CN117592809B - 一种基于人工智能的市政工程施工方案优化方法及系统 - Google Patents

Abstract

本发明提出一种基于人工智能的市政工程施工方案优化方法及系统，通过获取施工区域的建筑设施数据、历史交通状况数据和历史环境数据，和各数据间的关联关系或影响关系，建立施工进程BIM模型，并得到施工方案；对多个施工方案进行全面的评估，预测并比较各个施工方案的施工进度、成本、安全性和交通影响几个维度加权评估值，选择出最佳施工方案；根据实时施工状况数据和实时交通状态数据动态调整和优化最佳施工方案。通过本发明实施例，可以分析交通流量变化规律，找出施工带来的交通影响，进而对施工方案进行优化改进，从而可以用深度学习持续分析交通和环境数据来优化施工方案，降低施工对交通的影响。

Description

一种基于人工智能的市政工程施工方案优化方法及系统

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的市政工程施工方案优化方法及系统。

背景技术

当前市政工程施工方案普遍存在一些问题和缺点：如计划不科学，很多施工方案在立项和设计阶段没有充分考虑各种复杂条件和风险，导致施工计划不科学、不合理；技术手段落后，现场管理还停留在传统的人工记载、纸质文件方式，信息化和智能化程度不高；对施工区域的交通影响较大，不能合理规划施工区域的交通控制方案，造成居民出行不便。

亟需一种基于人工智能的市政工程施工方案优化方法及系统。

发明内容

本发明正是基于上述问题，提出了一种基于人工智能的市政工程施工方案优化方法及系统，通过本发明实施例，可以分析交通流量变化规律，找出施工带来的交通影响，进而对施工方案进行优化改进，从而可以用深度学习持续分析交通和环境数据来优化施工方案，降低施工对交通的影响。

有鉴于此，本发明的一方面提出了一种基于人工智能的市政工程施工方案优化方法，包括：

获取施工区域的建筑设施数据、历史交通状况数据和历史环境数据；

根据所述建筑设施数据构建所述施工区域的第一BIM模型；

获取所述施工区域的施工规划数据，结合所述第一BIM模型，建立所述施工区域的第一施工进程BIM模型；

利用人工智能技术对所述建筑设施数据、所述历史交通状况数据和所述历史环境数据进行分析，得到影响施工状态的第一关键因素和影响交通状态的第二关键因素；

根据所述第一施工进程BIM模型、所述历史交通状况数据、所述历史环境数据、所述第一关键因素，得到所述施工区域的第一预期施工状态数据；

根据所述第一预期施工状态数据对所述第一施工进程BIM模型进行修改，得到第二施工进程BIM模型；

根据所述第二施工进程BIM模型、所述历史交通状况数据、所述历史环境数据和所述第二关键因素，得到所述施工区域的第一预期交通状态数据；

根据所述第一预期交通状态数据、第一交通状态控制模型得到第二预期交通状态数据；

根据所述第二预期交通状态数据、所述第一关键因素和所述第二关键因素得到第二预期施工状态数据；

根据所述第二预期施工状态数据对所述第二施工进程BIM模型进行修改得到第三施工进程BIM模型；

基于所述第三施工进程BIM模型，利用人工智能算法，生成多个不同的第一施工方案；

对多个所述第一施工方案进行全面的评估，预测并比较所述第一施工方案的施工进度、成本、安全性和交通影响几个维度加权评估值，选择出最佳施工方案；

在根据所述最佳施工方案进行施工的过程中，利用第一智能物联网终端收集第一监测数据，利用人工智能技术从所述第一监测数据中识别实时施工状况数据、实时交通状态数据，并根据所述实时施工状况数据和所述实时交通状态数据动态调整和优化所述最佳施工方案。

可选地，还包括：

根据所述建筑设施数据、历史交通状况数据和历史环境数据确定经过所述施工区域的第一用户的第一通行需求；

根据所述第一施工进程BIM模型和所述第一通行需求，生成包含多个第一替换通行路线的第一替换通行方案；

根据所述第一施工进程BIM模型生成施工影响评估结果，并将所述施工影响评估结果发送至所述第一用户的车辆终端和/或用户终端；

根据所述车辆终端和/或所述用户终端对所述施工影响评估结果的第一反馈数据，得到所述第一用户的第一备选路线；

将所述第一备选路线整合至所述第一替换通行方案得到第二替换通行方案；

分别获取所述第一替换通行路线的第一历史交通状况数据和所述第一备选路线的第二历史交通状况数据；

结合所述第一通行需求，分别根据所述第一历史交通状况数据对所述第一替换路线、根据所述第二历史交通状况数据对所述第一备选路线的交通压力进行模拟，按交通压力评估值大小对所述第一替换路线、所述第一备选路线进行标记，得到第三替换通行方案；

根据所述第三替换通行方案，结合预设的交通状态控制基本模型生成所述第一交通状态控制模型。

可选地，所述建筑设施数据、历史交通状况数据和历史环境数据的采集方法，包括：

通过设置在所述施工区域和其周边道路且连接到云服务器的第二智能物联网终端采集第一影像数据和第一环境数据；

将所述第一影像数据和所述第一环境数据实时上传到所述云服务器；

所述云服务器对所述第一影像数据和所述第一环境数据进行处理、识别与分类，得到所述建筑设施数据、所述历史交通状况数据和所述历史环境数据，并分别构建建筑设施数据库、交通状况数据库和环境数据库。

