CN117237559B - 面向数字孪生城市的三维模型数据智能分析方法及系统 - Google Patents

Abstract

本申请公开了一种面向数字孪生城市的三维模型数据智能分析方法及系统，涉及数据智能分析领域。其从数字孪生城市的三维模型中提取特征点以得到特征点云，然后，对所述特征点云进行聚类分析以得到多个城市要素，对所述各个城市要素进行属性识别以得到所述各个城市要素的属性数据，对所述各个城市要素的属性数据进行城市要素间属性关联编码以得到城市要素间属性特征语义关联特征，从所述城市要素间属性特征语义关联特征中提取待评估城市要素属性特征，最后，基于所述城市要素间属性特征语义关联特征和所述待评估城市要素属性特征之间的转移关联语义，确定待评估城市要素是否存在优化空间。这样可以判断待评估城市要素是否存在优化空间。

Description

面向数字孪生城市的三维模型数据智能分析方法及系统

技术领域

本申请涉及数据智能分析领域，且更为具体地，涉及一种面向数字孪生城市的三维模型数据智能分析方法及系统。

背景技术

数字孪生城市是一种基于三维模型的城市数字化表达方式，能够实现城市的虚实一体化。数字孪生城市的三维模型数据包含了丰富的城市要素信息，如建筑物、道路和绿地等，这些信息对于城市规划、管理和优化具有重要的参考价值。然而，目前对数字孪生城市的三维模型数据的智能分析方法还不够成熟，难以有效地提取和利用其中的城市要素信息。

因此，期望一种面向数字孪生城市的三维模型数据智能分析方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种面向数字孪生城市的三维模型数据智能分析方法及系统。其可以实现对各个城市要素之间的语义关联性的量化评估，进而判断待评估城市要素是否存在优化空间，为数字孪生城市的规划和管理提供科学依据和决策支持。

根据本申请的一个方面，提供了一种面向数字孪生城市的三维模型数据智能分析方法，其包括：

获取数字孪生城市的三维模型；

从所述数字孪生城市的三维模型中提取特征点以得到特征点云；

对所述特征点云进行聚类分析以得到多个城市要素，所述城市要素包括建筑物、道路和绿地；

对各个城市要素进行属性识别以得到所述各个城市要素的属性数据；

对所述各个城市要素的属性数据进行城市要素间属性关联编码以得到城市要素间属性特征语义关联特征；

从所述城市要素间属性特征语义关联特征中提取待评估城市要素属性特征；以及

基于所述城市要素间属性特征语义关联特征和所述待评估城市要素属性特征之间的转移关联语义，确定待评估城市要素是否存在优化空间。

根据本申请的另一个方面，提供了一种面向数字孪生城市的三维模型数据智能分析系统，其包括：

三维模型获取模块，用于获取数字孪生城市的三维模型；

特征点提取模块，用于从所述数字孪生城市的三维模型中提取特征点以得到特征点云；

聚类分析模块，用于对所述特征点云进行聚类分析以得到多个城市要素，所述城市要素包括建筑物、道路和绿地；

属性识别模块，用于对各个城市要素进行属性识别以得到所述各个城市要素的属性数据；

城市要素间属性关联编码模块，用于对所述各个城市要素的属性数据进行城市要素间属性关联编码以得到城市要素间属性特征语义关联特征；

要素属性特征提取模块，用于从所述城市要素间属性特征语义关联特征中提取待评估城市要素属性特征；以及

优化空间评估模块，用于基于所述城市要素间属性特征语义关联特征和所述待评估城市要素属性特征之间的转移关联语义，确定待评估城市要素是否存在优化空间。

与现有技术相比，本申请提供的面向数字孪生城市的三维模型数据智能分析方法及系统，其首先从数字孪生城市的三维模型中提取特征点以得到特征点云，然后，对所述特征点云进行聚类分析以得到多个城市要素，接着，对所述各个城市要素进行属性识别以得到所述各个城市要素的属性数据，然后，对所述各个城市要素的属性数据进行城市要素间属性关联编码以得到城市要素间属性特征语义关联特征，接着，从所述城市要素间属性特征语义关联特征中提取待评估城市要素属性特征，最后，基于所述城市要素间属性特征语义关联特征和所述待评估城市要素属性特征之间的转移关联语义，确定待评估城市要素是否存在优化空间。这样，可以判断待评估城市要素是否存在优化空间。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。

