CN116701664A - 一种基于bim的多目标施工数据共享传输方法及系统 - Google Patents

一种基于bim的多目标施工数据共享传输方法及系统 Download PDF

Info

Publication number
CN116701664A
CN116701664A CN202310987724.9A CN202310987724A CN116701664A CN 116701664 A CN116701664 A CN 116701664A CN 202310987724 A CN202310987724 A CN 202310987724A CN 116701664 A CN116701664 A CN 116701664A
Authority
CN
China
Prior art keywords
data
node
construction
bim
knowledge graph
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
CN202310987724.9A
Other languages
English (en)
Inventor
张海涛
潘昌昌
范光明
郭金博
李永安
燕凤
霍彦东
杜岚云
徐晖
田乐
汪会升
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.)
Anhui Zhixiangyun Technology Co ltd
Original Assignee
Anhui Zhixiangyun Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Zhixiangyun Technology Co ltd filed Critical Anhui Zhixiangyun Technology Co ltd
Priority to CN202310987724.9A priority Critical patent/CN116701664A/zh
Publication of CN116701664A publication Critical patent/CN116701664A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Human Resources & Organizations (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

本发明公开了一种基于BIM的多目标施工数据共享传输方法及系统，该方法包括创建施工数据知识图谱，并通过施工数据知识图谱描绘施工项目的各个实体及实体之间的关系、节点的隐性特征向量；获取与施工数据对应的待传输的施工BIM数据；判断待传输的施工BIM数据是否是完整的施工BIM数据；通过施工数据知识图谱完成关键词的提取；该系统包括知识图谱创建模块、施工数据判断模块、BIM数据可用性检查模块、数据传输验证模块及关键词提取模块。本发明通过创建知识图谱，帮助用户更好地理解施工项目的整体结构，能够更有效地使用这些数据，可以更有效地优化数据的传输和共享，从而提高数据传输的效率。

