CN116414832A - 一种基于bim与人工智能的数据档案存储方法及系统 - Google Patents

一种基于bim与人工智能的数据档案存储方法及系统 Download PDF

Info

Publication number
CN116414832A
CN116414832A CN202310221204.7A CN202310221204A CN116414832A CN 116414832 A CN116414832 A CN 116414832A CN 202310221204 A CN202310221204 A CN 202310221204A CN 116414832 A CN116414832 A CN 116414832A
Authority
CN
China
Prior art keywords
building information
information model
data
model component
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310221204.7A
Other languages
English (en)
Inventor
孟令阳
胡金鑫
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202310221204.7A priority Critical patent/CN116414832A/zh
Publication of CN116414832A publication Critical patent/CN116414832A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2291—User-Defined Types; Storage management thereof
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供的一种基于BIM与人工智能的数据档案存储方法及系统，涉及人工智能与BIM技术领域。在本发明中，输出每一个建筑信息模型构件数据对应的模型构件关键数据特征表示；将多个建筑信息模型构件数据进行处理，输出模型构件数据聚合特征表示，将多个建筑信息模型构件数据和对应的模型构件关键数据特征表示进行处理，输出模型构件数据关联聚合特征表示并输出转换模型构件关键数据特征表示；基于模型构件数据聚合特征表示、模型构件数据关联聚合特征表示和转换模型构件关键数据特征表示，输出建筑信息模型存储分析信息。本发明改善了现有技术中BIM数据存储的可靠度不高的问题，提高BIM数据存储智能化处理效率。

