CN111126660A - 基于混合语义推理技术的建筑能效评估方法及系统 - Google Patents
基于混合语义推理技术的建筑能效评估方法及系统 Download PDFInfo
- Publication number
- CN111126660A CN111126660A CN201911139116.2A CN201911139116A CN111126660A CN 111126660 A CN111126660 A CN 111126660A CN 201911139116 A CN201911139116 A CN 201911139116A CN 111126660 A CN111126660 A CN 111126660A
- Authority
- CN
- China
- Prior art keywords
- reasoning
- semantic
- data
- building energy
- energy efficiency
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 37
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 43
- 239000008188 pellet Substances 0.000 claims abstract description 26
- 238000005065 mining Methods 0.000 claims description 51
- 230000006399 behavior Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 description 8
- 238000004378 air conditioning Methods 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 7
- 241001591024 Samea Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000270281 Coluber constrictor Species 0.000 description 1
- 241000234435 Lilium Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- OQZCSNDVOWYALR-UHFFFAOYSA-N flurochloridone Chemical compound FC(F)(F)C1=CC=CC(N2C(C(Cl)C(CCl)C2)=O)=C1 OQZCSNDVOWYALR-UHFFFAOYSA-N 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013550 semantic technology Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于混合语义推理技术的建筑能效评估方法及系统，包括：云服务器获取建筑能效相关的多源异构数据(包括语义推理规则、语义本体数据、语义实例数据)，通过混合语义推理技术对所述建筑能效相关的多源数据进行多层次推理。推理模块包括Jena和Pellet推理机，Jena推理机包括术语公理集组件及断言事实集组件，则云服务器分别采用术语公理集组件、断言事实集组件以及语义推理规则组件对不同的数据源进行推理，推理过程涉及传感网信息、天气信息、日程信息等，输出的隐含知识/关联构成了建筑能效知识库，该知识库可满足建筑能效评价指标的数据流需求，完成建筑能效评价指标的自动计算，实现对建筑能效深层次、全方位的评估。
Description
技术领域
本发明属于语义网技术与建筑能效评价相交叉领域，具体地，涉及一种基于混合语义推理技术的建筑能效评估方法及系统。
背景技术
建筑能效分析和评价是近年来新起的学科之一，在北美，建筑能耗占据了能源消耗的40％，是各学术界和产业界研究和评估的重点。
在目前的研究当中，针对交叉领域(cross-domain)建筑信息的语义研究增加越来越多，尤其是涉及交叉领域的数据关联技术。例如，ifcOWL定义了一个建筑信息模型(IFC)本体，可以通过OWL语言表进行表示，还可以通过IFC的EXPRESS schema进行表示。
然而，在目前的研究当中，BIM的架构及设备仅仅提供了部分的数据和信息供复杂环境和能耗评估，许多隐性知识或隐性关联常常没有被挖掘，导致知识图谱 (knowledgegraph)缺乏此类知识库，导致建筑能效评估不准确，并且需要人工校正，缺乏灵活性及效率。
发明内容
本发明提供了一种基于混合语义推理技术的建筑能效评估方法及系统，通过推理隐性知识及交叉领域建筑信息之间的隐性关联，解决了现有技术中没有针对交叉领域的隐性知识及隐性关联进行推理而导致建筑能效评估不准确，且缺乏灵活性且效率低的问题。
为了实现上述目的，本发明提供了一种基于混合语义推理技术的建筑能效评估方法，包括：
云服务器获取多源数据，所述多源数据包括语义推理规则、建筑信息建模BIM数据、传感器信息、建筑能效评价指标、天气报告、人员日程信息、关系数据库架构信息、建筑信息模型本体ifcOWL、语义传感网络SSN本体、智能家居本体、人员日程信息本体、关系数据库架构本体及时序数据；
所述云服务器通过混合语义推理技术对所述多源数据进行多层次推理，输出知识库，以便对当前建筑环境及能源进行评估。
可选地，所述云服务器通过混合语义推理技术对所述多源数据人员日程进行多层次推理，包括：
云服务器创建语义数据推理组件，所述语义数据推理组件包括术语公理集TBox组件、断言事实集ABox组件以及语义推理规则RBox组件，其中，所述术语公理集组件用于对OWL本体类、数据、目标属性以及类与属性的关联关系进行推理，所述断言事实集用于对建筑信息模型-资源描述框架IFC-RDF实例数据以及SSN-RDF实例数据进行推理，所述语义推理规则组件包括多个策略逻辑，所述策略逻辑用于挖掘隐性关联或隐性知识；
针对不同的数据源，所述云服务器分别采用ABox、TBox进行初级推理，并采用RBox进行进一步推理。
可选地，所述云服务器还包括Jena推理机和Pellet推理机，所述Jena推理机包括术语公理集组件及断言事实集组件，则所述云服务器分别采用术语公理集组件、断言事实集组件以及语义推理规则组件对不同的数据源进行推理，包括：
所述云服务器采用术语公理集组件对所述数据源中ifcOWL本体、SSN本体、智能家居本体、人员日程本体及数据库架构本体进行推理；
所述云服务器采用断言事实集组件对所述数据源中BIM数据、传感器信息、建筑能效评价指标、天气报告、人员日程信息及关系数据库架构信息进行推理；
所述云服务器采用所述语义推理规则组件对所述语义推理规则进行推理，并将所述推理结果发送至所述Pellet推理机；