可选地，所述获取所述施工区域的施工规划数据，结合所述第一BIM模型，建立所述施工区域的第一施工进程BIM模型的步骤，包括：

根据所述施工规划数据，在所述第一BIM模型中，给不同部件和元素添加工期属性，写入计划开工时间和完工时间；

根据所述施工规划数据，创建施工进度计划，将其与所述第一BIM模型进行链接，施工进度计划中包括各阶段的活动及时间；

将施工进度计划进行动态模拟，生成不同时间节点的BIM模型，形成带时间属性的施工进程BIM模型；

在所述施工进程BIM模型中设置模拟施工建设全过程的动画效果；

利用加了动画效果的施工进程BIM模型进行虚拟施工模拟，根据施工方案设置模块化的施工单元，赋予每一施工单元以时间信息，得到所述第一施工进程BIM模型；

将所述第一施工进程BIM模型与施工进度管理系统进行数据交换，实现所述第一施工进程BIM模型的动态更新。

可选地，在所述云服务器对所述第一影像数据和所述第一环境数据进行处理、识别与分类，得到所述建筑设施数据、所述历史交通状况数据和所述历史环境数据，并分别构建建筑设施数据库、交通状况数据库和环境数据库的步骤之后，还包括：

使用计算机视觉技术和深度学习算法，对所述历史交通状况数据进行分析，得到第一车辆数据、所述第一用户的第一用户数据和不同时间段的第一交通流量数据；

对所述历史环境数据和所述第一交通流量数据进行深度学习分析，建立环境因素与交通流变化之间的第一相关性模型。

可选地，所述根据所述第二施工进程BIM模型、所述历史交通状况数据、所述历史环境数据和所述第二关键因素，得到所述施工区域的第一预期交通状态数据的步骤，包括：

在所述历史环境数据中选择第一预设周期内的第一预设周期环境数据，并结合所述第一预设周期环境数据和所述第一相关性模型，得到第一预期交通流量数据；

所述历史交通数据中选择所述第一预设周期内的第一预设周期交通速度数据、第一预设周期交通延误数据、第一预设周期事故数据、第一预设周期违章数据、第一预设周期道路容量数据、第一预设周期公共交通工具统计数据、第一预设周期交通工具统计数据；

根据所述第二施工进程BIM模型、所述第一预期交通流量数据、所述第一预设周期交通速度数据、所述第一预设周期事故数据、所述第一预设周期违章数据、所述第一预设周期道路容量数据、所述第一预设周期公共交通工具统计数据、所述第一预设周期交通工具统计数据和所述第二关键因素，得到所述第一预期交通状态数据。

可选地，所述基于所述第三施工进程BIM模型，利用人工智能算法，生成多个不同的第一施工方案的步骤，包括：

从所述第三施工进程BIM模型中提取第一关键施工参数；

将所述第一关键施工参数输入预设的第一人工智能算法生成多个施工方案；

对每个所述施工方案，利用所述第三施工进程BIM模型进行模拟评估，计算出该方案的评估结果；

将所述评估结果和第一优化目标输入所述第一人工智能算法，得到多个优化后的施工方案；

将所述优化后的施工方案作为所述第一施工方案。

可选地，所述对多个所述第一施工方案进行全面的评估，预测并比较所述第一施工方案的施工进度、成本、安全性和交通影响几个维度加权评估值，选择出最佳施工方案的步骤，包括：

结合所述第三施工进程BIM模型模拟每个所述第一施工方案，并根据预设的施工进度评估模型得到每个所述第一施工方案的施工时间进度安排的进度评估值；

计算每个所述第一施工方案的施工成本；

评估每个所述第一施工方案的危险影响值；

根据所述第二预期交通状态数据，预测每个所述第一施工方案在不同施工阶段对交通的交通影响值；

构建一个综合评分函数，整合所述进度评估值、所述施工成本、所述危险影响值和所述交通影响值，按权重计算出每个所述第一施工方案的总体评分，确定所述总体评分最高的施工方案为所述最佳施工方案。

可选地，所述在根据所述最佳施工方案进行施工的过程中，利用第一智能物联网终端收集第一监测数据，利用人工智能技术从所述第一监测数据中识别实时施工状况数据、实时交通状态数据，并根据所述实时施工状况数据和所述实时交通状态数据动态调整和优化所述最佳施工方案的步骤，包括：

将所述第一监测数据输入到已训练好的第一识别模型中，得到所述实时施工状况数据、所述实时交通状态数据；

将所述实时交通状态数据输入预设的第一交通状态评估模型，得到第一交通状态评估结果；

将所述实时施工状况数据与所述最佳施工方案的模拟施工过程进行对比，得到第一偏差数据；

当所述第一交通状态评估结果超过第一预设阈值和/或所述第一偏差数据超过第二预设阈值，则启动施工方案调整优化模块，快速生成多种调整方案；

对新生成的所述调整方案，结合所述第三施工进程BIM模型模拟，预测所述调整方案的实施效果；

对所述实际效果进行评估，选择评估结果最佳的调整方案；

根据所述调整方案对所述最佳施工方案进行优化。

本发明的另一方面提供一种基于人工智能的市政工程施工方案优化系统，包括：云服务器、与所述云服务器通信连接的物联网服务器、与所述物联网服务器通信连接的第一智能物联网终端；其中，

