CN115357995B - 一种城际铁路云端模型数据融合计算的方法及装置 - Google Patents

Abstract

本发明提供了一种城际铁路云端模型数据融合计算的方法及装置，所述方法包括：获取第一数据和第二数据；利用所述第二数据对神经网络模型进行训练，得到设计施工模型；将所述第一数据输入所述设计施工模型中，得到所述第一建筑物的多种设计施工信息；基于所述第一建筑物的多种设计施工信息，计算参与计算所述第一建筑物的工程量的最终施工参数；将参与计算所述第一建筑物的工程量的最终施工参数输入存储在云端的工程量计算模型，得到所述第一建筑物的工程量计算结果。本发明通过层层递进的方法计算出了建筑物的工程量，相较于传统的需要人工确定施工参数后再计算工程量的方式，本发明的方法不仅简化了计算的流程，还提高了计算速度。

Description

一种城际铁路云端模型数据融合计算的方法及装置

技术领域

本发明涉及铁路建筑技术领域，具体而言，涉及一种城际铁路云端模型数据融合计算的方法及装置。

背景技术

目前，在计算某一建筑物的工程量时，常常采用的方位为：通过人为计算的方式计算出此建筑物的施工参数，再通过此施工参数和本地的工程量计算模型计算得到工程量，但是采用上述方法常存在以下问题，第一，采用人工计算施工参数时，由于施工参数众多，因此在人工计算时，可能会出现计算误差，并且效率较低；第二，如果本地存储工程量计算模型，会大大占用本地存储系统，可能会影响系统的正常运行。

发明内容

本发明的目的在于提供一种城际铁路云端模型数据融合计算的方法及装置，以改善上述问题。

为了实现上述目的，本申请实施例提供了如下技术方案：

一方面，本申请实施例提供了一种城际铁路云端模型数据融合计算的方法，所述方法包括：

获取第一数据和第二数据，所述第一数据包括待计算工程量的第一建筑物的工程基础信息，所述第二数据包括多个第二建筑物的历史工程基础信息和历史设计施工信息，所述历史设计施工信息中包括多个历史施工参数，所述第一建筑物与所述第二建筑物为同一类型的建筑物；

利用所述第二数据对神经网络模型进行训练，得到设计施工模型；

将所述第一数据输入所述设计施工模型中，得到所述第一建筑物的多种设计施工信息，所述设计施工信息中包括多个施工参数；

基于所述第一建筑物的多种设计施工信息，计算参与计算所述第一建筑物的工程量的最终施工参数；

将参与计算所述第一建筑物的工程量的最终施工参数输入存储在云端的工程量计算模型，得到所述第一建筑物的工程量计算结果。

第二方面，本申请实施例提供了一种城际铁路云端模型数据融合计算的装置，所述装置包括获取模块、训练模块、第一计算模块、第二计算模块和第三计算模块。

获取模块，用于获取第一数据和第二数据，所述第一数据包括待计算工程量的第一建筑物的工程基础信息，所述第二数据包括多个第二建筑物的历史工程基础信息和历史设计施工信息，所述历史设计施工信息中包括多个历史施工参数，所述第一建筑物与所述第二建筑物为同一类型的建筑物；

训练模块，用于利用所述第二数据对神经网络模型进行训练，得到设计施工模型；

第一计算模块，用于将所述第一数据输入所述设计施工模型中，得到所述第一建筑物的多种设计施工信息，所述设计施工信息中包括多个施工参数；

第二计算模块，用于基于所述第一建筑物的多种设计施工信息，计算参与计算所述第一建筑物的工程量的最终施工参数；

第三计算模块，用于将参与计算所述第一建筑物的工程量的最终施工参数输入存储在云端的工程量计算模型，得到所述第一建筑物的工程量计算结果。

第三方面，本申请实施例提供了一种城际铁路云端模型数据融合计算的设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述城际铁路云端模型数据融合计算的方法的步骤。

