CN115048473A - 城市信息模型人工智能服务方法及系统 - Google Patents
城市信息模型人工智能服务方法及系统 Download PDFInfo
- Publication number
- CN115048473A CN115048473A CN202111317985.7A CN202111317985A CN115048473A CN 115048473 A CN115048473 A CN 115048473A CN 202111317985 A CN202111317985 A CN 202111317985A CN 115048473 A CN115048473 A CN 115048473A
- Authority
- CN
- China
- Prior art keywords
- model
- parameter
- city
- city information
- request
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000013473 artificial intelligence Methods 0.000 title claims description 49
- 230000000007 visual effect Effects 0.000 claims abstract description 30
- 238000003066 decision tree Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 101100269885 Arabidopsis thaliana ANN1 gene Proteins 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 36
- 239000003795 chemical substances by application Substances 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 22
- 239000000463 material Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000005286 illumination Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 238000000547 structure data Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000011449 brick Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000699 topical effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于三维数据森林的城市信息模型人工智能服务方法，通过具有三维数据森林结构的空间数据库等的设置，采用人工神经网络、决策树和蚁群算法模型相关的三种数据结构，从模型预测精确性以及预测模型的视觉呈现质量上进行了全方位的服务。拓宽了服务面以及精确性，改善了用户体验。实现了城市信息模型在不同应用场景下的重复利用，取得了呈现效果优选的低出错率的数据导出。
Description
技术领域
本发明为2017111037291的系列申请，涉及三维模型应用技术领域，尤其涉及基于三维数据森林的城市信息模型人工智能服务方法。
背景技术
城市信息模型是以城市信息数据为基数，建立起三维城市空间模型和城市信息的有机综合体。随着全国数字城市和智慧城市建设的开展，城市三维信息化管理和建设在各个领域快速推进。各地方城市信息模型数据越来越多，与此同时也出现了大量的城市模型应用系统。但这些城市信息模型应用绝大多数以三维可视化为主，没有将三维模型数据的价值充分应用到行业业务之中。由于，目前不同行业的三维模型系统中数据格式往往不同，没有统一的语义信息，进而导致在同一城市区域内不同行业或不同系统的三维模型数据无法重复使用。
现有的城市信息模型数据应用系统的技术缺点主要表现在以下几个方面：1)三维模型数据以文件系统存储，不利于检索与维护；2)三维模型数据没有统一的定义，数据信息内容以空间位置和图形呈现为主，没有语义信息；而语义信息是连接城市信息模型数据和业务应用系统的基础。3)模型数据与应用程序往往深度绑定，耦合性很强，一个系统建设的三维模型数据或功能很难被其它系统重复利用。
为此，Thomas H.Kolbe等公开的“3D City Databasefor CityGML”一文中提供了一种基于CityGML格式的三维城市数据库文件，三维城市模型被用作代表相关城市实体及其空间、语义和视觉属性的综合信息主干，三维城市数据库是个免费的开源包，由一个数据库和一套软件工具组成，可以根据CityGML标准导入、管理、分析、可视化和导出虚拟的三维城市模型，由于城市三维数据库是基于CityGML格式的，因此，从用户应用程序到数据库的课交互数据方问至少可以通过两种方式实现，一种方式为，通过使用包含的高性能CityGML导入/导出工具或所包含的基本Web要素服务2.0版本，以 2.0或1.0版本的CityGML格式交换数据，三维城市数据库WFS要素服务可以将相应的要素实例根据请求发送到客户端，GetFeature操作允许客户端从三维城市数据库查询 CityGML要素，例如，web要素服务将使用gml：id值与ID_0815匹配的CityGMLcity 对象响应请求。并且还公开了一种光照分析方法，计算直接和漫射照射到建筑物的墙壁和屋顶的太阳能，计算中考虑了建筑投影，数字表面模型和数字高程模型，每月的能量和辐照值以及天空景观因子作为一般属性附加到所有墙体和屋顶表面物体上，并以聚合形式附加到所有建筑物上，然而，在该方案中，并非通过变换得到变换后分析的结果，即并非将城市信息模型按照分析条件进行变换得到分析后的结果。进一步，当其通过 Web要素服务将城市信息模型发送给外部应用时，由于需要各自操作各自导出，这样，大大降低了导出效率，还可能会导致导出错误以及不支持的情况。
从算法角度看，现有技术往往依靠单一的算法来决定匹配结果，由于网络中请求量的剧增，会导致服务器的载荷过大，从而需要考虑对于算法的修改满足减荷需求，然而同时会引发错误率的提升，需额外对两者兼顾考虑。
从视觉呈现角度看，用户可能因随机或不知道模型呈现视觉效果如何的前提下而发出请求参数，从而当接收到匹配的模型时，会出现不能满足用户的视觉呈现质量要求而只能够重复申请。但尝试性调整参数是盲目的，会造成不必要的资源的重复浪费，大大增加了服务和利用成本。
现有技术中尚不存在能够降低导出错误率且考虑视觉呈现效果的三维城市数据库的不同场景应用。
发明内容
有鉴于此，本发明实施例的目的在于提供了城市信息模型人工智能服务方法，通过空间数据库等的设置，实现了城市信息模型在不同应用场景下的重复利用，并且数据导出出错率低视觉呈现质量高。
具体而言，根据本发明的第一方面，本发明实施例提供了基于三维数据森林的城市信息模型人工智能服务方法，包括：
S1将城市信息模型存储在具有数据森林结构数据的空间数据库中，其中，所述城市信息模型的格式为CityGML；
S2构建由多种人工智能模型组成的联合人工智能模型U；
S3当接收到外部应用发出的服务请求时，获取请求参数ap，利用联合人工智能模型U从所述空间数据库调取与所述服务请求相应的城市信息模型；
S4通过Web要素服务将所述城市信息模型发送给所述外部应用。
关于S1
S1具体包括：
S1-1制定请求参数类型，包括：城市名、请求地理范围、城市信息模型所在时间(也即城市信息模型是基于某时刻的遥感图像而构建的，可以理解的是，例如白天九点时或夜晚十点时的城市信息模型)、道路名称、建筑类型、建筑几何参数、光照条件、建筑屋顶材质、加密信息。