所述Jena推理机将所述术语公理集组件及所述断言事实集组件的推理结果发送至所述Pellet推理机；
所述Pellet推理机对接收到的推理结果进行推理，输出知识库。
可选地，所述语义推理规则用于挖掘传感器属性、挖掘天气信息和/或挖掘建筑内人员日程信息。
可选地，所述语义推理规则用于挖掘建筑能效评价指标及挖掘与建筑能源指标相关的交叉领域本体。
可选地，所述推理逻辑用于挖掘传感器属性，包括：
将BIM实例数据与SSN数据实例数据进行等同关联。
可选地，所述语义推理规则用于挖掘天气信息：
将外部天气信息与所述建筑温度信息进行关联。
可选地，所述语义推理规则用于挖掘挖掘建筑内人员日程信息：
将人员日程信息与所述建筑内室内人员实际行为进行关联。
可选地，所述语义推理规则用于挖掘建筑能效评价指标及挖掘与建筑能源指标相关的交叉领域本体，包括：
所述语义推理规则用于挖掘建筑信息模型BIM实例与语义传感网络SSN实例的关联关系，所述SSN实例由传感器属性所确定。
可选地，所述语义推理规则用于挖掘建筑能效评价指标及挖掘与建筑能源指标相关的交叉领域本体，包括：
所述语义推理规则用于挖掘BIM实例与天气报告实例的关联关系，所述天气报告实例存储于SSN实例数据库。
可选地，所述语义推理规则用于挖掘建筑能效评价指标及挖掘与建筑能源指标相关的交叉领域本体，包括：
所述语义推理规则用于挖掘室内人员行为，所述室内人员行为通过室内人员日程信息获取。
本发明实施例还提供一种基于混合语义推理技术的建筑能效评估系统，所述系统包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，执行上述方法。
附图说明
图1是本发明实施例中方法的流程图；
图2是本发明实施例中混合推理流程图；
图3是本发明实施例中系统架构图；
图4是本发明实施例中知识图谱示意图；
图5是本发明实施例中交叉领域推理策略示意图；
图6是本发明实施例中建筑环境评估结果示意图；
图7是本发明实施例中能源消耗评估结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在实现本发明实施例之前，需要先介绍一下本发明涉及到的基本概念，以便更好地理解本发明创造：
语义网(Semantic Web)，是一种对现有Web的扩展，信息的语义在语义网环境下能够很好地加以定义。语义网由7层决定：
1.URL和Unicode。
2.XML、名称空间和XML Schema。XML是对XML文档结构进行约束的语言。
3.资源描述框架(Resource Description Framework，RDF)。RDF数据模型提供简单的语义，RDF Schema为RDF模型提供了一个基本的类型系统，目的是可以定义资源的类class和属性property，并且对类和属性的组合进行约束，同时提供约束违例的监测机制。
4.本体层。本体层能够提供一个明确的形式化预研，可以准确定义术语的语义以及术语之间的关系。
5.逻辑层。
6.证明层。
7.信任层。
其中，RDF是在1999年由W3C公布的推荐标准，RDF是描述Web资源的通用数据模型，提供一种可用于表达语义、交换语义信息的通用框架。RDF由主体、谓词和客体三部分(称为三元组)组成。主体是具有URI的资源，也可以是没有命名空间的空白节点，如ISBN；客体可以是有URI的资源、空白节点，也可以是字串值；而谓词表示了主体和客体的关系。
描述逻辑(Description Logic,DL)，是基于对象的知识表示的形式化，包含了基于逻辑的、形式化的语义，可以提供推理服务。描述逻辑主要包括概念和个体的分类：概念的分类确定了父概念和子概念的关系，可以使用包含层级的方式来构造术语，为不同的概念之间提供有用的联系，并且可以为推理提供服务；个体的分类可以明确知道某个个体是否是一个概念的实例数据(instance)，为个体提供有用的信息。
描述逻辑是基于知识库(Knowledge Base,KB)进行推理的。在描述逻辑中，知识库KB(T,A)＝<TBox,ABox>。TBox(Terminology Box)是描述概念与概念之间的关系，以及关系和关系间的公理的集合。ABox(Assertion Box)是断言集合，分为概念断言和关系断言。概念断言能够判断出个体对象是否属于某个概念，例如Lily：Happy-Mother；关系断言可以判断出个体之间是否满足某种关系，例如<Lily，Marron>:hasChild。
本体以及描述语言OWL
本体(Ontology)是共享概念模型的形式化规范说明，能够很好地解决语义层次上Web信息的共享与交换。这个定义包含四层含义：概念模型、明确、形式化和共享。
Web本体语言(Web Ontology Language,OWL)是W3C推荐的本体描述语言，可以明确表示不同术语之间的关系，是一种本体论的知识表示方法。OWL本体是一个 RDF文档，包含在一个rdf:RDF元素中，包括命名空间(NS)、类Class、属性 Properties和实例(Individual)四个部分。
SPARQL协议与RDF查询语言(simple protocol and RDF query language,SPARQL)是W3C推荐的标准RDF查询语言，它既是一种协议又是一门查询语言，一方面描述了SPARQL客户端如何与SPARQL断点进行交互，另一方面定义了RDF 查询语言的语法和语义。SPARQL与SQL接近，允许从RDF库中查询三元组。
关联数据(Linked Data)，是一种基于语义技术在互联网上发布和关联RDF的方法。关联数据可以理解为语义网的一种轻量级的实现方式，其本身是为了使大量的数据集互相关联起来，从而形成一个巨大的具有内在联系的关联数据云，这样可以发现更多隐藏在数据后面的知识。
SWRL规则语言(Semantic Web Rule Language,SWRL)是W3C推荐的规则语言，是在OWL 1DL和OWL Lited基础上，采用了规则标记语言的一个仅包含一元和二元谓词的子集。
推理机(Reasoning Engine)用于对本体进行解析，目前本体推理技术较多，常用的有如下两类：
1.基于描述逻辑的本体推理方法，例如Pellet、Racer等，是基于Tableaux算法而实现的本体推理机。
2.基于自定义语义推理规则的描述方法。本体通过OWL进行组织，可以直接映射到推理机上进行推理查询。以Jena为例，如果要对OWL本体进行语义推理查询，只需要针对OWL本体描述语言以产生式规则的形式定义有关规则即可。Jena推理机就可以基于这些规则对OWL本体文件进行语义推理。