第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述城际铁路云端模型数据融合计算的方法的步骤。

本发明的有益效果为：

1、本发明首先采集了与待计算工程量的建筑物为同一种建筑物的历史工程基础信息和历史设计施工信息，在此基础上构建出了设计施工模型，通过在历史数据的基础上构建模型，可以提高模型的准确性，同时利用训练得到的设计施工模型可以快速的根据待计算工程量的建筑物的工程基础信息得到其对应的设计施工信息，通过此种方法，可以仅在最初只知道工程基础信息的基础上就预测得到其设计施工信息，通过此种方式，可以使施工者较快的了解到设计施工信息，便于施工者安排施工进程。

2、本发明在构建设计施工模型时，考虑到模型的准确性，因此利用包括多个历史施工参数进行训练；在计算出设计施工信息后，因为设计施工信息中包含很多个施工参数，考虑到后续云端模型计算的效率，本发明在众多的施工参数中，选取了与待计算工程量的建筑物相关系较高的施工参数参与后续的工程量计算。

3、本发明考虑到设计施工模型会输出多种设计施工信息，每个设计施工信息中包含的施工参数的取值并不一定全完相同，因此，利用聚类算法，计算出了每一个施工参数对应的最终施工参数，通过此种方法保证进入工程量计算模型的数据的唯一性，并且将此数据输入工程量计算模型，更能提高计算得到的工程量的准确性。

4、本发明考虑到要将数据传输至云端的工程量计算模型中，在传输过程中为了提高数据的安全性，本发明将数据进行加密后再传输至云端。

5、本发明将最终施工参数输入存储在云端的工程量计算模型进行计算，工程量计算模型存储在云端，而不用在本地保存，可以增加本地的储存空间，同时多种施工参数即多源数据同时输入工程量计算模型中进行计算，提高了计算结果的准确性。

本发明的其他特征和优点将在随后的说明书阐述，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实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是本发明实施例中所述的城际铁路云端模型数据融合计算的方法流程示意图；

图2是本发明实施例中所述的城际铁路云端模型数据融合计算的装置结构示意图；

图3是本发明实施例中所述的城际铁路云端模型数据融合计算的设备结构示意图；

图中标记：701、获取模块；702、训练模块；703、第一计算模块；704、第二计算模块；705、第三计算模块；7021、训练单元；7022、优化单元；7023、判断单元；70211、挑选子单元；70212、重复子单元；70213、组合子单元；7041、处理单元；7042、第一计算单元；7043、第二计算单元；70431、集合子单元；70432、聚类子单元；70433、计算子单元；7051、划分单元；7052、加密单元；7053、输入单元；800、城际铁路云端模型数据融合计算的设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。

应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1

如图1所示，本实施例提供了一种城际铁路云端模型数据融合计算的方法，该方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。

步骤S1、获取第一数据和第二数据，所述第一数据包括待计算工程量的第一建筑物的工程基础信息，所述第二数据包括多个第二建筑物的历史工程基础信息和历史设计施工信息，所述历史设计施工信息中包括多个历史施工参数，所述第一建筑物与所述第二建筑物为同一类型的建筑物；

在本步骤中，待计算工程量的第一建筑物可以理解为任何一种建筑物，在本发明中，在铁路领域，例如可以为工作井等建筑物；本步骤中的第二建筑物与第一建筑物相同，可以理解为，第二建筑物也为工作井，但是已建成的工作井；

本步骤的工程基础信息包括地质信息、设计图纸信息或工程摘要信息等；

步骤S2、利用所述第二数据对神经网络模型进行训练，得到设计施工模型；

在本步骤中，将多个第二建筑物的历史工程基础信息和历史设计施工信息作为训练数据，对神经网络模型进行训练，具体的实现步骤可以为步骤S21、步骤S22和步骤S23；

步骤S21、利用所述第二数据构建训练样本集，其中，每一个样本中包括每个所述第二建筑物对应的历史工程基础信息和组合历史施工参数，组合历史施工参数中包括预设个数的历史施工参数；

在本步骤中，预设个数可以根据用户的需求进行自定义设置，其中，预设个数最好小于历史设计施工信息中包含的全部历史施工参数的个数，通过此种方式可以组成多个训练数据，提高训练数据的多样性和丰富性；