S1-2构建多分块图P，P中每个分块都具有编号和多个像素，分别对应了相应的请求参数类型以及类型下具体的像素值，按照预设的排序规则将请求参数类型排序成第一方阵，按照像素值大小在每个分块中进行排序形成第二方阵且每个像素上都具有以像素值个单位为高的直棱柱，并为每个分块预留一个零像素点，构成了空间数据库的三维数据森林结构；
S1-3将城市信息模型存储入所述空间数据库中并按照所属的请求参数类型和相应像素值构建指针函数指向三维数据森林结构相应的像素中。
可以理解的是，构建指针函数相当于在模型和三维数据森林之间建立了映射关系(如图1所示)，这也就是在后文步骤S2中根据目标参数映射找到模型的依据。即利用目标参数寻找模型时，是通过目标参数与模型的各请求参数类型下的像素的像素值之间进行比对，匹配时即通过指针函数而调用到模型。
由于城市信息模型构建数量有限，一般不会使得分块图P中每个像素点都填满(也即满射)在该参数类型下所有可能像素值的模型，甚至可能对于某一或某些像素或分块来说，模型数据是空缺的。然而一旦用户请求参数在空间数据库中未找到对应的模型时，则可以考虑构建新的模型以更新数据库，尤其是当这些用户请求逐渐增加时。其中单位可用厘米计量。
其中，其中，城市名和道路名称、光照条件名称、建筑类型和建筑屋顶材质名称，三组名称在字数多者靠后原则下按照各自名称逐个文字拼音首字母顺序排序，且拼音首字母序列Aa、Bb、Cc...在三组中分别赋予以第一预设值序列、第二预设值序列和第三预设值序列作为像素值赋值标准；
请求地理范围、建筑几何参数分别以请求地理范围的面积大小、建筑几何参数大小排序，分别以面积数值、几何参数值作为像素值赋值标准；
城市信息模型所在时间按照年月日时分秒组合成的数值作为像素值赋值标准且按组合成的数值大小排序；
建筑类型和建筑屋顶材质还可以分别按照预设的建筑类型排序规则排序，例如建筑类型按照住宅、办公、实体店、厂房、单位与机构等排序，建筑屋顶材质按照混凝土、黑瓦、红瓦、黄琉璃、碧琉璃、砖地、沥青、高分子屋顶、高分子防水材料、太阳能板排序，加密信息以随机码作为像素值，光照条件还可以按照光照参数值作为像素值赋值标准且大小排序。
其中，建筑几何参数包括每一栋建筑的预设标记点在城市坐标系下的坐标值，所述预设标记点与坐标系原点距离，以及建筑的高度。
优选地，将城市名、请求地理范围、城市信息模型所在时间、道路名称、建筑类型、建筑几何参数、光照条件、建筑屋顶材质对应的像素值都归一化处理。
可以理解的是，空间数据库的三维数据结构中是一个三维矩阵数据结构，每个矩阵元代表了一个参数类型(例如城市名)，其中又按照像素值大小进行排列，从而形成本发明定义的数据森林。即方阵如同地面，在地面上划分成九个地块，每个矩阵元表示一个地块，每个地块上按照像素值排序形成不同高度的直棱柱，从而形成如森林形象的三维数据结构。对于给定的一个地理范围，每一个城市信息模型都对应了一个具体的森林。其中数据森林的地面中每个分块像素数目可以不一致，这与每个类型下按像素值细分的级别数目相关。
如此构建数据森林的目的既可以将请求转化为数据森林结构，从而通过比对具体几何体而判断(具体采用后文的ANN1模型)是否匹配到目标城市信息模型，又可以将每一个像素作为一个节点，根据用户指定的请求参数形成从请求参数总结点出发，连接每一个第一方阵中任选的一个第二方阵的像素节点，以及目标参数节点为终点的多条路径，从而为蚁群算法提供数据架构基础。
从路径角度看，还可以将多条路径组成树形结构，形成数据树，成为决策树模型的数据架构以及条件查询基础。还是从请求参数总结点出发，分成城市名称和加密信息两个节点形成两个总支路，从城市名节点出发，分支成多个第一支路，每个城市名称节点上又分出多个不同的请求地理范围，形成多个第二支路，每个请求地理范围节点上再分出多个时间节点，形成第三支路，每个时间节点上再分出道路名称和建筑类型两个节点，形成多个第四支路，其中每个建筑类型节点上又分出建筑几何参数、光照条件、建筑屋顶材质三个节点，形成多个第五支路。
多层次数据中模型的视觉呈现效果是不同的，例如对于那些地理范围选择合适，光照度好，白天，繁华的闹市区的高档建筑密集区模型呈现视觉效果最佳。而相反地理范围选择过大，光照度差，在黑夜中视线受限，偏远的城区中的模型视觉效果会差，从而根据决策树来反映所请求的模型的视觉效果进行区分，使得用户能够根据决策结果而调整请求参数。
从数据森林的“地面”角度看，又可以从二维图像出发，为人工智能识别提供数据基础。
关于S2
S2具体包括：
S2-1将数据森林地面的每个第二方阵中的每个像素的像素值的归一化数值乘以255 或任选的彩色中RGB任选至少一基色值乘以归一化数值之后形成的新的RGB三值作为该像素的颜色值，形成多分块图P；
S2-2初始化请求参数形成请求参数总结点(第零节点)，从所述总结点出发，连接每一个第一方阵中任选的一个第二方阵的像素节点，以请求参数为目标参数节点作为终点形成多条路径r；
S2-3任选步骤S2-2中的一条路径，按照该路径中的像素节点在路径方向上的排序形成从所述总结点为根的共有五个层次的数据树，
在一个实施例中，从请求参数总结点出发，分成城市名和加密信息两个节点形成两个总支路，从城市名节点出发，分支成多个第一支路，每个城市名称节点上又分出多个不同的请求地理范围，形成多个第二支路，每个请求地理范围节点上再分出多个城市信息模型所在时间节点，形成第三支路，每个时间节点上再分出道路名称和建筑类型两个节点，形成多个第四支路，其中建筑类型节点上又分出建筑几何参数、光照条件、建筑屋顶材质三个节点，形成多个第五支路，其中，
城市名和加密信息构成了第一层次，请求地理范围构成了第二层次，城市信息模型所在时间构成了第三层次，道路名称和建筑类型构成了第四层次，几何参数、光照条件、建筑屋顶材质则构成了第五层次。
S2-4构建第一人工智能模型ANN1、蚁群模型AG、决策树模型DT组成的联合人工智能模型U。
其中步骤S2-4具体包括：
S2-4-1任选至少一个像素且将未选的像素的像素值赋予第一预设像素值，形成多个多分块图样本Q，
将样本Q分为训练集d、验证集v、测试集t，三者比例为10-5:5-3:2-1，优选为6:3:1，以训练集d为输入端，目标参数O为输出端构建人工智能网络模型ANN1，使用验证集v验证，不断训练调整网络参数，直至预测准确率高于预设准确率时停止训练；优选地，所述人工智能网络模型包括深度神经网络DNN、对抗网络模型GAN，支持向量机SVM，构建目标参数O与城市信息模型Mod之间的映射关系
从而获得
其中Op1为训练好的ANN1 预测的目标参数，而Modp1为相应预测的城市信息模型；
S2-4-2在接收外部应用发出的服务请求时，获取到请求参数ap作为处理目标，输入多条路径r中，获得处理目标在每一条路径上的节点的第一总评价分数，也即节点第一配对概率值作为评价信息，确定该目标处理的第一时间评分，将该节点的第一总评价分数与该第一时间评分的平均数作为在该条路径上的该处理目标的匹配参数而赋予该条路径，删除第一节点不匹配以及匹配参数最低的路径；
处理目标再重复输入剩余的多条路径中，获得剩余每一条路径上节点的第二总评价分数，也即节点第二配对概率值作为评价信息，确定该目标处理的第二时间评分，将该节点的第二总评价分数与该第二时间评分的平均数作为在该条路径上的该处理目标的匹配参数而赋予该条路径，删除第二节点不匹配以及匹配参数最低的路径，不断重复过程，直到剩余一条路径或多条匹配参数一致的最终路径，将任选一条所述最终路径上的像素值作为目标参数根据映射关系
得到最后的Modp2为相应预测的城市信息模型，从而获得蚁群模型
，其中r为处理目标第一次输入前从所述总结点出发形成多条路径条数，s为输入的次数，rs为第s次输入时的路径条数，r-qs+1为第s次输入后删除第s节点不匹配且匹配参数最低的路径之后剩余的路径条数，(ps,Pn)为第s节点配对概率值ps和第n条路径的节点第s总评价分数，也即总节点配对第s概率值组成的数组，Op2为AG预测的目标参数，Modp2为相应预测的模型，所述的配对概率值定义为ap中相应参数类型中的数值大小与数据库中相应的像素值相差在第一阈值范围内时定义为匹配成功，此时配对概率值为 1，否则为不匹配概率值为0。
可以理解的是，当ap中有对应的参数类型为空缺时，在路径中则不用计算对应节点上的匹配概率，从而使得该路径的总体计算时间缩短，时间评分则高，在下一轮中，对于该节点中存在非零数据以及匹配参数最低的路径都将被删除，提高了整体的计算效率。
