CN116882591B - 信息生成方法、装置、电子设备和计算机可读介质 - Google Patents
信息生成方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116882591B CN116882591B CN202311133150.5A CN202311133150A CN116882591B CN 116882591 B CN116882591 B CN 116882591B CN 202311133150 A CN202311133150 A CN 202311133150A CN 116882591 B CN116882591 B CN 116882591B
- Authority
- CN
- China
- Prior art keywords
- information
- feature map
- processing
- target
- inputting
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 225
- 238000004458 analytical method Methods 0.000 claims abstract description 102
- 230000010365 information processing Effects 0.000 claims abstract description 28
- 230000004044 response Effects 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 48
- 230000004927 fusion Effects 0.000 claims description 38
- 230000007246 mechanism Effects 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 239000003550 marker Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了信息生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：应于检测到目标标记组件点击操作，确定设备信息处理范围；确定出待进行处理的目标标记设备信息集；确定每个目标标记设备信息对应的设备处理方式信息；对于每个目标标记设备信息，执行第一生成步骤：确定目标设备处理方式信息对应的所需数据集；执行设备处理操作，得到当前处理结果；对当前处理结果进行存储；动态生成针对所选择的处理结果子序列的结果分析图和结果分析文本；根据预先训练的趋势预测模型，生成预测趋势信息。该实施方式不仅可以精准、高效地实现设备处理信息的实时获取，还可以精准地生成预测趋势信息。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及信息生成方法、装置、电子设备和计算机可读介质。
背景技术
目前，一些能源管理系统已经实现了基于建筑信息模型（Building InformationModeling，BIM）的设备管理。这些系统在建筑信息模型中标记设备的相关信息。例如，设备的位置、属性和状态。对于针对标记设备的相关设备处理，通常采用的方式为：通过人工的方式来实时进行针对标记设备的设备处理和处理分析。
然而，发明人发现，当采用上述方式，经常会存在如下技术问题：
第一，人为处理效率低下，处理不够精准，且后续处理分析同样存在较大的主观性；
第二，第一趋势预测子模型常常采用多层串联连接的残差神经网络的形式来进行趋势信息的预测，多个残差块中的远跳连接虽然可以有效解决梯度弥散问题和网络退化问题。但是，较多的远眺连接也大大增加了网络参数的参数量，导致计算量暴增，在模型训练和应用的过程中都需要占用大量的内存，极大浪费了计算机资源。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了信息生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种信息生成方法，包括：响应于检测到针对建筑信息模型对应标记数据处理平台的目标标记组件点击操作，确定上述建筑信息模型对应的标记设备信息集的设备信息处理范围，其中，标记设备信息为设备数据进行阶段性更新的设备信息；根据上述设备信息处理范围，从上述标记设备信息集中确定出待进行处理的目标标记设备信息集；确定上述目标标记设备信息集中的每个目标标记设备信息对应的设备处理方式信息；对于每个目标标记设备信息，执行以下第一生成步骤：确定目标设备处理方式信息对应的所需数据集，其中，上述所需数据集包括：实时更新的标记数据集和固定数据集，上述目标设备处理方式信息与上述目标标记设备信息存在数据对应关系；根据上述所需数据集，执行针对上述目标标记设备信息的设备处理操作，得到当前处理结果；利用一键存储控件，对上述当前处理结果进行存储，以将上述当前处理结果添加至对应历史处理结果序列中的目标位置；利用一键分析控件，动态生成针对所选择的处理结果子序列的结果分析图和结果分析文本，其中，上述处理结果子序列为所添加的历史处理结果序列中的子序列；利用一键预测控件，根据预先训练的趋势预测模型，生成针对上述处理结果子序列、上述结果分析图和上述结果分析文本的预测趋势信息。