Description

一种基于BIM的多目标施工数据共享传输方法及系统
技术领域
本发明涉及施工数据共享传输领域，具体来说，涉及一种基于BIM的多目标施工数据共享传输方法及系统。
背景技术
在当前的建筑行业中，建筑信息模型（BIM）的应用已经成为了不可或缺的一部分。BIM不仅提供了一个全面的三维模型，还能够嵌入和链接各种建筑项目的相关信息，从而使设计师、承包商和项目管理者能够更有效地协同工作。然而，尽管BIM技术在建筑行业中的应用已经取得了显著的成效，但是在施工数据的组织和施工数据的深入理解方面，仍存在一些显著的挑战。这些挑战包括能否更快地找到相关的施工数据和信息，能否更深入地理解和分析施工数据。
例如中国专利202310082634.5公开了一种基于BIM的多目标施工数据共享传输方法，其利用所述待传输施工数据与待传输施工BIM数据得到待传输预备数据；利用所述待传输预备数据进行共享传输，在施工数据的传输过程中，避免了重复数据的多次传输共享浪费资源。但是上述方法在具体应用时还存在以下不足：该方法不能很好地组织和理解施工项目的各个实体及实体之间的关系进而无法更好地理解项目的整体结构，同时需要深入地理解和分析施工数据，而上述方法还无法完成深入的分析。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于BIM的多目标施工数据共享传输方法及系统，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了一种基于BIM的多目标施工数据共享传输方法，该方法包括以下步骤：
S1、创建施工数据知识图谱，并通过施工数据知识图谱描绘施工项目的各个实体及实体之间的关系，且获取知识图谱中各个节点的隐性特征向量。
S2、判断施工数据是否为BIM的相关数据，若是，则获取与施工数据对应的待传输的施工BIM数据。
S3、判断待传输的施工BIM数据是否存在，若存在，则判断待传输的施工BIM数据是否是完整的施工BIM数据，若是，则将施工BIM数据作为待传输的数据，若不是，则将施工数据作为待传输的数据。
S4、将待传输的数据进行共享传输，且在接收端进行验证处理。
S5、通过施工数据知识图谱完成关键词的提取。
进一步地，所述创建施工数据知识图谱，并通过施工数据知识图谱描绘施工项目的各个实体及实体之间的关系，且获取知识图谱中各个节点的隐性特征向量包括以下步骤：
S11、对施工数据中实体和属性进行定义；
S12、将施工数据保存为可识别的格式，并通过ETL工具转换为知识图谱所需的数据模型；
S13、将知识图谱所需的数据模型导入知识图谱，构建施工数据知识图谱；
S14、利用施工数据知识图谱描绘施工项目的各个节点及节点之间的关系；
S15、对施工数据知识图谱进行预处理；
S16、构建图卷积神经网络，且通过图卷积神经网络获取施工数据知识图谱中各个节点的隐性特征向量。
进一步地，所述对施工数据知识图谱进行预处理包括以下步骤：
S151、对施工数据知识图谱中的所有节点及节点之间的关系进行编号，使得节点及节点之间的关系从原始的标签或名称转换为数值；
S152、使用one-hot词袋模型对节点进行编码，生成节点嵌入矩阵G，且每个节点的编号对应一个one-hot编码，one-hot编码的长度等于节点总数，节点嵌入矩阵G中的每一行均代表一个节点的one-hot编码；
S153、对施工数据知识图谱中的任意节点i的所有邻域节点分为两类，且以节点i作为尾节点的所有头节点为第一集合，以节点i作为头节点的所有尾节点为第二集合，同时收集第一集合及第二集合对应关联的第一关系集合和第二关系集合；
S154、查找节点i的所有邻域节点的one-hot编码；
S155、根据第一集合、第二集合、第一关系集合及第二关系集合的信息，构造节点i的关系稀疏矩阵，且稀疏矩阵的行数代表施工数据知识图谱中的所有节点，列数代表与当前节点i相关联的边数，值表示该边的关系类型。
进一步地，所述构建图卷积神经网络，且通过图卷积神经网络获取施工数据知识图谱中各个节点的隐性特征向量包括以下步骤：
S161、构建注意力层及图卷积层，并通过注意力层及图卷积层组成图卷积神经网络，且得到节点的前向隐藏状态及后向隐藏状态；
S162、获取节点的前向隐性特征向量及后向隐性特征向量，得到节点的隐性特征向量。
进一步地，所述构建注意力层及图卷积层，并通过注意力层及图卷积层组成图卷积神经网络，且得到节点的前向隐藏状态及后向隐藏状态包括以下步骤：