Description

一种基于BIM与人工智能的数据档案存储方法及系统
技术领域
本发明涉及人工智能与BIM技术领域，具体而言，涉及一种基于BIM与人工智能的数据档案存储方法及系统。
背景技术
建筑信息模型(Building Information Modeling)是以建筑工程项目的各项相关信息数据作为模型的基础，利用人工智能与大数据技术，进行建筑模型的建立，通过数字信息仿真模拟建筑物所具有的真实信息。它具有信息完备性、信息关联性、信息一致性、 可视化、协调性、模拟性、优化性和可出图性八大特点。基于此，建筑信息模型的应用较多，其中，在形成建筑信息模型之后，一般需要对建筑信息模型进行存储，而对于大量的建筑信息模型，一般需要进行不同的存储，但是，在现有技术中，一般是基于相关工作人员对建筑信息模型的分工分析，以实现分别存储，如此，使得存在可靠度不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于BIM与人工智能的数据档案存储方法及系统，以改善现有技术中BIM数据存储的可靠度不高的问题。
为实现上述目的，本发明实施例采用如下技术方案：
一种基于BIM与人工智能的数据档案存储方法，包括：
将待存储建筑信息模型对应的多个建筑信息模型构件数据进行关键数据挖掘操作，以输出所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示；
将所述多个建筑信息模型构件数据进行数据聚合操作，以输出对应的模型构件数据聚合特征表示，以及，将所述多个建筑信息模型构件数据和所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行数据关联聚合操作，以输出对应的模型构件数据关联聚合特征表示；
将所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行第一类参数转换操作和第二类参数转换操作，以输出对应的转换模型构件关键数据特征表示，所述第一类参数转换操作不同于所述第二类参数转换操作；
基于所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示，对所述待存储建筑信息模型进行存储方式确定操作，以输出所述待存储建筑信息模型对应的建筑信息模型存储分析信息，所述建筑信息模型存储分析信息用于反映出所述待存储建筑信息模型的存储方式，使得基于该存储方式对所述待存储建筑信息模型进行存储操作。
在一些优选的实施例中，在上述基于BIM与人工智能的数据档案存储方法中，所述将所述多个建筑信息模型构件数据和所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行数据关联聚合操作，以输出对应的模型构件数据关联聚合特征表示的步骤，包括：
将所述多个建筑信息模型构件数据进行数据配对操作，以形成对应的多个建筑信息模型构件数据对，所述多个建筑信息模型构件数据对中的每两个建筑信息模型构件数据对都不一样；
将所述建筑信息模型构件数据对包括的多个建筑信息模型构件数据进行数据乘法运算，以形成对应的融合建筑信息模型构件数据；
将所述建筑信息模型构件数据对包括的多个建筑信息模型构件数据各自对应的模型构件关键数据特征表示进行数据乘法运算，以输出对应的数据重要度评估系数；
基于所述多个建筑信息模型构件数据对中的每一个建筑信息模型构件数据对对应的数据重要度评估系数，将所述多个建筑信息模型构件数据对中的每一个建筑信息模型构件数据对对应的融合建筑信息模型构件数据进行数据聚合操作，以输出对应的模型构件数据关联聚合特征表示。
在一些优选的实施例中，在上述基于BIM与人工智能的数据档案存储方法中，所述基于所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示，对所述待存储建筑信息模型进行存储方式确定操作，以输出所述待存储建筑信息模型对应的建筑信息模型存储分析信息的步骤，包括：
将所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示进行数据聚合操作，以形成对应的存储方式分析特征表示；
将所述存储方式分析特征表示进行第二类参数转换操作，以形成所述待存储建筑信息模型对应的建筑信息模型存储分析信息。
在一些优选的实施例中，在上述基于BIM与人工智能的数据档案存储方法中，所述将所述多个建筑信息模型构件数据进行数据聚合操作，以输出对应的模型构件数据聚合特征表示的步骤，包括：
将所述多个建筑信息模型构件数据进行有权重的叠加运算，以输出对应的模型构件数据聚合特征表示；或者
将所述多个建筑信息模型构件数据进行有权重的均值运算，以输出对应的模型构件数据聚合特征表示。
在一些优选的实施例中，在上述基于BIM与人工智能的数据档案存储方法中，所述将待存储建筑信息模型对应的多个建筑信息模型构件数据进行关键数据挖掘操作，以输出所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示的步骤，包括：
将待存储建筑信息模型对应的多个建筑信息模型构件数据中的每一个建筑信息模型构件数据进行特征空间映射操作，以映射输出每一个所述建筑信息模型构件数据对应的特征空间映射特征表示；
利用配置的多个滤波矩阵，分别对每一个所述建筑信息模型构件数据对应的特征空间映射特征表示进行特征表示抽选操作，以形成每一个建筑信息模型构件数据对应的模型构件关键数据特征表示。
在一些优选的实施例中，在上述基于BIM与人工智能的数据档案存储方法中，用于进行存储操作的存储设备为多个，所述建筑信息模型存储分析信息至少用于反映进行存储操作的存储设备，以及，在所述基于所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示，对所述待存储建筑信息模型进行存储方式确定操作，以输出所述待存储建筑信息模型对应的建筑信息模型存储分析信息的步骤之后，所述基于BIM与人工智能的数据档案存储方法还包括：
将多个待存储建筑信息模型各自对应的建筑信息模型存储分析信息进行整合处理，以确定出每一个存储设备对应的待存储建筑信息模型集合，对于任意一个所述待存储建筑信息模型集合，该待存储建筑信息模型集合包括的每一个待存储建筑信息模型对应的建筑信息模型存储分析信息对应的存储设备相同；
对于每一个所述待存储建筑信息模型集合,对该待存储建筑信息模型集合包括的待存储建筑信息模型的数量进行统计，以确定出该待存储建筑信息模型集合对应的模型数量统计值；
基于每一个所述待存储建筑信息模型集合对应的模型数量统计值，对所述多个待存储建筑信息模型各自对应的建筑信息模型存储分析信息进行更新处理，以形成所述多个待存储建筑信息模型各自对应的更新建筑信息模型存储分析信息，所述更新建筑信息模型存储分析信息用于反映出对应的待存储建筑信息模型的存储方式，使得基于该存储方式对该待存储建筑信息模型进行存储操作。
在一些优选的实施例中，在上述基于BIM与人工智能的数据档案存储方法中，所述基于每一个所述待存储建筑信息模型集合对应的模型数量统计值，对所述多个待存储建筑信息模型各自对应的建筑信息模型存储分析信息进行更新处理，以形成所述多个待存储建筑信息模型各自对应的更新建筑信息模型存储分析信息的步骤，包括：
基于每一个所述待存储建筑信息模型集合对应的模型数量统计值进行离散度计算，以确定出对应的模型数量分布离散系数；
在所述模型数量分布离散系数小于或等于预先配置的参考模型数量分布离散系数的情况下，将所述多个待存储建筑信息模型各自对应的建筑信息模型存储分析信息作为所述多个待存储建筑信息模型各自对应的更新建筑信息模型存储分析信息；
在所述模型数量分布离散系数大于所述参考模型数量分布离散系数的情况下，将多个所述待存储建筑信息模型集合进行模型重新分配处理，以形成新的多个待存储建筑信息模型集合，所述进行模型重新分配处理的原则至少包括：