所述云服务器被配置为：

获取施工区域的建筑设施数据、历史交通状况数据和历史环境数据；

根据所述建筑设施数据构建所述施工区域的第一BIM模型；

获取所述施工区域的施工规划数据，结合所述第一BIM模型，建立所述施工区域的第一施工进程BIM模型；

利用人工智能技术对所述建筑设施数据、所述历史交通状况数据和所述历史环境数据进行分析，得到影响施工状态的第一关键因素和影响交通状态的第二关键因素；

根据所述第一施工进程BIM模型、所述历史交通状况数据、所述历史环境数据、所述第一关键因素，得到所述施工区域的第一预期施工状态数据；

根据所述第一预期施工状态数据对所述第一施工进程BIM模型进行修改，得到第二施工进程BIM模型；

根据所述第二施工进程BIM模型、所述历史交通状况数据、所述历史环境数据和所述第二关键因素，得到所述施工区域的第一预期交通状态数据；

根据所述第一预期交通状态数据、第一交通状态控制模型得到第二预期交通状态数据；

根据所述第二预期交通状态数据、所述第一关键因素和所述第二关键因素得到第二预期施工状态数据；

根据所述第二预期施工状态数据对所述第二施工进程BIM模型进行修改得到第三施工进程BIM模型；

基于所述第三施工进程BIM模型，利用人工智能算法，生成多个不同的第一施工方案；

对多个所述第一施工方案进行全面的评估，预测并比较所述第一施工方案的施工进度、成本、安全性和交通影响几个维度加权评估值，选择出最佳施工方案；

在根据所述最佳施工方案进行施工的过程中，利用所述第一智能物联网终端收集第一监测数据，利用人工智能技术从所述第一监测数据中识别实时施工状况数据、实时交通状态数据，并根据所述实时施工状况数据和所述实时交通状态数据动态调整和优化所述最佳施工方案。

采用本发明的技术方案，基于人工智能的市政工程施工方案优化方法包括：获取施工区域的建筑设施数据、历史交通状况数据和历史环境数据；根据所述建筑设施数据构建所述施工区域的第一BIM模型；获取所述施工区域的施工规划数据，结合所述第一BIM模型，建立所述施工区域的第一施工进程BIM模型；利用人工智能技术对所述建筑设施数据、所述历史交通状况数据和所述历史环境数据进行分析，得到影响施工状态的第一关键因素和影响交通状态的第二关键因素；根据所述第一施工进程BIM模型、所述历史交通状况数据、所述历史环境数据、所述第一关键因素，得到所述施工区域的第一预期施工状态数据；根据所述第一预期施工状态数据对所述第一施工进程BIM模型进行修改，得到第二施工进程BIM模型；根据所述第二施工进程BIM模型、所述历史交通状况数据、所述历史环境数据和所述第二关键因素，得到所述施工区域的第一预期交通状态数据；根据所述第一预期交通状态数据、第一交通状态控制模型得到第二预期交通状态数据；根据所述第二预期交通状态数据、所述第一关键因素和所述第二关键因素得到第二预期施工状态数据；根据所述第二预期施工状态数据对所述第二施工进程BIM模型进行修改得到第三施工进程BIM模型；基于所述第三施工进程BIM模型，利用人工智能算法，生成多个不同的第一施工方案；对多个所述第一施工方案进行全面的评估，预测并比较所述第一施工方案的施工进度、成本、安全性和交通影响几个维度加权评估值，选择出最佳施工方案；在根据所述最佳施工方案进行施工的过程中，利用第一智能物联网终端收集第一监测数据，利用人工智能技术从所述第一监测数据中识别实时施工状况数据、实时交通状态数据，并根据所述实时施工状况数据和所述实时交通状态数据动态调整和优化所述最佳施工方案。通过本发明实施例，分析交通流量变化规律，可以找出施工带来的交通影响，进而对施工方案进行优化改进，从而可以用深度学习持续分析交通和环境数据，来优化施工方案，降低施工对交通的影响。

附图说明

图1是本发明一个实施例提供的基于人工智能的市政工程施工方案优化方法的流程图；

图2是本发明一个实施例提供的基于人工智能的市政工程施工方案优化系统的示意框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

下面参照图1至图2来描述根据本发明一些实施方式提供的一种基于人工智能的市政工程施工方案优化方法及系统。

如图1所示，本发明一个实施例提供一种基于人工智能的市政工程施工方案优化方法，包括：

获取施工区域的建筑设施数据(包括但不限于建筑物、道路设施等设施及其附属设施的三维点云数据、图纸数据、属性数据、用途数据等)、历史交通状况数据和历史环境数据；

根据所述建筑设施数据构建所述施工区域的第一BIM模型；

获取所述施工区域的施工规划数据，结合所述第一BIM模型，建立所述施工区域的第一施工进程BIM模型；

利用人工智能技术对所述建筑设施数据、所述历史交通状况数据和所述历史环境数据进行分析，得到影响施工状态的第一关键因素和影响交通状态的第二关键因素(对第一关键因素和第二关键因素进行处理分析，根据施工状态与交通状态间的动态影响关系，得到第一关键因素与第二关键因素间最优平衡关系)；

根据所述第一施工进程BIM模型、所述历史交通状况数据、所述历史环境数据、所述第一关键因素，得到所述施工区域的第一预期施工状态数据；

根据所述第一预期施工状态数据对所述第一施工进程BIM模型进行修改，得到第二施工进程BIM模型；

根据所述第二施工进程BIM模型、所述历史交通状况数据、所述历史环境数据和所述第二关键因素，得到所述施工区域的第一预期交通状态数据；

根据所述第一预期交通状态数据、第一交通状态控制模型得到第二预期交通状态数据；

根据所述第二预期交通状态数据、所述第一关键因素和所述第二关键因素得到第二预期施工状态数据；

根据所述第二预期施工状态数据对所述第二施工进程BIM模型进行修改得到第三施工进程BIM模型；

基于所述第三施工进程BIM模型，利用人工智能算法，生成多个不同的第一施工方案(优化目标包括缩短施工时间、降低交通影响等)；

对多个所述第一施工方案进行全面的评估，预测并比较所述第一施工方案的施工进度、成本、安全性和交通影响几个维度加权评估值，选择出最佳施工方案；

在根据所述最佳施工方案进行施工的过程中，利用第一智能物联网终端收集第一监测数据，利用人工智能技术从所述第一监测数据中识别实时施工状况数据、实时交通状态数据，并根据所述实时施工状况数据和所述实时交通状态数据动态调整和优化所述最佳施工方案。