S1611、对每个节点，提取其one-hot编码的嵌入向量，并通过一个共享权重矩阵进行线性变换；
S1612、使用注意力机制计算每个节点之间的相关系数，且该相关系数通过LeakyReLU进行非线性转换，表示一个节点对另一个节点的影响程度；
S1613、通过softmax函数对相关系数进行归一化处理，得到领域节点j对一个节点i的影响因子，影响因子越大表示该领域节点对节点i的影响越大；
S1614、使用影响因子对邻域节点j的特征向量进行加权求和，并经过LeakyReLU非线性转换，得到节点i的前向隐藏状态；
S1615、使用图卷积神经网络在知识图谱上执行卷积操作，并提取空间特征，同时利用图卷积神经网络中的参数共享技术，减少特征学习所需的参数；
S1616、使得图卷积神经网络中卷积核权重的确定取决于边的类型和方向，同时为每个节点设置特定的关系转换权重，确保图卷积神经网络从层L到层L+1的正确转换；
S1617、基于R-GCN的块分解模型思想，通过对一组低维矩阵求和来定义关系共享权重；
S1618、对于每一个节点，找出所有以该节点为目标的边，并使用对应关系类型的关系共享权重和源节点的当前隐藏状态计算出后向信息，且汇总所有后向信息，并将所有后向信息与该节点的当前隐藏状态结合得到后向隐藏状态。
进一步地，所述使用影响因子对邻域节点j的特征向量进行加权求和，并经过LeakyReLU非线性转换，得到节点i的前向隐藏状态的计算公式为：
式中，表示第L+1层的节点i的前向隐藏状态，是一个向量；
relu表示非线性激活函数；
a ij 表示邻域节点j对节点i的影响程度；
表示以节点i作为尾节点的所有头节点集合；
w表示第L层的关系共享权重矩阵；
表示第L层的节点j的隐藏状态，是一个向量。
进一步地，所述获取节点的前向隐性特征向量及后向隐性特征向量，得到节点的隐性特征向量包括以下步骤：
S1621、通过融合节点的邻域节点集合的前向隐藏状态、后向隐藏状态以及关系稀疏矩阵，得到节点的前向隐性特征向量和后向隐性特征向量；
S1622、通过前向隐性特征向量和后向隐性特征向量的合，得到节点的隐性特征向量。
进一步地，所述通过施工数据知识图谱完成关键词的提取包括以下步骤：
S51、统计施工数据知识图谱中各个节点以及节点之间的关系，得到数据集；
S52、对数据集中的信息进行分词，得到词汇集；
S53、对词汇集进行分词，得到关键词。
进一步地，所述对词汇集进行分词，得到关键词之后，若关键词的数量大于预先设定的阈值，则遍历所有的关键词，且若有语义相同或者相似的关键词，则在语义相同或者相似的关键词集合中随机保留一个，并删除其它的。
根据本发明的另一方面，提供了一种基于BIM的多目标施工数据共享传输系统，该系统包括知识图谱创建模块、施工数据判断模块、BIM数据可用性检查模块、数据传输验证模块及关键词提取模块。
其中，所述知识图谱创建模块，用于创建施工数据知识图谱，并通过施工数据知识图谱描绘施工项目的各个实体及实体之间的关系，且获取知识图谱中各个节点的隐性特征向量。
所述施工数据判断模块，用于判断施工数据是否为BIM的相关数据，若是，则获取与施工数据对应的待传输的施工BIM数据。
所述BIM数据可用性检查模块，用于判断待传输的施工BIM数据是否存在，若存在，则判断待传输的施工BIM数据是否是完整的施工BIM数据，若是，则将施工BIM数据作为待传输的数据，若不是，则将施工数据作为待传输的数据。
所述数据传输验证模块，用于将待传输的数据进行共享传输，且在接收端进行验证处理。
所述关键词提取模块，用于通过施工数据知识图谱完成关键词的提取。
本发明的有益效果为：
（1）本发明的一种基于BIM的多目标施工数据共享传输方法及系统，从多方面、目标收集施工数据，通过创建知识图谱，帮助用户理解施工项目的各个实体及实体之间的关系，以直观易懂的方式呈现信息，使得用户能够对项目的整体结构有一个清晰的认识，能够更好地理解施工项目的整体结构。通过获取施工数据知识图谱中各个节点的隐性特征向量，可以更深入地理解和分析施工数据，帮助用户更好地理解施工数据的内在结构和模式，从而能够更有效地使用这些数据。同时通过知识图谱的关系分析，可以更准确地验证施工项目数据的完整性和准确性，从而提高数据的质量。通过知识图谱的关系分析，可以更有效地优化数据的传输和共享，从而提高数据传输的效率。