图1为根据本申请实施例的面向数字孪生城市的三维模型数据智能分析方法的流程图。

图2为根据本申请实施例的面向数字孪生城市的三维模型数据智能分析方法的架构示意图。

图3为根据本申请实施例的面向数字孪生城市的三维模型数据智能分析方法的子步骤S150的流程图。

图4为根据本申请实施例的面向数字孪生城市的三维模型数据智能分析方法的子步骤S170的流程图。

图5为根据本申请实施例的面向数字孪生城市的三维模型数据智能分析系统的框图。

图6为根据本申请实施例的面向数字孪生城市的三维模型数据智能分析方法的应用场景图。

具体实施方式

下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

针对上述技术问题，本申请的技术构思为通过从数字孪生城市的三维模型中提取特征点，构建特征点云，并对特征点云进行聚类分析和属性识别以得到多个城市要素及其属性数据后，在后端引入数据处理和分析算法来进行多个城市要素的属性数据的协同关联分析，以此来实现对各个城市要素之间的语义关联性的量化评估，进而判断待评估城市要素是否存在优化空间，为数字孪生城市的规划和管理提供科学依据和决策支持。

图1为根据本申请实施例的面向数字孪生城市的三维模型数据智能分析方法的流程图。图2为根据本申请实施例的面向数字孪生城市的三维模型数据智能分析方法的架构示意图。如图1和图2所示，根据本申请实施例的面向数字孪生城市的三维模型数据智能分析方法，包括步骤：S110，获取数字孪生城市的三维模型；S120，从所述数字孪生城市的三维模型中提取特征点以得到特征点云；S130，对所述特征点云进行聚类分析以得到多个城市要素，所述城市要素包括建筑物、道路和绿地；S140，对所述各个城市要素进行属性识别以得到所述各个城市要素的属性数据；S150，对所述各个城市要素的属性数据进行城市要素间属性关联编码以得到城市要素间属性特征语义关联特征；S160，从所述城市要素间属性特征语义关联特征中提取待评估城市要素属性特征；以及，S170，基于所述城市要素间属性特征语义关联特征和所述待评估城市要素属性特征之间的转移关联语义，确定待评估城市要素是否存在优化空间。

具体地，在本申请的技术方案中，首先，获取数字孪生城市的三维模型，并从所述数字孪生城市的三维模型中提取特征点，以此来构建特征点云以得到特征点云。然后，对所述特征点云进行聚类分析以得到多个城市要素，所述城市要素包括建筑物、道路和绿地。应可以理解，通过对所述特征点云进行聚类分析，可以将相似的点归为一类，从而实现对城市要素的提取和分类。

进一步地，对所述各个城市要素进行属性识别以得到所述各个城市要素的属性数据，其中，所述属性数据包括建筑物的高度、体积、用途等，道路的宽度、方向、流量等，以及绿地的面积、覆盖率、植被类型等。应可以理解，通过对所述各个城市要素进行属性识别，可以将其与预定义的属性类别进行匹配，从而确定每个要素所属的属性类别。例如，对于建筑物，可以通过识别其外观特征、建筑风格、高度等属性来判断其用途，如住宅、商业、办公等。对于道路，可以通过识别其形状、宽度、交通标志等属性来确定其类型，如高速公路、城市道路、人行道等。对于绿地，可以通过识别其植被类型、覆盖率等属性来描述其功能，如公园、花坛、草坪等。