本步骤的具体实现步骤可以为步骤S211、步骤S212和步骤S213；

步骤S211、挑选组合处理：在每个所述第二建筑物的多个历史施工参数中随机挑选预设个数的历史施工参数进行组合，得到组合参数；

步骤S212、重复所述挑选组合处理步骤，当达到预设的挑选组合处理次数时则停止此步骤，得到多个组合参数；

步骤S213、将每个所述第二建筑物对应的历史工程基础信息和每个所述第二建筑物对应的一个组合参数作为一个样本中包括的数据，得到多个样本。

在本步骤中，还可以重复步骤S211，即可以在第一轮挑选组合的时候，设定预设个数为5个，下一轮挑选组合的时候改变预设个数，即可以改成7个，通过此种方式可以保证训练数据的完整性，进而提高模型的准确度；

步骤S22、将每一个样本中的所述历史工程基础信息作为输入，组合历史设计施工信息作为输出对神经网络模型进行训练，训练时，在对输入特征参数进行卷积操作时引入宽度因子进行优化，得到第一处理结果，对于输出特征参数的每个通道都用预设的卷积核进行卷积操作，且用分裂因子进行优化，得到第二处理结果；

在本步骤中，宽度因子和分裂因子根据用户需求进行自定义，宽度因子可以在输入参数较少的时候，给定一个值，可以使得特定的案例下的模型更小、计算速度更快；在本步骤中在神经网络模型的1×1卷积核对输入特征参数进行卷积操作时引入宽度因子进行优化；分裂因子会使得输入层中每一层的内部特征都会被用该因子减少，例如数字的精确位数，从而大大释放神经网络的存储空间，预设的卷积核为一个3×3卷积核；

步骤S23、将所述第一处理结果和所述第二处理结果进行拼接，将拼接结果作为模型输出的结果；计算模型输出的结果与所述历史设计施工信息之间的相关性系数，对所述相关性系数进行判断，当所述相关性系数大于预设系数阈值时，停止训练，得到所述设计施工模型；

除了上述训练方式之外，还可以采用步骤S24和步骤S25的方法进行训练；

步骤S24、将全部的样本进行划分，划分成训练集和测试集，从训练集中随机抽取预设个数的数据通过反向传播算法对卷积神经网络模型中的卷积特征映射网络单元进行优化，得到优化后的卷积神经网络模型；

步骤S25、通过优化后的卷积神经网络模型对测试集进行预测并计算准确率，若准确率小于预设准确率，则执行步骤S24，反之，则停止训练保存获得的所有参数，生成所述设计施工模型。

步骤S3、将所述第一数据输入所述设计施工模型中，得到所述第一建筑物的多种设计施工信息，所述设计施工信息中包括多个施工参数；

步骤S4、基于所述第一建筑物的多种设计施工信息，计算参与计算所述第一建筑物的工程量的最终施工参数；

在本步骤中，考虑到与第一建筑物相关的施工参数较多，因此采用灰色关联法在多个施工参数中选取与第一建筑物相关性较高的施工参数进行计算工程量，通过此种方式可以使工程量计算模型的计算量减少，提高计算速度；本步骤中，通过步骤S41、步骤S42和步骤S43确定参与计算第一建筑物的工程量的施工参数；

步骤S41、对每一个施工参数进行无量纲化处理，得到每个无量纲化处理后的施工参数，基于所述无量纲化处理后的施工参数计算所述施工参数与所述第一建筑物的工程量的灰色关联系数；

步骤S42、基于所述灰色关联系数，计算得到所述施工参数与所述第一建筑物的工程量的关联度，将所述施工参数的关联度大于预设关联度阈值的施工参数作为参与计算所述第一建筑物的工程量的施工参数；

在确定出参与计算第一建筑物的工程量的施工参数后，考虑到设计施工模型会输出多种设计施工信息，每一个设计施工信息中，每个施工参数可能并不相同，可能会出现同一个施工参数对应多个取值的情况，因此本实施例中，利用聚类算法，计算每一个施工参数的最终取值，也就是计算最终施工参数；