（2）本发明通过关键词提取，用户可以更好地理解和分析施工数据，以便进行更深入的分析。且用户可以根据筛选出的关键词，在施工数据知识图谱中查找到相关节点的内容。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于BIM的多目标施工数据共享传输方法的流程图。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种基于BIM的多目标施工数据共享传输方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了一种基于BIM的多目标施工数据共享传输方法及系统，该方法包括以下步骤：
S1、创建施工数据知识图谱，从多方面、目标收集施工数据，并通过施工数据知识图谱描绘施工项目的各个实体及实体之间的关系，且获取知识图谱中各个节点的隐性特征向量。
在进一步的实施例中，所述创建施工数据知识图谱，并通过施工数据知识图谱描绘施工项目的各个实体及实体之间的关系，且获取知识图谱中各个节点的隐性特征向量包括以下步骤：
S11、对施工数据中实体和属性进行定义；
S12、将施工数据保存为可识别的格式，并通过ETL工具转换为知识图谱所需的数据模型；ETL是一种数据仓库中数据从来源到目的地的过程，在处理知识图谱时，ETL工具能帮助将各种源的数据提取出来，转换成知识图谱需要的格式，然后加载到知识图谱系统中。
S13、将知识图谱所需的数据模型导入知识图谱，构建施工数据知识图谱；
S14、利用施工数据知识图谱描绘施工项目的各个节点及节点之间的关系；
S15、对施工数据知识图谱进行预处理；
S16、构建图卷积神经网络，且通过图卷积神经网络获取施工数据知识图谱中各个节点的隐性特征向量。
在本实施例中，所述对施工数据知识图谱进行预处理包括以下步骤：
S151、对施工数据知识图谱中的所有节点及节点之间的关系进行编号，使得节点及节点之间的关系从原始的标签或名称转换为数值；
S152、使用one-hot词袋模型对节点进行编码，生成节点嵌入矩阵G，且每个节点的编号对应一个one-hot编码，one-hot编码的长度等于节点总数，节点嵌入矩阵G中的每一行均代表一个节点的one-hot编码；
S153、对施工数据知识图谱中的任意节点i的所有邻域节点分为两类，且以节点i作为尾节点的所有头节点为第一集合，以节点i作为头节点的所有尾节点为第二集合，同时收集第一集合及第二集合对应关联的第一关系集合和第二关系集合；
S154、查找节点i的所有邻域节点的one-hot编码；
S155、根据第一集合、第二集合、第一关系集合及第二关系集合的信息，构造节点i的关系稀疏矩阵，且稀疏矩阵的行数代表施工数据知识图谱中的所有节点，列数代表与当前节点i相关联的边数，值表示该边的关系类型。
在本实施例中，所述构建图卷积神经网络，且通过图卷积神经网络获取施工数据知识图谱中各个节点的隐性特征向量包括以下步骤：
S161、构建注意力层及图卷积层，并通过注意力层及图卷积层组成图卷积神经网络，且得到节点的前向隐藏状态及后向隐藏状态；
S162、获取节点的前向隐性特征向量及后向隐性特征向量，得到节点的隐性特征向量。
在本实施例中，所述构建注意力层及图卷积层，并通过注意力层及图卷积层组成图卷积神经网络，且得到节点的前向隐藏状态及后向隐藏状态包括以下步骤：
S1611、对每个节点，提取其one-hot编码的嵌入向量，并通过一个共享权重矩阵进行线性变换，这能够增强特征表达能力并保持维度一致；
S1612、使用注意力机制计算每个节点之间的相关系数，且该相关系数通过LeakyReLU进行非线性转换，表示一个节点对另一个节点的影响程度；
S1613、通过softmax函数对相关系数进行归一化处理（使得这些系数在所有节点上易于比较），得到领域节点j对一个节点i的影响因子，影响因子越大表示该领域节点对节点i的影响越大；
S1614、使用影响因子对邻域节点j的特征向量进行加权求和，并经过LeakyReLU非线性转换，得到节点i的前向隐藏状态；
S1615、使用图卷积神经网络在知识图谱上执行卷积操作，并提取空间特征，同时利用图卷积神经网络中的参数共享技术，减少特征学习所需的参数；
S1616、使得图卷积神经网络中卷积核权重的确定取决于边的类型和方向，同时为每个节点设置特定的关系转换权重，确保图卷积神经网络从层L到层L+1的正确转换；在进行卷积操作过程中，每个节点设置特殊的关系转换权重，保证消息的有效传递。这种权重设计通常在保证网络结构稳定性的同时，考虑到了不同类型关系的特性，使得模型在处理多关系类型的知识图谱时具有更好的性能。