接着，考虑到由于在所述各个城市要素的属性数据中，由于城市要素具有建筑物、道路和绿地等，所述属性数据又在所述城市要素的基础下包含有建筑物的高度、体积、用途等，道路的宽度、方向、流量等，以及绿地的面积、覆盖率、植被类型等。并且，每个城市中的所述各个城市要素之间和所述各个属性数据之间都具有着关联关系。因此，为了能够对于这些关联关系进行特征分析和捕捉，以此来利用所述各个城市要素的属性数据之间的关联特性来更为准确地进行待评估城市要素的优化评估，在本申请的技术方案中，进一步将所述各个城市要素的属性数据通过基于全连接层的属性特征编码器中进行全连接编码，以提取出每个城市中有关于所述各个城市要素的属性数据之间的关联特征分布信息，从而得到多个城市要素属性特征向量。

然后，考虑到由于所述各个城市中有关于多个城市要素的属性数据之间的全连接关联特征分布信息间还具有着整体城市的全局关联关系，这对于待评估城市要素评估具有着重要作用。因此，在本申请的技术方案中，进一步将所述多个城市要素属性特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个城市中的多个城市要素属性数据关联特征信息之间基于城市全局的上下文关联特征，从而得到城市要素间属性特征语义关联特征向量。

在对于待评估城市要素进行优化空间评估时，需要从所述多个城市要素属性特征向量提取待评估城市要素的城市要素属性特征向量以得到待评估城市要素属性特征向量，以此来表示所述待评估城市中有关于城市要素的属性数据之间的关联特征信息。

相应地，如图3所示，对所述各个城市要素的属性数据进行城市要素间属性关联编码以得到城市要素间属性特征语义关联特征，包括：S151，将所述各个城市要素的属性数据通过基于全连接层的属性特征编码器以得到多个城市要素属性特征向量；以及，S152，将所述多个城市要素属性特征向量通过基于转换器的上下文编码器以得到城市要素间属性特征语义关联特征向量作为所述城市要素间属性特征语义关联特征。应可以理解，S151步骤的作用是将各个城市要素的属性数据转换为城市要素属性特征向量，这一步骤使用基于全连接层的属性特征编码器，将原始的属性数据输入到神经网络中，并通过网络的前向传播过程，将属性数据映射为一个高维特征向量，这个特征向量捕捉了属性数据的关键信息和特征，可以用于后续的分析和处理。S152步骤的作用是通过基于转换器的上下文编码器，将多个城市要素属性特征向量转换为城市要素间属性特征语义关联特征向量，在这个步骤中，转换器模型会对多个城市要素属性特征向量进行编码，从而捕捉它们之间的语义关联和上下文信息。得到的城市要素间属性特征语义关联特征向量可以用于进一步的分析、建模和应用。

值得一提的是，全连接层（Fully Connected Layer），也称为密集连接层或全连接层，是神经网络中最常见的一种层类型之一。它的作用是将前一层的所有神经元与当前层的所有神经元进行连接，每个连接都有一个权重，用于调节信息的传递。在全连接层中，每个神经元接收来自前一层所有神经元的输入，并通过权重进行加权求和。然后，将得到的加权和输入到一个激活函数中，以产生神经元的输出。全连接层的主要作用是学习输入数据的非线性映射关系，通过调整权重和偏置，使得网络能够适应不同的任务和数据分布。全连接层通常用于网络的中间层，可以提取输入数据的高级特征表示。在深度神经网络中，全连接层通常紧跟在卷积层或池化层之后，用于将提取的特征进行组合和转换，最终输出网络的预测结果。

转换器（Transformer）是一种用于处理序列数据的神经网络模型，转换器模型的核心思想是自注意力机制（Self-Attention），它能够在输入序列中建立全局的依赖关系，捕捉序列中不同位置之间的关联性。自注意力机制通过计算每个位置与其他位置的相关性得分，并将这些得分作为权重对输入序列进行加权求和。这样，每个位置都能够同时考虑到序列中的其他位置的信息，从而更好地理解序列的语义和结构。转换器模型由多个堆叠的自注意力层和前馈神经网络层组成。自注意力层用于捕捉序列中的依赖关系，前馈神经网络层则用于对每个位置的特征进行非线性变换。通过多层堆叠，转换器模型能够逐渐提取更高级别的特征表示，并在不同层之间传递上下文信息。转换器模型的优点包括并行计算能力强、能够处理长序列、具有较好的表示能力和泛化能力等。