Jena是由HP实验室专门针对语义Web项目所研发的一个基于Java语言框架的工具包，用于语义Web应用项目的开发。它为OWL,RDF,RDFS等本体描述语言提供一个应用程序的开发环境，并具有对本体进行存储、解析、查询和推理的函数调用和处理接口。Jena内置了一个推理子系统，其作用是把推理引擎和推理机制引入到Jena框架中。Jena推理机工作原理可以概括为：1)推理机制结构中的Graph-base-assertions 是指和推理机绑定在一起的数据(即为XML的数据-实例数据)，Graph-ontology definitions是指和推理机绑定的数据结构的约束。2)推理注册机依据已经创建的数据实例数据、数据结构约束和语义推理规则创建出本体推理机，并把需要进行查询推理的本体和推理机绑定在一起，得到推理模型对象，它是整个推理机制的核心部分，所有应用的执行都是在推理模型的Graph SPI层进行。3)ModelFactory是Jena推理机推理的入口，它通过Ontology API和Model API对已建好的推理模型对象进行处理，获得相关概念的信息，完成基于语义的信息检索。
Pellet推理机由美国马里兰大学MINDSWAP研发，是一个基于Java框架专门针对OWL DL的开源的本体推理机。其推理机制可以概括为：1)OWL DL本体描述文件被解析为标准的三元组格式(如RDF)。2)Pellet推理机对解析后的本体进行种类验证及本体修复，进而将本体文件加载到推理机中。3)在本体源文件的加载过程中，TBox用来存放类的公理，ABox用来保存个体的声明，TBox公理首先通过DL推理机的标准预处理，然后再供给Tableaux推理机，对TBox和ABox进行Tableaux推理。 Pellet能很好的支持OWL和XML Schema的数据类型。
混合推理：即复用Jena和Pellet推理机，构成混合式推理机。Jena是面向语义 Web应用的开发框架，具有很好的灵活性，用JAVA语言编写且开源。Jena内置推理机是一种基于产生式规则配合本体领域的前向链通用推理系统，可以支持室内人员自定义规则，但是运行效率不太高。Jena提供接口，可以连接到外部推理机。Pellet是可靠完备的OWL DL推理机，支持OWL DL的所有特性，用JAVA语言编写且开源，运行效率很高。当对本体进行不可满足性检测时，Pellet能够通过公理的形式给出错误原因。
混合推理的工作机制为：
1)将待推理本体导入Pellet推理机中，进行本体的一致性检测及修复不一致信息，将发现的隐含知识添加到知识库中；
2)将知识库中的本体导入Jena推理机，利用Jena推理机将OWL解析为三元组形式，并且加入规则(Rules)进行推理；
3)将这些三元组传入Pellet中，利用Pellet推理机将这些三元组转换为描述逻辑表示的方式(即将类、个体、公理等都转换为描述逻辑表示)，之后存入知识库中；
4)重复步骤2和3，直到返回推理结果。
按照推理进行的方向，推理分为正向推理和反向推理。正向推理是从已知的事实出发，通过规则推理得到推理结果。正向推理的优势是可以快速地对查找的信息作出响应，缺点是执行的目的性不强进行很多不必要的操作。反向推理是从假设目标开始向事实方向进行推理，寻找相应的已知事实来正式目标。反向推理明显的优点是不会搜索与假设目标无关的信息，从而提高了计算的效率。
如图1所示，本发明实施例提供了基于混合语义推理技术的建筑能效评估的方法，该方法的原理在于通过挖掘隐性关联或隐性知识，输出知识库，知识发现/提取是知识图谱的一部分，ABox、TBox、RBox都是推理组件，互相配合完成整改推理。 ABox、TBox基于OWLontology(i.e.schema)和实体数据完成初步推理，RBox根据自定义规则完成进一步推理(ABox、TBox、RBox是基于不同数据源的推理)。本发明实施例应用于建筑信息建模BIM的环境及能源评估，该方法可以从关联数据空间中将隐藏知识挖掘并用于进行复杂环境及能源评估。此外，为了定义OWL本体及RDF实例数据，本发明实施例定义了一系列推理策略/机制(reasoning rules)来挖掘与环境和能源相关的隐藏知识。
该方法包括：
S101、云服务器获取多源数据，所述多源数据包括语义推理规则、建筑信息建模BIM数据、传感器信息、建筑能效评价指标、天气报告、人员日程信息、关系数据库架构信息、建筑信息模型本体ifcOWL、语义传感网络SSN本体、智能家居本体、人员日程信息本体、关系数据库架构本体及时序数据；
多源数据可以分为4个类别，第一类是非结构化数据库存储的各类信息，如建筑信息建模BIM数据、传感器信息、建筑能效评价指标、天气报告、人员日程信息、关系数据库架构信息(对应于ABox组件，ABox组件将对这些信息进行推理)；第二类是本体信息(对应于TBox组件，TBox组件将对这些本体信息进行推理)，如建筑信息模型本体ifcOWL、语义传感网络SSN本体、智能家居本体、人员日程信息本体、关系数据库架构本体；第三类是语义推理规则(reasoning rules)(对应于RBox组件，RBox组件将对这些信息进行推理)，是本发明实施例的核心之一；第四类为时间序列的关系数据库(时序数据)，是最为常见的结构化数据库，时序数据库可通过时间顺序关联不同的传感器等获取到的数据信息，因此可直接通过SPASQL或SQL进行查询。
上述多源数据可以这样理解：第一类为真实数据，属于ABOX的定义,而第二类为本体，属于TBOX，例如人具备如下属性：
性别：男或女，
身高：具体的一个数字…
真实的数据根据RDF规则将生成一个对象，存放在RDF格式的数据里面，称之为“人”这一本体。
S102、所述云服务器通过混合语义推理技术对所述多源数据进行多层次推理，输出知识库，以便对当前建筑环境及能源进行评估。
本发明实施例中，所述云服务器通过混合语义推理技术对所述多源数据人员日程进行多层次推理，具体可以为：
云服务器创建语义数据推理组件，所述语义数据推理组件包括TBox组件、ABox 组件以及RBox组件，其中，所述术语公理集TBox组件用于对OWL本体类、数据、目标属性以及类与属性的关联关系进行推理，所述ABox组件用于对建筑信息模型-资源描述框架IFC-RDF实例数据以及SSN-RDF实例数据进行推理，所述RBox组件包括多个策略逻辑(规则)，所述策略逻辑用于挖掘隐性关联或隐性知识；
针对不同的数据源，所述云服务器分别采用ABox、TBox进行初级推理，并采用RBox进行进一步推理。
本发明实施例中，所述云服务器还包括Jena推理机和Pellet推理机，所述Jena推理机包括术语公理集组件及断言事实集组件，则所述云服务器分别采用术语公理集组件、断言事实集组件以及语义推理规则组件对不同的数据源进行推理，具体可以为：
所述云服务器采用术语公理集组件对所述数据源中ifcOWL本体、SSN本体、智能家居本体、人员日程本体及数据库架构本体进行推理；
所述云服务器采用断言事实集组件对所述数据源中BIM数据、传感器信息、建筑能效评价指标、天气报告、人员日程信息及关系数据库架构信息进行推理；
所述云服务器采用所述语义推理规则组件对所述语义推理规则进行推理，并将所述推理结果发送至所述Pellet推理机；
所述Jena推理机将所述术语公理集组件及所述断言事实集组件的推理结果发送至所述Pellet推理机；