步骤S43、基于所述参与计算所述第一建筑物的工程量的施工参数和所述第一建筑物的多种设计施工信息，计算参与计算所述第一建筑物的工程量的最终施工参数。

本步骤的具体实现步骤可以为步骤S431、步骤S432和步骤S433；

步骤S431、在所有的所述设计施工信息中，将同一类型的所述施工参数进行集合，得到数据集；

在本步骤中，同一类型的施工参数可以理解为，例如每一个设计施工信息中都包括施工参数A，那么将全部的施工参数A集合在一起，得到数据集；

步骤S432、利用基于距离类的聚类算法，将数据集中的所有的取值进行聚类处理，得到聚类类别集合，所述聚类类别集合包括至少一个聚类类别；

步骤S433、计算所述聚类类别集合中每个点到中心点的欧式距离，得到各个聚类类别对应的最大欧式距离，对所有的所述最大欧式距离进行分析，将所有的所述最大欧式距离的平均值作为每一个所述施工参数对应的所述最终施工参数。

在本步骤中，在聚类算法的基础上，计算出了每一个施工参数对应的最终施工参数，通过此种方式，保证了进入工程量计算模型参数的唯一性，并且通过此种方法计算出的最终施工参数更能代表施工参数的预测准确性；

步骤S5、将参与计算所述第一建筑物的工程量的最终施工参数输入存储在云端的工程量计算模型，得到所述第一建筑物的工程量计算结果。

在本步骤中，考虑到在上传数据的时候，数据的安全性，因此本发明将计算得到的第一建筑物的工程量的最终施工参数先进行加密处理，再进行传输计算，通过此种方式可以提高数据传输的安全性；同时，本步骤中的工程量计算模型为常规模型，将最终施工参数输入存储在云端的工程量计算模型进行计算，工程量计算模型存储在云端，而不用在本地保存，可以增加本地的储存空间；除了本步骤中提及的将其输入存储在云端的工程量计算模型中再计算工程量，还可以直接利用保存在本地的现有的工程量计算模型直接计算工程量，即不用考虑工程量计算模型是否保存在云端；

步骤S5的具体的实现步骤可以为步骤S51、步骤S52和步骤S53；

步骤S51、按照预设的划分规则，将全部的所述最终施工参数划分成多个数据集合，并对每个所述数据集合进行标号，每个所述数据集合中包括至少一个所述最终施工参数；

在本步骤中，预设的划分规则可以理解为，例如按照每个数据集合中包含5个数据的标准，进行划分，对于划分后剩余不足5个的最终施工参数，则将剩余的最终施工参数直接进行集合，得到多个数据集合；

步骤S52、按照标号顺序对每一个数据集合进行加密，其中，对每一个所述数据集合中包括的每一个所述最终施工参数进行标号，并获取排列在第一位的所述最终施工参数对应的密钥，对所述密钥进行动态变换得到排列在第二位的所述最终施工参数对应的密钥，持续动态变换，直到所述数据集合中包括的每一个所述最终施工参数都获取到对应的密钥，利用每一个所述最终施工参数对应的密钥对其进行加密，得到多个加密结果，将全部的所述加密结果进行重组，得到每一个数据集合对应的加密后的数据集合；

除了本步骤中的加密方法之外，还可以针对每一个数据集合，采用不同的加密算法进行加密，加密后再将加密后的数据和解密算法组合在一起，得到此数据集合对应的加密后的数据集合，再将加密后的数据集合传输至云端模型后再利用解密算法解密，解密后参与工程量的计算；

步骤S53、将所有的所述加密后的数据集合进行组合，得到加密后的施工参数，将所述加密后的施工参数输入至云端的工程量计算模型进行计算，得到所述工程量计算结果。

通过上述步骤，可以得出，本发明首先采集了与待计算工程量的建筑物为同一种建筑物的历史工程基础信息和历史设计施工信息，在此基础上构建出了设计施工模型，通过在历史数据的基础上构建模型，可以提高模型的准确性，同时利用训练得到的设计施工模型可以快速的根据待计算工程量的建筑物的工程基础信息得到其对应的设计施工信息，通过此种方法，可以仅在最初只知道工程基础信息的基础上就预测得到其设计施工信息，通过此种方式，可以使施工者较快的了解到设计施工信息，便于施工者安排施工进程；