在本实施例中，施工区域的建筑设施包括但不限于各类建筑物、构筑物、物理设施及附属设备等，如房屋楼宇、城市道路(含桥梁)、城市轨道交通设施、给排水系统、燃气系统、热力系统、园林绿化系统、环境卫生系统、道路照明系统、垃圾处理设备、城市公共娱乐场地、场馆等设施及附属设施等。具体地，城市道路及其设施包括城市机动车道、非机动车道、人行道、公共停车场、广场、管道廊道和安全通道、路肩、护栏、路牌、道路建设用地和道路绿化控制等道路附属设施；城市公共娱乐设施包括公园、公共锻炼场所、体育场馆及其附属设施；城市桥涵及其设施，包括城市桥梁、隧道、涵洞、立交桥、人行天桥、地下通道等附属设施；城市排水设施包括城市雨水管道、污水管道、雨污合流管道、排水河沟、泵站、污水处理厂等附属设施；城市防洪设施包括城市防洪堤、河坝、防洪墙、排水泵站、溢洪道等附属设施；城市道路照明设施包括城市道路、桥梁、地下通道、广场、公共绿地和风景名胜区的照明设施；城市建设公共设施包括城市供水、供气(燃气、天然气、液化石油气)、集中供热管网、城市公共交通供电线路等附属设施；城市固体废物处理设施包括用于发电的城市固体废物(包括粪便)的清洁、收集、转运、处置、卫生填埋或焚烧设施等；城市文明建设设施包括城市户外公共服务广告宣传栏和公共服务活动场所建设等。

在本发明实施例中，历史交通状况数据(交通状况数据)包括但不限于：交通流量数据，包括反映交通高峰和低峰时段的不同时间段的交通流量和反映路网分布情况的不同路段的交通流量等；交通速度数据，包括不同路段的平均车速数据和高峰时段的交通拥堵速度等；交通延误数据，包括交通拥堵造成的额外耗时、交通信号灯延误时间等；事故数据，包括不同路段的交通事故数量统计、事故高发路段和时间段、事故原因分析等；违章数据，包括不同路段的违章停车、闯红灯等违章数据等；道路容量数据，包括不同路段的道路设计容量和实际容量；对公交、出租车等公共交通的统计数据，包括客流量、运力、载客率等数据；交通工具统计数据，如交通工具类型、数量等；这些交通状况的数据，可以帮助分析路网交通状况和问题，评估新规划方案的影响，进行交通预测，并作为智能市政施工和智能交通管理决策的基础数据。

在本实施例中，历史环境数据(环境数据)包括但不限于：气象数据，包括光照、温度、湿度、风力、降雨等数据；噪声数据；空气质量数据，可以监测并获取大气颗粒物浓度、二氧化硫浓度等空气质量数据；地表沉降数据，可以通过公路沉降监测和建筑沉降监测获取相关数据；地下水位数据，可以通过地下水监测井获取地下水位数据，以监测施工对地下水的影响；绿化植被数据等。综合利用多源环境数据，可以更全面地评估施工对周边环境的影响，进行风险预测和预警，制定科学的施工方案。

在本发明实施例中，施工规划数据包括但不限于：工程范围和目标，即明确工程建设的范围、规模、要求等目标；设计资料数据，包括设计图纸、设备列表、材料标准等方面的数据；施工进度计划，包括工程分期计划、各施工作业进度安排等；资源需求，包括人力、设备、材料需求清单等；施工组织，包括施工单位、分包单位等的数据；质量方案，包括质量检测计划、标准等；安全方案，包括安全管理制度、风险分析等数据；环境保护要求，包括环保设施计划、废弃物处理等方面的措施与要求等；交通管理，包括施工道路交通管理方案、替换路线确定方案等；收集整理这些数据，可以运用BIM、GIS等技术建立信息模型，对施工规划进行科学合理的管理，是智能化施工的关键。

本发明实施例，可以分析交通流量变化规律，找出施工带来的交通影响，进而对施工方案进行优化改进，从而可以用深度学习持续分析交通和环境数据来优化施工方案，降低施工对交通的影响。

在本发明一些可能的实施方式中，影响施工状态的第一关键因素包括但不限于：施工区域的地质情况(如土层情况、地下水位等对挖掘支护难度有影响等)；工程结构的设计方案(结构设计的合理性直接影响施工难度)；施工技术条件(如施工设备、技术水平和管理水平等影响进度)；材料的供应状况(如材料供应是否及时充足影响施工进度)；劳动力资源配备(如人员数量、专业技能影响项目效率等)；资金支付进度(资金不足会导致施工停滞)；气候环境情况(如气温、降雨等影响室外施工作业)；周边环境风险因素(如噪声控制、交通组织等环境约束条件)；安全管理水平(如安全生产措施是否到位直接影响工程质量)；施工设备间的协同调度等。影响交通状态的第二关键因素包括但不限于：施工占道情况(施工对道路和交通设施的占用和影响)、施工车辆出入情况(施工车辆进出场次增加交通流量)、道路容量减少(施工减少可用车道数，降低道路容量)、交通组织调整(施工导致的交通迂回、绕行增加延误)、交通管制措施(施工区域设置的交通管制增加通行难度)、道路损坏增加(施工车辆损坏道路增加事故隐患)、噪声、粉尘污染加剧(施工作业造成的环境污染影响交通)、施工人员通行(大量施工人员出入增加交通压力)、道路设备设施遮挡(施工对交通信号、标志的遮挡影响通行)、交通疏导情况(施工信息发布和疏导指引不足会导致交通异常)；这些因素会对交通状态产生重要影响，是需要重点考虑的关键因素。