具体地，在步骤S160中，从所述城市要素间属性特征语义关联特征中提取待评估城市要素属性特征，包括：从所述多个城市要素属性特征向量提取待评估城市要素的城市要素属性特征向量以得到待评估城市要素属性特征向量作为所述待评估城市要素属性特征。

继而，再计算所述待评估城市要素属性特征向量相对于所述城市要素间属性特征语义关联特征向量的评估转移特征矩阵，以此来将所述待评估城市要素属性特征向量映射到所述城市要素间属性特征语义关联特征向量的高维空间中，以表示在以所述各个城市之间的城市要素属性数据协同关联特征分布信息为基础背景下的有关于所述待评估城市的城市要素属性数据间的关联特征信息。

进一步地，将所述评估转移特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待评估城市要素是否存在优化空间。具体地，在本申请的技术方案中，所述分类器的分类标签为所述待评估城市要素是否存在优化空间的标签，因此，在得到所述分类结果后，可以基于所述分类结果来实现对待评估城市要素的量化评估，进而判断该待评估城市要素是否存在优化空间，为数字孪生城市的规划和管理提供科学依据和决策支持。

相应地，如图4所示，基于所述城市要素间属性特征语义关联特征和所述待评估城市要素属性特征之间的转移关联语义，确定待评估城市要素是否存在优化空间，包括：S171，计算所述待评估城市要素属性特征向量相对于所述城市要素间属性特征语义关联特征向量的评估转移特征矩阵；以及，S172，将所述评估转移特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待评估城市要素是否存在优化空间。应可以理解，在S171步骤中，评估转移特征矩阵用于表示待评估城市要素属性特征向量与城市要素间属性特征语义关联特征向量之间的转移关联语义。评估转移特征矩阵可以帮助理解待评估城市要素属性特征向量与其他城市要素属性特征向量之间的关系。通过计算这个矩阵，可以获得一个表示转移关联的语义信息，从而判断待评估城市要素属性特征向量是否存在优化空间。在S172步骤中，分类器可以是一个机器学习模型，它接受评估转移特征矩阵作为输入，并输出一个分类结果，表示待评估城市要素是否存在优化空间。分类器的训练可以基于已有的城市数据和对应的优化空间标签进行。通过分类器，可以对待评估城市要素进行判断，确定其是否有进一步优化的潜力。综合来说，S171和S172两个步骤结合起来，可以通过计算评估转移特征矩阵和使用分类器来确定待评估城市要素是否存在优化空间。这个过程可以帮助进行城市要素的评估和规划，找到需要改进和优化的城市要素，并提供决策支持。

进一步地，在本申请的技术方案中，所述的面向数字孪生城市的三维模型数据智能分析方法，其还包括训练步骤：用于对所述基于全连接层的属性特征编码器、所述基于转换器的上下文编码器和所述分类器进行训练。应可以理解，训练步骤是用于对属性特征编码器、上下文编码器和分类器进行训练的过程。这些训练步骤的作用如下：1.训练属性特征编码器：属性特征编码器是用于将城市要素的属性特征转化为特征向量表示的模型。在训练步骤中，属性特征编码器会学习如何将原始的属性特征数据映射到特征向量空间中，以捕捉属性特征的重要信息和关联性。通过训练属性特征编码器，可以提高特征的表达能力和区分度，从而更好地表示城市要素的属性特征。2.训练上下文编码器：上下文编码器是用于捕捉城市要素之间的上下文关系和依赖关系的模型。在训练步骤中，上下文编码器会学习如何通过自注意力机制和前馈神经网络层来建模城市要素之间的关联性。通过训练上下文编码器，可以提高模型对城市要素之间复杂关系的理解能力，从而更好地利用上下文信息进行分析和预测。3.训练分类器：分类器是用于对待评估城市要素是否存在优化空间进行分类的模型。在训练步骤中，分类器会接受评估转移特征矩阵作为输入，并根据已有的优化空间标签进行训练。通过训练分类器，可以使其学习如何判断待评估城市要素是否存在优化空间，从而提供决策支持和规划建议。综合来说，训练步骤在面向数字孪生城市的三维模型数据智能分析方法中起着关键作用。通过训练属性特征编码器、上下文编码器和分类器，可以提高模型的表达能力、关联性建模能力和判断能力，从而实现对城市要素的智能分析和决策支持。