在满足所述新的多个待存储建筑信息模型集合对应的新的模型数量统计值的模型数量分布离散系数小于或等于所述参考模型数量分布离散系数的情况下，使得所述新的多个待存储建筑信息模型集合和多个所述待存储建筑信息模型集合之间的相似度最大。
在一些优选的实施例中，在上述基于BIM与人工智能的数据档案存储方法中，在所述将待存储建筑信息模型对应的多个建筑信息模型构件数据进行关键数据挖掘操作，以输出所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示的步骤之前，所述基于BIM与人工智能的数据档案存储方法还包括：
利用初始存储方式分析神经网络，将示例性建筑信息模型对应的多个建筑信息模型构件数据进行存储方式分析操作，输出所述示例性建筑信息模型对应的建筑信息模型存储分析信息；
基于所述示例性建筑信息模型对应的建筑信息模型存储分析信息和预先配置的真实建筑信息模型存储信息进行学习代价值的确定，以输出对应的目标学习代价值，所述真实建筑信息模型存储信息用于表征所述示例性建筑信息模型的实际存储方式；
基于所述目标学习代价值，对所述初始存储方式分析神经网络进行网络优化，形成优化后的初始存储方式分析神经网络；
所述优化后的初始存储方式分析神经网络用于对所述待存储建筑信息模型对应的多个建筑信息模型构件数据进行存储方式分析操作，输出所述待存储建筑信息模型对应的建筑信息模型存储分析信息，所述存储方式分析操作包括关键数据挖掘操作、数据聚合操作、数据关联聚合操作、第一类参数转换操作、第二类参数转换操作和存储方式确定操作。
在一些优选的实施例中，在上述基于BIM与人工智能的数据档案存储方法中，所述基于所述目标学习代价值，对所述初始存储方式分析神经网络进行网络优化，形成优化后的初始存储方式分析神经网络的步骤，包括：
基于所述目标学习代价值分析出第一学习代价值变化系数；
基于所述第一学习代价值变化系数和平均相邻学习代价值变化系数进行加权均值计算，以输出对应的平均第一学习代价值变化系数，以及，基于所述第一学习代价值变化系数和相邻学习代价值变化系数期望距离，计算出对应的第一学习代价值变化系数期望距离；
将所述平均第一学习代价值变化系数进行更新操作，以形成对应的更新平均第一学习代价值变化系数，以及，将所述第一学习代价值变化系数期望距离进行更新操作，以形成对应的更新第一学习代价值变化系数期望距离；
基于所述更新平均第一学习代价值变化系数和所述更新第一学习代价值变化系数期望距离，对所述初始存储方式分析神经网络的网络参数进行优化操作，形成优化后的初始存储方式分析神经网络。
本发明实施例还提供一种基于BIM与人工智能的数据档案存储系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于BIM与人工智能的数据档案存储方法。
本发明实施例提供的一种基于BIM与人工智能的数据档案存储方法及系统，输出每一个建筑信息模型构件数据对应的模型构件关键数据特征表示；将多个建筑信息模型构件数据进行处理，输出模型构件数据聚合特征表示，将多个建筑信息模型构件数据和对应的模型构件关键数据特征表示进行处理，输出模型构件数据关联聚合特征表示；将模型构件关键数据特征表示进行转换操作，以输出转换模型构件关键数据特征表示；基于模型构件数据聚合特征表示、模型构件数据关联聚合特征表示和转换模型构件关键数据特征表示，输出建筑信息模型存储分析信息。基于此，一方面，由于会对多个建筑信息模型构件数据进行数据聚合操作，以输出对应的模型构件数据聚合特征表示，即直接得到模型构件的浅层的关键信息，另一方面，由于会对每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行第一类参数转换操作和第二类参数转换操作，以输出对应的转换模型构件关键数据特征表示，使得可以得到模型构件的深层的关键信息，从而基于浅层和深层的关键信息进行存储方式确定操作，使得建筑信息模型存储分析信息的可靠度较高，改善现有技术中BIM数据存储的可靠度不高的问题。
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
图1为本发明实施例提供的基于BIM与人工智能的数据档案存储系统的结构框图。
图2为本发明实施例提供的基于BIM与人工智能的数据档案存储方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于BIM与人工智能的数据档案存储装置包括的各模块的示意图。
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，所描述的实施例只是本发明的一部分实施例，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。
如图1所示，本发明实施例提供了一种基于BIM与人工智能的数据档案存储系统。其中，所述基于BIM与人工智能的数据档案存储系统可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于BIM与人工智能的数据档案存储方法。
可以理解的是，在一些可以替代的实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解的是，在一些可以替代的实施方式中，所述基于BIM与人工智能的数据档案存储系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种基于BIM与人工智能的数据档案存储方法，可应用于上述基于BIM与人工智能的数据档案存储系统。其中，所述基于BIM与人工智能的数据档案存储方法有关的流程所定义的方法步骤，可以由所述基于BIM与人工智能的数据档案存储系统实现。下面将对图2所示的具体流程，进行详细阐述。
步骤S110，将待存储建筑信息模型对应的多个建筑信息模型构件数据进行关键数据挖掘操作，以输出所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示。
在本发明实施例中，所述基于BIM与人工智能的数据档案存储系统可以将待存储建筑信息模型对应的多个建筑信息模型构件数据进行关键数据挖掘操作，以输出所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示。
步骤S120，将所述多个建筑信息模型构件数据进行数据聚合操作，以输出对应的模型构件数据聚合特征表示，以及，将所述多个建筑信息模型构件数据和所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行数据关联聚合操作，以输出对应的模型构件数据关联聚合特征表示。
在本发明实施例中，所述基于BIM与人工智能的数据档案存储系统可以将所述多个建筑信息模型构件数据进行数据聚合操作，以输出对应的模型构件数据聚合特征表示，以及，将所述多个建筑信息模型构件数据和所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行数据关联聚合操作，以输出对应的模型构件数据关联聚合特征表示。
步骤S130，将所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行第一类参数转换操作和第二类参数转换操作，以输出对应的转换模型构件关键数据特征表示。
在本发明实施例中，所述基于BIM与人工智能的数据档案存储系统可以将所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行第一类参数转换操作和第二类参数转换操作，以输出对应的转换模型构件关键数据特征表示。所述第一类参数转换操作不同于所述第二类参数转换操作。