所述Pellet推理机对接收到的推理结果进行推理，输出知识库。
本发明实施例中，所述语义推理规则用于挖掘传感器属性、挖掘天气信息和/或挖掘建筑内人员日程信息。
如图2所示，本发明实施例采用了一种软件架构来进行交叉领域的混合推理。Jena包含ABox、TBox组件，其中，Tbox对ifcOWL、SSN本体、展现本体、智能家居本体、室内人员日程表本体及数据库本体进行推理，ABox对BIM数据、传感器信息、展现指标、天气报告、日程信息及数据库信息进行推理，Jena对上述信息进行推理后，将推理结果(初次推理)反馈给Pellet推理机，Pellet包括RBOX组件，RBox 组件对语义推理规则进行推理，Pellet基于RBOX的推理结果和Jena的推理结果进行深度推理(进一步推理)，并输出知识库(Knowledgebase)，知识库是知识图谱的一个部分，知识图谱基于知识库而建立，而知识图谱是建筑环境及能源评估的基本步骤之一。
本发明实施例中，所述推理逻辑用于挖掘传感器属性，具体可以为：
将BIM实例数据与SSN数据实例数据进行等同关联。
本发明实施例中，所述语义推理规则用于挖掘天气信息：
将外部天气信息与所述建筑温度信息进行关联。
本发明实施例中，所述语义推理规则用于挖掘挖掘建筑内人员日程信息：
将人员日程信息与所述建筑内室内人员实际行为进行关联。
在其中一个实施例中对语义推理进行了详细说明。语义推理提供了一种灵活且高效的路径，可用于识别不同RDF本体隐性及潜在的关联关系，并推理至显性知识库。在本发明实施例中，云服务器软件架构分为3层，如图3所示，其中，第一层为服务支持层，服务支持层提供与最终用户(例如建筑设计、构造、调试及运营管理者)进行交互的界面，供最终用户进行建筑环境及能源评估。服务即是对建筑运营方面实时及历史时期的环境及能源评估服务。在服务支持层中，提供两种查询方式，分别是 SPARQL和SQL，SPARQL查询知识库中的建筑信息，SQL查询存储在关系数据库中的时序数据(例如，各个传感器的数据记录根据时间序列，严格按照结构化存储在关系数据库里面)。第二层为数据关联层，该数据关联层的目的在于为服务支持层构建一个上下文知识库。包括三个组件：TBox组件、ABox组件及RBox组件。 TBox(Terminology Box)是描述概念与概念之间的关系，以及关系和关系间的公理的集合，包含一系列的OWL本体，并包括该OWL本体的类、数据及目标属性。 ABox(AssertionBox)是断言集合，包括一系列基于TBox定义概念的实体。RBox(Rule Box)包括了一系列IFT架构(IF-THEN statements)的策略，用于挖掘隐含信息。可选地，所述RBox用于挖掘建筑能效评价指标及挖掘与建筑能源指标相关的交叉领域本体。
图4(需要说明的是，附图4中的英文均为不同的参数名称)是基于语义传感网络(Semantic Sensor Network，SSN)的一个小型知识图谱。该知识图谱用于挖掘隐藏在 TBox和ABox当中的隐藏知识(implicit knowledge)。该图谱标示出了SSN网络中的类、属性及实例数据。其中，ssn:observes是ssn:sensor的一个实例数据，并且其范围是ssn:property的一个实例数据。另，继承性(传递性)关系(如subproperty)暗示了由一个属性关联的所有资源，且该资源同时也是另外一个属性的资源。而逆向关系 (Inverseof)则定义了不同属性间是逆向/相反的关系，例如ssn:observes和 ssn:observedBy.而子类(subclass)关系则表示了一个类的所有实例数据是另一个类的实例数据，且相互之间具备继承性关系。从图中可以看出，SN-ABC01是ssn:sensor的一个实例数据。有两组具备同样的链接：1.cur-humidity和ssn：property，2.room-air和 ssn：FeatureOfInterest。图4知识图谱的结论为：室内空气的相对湿度为52％，盘片(coil entity)的温度为10.5度。
第三层为数据源层，数据源层包括交叉领域环境及能源的建筑数据。该数据源可包括如下四类：1.OWL本体，例如IFC-owl，SSN-owl；2.关联建筑数据；3.预定义的推理策略，其目的在于挖掘RDF实例数据的非显性及隐藏关联性；4.混合存储架构。
交叉领域推理策略如图5所示。其中，推理策略包括三种语义推理机制。每一种均包含针对特定的建筑信息及OWL本体的不同的策略。第一种策略是基于SSN和 ifcOWL本体挖掘传感器信息。第二种是基于ifcOWL本体、智能家居(Think-home) 来推理天气信息；第三种是通过iCalendar(日程表)和ifcOWL本体获取居住者行为信息。策略采用了IF-THEN架构，一个推理策略包含前因(IF部分)及后果(THEN 部分)。前因部分表述了二者的信息或属性，后果部分即推理出二者的关联性。例如，SameAs可以将两个不同数据源的本体/实例数据进行等同关联。两个数据源都有一个本体或实例数据指代同一个实体，两个不同数据源实际上指代一个实体，例如，教学楼安装传感器获取温度和湿度，则在教学楼数据库中，至少包括了如下几类数据：教学楼、教学楼安装的传感器、温度和湿度；而在另外一个数据库：传感器数据库中，包括了传感器，传感器获取的建筑物(实际上就是第一个数据库中的教学楼) 的温度和湿度，则可以建立这样的语义推理规则：即两个数据库(源)中的数据指代是同一个(如同一个教学楼)，可以用SameAs关联起来。
表1是RDF格式的伪代码，表示了一个地板的Ifcspace实体。
表1
ifcowl：IfcBuildingStorey(？flr)
∧ifcowl：IfcRelAggregates(？rel)
∧ifcowl：relatingObject_IfcRelDecomposes(？rel，？flr)
∧ifcowl：relatedObjects_IfcRelDecomposes(？rel，？spa)
∧ifcowl：IfcSpace(？spa)
其中，前5行(IF部分)描述了一个表达形式，即ifcowl：IfcRelAggregates作为一个地板和BIM附属空间的桥梁。而最后一行(THEN部分)则显示了一个在IfcBuildingStorey和IfcSpace之间、简单而又直接的属性(e.g.epa：hasifcspace)。
表2显示了一个获取IfcSpace实例数据中温度传感器的一个例子。最初的9行作为IF部分，构建了一个封闭图谱。其中，owl：sameas属性建立了一个BIM实例数据与SSN实例数据的连接。在IfcSpace的传感器(第3和第4行)是潜在目标，并且两个数据属性(e.g.ssn：observed Property和ssn：featureOfInterest)决定了空气温度传感器的属性(第5-8行)。已决定的传感器ID被用于从时序关系型数据库中检索。而最后的THEN部分则显示了一个直接的数据属性(例如epa：hastemperaturesensor)用于获取温度传感器的ID。