第二方面，本公开的一些实施例提供了一种信息生成装置，包括：第一确定单元，被配置成响应于检测到针对建筑信息模型对应标记数据处理平台的目标标记组件点击操作，确定上述建筑信息模型对应的标记设备信息集的设备信息处理范围，其中，标记设备信息为设备数据进行阶段性更新的设备信息；第二确定单元，被配置成根据上述设备信息处理范围，从上述标记设备信息集中确定出待进行处理的目标标记设备信息集；第三确定单元，被配置成确定上述目标标记设备信息集中的每个目标标记设备信息对应的设备处理方式信息；执行单元，被配置成确定目标设备处理方式信息对应的所需数据集，其中，上述所需数据集包括：实时更新的标记数据集和固定数据集，上述目标设备处理方式信息与上述目标标记设备信息存在数据对应关系；根据上述所需数据集，执行针对上述目标标记设备信息的设备处理操作，得到当前处理结果；利用一键存储控件，对上述当前处理结果进行存储，以将上述当前处理结果添加至对应历史处理结果序列中的目标位置；利用一键分析控件，动态生成针对所选择的处理结果子序列的结果分析图和结果分析文本，其中，上述处理结果子序列为所添加的历史处理结果序列中的子序列；利用一键预测控件，根据预先训练的趋势预测模型，生成针对上述处理结果子序列、上述结果分析图和上述结果分析文本的预测趋势信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的信息生成方法，不仅可以精准、高效地实现设备处理信息的实时获取，还可以精准地生成预测趋势信息。具体来说，造成相关的设备处理信息和预测趋势信息不够精确的原因在于：人为处理效率低下，处理不够精准，且后续处理分析同样存在较大的主观性。基于此，本公开的一些实施例的信息生成方法，首先，响应于检测到针对建筑信息模型对应标记数据处理平台的目标标记组件点击操作，确定上述建筑信息模型对应的标记设备信息集的设备信息处理范围，其中，标记设备信息为设备数据进行阶段性更新的设备信息。在这里，通过获取设备信息处理范围，以确定后续待进行处理的设备信息。然后，根据上述设备信息处理范围，从上述标记设备信息集中确定出待进行处理的目标标记设备信息集，以进行后续的设备处理。接着，确定上述目标标记设备信息集中的每个目标标记设备信息对应的设备处理方式信息，以确定针对目标标记设备的处理逻辑，便于后续准确执行。进而，对于每个目标标记设备信息，执行以下第一生成步骤：第一步，确定目标设备处理方式信息对应的所需数据集。其中，上述所需数据集包括：实时更新的标记数据集和固定数据集，上述目标设备处理方式信息与上述目标标记设备信息存在数据对应关系。通过确定所需数据集，以进行计算数据集的准备。除此之外，实时更新的标记数据集可以保证后续处理结果同样也是实时精准的。第二步，根据上述所需数据集，精准、高效地执行针对上述目标标记设备信息的设备处理操作，得到当前处理结果。第三步，利用一键存储控件，对上述当前处理结果进行存储，以将上述当前处理结果添加至对应历史处理结果序列中的目标位置。其中，历史处理结果序列中的历史处理结果与上述当前处理结果存在对应的输出目标。通过一键存储控件，大大提高了存储效率，且通过当前处理结果和历史处理结果序列的融合，便于后续结果分析图和结果分析文本的生成。第四步，利用一键分析控件，可以动态、精准地生成针对所选择的处理结果子序列的结果分析图和结果分析文本。其中，上述处理结果子序列为所添加的历史处理结果序列中的子序列。第五步，利用一键预测控件，根据预先训练的趋势预测模型，可以精准地生成针对上述处理结果子序列、上述结果分析图和上述结果分析文本的预测趋势信息。综上，通过确定目标标记设备信息对应的所需数据集和对应的设备处理方式，可以精准、高效地生成对应的当前处理结果。除此之外，还可以通过一键分析控件来精准地生成结果分析图和结果分析文本、且通过趋势预测模型，可以精准地生成预测趋势信息。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的信息生成方法的一些实施例的流程图；
图2是根据本公开的信息生成装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1，示出了根据本公开的信息生成方法的一些实施例的流程100。该信息生成方法，包括以下步骤：
步骤101，响应于检测到针对建筑信息模型对应标记数据处理平台的目标标记组件点击操作，确定上述建筑信息模型对应的标记设备信息集的设备信息处理范围。
在一些实施例中，响应于检测到针对建筑信息模型对应标记数据处理平台的目标标记组件点击操作，上述信息生成方法的执行主体可以确定上述建筑信息模型对应的标记设备信息集的设备信息处理范围。其中，建筑信息模型对应标记数据处理平台可以是建筑信息模型中涉及的设备信息集对应的数据处理平台。设备信息可以是设备对应的信息。例如，设备信息可以包括：设备标识、设备属性信息。数据处理平台可以是对设备信息对应设备的设备数据进行处理的平台。例如，数据处理平台可以是对设备数据进行数据预处理的平台。目标标记组件点击操作可以是对目标标记组件进行点击的操作。实践中，目标标记组件可以是数据处理组件。建筑信息模型对应的标记设备信息集可以是建筑信息模型中涉及的设备信息集中的、被预先标记的设备信息子集。设备信息处理范围可以是待对标记设备信息集进行设备信息处理的集合范围。即，设备信息处理范围可以表征标记设备信息集中的待进行处理的标记设备信息的设备信息范围。标记设备信息为设备数据进行阶段性更新的设备信息。即，标记设备信息对应设备的设备数据是阶段性更新的。
在一些实施例的一些可选的实现方式中，上述标记设备信息对应数据集通过以下步骤来实时更新：
第一步，确定上述标记设备信息对应的标记数据集和固定数据集。其中，标记数据集中的标记数据为标记设备对应的设备状态数据。固定数据为标记设备的位置和属性信息。例如，设备状态数据包括：设备的温度状态和设备的湿度状态。
第二步，利用一键更新控件，对上述标记数据集进行实时更新，得到更新后标记数据集。其中，一键更新控件可以是通过点击而对标记数据集进行一键更新的页面控件。
第三步，将上述更新后标记数据集和固定数据集进行数据融合，得到标记设备信息对应更新后数据集。
步骤102，根据上述设备信息处理范围，从上述标记设备信息集中确定出待进行处理的目标标记设备信息集。
在一些实施例中，上述执行主体可以根据上述设备信息处理范围，从上述标记设备信息集中确定出待进行处理的目标标记设备信息集。
作为示例，上述执行主体可以以设备信息处理范围为设备信息查找范围，从上述标记设备信息集中确定出待进行处理的目标标记设备信息集。
步骤103，确定上述目标标记设备信息集中的每个目标标记设备信息对应的设备处理方式信息。
在一些实施例中，上述执行主体可以确定上述目标标记设备信息集中的每个目标标记设备信息对应的设备处理方式信息。其中，设备处理方式信息可以是对目标标记设备进行设备处理计算的方式的方式信息。设备处理计算可以是针对目标标记设备进行设备数据计算。例如，设备处理计算可以是目标时间段内的设备成本损耗计算。再例如，设备处理计算可以是目标时间段内的设备耗材计算。
步骤104，对于每个目标标记设备信息，执行以下第一生成步骤：
步骤1041，确定目标设备处理方式信息对应的所需数据集。