所述利用人工智能技术对所述建筑设施数据、所述历史交通状况数据和所述历史环境数据进行分析，得到影响施工状态的第一关键因素和影响交通状态的第二关键因素的步骤，包括：

使用机器学习算法(如线性回归、随机森林等)建立模型，分析各类数据与施工状态及交通状态的关系，识别出与施工状态最相关的影响因素作为第一关键因素、与交通状态最相关的影响因素作为第二关键因素；

对第一关键因素，可以使用关联规则分析、决策树等算法分析其与施工进度、安全、质量等的动态关系，建立第一影响模型；

对第二关键因素，可以使用时间序列分析、深度学习等算法分析其与交通拥堵、事故率、环境影响等的动态关系，建立第二影响模型；

将第一影响模型和第二影响模型整合进行多目标规划，构建优化模型，实现第一关键因素和第二关键因素间的动态平衡和协同优化，获得最优决策方案；

设定阈值约束，并引入评估反馈机制，当评估指标出现异常时，及时调整相关的第一关键因素和/或第二关键因素，保证系统动态平衡；

通过仿真验证优化模型的有效性，并进行参数调整，使之适应实际情况。

在本实施例中，可以科学地利用人工智能技术实现关键因素的识别、建模、优化协同，使施工状态和交通状态达到最佳平衡。

在本发明一些可能的实施方式中，第一/二/三施工进程BIM模型包括施工进度计划(如施工设备数量和型号、施工区域顺序、施工时间安排等)。

在本发明一些可能的实施方式中，所述根据所述第一施工进程BIM模型、所述历史交通状况数据、所述历史环境数据、所述第一关键因素，得到所述施工区域的第一预期施工状态数据的步骤，包括：

从所述第一施工进程BIM模型中提取第一施工数据(包括工程范围、进度计划、空间信息等数据)；

对所述历史交通状况数据、所述历史环境数据进行数据清洗并从中识别与第一关键因素对应的第一关键数据(如交通状态、噪音级别、空气质量等)；

将第一施工数据、第一关键数据输入施工状态预测模型(根据历史施工数据和第一关键因素对应的历史数据，应用机器学习算法训练得到)，得到第一预期施工状态数据。

通过这样的流程，可以智能化地利用BIM、历史数据和关键因素，来预测和评估施工状态，供后续方案制定参考。必要时还可以采取措施优化模型，提升预测准确性。

在本发明一些可能的实施方式中，所述根据所述第一预期施工状态数据对所述第一施工进程BIM模型进行修改，得到第二施工进程BIM模型的步骤，包括：

在所述第一施工进程BIM模型中标识可修改的信息，如工期、进度、施工方法等；

提取第一预期施工状态数据中的工期和进度信息，找到与所述第一施工进程BIM模型中可修改信息的对应关系；

开发模型参数映射表，确定第一预期施工状态数据如何映射并应用于所述第一施工进程BIM模型；

将修改信息批量写入所述第一施工进程BIM模型对应的可编辑视图或属性表中；

将修改后的信息应用到模型中，进行凸显显示；

检查修改后的所述第一施工进程BIM模型，核实进度和施工状态变化是否逻辑一致；

对存在不匹配的地方进行重新修改，直到第二施工进程BIM模型更新完毕；

对第二BIM模型进行信息优化，提高模型的逻辑性、完整性与可视化；

最终形成基于第一预期施工状态调整后的第二施工进程BIM模型。

在本实施例中，通过与BIM软件的深度融合，可以实现对4D BIM的有效升级和迭代，使之动态适应实际施工状态。

在本发明一些可能的实施方式中，所述根据所述第一预期交通状态数据、第一交通状态控制模型得到第二预期交通状态数据的步骤，包括：

收集产生第一预期交通状态数据的相关参数，如施工方案、交通组织方案等；

在第一交通状态控制模型中输入这些参数，进行一次模拟预测，生成第一模拟交通状态数据；

分析第一模拟交通状态数据与预设目标值之间的差异；

确定第一交通状态控制模型中可以调整的变量，如添加临时通行车道、调整信号灯周期、规划额外路线等；

调整第一交通状态控制模型的关键变量参数，进行多次模拟，使第一模拟交通状态数据逐步逼近预设目标值；

对比多次模拟结果，选择使第一模拟交通状态数据与预设目标值相差最小的一组参数设定作为第一修改数据；

利用第一修改数据对第一预期交通状态数据进行修改，得到第二预期交通状态数据。

还可以包括：验证数据的有效性，必要时进行模型调优，最终获得满足目标的第二预期交通状态数据。

本实施例中，通过控制模型的多次仿真计算、分析调整，可以科学合理地得到交通流改善后的预期状态数据。

在本发明一些可能的实施方式中，所述根据所述第二预期交通状态数据、所述第一关键因素和所述第二关键因素得到第二预期施工状态数据的步骤，包括：

根据所述第二预期交通状态数据，分析交通状况预计改善情况；

在第一关键因素基础上，得到第二关键因素的变化数据，如施工交通配合改善、环境影响减轻等；

构建关联分析模型，识别交通状态变化通过第二关键因素对施工的影响机制；

利用仿真技术，设置不同的参数组合，预测交通改善对施工时间、质量、成本的潜在影响；

结合项目优先级和资源约束条件，确定施工的目标改进方向；

调整模型参数，进行多组仿真计算，得到满足项目目标的施工方案调整预案；

评估调整预案的合理性，选择最佳的预案，形成第二预期施工状态数据；

对第二预期施工状态数据进行验证，必要时调整模型与参数，进行再模拟；

最终获得基于交通及相关因素综合考量的第二预期施工状态数据。

在本实施例中，通过模型预测、多方案比较，并经验证，可以得到科学、合理的施工状态预期数据。

在本发明一些可能的实施方式中，所述根据所述第二预期施工状态数据对所述第二施工进程BIM模型进行修改得到第三施工进程BIM模型的步骤，包括：

在本发明一些可能的实施方式中，还包括：

根据所述建筑设施数据(包括但不限于建筑物、道路设施等设施及其附属设施的三维点云数据、图纸数据、属性数据、用途数据等)、历史交通状况数据和历史环境数据确定经过所述施工区域的第一用户的第一通行需求(包括通行方式、行程数据等)；