在构建设计施工模型时，考虑到模型的准确性，因此利用包括多个历史施工参数进行训练；在计算出设计施工信息后，因为设计施工信息中包含很多个施工参数，考虑到后续云端模型计算的效率，本发明在众多的施工参数中，选取了与待计算工程量的建筑物相关系较高的施工参数参与后续的工程量计算；

同时，考虑到设计施工模型会输出多种设计施工信息，每个设计施工信息中包含的施工参数的取值并不一定全完相同，因此，利用聚类算法，计算出了每一个施工参数对应的最终施工参数，通过此种方法保证进入工程量计算模型的数据的唯一性，并且将此数据输入工程量计算模型，更能提高计算得到的工程量的准确性；

最终，考虑到要将数据传输至云端的工程量计算模型中，在传输过程中为了提高数据的安全性，本发明将数据进行加密后再传输至云端。总的来说，本发明仅仅在历史工程基础信息、历史设计施工信息和待计算工程量的建筑物的工程基础信息的基础上，通过层层递进的方法即计算出了建筑物的工程量，相较于传统的需要人工确定施工参数后再计算工程量的方式，本发明的方法不仅简化了计算的流程，还提高了计算速度。

实施例2

如图2所示，本实施例提供了一种城际铁路云端模型数据融合计算的装置，所述装置包括获取模块701、训练模块702、第一计算模块703、第二计算模块704和第三计算模块705。

获取模块701，用于获取第一数据和第二数据，所述第一数据包括待计算工程量的第一建筑物的工程基础信息，所述第二数据包括多个第二建筑物的历史工程基础信息和历史设计施工信息，所述历史设计施工信息中包括多个历史施工参数，所述第一建筑物与所述第二建筑物为同一类型的建筑物；

训练模块702，用于利用所述第二数据对神经网络模型进行训练，得到设计施工模型；

第一计算模块703，用于将所述第一数据输入所述设计施工模型中，得到所述第一建筑物的多种设计施工信息，所述设计施工信息中包括多个施工参数；

第二计算模块704，用于基于所述第一建筑物的多种设计施工信息，计算参与计算所述第一建筑物的工程量的最终施工参数；

第三计算模块705，用于将参与计算所述第一建筑物的工程量的最终施工参数输入存储在云端的工程量计算模型，得到所述第一建筑物的工程量计算结果。

在本公开的一种具体实施方式中，所述训练模块702，还包括训练单元7021、优化单元7022和判断单元7023。

训练单元7021，用于利用所述第二数据构建训练样本集，其中，每一个样本中包括每个所述第二建筑物对应的历史工程基础信息和组合历史施工参数，组合历史施工参数中包括预设个数的历史施工参数；

优化单元7022，用于将每一个样本中的所述历史工程基础信息作为输入，组合历史设计施工信息作为输出对神经网络模型进行训练，训练时，在对输入特征参数进行卷积操作时引入宽度因子进行优化，得到第一处理结果，对于输出特征参数的每个通道都用预设的卷积核进行卷积操作，且用分裂因子进行优化，得到第二处理结果；

判断单元7023，用于将所述第一处理结果和所述第二处理结果进行拼接，将拼接结果作为模型输出的结果；计算模型输出的结果与所述历史设计施工信息之间的相关性系数，对所述相关性系数进行判断，当所述相关性系数大于预设系数阈值时，停止训练，得到所述设计施工模型。

在本公开的一种具体实施方式中，所述训练单元7021，还包括挑选子单元70211、重复子单元70212和组合子单元70213。

挑选子单元70211，用于挑选组合处理：在每个所述第二建筑物的多个历史施工参数中随机挑选预设个数的历史施工参数进行组合，得到组合参数；

重复子单元70212，用于重复所述挑选组合处理步骤，当达到预设的挑选组合处理次数时则停止此步骤，得到多个组合参数；

组合子单元70213，用于将每个所述第二建筑物对应的历史工程基础信息和每个所述第二建筑物对应的一个组合参数作为一个样本中包括的数据，得到多个样本。

在本公开的一种具体实施方式中，所述第二计算模块704，还包括处理单元7041、第一计算单元7042和第二计算单元7043。

处理单元7041，用于对每一个施工参数进行无量纲化处理，得到每个无量纲化处理后的施工参数，基于所述无量纲化处理后的施工参数计算所述施工参数与所述第一建筑物的工程量的灰色关联系数；