表2
ifcowl：IfcSpace(？spa)
∧owl：sameas(？loca，？spa)
∧ssn：hasLocation(？sen，？loca)
∧ssn：Sensor(？sen)
∧ssn：observedProperty(？sen，？obpr)
∧swrlb：equal(？obpr，″temperature″^^xsd：string)
∧ssn：featureOfInterest(？sen，？foi)
∧swrlb：equal(？foi，″air″^^xsd：string)
∧rdfs：label(？sen，？senid)
而表3则用于发现空调设备的能源消耗，该规则适用于一种非直接的方式来挖掘IfcSpace和传感器实例数据的关系。IfcSpace实例数据用于检测一个传感器的 ssn：featureOfInterest属性是否包含了这个IfcSpace的名字(第2和第5行)。为了确定空调电能消耗的传感器属性，ssn：featureOfInterest属性必须包含HVAC(第6 行)，且ssn：observedProperty即等同于电能(第7-8行)。
表3
表4揭示了挖掘在一个时间周期内建筑物的外部天气信息语义推理规则。IF部分揭示了BIM实例数据和SSN实例数据中的天气报告的非直接关联性。城市名字可由 ifcOWL(第2-4行)两个属性(例如ifcowl：buildingAddress_IfcBuilding和 ifcowl：town_ifcPostalAddress)表示。地址实例数据(例如weaaddr)通过其名字标签是否包含同样的城市名字所过滤。地址实例数据的天气报告可作为建筑物的天气信息(第 8-9行)。THEN部分输出了一个建筑物和天气信息之间的显性关系属性(例如 epa：hasweastate)。
表4
ifcowl：IfcBuilding(？blg)
∧ifcowl：buildingAddress_IfcBuilding(？blg，？addr)
∧ifcowl：town_IfcPostalAddress(？addr，？town)
∧expr：hasString(？town，？tona)
∧wgs84_pos：Point(？weaaddr)
∧rdfs：label(？weaaddr，？weadna)
∧swrlb：equal(？tona，？weadna)
∧wgs84_pos：location(？weacur，？weaaddr)
∧weaOn：WeatherState(？weacur)
表5显示了一种在ifcSpace实例数据里推理出建筑室内人员事件的规则。在IF 部分(前9行)，该owl：sameas属性应用于建立BIM中ifcSpace实例数据和日程表 (第2行)中本地实例数据的联系。该方法选取了在一个时间周期内日程表发生的事件与实际室内人员发生的事件的关联关系。该THEN部分输出了IfcSpace里室内人员信息的目标属性(epa：hasoccupant)。
表5
ifcowl：IfcSpace(？spa)
∧owl：sameas(？spa，？loc)
∧ical：LOCATION(？eve，？loc)
∧ical：VEVENT(？eve)
∧ical：DTSTART(？eve，？esta)
∧ical：DTEND(？eve，？eend)
∧time：before(？esta，？cur)
∧time：after(？eend，？cur)
∧ical：ATTENDEE(？eve，？occ)
本发明实施例中将以湖北大学为例进行说明。湖北大学具备一栋6层高的建筑物(教学楼)共8000平米，该建筑物具备100多层不同空间，空间可以分为四类：教室、厕所、楼梯和走廊。其中教室具备两种不同尺寸，大尺寸为100平米可容纳100 个座位，小尺寸为70平米可容纳74个座位。其中，每一间教室均具备电脑，投影仪，10以上灯管以满足教学需要，并且还包括各式各样独立的空调设备，主要包括室外压缩机和室内的空调机，用于加热或冷却教室的温度。该教学楼由于长时间供教学使用，且每一个教室都放置了独立的空调设备等能源消耗装置，因此需要进行能效的优化。而本发明实施例中，为了实现该优化，提供了上述从获取数据源到利用混合推理技术构建知识图谱的方法。其中，本发明实施例提到的交叉领域，可包括如下几类：
1)通过IFC转换为RDF格式的ifcOWL本体和BIM数据；
2)SSN本体和传感器信息；
3)智能家庭本体和天气信息，通过线上系统(例如weather underground) 得到；
4)建筑物内人员日程本体和建筑物室内人员行为信息；
5)展现指标本体及RDF数据；
6)关系数据库的时间序列数据；
7)数据库本体及数据库RDF文件。
该能源评估历时1年，经历了两个学期。其中，对于建筑室内人员状态、电灯状态，教学设备及空调设备的状态是利用课程表来表示(例如课程表的信息：在10-11 点上课，上课人数为70人，则可判断该教室在10-11点有70人上课)。当前知识库会输出：1.空间建筑参数，例如温度，相对湿度和室内人员状态(每隔10分钟获取)；2.能耗装置，例如空调，电灯，室内设备(每隔1小时获取)。
该建筑物有3个不同指标来衡量其舒适度。第一和第二个指标分别是室内空气温度和相对湿度，用来评估102教室的人员舒适度。第三个指标是室外的温度和相对湿度。
可选地，所述语义推理规则用于挖掘建筑能效评价指标及挖掘与建筑能源指标相关的交叉领域本体，包括：
所述语义推理规则用于挖掘建筑信息模型BIM实例与语义传感网络SSN实例的关联关系，所述SSN实例由传感器属性所确定。
可选地，所述语义推理规则用于挖掘建筑能效评价指标及挖掘与建筑能源指标相关的交叉领域本体，包括：
所述语义推理规则用于挖掘BIM实例与天气报告实例的关联关系，所述天气报告实例存储于SSN实例数据库。
可选地，所述语义推理规则用于挖掘建筑能效评价指标及挖掘与建筑能源指标相关的交叉领域本体，包括：
所述语义推理规则用于挖掘室内人员行为，所述室内人员行为通过室内人员日程信息获取。
图6是建筑环境评估的结果。可以看出，102教室室内温度由课程表所控制。规则的上下波动是由于上课时间空调控制所造成的(18-22摄氏度)。在空调关闭后，室内温度开始降低至室外温度(5-15度)。
图7是能源消耗评估的结果。其中，图7对三类设备进行评估，分别是电灯、教学设备和空调设备。空调设备消耗的能量较高，700-1000kWh每天，电灯和教学设备是基于课程表来固定使用的，故总功耗较为平稳，在70-180kWh每天的范围内。
本发明实施例还提供一种基于混合语义推理技术的建筑能效评估系统，所述系统包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，执行上述方法。