根据所述第一施工进程BIM模型和所述第一通行需求，生成包含多个第一替换通行路线的第一替换通行方案(包括根据施工进度在什么时候选择替换方案、选择哪条替换通行路线等)；

根据所述第一施工进程BIM模型生成施工影响评估结果，并将所述施工影响评估结果(包括对所述施工区域的各种通行方式的影响时间、影响范围、影响程度等)发送至所述第一用户的车辆终端和/或用户终端；

根据所述车辆终端和/或所述用户终端对所述施工影响评估结果的第一反馈数据，得到所述第一用户的第一备选路线；

在本步骤中，所述车辆终端和/或所述用户终端在所述施工影响评估结果后，可以根据所述施工影响评估结果(包括对所述施工区域的各种通行方式的影响时间、影响范围、影响程度等)确定其备选出行方案/备选路线，并将其作为第一反馈数据进行反馈；

将所述第一备选路线整合至所述第一替换通行方案得到第二替换通行方案；

分别获取所述第一替换通行路线的第一历史交通状况数据和所述第一备选路线的第二历史交通状况数据；

结合所述第一通行需求，分别根据所述第一历史交通状况数据对所述第一替换路线的交通压力进行模拟、根据所述第二历史交通状况数据对所述第一备选路线的交通压力进行模拟，按交通压力评估值大小对所述第一替换路线、所述第一备选路线进行标记，得到第三替换通行方案；

根据所述第三替换通行方案，结合预设的交通状态控制基本模型(可以结合历史交通状态控制数据和深度学习神经网络进行训练得到)生成所述第一交通状态控制模型。

在本发明一些可能的实施方式中，所述建筑设施数据、历史交通状况数据和历史环境数据的采集方法，包括：

通过设置在所述施工区域和其周边道路且连接到云服务器的第二智能物联网终端(如视频摄像头和环境监测传感器等)采集第一影像数据和第一环境数据；

将所述第一影像数据和所述第一环境数据实时上传到所述云服务器；

所述云服务器对所述第一影像数据和所述第一环境数据进行处理、识别与分类，得到所述建筑设施数据、所述历史交通状况数据和所述历史环境数据，并分别构建建筑设施数据库、交通状况数据库和环境数据库。

在本发明一些可能的实施方式中，所述获取所述施工区域的施工规划数据，结合所述第一BIM模型，建立所述施工区域的第一施工进程BIM模型的步骤，包括：

根据所述施工规划数据，在所述第一BIM模型中，给不同部件和元素添加工期属性，写入计划开工时间和完工时间；

根据所述施工规划数据，创建施工进度计划，将其与所述第一BIM模型进行链接，施工进度计划中包括各阶段的活动及时间；

将施工进度计划进行动态模拟，生成不同时间节点的BIM模型，形成带时间属性的施工进程BIM模型；

在所述施工进程BIM模型中设置模拟施工建设全过程的动画效果；

利用加了动画效果的施工进程BIM模型进行虚拟施工模拟，根据施工方案设置模块化的施工单元，赋予每一施工单元以时间信息，得到所述第一施工进程BIM模型；

将所述第一施工进程BIM模型与施工进度管理系统进行数据交换，实现所述第一施工进程BIM模型的动态更新。

通过本实施例的方案，施工进程BIM模型可以具备时间和进度信息，成为反映工程施工进展的四维虚拟平台，用于进度监控和过程管理。

在本发明一些可能的实施方式中，在所述云服务器对所述第一影像数据和所述第一环境数据进行处理、识别与分类，得到所述建筑设施数据、所述历史交通状况数据和所述历史环境数据，并分别构建建筑设施数据库、交通状况数据库和环境数据库的步骤之后，还包括：

使用计算机视觉技术和深度学习算法(如YOLO、RNN等)，对所述历史交通状况数据(如视频流)进行分析，得到第一车辆数据(如类型、数量、速度等)、所述第一用户的第一用户数据(包括年龄、性别等基本信息，通行方式，历史行程轨迹等)和不同时间段的第一交通流量数据；

对所述历史环境数据和所述第一交通流量数据进行深度学习分析，建立环境因素与交通流变化之间的第一相关性模型(如将交通流量数据和环境数据融合，构建一个关联分析模型，比如卷积LSTM，训练该模型，使其学习交通流量受环境因素的影响规律)；

在本发明实施例中，利用训练好的第一相关性模型，即可实时预测不同环境下道路的交通流量变化趋势。

在本发明一些可能的实施方式中，所述根据所述第二施工进程BIM模型、所述历史交通状况数据、所述历史环境数据和所述第二关键因素，得到所述施工区域的第一预期交通状态数据的步骤，包括：

在所述历史环境数据中选择第一预设周期内(如一自然年、自然月，或者通过大数据分析得到环境数据具有周期性变化的时间段，或者通过大数据分析得到交通状况数据具有周期性变化的时间段等)的第一预设周期环境数据，并结合所述第一预设周期环境数据和所述第一相关性模型，得到第一预期交通流量数据；

所述历史交通数据中选择所述第一预设周期内的第一预设周期交通速度数据(包括不同路段的平均车速数据和高峰时段的交通拥堵速度等)、第一预设周期交通延误数据(包括交通拥堵造成的额外耗时、交通信号灯延误时间等)、第一预设周期事故数据(包括不同路段的交通事故数量统计、事故高发路段和时间段、事故原因分析等)、第一预设周期违章数据(包括不同路段的违章停车、闯红灯等违章数据等)、第一预设周期道路容量数据(包括不同路段的道路设计容量和实际容量)、第一预设周期公共交通工具统计数据(包括对公交、出租车等公共交通客流量、运力、载客率等数据)、第一预设周期交通工具统计数据(如交通工具类型、数量、速度等数据)；