第一计算单元7042，用于基于所述灰色关联系数，计算得到所述施工参数与所述第一建筑物的工程量的关联度，将所述施工参数的关联度大于预设关联度阈值的施工参数作为参与计算所述第一建筑物的工程量的施工参数；

第二计算单元7043，用于基于所述参与计算所述第一建筑物的工程量的施工参数和所述第一建筑物的多种设计施工信息，计算参与计算所述第一建筑物的工程量的最终施工参数。

在本公开的一种具体实施方式中，所述第二计算单元7043，还包括集合子单元70431、聚类子单元70432和计算子单元70433。

集合子单元70431，用于在所有的所述设计施工信息中，将同一类型的所述施工参数进行集合，得到数据集；

聚类子单元70432，用于利用基于距离类的聚类算法，将数据集中的所有的取值进行聚类处理，得到聚类类别集合，所述聚类类别集合包括至少一个聚类类别；

计算子单元70433，用于计算所述聚类类别集合中每个点到中心点的欧式距离，得到各个聚类类别对应的最大欧式距离，对所有的所述最大欧式距离进行分析，将所有的所述最大欧式距离的平均值作为每一个所述施工参数对应的所述最终施工参数。

在本公开的一种具体实施方式中，所述第三计算模块705，还包括划分单元7051、加密单元7052和输入单元7053。

划分单元7051，用于按照预设的划分规则，将全部的所述最终施工参数划分成多个数据集合，并对每个所述数据集合进行标号，每个所述数据集合中包括至少一个所述最终施工参数；

加密单元7052，用于按照标号顺序对每一个数据集合进行加密，其中，对每一个所述数据集合中包括的每一个所述最终施工参数进行标号，并获取排列在第一位的所述最终施工参数对应的密钥，对所述密钥进行动态变换得到排列在第二位的所述最终施工参数对应的密钥，持续动态变换，直到所述数据集合中包括的每一个所述最终施工参数都获取到对应的密钥，利用每一个所述最终施工参数对应的密钥对其进行加密，得到多个加密结果，将全部的所述加密结果进行重组，得到每一个数据集合对应的加密后的数据集合；

输入单元7053，用于将所有的所述加密后的数据集合进行组合，得到加密后的施工参数，将所述加密后的施工参数输入至云端的工程量计算模型进行计算，得到所述工程量计算结果。

需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3

相应于上面的方法实施例，本公开实施例还提供了城际铁路云端模型数据融合计算的设备，下文描述的城际铁路云端模型数据融合计算的设备与上文描述的城际铁路云端模型数据融合计算的方法可相互对应参照。

图3是根据一示例性实施例示出的城际铁路云端模型数据融合计算的设备800的框图。如图3所示，该城际铁路云端模型数据融合计算的设备800可以包括：处理器801，存储器802。该城际铁路云端模型数据融合计算的设备800还可以包括多媒体组件803， I/O接口804 ，以及通信组件805中的一者或多者。

其中，处理器801用于控制该城际铁路云端模型数据融合计算的设备800的整体操作，以完成上述的城际铁路云端模型数据融合计算的方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该城际铁路云端模型数据融合计算的设备800的操作，这些数据例如可以包括用于在该城际铁路云端模型数据融合计算的设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该城际铁路云端模型数据融合计算的设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，该城际铁路云端模型数据融合计算的设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital SignalProcessing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的城际铁路云端模型数据融合计算的方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的城际铁路云端模型数据融合计算的方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该城际铁路云端模型数据融合计算的设备800的处理器801执行以完成上述的城际铁路云端模型数据融合计算的方法。

实施例4

相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的城际铁路云端模型数据融合计算的方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的城际铁路云端模型数据融合计算的方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (8)