S1617、基于R-GCN的块分解模型思想，通过对一组低维矩阵求和来定义关系共享权重；其基本思想是，对于一个图中的节点，我们可以通过它的邻居节点的信息来更新它的信息。这个过程可以通过卷积操作进行，即将每个节点的信息与其邻居节点的信息进行卷积，从而更新每个节点的信息。这是GCN（图卷积网络）的基本思想。然而，R-GCN进一步将这个概念扩展到关系图中，也就是说，每个边不仅仅是连接两个节点，还有与之相关的属性或者类型。在这种情况下，我们需要对每种类型的边赋予不同的权重，这就是所谓的关系共享权重。块分解模型是一种降低计算复杂性的方法。在R-GCN中，如果我们对每一种类型的边都有一个不同的权重矩阵，那么参数的数量就会非常大，计算复杂性也会很高。为了解决这个问题，我们可以将每个权重矩阵看作是一组低维矩阵的和。这样，我们就可以对这一组低维矩阵分别求和，而不是直接对整个大矩阵进行运算。这就极大地降低了计算的复杂性。
S1618、对于每一个节点，找出所有以该节点为目标的边，并使用对应关系类型的关系共享权重和源节点（即边的起点）的当前隐藏状态计算出后向信息，且汇总所有后向信息，并将所有后向信息与该节点的当前隐藏状态结合得到后向隐藏状态。
在本实施例中，所述使用影响因子对邻域节点j的特征向量进行加权求和，并经过LeakyReLU非线性转换，得到节点i的前向隐藏状态的计算公式为：
式中，表示第L+1层的节点i的前向隐藏状态，是一个向量；
relu表示非线性激活函数；
a ij 表示邻域节点j对节点i的影响程度；
表示以节点i作为尾节点的所有头节点集合；
w表示第L层的关系共享权重矩阵；
表示第L层的节点j的隐藏状态，是一个向量。
在本实施例中，所述获取节点的前向隐性特征向量及后向隐性特征向量，得到节点的隐性特征向量包括以下步骤：
S1621、通过融合节点的邻域节点集合的前向隐藏状态、后向隐藏状态以及关系稀疏矩阵，得到节点的前向隐性特征向量和后向隐性特征向量；
S1622、通过前向隐性特征向量和后向隐性特征向量的合，得到节点的隐性特征向量。
S2、判断施工数据是否为BIM的相关数据，若是，则获取与施工数据对应的待传输的施工BIM数据。
S3、判断待传输的施工BIM数据是否存在，若存在，则判断待传输的施工BIM数据是否是完整的施工BIM数据，若是，则将施工BIM数据作为待传输的数据，若不是，则将施工数据作为待传输的数据。
S4、将待传输的数据进行共享传输，且在接收端进行验证处理。
S5、通过施工数据知识图谱完成关键词的提取。
在进一步的实施例中，所述通过施工数据知识图谱完成关键词的提取包括以下步骤：
S51、统计施工数据知识图谱中各个节点以及节点之间的关系，得到数据集；
S52、对数据集中的信息进行分词，得到词汇集；
S53、对词汇集进行分词，得到关键词。
在本实施例中，所述对词汇集进行分词，得到关键词之后，若关键词的数量大于预先设定的阈值，则遍历所有的关键词，且若有语义相同或者相似的关键词，则在语义相同或者相似的关键词集合中随机保留一个，并删除其它的。
根据本发明的另一个实施例，提供了一种基于BIM的多目标施工数据共享传输系统，该系统包括知识图谱创建模块、施工数据判断模块、BIM数据可用性检查模块、数据传输验证模块及关键词提取模块。
其中，所述知识图谱创建模块，用于创建施工数据知识图谱，并通过施工数据知识图谱描绘施工项目的各个实体及实体之间的关系，且获取知识图谱中各个节点的隐性特征向量。
所述施工数据判断模块，用于判断施工数据是否为BIM的相关数据，若是，则获取与施工数据对应的待传输的施工BIM数据。
所述BIM数据可用性检查模块，用于判断待传输的施工BIM数据是否存在，若存在，则判断待传输的施工BIM数据是否是完整的施工BIM数据，若是，则将施工BIM数据作为待传输的数据，若不是，则将施工数据作为待传输的数据。
所述数据传输验证模块，用于将待传输的数据进行共享传输，且在接收端进行验证处理。
所述关键词提取模块，用于通过施工数据知识图谱完成关键词的提取。