根据所述第二施工进程BIM模型(包括施工进度计划)、所述第一预期交通流量数据、所述第一预设周期交通速度数据、所述第一预设周期事故数据、所述第一预设周期违章数据、所述第一预设周期道路容量数据、所述第一预设周期公共交通工具统计数据、所述第一预设周期交通工具统计数据和所述第二关键因素，得到所述第一预期交通状态数据。

在本实施例中，利用前述交通状况数据，可以帮助分析路网交通状况和问题，评估新规划方案的影响，进行交通预测，并作为智能市政施工和智能交通管理决策的基础数据。

在本发明一些可能的实施方式中，还包括：

收集施工区现状数据，包括道路情况、管线电缆情况、周边建筑物情况等，建立施工区的BIM三维模型。

将设计的施工方案以及从传感器、摄像头收集到的交通流量、道路使用量等数据导入到BIM模型中，丰富模型的信息。

在BIM模型上标识可能的施工活动区域、车辆流动路线、设施设备位置等。

在BIM软件中设置不同施工阶段的模拟参数，如施工设备、施工人员数量、具体施工步骤等。

运行模拟，BIM软件可以动态模拟出不同施工方案下的施工过程，计算施工时间，并结合导入的交通流量数据，预测车辆通过时间、积压情况。

通过多次模拟比较评估不同施工方案的优劣。也可以修改模型参数重新模拟，以优化施工方案。

最终确定模拟评估结果最优的施工方案，作为实际施工的执行方案。

施工中积累更多数据后，可以继续补充优化BIM模型，调整模拟评估，进一步完善施工方案。

通过这种数字化模拟与数据融合的方法，可以全面评估不同施工方案，制定出一个科学合理的优化方案。

在本发明一些可能的实施方式中，所述基于所述第三施工进程BIM模型，利用人工智能算法，生成多个不同的第一施工方案的步骤，包括：

从所述第三施工进程BIM模型中提取第一关键施工参数(如施工设备数量和型号、施工区域顺序、施工时间安排等)；

将所述第一关键施工参数输入预设的第一人工智能算法(如遗传算法或模拟退火算法等)生成多个施工方案；

对每个所述施工方案，利用所述第三施工进程BIM模型进行模拟评估，计算出该方案的评估结果(包括总施工时间、交通影响等指标的综合评价)；

将所述评估结果和第一优化目标(如总施工时间最小化、交通延误时间最小化，以及确保施工安全等约束条件)输入所述第一人工智能算法，得到多个优化后的施工方案；

将所述优化后的施工方案作为所述第一施工方案。

在本发明一些可能的实施方式中，所述对多个所述第一施工方案进行全面的评估，预测并比较所述第一施工方案的施工进度、成本、安全性和交通影响几个维度加权评估值，选择出最佳施工方案的步骤，包括：

结合所述第三施工进程BIM模型模拟每个所述第一施工方案，并根据预设的施工进度评估模型得到每个所述第一施工方案的施工时间进度安排的进度评估值；

计算每个所述第一施工方案的施工成本(包括人工、设备、材料等费用)；

评估每个所述第一施工方案的危险影响值(如使用的施工机械与路面情况匹配性、施工区通风条件等)；

根据所述第二预期交通状态数据，预测每个所述第一施工方案在不同施工阶段对交通的交通影响值(如道路堵车时间评估值)；

构建一个综合评分函数，整合所述进度评估值、所述施工成本、所述危险影响值和所述交通影响值，按权重计算出每个所述第一施工方案的总体评分，确定所述总体评分最高的施工方案为所述最佳施工方案。

本实施例中，通过这种定量评估和比较的方法，可以有效选择出最优的施工方案。

在本发明一些可能的实施方式中，所述在根据所述最佳施工方案进行施工的过程中，利用第一智能物联网终端收集第一监测数据，利用人工智能技术从所述第一监测数据中识别实时施工状况数据、实时交通状态数据，并根据所述实时施工状况数据和所述实时交通状态数据动态调整和优化所述最佳施工方案的步骤，包括：

将所述第一监测数据输入到已训练好的第一识别模型中，得到所述实时施工状况数据、所述实时交通状态数据；

在本步骤中，第一识别模型可以通过以下步骤得到：收集历史施工监测数据作为训练集，包括视频、图像、传感器数据等；根据监测数据类型，选取合适的深度学习算法，如卷积神经网络、递归神经网络等；使用训练集数据训练网络模型，调整网络结构和超参数，完成模型训练；使用验证集对模型进行测试，评估模型识别精度；最终得到经过训练的施工状态和交通状态的识别模型。

第一识别模型的具体内容包括：

输入层：接收监测数据如图像、视频帧、传感器数值等；

隐藏层：包含卷积层、池化层等，自动提取特征；

输出层：输出施工状态类别或交通状态评估结果；

连接权重：隐藏层间连接权重通过训练学习得到；

激活函数：如ReLU、sigmoid等，引入非线性；

函数：如交叉熵、均方误差等，评估训练效果；

优化器：如Adam等，优化损失函数，更新权重；

通过训练得到的模型参数即构成了第一识别模型，用于识别实时状态数据。

将所述实时交通状态数据输入预设的第一交通状态评估模型，得到第一交通状态评估结果；

在本步骤中，第一交通状态评估模型可以通过以下步骤构建：收集历史交通流量、速度、事故等多源异构交通状态数据；选择评估指标，如交通延误时间、通行能力下降率、事故增长率等；建立交通状态映射关系库，匹配交通状态与评估指标；利用机器学习算法(如SVM、决策树等)训练模型，输入交通状态数据，拟合评估指标；使用验证集测试模型性能，调优超参数，获得最佳交通评估模型。