步骤S140，基于所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示，对所述待存储建筑信息模型进行存储方式确定操作，以输出所述待存储建筑信息模型对应的建筑信息模型存储分析信息。
在本发明实施例中，所述基于BIM与人工智能的数据档案存储系统可以基于所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示，对所述待存储建筑信息模型进行存储方式确定操作，以输出所述待存储建筑信息模型对应的建筑信息模型存储分析信息。所述建筑信息模型存储分析信息用于反映出所述待存储建筑信息模型的存储方式，使得基于该存储方式对所述待存储建筑信息模型进行存储操作。
基于上述的各步骤的配合，一方面，由于会对多个建筑信息模型构件数据进行数据聚合操作，以输出对应的模型构件数据聚合特征表示，即直接得到模型构件的浅层的关键信息，另一方面，由于会对每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行第一类参数转换操作和第二类参数转换操作，以输出对应的转换模型构件关键数据特征表示，使得可以得到模型构件的深层的关键信息，从而基于浅层和深层的关键信息进行存储方式确定操作，使得建筑信息模型存储分析信息的可靠度较高，改善现有技术中BIM数据存储的可靠度不高的问题。
可以理解的是，在一些可以替代的实施方式中，对于上述的步骤S110，即所述将待存储建筑信息模型对应的多个建筑信息模型构件数据进行关键数据挖掘操作，以输出所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示的步骤，其可以进一步包括以下具体的实施子步骤：
将待存储建筑信息模型对应的多个建筑信息模型构件数据中的每一个建筑信息模型构件数据进行特征空间映射操作，以映射输出每一个所述建筑信息模型构件数据对应的特征空间映射特征表示（也就是说，可以将所述建筑信息模型构件数据映射至特征空间中，以利用对应的特征空间映射特征表示来进行表示，即离散数据用连续的特别表示的代表）；
利用配置的多个滤波矩阵，分别对每一个所述建筑信息模型构件数据对应的特征空间映射特征表示进行特征表示抽选操作，以形成每一个建筑信息模型构件数据对应的模型构件关键数据特征表示（也就是说，可以通过所述多个滤波矩阵对分别对每一个所述建筑信息模型构件数据对应的特征空间映射特征表示进行特征表示参数的过滤，以抽取出其中的关键数据，即得到对应的模型构件关键数据特征表示）。
其中，可以理解的是，在一些可以替代的实施方式中，对于所述利用配置的多个滤波矩阵，分别对每一个所述建筑信息模型构件数据对应的特征空间映射特征表示进行特征表示抽选操作，以形成每一个建筑信息模型构件数据对应的模型构件关键数据特征表示的步骤，其可以进一步包括以下具体的实施子步骤：
提取到所述待存储建筑信息模型对应的建筑信息模型数据，对所述建筑信息模型数据进行特征空间映射处理，以输出所述建筑信息模型数据对应的建筑信息模型数据特征表示；
对于每一个所述建筑信息模型构件数据，从所述建筑信息模型数据特征表示中，抽选出与该建筑信息模型构件数据相关的局部建筑信息模型数据特征表示，所述局部建筑信息模型数据特征表示由与该建筑信息模型构件数据相关的数据对应的特征表示参数构成，与该建筑信息模型构件数据相关的数据包括用于描述该建筑信息模型构件数据对应的建筑信息模型构件和邻接的其它建筑模型构件之间的构件关系的数据、描述邻接的其它建筑模型构件的数据（如此，可以通过所述局部建筑信息模型数据特征表示来反映对应的建筑信息模型构件数据的上下文信息）；
对于每一个所述建筑信息模型构件数据，将该建筑信息模型数据对应的建筑信息模型数据特征表示和与该建筑信息模型构件数据相关的局部建筑信息模型数据特征表示进行融合处理，以得到该建筑信息模型构件数据对应的全局建筑信息模型数据特征表示，所述全局建筑信息模型数据特征表示用于反映对应的建筑信息模型构件本身的信息和上下文信息（示例性地，可以将该建筑信息模型数据对应的建筑信息模型数据特征表示和与该建筑信息模型构件数据相关的局部建筑信息模型数据特征表示进行拼接，以形成该建筑信息模型构件数据对应的全局建筑信息模型数据特征表示）；
分别对每一个所述建筑信息模型构件数据对应的全局建筑信息模型数据特征表示进行模态内的显著性特征分析操作（即针对特征表示自身进行显著性特征分析操作），以得到每一个所述建筑信息模型构件数据对应的显著性全局建筑信息模型数据特征表示，以及，利用级联的多个滤波矩阵中的第一个滤波矩阵，分别对每一个所述建筑信息模型构件数据对应的显著性全局建筑信息模型数据特征表示进行处理，以得到每一个所述建筑信息模型构件数据对应的第一滤波特征表示，以及，（针对每一个分别进行）将该滤波特征表示进行模态内的显著性特征分析操作，以输出第一显著性特征表示，利用级联的多个滤波矩阵中的第二个滤波矩阵，将该第一显著性特征表示进行处理，以输出对应的第二滤波特征表示，将该第二滤波特征表示和之前输出的各滤波特征表示（此时仅包括所述第一滤波特征表示）进行叠加，以输出对应的叠加滤波特征表示，然后，对该叠加滤波特征表示进行模态内的显著性特征分析操作，以输出第二显著性特征表示，利用级联的多个滤波矩阵中的第三个滤波矩阵，将该第二显著性特征表示进行处理，以输出对应的第三滤波特征表示，将该第三滤波特征表示和之前输出的各滤波特征表示（此时仅包括所述第一滤波特征表示和所述第二滤波特征表示）进行叠加，以输出对应的叠加滤波特征表示，如此循环进行处理，直到利用级联的多个滤波矩阵中的最后一个滤波矩阵，输出对应的最后的滤波特征表示，载将该最后的滤波特征表示和之前输出的各滤波特征表示进行叠加，以得到对应的模型构件关键数据特征表示（如此，可以分别得到每一个建筑信息模型构件数据对应的模型构件关键数据特征表示）。
可以理解的是，在一些可以替代的实施方式中，对于上述的步骤S120，即所述将所述多个建筑信息模型构件数据进行数据聚合操作，以输出对应的模型构件数据聚合特征表示的步骤，其可以进一步包括以下具体的实施子步骤：
将所述多个建筑信息模型构件数据进行有权重的叠加运算，以输出对应的模型构件数据聚合特征表示；或者，将所述多个建筑信息模型构件数据进行有权重的均值运算，以输出对应的模型构件数据聚合特征表示（示例性地，每一个所述建筑信息模型构件数据对应的权重可以依据所述建筑信息模型构件数据对应的建筑信息模型构件的类型对应的权重确定，所述建筑信息模型构件的类型对应的权重可以预先进行配置，如按照经验，不同类型的建筑信息模型构件可以有不同的权重等；另外，可以先将待存储建筑信息模型对应的多个建筑信息模型构件数据中的每一个建筑信息模型构件数据进行特征空间映射操作，以映射输出每一个所述建筑信息模型构件数据对应的特征空间映射特征表示，然后，将所述特征空间映射特征表示进行有权重的叠加运算或进行有权重的均值运算，以输出对应的模型构件数据聚合特征表示）。
可以理解的是，在一些可以替代的实施方式中，对于上述的步骤S120，即所述将所述多个建筑信息模型构件数据和所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行数据关联聚合操作，以输出对应的模型构件数据关联聚合特征表示的步骤，其可以进一步包括以下具体的实施子步骤：
将所述多个建筑信息模型构件数据进行数据配对操作，以形成对应的多个建筑信息模型构件数据对，所述多个建筑信息模型构件数据对中的每两个建筑信息模型构件数据对都不一样（示例性地，可以将所述多个建筑信息模型构件数据进行任意的两两配对，以形成对应的多个建筑信息模型构件数据对。其中，一个建筑信息模型构件数据属于一个建筑信息模型构件数据对，每两个建筑信息模型构件数据对之间完全不重合）；