综上所述，本发明的一种基于BIM的多目标施工数据共享传输方法及系统，从多方面、目标收集施工数据，通过创建知识图谱，帮助用户理解施工项目的各个实体及实体之间的关系，以直观易懂的方式呈现信息，使得用户能够对项目的整体结构有一个清晰的认识，能够更好地理解施工项目的整体结构。通过获取施工数据知识图谱中各个节点的隐性特征向量，可以更深入地理解和分析施工数据，帮助用户更好地理解施工数据的内在结构和模式，从而能够更有效地使用这些数据。同时通过知识图谱的关系分析，可以更准确地验证施工项目数据的完整性和准确性，从而提高数据的质量。通过知识图谱的关系分析，可以更有效地优化数据的传输和共享，从而提高数据传输的效率。本发明通过关键词提取，用户可以更好地理解和分析施工数据，以便进行更深入的分析。且用户可以根据筛选出的关键词，在施工数据知识图谱中查找到相关节点的内容。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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的多目标施工数据共享传输方法，其特征在于，该方法包括以下步骤：
S1、创建施工数据知识图谱，并通过施工数据知识图谱描绘施工项目的各个实体及实体之间的关系，且获取知识图谱中各个节点的隐性特征向量；
S2、判断施工数据是否为BIM的相关数据，若是，则获取与施工数据对应的待传输的施工BIM数据；
S3、判断待传输的施工BIM数据是否存在，若存在，则判断待传输的施工BIM数据是否是完整的施工BIM数据，若是，则将施工BIM数据作为待传输的数据，若不是，则将施工数据作为待传输的数据；
S4、将待传输的数据进行共享传输，且在接收端进行验证处理；
S5、通过施工数据知识图谱完成关键词的提取。
2.根据权利要求1所述的一种基于BIM的多目标施工数据共享传输方法，其特征在于，所述创建施工数据知识图谱，并通过施工数据知识图谱描绘施工项目的各个实体及实体之间的关系，且获取知识图谱中各个节点的隐性特征向量包括以下步骤：
S11、对施工数据中实体和属性进行定义；
S12、将施工数据保存为可识别的格式，并通过ETL工具转换为知识图谱所需的数据模型；
S13、将知识图谱所需的数据模型导入知识图谱，构建施工数据知识图谱；
S14、利用施工数据知识图谱描绘施工项目的各个节点及节点之间的关系；
S15、对施工数据知识图谱进行预处理；
S16、构建图卷积神经网络，且通过图卷积神经网络获取施工数据知识图谱中各个节点的隐性特征向量。
3.根据权利要求2所述的一种基于BIM的多目标施工数据共享传输方法，其特征在于，所述对施工数据知识图谱进行预处理包括以下步骤：
S151、对施工数据知识图谱中的所有节点及节点之间的关系进行编号，使得节点及节点之间的关系从原始的标签或名称转换为数值；
S152、使用one-hot词袋模型对节点进行编码，生成节点嵌入矩阵G，且每个节点的编号对应一个one-hot编码，one-hot编码的长度等于节点总数，节点嵌入矩阵G中的每一行均代表一个节点的one-hot编码；
S153、对施工数据知识图谱中的任意节点i的所有邻域节点分为两类，且以节点i作为尾节点的所有头节点为第一集合，以节点i作为头节点的所有尾节点为第二集合，同时收集第一集合及第二集合对应关联的第一关系集合和第二关系集合；
S154、查找节点i的所有邻域节点的one-hot编码；
S155、根据第一集合、第二集合、第一关系集合及第二关系集合的信息，构造节点i的关系稀疏矩阵，且稀疏矩阵的行数代表施工数据知识图谱中的所有节点，列数代表与当前节点i相关联的边数，值表示该边的关系类型。
4.根据权利要求3所述的一种基于BIM的多目标施工数据共享传输方法，其特征在于，所述构建图卷积神经网络，且通过图卷积神经网络获取施工数据知识图谱中各个节点的隐性特征向量包括以下步骤：
S161、构建注意力层及图卷积层，并通过注意力层及图卷积层组成图卷积神经网络，且得到节点的前向隐藏状态及后向隐藏状态；
S162、获取节点的前向隐性特征向量及后向隐性特征向量，得到节点的隐性特征向量。
5.根据权利要求4所述的一种基于BIM的多目标施工数据共享传输方法，其特征在于，所述构建注意力层及图卷积层，并通过注意力层及图卷积层组成图卷积神经网络，且得到节点的前向隐藏状态及后向隐藏状态包括以下步骤：
S1611、对每个节点，提取其one-hot编码的嵌入向量，并通过一个共享权重矩阵进行线性变换；
S1612、使用注意力机制计算每个节点之间的相关系数，且该相关系数通过LeakyReLU进行非线性转换，表示一个节点对另一个节点的影响程度；