在一些实施例中，上述执行主体可以确定目标设备处理方式信息对应的所需数据集。其中，所需数据集可以是目标设备处理方式信息对应目标处理方式对应计算所需要的数据集。例如，针对设备为挖掘机，对应目标设备处理方式为挖掘机日均耗油成本计算方式。对应所需数据集可以包括：挖掘机工作时间、挖掘机功耗和挖掘机工作内容。其中，上述所需数据集包括：实时更新的标记数据集和固定数据集。上述目标设备处理方式信息与上述目标标记设备信息存在数据对应关系。其中，标记数据集可以是预先进行标记的数据集。标记数据集是实时更新的数据集。固定数据集可以是设备对应数据长时间不会发生变换的数据集。例如，固定数据集包括：设备的型号、设备的尺寸大小。
步骤1042，根据上述所需数据集，执行针对上述目标标记设备信息的设备处理操作，得到当前处理结果。
在一些实施例中，上述执行主体可以根据上述所需数据集，执行针对上述目标标记设备信息的设备处理操作，得到当前处理结果。其中，当前处理结果可以是针对当前实时更新的标记数据集的处理结果。
作为示例，首先，上述执行主体可以确定上述目标标记设备信息对应设备处理方式关联的全连接模型。然后，将所需数据集输入至全连接模型，以生成针对对应设备处理方式的当前处理结果。
步骤1043，利用一键存储控件，对上述当前处理结果进行存储，以将上述当前处理结果添加至对应历史处理结果序列中的目标位置。
在一些实施例中，上述执行主体可以利用一键存储控件，对上述当前处理结果进行存储，以将上述当前处理结果添加至对应历史处理结果序列中的目标位置。其中，一键存储控件可以是通过点击而对当前处理结果进行一键存储的页面控件。对应历史处理结果序列可以是与当前处理结果存在同一设备信息、且设备处理方式相同的历史所确定过的处理结果序列。其中，针对历史处理结果序列中的历史处理结果是依据时间由早到晚的顺序排列的，目标位置可以是历史处理结果序列中的最后一个历史处理结果的后面位置。即，历史处理结果序列中的历史处理结果与上述当前处理结果存在对应的输出目标。
步骤1044，利用一键分析控件，动态生成针对所选择的处理结果子序列的结果分析图和结果分析文本。
在一些实施例中，上述执行主体可以利用一键分析控件，动态生成针对所选择的处理结果子序列的结果分析图和结果分析文本。一键分析控件可以是通过点击而对处理结果子序列进行一键分析的页面控件。结果分析图可以表征处理结果子序列中的各个结果的变换趋势。结果分析文本可以是处理结果子序列中的各个结果的变换分析文本。其中，上述处理结果子序列为所添加的历史处理结果序列中的子序列。
在一些实施例的一些可选的实现方式中，上述利用一键分析控件，动态生成针对所选择的处理结果子序列的结果分析图和结果分析文本，可以包括以下步骤：
第一步，响应于检测到针对上述一键分析控件的控件操作信息，调用目标插件，生成针对上述处理结果子序列的趋势图，作为结果分析图。其中，目标插件可以是图像处理软件。
第二步，对上述结果分析图进行图像裁剪，以生成裁剪后图像。
作为示例，上述执行主体可以利用图像处理软件，将上述结果分析图中的背景部分进行裁剪掉，得到裁剪后图像。
第三步，将上述裁剪后图像输入至多层串行连接的第一卷积神经网络(Convolutional Neural Networks，CNN)，得到图像特征图。其中，图像特征图可以表征裁剪后图像的图像语义内容。图像特征图可以是矩阵形式。多层串行连接的第一卷积神经网络用于提取裁剪后图像的图像语义特征。
第四步，将上述图像特征图输入至第一编码层，得到第一编码特征图。其中，第一编码层可以是6层串行连接的残差神经网络模型。第一编码特征图对应的特征图维度大小小于上述图像特征图对应的特征图维度大小。
第五步，将上述第一编码特征图输入至第一注意力机制层，以输出第一注意力信息。其中，第一注意力机制层可以是基于注意力机制的神经网络层。其中，第一注意力信息可以是权重信息，表征第一编码特征图对应的重要程度。例如，第一注意力机制层可以是STN网络。
第六步，将上述第一注意力信息与上述第一编码特征图进行相乘，得到第一相乘特征图。
第七步，将上述第一相乘特征图输入至第一解码层，得到第一解码特征图。其中，上述第一解码特征图与上述图像特征图对应的特征图维度大小相同。其中，第一解码层可以是6层串行连接的残差神经网络模型。
第八步，将上述第一编码特征图输入至上述第一解码层，得到第二解码特征图。其中，第二解码特征图与图像特征图对应的特征图维度大小相同。
第九步，将上述第一解码特征图和上述第二解码特征图进行信息拼接，得到第一拼接特征图。
作为示例，上述执行主体可以沿着特征图深度方向，将上述第一解码特征图和上述第二解码特征图进行信息拼接，得到第一拼接特征图。
第十步，将上述图像特征图输入至第二编码层，得到第二编码特征图。其中，上述第二编码特征图对应的特征图维度大小小于第一编码特征图对应的特征图维度大小。其中，第二编码层可以是与第一编码层对应编码程度不同的编码神经网络。具体地，第二编码层可以是5层串行连接的残差神经网络模型。
第十一步，将上述第二编码特征图输入至第二注意力机制层，以输出第二注意力信息。其中，第二注意力机制层可以是基于注意力机制的神经网络层。其中，第二注意力信息可以是权重信息，表征第二编码特征图对应的重要程度。例如，第二注意力机制层可以是STN（Spatial Transformer Networks）网络。
第十二步，将上述第二注意力信息与上述第二编码特征图进行相乘，得到第二相乘特征图。
第十三步，将上述第二相乘特征图输入至第二解码层，得到第三解码特征图。其中，上述第三解码特征图与上述图像特征图对应的特征图维度大小相同。
第十四步，将上述第二编码特征图输入至上述第二解码层，得到第四解码特征图。
第十五步，将上述第三解码特征图和上述第四解码特征图进行信息拼接，得到第二拼接特征图。具体实现方式参见第一拼接特征图的生成。
第十六步，将上述图像特征图输入至第三编码层，得到第三编码特征图。其中，上述第三编码特征图对应的特征图维度大小小于第二编码特征图对应的特征图维度大小。第三编码层可以是与第二编码层对应编码程度不同的编码神经网络。具体地，第三编码层可以是4层串行连接的残差神经网络模型。
第十七步，将上述第三编码特征图输入至第三注意力机制层，以输出第三注意力信息。其中，第三注意力机制层可以是基于注意力机制的神经网络层。其中，第三注意力信息可以是权重信息，表征第三编码特征图对应的重要程度。例如，第三注意力机制层可以是STN网络。
第十八步，将上述第三注意力信息与上述第三编码特征图进行相乘，得到第三相乘特征图。
第十九步，将上述第三相乘特征图输入至第三解码层，得到第五解码特征图。其中，上述第五解码特征图与上述图像特征图对应的特征图维度大小相同。