应理解，在本申请的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、系统和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本说明书的各个部分均采用递进的方式进行描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点介绍的都是与其他实施例不同之处。尤其，对于系统和系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例部分的说明即可。
最后，需要说明的是：以上仅为本申请技术方案的较佳实施例而已，并非用于限定本申请的保护范围。显然，本领域技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于混合语义推理技术的建筑能效评估方法，其特征在于，包括：
云服务器获取与建筑能效相关的多源数据，所述多源数据包括语义推理规则、建筑信息建模BIM数据、传感器信息、建筑能效评价指标、天气报告、室内人员日程信息、关系数据库架构信息、建筑信息模型本体ifcOWL、语义传感网络SSN本体、智能家居本体、室内人员日程信息本体、关系数据库架构本体及时序数据；
所述云服务器通过混合语义推理技术对所述建筑能效相关的多源数据进行多层次推理，输出知识库，以便对当前建筑环境及能源进行评估。
2.根据权利要求1所述的方法，其特征在于，所述云服务器通过混合语义推理技术对所述多源数据人员日程进行多层次推理，包括：
云服务器创建语义数据推理组件，所述语义数据推理组件包括术语公理集TBox组件、断言事实集ABox组件以及语义推理规则RBox组件，其中，所述术语公理集组件用于对OWL本体类、数据、目标属性以及类与属性的关联关系进行推理，所述断言事实集用于对建筑信息模型-资源描述框架IFC-RDF实例数据以及SSN-RDF实例数据进行推理，所述语义推理规则组件包括多个策略逻辑，所述策略逻辑用于挖掘隐性关联或隐性知识；
针对不同的数据源，所述云服务器分别采用ABox、TBox进行初级推理，并采用RBox进行进一步推理。
3.根据权利要求2所述的方法，其特征在于，所述云服务器还包括Jena推理机和Pellet推理机，所述Jena推理机包括术语公理集组件及断言事实集组件，则所述云服务器分别采用术语公理集组件、断言事实集组件以及语义推理规则组件对不同的数据源进行推理，包括：
所述云服务器采用术语公理集组件对所述数据源中ifcOWL本体、SSN本体、智能家居本体、人员日程本体及数据库架构本体进行推理；
所述云服务器采用断言事实集组件对所述数据源中BIM数据、传感器信息、建筑能效评价指标、天气报告、人员日程信息及关系数据库架构信息进行推理；
所述云服务器采用所述语义推理规则组件对所述语义推理规则进行推理，并将所述推理结果发送至所述Pellet推理机；
所述Jena推理机将所述术语公理集组件及所述断言事实集组件的推理结果发送至所述Pellet推理机；
所述Pellet推理机对接收到的推理结果进行推理，输出知识库。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述语义推理规则用于挖掘建筑能效评价指标及挖掘与建筑能源指标相关的交叉领域本体。
5.根据权利要求4所述的方法，其特征在于，所述语义推理规则用于挖掘建筑能效评价指标及挖掘与建筑能源指标相关的交叉领域本体，包括：
所述语义推理规则用于挖掘建筑信息模型BIM实例与语义传感网络SSN实例的关联关系，所述SSN实例由传感器属性所确定。
6.根据权利要求4所述的方法，其特征在于，所述语义推理规则用于挖掘建筑能效评价指标及挖掘与建筑能源指标相关的交叉领域本体，包括：
所述语义推理规则用于挖掘BIM实例与天气报告实例的关联关系，所述天气报告实例存储于SSN实例数据库。
7.根据权利要求4所述的方法，其特征在于，所述语义推理规则用于挖掘建筑能效评价指标及挖掘与建筑能源指标相关的交叉领域本体，包括：
所述语义推理规则用于挖掘室内人员行为，所述室内人员行为通过室内人员日程信息获取。
8.一种基于混合语义推理技术的建筑能效评估系统，其特征在于，所述系统包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，执行权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911139116.2A CN111126660B (zh) | 2019-11-20 | 2019-11-20 | 基于混合语义推理技术的建筑能效评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911139116.2A CN111126660B (zh) | 2019-11-20 | 2019-11-20 | 基于混合语义推理技术的建筑能效评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111126660A true CN111126660A (zh) | 2020-05-08 |
| CN111126660B CN111126660B (zh) | 2023-09-19 |
Family
ID=70495945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911139116.2A Active CN111126660B (zh) | 2019-11-20 | 2019-11-20 | 基于混合语义推理技术的建筑能效评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111126660B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529185A (zh) * | 2021-02-18 | 2021-03-19 | 中国科学院自动化研究所 | 工业过程领域规则知识获取方法 |
| CN112734213A (zh) * | 2020-12-30 | 2021-04-30 | 大连海事大学 | 一种基于本体的公路桥梁技术状况检查评价方法 |
| CN113256084A (zh) * | 2021-05-08 | 2021-08-13 | 同济大学建筑设计研究院(集团)有限公司 | 一种基于bim的建筑经济指标智能统计与校核方法和系统 |
| CN113342996A (zh) * | 2021-07-08 | 2021-09-03 | 上海明略人工智能(集团)有限公司 | 销售线索评分方法、系统、计算机设备和可读存储介质 |
| CN113641831A (zh) * | 2021-08-16 | 2021-11-12 | 中国科学院空天信息创新研究院 | 基于知识图谱面向多源离散数据的林火蔓延趋势预测方法 |