更具体地，所述训练步骤，包括：获取训练数据，所述训练数据包括数字孪生城市的训练三维模型，以及，所述待评估城市要素是否存在优化空间的真实值；从所述数字孪生城市的训练三维模型中提取特征点以得到训练特征点云；对所述训练特征点云进行聚类分析以得到多个训练城市要素，所述训练城市要素包括建筑物、道路和绿地；对所述各个训练城市要素进行属性识别以得到所述各个训练城市要素的训练属性数据；将所述各个训练城市要素的训练属性数据通过所述基于全连接层的属性特征编码器以得到多个训练城市要素属性特征向量；将所述多个训练城市要素属性特征向量通过所述基于转换器的上下文编码器以得到训练城市要素间属性特征语义关联特征向量；从所述多个训练城市要素属性特征向量提取训练待评估城市要素的城市要素属性特征向量以得到训练待评估城市要素属性特征向量；计算所述训练待评估城市要素属性特征向量相对于所述训练城市要素间属性特征语义关联特征向量的训练评估转移特征矩阵；将所述训练评估转移特征矩阵通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于全连接层的属性特征编码器、所述基于转换器的上下文编码器和所述分类器进行训练，其中，在所述训练的每次权重矩阵迭代时，对所述训练评估转移特征矩阵展开后得到的训练评估转移特征向量进行权重空间的资源认知的渐进式上下文集成优化。

特别地，在本申请的技术方案中，所述多个训练城市要素属性特征向量中的每个训练城市要素属性特征向量用于表达相应的城市要素的属性文本语义，由此，将所述多个训练城市要素属性特征向量通过基于转换器的上下文编码器后，可以进一步编码各个训练城市要素的属性文本语义间的上下文关联，以得到所述训练城市要素间属性特征语义关联特征向量，这样，计算所述训练待评估城市要素属性特征向量相对于所述训练城市要素间属性特征语义关联特征向量的评估转移特征矩阵时，可以表达所述训练待评估城市要素属性特征向量的单样本文本语义特征相对于所述训练城市要素间属性特征语义关联特征向量的全样本文本语义特征的文本语义空间域转移，使得所述训练评估转移特征矩阵具有跨样本空间的基于文本语义资源的文本语义特征分布，并且，由于所述训练评估转移特征矩阵的每个行特征向量的各个特征值都对应于所述转移源特征向量的各个特征值，而每个行特征向量整体又对应于所述转移目的特征向量的各个特征值，因此在特征矩阵分布维度上具有空间分布维度密集的特征表示，这会在通过分类器进行分类回归训练时，引起分类器的权重矩阵的训练效率降低。

基于此，在将所述训练评估转移特征矩阵通过分类器进行分类回归的训练时，对于所述训练评估转移特征矩阵展开后得到的训练评估转移特征向量进行权重空间的资源认知的渐进式上下文集成。

相应地，在一个示例中，在所述训练的每次权重矩阵迭代时，以如下优化公式对所述训练评估转移特征矩阵展开后得到的训练评估转移特征向量进行权重空间的资源认知的渐进式上下文集成优化以得到优化训练评估转移特征矩阵；其中，所述优化公式为：

；

；

；

其中，和/>分别是上次和本次迭代的权重矩阵，其中在首次迭代时，采用不同的初始化策略设置/>和/>，（例如，/>设置为单位矩阵而/>设置为待分类特征向量的均值对角矩阵），/>是待分类的训练评估转移特征向量，/>和/>分别表示特征向量/>和/>的全局均值，且是偏置矩阵，例如初始设置为单位矩阵，向量以列向量形式，/>表示矩阵乘法，/>表示矩阵加法，/>表示按位置点乘，/>表示转置操作，/>表示最大值函数，/>表示所述优化训练评估转移特征矩阵。