第二十步，将上述第三编码特征图输入至上述第三解码层，得到第六解码特征图。
第二十一步，将上述第五解码特征图和上述第六解码特征图进行信息拼接，得到第三拼接特征图。具体实现方式参见第一拼接特征图的生成。
第二十二步，对上述第一拼接特征图、上述第二拼接特征图和上述第三拼接特征图进行特征图融合，以生成融合特征图。
作为示例，上述执行主体可以对上述第一拼接特征图、上述第二拼接特征图和上述第三拼接特征图进行加权求和处理，得到融合特征图。
作为又一个示例，上述执行主体可以直接将第一拼接特征图、第二拼接特征图和第三拼接特征图沿着特征图深度的方向进行拼接，得到融合特征图。
在一些实施例的一些可选的实现方式中，上述利用一键分析控件，动态生成针对所选择的处理结果子序列的结果分析图和结果分析文本，还包括以下步骤：
第一步，将上述融合特征图输入至领域关键评价词分类模型，以输出各个关键评价词对应的评价程度信息。领域关键评价词分类模型可以是对领域关键评价词进行分类的模型。领域关键评价词可以是目标领域的关键评价词。实践中，领域关键评价词分类模型可以是循环神经网络(Recurrent Neural Network，RNN)模型。评价程度信息可以是表征关键词的评价好坏。例如，关键评价词包括：耐用、成本和耗时。针对关键评价词为耐用，对应评价程度信息可以是以下之一：非常耐用，一般耐用，非常不耐用。针对关键评价词为成本，对应评价程度信息可以是以下之一：成本高，成本适中，成本低。
第二步，获取上述处理结果子序列对应的来源数据集和标记设备信息，作为目标来源数据集和来源标记设备信息。
第三步，对上述各个关键评价词、上述各个关键评价词对应的评价程度信息、目标来源数据集和来源标记设备信息进行词嵌入处理，得到关键评价词向量、上述各个关键评价词对应的程度向量、来源类别向量和来源标记设备向量。
第四步，将上述关键评价词向量、上述各个关键评价词对应的程度向量、来源类别向量和来源标记设备向量输入序列到序列（Sequence-to-Sequence，Seq2Seq）模型，以生成上述结果分析文本。
可选地，上述将上述第一编码特征图输入至第一注意力机制层，以输出第一注意力信息，可以包括以下步骤：
第一步，对于上述第一编码特征图中的每个通道矩阵，执行以下第一处理步骤：
子步骤1，将上述通道矩阵输入至上述第一注意力机制层包括的池化层，以生成池化信息。
子步骤2，将上述池化信息输入至上述第一注意力机制层包括的多层串联连接的第一全连接层，以生成第一全连接输出信息。
子步骤3，将上述第一全连接输出信息输入至上述第一注意力机制层包括的第一门控单元，以输出第一单元输出信息。其中，第一门口单元可以是基于线性整流函数（Linear rectification function）的单元。
子步骤4，将上述第一单元输出信息输入至上述第一注意力机制层包括的多层串联连接的第二全连接层，以输出第二全连接输出信息。
子步骤5，将上述第二全连接输出信息输入至上述第一注意力机制层包括的第二门控单元，以输出第二单元输出信息。其中，第二门控单元可以是基于Sigmoid函数的单元。
子步骤6，将上述第二单元输出信息与上述通道矩阵对应矩阵微调参数信息进行相乘，得到第一相乘信息。其中，每个通道矩阵存在对应的、训练后的微调参数信息。
子步骤7，将上述第一相乘信息与上述通道矩阵进行相乘，得到第二相乘信息。
第二步，将所得到的第二相乘信息集进行组合，生成组合信息。
第三步，将上述组合信息输入至上述第一注意力机制层包括的多层串行连接的通道特征信息融合模型，以输出第一融合信息，作为上述第一注意力信息。其中，通道特征信息融合模型是用于对各个通道之间的通道信息进行特征相关性调整以及融合的神经网络模型。实践中，通道特征信息融合模型可以是多层卷积神经网络模型。每个卷积神经网络用来融合每两个相邻通道的相邻矩阵之间的融合。
步骤1045，利用一键预测控件，根据预先训练的趋势预测模型，生成针对上述处理结果子序列、上述结果分析图和上述结果分析文本的预测趋势信息。
在一些实施例中，上述执行主体可以利用一键预测控件，根据预先训练的趋势预测模型，生成针对上述处理结果子序列、上述结果分析图和上述结果分析文本的预测趋势信息。其中，一键预测控件可以是通过点击而进行一键未来结果预测的页面控件。预测趋势信息可以表征未来预定时间段内的、针对目标标记设备在对应设备处理方式下的预测趋势。
在一些实施例的一些可选的实现方式中，上述趋势预测模型包括：针对第一数据来源的第一趋势预测子模型和针对第二数据来源的第二趋势预测子模型。第一数据来源可以表征基于处理结果子序列和结果分析图来进行趋势预测。第二数据来源可以表征基于结果分析文本和处理结果子序列进行趋势预测。第一趋势预测子模型可以是生成趋势预测信息的神经网络模型。第二趋势预测子模型可以是生成趋势预测信息的神经网络模型。
可选地，上述根据预先训练的趋势预测模型，生成针对上述处理结果子序列、上述结果分析图和上述结果分析文本的预测趋势信息，可以包括以下步骤：
第一步，对上述处理结果子序列中的每个处理结果，执行以下第二处理步骤：
子步骤1，对上述处理结果进行分词处理，得到词集。
子步骤2，对词集中的每个词进行词嵌入处理，以生成词向量，得到词向量集。
第二步，将上述结果分析图输入至多层串联的第二卷积神经网络，以输出图特征向量。
第三步，将上述图特征向量和上述词向量集进行向量融合，以生成第一融合向量。
第四步，将上述第一融合向量输入至上述第一趋势预测子模型，以输出第一候选预测趋势信息。其中，第一候选预测趋势信息可以是在目标时间段内的、针对处理结果的趋势预测信息。
第五步，提取上述结果分析文本中的关键词，得到关键词集。
第六步，对上述关键词集中的每个关键词进行词嵌入处理，以生成关键词向量，得到关键词向量集。
第七步，将上述词向量集和上述关键词向量集进行向量融合，以生成第二融合向量。
第八步，将上述第二融合向量输入至上述第二趋势预测子模型，以输出第二候选预测趋势信息。其中，第二候选预测趋势信息可以是在目标时间段内的、针对处理结果的趋势预测信息。
第九步，根据上述第一候选预测趋势信息和上述第二候选预测趋势信息，生成预测趋势信息。
作为示例，响应于确定第一候选预测趋势信息与第二候选预测趋势信息之间的差异小于预定数值，将第一候选预测趋势信息和上述第二候选预测趋势信息中的任一趋势信息确定为预测趋势信息。响应于确定第一候选预测趋势信息与第二候选预测趋势信息之间的差异大于或等于预定数值，将第一候选预测趋势信息确定为预测趋势信息。