S2-4-3将训练集d按照数据树中数据生成决策树，将ap代入生成的决策树中，判断视觉呈现是否优良，若是则定义为候选目标参数，若否则返回询问是否修改请求参数以及建议参数选择。
其中所述建议参数生成过程为：
S2-4-3-1选择出决策树中所有优良视觉呈现的路径opr，
S2-4-3-2对比所述所有优良视觉呈现的路径中请求参数类型节点的像素值与ap中相应的像素值，将差值在第二阈值范围内的对应请求参数类型作为候选请求参数类型ca；
S2-4-3-3按照所有优良视觉呈现的路径中候选请求参数类型ca的数量大小排序，将其中的对应像素值作为建议参数，以供用户选择。
优选地，将所有优良视觉呈现的路径中候选请求参数类型ca的数量最多的优良视觉呈现的路径中的参数类型节点的像素值作为建议参数，以供用户选择。
S2-4-4将ANN1，AG以及决策树进行逻辑组合构建成联合人工智能模型U，具体逻辑组合包括：先执行决策树，以确定ap是否属于作为候选目标参数，若是，则将ap 转化成分块图样本(分块图化)代入ANN1中计算，以及将ap输入AG中，若否则返回询问是否选择修改请求参数以及提供建议参数选择，并根据所选择的结果代入ANN1 中计算以及输入AG中；
在AG计算时，当处理目标数量小于临界编号时，即根据处理目标的匹配参数确定返回值，并将Op2和Op1比较，若Op2＝Op1则任选AG或ANN1给出预测模型结果Modp2或 Modp1作为计算结果，若Op2≠Op1，则同时选择Modp2和Modp1为预测结果，以供用户选择；当处理目标数量大于临界编号时，则跳转优先选择ANN1算法进行模型预测，此时需要判断是否已经在执行ANN1计算，若是则终止AG计算而根据ANN1给出预测模型结果Modp1作为计算结果，否则进入ANN1计算给出预测模型结果Modp1作为计算结果，以免重复进行ANN1计算。
依照临界编号能够减少服务器载荷。发现过载后，仍然可以借助ANN1模型获得正确识别的可能，而在正常载荷时，当两者预测结果不一致时，能够同时给出Modp2和 Modp1以供用户选择，从而加强了灵活性以及避免误匹配造成的资源浪费。
优选地，同时选择的所述Modp2和Modp1为经过局部降低画质处理或模型局部形式给予提供，在用户选择其中一种时恢复为对应空间数据库中的原始数据，而删除另一种模型。以免造成用户没有选择的模型的额外请求服务，而造成潜在的市场需求量损失。可以理解的是，若将两种模型都原始数据形式呈现提供，则相当于一次请求而获得两种城市信息模型服务，用户由此可以不必通过额外的请求而获得了在以后可能会再次需要而本次未选择的模型。从而减少了市场需求量。
关于S3
S3具体包括：当接收到外部应用发出的服务请求时，获取请求参数ap，将ap输入联合人工智能模型U，得到预测模型结果，从所述空间数据库或数据树调取与所述请求参数ap相应的城市信息模型Modp2和/或Modp1，其中，
当所述服务请求中包括查询条件时，从所述空间数据库或数据树中调取与所述查询条件相应的城市信息模型；
将与所述查询条件相符合的城市信息模型按照预先设置的模式排列成查询结果表；
当所述服务请求包括分析条件时，从所述空间数据库或数据树中调取与所述分析条件相应的城市信息模型；
将所述城市信息模型按照所述分析条件进行变换，得到分析后的结果。
关于S4
S4具体包括：通过Web要素服务将所述城市信息模型Modp2和/或Modp1发送给所述外部应用，其中，
当所述服务请求包括查询条件时，通过Web要素服务将所述查询结果表发送给所述外部应用；
当所述服务请求包括分析条件时，通过Web要素服务将所述分析后的城市信息模型发送给所述外部应用。
进一步，城市信息模型服务方法还包括：
通过模型数据浏览客户端对所述城市信息模型Modp2和/或Modp1、查询结果表和分析后的城市信息模型进行预览。
根据本发明的第二方面，本发明实施例提供了实现基于三维数据森林的城市信息模型人工智能服务方法的系统，包括：
存储模块，用于将城市信息模型存储在空间数据库中，其中，城市信息模型的格式为CityGML；
模型构建模块，用于构建由多种人工智能模型组成的联合人工智能模型U；
分析模块，用于当接收到外部应用发出的服务请求时，从空间数据库调取与服务请求相应的城市信息模型；
发送模块，用于通过Web要素服务将城市信息模型发送给外部应用。
进一步，分析模块还包括：
查询单元，当接收到外部应用发出的服务请求时，获取请求参数ap，利用联合人工智能模型U从所述空间数据库调取与所述服务请求相应的城市信息模型；
查询结果生成单元，用于将与查询条件相符合的城市信息模型按照预先设置的模式排列成查询结果表。
本发明还提供一种非暂时性存储介质，其中存储有可由实现基于三维数据森林的城市信息模型人工智能服务方法的系统运行而实现前述基于三维数据森林的城市信息模型人工智能服务方法的计算机可读程序。
本发明实施例提供的基于三维数据森林的城市信息模型人工智能服务方法及系统中将城市信息模型以统一的格式(即CityGML的格式)存储在空间数据库中，当外部应用发来服务请求时，能够通过Web要素服务将对应的城市信息模型发送给外部应用使用，通过上述处理过程，实现了对城市信息模型的统一存储，方便不同的外部应用进行使用，从而改变了传统城市信息模型以空间位置和图形呈现为主的显示方式，实现了在不同应用场景下对城市信息模型的重复利用，方便快捷。
在请求数据处理和查询条件处理时，巧妙地构建了三维数据森林结构，用以衍生出与建立人工神经网络、决策树和蚁群算法模型相关的三种数据结构，从模型预测精确性以及预测模型的视觉呈现质量上进行了全方位的服务。拓宽了服务面以及精确性，改善了用户体验。
本发明的其他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。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1模型与数据森林之间的指针映射关系示意图，
图2示出了本发明实施例1所提供的九宫格数据森林的俯视示意图，
图3示出了本发明实施例1所提供的九宫格数据森林的前视示意图，
图4为本发明实施例2中从请求参数总结点T出发连接各九宫格每一格中任一像素，并以请求参数作为的目标参数节点O为终点而形成多条路径r，以提供AG算法的数据结构，
图5为本发明实施例2中一种数据树结构，
图6为本发明实施例3中样本分块图化后形成的一多分块图样本示意图，
图7为本发明实施例3中第一人工智能模型ANN1、蚁群模型AG、决策树模型DT 组成的联合人工智能模型U的过程示意图，
图8为本发明实施例3的三类请求参数类型的请求参数ap的AG算法过程示意图，
图9为建议参数形成过程示意图，
图10本发明基于三维数据森林的城市信息模型人工智能服务流程图，
图11实现本发明实施例1-4方法的系统组成示意图。
其中附图标记：1-数据森林；2-城市信息模型服务系统；3-模型构建模块；4-存储模块；5-分析模块；6-发送模块。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，三维模型系统在各行各业中的应用非常广泛，但不同行业中应用的三维模型系统中数据格式往往不同，没有统一的语义信息，这样，在同一城市的不同区域(或者，不同城市不同区域)的不同行业的三维模型数据无法重复使用。现有的城市信息模型数据应用系统的技术缺点主要表现在以下几个方面：1)三维模型数据以文件系统存储，不利于检索与维护。2)三维模型数据没有统一的定义，数据信息内容以空间位置和图形呈现为主，没有语义信息；而语义信息是连接城市信息模型数据和业务应用系统的基础。 3)模型数据与应用程序往往深度绑定，耦合性很强，一个系统建设的三维模型数据或功能很难被其它系统重复利用，外部应用在使用城市信息模型的过程中操作不便，需要重新建立三维模型数据，费时费力。
基于此，本发明实施例提供了城市信息模型服务方法及系统，下面通过实施例进行描述。
实施例1
本实施例提出的城市信息模型服务方法具体包括以下步骤：
S1将城市信息模型存储在具有数据森林结构的空间数据库中，其中，所述城市信息模型的格式为CityGML；