也就是，考虑到在进行基于待分类的训练评估转移特征向量的密集预测任务时，需要将权重矩阵的高分辨率表示与待分类的训练评估转移特征向量/>的全局上下文进行集成，因此通过在迭代过程中最大化权重空间的分布边界，来基于迭代关联表示资源认知地（resource-aware）实现渐进集成（progressive integrity），从而提高权重矩阵的训练效果，提升模型整体的训练效率。这样，能够实现对各个城市要素之间的语义关联性的量化评估，进而判断待评估城市要素是否存在优化空间，为数字孪生城市的规划和管理提供科学依据和决策支持。

进一步地，将所述训练评估转移特征矩阵通过所述分类器以得到分类损失函数值，包括：使用所述分类器以如下训练分类公式对所述训练评估转移特征矩阵进行处理以得到训练分类结果，所述训练分类公式为：，其中/>表示将所述训练评估转移特征矩阵投影为向量，/>至/>为各层全连接层的权重矩阵，/>至/>表示各层全连接层的偏置矩阵；以及，计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。

综上，基于本申请实施例的面向数字孪生城市的三维模型数据智能分析方法被阐明，其可以判断待评估城市要素是否存在优化空间。

图5为根据本申请实施例的面向数字孪生城市的三维模型数据智能分析系统100的框图。如图5所示，根据本申请实施例的面向数字孪生城市的三维模型数据智能分析系统100，包括：三维模型获取模块110，用于获取数字孪生城市的三维模型；特征点提取模块120，用于从所述数字孪生城市的三维模型中提取特征点以得到特征点云；聚类分析模块130，用于对所述特征点云进行聚类分析以得到多个城市要素，所述城市要素包括建筑物、道路和绿地；属性识别模块140，用于对所述各个城市要素进行属性识别以得到所述各个城市要素的属性数据；城市要素间属性关联编码模块150，用于对所述各个城市要素的属性数据进行城市要素间属性关联编码以得到城市要素间属性特征语义关联特征；要素属性特征提取模块160，用于从所述城市要素间属性特征语义关联特征中提取待评估城市要素属性特征；以及，优化空间评估模块170，用于基于所述城市要素间属性特征语义关联特征和所述待评估城市要素属性特征之间的转移关联语义，确定待评估城市要素是否存在优化空间。

在一个示例中，在上述面向数字孪生城市的三维模型数据智能分析系统100中，所述城市要素间属性关联编码模块150，包括：属性特征编码单元，用于将所述各个城市要素的属性数据通过基于全连接层的属性特征编码器以得到多个城市要素属性特征向量；以及，上下文编码单元，用于将所述多个城市要素属性特征向量通过基于转换器的上下文编码器以得到城市要素间属性特征语义关联特征向量作为所述城市要素间属性特征语义关联特征。

在一个示例中，在上述面向数字孪生城市的三维模型数据智能分析系统100中，所述要素属性特征提取模块160，用于：从所述多个城市要素属性特征向量提取待评估城市要素的城市要素属性特征向量以得到待评估城市要素属性特征向量作为所述待评估城市要素属性特征。

这里，本领域技术人员可以理解，上述面向数字孪生城市的三维模型数据智能分析系统100中的各个模块的具体功能和操作已经在上面参考图1到图4的面向数字孪生城市的三维模型数据智能分析方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的面向数字孪生城市的三维模型数据智能分析系统100可以实现在各种无线终端中，例如具有面向数字孪生城市的三维模型数据智能分析算法的服务器等。在一个示例中，根据本申请实施例的面向数字孪生城市的三维模型数据智能分析系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该面向数字孪生城市的三维模型数据智能分析系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该面向数字孪生城市的三维模型数据智能分析系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该面向数字孪生城市的三维模型数据智能分析系统100与该无线终端也可以是分立的设备，并且该面向数字孪生城市的三维模型数据智能分析系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图6为根据本申请实施例的面向数字孪生城市的三维模型数据智能分析方法的应用场景图。如图6所示，在该应用场景中，首先，获取数字孪生城市的三维模型（例如，图6中所示意的D），然后，将所述数字孪生城市的三维模型输入至部署有面向数字孪生城市的三维模型数据智能分析算法的服务器（例如，图6中所示意的S）中，其中，所述服务器能够使用所述面向数字孪生城市的三维模型数据智能分析算法对所述数字孪生城市的三维模型进行处理以得到用于表示待评估城市要素是否存在优化空间的分类结果。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (3)