| CN114254426A (zh) * | 2022-02-28 | 2022-03-29 | 深圳大学 | 地下空间深基坑开挖风险监测的轻量可视化系统及方法 |
| CN116861928A (zh) * | 2023-07-07 | 2023-10-10 | 北京中关村科金技术有限公司 | 指令微调数据的生成方法、装置、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090092193A (ko) * | 2008-02-26 | 2009-08-31 | 김수경 | 시맨틱웹 기술 기반의 지능형 구인구직 중개인 서비스시스템 |
| US20100036788A1 (en) * | 2008-08-08 | 2010-02-11 | Oracle International Corporation | Database-based inference engine for RDFS/OWL constructs |
| CN102682122A (zh) * | 2012-05-15 | 2012-09-19 | 北京科技大学 | 基于本体构建材料科学领域语义数据模型的方法 |
| KR20130064226A (ko) * | 2011-12-08 | 2013-06-18 | 숭실대학교산학협력단 | 시맨틱 웹에서 관계형 데이터베이스를 ｏｗｌ 온톨로지로 사용하기 위한 질의처리장치 및 방법 |
| CN103489056A (zh) * | 2013-07-08 | 2014-01-01 | 福州大学 | 集成本体知识推理与层次分析的土地评价方法及专家系统 |
| CN105808734A (zh) * | 2016-03-10 | 2016-07-27 | 同济大学 | 一种基于语义网的钢铁制造过程知识间隐性关系获取方法 |
| CN106126885A (zh) * | 2016-06-16 | 2016-11-16 | 中国船舶工业综合技术经济研究院 | 一种产品设计知识服务方法和装置 |
| WO2018098148A1 (en) * | 2016-11-23 | 2018-05-31 | Carrier Corporation | Building management system having event reporting |
| CN108898283A (zh) * | 2018-06-07 | 2018-11-27 | 湖北大学 | 一种基于语义网进行建筑能效分析的方法及装置 |
-
2019
- 2019-11-20 CN CN201911139116.2A patent/CN111126660B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090092193A (ko) * | 2008-02-26 | 2009-08-31 | 김수경 | 시맨틱웹 기술 기반의 지능형 구인구직 중개인 서비스시스템 |
| US20100036788A1 (en) * | 2008-08-08 | 2010-02-11 | Oracle International Corporation | Database-based inference engine for RDFS/OWL constructs |
| KR20130064226A (ko) * | 2011-12-08 | 2013-06-18 | 숭실대학교산학협력단 | 시맨틱 웹에서 관계형 데이터베이스를 ｏｗｌ 온톨로지로 사용하기 위한 질의처리장치 및 방법 |
| CN102682122A (zh) * | 2012-05-15 | 2012-09-19 | 北京科技大学 | 基于本体构建材料科学领域语义数据模型的方法 |
| CN103489056A (zh) * | 2013-07-08 | 2014-01-01 | 福州大学 | 集成本体知识推理与层次分析的土地评价方法及专家系统 |
| CN105808734A (zh) * | 2016-03-10 | 2016-07-27 | 同济大学 | 一种基于语义网的钢铁制造过程知识间隐性关系获取方法 |
| CN106126885A (zh) * | 2016-06-16 | 2016-11-16 | 中国船舶工业综合技术经济研究院 | 一种产品设计知识服务方法和装置 |
| WO2018098148A1 (en) * | 2016-11-23 | 2018-05-31 | Carrier Corporation | Building management system having event reporting |
| CN108898283A (zh) * | 2018-06-07 | 2018-11-27 | 湖北大学 | 一种基于语义网进行建筑能效分析的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 姜韶华;武静;: "基于本体与BIM的绿色建筑智能评价系统", no. 04, pages 035 - 039 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734213A (zh) * | 2020-12-30 | 2021-04-30 | 大连海事大学 | 一种基于本体的公路桥梁技术状况检查评价方法 |
| CN112734213B (zh) * | 2020-12-30 | 2023-12-15 | 大连海事大学 | 一种基于本体的公路桥梁技术状况检查评价方法 |
| CN112529185A (zh) * | 2021-02-18 | 2021-03-19 | 中国科学院自动化研究所 | 工业过程领域规则知识获取方法 |
| US11455548B2 (en) | 2021-02-18 | 2022-09-27 | Institute Of Automation, Chinese Academy Of Sciences | Acquisition method for domain rule knowledge of industrial process |
| CN113256084A (zh) * | 2021-05-08 | 2021-08-13 | 同济大学建筑设计研究院(集团)有限公司 | 一种基于bim的建筑经济指标智能统计与校核方法和系统 |
| CN113256084B (zh) * | 2021-05-08 | 2023-05-26 | 同济大学建筑设计研究院(集团)有限公司 | 一种基于bim的建筑经济指标智能统计与校核方法和系统 |
| CN113342996A (zh) * | 2021-07-08 | 2021-09-03 | 上海明略人工智能(集团)有限公司 | 销售线索评分方法、系统、计算机设备和可读存储介质 |