S2构建由多种人工智能模型组成的联合人工智能模型U
S3当接收到外部应用发出的服务请求时，获取请求参数ap，利用联合人工智能模型U从所述空间数据库调取与所述服务请求相应的城市信息模型；
S4通过Web要素服务将所述城市信息模型发送给所述外部应用。
下面对上述步骤进行详细阐述，在步骤S1具体包括：
S1-1制定请求参数类型，包括：城市名A、请求地理范围C、城市信息模型所在时间T、道路名称R、建筑类型S、建筑几何参数G、光照条件L、建筑屋顶材质M、加密信息JM九类。
S1-2本步骤为样本分块图化过程，如图2所示，构建多分块图P，P中每个分块都具有编号和多个像素，分别对应了相应的请求参数类型以及类型下具体的像素值，按照从左往右，从上之下，将步骤S1-1中请求九类参数类型排序成九宫格(数据森林的顶视图)，且按照像素值大小在每个分块中进行排序形成第二方阵(其中仅示出一个像素点的示意性情况)以及为每个分块预留一个图示的三角形为零像素点，构成了空间数据库的三维数据森林结构。如图3所示(数据森林的前视图)，其中每个像素上都具有以像素值个单位为高的长方体；
S1-3将城市信息模型存储入所述空间数据库中并按照所属的请求参数类型和相应像素值构建指针函数指向三维数据森林结构相应的像素中。
其中,S1-2与S1-3之间还包括:
(1)判断城市信息模型的格式是否为CityGML。
城市信息模型(英文全称City Information Modeling)是以城市信息数据为基数，建立起三维城市空间模型和城市信息的有机综合体，通常，城市信息模型是大场景的GIS数据、小场景的BIM数据和物联网的有机结合。例如，A城市的城市信息模型包括A城市所在区域的整个场景的GIS数据、A城市各个区域内的建筑物的BIM数据以及物联网的有机结合。
CityGML是一种用来表达三维城市模板的通用数据模型，它定义了城市和区域中最常见的地表目标的类型及相互关系，并且，还集合了目标的几何、拓扑、语义、外观等方面的属性。除此之外，CityGML中还包括专题类型之间的层次、聚合、目标间的关系和空间属性等。上述这些专题信息不仅是一种图形交换格式，而且，这些专题信息可以将虚拟三维城市模型用于各种应用领域中的分析中，例如，场景模拟、城市数据挖掘、设施管理、专题题查询等。
可见，CityGML格式的城市信息模型可在不同场景下进行运用。在该城市信息模型服务方法中，首先要判断城市信息模型的格式是否为CityGML，是确保城市信息模型是否能在不同场景下运用的基础。
(2)上述判断为是时，进入步骤S1-3。
首先，介绍下空间数据库，空间数据库是指地理信息系统在计算机物理存储介质上存储的与应用相关的地理空间数据的总和，一般是以一系列特定结构的文件的形式组织在存储介质之上的。其目的是为了有效地利用卫星遥感资源迅速绘制出各种经济专题地图。由于，传统数据库系统只针对简单对象，无法有效的支持复杂对象(如图形、图像)。空间数据库是某区域内关于一定空间要素特征的数据集合，是GIS在物理介质上存储的与应用相关的空间数据总和。与其他数据库相比，空间数据库数据量庞大，容量通常达到GB级；可访问性高，可支持大量数据的高效访问，反应速度快；数据项长度可变，当包含一个或多个对象，可实现嵌套记录等。
即在该城市信息模型服务方法中，实现了在数据森林1中存储CityGML格式的城市信息模型的目的。
其中，城市名和道路名称按照各自名称首字拼音首字母顺序排序，且赋予每个拼音首字母以第一预设值作为像素值；请求地理范围、建筑几何参数和光照条件分别以请求地理范围的面积大小(按地理范围划分为闹市区、一般城区、郊区，按照面积分为城市全域、地理范围全域、以及地理范围的半域、大、中、小、最小五级)、建筑几何参数大小、光照条件(非常优、优、良、中、差、不理想)名称首字拼音首字母或光照参数排序，分别以面积数值、几何参数数值、光照条件名称每个拼音首字母以第二预设值作为像素值、城市信息模型所在时间按照年月日时分秒的数值作为像素值且按大小排序、建筑类型和建筑屋顶材质分别按建筑类型和建筑屋顶材质名称首字拼音首字母顺序排序，且赋予每个拼音首字母以第三预设值作为像素值(如Aa为100，Bb为95，Cc为 90等等)，或者按照预设的建筑类型排序规则排序(例如按照住宅、办公、实体店、厂房、单位与机构等排序)、加密信息以随机码作为像素值。
其中建筑几何参数包括每一栋建筑的预设标记点在城市坐标系下的坐标，与几何参数大小包括预设标记点与坐标系的原点距离，以及建筑的高度。
将城市名、请求地理范围、城市信息模型所在时间、道路名称、建筑类型、建筑几何参数、光照条件、建筑屋顶材质对应的像素值都归一化处理。
实施例2
接着实施例1，本实施为基于数据森林的其他用于联合模型U建模以及条件查询用的数据结构的建立过程S2，具体包括：
如图2-3，步骤S2-1为训练ANN1用数据结构建立过程，包括将数据森林地面的每个第二方阵中的每个像素的像素值的归一化数值乘以任选的彩色中RGB三值形成的新的RGB三值作为该像素的颜色，形成多分块图P；
S2-2为蚁群模型建立和条件查询用数据结构建立过程，如图4-5，初始化请求参数形成请求参数总结点T，从所述总结点T出发，连接图2中每一个第一方阵中任选的一个第二方阵的像素节点，以请求参数为目标参数节点O作为终点形成多条路径r(图4)，包括了C、A、T、RS、GLM五个层次的九请求参数类型排序，以及其他排序方式如图 4的T、A、C、LMG、RS和SR、GML、C、A、T等。
S2-3为决策树DT建立用数据结构建立过程，如图5，选择了步骤S2-2中的一条路径C、A、T、RS、GLM形成从所述总结点T为根的共有五个层次的数据树tree。
其中，从请求参数总结点T出发，分成城市名C和加密信息JM两个节点形成两个总支路，从城市名C节点出发，分支成多个第一支路，每个城市名称C1-Cn节点上又分出多个不同的请求地理范围A11-A1n，以及An1-Anm等，形成多个第二支路，每个请求地理范围节点上(如A11)再分出多个城市信息模型所在时间节点(T1-Tk)，形成第三支路，每个时间节点上(如Tk)再分出道路名称(R11k)和建筑类型(S11k)两个节点，形成多个第四支路，其中每个建筑类型节点(如S11k)上又分出建筑几何参数 (G11k)、光照条件(L11k)、建筑屋顶材质(M11k)三个节点，形成多个第五支路，其中，
城市名C和加密信息JM构成了第一层次，请求地理范围(如A11-A1n)构成了第二层次，城市信息模型所在时间(如T1-Tk)构成了第三层次，道路名称和建筑类型(如 R11k和S11k)构成了第四层次，几何参数(如G11k)、光照条件(如L11k)、建筑屋顶材质(如M11k)则构成了第五层次。
实施例3
接着实施例2，步骤S2-4为构建第一人工智能模型ANN1、蚁群模型AG、决策树模型DT组成的联合人工智能模型U，具体包括：
S2-4-1本步骤为ANN1建立过程，具体包括：任选至少一个像素且将未选的像素的像素值赋予白色R＝G＝B＝255，形成如图6所示的多分块图样本，不断做如此任选和赋值操作，形成多个多分块图样本Q，使得
将样本Q分为训练集d、验证集v、测试集t，三者比例为6:3:1。
如图7所示，以训练集d为输入端，目标参数O为输出端构建人工智能网络模型ANN1，使用验证集v验证，不断训练调整网络参数，直至预测准确率高于90％时停止训练。
在本实施例中，所述人工智能网络模型为深度神经网络DNN。具体算法为根据输入的训练集d中的每一幅多分块图样本都需要提取像素坐标和以及像素值作为特征值，输入全连接层(FC)，通过softmax函数得到中间预测的目标参数
根据中间预测目标参数值
与每一幅多分块图样本对应的目标参数Oi建立交叉熵损失函数
其中K为当前训练的次数，log(·)为自然对数函数，通过反向传播调整网络参数，直至LCE趋于稳定且预测准确率高于90％时停止训练。
最后构建目标参数O与城市信息模型Mod之间的映射关系
从而获得
其中Op1为训练好的ANN1预测的目标参数，而Modp1为相应预测的城市信息模型；