可选地，上述第一趋势预测子模型包括多层串联连接的卷积层和回归层。其中，回归层可以是包括：全连接层和激活函数层。
可选地，上述将上述第一融合向量输入至上述第一趋势预测子模型，以输出第一候选预测趋势信息，可以包括以下步骤：
第一步，将上述第一融合向量输入至上述卷积层序列中第一目标位置的卷积层，以输出第一卷积结果。其中，第一目标位置可以是第一个卷积层在上述卷积层序列中的卷积层位置。
第二步，将上述第一卷积结果确定为目标卷积结果。
第三步，针对目标卷积结果，执行以下第二生成步骤：
子步骤1，响应于确定目标卷积结果存在对应的下一卷积层，将目标卷积结果输入至下一卷积层，得到第二卷积结果，以及确定下一卷积层对应的跨越层数，其中，跨越层数为更新后的跨越层数参数的参数值。目标卷积结果存在对应的下一卷积层可以是将目标卷积结果作为输出的卷积层。例如，跨越层数可以是5层。
子步骤2，确定跨域层数对应的、上述卷积层序列中的卷积层子序列。其中，卷积层子序列可以以目标卷积结果作为输入的卷积层为起始网络层，后续跨越层数个卷积层的网络层序列。卷积层子序列包括的卷积层的数目与跨越层数大小相同。
子步骤3，将第二卷积结果输入至卷积层子序列，得到第三卷积结果。
子步骤4，将第三卷积结果输入至第四注意力机制层，以生成第四注意力信息。在这里，第四注意力机制层对应的网络结果与第一注意力机制层对应网络结构相同。
子步骤5，将目标卷积结果输入至第五注意力机制层，以生成第五注意力信息。其中，上述第四注意力机制层和上述第五注意力机制层同享网络参数。在这里，第四注意力机制层对应的网络结果与第五注意力机制层对应网络结构相同，对应输入数据的维度不同。
子步骤6，将第三卷积结果和第四注意力信息进行相乘，得到第三相乘信息。
子步骤7，将目标卷积结果和第五注意力信息进行相乘，得到第四相乘信息。
子步骤8，将第三相乘信息和第四相乘信息进行信息融合，以生成第二融合信息。
作为示例，上述执行主体可以将第三相乘信息和第四相乘信息进行相加，以生成相加信息，作为第二融合信息。
子步骤9，响应于确定第二融合信息不存在对应的下一卷积层，将第二融合信息输入至上述回归层，以生成第一候选预测趋势信息。
第四步，响应于确定第二融合信息存在对应的下一卷积层，将第二融合信息确定为目标卷积结果，以及继续执行上述第二生成步骤。
步骤1045中的“可选地”的内容，作为本公开的一个发明点，解决了背景技术提及的技术问题二，即，“第一趋势预测子模型常常采样多层串联连接的残差神经网络的形式来进行趋势信息的预测，多个残差块中的远跳连接虽然可以有效解决梯度弥散问题和网络退化问题。但是，较多的远眺连接也大大增加了网络参数的参数量，导致计算量暴增，在模型训练和应用的过程中都需要占用大量的内存，极大浪费了计算机资源”。基于此，本公开通过跨域层数来针对性的建立各个网络之间的远跳连接，在尽可能使用较少的远眺连接的前提下，来有效解决梯度弥散问题和网络退化问题。除此之外，通过添加注意力机制，来使得远眺连接的各个输入可以更精准的进行融合，尽可能提取更重要的特征信息，保障整个网络模型输出的精准性。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的信息生成方法，不仅可以精准、高效地实现设备处理信息的实时获取，还可以精准地生成预测趋势信息。具体来说，造成相关的设备处理信息和预测趋势信息不够精确的原因在于：人为处理效率低下，处理不够精准，且后续处理分析同样存在较大的主观性。基于此，本公开的一些实施例的信息生成方法，首先，响应于检测到针对建筑信息模型对应标记数据处理平台的目标标记组件点击操作，确定上述建筑信息模型对应的标记设备信息集的设备信息处理范围，其中，标记设备信息为设备数据进行阶段性更新的设备信息。在这里，通过获取设备信息处理范围，以确定后续待进行处理的设备信息。然后，根据上述设备信息处理范围，从上述标记设备信息集中确定出待进行处理的目标标记设备信息集，以进行后续的设备处理。接着，确定上述目标标记设备信息集中的每个目标标记设备信息对应的设备处理方式信息，以确定针对目标标记设备的处理逻辑，便于后续准确执行。进而，对于每个目标标记设备信息，执行以下第一生成步骤：第一步，确定目标设备处理方式信息对应的所需数据集。其中，上述所需数据集包括：实时更新的标记数据集和固定数据集，上述目标设备处理方式信息与上述目标标记设备信息存在数据对应关系。通过确定所需数据集，以进行计算数据集的准备。除此之外，实时更新的标记数据集可以保证后续处理结果同样也是实时精准的。第二步，根据上述所需数据集，精准、高效地执行针对上述目标标记设备信息的设备处理操作，得到当前处理结果。第三步，利用一键存储控件，对上述当前处理结果进行存储，以将上述当前处理结果添加至对应历史处理结果序列中的目标位置。其中，历史处理结果序列中的历史处理结果与上述当前处理结果存在对应的输出目标。通过一键存储控件，大大提高了存储效率，且通过当前处理结果和历史处理结果序列的融合，便于后续结果分析图和结果分析文本的生成。第四步，利用一键分析控件，可以动态、精准地生成针对所选择的处理结果子序列的结果分析图和结果分析文本。其中，上述处理结果子序列为所添加的历史处理结果序列中的子序列。第五步，利用一键预测控件，根据预先训练的趋势预测模型，可以精准地生成针对上述处理结果子序列、上述结果分析图和上述结果分析文本的预测趋势信息。综上，通过确定目标标记设备信息对应的所需数据集和对应的设备处理方式，可以精准、高效地生成对应的当前处理结果。除此之外，还可以通过一键分析控件来精准地生成结果分析图和结果分析文本、且通过趋势预测模型，可以精准地生成预测趋势信息。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种信息生成装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该信息生成装置具体可以应用于各种电子设备中。