将所述建筑信息模型构件数据对包括的多个建筑信息模型构件数据进行数据乘法运算，以形成对应的融合建筑信息模型构件数据（示例性地，可以先将待存储建筑信息模型对应的多个建筑信息模型构件数据中的每一个建筑信息模型构件数据进行特征空间映射操作，以映射输出每一个所述建筑信息模型构件数据对应的特征空间映射特征表示，如此，可以将所述建筑信息模型构件数据对包括的多个建筑信息模型构件数据对应的特征空间映射特征表示进行叉乘运算，以得到融合建筑信息模型构件数据）；
将所述建筑信息模型构件数据对包括的多个建筑信息模型构件数据各自对应的模型构件关键数据特征表示进行数据乘法运算，以输出对应的数据重要度评估系数（示例性地，可以将所述建筑信息模型构件数据对包括的多个建筑信息模型构件数据各自对应的模型构件关键数据特征表示进行点乘运算，以得到对应的数据重要度评估系数）；
基于所述多个建筑信息模型构件数据对中的每一个建筑信息模型构件数据对对应的数据重要度评估系数，将所述多个建筑信息模型构件数据对中的每一个建筑信息模型构件数据对对应的融合建筑信息模型构件数据进行数据聚合操作，以输出对应的模型构件数据关联聚合特征表示（示例性地，可以基于对应的数据重要度评估系数，对所述建筑信息模型构件数据对对应的融合建筑信息模型构件数据进行加权运算，然后，将每一个所述建筑信息模型构件数据对对应的加权运算结果进行叠加，以输出对应的模型构件数据关联聚合特征表示）。
可以理解的是，在一些可以替代的实施方式中，对于上述的步骤S130，即所述将所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行第一类参数转换操作和第二类参数转换操作，以输出对应的转换模型构件关键数据特征表示的步骤，其可以进一步包括以下具体的实施子步骤：
将所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行特征整合处理，以形成对应的整合模型构件关键数据特征表示（所述特征整合处理可以由特征整合单元实现，具体是指由一个特征空间线性变换到另一个特征空间，对于所述特征整合单元，其每个神经元与其前一层的所有神经元进行全连接，如此，可以实现将所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行第一类参数转换操作）；
对所述整合模型构件关键数据特征表示进行非线性的激励映射输出(即所述第二类参数转换操作，具体可以通过配置的非线性激励函数实现)，以以输出对应的转换模型构件关键数据特征表示（示例性地，所述特征整合处理和所述非线性的激励映射输出可以进行多次，从而获取到更多深层的关键信息，使得所述转换模型构件关键数据特征表示的信息更丰富）。
可以理解的是，在一些可以替代的实施方式中，对于上述的步骤S140，即所述基于所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示，对所述待存储建筑信息模型进行存储方式确定操作，以输出所述待存储建筑信息模型对应的建筑信息模型存储分析信息的步骤，其可以进一步包括以下具体的实施子步骤：
将所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示进行数据聚合操作，以形成对应的存储方式分析特征表示（示例性地，可以对所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示进行拼接或叠加处理，以实现数据聚合操作，其中，在进行拼接或叠加处理之前，可以先对所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示进行特征表示维度的缩放处理，使得处理后的所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示之间的特征表示维度一致，以便于进行相应的拼接或叠加，还可以对尺寸进行调整，使得调整后的特征表示尺寸可以一致等）；
将所述存储方式分析特征表示进行第二类参数转换操作，以形成所述待存储建筑信息模型对应的建筑信息模型存储分析信息（示例性地，可以通过非线性的激励映射函数，将所述存储方式分析特征表示进行第二类参数转换操作，以形成所述待存储建筑信息模型对应的建筑信息模型存储分析信息，具体的，可以进行激励映射输出，以得到属于每一种建筑信息模型存储分析信息的可能性系数，然后，可以将可能性系数具有最大值的一种建筑信息模型存储分析信息，作为所述待存储建筑信息模型对应的建筑信息模型存储分析信息，以完成存储方式确定操作）。
可以理解的是，在一些可以替代的实施方式中，用于进行存储操作的存储设备可以为多个（如存储设备a、存储设备b、存储设备c等），所述建筑信息模型存储分析信息至少用于反映进行存储操作的存储设备（即存储于存储设备a、存储设备b或存储设备c，在其它实施方式中，还可以用于反映进行存储操作的数据是否加密以及加密的方式等），基于此，在所述基于所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示，对所述待存储建筑信息模型进行存储方式确定操作，以输出所述待存储建筑信息模型对应的建筑信息模型存储分析信息的步骤之后，即在执行步骤S140之后，所述基于BIM与人工智能的数据档案存储方法还可以包括以下步骤：
将多个待存储建筑信息模型各自对应的建筑信息模型存储分析信息（示例性地，可以分别对所述多个待存储建筑信息模型中的每一个待存储建筑信息模型进行如步骤S110-步骤S140的处理，以得到多个待存储建筑信息模型各自对应的建筑信息模型存储分析信息）进行整合处理，以确定出每一个存储设备对应的待存储建筑信息模型集合，对于任意一个所述待存储建筑信息模型集合，该待存储建筑信息模型集合包括的每一个待存储建筑信息模型对应的建筑信息模型存储分析信息对应的存储设备相同；
对于每一个所述待存储建筑信息模型集合,对该待存储建筑信息模型集合包括的待存储建筑信息模型的数量进行统计，以确定出该待存储建筑信息模型集合对应的模型数量统计值；
基于每一个所述待存储建筑信息模型集合对应的模型数量统计值，对所述多个待存储建筑信息模型各自对应的建筑信息模型存储分析信息进行更新处理，以形成所述多个待存储建筑信息模型各自对应的更新建筑信息模型存储分析信息，所述更新建筑信息模型存储分析信息用于反映出对应的待存储建筑信息模型的存储方式，使得基于该存储方式对该待存储建筑信息模型进行存储操作。
可以理解的是，在一些可以替代的实施方式中，对于所述基于每一个所述待存储建筑信息模型集合对应的模型数量统计值，对所述多个待存储建筑信息模型各自对应的建筑信息模型存储分析信息进行更新处理，以形成所述多个待存储建筑信息模型各自对应的更新建筑信息模型存储分析信息的步骤，其可以进一步包括以下具体的实施子步骤：
基于每一个所述待存储建筑信息模型集合对应的模型数量统计值进行离散度计算，以确定出对应的模型数量分布离散系数（示例性地，可以先计算每一个所述待存储建筑信息模型集合对应的模型数量统计值的平均值，然后，计算每一个所述待存储建筑信息模型集合对应的模型数量统计值与该评估值之间的绝对差值，然后，对得到的绝对差值进行均值计算，可以得到对应的模型数量分布离散系数）；
在所述模型数量分布离散系数小于或等于预先配置的参考模型数量分布离散系数的情况下（在所述模型数量分布离散系数小于或等于预先配置的参考模型数量分布离散系数的情况下，表明多个存储设备的分配相对平衡，因此，可以不用进行更新；其中，所述参考模型数量分布离散系数的具体数值不受限制，可以根据实际需求进行配置），将所述多个待存储建筑信息模型各自对应的建筑信息模型存储分析信息作为所述多个待存储建筑信息模型各自对应的更新建筑信息模型存储分析信息；
在所述模型数量分布离散系数大于所述参考模型数量分布离散系数的情况下（在所述模型数量分布离散系数大于所述参考模型数量分布离散系数的情况下，表明多个存储设备的分配相对不平衡，因此，可以需要进行更新，以实现存储设备的相对均衡），将多个所述待存储建筑信息模型集合进行模型重新分配处理，以形成新的多个待存储建筑信息模型集合，所述进行模型重新分配处理的原则至少包括：