S2-4-2本步骤为AG模型建立过程，如图8所示，具体包括：在接收外部应用发出的服务请求时，获取到请求参数ap，其包含C(某城市)、A(中)、T(白天、黑夜) 三类请求参数类型，其他请求参数类型无，都记为零)作为处理目标，输入12条(12 中可能的排列)路径r中(I所示)，获得处理目标在每一条路径上节点的第一总评价分数，也即节点第一配对概率值作为评价信息，确定该目标处理的第一时间评分，将该第一总评价分数与该第一时间评分的平均数作为在条路径上的该处理目标的匹配参数(也即信息素)赋予该条路径，删除第一节点C不匹配以及匹配参数最低的路径，重复输入剩余的9条路径中(II所示)，删除第二节点A不匹配以及匹配参数最低的路径，重复输入剩余的5条路径中(III所示)，删除第三节点T不匹配以及匹配参数最低的路径，剩余一条路径(IV所示)，将该路径上的像素值作为目标参数根据映射关系
得到最后的Modp2为相应预测的城市信息模型，从而获得蚁群模型
，其中r为处理目标第一次输入前从所述总结点出发形成多条路径条数，s为输入的次数，rs为第s次输入时的路径条数，r-qs+1为第s次输入后删除第s节点不匹配且匹配参数最低的路径之后剩余的路径条数，(ps,Pn)为第s节点配对概率值ps和第n条路径的节点第s总评价分数，也即总节点配对第s概率值组成的数组，Op2为AG预测的目标参数， Modp2为相应预测的模型，所述的配对概率值定义为ap中相应参数类型中的数值大小与数据库中相应的像素值相差在第一阈值范围(小于10％)内时定义为匹配成功，此时配对概率值为1，否则为不匹配概率值为0。
如图8，若对于其他ap中含有更多请求参数类型，则能够从IV继续沿着虚线箭头进行输入和删除不匹配且匹配参数最低的路径。直至剩余一条路径或多条匹配参数一致的路径。
S2-4-3本步骤为决策树模型建立过程，具体包括：如图7所示，将训练集d按照数据树中数据利用C4.5算法生成决策树DT，将ap代入生成的DT中，判断视觉呈现是否优良，若是则定义为候选目标参数，若否则返回询问是否修改请求参数，若不修改，则选择建议参数。
其中所述建议参数生成过程为如图9所示，
S2-4-3-1选择出DT中所有优良视觉呈现的路径opr，
S2-4-3-2对比所述所有优良视觉呈现的路径中请求参数类型节点的像素值(已归一化)与ap中相应的像素值(已归一化)，将差值在第二阈值范围(小于15％)内的对应请求参数类型作为候选请求参数类型ca；
S2-4-3-3按照所有优良视觉呈现的路径中候选请求参数类型ca的数量大小排序，将其中的对应像素值作为建议参数，以供用户选择。
S2-4-4本步骤是将ANN1，AG以及决策树进行逻辑组合构建成联合人工智能模型U，具体逻辑组合包括：如图7所示，先执行决策树，以确定ap是否属于作为候选目标参数(即视觉呈现优良性判断)，若是，则将ap样本分块图化代入ANN1中计算，以及将ap输入AG中，若否则返回询问是否修改请求参数以及提供建议参数选择，若选择修改ap则将修改的ap分块图化(以*表示)代入ANN1中计算，以及将修改的ap输入 AG中，若选择建议参数，则将建议参数分块图化代入ANN1中计算，以及将建议参数输入AG中；
在AG计算时，如图7所示，当处理目标数量小于临界编号Num时，即根据处理目标的匹配参数确定返回值，并将Op2和Op1比较，若Op2＝Op1则任选AG或ANN1给出预测模型结果Modp2或Modp1作为计算结果，若Op2≠Op1，则同时选择Modp2和Modp1为预测结果，以供用户选择；当处理目标数量大于临界编号Num时，则跳转优先选择ANN1 算法进行模型预测，此时需要判断是否已经在执行ANN1计算，若是则终止AG计算而根据ANN1给出预测模型结果Modp1作为计算结果，否则进入ANN1计算给出预测模型结果Modp1作为计算结果，以免重复进行ANN1计算。
同时选择的所述Modp2和Modp1为经过局部降低画质处理或模型局部形式给予提供，在用户选择其中一种时恢复为对应空间数据库中的原始数据，而删除另一种模型。
实施例4
继续实施例3，本实施例S3具体包括：如图10所示，当城市信息模型服务系统2 接收到多方外部应用a、b、c发出的服务请求时，获取请求a-请求c的多组请求参数ap，将ap输入联合人工智能模型U，得到预测模型结果，从所述数据森林1或数据树调取与所述请求参数ap相应的城市信息模型Modp2和/或Modp1，其中，
(1)当服务请求中包括查询条件时，从数据森林1或数据树中调取与查询条件相应的城市信息模型，例如，输入查询条件为显示所有高度大于100米的建筑物，查询所有的桥梁模型等。
将与查询条件相符合的城市信息模型按照预先设置的模式排列成查询结果表。在数据森林1中会筛选出与上述查询条件相符合的所有城市信息模型，并且，筛选出来的符合的所有城市信息模型会按照预先设置的模式排列成查询结果表，这里需要进行说明的是，预先设置的模式可根据使用场景和用户的使用习惯进行灵活设定，例如，按照s城市信息模型的建立时间、按照城市信息模型的大小等。
(2)当服务请求包括分析条件时，从数据森林1或数据树中调取与分析条件相应的城市信息模型，这里需要进行说明的是，分析条件包括所有能对城市信息模型进行属性变换的条件，例如，分析条件为光照分析时，数据森林1调取与光照分析条件相应的城市信息模型。
将城市信息模型按照分析条件进行变换，得到分析后的城市信息模型。在得到上述与光照分析条件相应的城市信息模型后，将城市信息模型按照光照分析的条件进行变换，即将城市信息模型按照不同的光照条件进行分别标注(或者着色等)，使其成为一个符合分析条件的另一种表现形式的城市信息模型。
S4如图10所示，城市信息模型服务系统2通过Web要素服务将所述城市信息模型Modp2和/或Modp1发送给所述多方外部应用a、b、c，其中，
(1)当服务请求包括查询条件时，通过Web要素服务将查询结果表发送给外部应用， Web要素服务即上述Web Feature Service 2.0，通过该服务将上述查询结果表发送给外部应用，这里外部应用应该理解为发出服务请求的应用，以供外部应用使用，外部应用的个数不限于一个。
(2)当服务请求包括分析条件时，通过Web要素服务将分析后的城市信息模型发送给外部应用。在本实施例中，Web要素服务即上述Web Feature Service 2.0，通过该服务将上述分析后的城市信息模型发送给外部应用，这里外部应用应该理解为发出服务请求的应用，以供外部应用使用，外部应用的个数不限于一个。
此外，该城市信息模型服务方法还包括除提供这些模型查询与分析的功能外，还提供服务的缓存、安全和日志等模块，这里不再一一赘述。
此外，该城市信息模型服务方法还包括：通过模型数据浏览客户端对查询结果表和分析后的城市信息模型进行预览。上述城市信息模型的预览是基于WebGL实现的， WebGL(英文全称Web Graphics Library)是一种3D绘图协议，其将JavaScript和 OpenGL ES 2.0结合在一起，这样就可以借助系统显卡在浏览器里更流畅地展示3D场景和模型，从而免去了开发网页专用渲染插件的麻烦，WebGL通过HTML脚本实现了 Web交互式三维动画的制作，无需任何浏览器插件支持，并且，它利用底层的图形硬件加速功能进行的图形渲染，是通过统一的、跨平台的OpenGL接口实现的。在本方法中，通过模型数据浏览客户端对城市信息模型进行预览，方便客户进行查看。
综上所述，本实施例提供的城市信息模型服务方法包括：首先，将城市信息模型存储在数据森林1中，其中，城市信息模型的格式为CityGML，其次，当接收到外部应用发出的服务请求时，从数据森林1调取与服务请求相应的城市信息模型，之后，通过 Web要素服务将城市信息模型发送给外部应用，通过上述步骤的操作，使得城市信息模型以统一的CityGML的格式存储在了数据森林1中，并在外部应用有服务请求时，通过Web要素服务将城市信息模型发送给外部应用，进而实现不同应用场景下对城市信息模型的重复利用，方便快捷。
实施例5
参见图11，本实施例提供了实现实施例1-4方法的系统2包括：依次相连的存储模块 3、模型构建模块4、分析模块5和发送模块6，使用时，存储模块3用于将城市信息模型存储在数据森林1中，其中，城市信息模型的格式为CityGML，模型构建模块4用于构建由多种人工智能模型组成的联合人工智能模型U，分析模块5用于当接收到外部应用发出的服务请求时，从数据森林1调取与服务请求相应的城市信息模型，发送模块6 用于通过Web要素服务将城市信息模型发送给外部应用。