如图2所示，一种信息生成装置200包括：第一确定单元201、第二确定单元202、第三确定单元203和执行单元204。其中，第一确定单元201，被配置成响应于检测到针对建筑信息模型对应标记数据处理平台的目标标记组件点击操作，确定上述建筑信息模型对应的标记设备信息集的设备信息处理范围，其中，标记设备信息为设备数据进行阶段性更新的设备信息；第二确定单元202，被配置成根据上述设备信息处理范围，从上述标记设备信息集中确定出待进行处理的目标标记设备信息集；第三确定单元203，被配置成确定上述目标标记设备信息集中的每个目标标记设备信息对应的设备处理方式信息；执行单元204，被配置成确定目标设备处理方式信息对应的所需数据集，其中，上述所需数据集包括：实时更新的标记数据集和固定数据集，上述目标设备处理方式信息与上述目标标记设备信息存在数据对应关系；根据上述所需数据集，执行针对上述目标标记设备信息的设备处理操作，得到当前处理结果；利用一键存储控件，对上述当前处理结果进行存储，以将上述当前处理结果添加至对应历史处理结果序列中的目标位置；利用一键分析控件，动态生成针对所选择的处理结果子序列的结果分析图和结果分析文本，其中，上述处理结果子序列为所添加的历史处理结果序列中的子序列；利用一键预测控件，根据预先训练的趋势预测模型，生成针对上述处理结果子序列、上述结果分析图和上述结果分析文本的预测趋势信息。
可以理解的是，该信息生成装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于信息生成装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备（例如，电子设备）300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于检测到针对建筑信息模型对应标记数据处理平台的目标标记组件点击操作，确定上述建筑信息模型对应的标记设备信息集的设备信息处理范围，其中，标记设备信息为设备数据进行阶段性更新的设备信息；根据上述设备信息处理范围，从上述标记设备信息集中确定出待进行处理的目标标记设备信息集；确定上述目标标记设备信息集中的每个目标标记设备信息对应的设备处理方式信息；对于每个目标标记设备信息，执行以下第一生成步骤：确定目标设备处理方式信息对应的所需数据集，其中，上述所需数据集包括：实时更新的标记数据集和固定数据集，上述目标设备处理方式信息与上述目标标记设备信息存在数据对应关系；根据上述所需数据集，执行针对上述目标标记设备信息的设备处理操作，得到当前处理结果；利用一键存储控件，对上述当前处理结果进行存储，以将上述当前处理结果添加至对应历史处理结果序列中的目标位置；利用一键分析控件，动态生成针对所选择的处理结果子序列的结果分析图和结果分析文本，其中，上述处理结果子序列为所添加的历史处理结果序列中的子序列；利用一键预测控件，根据预先训练的趋势预测模型，生成针对上述处理结果子序列、上述结果分析图和上述结果分析文本的预测趋势信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一确定单元、第二确定单元、第三确定单元和执行单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第二确定单元还可以被描述为“根据上述设备信息处理范围，从上述标记设备信息集中确定出待进行处理的目标标记设备信息集的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种信息生成方法，包括：
响应于检测到针对建筑信息模型对应标记数据处理平台的目标标记组件点击操作，确定所述建筑信息模型对应的标记设备信息集的设备信息处理范围，其中，标记设备信息为设备数据进行阶段性更新的设备信息；
根据所述设备信息处理范围，从所述标记设备信息集中确定出待进行处理的目标标记设备信息集；
确定所述目标标记设备信息集中的每个目标标记设备信息对应的设备处理方式信息；
对于每个目标标记设备信息，执行以下第一生成步骤：
确定目标设备处理方式信息对应的所需数据集，其中，所述所需数据集包括：实时更新的标记数据集和固定数据集，所述目标设备处理方式信息与所述目标标记设备信息存在数据对应关系；
根据所述所需数据集，执行针对所述目标标记设备信息的设备处理操作，得到当前处理结果；
利用一键存储控件，对所述当前处理结果进行存储，以将所述当前处理结果添加至对应历史处理结果序列中的目标位置；
利用一键分析控件，动态生成针对所选择的处理结果子序列的结果分析图和结果分析文本，其中，所述处理结果子序列为所添加的历史处理结果序列中的子序列；
利用一键预测控件，根据预先训练的趋势预测模型，生成针对所述处理结果子序列、所述结果分析图和所述结果分析文本的预测趋势信息。
2.根据权利要求1所述的方法，其中，标记设备信息对应数据集通过以下步骤来实时更新：
确定所述标记设备信息对应的标记数据集和固定数据集，其中，标记数据集中的标记数据为标记设备对应的设备状态数据，固定数据为标记设备的位置和属性信息；
利用一键更新控件，对所述标记数据集进行实时更新，得到更新后标记数据集；
将所述更新后标记数据集和固定数据集进行数据融合，得到标记设备信息对应更新后数据集。
3.根据权利要求2所述的方法，其中，所述利用一键分析控件，动态生成针对所选择的处理结果子序列的结果分析图和结果分析文本，包括：
响应于检测到针对所述一键分析控件的控件操作信息，调用目标插件，生成针对所述处理结果子序列的趋势图，作为结果分析图；
对所述结果分析图进行图像裁剪，以生成裁剪后图像；
将所述裁剪后图像输入至多层串行连接的第一卷积神经网络，得到图像特征图；
将所述图像特征图输入至第一编码层，得到第一编码特征图；
将所述第一编码特征图输入至第一注意力机制层，以输出第一注意力信息；
将所述第一注意力信息与所述第一编码特征图进行相乘，得到第一相乘特征图；
将所述第一相乘特征图输入至第一解码层，得到第一解码特征图，其中，所述第一解码特征图与所述图像特征图对应的特征图维度大小相同；
将所述第一编码特征图输入至所述第一解码层，得到第二解码特征图；
将所述第一解码特征图和所述第二解码特征图进行信息拼接，得到第一拼接特征图；
将所述图像特征图输入至第二编码层，得到第二编码特征图，其中，所述第二编码特征图对应的特征图维度大小小于第一编码特征图对应的特征图维度大小；
将所述第二编码特征图输入至第二注意力机制层，以输出第二注意力信息；
将所述第二注意力信息与所述第二编码特征图进行相乘，得到第二相乘特征图；
将所述第二相乘特征图输入至第二解码层，得到第三解码特征图，其中，所述第三解码特征图与所述图像特征图对应的特征图维度大小相同；
将所述第二编码特征图输入至所述第二解码层，得到第四解码特征图；
将所述第三解码特征图和所述第四解码特征图进行信息拼接，得到第二拼接特征图；