1.一种面向数字孪生城市的三维模型数据智能分析方法，其特征在于，包括：

获取数字孪生城市的三维模型；

从所述数字孪生城市的三维模型中提取特征点以得到特征点云；

对所述特征点云进行聚类分析以得到多个城市要素，所述城市要素包括建筑物、道路和绿地；

对各个城市要素进行属性识别以得到所述各个城市要素的属性数据；

对所述各个城市要素的属性数据进行城市要素间属性关联编码以得到城市要素间属性特征语义关联特征；

从所述城市要素间属性特征语义关联特征中提取待评估城市要素属性特征；以及

基于所述城市要素间属性特征语义关联特征和所述待评估城市要素属性特征之间的转移关联语义，确定待评估城市要素是否存在优化空间；

其中，对所述各个城市要素的属性数据进行城市要素间属性关联编码以得到城市要素间属性特征语义关联特征，包括：

将所述各个城市要素的属性数据通过基于全连接层的属性特征编码器以得到多个城市要素属性特征向量；以及

将所述多个城市要素属性特征向量通过基于转换器的上下文编码器以得到城市要素间属性特征语义关联特征向量作为所述城市要素间属性特征语义关联特征；

其中，从所述城市要素间属性特征语义关联特征中提取待评估城市要素属性特征，包括：

从多个城市要素属性特征向量提取待评估城市要素的城市要素属性特征向量以得到待评估城市要素属性特征向量作为所述待评估城市要素属性特征；

其中，基于所述城市要素间属性特征语义关联特征和所述待评估城市要素属性特征之间的转移关联语义，确定待评估城市要素是否存在优化空间，包括：

计算所述待评估城市要素属性特征向量相对于所述城市要素间属性特征语义关联特征向量的评估转移特征矩阵；以及

将所述评估转移特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待评估城市要素是否存在优化空间；

还包括训练步骤：用于对所述基于全连接层的属性特征编码器、所述基于转换器的上下文编码器和所述分类器进行训练；

所述训练步骤，包括：

获取训练数据，所述训练数据包括数字孪生城市的训练三维模型，以及，所述待评估城市要素是否存在优化空间的真实值；

从所述数字孪生城市的训练三维模型中提取特征点以得到训练特征点云；

对所述训练特征点云进行聚类分析以得到多个训练城市要素，所述训练城市要素包括建筑物、道路和绿地；

对各个训练城市要素进行属性识别以得到所述各个训练城市要素的训练属性数据；

将所述各个训练城市要素的训练属性数据通过所述基于全连接层的属性特征编码器以得到多个训练城市要素属性特征向量；

将所述多个训练城市要素属性特征向量通过所述基于转换器的上下文编码器以得到训练城市要素间属性特征语义关联特征向量；

从多个训练城市要素属性特征向量提取训练待评估城市要素的城市要素属性特征向量以得到训练待评估城市要素属性特征向量；

计算所述训练待评估城市要素属性特征向量相对于所述训练城市要素间属性特征语义关联特征向量的训练评估转移特征矩阵；

将所述训练评估转移特征矩阵通过所述分类器以得到分类损失函数值；以及

基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于全连接层的属性特征编码器、所述基于转换器的上下文编码器和所述分类器进行训练，其中，在所述训练的每次权重矩阵迭代时，对所述训练评估转移特征矩阵展开后得到的训练评估转移特征向量进行权重空间的资源认知的渐进式上下文集成优化。