此外，分析模块5还包括：查询单元，当接收到外部应用发出的服务请求时，获取请求参数ap，利用联合人工智能模型U从所述空间数据库调取与所述服务请求相应的城市信息模型。查询单元用于当服务请求中包括条件查询(按查询条件或按分析条件) 时，从数据森林1或数据树调取与查询的条件相应的城市信息模型，查询结果生成单元用于将与查询的条件相符合的城市信息模型按照预先设置的模式排列成查询结果表。
综上所述，本实施例提供的城市信息模型服务系统2包括：依次相连的存储模块3、模型构建模块4、分析模块5和发送模块6，使用时，存储模块3用于将城市信息模型存储在数据森林1中，其中，城市信息模型的格式为CityGML，模型构建模块4用于构建由多种人工智能模型组成的联合人工智能模型U，分析模块5用于当接收到外部应用发出的服务请求时，从数据森林1调取与服务请求相应的城市信息模型，发送模块6用于通过Web要素服务将城市信息模型发送给外部应用，通过上述各个模块的设置，使城市信息模型有了统一的存储标准，并且，能够对不同的外部应用提供服务，方便快捷。
本发明实施例所提供的城市信息模型服务方法及系统的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
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，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能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，本发明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)执行本发明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(ROM， Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (14)
1.基于三维数据森林的城市信息模型人工智能服务方法，其特征在于，包括如下步骤：
S1将城市信息模型存储在具有数据森林结构数据的空间数据库中，其中，所述城市信息模型的格式为CityGML；
S2构建由多种人工智能模型组成的联合人工智能模型U；
S3当接收到外部应用发出的服务请求时，获取请求参数ap，利用联合人工智能模型U从所述空间数据库调取与所述服务请求相应的城市信息模型；
S4通过Web要素服务将所述城市信息模型发送给所述外部应用。
2.根据权利要求1所述的方法，其特征还在于，S1具体包括：
S1-1制定请求参数类型，包括：城市名、请求地理范围、城市信息模型所在时间、道路名称、建筑类型、建筑几何参数、光照条件、建筑屋顶材质、加密信息；
S1-2构建多分块图P，P中每个分块都具有编号和多个像素，分别对应了相应的请求参数类型以及类型下具体的像素值，按照预设的排序规则将请求参数类型排序成第一方阵，按照像素值大小在每个分块中进行排序形成第二方阵且每个像素上都具有以像素值个单位为高的直棱柱，并为每个分块预留一个零像素点，构成了空间数据库的三维数据森林结构，其中；
S1-3将城市信息模型存储入所述空间数据库中并按照所属的请求参数类型和相应像素值构建指针函数指向三维数据森林结构相应的像素中，
其中，加密信息以随机码作为像素值；城市名和道路名称、光照条件名称、建筑类型和建筑屋顶材质名称，三组名称在字数多者靠后原则下按照各自名称逐个文字拼音首字母顺序排序，且拼音首字母序列Aa、Bb、Cc…在三组中分别赋予以第一预设值序列、第二预设值序列和第三预设值序列作为像素值赋值标准；
请求地理范围、建筑几何参数分别以请求地理范围的面积大小、建筑几何参数大小排序，分别以面积数值、几何参数值作为像素值赋值标准；
城市信息模型所在时间按照年月日时分秒组合成的数值作为像素值赋值标准且按组合成的数值大小排序；
其中，建筑类型和建筑屋顶材质还或者按照预设的建筑类型排序规则排序，光照条件或者按照光照参数值作为像素值赋值标准且大小排序，建筑几何参数包括每一栋建筑的预设标记点在城市坐标系下的坐标值，所述预设标记点与坐标系原点距离，以及建筑的高度。
3.根据权利要求2所述的方法，其特征还在于，将城市名、请求地理范围、城市信息模型所在时间、道路名称、建筑类型、建筑几何参数、光照条件、建筑屋顶材质对应的像素值都归一化处理。
4.根据权利要求2所述的方法，其特征还在于，S2具体包括：
S2-1将数据森林地面的每个第二方阵中的每个像素的像素值的归一化数值乘以255或任选的彩色中RGB任选至少一基色值乘以归一化数值之后形成的新的RGB三值作为该像素的颜色值，形成多分块图P；
S2-2初始化请求参数形成请求参数总结点，从所述总结点出发，连接每一个第一方阵中任选的一个第二方阵的像素节点，以请求参数为目标参数节点作为终点形成多条路径r；
S2-3任选步骤S2-2中的一条路径，按照该路径中的像素节点在路径方向上的排序形成从所述总结点为根的共有五个层次的数据树，
S2-4构建第一人工智能模型ANN1、蚁群模型AG、决策树模型DT组成的联合人工智能模型U。
5.根据权利要求4所述的方法，其特征还在于，从请求参数总结点出发，分成城市名和加密信息两个节点形成两个总支路，从城市名节点出发，分支成多个第一支路，每个城市名称节点上又分出多个不同的请求地理范围，形成多个第二支路，每个请求地理范围节点上再分出多个城市信息模型所在时间节点，形成第三支路，每个时间节点上再分出道路名称和建筑类型两个节点，形成多个第四支路，其中建筑类型节点上又分出建筑几何参数、光照条件、建筑屋顶材质三个节点，形成多个第五支路，其中，
城市名和加密信息构成了第一层次，请求地理范围构成了第二层次，城市信息模型所在时间构成了第三层次，道路名称和建筑类型构成了第四层次，几何参数、光照条件、建筑屋顶材质则构成了第五层次。
6.根据权利要求4所述的方法，其特征还在于，其中步骤S2-4具体包括：
S2-4-1任选至少一个像素且将未选的像素的像素值赋予第一预设像素值，形成多个多分块图样本Q，
将样本Q分为训练集d、验证集v、测试集t，三者比例为10-5:5-3:2-1，以训练集d为输入端，目标参数O为输出端构建人工智能网络模型ANN1，使用验证集v验证，不断训练调整网络参数，直至预测准确率高于预设准确率时停止训练；
构建目标参数O与城市信息模型Mod之间的映射关系
从而获得
其中Op1为训练好的ANN1预测的目标参数，而Modp1为相应预测的城市信息模型；
S2-4-2在接收外部应用发出的服务请求时，获取到请求参数ap作为处理目标，输入多条路径r中，获得处理目标在每一条路径上的节点的第一总评价分数，也即节点第一配对概率值作为评价信息，确定该目标处理的第一时间评分，将该节点的第一总评价分数与该第一时间评分的平均数作为在该条路径上的该处理目标的匹配参数而赋予该条路径，删除第一节点不匹配以及匹配参数最低的路径；
处理目标再重复输入剩余的多条路径中，获得剩余每一条路径上节点的第二总评价分数，也即节点第二配对概率值作为评价信息，确定该目标处理的第二时间评分，将该节点的第二总评价分数与该第二时间评分的平均数作为在该条路径上的该处理目标的匹配参数而赋予该条路径，删除第二节点不匹配以及匹配参数最低的路径，不断重复过程，直到剩余一条路径或多条匹配参数一致的最终路径，将任选一条所述最终路径上的像素值作为目标参数根据映射关系
得到最后的Modp2为相应预测的城市信息模型，从而获得蚁群模型
n＝{n|n∈[1,rs],r1＝r}，其中r为处理目标第一次输入前从所述总结点出发形成多条路径条数，s为输入的次数，rs为第s次输入时的路径条数，r-qs+1为第s次输入后删除第s节点不匹配且匹配参数最低的路径之后剩余的路径条数，(ps,Pn)为第s节点配对概率值ps和第n条路径的节点第s总评价分数，也即总节点配对第s概率值组成的数组，Op2为AG预测的目标参数，Modp2为相应预测的模型，所述的配对概率值定义为ap中相应参数类型中的数值大小与数据库中相应的像素值相差在第一阈值范围内时定义为匹配成功，此时配对概率值为1，否则为不匹配概率值为0；