将所述图像特征图输入至第三编码层，得到第三编码特征图，其中，所述第三编码特征图对应的特征图维度大小小于第二编码特征图对应的特征图维度大小；
将所述第三编码特征图输入至第三注意力机制层，以输出第三注意力信息；
将所述第三注意力信息与所述第三编码特征图进行相乘，得到第三相乘特征图；
将所述第三相乘特征图输入至第三解码层，得到第五解码特征图，其中，所述第五解码特征图与所述图像特征图对应的特征图维度大小相同；
将所述第三编码特征图输入至所述第三解码层，得到第六解码特征图；
将所述第五解码特征图和所述第六解码特征图进行信息拼接，得到第三拼接特征图；
对所述第一拼接特征图、所述第二拼接特征图和所述第三拼接特征图进行特征图融合，以生成融合特征图。
4.根据权利要求3所述的方法，其中，所述利用一键分析控件，动态生成针对所选择的处理结果子序列的结果分析图和结果分析文本，还包括：
将所述融合特征图输入至领域关键评价词分类模型，以输出各个关键评价词对应的评价程度信息；
获取所述处理结果子序列对应的来源数据集和标记设备信息，作为目标来源数据集和来源标记设备信息；
对所述各个关键评价词、所述各个关键评价词对应的评价程度信息、目标来源数据集和来源标记设备信息进行词嵌入处理，得到关键评价词向量、所述各个关键评价词对应的程度向量、来源类别向量和来源标记设备向量；
将所述关键评价词向量、所述各个关键评价词对应的程度向量、来源类别向量和来源标记设备向量输入序列到序列模型，以生成所述结果分析文本。
5.根据权利要求4所述的方法，其中，所述将所述第一编码特征图输入至第一注意力机制层，以输出第一注意力信息，包括：
对于所述第一编码特征图中的每个通道矩阵，执行以下第一处理步骤：
将所述通道矩阵输入至所述第一注意力机制层包括的池化层，以生成池化信息；
将所述池化信息输入至所述第一注意力机制层包括的多层串联连接的第一全连接层，以生成第一全连接输出信息；
将所述第一全连接输出信息输入至所述第一注意力机制层包括的第一门控单元，以输出第一单元输出信息；
将所述第一单元输出信息输入至所述第一注意力机制层包括的多层串联连接的第二全连接层，以输出第二全连接输出信息；
将所述第二全连接输出信息输入至所述第一注意力机制层包括的第二门控单元，以输出第二单元输出信息；
将所述第二单元输出信息与所述通道矩阵对应矩阵微调参数信息进行相乘，得到第一相乘信息，其中，每个通道矩阵存在对应的、训练后的微调参数信息；
将所述第一相乘信息与所述通道矩阵进行相乘，得到第二相乘信息；
将所得到的第二相乘信息集进行组合，生成组合信息；
将所述组合信息输入至所述第一注意力机制层包括的多层串行连接的通道特征信息融合模型，以输出第一融合信息，作为所述第一注意力信息。
6.根据权利要求5所述的方法，其中，所述趋势预测模型包括：针对第一数据来源的第一趋势预测子模型和针对第二数据来源的第二趋势预测子模型；以及
所述根据预先训练的趋势预测模型，生成针对所述处理结果子序列、所述结果分析图和所述结果分析文本的预测趋势信息，包括：
对所述处理结果子序列中的每个处理结果，执行以下第二处理步骤：
对所述处理结果进行分词处理，得到词集；
对词集中的每个词进行词嵌入处理，以生成词向量，得到词向量集；
将所述结果分析图输入至多层串联的第二卷积神经网络，以输出图特征向量；
将所述图特征向量和所述词向量集进行向量融合，以生成第一融合向量；
将所述第一融合向量输入至所述第一趋势预测子模型，以输出第一候选预测趋势信息；
提取所述结果分析文本中的关键词，得到关键词集；
对所述关键词集中的每个关键词进行词嵌入处理，以生成关键词向量，得到关键词向量集；
将所述词向量集和所述关键词向量集进行向量融合，以生成第二融合向量；
将所述第二融合向量输入至所述第二趋势预测子模型，以输出第二候选预测趋势信息；
根据所述第一候选预测趋势信息和所述第二候选预测趋势信息，生成预测趋势信息。
7.一种信息生成装置，包括：
第一确定单元，被配置成响应于检测到针对建筑信息模型对应标记数据处理平台的目标标记组件点击操作，确定所述建筑信息模型对应的标记设备信息集的设备信息处理范围，其中，标记设备信息为设备数据进行阶段性更新的设备信息；
第二确定单元，被配置成根据所述设备信息处理范围，从所述标记设备信息集中确定出待进行处理的目标标记设备信息集；
第三确定单元，被配置成确定所述目标标记设备信息集中的每个目标标记设备信息对应的设备处理方式信息；
执行单元，被配置成确定目标设备处理方式信息对应的所需数据集，其中，所述所需数据集包括：实时更新的标记数据集和固定数据集，所述目标设备处理方式信息与所述目标标记设备信息存在数据对应关系；根据所述所需数据集，执行针对所述目标标记设备信息的设备处理操作，得到当前处理结果；利用一键存储控件，对所述当前处理结果进行存储，以将所述当前处理结果添加至对应历史处理结果序列中的目标位置；利用一键分析控件，动态生成针对所选择的处理结果子序列的结果分析图和结果分析文本，其中，所述处理结果子序列为所添加的历史处理结果序列中的子序列；利用一键预测控件，根据预先训练的趋势预测模型，生成针对所述处理结果子序列、所述结果分析图和所述结果分析文本的预测趋势信息。
8.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311133150.5A CN116882591B (zh) | 2023-09-05 | 2023-09-05 | 信息生成方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311133150.5A CN116882591B (zh) | 2023-09-05 | 2023-09-05 | 信息生成方法、装置、电子设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116882591A CN116882591A (zh) | 2023-10-13 |
| CN116882591B true CN116882591B (zh) | 2023-11-24 |
Family