S1613、通过softmax函数对相关系数进行归一化处理，得到领域节点j对一个节点i的影响因子，影响因子越大表示该领域节点对节点i的影响越大；
S1614、使用影响因子对邻域节点j的特征向量进行加权求和，并经过LeakyReLU非线性转换，得到节点i的前向隐藏状态；
S1615、使用图卷积神经网络在知识图谱上执行卷积操作，并提取空间特征，同时利用图卷积神经网络中的参数共享技术，减少特征学习所需的参数；
S1616、使得图卷积神经网络中卷积核权重的确定取决于边的类型和方向，同时为每个节点设置特定的关系转换权重，确保图卷积神经网络从层L到层L+1的正确转换；
S1617、基于R-GCN的块分解模型思想，通过对一组低维矩阵求和来定义关系共享权重；
S1618、对于每一个节点，找出所有以该节点为目标的边，并使用对应关系类型的关系共享权重和源节点的当前隐藏状态计算出后向信息，且汇总所有后向信息，并将所有后向信息与该节点的当前隐藏状态结合得到后向隐藏状态。
6.根据权利要求5所述的一种基于BIM的多目标施工数据共享传输方法，其特征在于，所述使用影响因子对邻域节点j的特征向量进行加权求和，并经过LeakyReLU非线性转换，得到节点i的前向隐藏状态的计算公式为：；式中，表示第L+1层的节点i的前向隐藏状态；relu表示非线性激活函数；a ij 表示邻域节点j对节点i的影响程度；/>表示以节点i作为尾节点的所有头节点集合；w表示第L层的关系共享权重矩阵；/>表示第L层的节点j的隐藏状态。
7.根据权利要求6所述的一种基于BIM的多目标施工数据共享传输方法，其特征在于，所述获取节点的前向隐性特征向量及后向隐性特征向量，得到节点的隐性特征向量包括以下步骤：
S1621、通过融合节点的邻域节点集合的前向隐藏状态、后向隐藏状态以及关系稀疏矩阵，得到节点的前向隐性特征向量和后向隐性特征向量；
S1622、通过前向隐性特征向量和后向隐性特征向量的合，得到节点的隐性特征向量。
8.根据权利要求7所述的一种基于BIM的多目标施工数据共享传输方法，其特征在于，所述通过施工数据知识图谱完成关键词的提取包括以下步骤：
S51、统计施工数据知识图谱中各个节点以及节点之间的关系，得到数据集；
S52、对数据集中的信息进行分词，得到词汇集；
S53、对词汇集进行分词，得到关键词。
9.根据权利要求8所述的一种基于BIM的多目标施工数据共享传输方法，其特征在于，所述对词汇集进行分词，得到关键词之后，若关键词的数量大于预先设定的阈值，则遍历所有的关键词，且若有语义相同或者相似的关键词，则在语义相同或者相似的关键词集合中随机保留一个，并删除其它的。
10.一种基于BIM的多目标施工数据共享传输系统，用于实现权利要求1-9中任一项所述的基于BIM的多目标施工数据共享传输方法，其特征在于，该系统包括知识图谱创建模块、施工数据判断模块、BIM数据可用性检查模块、数据传输验证模块及关键词提取模块；
其中，所述知识图谱创建模块，用于创建施工数据知识图谱，并通过施工数据知识图谱描绘施工项目的各个实体及实体之间的关系，且获取知识图谱中各个节点的隐性特征向量；
所述施工数据判断模块，用于判断施工数据是否为BIM的相关数据，若是，则获取与施工数据对应的待传输的施工BIM数据；
所述BIM数据可用性检查模块，用于判断待传输的施工BIM数据是否存在，若存在，则判断待传输的施工BIM数据是否是完整的施工BIM数据，若是，则将施工BIM数据作为待传输的数据，若不是，则将施工数据作为待传输的数据；
所述数据传输验证模块，用于将待传输的数据进行共享传输，且在接收端进行验证处理；
所述关键词提取模块，用于通过施工数据知识图谱完成关键词的提取。
CN202310987724.9A 2023-08-08 2023-08-08 一种基于bim的多目标施工数据共享传输方法及系统 Pending CN116701664A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310987724.9A CN116701664A (zh) 2023-08-08 2023-08-08 一种基于bim的多目标施工数据共享传输方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310987724.9A CN116701664A (zh) 2023-08-08 2023-08-08 一种基于bim的多目标施工数据共享传输方法及系统