1.一种城际铁路云端模型数据融合计算的方法，其特征在于，包括：

获取第一数据和第二数据，所述第一数据包括待计算工程量的第一建筑物的工程基础信息，所述第二数据包括多个第二建筑物的历史工程基础信息和历史设计施工信息，所述历史设计施工信息中包括多个历史施工参数，所述第一建筑物与所述第二建筑物为同一类型的建筑物；

利用所述第二数据对神经网络模型进行训练，得到设计施工模型；

将所述第一数据输入所述设计施工模型中，得到所述第一建筑物的多种设计施工信息，所述设计施工信息中包括多个施工参数；

基于所述第一建筑物的多种设计施工信息，计算参与计算所述第一建筑物的工程量的最终施工参数；

将参与计算所述第一建筑物的工程量的最终施工参数输入存储在云端的工程量计算模型，得到所述第一建筑物的工程量计算结果；

其中，基于所述第一建筑物的多种设计施工信息，计算参与计算所述第一建筑物的工程量的最终施工参数，包括：

对每一个施工参数进行无量纲化处理，得到每个无量纲化处理后的施工参数，基于所述无量纲化处理后的施工参数计算所述施工参数与所述第一建筑物的工程量的灰色关联系数；

基于所述灰色关联系数，计算得到所述施工参数与所述第一建筑物的工程量的关联度，将所述施工参数的关联度大于预设关联度阈值的施工参数作为参与计算所述第一建筑物的工程量的施工参数；

基于所述参与计算所述第一建筑物的工程量的施工参数和所述第一建筑物的多种设计施工信息，计算参与计算所述第一建筑物的工程量的最终施工参数；

其中，基于所述参与计算所述第一建筑物的工程量的施工参数和所述第一建筑物的多种设计施工信息，计算参与计算所述第一建筑物的工程量的最终施工参数，包括：

在所有的所述设计施工信息中，将同一类型的所述施工参数进行集合，得到数据集；

利用基于距离类的聚类算法，将数据集中的所有的取值进行聚类处理，得到聚类类别集合，所述聚类类别集合包括至少一个聚类类别；

计算所述聚类类别集合中每个点到中心点的欧式距离，得到各个聚类类别对应的最大欧式距离，对所有的所述最大欧式距离进行分析，将所有的所述最大欧式距离的平均值作为每一个所述施工参数对应的所述最终施工参数。

2.根据权利要求1所述的城际铁路云端模型数据融合计算的方法，其特征在于，利用所述第二数据对神经网络模型进行训练，得到设计施工模型，包括：

利用所述第二数据构建训练样本集，其中，每一个样本中包括每个所述第二建筑物对应的历史工程基础信息和组合历史施工参数，组合历史施工参数中包括预设个数的历史施工参数；

将每一个样本中的所述历史工程基础信息作为输入，组合历史设计施工信息作为输出对神经网络模型进行训练，训练时，在对输入特征参数进行卷积操作时引入宽度因子进行优化，得到第一处理结果，对于输出特征参数的每个通道都用预设的卷积核进行卷积操作，且用分裂因子进行优化，得到第二处理结果；

将所述第一处理结果和所述第二处理结果进行拼接，将拼接结果作为模型输出的结果；计算模型输出的结果与所述历史设计施工信息之间的相关性系数，对所述相关性 系数进行判断，当所述相关性 系数大于预设系数阈值时，停止训练，得到所述设计施工模型。

3.根据权利要求2所述的城际铁路云端模型数据融合计算的方法，其特征在于，利用所述第二数据构建训练样本集，包括：

挑选组合处理：在每个所述第二建筑物的多个历史施工参数中随机挑选预设个数的历史施工参数进行组合，得到组合参数；

重复所述挑选组合处理步骤，当达到预设的挑选组合处理次数时则停止此步骤，得到多个组合参数；

将每个所述第二建筑物对应的历史工程基础信息和每个所述第二建筑物对应的一个组合参数作为一个样本中包括的数据，得到多个样本。

4.一种城际铁路云端模型数据融合计算的装置，其特征在于，包括：

获取模块，用于获取第一数据和第二数据，所述第一数据包括待计算工程量的第一建筑物的工程基础信息，所述第二数据包括多个第二建筑物的历史工程基础信息和历史设计施工信息，所述历史设计施工信息中包括多个历史施工参数，所述第一建筑物与所述第二建筑物为同一类型的建筑物；