ID=88259035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311133150.5A Active CN116882591B (zh) | 2023-09-05 | 2023-09-05 | 信息生成方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116882591B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107172590A (zh) * | 2017-06-30 | 2017-09-15 | 北京奇虎科技有限公司 | 基于移动终端的活动状态信息处理方法、装置及移动终端 |
| CN113221990A (zh) * | 2021-04-30 | 2021-08-06 | 平安科技（深圳）有限公司 | 信息录入方法、装置及相关设备 |
| CN115100536A (zh) * | 2022-06-01 | 2022-09-23 | 中科星睿科技(北京)有限公司 | 建筑物识别方法、装置、电子设备和计算机可读介质 |
| CN115564071A (zh) * | 2022-10-19 | 2023-01-03 | 中国电力科学研究院有限公司 | 一种电力物联网设备数据标签生成方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023137175A1 (en) * | 2022-01-14 | 2023-07-20 | Verint Americas Inc. | System and method for generating wrap up information |
-
2023
- 2023-09-05 CN CN202311133150.5A patent/CN116882591B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107172590A (zh) * | 2017-06-30 | 2017-09-15 | 北京奇虎科技有限公司 | 基于移动终端的活动状态信息处理方法、装置及移动终端 |
| CN113221990A (zh) * | 2021-04-30 | 2021-08-06 | 平安科技（深圳）有限公司 | 信息录入方法、装置及相关设备 |
| CN115100536A (zh) * | 2022-06-01 | 2022-09-23 | 中科星睿科技(北京)有限公司 | 建筑物识别方法、装置、电子设备和计算机可读介质 |
| CN115564071A (zh) * | 2022-10-19 | 2023-01-03 | 中国电力科学研究院有限公司 | 一种电力物联网设备数据标签生成方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| An Inexpensive Upgradation of Legacy Cameras Using Software and Hardware Architecture for Monitoring and Tracking of Live Threats;UME HABIBA;IEEE Access;第8卷;40107-40117 * |
| 电子及通信技术下的高校建筑节能监测实训系统设计;李琼慧;;电子世界(第05期);194-195 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116882591A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210019531A1 (en) | Method and apparatus for classifying video | |
| CN111274815B (zh) | 用于挖掘文本中的实体关注点的方法和装置 | |
| CN110766142A (zh) | 模型生成方法和装置 | |
| CN110807515A (zh) | 模型生成方法和装置 | |
| CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
| CN113361578B (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
| CN113095346A (zh) | 数据标注的方法以及数据标注的装置 | |
| CN111104599B (zh) | 用于输出信息的方法和装置 | |
| US11900263B2 (en) | Augmenting neural networks | |
| CN113765928B (zh) | 物联网入侵检测方法、设备及介质 | |
| CN111340220A (zh) | 用于训练预测模型的方法和装置 | |
| CN113449821A (zh) | 融合语义和图像特征的智能训练方法、装置、设备及介质 | |
| CN112712795A (zh) | 标注数据确定方法、装置、介质及电子设备 | |
| CN113449773A (zh) | 模型更新方法、装置、存储介质及电子设备 | |
| CN116128055A (zh) | 图谱构建方法、装置、电子设备和计算机可读介质 | |
| CN116468112B (zh) | 目标检测模型的训练方法、装置、电子设备和存储介质 | |
| CN116882591B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
| CN114792097B (zh) | 预训练模型提示向量的确定方法、装置及电子设备 | |
| CN112417260B (zh) | 本地化推荐方法、装置及存储介质 | |
| CN112651231B (zh) | 口语信息处理方法、装置和电子设备 | |
| CN114639072A (zh) | 人流量信息生成方法、装置、电子设备和计算机可读介质 | |
| CN114004313A (zh) | 故障gpu的预测方法、装置、电子设备及存储介质 | |
| CN117743555B (zh) | 答复决策信息发送方法、装置、设备和计算机可读介质 | |
| CN111522887B (zh) | 用于输出信息的方法和装置 | |
| CN116107574B (zh) | 应用界面自动构建方法、装置、电子设备和可读介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |