预置GAN网络模型包括：
将CAD格式的楼栋信息图样本输入到预置日照分析软件中，得到包含日照时长label的参考楼栋信息图片样本；
将所述参考楼栋信息图片样本输入到待训练GAN网络模型的判别器中，学习真实数据的特征；
将所述CAD格式的楼栋信息图样本转换为楼栋信息图片样本，在所述楼栋信息图片样本中引入随机噪声，输入到所述待训练GAN网络模型的生成器中，预测得到包含日照时长label的第一预测楼栋信息图片样本；
将所述第一预测楼栋信息图片样本输入到所述判别器中，学习伪数据的特征；
在所述第一预测楼栋信息图片样本引入随机噪声，输入到所述生成器中，预测得到包含日照时长的第二预测楼栋信息图片样本；
将所述参考楼栋信息图片样本和所述第二预测楼栋信息图片样本输入到所述判别器中，根据判别结果计算真实数据与伪数据的loss值；
将所述loss值反馈至所述判别器与所述生成器，在所述loss值收敛时，GAN网络模型训练结束，得到预置GAN网络模型。
5.一种基于GAN的建筑房屋日照时长预测装置，其特征在于，包括：
获取单元，用于获取待进行日照时长预测楼栋的楼栋信息图片，所述楼栋信息图片包括所述待进行日照时长预测楼栋的预置范围内的建筑房屋分布信息；
输入单元，用于将所述楼栋信息图片输入预置GAN网络模型，所述预置GAN网络模型的自变量为楼栋信息图片，因变量为含有日照时长信息的新楼栋信息图片；
输出单元，用于获取所述预置GAN网络模型输出的所述新楼栋信息图片，得到所述待进行日照时长预测楼栋的预测日照时长。
6.根据权利要求5所述的基于GAN的建筑房屋日照时长预测装置，其特征在于，还包括：
转换单元，用于将CAD格式的待进行日照时长预测楼栋的楼栋信息图转换为所述楼栋信息图片，所述楼栋信息图包括所述待进行日照时长预测楼栋的预置范围内的建筑房屋分布信息。
7.根据权利要求6所述的基于GAN的建筑房屋日照时长预测装置，其特征在于，还包括：
训练单元，用于对所述待训练的GAN网络模型进行训练，得到预置GAN网络模型。
8.根据权利要求7所述的基于GAN的建筑房屋日照时长预测装置，其特征在于，所述训练单元具体用于：
将CAD格式的楼栋信息图样本输入到预置日照分析软件中，得到包含日照时长label的参考楼栋信息图片样本；
将所述参考楼栋信息图片样本输入到待训练GAN网络模型的判别器中，学习真实数据的特征；
将所述CAD格式的楼栋信息图样本转换为楼栋信息图片样本，在所述楼栋信息图片样本中引入随机噪声，输入到所述待训练GAN网络模型的生成器中，预测得到包含日照时长label的第一预测楼栋信息图片样本；
将所述第一预测楼栋信息图片样本输入到所述判别器中，学习伪数据的特征；
在所述第一预测楼栋信息图片样本引入随机噪声，输入到所述生成器中，预测得到包含日照时长的第二预测楼栋信息图片样本；
将所述参考楼栋信息图片样本和所述第二预测楼栋信息图片样本输入到所述判别器中，根据判别结果计算真实数据与伪数据的loss值；
将所述loss值反馈至所述判别器与所述生成器，在所述loss值收敛时，GAN网络模型训练结束，得到预置GAN网络模型。
9.一种基于GAN的建筑房屋日照时长预测设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的基于GAN的建筑房屋日照时长预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的基于GAN的建筑房屋日照时长预测方法。
CN201911019439.8A 2019-10-24 2019-10-24 一种基于gan的建筑房屋日照时长预测方法、装置和设备 Pending CN110737995A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911019439.8A CN110737995A (zh) 2019-10-24 2019-10-24 一种基于gan的建筑房屋日照时长预测方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911019439.8A CN110737995A (zh) 2019-10-24 2019-10-24 一种基于gan的建筑房屋日照时长预测方法、装置和设备

Publications (1)

Publication Number Publication Date
CN110737995A true CN110737995A (zh) 2020-01-31

Family

ID=69271297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911019439.8A Pending CN110737995A (zh) 2019-10-24 2019-10-24 一种基于gan的建筑房屋日照时长预测方法、装置和设备

Country Status (1)

Country Link
CN (1) CN110737995A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11306212A (ja) * 1998-04-22 1999-11-05 Takenaka Komuten Co Ltd 日当たり状況表示装置及び日当たり状況表示プログラムを記録したコンピュータ読み取り可能な記録媒体
CN109409014A (zh) * 2018-12-10 2019-03-01 福州大学 基于bp神经网络模型的年可照时数的计算方法
CN109635511A (zh) * 2019-01-16 2019-04-16 哈尔滨工业大学 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11306212A (ja) * 1998-04-22 1999-11-05 Takenaka Komuten Co Ltd 日当たり状況表示装置及び日当たり状況表示プログラムを記録したコンピュータ読み取り可能な記録媒体
CN109409014A (zh) * 2018-12-10 2019-03-01 福州大学 基于bp神经网络模型的年可照时数的计算方法
CN109635511A (zh) * 2019-01-16 2019-04-16 哈尔滨工业大学 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法

Similar Documents

Publication Publication Date Title
CN109635511B (zh) 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法
CN109961041A (zh) 一种视频识别方法、装置及存储介质
CN112632288A (zh) 一种基于知识图谱的电力调度系统及方法
CN111276119A (zh) 语音生成方法、系统和计算机设备
CN111639808A (zh) 一种考虑时空相关性的多风电场出力场景生成方法及系统
CN113778871A (zh) Mock测试方法、装置、设备及存储介质
CN113705763B (zh) 一种基于神经计算棒的配网变压器实时检测方法及系统
CN112052759A (zh) 一种活体检测方法和装置
CN114449343A (zh) 一种视频处理方法、装置、设备及存储介质
CN107786989B (zh) 一种Lora智能水表网络网关部署方法及装置
CN112270246A (zh) 视频行为识别方法及装置、存储介质、电子设备
CN116958325A (zh) 图像处理模型的训练方法、装置、电子设备及存储介质
CN111312223A (zh) 语音分割模型的训练方法、装置和电子设备
CN115604131B (zh) 一种链路流量预测方法、系统、电子设备及介质
CN114640669A (zh) 边缘计算方法及装置
CN113962417A (zh) 一种视频处理方法、装置、电子设备和存储介质
CN117056478A (zh) 一种电力客服系统控制方法及装置
CN115146775B (zh) 边缘设备推理加速方法、装置和数据处理系统
CN116228014A (zh) 一种基础设施入网的直流配电网效益评估系统及其方法
CN110737995A (zh) 一种基于gan的建筑房屋日照时长预测方法、装置和设备
CN116741154A (zh) 数据选取方法、装置、电子设备及存储介质
CN113158134B (zh) 非侵入式负荷辨识模型的构建方法、装置和存储介质
CN113298112B (zh) 一种一体化数据智能标注方法及系统
CN114997490A (zh) 温度廓线预测模型的构建方法、预测方法、装置及设备
CN114926701A (zh) 一种模型训练方法、目标检测方法、以及相关设备

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200131