训练模块，用于利用所述第二数据对神经网络模型进行训练，得到设计施工模型；

第一计算模块，用于将所述第一数据输入所述设计施工模型中，得到所述第一建筑物的多种设计施工信息，所述设计施工信息中包括多个施工参数；

第二计算模块，用于基于所述第一建筑物的多种设计施工信息，计算参与计算所述第一建筑物的工程量的最终施工参数；

第三计算模块，用于将参与计算所述第一建筑物的工程量的最终施工参数输入存储在云端的工程量计算模型，得到所述第一建筑物的工程量计算结果；

其中，第二计算模块，包括：

处理单元，用于对每一个施工参数进行无量纲化处理，得到每个无量纲化处理后的施工参数，基于所述无量纲化处理后的施工参数计算所述施工参数与所述第一建筑物的工程量的灰色关联系数；

第一计算单元，用于基于所述灰色关联系数，计算得到所述施工参数与所述第一建筑物的工程量的关联度，将所述施工参数的关联度大于预设关联度阈值的施工参数作为参与计算所述第一建筑物的工程量的施工参数；

第二计算单元，用于基于所述参与计算所述第一建筑物的工程量的施工参数和所述第一建筑物的多种设计施工信息，计算参与计算所述第一建筑物的工程量的最终施工参数；

其中，第二计算单元包括：

集合子单元，用于在所有的所述设计施工信息中，将同一类型的所述施工参数进行集合，得到数据集；

聚类子单元，用于利用基于距离类的聚类算法，将数据集中的所有的取值进行聚类处理，得到聚类类别集合，所述聚类类别集合包括至少一个聚类类别；

计算子单元，用于计算所述聚类类别集合中每个点到中心点的欧式距离，得到各个聚类类别对应的最大欧式距离，对所有的所述最大欧式距离进行分析，将所有的所述最大欧式距离的平均值作为每一个所述施工参数对应的所述最终施工参数。

5.根据权利要求4所述的城际铁路云端模型数据融合计算的装置，其特征在于，训练模块，包括：

训练单元，用于利用所述第二数据构建训练样本集，其中，每一个样本中包括每个所述第二建筑物对应的历史工程基础信息和组合历史施工参数，组合历史施工参数中包括预设个数的历史施工参数；

优化单元，用于将每一个样本中的所述历史工程基础信息作为输入，组合历史设计施工信息作为输出对神经网络模型进行训练，训练时，在对输入特征参数进行卷积操作时引入宽度因子进行优化，得到第一处理结果，对于输出特征参数的每个通道都用预设的卷积核进行卷积操作，且用分裂因子进行优化，得到第二处理结果；

判断单元，用于将所述第一处理结果和所述第二处理结果进行拼接，将拼接结果作为模型输出的结果；计算模型输出的结果与所述历史设计施工信息之间的相关性系数，对所述相关性 系数进行判断，当所述相关性 系数大于预设系数阈值时，停止训练，得到所述设计施工模型。

6.根据权利要求4所述的城际铁路云端模型数据融合计算的装置，其特征在于，训练单元，包括：

挑选子单元，用于挑选组合处理：在每个所述第二建筑物的多个历史施工参数中随机挑选预设个数的历史施工参数进行组合，得到组合参数；

重复子单元，用于重复所述挑选组合处理步骤，当达到预设的挑选组合处理次数时则停止此步骤，得到多个组合参数；

组合子单元，用于将每个所述第二建筑物对应的历史工程基础信息和每个所述第二建筑物对应的一个组合参数作为一个样本中包括的数据，得到多个样本。

7.一种城际铁路云端模型数据融合计算的设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述城际铁路云端模型数据融合计算的方法的步骤。

8.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述城际铁路云端模型数据融合计算的方法的步骤。

Images