Publications (1)

Publication Number Publication Date
CN116701664A true CN116701664A (zh) 2023-09-05

Family

ID=87836090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310987724.9A Pending CN116701664A (zh) 2023-08-08 2023-08-08 一种基于bim的多目标施工数据共享传输方法及系统

Country Status (1)

Country Link
CN (1) CN116701664A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190095806A1 (en) * 2017-09-28 2019-03-28 Siemens Aktiengesellschaft SGCNN: Structural Graph Convolutional Neural Network
CN113553440A (zh) * 2021-06-25 2021-10-26 武汉理工大学 一种基于层次推理的医学实体关系抽取方法
DE102021203300A1 (de) * 2021-03-31 2022-10-06 Robert Bosch Gesellschaft mit beschränkter Haftung Computerimplementiertes Verfahren für Schlüsselwortsuche in einem Wissensgraphen
CN115409468A (zh) * 2022-08-09 2022-11-29 中冶集团武汉勘察研究院有限公司 一种勘察设计企业bim资源共享系统及方法
CN115526293A (zh) * 2022-09-13 2022-12-27 深圳市规划和自然资源数据管理中心 一种顾及语义和结构信息的知识图谱推理方法
CN115794759A (zh) * 2023-02-08 2023-03-14 中建深圳装饰有限公司 一种基于bim的多目标施工数据共享传输方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190095806A1 (en) * 2017-09-28 2019-03-28 Siemens Aktiengesellschaft SGCNN: Structural Graph Convolutional Neural Network
DE102021203300A1 (de) * 2021-03-31 2022-10-06 Robert Bosch Gesellschaft mit beschränkter Haftung Computerimplementiertes Verfahren für Schlüsselwortsuche in einem Wissensgraphen
CN113553440A (zh) * 2021-06-25 2021-10-26 武汉理工大学 一种基于层次推理的医学实体关系抽取方法
CN115409468A (zh) * 2022-08-09 2022-11-29 中冶集团武汉勘察研究院有限公司 一种勘察设计企业bim资源共享系统及方法
CN115526293A (zh) * 2022-09-13 2022-12-27 深圳市规划和自然资源数据管理中心 一种顾及语义和结构信息的知识图谱推理方法
CN115794759A (zh) * 2023-02-08 2023-03-14 中建深圳装饰有限公司 一种基于bim的多目标施工数据共享传输方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王红，林海舟，卢林燕: "基于Att_GCN模型的知识图谱推理算法", 《计算机工程与应用》, pages 184 - 187 *
王红;林海舟;卢林燕;: "基于Att＿GCN模型的知识图谱推理算法", 计算机工程与应用, no. 09 *

Similar Documents

Publication Publication Date Title
CN111291212B (zh) 基于图卷积神经网络的零样本草图图像检索方法和系统
CN110781775B (zh) 一种多尺度特征支持的遥感影像水体信息精确分割方法
JP2022056316A (ja) 文字構造化抽出方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
CN114969405B (zh) 一种跨模态图文互检方法
CN112199532B (zh) 一种基于哈希编码和图注意力机制的零样本图像检索方法及装置
CN111930894B (zh) 长文本匹配方法及装置、存储介质、电子设备
CN111382298B (zh) 基于图片内容的图像检索方法、装置与电子设备
CN116994155B (zh) 一种地质岩性的解译方法、装置及存储介质
CN114898141A (zh) 一种基于对比损失的多视图半监督图像分类方法
CN112860904A (zh) 一种融入外部知识的生物医疗关系抽取方法
CN112508181A (zh) 一种基于多通道机制的图池化方法
CN115482395A (zh) 模型训练方法、图像分类方法、装置、电子设备和介质
CN116579618A (zh) 基于风险管理的数据处理方法、装置、设备及存储介质
CN115565177A (zh) 文字识别模型训练、文字识别方法、装置、设备及介质
CN113298234A (zh) 一种生成多关系图中节点的表示向量的方法
CN117009968A (zh) 恶意代码的同源分析方法、装置、终端设备及存储介质
CN116701664A (zh) 一种基于bim的多目标施工数据共享传输方法及系统
CN115795005A (zh) 一种融合对比学习去噪优化的会话推荐方法及装置
CN114997360B (zh) 神经架构搜索算法的演化参数优化方法、系统及存储介质
CN114691918B (zh) 基于人工智能的雷达图像检索方法、装置以及电子设备
CN113190730A (zh) 一种区块链地址的分类方法及装置
CN115018009B (zh) 对象描述方法、网络模型的训练方法及装置
CN114821603B (zh) 票据识别方法、装置、电子设备以及存储介质
CN117521658B (zh) 一种基于篇章级事件抽取的rpa流程挖掘方法及系统
CN113420561B (zh) 一种命名实体识别方法、装置、设备及存储介质

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