S2-4-3将训练集d按照数据树中数据生成决策树，将ap代入生成的决策树中，判断视觉呈现是否优良，若是则定义为候选目标参数，若否则返回询问是否修改请求参数以及建议参数选择；
S2-4-4将ANN1，AG以及决策树进行逻辑组合构建成联合人工智能模型U，具体逻辑组合包括：先执行决策树，以确定ap是否属于作为候选目标参数，若是，则将ap转化成分块图样本代入ANN1中计算，以及将ap输入AG中，若否则返回询问是否选择修改请求参数以及提供建议参数选择，并根据所选择的结果代入ANN1中计算以及输入AG中；
在AG计算时，当处理目标数量小于临界编号时，即根据处理目标的匹配参数确定返回值，并将Op2和Op1比较，若Op2＝Op1则任选AG或ANN1给出预测模型结果Modp2或Modp1作为计算结果，若Op2≠Op1，则同时选择Modp2和Modp1为预测结果，以供用户选择；当处理目标数量大于临界编号时，则跳转优先选择ANN1算法进行模型预测，此时需要判断是否已经在执行ANN1计算，若是则终止AG计算而根据ANN1给出预测模型结果Modp1作为计算结果，否则进入ANN1计算给出预测模型结果Modp1作为计算结果，以免重复进行ANN1计算，其中，
同时选择的所述Modp2和Modp1为经过局部降低画质处理或模型局部形式给予提供，在用户选择其中一种时恢复为对应空间数据库中的原始数据，而删除另一种模型。
7.根据权利要求6所述的方法，所述人工智能网络模型包括深度神经网络DNN、对抗网络模型GAN，支持向量机SVM中任一者，并且所述建议参数生成过程为：
S2-4-3-1选择出决策树中所有优良视觉呈现的路径opr，
S2-4-3-2对比所述所有优良视觉呈现的路径中请求参数类型节点的像素值与ap中相应的像素值，将差值在第二阈值范围内的对应请求参数类型作为候选请求参数类型ca；
S2-4-3-3按照所有优良视觉呈现的路径中候选请求参数类型ca的数量大小排序，将其中的对应像素值作为建议参数，以供用户选择。
8.根据权利要求7所述的方法，其特征还在于，将所有优良视觉呈现的路径中候选请求参数类型ca的数量最多的优良视觉呈现的路径中的参数类型节点的像素值作为建议参数，以供用户选择。
9.根据权利要求6-8中任一项所述的方法，其特征还在于，S3具体包括：当接收到外部应用发出的服务请求时，获取请求参数ap，将ap输入联合人工智能模型U，得到预测模型结果，从所述空间数据库或数据树调取与所述请求参数ap相应的城市信息模型Modp2和/或Modp1，其中，
当所述服务请求中包括查询条件时，从所述空间数据库或数据树中调取与所述查询条件相应的城市信息模型；
将与所述查询条件相符合的城市信息模型按照预先设置的模式排列成查询结果表；
当所述服务请求包括分析条件时，从所述空间数据库或数据树中调取与所述分析条件相应的城市信息模型；
将所述城市信息模型按照所述分析条件进行变换，得到分析后的结果。
10.根据权利要求9中任一项所述的方法，其特征还在于，S4具体包括：通过Web要素服务将所述城市信息模型Modp2和/或Modp1发送给所述外部应用，其中，
当所述服务请求包括查询条件时，通过Web要素服务将所述查询结果表发送给所述外部应用；
当所述服务请求包括分析条件时，通过Web要素服务将所述分析后的城市信息模型发送给所述外部应用。
11.根据权利要求10所述的方法，其特征还在于，所述方法还包括：通过模型数据浏览客户端对所述城市信息模型Modp2和/或Modp1、查询结果表和分析后的城市信息模型进行预览。
12.基于三维数据森林的城市信息模型人工智能服务系统，所述系统能够实现如权利要求1-11中任一项所述方法，其特征在于，包括：
存储模块，用于将城市信息模型存储在空间数据库中，其中，城市信息模型的格式为CityGML；
模型构建模块，用于构建由多种人工智能模型组成的联合人工智能模型U；
分析模块，用于当接收到外部应用发出的服务请求时，从空间数据库调取与服务请求相应的城市信息模型；
发送模块，用于通过Web要素服务将城市信息模型发送给外部应用。
13.如权利要求13所述的系统，其特征还在于，所述分析模块还包括：
查询单元，当接收到外部应用发出的服务请求时，获取请求参数ap，利用联合人工智能模型U从所述空间数据库调取与所述服务请求相应的城市信息模型；
查询结果生成单元，用于将与查询条件相符合的城市信息模型按照预先设置的模式排列成查询结果表。
14.一种非暂时性存储介质，其中存储有可由如权利要求12或13所述的基于三维数据森林的城市信息模型人工智能服务系统运行而实现如权利要求1-11中任一项所述方法的计算机可读程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111317985.7A CN115048473B (zh) | 2021-11-08 | 2021-11-08 | 城市信息模型人工智能服务方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111317985.7A CN115048473B (zh) | 2021-11-08 | 2021-11-08 | 城市信息模型人工智能服务方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115048473A true CN115048473A (zh) | 2022-09-13 |
| CN115048473B CN115048473B (zh) | 2023-04-28 |
Family
ID=83156721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111317985.7A Active CN115048473B (zh) | 2021-11-08 | 2021-11-08 | 城市信息模型人工智能服务方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115048473B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502320A (zh) * | 2023-06-28 | 2023-07-28 | 成都经开地理信息勘测设计院有限公司 | 一种城市管网分层识别方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103578119A (zh) * | 2013-10-31 | 2014-02-12 | 苏州大学 | 基于超像素的Codebook动态场景中目标检测方法 |
| CN107885840A (zh) * | 2017-11-10 | 2018-04-06 | 泰瑞数创科技(北京)有限公司 | 城市信息模型服务方法及系统 |
| US20180330258A1 (en) * | 2017-05-09 | 2018-11-15 | Theodore D. Harris | Autonomous learning platform for novel feature discovery |
| CN109142946A (zh) * | 2018-06-29 | 2019-01-04 | 东华大学 | 基于蚁群算法优化随机森林的变压器故障检测方法 |
| US20200134915A1 (en) * | 2018-04-12 | 2020-04-30 | Southeast University | System for constructing urban design digital sand table |
| CN111667005A (zh) * | 2020-06-05 | 2020-09-15 | 镇江傲游网络科技有限公司 | 一种采用rgbd视觉传感的人体交互系统 |
| CN113010627A (zh) * | 2021-05-12 | 2021-06-22 | 泰瑞数创科技(北京)有限公司 | 一种城市信息模型服务方法 |