| CN113641831A (zh) * | 2021-08-16 | 2021-11-12 | 中国科学院空天信息创新研究院 | 基于知识图谱面向多源离散数据的林火蔓延趋势预测方法 |
| CN114254426A (zh) * | 2022-02-28 | 2022-03-29 | 深圳大学 | 地下空间深基坑开挖风险监测的轻量可视化系统及方法 |
| CN116861928A (zh) * | 2023-07-07 | 2023-10-10 | 北京中关村科金技术有限公司 | 指令微调数据的生成方法、装置、设备及介质 |
| CN116861928B (zh) * | 2023-07-07 | 2023-11-17 | 北京中关村科金技术有限公司 | 指令微调数据的生成方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111126660B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111126660B (zh) | 基于混合语义推理技术的建筑能效评估方法及系统 | |
| Al-Saeed et al. | Automating construction manufacturing procedures using BIM digital objects (BDOs) Case study of knowledge transfer partnership project in UK | |
| Pritoni et al. | Metadata schemas and ontologies for building energy applications: A critical review and use case analysis | |
| Hu et al. | Building energy performance assessment using linked data and cross-domain semantic reasoning | |
| Perttunen et al. | Context representation and reasoning in pervasive computing: a review | |
| US9429960B2 (en) | Integrated information framework for automated performance analysis of heating, ventilation, and air conditioning (HVAC) systems | |
| Jiang et al. | Multi-ontology fusion and rule development to facilitate automated code compliance checking using BIM and rule-based reasoning | |
| Settas et al. | SPARSE: A symptom-based antipattern retrieval knowledge-based system using Semantic Web technologies | |
| Vaccari et al. | An evaluation of ontology matching in geo-service applications | |
| Privat et al. | Guidelines for Modelling with NGSI-LD | |
| ALAmri | The relational database layout to store ontology knowledge base | |
| Fan et al. | Mapping fuzzy RDF (S) into fuzzy object‐oriented databases | |
| Zhang et al. | Fuzzy semantic web ontology learning from fuzzy UML model | |
| Svetel et al. | The role of the semantic web for knowledge management in the construction industry | |
| Da Silva et al. | Semantic interoperability of heterogeneous semantic resources | |
| Fürber et al. | Using semantic web technologies for data quality management | |
| Fernbach et al. | Linked data for building management | |
| Gruyter | Context-aware computing | |
| Siddiqui et al. | Web ontology language design and related tools: a survey | |
| Al Rasyid et al. | Linked data for air pollution monitoring | |
| Popa et al. | A Semantically Data-Driven Classification Framework for Energy Consumption in Buildings | |
| Zhang et al. | Reasoning of fuzzy relational databases with fuzzy ontologies | |
| Banlue et al. | Ontology-based metadata integration approach for learning resource interoperability | |
| Yu et al. | A linked data approach for information integration between BIM and sensor data | |
| de Barros Lima | A web-based application to integrate building management system sensor data and building information model data to support facility management tasks |
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 |