在满足所述新的多个待存储建筑信息模型集合对应的新的模型数量统计值的模型数量分布离散系数小于或等于所述参考模型数量分布离散系数的情况下，使得所述新的多个待存储建筑信息模型集合和多个所述待存储建筑信息模型集合之间的相似度最大（如此，可以使得对多个所述待存储建筑信息模型集合进行模型重新分配处理的重新分配程度最小，即变动最小，以在实现平衡的目标的情况下，使得存储方式最大可能与基于步骤S140分析的存储方式一致，实现存储方式与存储平衡的兼顾）。
可以理解的是，在一些可以替代的实施方式中，在所述将待存储建筑信息模型对应的多个建筑信息模型构件数据进行关键数据挖掘操作，以输出所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示的步骤之前，所述基于BIM与人工智能的数据档案存储方法还可以包括以下步骤：
利用初始存储方式分析神经网络，将示例性建筑信息模型对应的多个建筑信息模型构件数据进行存储方式分析操作，输出所述示例性建筑信息模型对应的建筑信息模型存储分析信息；
基于所述示例性建筑信息模型对应的建筑信息模型存储分析信息和预先配置的真实建筑信息模型存储信息进行学习代价值的确定，以输出对应的目标学习代价值，所述真实建筑信息模型存储信息用于表征所述示例性建筑信息模型的实际存储方式；
基于所述目标学习代价值，对所述初始存储方式分析神经网络进行网络优化，形成优化后的初始存储方式分析神经网络；所述优化后的初始存储方式分析神经网络用于对所述待存储建筑信息模型对应的多个建筑信息模型构件数据进行存储方式分析操作，输出所述待存储建筑信息模型对应的建筑信息模型存储分析信息，所述存储方式分析操作包括关键数据挖掘操作、数据聚合操作、数据关联聚合操作、第一类参数转换操作、第二类参数转换操作和存储方式确定操作（如前所述）。
可以理解的是，在一些可以替代的实施方式中，对于所述基于所述目标学习代价值，对所述初始存储方式分析神经网络进行网络优化，形成优化后的初始存储方式分析神经网络的步骤，其可以进一步包括以下具体的实施子步骤：
基于所述目标学习代价值分析出第一学习代价值变化系数（所述第一学习代价值变化系数可以用于反映所述目标学习代价值在之前的学习代价值的基础上的变化程度，如增加、减少，以及对应的幅度）；
基于所述第一学习代价值变化系数和平均相邻学习代价值变化系数进行加权均值计算（所述平均相邻学习代价值变化系数可以是指，最近的一次计算输出的学习代价值变化系数的均值），以输出对应的平均第一学习代价值变化系数（示例性地，可以对所述第一学习代价值变化系数和平均相邻学习代价值变化系数进行加权均值计算，以得到平均第一学习代价值变化系数，对应的第一加权系数可以是预先配置），以及，基于所述第一学习代价值变化系数和相邻学习代价值变化系数期望距离，计算出对应的第一学习代价值变化系数期望距离（示例性地，可以先对所述第一学习代价值变化系数进行平方计算，然后，可以对平方计算的结果和所述相邻学习代价值变化系数期望距离进行加权均值计算，以得到对应的第一学习代价值变化系数期望距离，对应的第二加权系数也可以预先配置）；
将所述平均第一学习代价值变化系数进行更新操作，以形成对应的更新平均第一学习代价值变化系数（示例性地，可以先计算已经进行的更新操作的次数，然后，基于该次数对前述的第一加权系数进行幂运算，然后，可以基于幂运算的结果和所述平均第一学习代价值变化系数，计算输出更新平均第一学习代价值变化系数，该更新平均第一学习代价值变化系数可以与该幂运算的结果负相关，该更新平均第一学习代价值变化系数可以与所述平均第一学习代价值变化系数正相关），以及，将所述第一学习代价值变化系数期望距离进行更新操作（如前所述，即将所述平均第一学习代价值变化系数替换为所述第一学习代价值变化系数期望距离，所述第一加权系数替换为所述第二加权系数，输出变更为更新第一学习代价值变化系数期望距离），以形成对应的更新第一学习代价值变化系数期望距离；
基于所述更新平均第一学习代价值变化系数和所述更新第一学习代价值变化系数期望距离，对所述初始存储方式分析神经网络的网络参数进行优化操作，形成优化后的初始存储方式分析神经网络（示例性地，可以先对所述更新第一学习代价值变化系数期望距离进行幂运算，然后，将幂运算的结果进行移位，如加权一个配置的移位参数，然后，可以计算所述更新平均第一学习代价值变化系数与移位结果之间的比值，之后，可以基于配置的一个权重系数对该比值进行加权，得到对应的加权结果，最后，可以对上一次通过上述步骤的输出数据和该加权结果进行求差计算，如此，可以通过该求差计算的结果，对所述初始存储方式分析神经网络进行网络优化（如优化网络参数），形成优化后的初始存储方式分析神经网络）。
结合图3，本发明实施例还提供一种基于BIM与人工智能的数据档案存储装置，可应用于上述基于BIM与人工智能的数据档案存储系统。其中，所述基于BIM与人工智能的数据档案存储装置可以包括以下描述的模块：
关键数据挖掘模块，用于将待存储建筑信息模型对应的多个建筑信息模型构件数据进行关键数据挖掘操作，输出所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示；
特征表示处理模块，用于将所述多个建筑信息模型构件数据进行数据聚合操作，以输出对应的模型构件数据聚合特征表示，以及，将所述多个建筑信息模型构件数据和所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行数据关联聚合操作，以输出对应的模型构件数据关联聚合特征表示；
特征表示转换模块，用于将所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行第一类参数转换操作和第二类参数转换操作，以输出对应的转换模型构件关键数据特征表示，所述第一类参数转换操作不同于所述第二类参数转换操作；
存储方式确定模块，用于基于所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示，对所述待存储建筑信息模型进行存储方式确定操作，以输出所述待存储建筑信息模型对应的建筑信息模型存储分析信息，所述建筑信息模型存储分析信息用于反映出所述待存储建筑信息模型的存储方式，使得基于该存储方式对所述待存储建筑信息模型进行存储操作。
综上所述，本发明提供的一种基于BIM与人工智能的数据档案存储方法及系统，输出每一个建筑信息模型构件数据对应的模型构件关键数据特征表示；将多个建筑信息模型构件数据进行处理，输出模型构件数据聚合特征表示，将多个建筑信息模型构件数据和对应的模型构件关键数据特征表示进行处理，输出模型构件数据关联聚合特征表示；将模型构件关键数据特征表示进行转换操作，以输出转换模型构件关键数据特征表示；基于模型构件数据聚合特征表示、模型构件数据关联聚合特征表示和转换模型构件关键数据特征表示，输出建筑信息模型存储分析信息。基于此，一方面，由于会对多个建筑信息模型构件数据进行数据聚合操作，以输出对应的模型构件数据聚合特征表示，即直接得到模型构件的浅层的关键信息，另一方面，由于会对每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行第一类参数转换操作和第二类参数转换操作，以输出对应的转换模型构件关键数据特征表示，使得可以得到模型构件的深层的关键信息，从而基于浅层和深层的关键信息进行存储方式确定操作(即确定操作的依据更为全面、充分)，使得建筑信息模型存储分析信息的可靠度较高，进而改善现有技术中BIM数据存储的可靠度不高的问题。
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 (10)

1.一种基于BIM与人工智能的数据档案存储方法，其特征在于，包括：
将所述待存储建筑信息模型对应的多个建筑信息模型构件数据进行关键数据挖掘操作，以输出所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示；
将所述多个建筑信息模型构件数据进行数据聚合操作，以输出对应的模型构件数据聚合特征表示，以及，将所述多个建筑信息模型构件数据和所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行数据关联聚合操作，以输出对应的模型构件数据关联聚合特征表示；
将所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行第一类参数转换操作和第二类参数转换操作，以输出对应的转换模型构件关键数据特征表示，所述第一类参数转换操作不同于所述第二类参数转换操作；
基于所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示，对所述待存储建筑信息模型进行存储方式确定操作，以输出所述待存储建筑信息模型对应的建筑信息模型存储分析信息，所述建筑信息模型存储分析信息用于反映出所述待存储建筑信息模型的存储方式，使得基于该存储方式对所述待存储建筑信息模型进行存储操作。
2.如权利要求1所述的基于BIM与人工智能的数据档案存储方法，其特征在于，所述将所述多个建筑信息模型构件数据和所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示进行数据关联聚合操作，以输出对应的模型构件数据关联聚合特征表示的步骤，包括：
将所述多个建筑信息模型构件数据进行数据配对操作，以形成对应的多个建筑信息模型构件数据对，所述多个建筑信息模型构件数据对中的每两个建筑信息模型构件数据对都不一样；
将所述建筑信息模型构件数据对包括的多个建筑信息模型构件数据进行数据乘法运算，以形成对应的融合建筑信息模型构件数据；
将所述建筑信息模型构件数据对包括的多个建筑信息模型构件数据各自对应的模型构件关键数据特征表示进行数据乘法运算，以输出对应的数据重要度评估系数；
基于所述多个建筑信息模型构件数据对中的每一个建筑信息模型构件数据对对应的数据重要度评估系数，将所述多个建筑信息模型构件数据对中的每一个建筑信息模型构件数据对对应的融合建筑信息模型构件数据进行数据聚合操作，以输出对应的模型构件数据关联聚合特征表示。
3.如权利要求1所述的基于BIM与人工智能的数据档案存储方法，其特征在于，所述基于所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示，对所述待存储建筑信息模型进行存储方式确定操作，以输出所述待存储建筑信息模型对应的建筑信息模型存储分析信息的步骤，包括：
将所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示进行数据聚合操作，以形成对应的存储方式分析特征表示；
将所述存储方式分析特征表示进行第二类参数转换操作，以形成所述待存储建筑信息模型对应的建筑信息模型存储分析信息。
4.如权利要求1所述的基于BIM与人工智能的数据档案存储方法，其特征在于，所述将所述多个建筑信息模型构件数据进行数据聚合操作，以输出对应的模型构件数据聚合特征表示的步骤，包括：
将所述多个建筑信息模型构件数据进行有权重的叠加运算，以输出对应的模型构件数据聚合特征表示；或者
将所述多个建筑信息模型构件数据进行有权重的均值运算，以输出对应的模型构件数据聚合特征表示。
5.如权利要求1所述的基于BIM与人工智能的数据档案存储方法，其特征在于，所述将待存储建筑信息模型对应的多个建筑信息模型构件数据进行关键数据挖掘操作，以输出所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示的步骤，包括：
将待存储建筑信息模型对应的多个建筑信息模型构件数据中的每一个建筑信息模型构件数据进行特征空间映射操作，以映射输出每一个所述建筑信息模型构件数据对应的特征空间映射特征表示；
利用配置的多个滤波矩阵，分别对每一个所述建筑信息模型构件数据对应的特征空间映射特征表示进行特征表示抽选操作，以形成每一个建筑信息模型构件数据对应的模型构件关键数据特征表示。
6.如权利要求1所述的基于BIM与人工智能的数据档案存储方法，其特征在于，用于进行存储操作的存储设备为多个，所述建筑信息模型存储分析信息至少用于反映进行存储操作的存储设备，以及，在所述基于所述模型构件数据聚合特征表示、所述模型构件数据关联聚合特征表示和所述转换模型构件关键数据特征表示，对所述待存储建筑信息模型进行存储方式确定操作，以输出所述待存储建筑信息模型对应的建筑信息模型存储分析信息的步骤之后，所述基于BIM与人工智能的数据档案存储方法还包括：
将多个待存储建筑信息模型各自对应的建筑信息模型存储分析信息进行整合处理，以确定出每一个存储设备对应的待存储建筑信息模型集合，对于任意一个所述待存储建筑信息模型集合，该待存储建筑信息模型集合包括的每一个待存储建筑信息模型对应的建筑信息模型存储分析信息对应的存储设备相同；
对于每一个所述待存储建筑信息模型集合,对该待存储建筑信息模型集合包括的待存储建筑信息模型的数量进行统计，以确定出该待存储建筑信息模型集合对应的模型数量统计值；
基于每一个所述待存储建筑信息模型集合对应的模型数量统计值，对所述多个待存储建筑信息模型各自对应的建筑信息模型存储分析信息进行更新处理，以形成所述多个待存储建筑信息模型各自对应的更新建筑信息模型存储分析信息，所述更新建筑信息模型存储分析信息用于反映出对应的待存储建筑信息模型的存储方式，使得基于该存储方式对该待存储建筑信息模型进行存储操作。
7.如权利要求6所述的基于BIM与人工智能的数据档案存储方法，其特征在于，所述基于每一个所述待存储建筑信息模型集合对应的模型数量统计值，对所述多个待存储建筑信息模型各自对应的建筑信息模型存储分析信息进行更新处理，以形成所述多个待存储建筑信息模型各自对应的更新建筑信息模型存储分析信息的步骤，包括：
基于每一个所述待存储建筑信息模型集合对应的模型数量统计值进行离散度计算，以确定出对应的模型数量分布离散系数；
在所述模型数量分布离散系数小于或等于预先配置的参考模型数量分布离散系数的情况下，将所述多个待存储建筑信息模型各自对应的建筑信息模型存储分析信息作为所述多个待存储建筑信息模型各自对应的更新建筑信息模型存储分析信息；
在所述模型数量分布离散系数大于所述参考模型数量分布离散系数的情况下，将多个所述待存储建筑信息模型集合进行模型重新分配处理，以形成新的多个待存储建筑信息模型集合，所述进行模型重新分配处理的原则至少包括：
在满足所述新的多个待存储建筑信息模型集合对应的新的模型数量统计值的模型数量分布离散系数小于或等于所述参考模型数量分布离散系数的情况下，使得所述新的多个待存储建筑信息模型集合和多个所述待存储建筑信息模型集合之间的相似度最大。
8.如权利要求1所述的基于BIM与人工智能的数据档案存储方法，其特征在于，在所述将待存储建筑信息模型对应的多个建筑信息模型构件数据进行关键数据挖掘操作，以输出所述多个建筑信息模型构件数据中的每一个建筑信息模型构件数据对应的模型构件关键数据特征表示的步骤之前，所述基于BIM与人工智能的数据档案存储方法还包括：
利用初始存储方式分析神经网络，将示例性建筑信息模型对应的多个建筑信息模型构件数据进行存储方式分析操作，输出所述示例性建筑信息模型对应的建筑信息模型存储分析信息；
基于所述示例性建筑信息模型对应的建筑信息模型存储分析信息和预先配置的真实建筑信息模型存储信息进行学习代价值的确定，以输出对应的目标学习代价值，所述真实建筑信息模型存储信息用于表征所述示例性建筑信息模型的实际存储方式；
基于所述目标学习代价值，对所述初始存储方式分析神经网络进行网络优化，形成优化后的初始存储方式分析神经网络；
所述优化后的初始存储方式分析神经网络用于对所述待存储建筑信息模型对应的多个建筑信息模型构件数据进行存储方式分析操作，输出所述待存储建筑信息模型对应的建筑信息模型存储分析信息，所述存储方式分析操作包括关键数据挖掘操作、数据聚合操作、数据关联聚合操作、第一类参数转换操作、第二类参数转换操作和存储方式确定操作。
9.如权利要求8所述的基于BIM与人工智能的数据档案存储方法，其特征在于，所述基于所述目标学习代价值，对所述初始存储方式分析神经网络进行网络优化，形成优化后的初始存储方式分析神经网络的步骤，包括：
基于所述目标学习代价值分析出第一学习代价值变化系数；
基于所述第一学习代价值变化系数和平均相邻学习代价值变化系数进行加权均值计算，以输出对应的平均第一学习代价值变化系数，以及，基于所述第一学习代价值变化系数和相邻学习代价值变化系数期望距离，计算出对应的第一学习代价值变化系数期望距离；
将所述平均第一学习代价值变化系数进行更新操作，以形成对应的更新平均第一学习代价值变化系数，以及，将所述第一学习代价值变化系数期望距离进行更新操作，以形成对应的更新第一学习代价值变化系数期望距离；
基于所述更新平均第一学习代价值变化系数和所述更新第一学习代价值变化系数期望距离，对所述初始存储方式分析神经网络的网络参数进行优化操作，形成优化后的初始存储方式分析神经网络。
10.一种基于BIM与人工智能的数据档案存储系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-9任意一项所述的基于BIM与人工智能的数据档案存储系统。
CN202310221204.7A 2023-03-09 2023-03-09 一种基于bim与人工智能的数据档案存储方法及系统 Pending CN116414832A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310221204.7A CN116414832A (zh) 2023-03-09 2023-03-09 一种基于bim与人工智能的数据档案存储方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310221204.7A CN116414832A (zh) 2023-03-09 2023-03-09 一种基于bim与人工智能的数据档案存储方法及系统

Publications (1)

Publication Number Publication Date
CN116414832A true CN116414832A (zh) 2023-07-11

Family

ID=87048909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310221204.7A Pending CN116414832A (zh) 2023-03-09 2023-03-09 一种基于bim与人工智能的数据档案存储方法及系统

Country Status (1)

Country Link
CN (1) CN116414832A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173572A (zh) * 2023-09-08 2023-12-05 景德镇鸿兴智能科技有限公司 一种建筑信息化数据的采集方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173572A (zh) * 2023-09-08 2023-12-05 景德镇鸿兴智能科技有限公司 一种建筑信息化数据的采集方法及系统

Similar Documents

Publication Publication Date Title
CN112100155A (zh) 一种云边协同的数字孪生模型组装与融合方法
CN115630771B (zh) 应用于智慧工地的大数据分析方法及系统
CN115718846B (zh) 用于智能化交互网络的大数据挖掘方法及系统
CN113822315A (zh) 属性图的处理方法、装置、电子设备及可读存储介质
CN113158292A (zh) 构件匹配方法、工程量计算方法、装置及电子设备
CN116414832A (zh) 一种基于bim与人工智能的数据档案存储方法及系统
CN113870046A (zh) 电力设备故障诊断方法及设备
CN115964461A (zh) 基于人工智能和大数据分析的网络数据匹配方法和平台
CN117217020A (zh) 一种基于数字孪生的工业模型构建方法及系统
CN113919763A (zh) 一种基于模糊评判矩阵的电网灾害分析方法及装置
CN115879826B (zh) 一种基于大数据的精细化工工艺质检方法、系统及介质
WO2024007604A1 (zh) 一种数学模型求解方法、装置、计算设备及计算设备集群
CN116886440A (zh) 一种威胁情报生产方法、装置、设备及存储介质
CN116628138A (zh) 应用于深度学习的物流订单文本挖掘方法及系统
CN116541792A (zh) 一种基于图神经网络节点分类进行团伙识别的方法
CN116842238A (zh) 基于大数据分析的企业数据可视化实现方法及系统
CN116361440A (zh) 基于人工智能的数字金融产品会话交互方法及系统
CN116010831A (zh) 一种基于潜在决策结果的组合聚类场景缩减方法及系统
CN111737319B (zh) 用户集群的预测方法、装置、计算机设备和存储介质
CN115827687A (zh) Bim数据的处理方法、装置、电子设备及存储介质
CN112215441B (zh) 预测模型训练方法及系统
CN112560213B (zh) 基于模型系统工程和超网络理论的体系建模方法及系统
CN115616408A (zh) 电池热管理数据处理方法及系统
CN114461619A (zh) 能源互联网多源数据融合方法、装置、终端及存储介质
CN113779116A (zh) 对象排序方法、相关设备及介质

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