| CN113436319A (zh) * | 2021-07-01 | 2021-09-24 | 泰瑞数创科技(北京)有限公司 | 一种城市室内三维语义模型的异形排列矩阵构建方法及其系统 |
-
2021
- 2021-11-08 CN CN202111317985.7A patent/CN115048473B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103578119A (zh) * | 2013-10-31 | 2014-02-12 | 苏州大学 | 基于超像素的Codebook动态场景中目标检测方法 |
| US20180330258A1 (en) * | 2017-05-09 | 2018-11-15 | Theodore D. Harris | Autonomous learning platform for novel feature discovery |
| CN107885840A (zh) * | 2017-11-10 | 2018-04-06 | 泰瑞数创科技(北京)有限公司 | 城市信息模型服务方法及系统 |
| US20200134915A1 (en) * | 2018-04-12 | 2020-04-30 | Southeast University | System for constructing urban design digital sand table |
| CN109142946A (zh) * | 2018-06-29 | 2019-01-04 | 东华大学 | 基于蚁群算法优化随机森林的变压器故障检测方法 |
| CN111667005A (zh) * | 2020-06-05 | 2020-09-15 | 镇江傲游网络科技有限公司 | 一种采用rgbd视觉传感的人体交互系统 |
| CN113010627A (zh) * | 2021-05-12 | 2021-06-22 | 泰瑞数创科技(北京)有限公司 | 一种城市信息模型服务方法 |
| CN113436319A (zh) * | 2021-07-01 | 2021-09-24 | 泰瑞数创科技(北京)有限公司 | 一种城市室内三维语义模型的异形排列矩阵构建方法及其系统 |
Non-Patent Citations (6)
| Title |
|---|
| CHWEN-TZENG SU ET AL.: ""A process parameters determination model by integrating artificial neural network and ant colony optimization"", 《JOURNAL OF THE CHINESE INSTITUTE OF INDUSTRIAL ENGINEERS》 * |
| RAHUL KARTHIK SIVAGAMINATHAN ET AL.: ""A hybrid approach for feature subset selection using neural networks and ant colony optimization"", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
| SAILOR: ""GIS空间数据库（65）三维空间数据模型"", 《链接：HTTPS://MALAGIS.COM/SPATIAL-DATABASES-65-3D-SPATIAL-DATA-MODEL.HTML》 * |
| 刘俊伟: ""基于三维地理信息系统的移动数字城市方案"", 《数字化城市管理》 * |
| 孙晓光等: ""基于蚁群算法和神经网络的位移反分析"", 《西安科技大学学报》 * |
| 靳宁: ""基于Agent系统下的新蚁群算法安全疏散路径研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502320A (zh) * | 2023-06-28 | 2023-07-28 | 成都经开地理信息勘测设计院有限公司 | 一种城市管网分层识别方法及系统 |
| CN116502320B (zh) * | 2023-06-28 | 2023-08-25 | 成都经开地理信息勘测设计院有限公司 | 一种城市管网分层识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115048473B (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115269751B (zh) | 地理实体时空知识图谱本体库构建方法 | |
| CN112287138B (zh) | 一种城市信息模型的组织调度方法、装置和设备 | |
| CN110321443B (zh) | 三维实景模型数据库构建方法、装置及数据服务系统 | |
| CN113486136B (zh) | 一种地理实体服务按需组装的方法及系统 | |
| CN108572951B (zh) | 一种基于地理信息的制图数据三维显示系统 | |
| CN114676368B (zh) | 基于标识码的地理实体信息展示方法、装置、设备及介质 | |
| CN112528639B (zh) | 对象识别方法和装置、存储介质及电子设备 | |
| CN114820975B (zh) | 基于全要素参数符号化的三维场景仿真重构系统及方法 | |
| CN111221867B (zh) | 一种保护性建筑信息管理系统 | |
| CN113487523B (zh) | 图形轮廓优化方法、装置、计算机设备和存储介质 | |
| CN114049462B (zh) | 一种三维模型单体化方法及装置 | |
| CN115758522A (zh) | 一种数字孪生城市管理系统及方法 | |
| CN113570275A (zh) | 基于bim和数字高程模型的水资源实时监测系统 | |
| CN112148820B (zh) | 一种基于深度学习的水下地形数据识别和服务方法及系统 | |
| CN116522272A (zh) | 一种基于城市信息单元的多源时空数据透明融合方法 | |
| CN110083720A (zh) | 实景语义结构模型的构建方法及装置 | |
| CN115048473B (zh) | 城市信息模型人工智能服务方法及系统 | |
| Borisov et al. | An automated process of creating 3D city model for monitoring urban infrastructures | |
| Lei et al. | Predicting building characteristics at urban scale using graph neural networks and street-level context | |
| CN115859838B (zh) | 生态环境监测传感器数字孪生体部署方法及系统 | |
| CN114722471A (zh) | 一种三维建筑报建与审批方法 | |
| CN113010627A (zh) | 一种城市信息模型服务方法 | |
| Tang et al. | Research on the Network Map Service Technology of Remote Sensing Image Intelligent Conversion Based on Gan Model | |
| CN111368468A (zh) | 基于数理方法及编程算法求取集中型村落二维边界的方法 | |
| Jia | Neural Network Model of Urban Landscape Design Based on Multi‐Target Detection |
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 |