2.根据权利要求1所述的面向数字孪生城市的三维模型数据智能分析方法，其特征在于，将所述训练评估转移特征矩阵通过所述分类器以得到分类损失函数值，包括：

使用所述分类器以如下训练分类公式对所述训练评估转移特征矩阵进行处理以得到训练分类结果，所述训练分类公式为：，其中/>表示将所述训练评估转移特征矩阵投影为向量，/>至/>为各层全连接层的权重矩阵，/>至/>表示各层全连接层的偏置矩阵；以及

计算训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。

3.一种面向数字孪生城市的三维模型数据智能分析系统，其特征在于，包括：

三维模型获取模块，用于获取数字孪生城市的三维模型；

特征点提取模块，用于从所述数字孪生城市的三维模型中提取特征点以得到特征点云；

聚类分析模块，用于对所述特征点云进行聚类分析以得到多个城市要素，所述城市要素包括建筑物、道路和绿地；

属性识别模块，用于对各个城市要素进行属性识别以得到各个城市要素的属性数据；

城市要素间属性关联编码模块，用于对所述各个城市要素的属性数据进行城市要素间属性关联编码以得到城市要素间属性特征语义关联特征；

要素属性特征提取模块，用于从所述城市要素间属性特征语义关联特征中提取待评估城市要素属性特征；以及

优化空间评估模块，用于基于所述城市要素间属性特征语义关联特征和所述待评估城市要素属性特征之间的转移关联语义，确定待评估城市要素是否存在优化空间；

其中，所述城市要素间属性关联编码模块，包括：

属性特征编码单元，用于将所述各个城市要素的属性数据通过基于全连接层的属性特征编码器以得到多个城市要素属性特征向量；以及

上下文编码单元，用于将所述多个城市要素属性特征向量通过基于转换器的上下文编码器以得到城市要素间属性特征语义关联特征向量作为所述城市要素间属性特征语义关联特征；

其中，所述要素属性特征提取模块，用于：

从所述多个城市要素属性特征向量提取待评估城市要素的城市要素属性特征向量以得到待评估城市要素属性特征向量作为所述待评估城市要素属性特征；

其中，优化空间评估模块，用于：

计算所述待评估城市要素属性特征向量相对于所述城市要素间属性特征语义关联特征向量的评估转移特征矩阵；以及

将所述评估转移特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待评估城市要素是否存在优化空间；

还包括训练步骤：用于对所述基于全连接层的属性特征编码器、所述基于转换器的上下文编码器和所述分类器进行训练；

所述训练步骤，包括：

获取训练数据，所述训练数据包括数字孪生城市的训练三维模型，以及，所述待评估城市要素是否存在优化空间的真实值；

从所述数字孪生城市的训练三维模型中提取特征点以得到训练特征点云；

对所述训练特征点云进行聚类分析以得到多个训练城市要素，所述训练城市要素包括建筑物、道路和绿地；

对各个训练城市要素进行属性识别以得到所述各个训练城市要素的训练属性数据；

将所述各个训练城市要素的训练属性数据通过所述基于全连接层的属性特征编码器以得到多个训练城市要素属性特征向量；

将所述多个训练城市要素属性特征向量通过所述基于转换器的上下文编码器以得到训练城市要素间属性特征语义关联特征向量；

从多个训练城市要素属性特征向量提取训练待评估城市要素的城市要素属性特征向量以得到训练待评估城市要素属性特征向量；

计算所述训练待评估城市要素属性特征向量相对于所述训练城市要素间属性特征语义关联特征向量的训练评估转移特征矩阵；

将所述训练评估转移特征矩阵通过所述分类器以得到分类损失函数值；以及

基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于全连接层的属性特征编码器、所述基于转换器的上下文编码器和所述分类器进行训练，其中，在所述训练的每次权重矩阵迭代时，对所述训练评估转移特征矩阵展开后得到的训练评估转移特征向量进行权重空间的资源认知的渐进式上下文集成优化。