将所述实时施工状况数据与所述最佳施工方案的模拟施工过程进行对比，得到第一偏差数据；

当所述第一交通状态评估结果超过第一预设阈值和/或所述第一偏差数据超过第二预设阈值，则启动施工方案调整优化模块，快速生成多种调整方案(如更改施工区段顺序、暂停某些作业等)；

对新生成的所述调整方案，结合所述第三施工进程BIM模型(所述第三施工进程BIM模型根据实际施工状况进行实时更新)模拟，预测所述调整方案的实施效果；

对所述实际效果进行评估，选择评估结果最佳的调整方案；

根据所述调整方案对所述最佳施工方案进行优化。

本实施例中，可以将该调整后的方案推送给现场施工机器或人员，通过移动终端实现方案的快速调整与优化，使施工方案能够动态“闭环”更新，保证其可行性。后期还可以收集更多个施工数据，不断完善人工智能模型，实现方案优化的自主持续学习。通过在线自动调整方案，可以使施工更顺应实际情况，保证施工顺利进行。通过人工智能技术进行数据分析、方案生成、评估优化，可以持续改进市政工程施工方案，使其更安全、高效。

请参见图2，本发明另一实施例提供一种基于人工智能的市政工程施工方案优化系统，包括：云服务器、与所述云服务器通信连接的物联网服务器、与所述物联网服务器通信连接的第一智能物联网终端；其中，

所述云服务器被配置为：

获取施工区域的建筑设施数据(包括但不限于建筑物、道路设施等设施及其附属设施的三维点云数据、图纸数据、属性数据、用途数据等)、历史交通状况数据和历史环境数据；

根据所述建筑设施数据构建所述施工区域的第一BIM模型；

获取所述施工区域的施工规划数据，结合所述第一BIM模型，建立所述施工区域的第一施工进程BIM模型；

利用人工智能技术对所述建筑设施数据、所述历史交通状况数据和所述历史环境数据进行分析，得到影响施工状态的第一关键因素和影响交通状态的第二关键因素(对第一关键因素和第二关键因素进行处理分析，根据施工状态与交通状态间的动态影响关系，得到第一关键因素与第二关键因素间最优平衡关系)；

根据所述第一施工进程BIM模型、所述历史交通状况数据、所述历史环境数据、所述第一关键因素，得到所述施工区域的第一预期施工状态数据；

根据所述第一预期施工状态数据对所述第一施工进程BIM模型进行修改，得到第二施工进程BIM模型；

根据所述第二施工进程BIM模型、所述历史交通状况数据、所述历史环境数据和所述第二关键因素，得到所述施工区域的第一预期交通状态数据；

根据所述第一预期交通状态数据、第一交通状态控制模型得到第二预期交通状态数据；

根据所述第二预期交通状态数据、所述第一关键因素和所述第二关键因素得到第二预期施工状态数据；

根据所述第二预期施工状态数据对所述第二施工进程BIM模型进行修改得到第三施工进程BIM模型；

基于所述第三施工进程BIM模型，利用人工智能算法，生成多个不同的第一施工方案(优化目标包括缩短施工时间、降低交通影响等)；

对多个所述第一施工方案进行全面的评估，预测并比较所述第一施工方案的施工进度、成本、安全性和交通影响几个维度加权评估值，选择出最佳施工方案；

在根据所述最佳施工方案进行施工的过程中，利用所述第一智能物联网终端收集第一监测数据，利用人工智能技术从所述第一监测数据中识别实时施工状况数据、实时交通状态数据，并根据所述实时施工状况数据和所述实时交通状态数据动态调整和优化所述最佳施工方案。

在本实施例中，施工区域的建筑设施包括但不限于各类建筑物、构筑物、物理设施及附属设备等，如房屋楼宇、城市道路(含桥梁)、城市轨道交通设施、给排水系统、燃气系统、热力系统、园林绿化系统、环境卫生系统、道路照明系统、垃圾处理设备、城市公共娱乐场地、场馆等设施及附属设施等。具体地，城市道路及其设施包括城市机动车道、非机动车道、人行道、公共停车场、广场、管道廊道和安全通道、路肩、护栏、路牌、道路建设用地和道路绿化控制等道路附属设施；城市公共娱乐设施包括公园、公共锻炼场所、体育场馆及其附属设施；城市桥涵及其设施，包括城市桥梁、隧道、涵洞、立交桥、人行天桥、地下通道等附属设施；城市排水设施包括城市雨水管道、污水管道、雨污合流管道、排水河沟、泵站、污水处理厂等附属设施；城市防洪设施包括城市防洪堤、河坝、防洪墙、排水泵站、溢洪道等附属设施；城市道路照明设施包括城市道路、桥梁、地下通道、广场、公共绿地和风景名胜区的照明设施；城市建设公共设施包括城市供水、供气(燃气、天然气、液化石油气)、集中供热管网、城市公共交通供电线路等附属设施；城市固体废物处理设施包括用于发电的城市固体废物(包括粪便)的清洁、收集、转运、处置、卫生填埋或焚烧设施等；城市文明建设设施包括城市户外公共服务广告宣传栏和公共服务活动场所建设等。

在本发明实施例中，历史交通状况数据(交通状况数据)包括但不限于：交通流量数据，包括反映交通高峰和低峰时段的不同时间段的交通流量和反映路网分布情况的不同路段的交通流量等；交通速度数据，包括不同路段的平均车速数据和高峰时段的交通拥堵速度等；交通延误数据，包括交通拥堵造成的额外耗时、交通信号灯延误时间等；事故数据，包括不同路段的交通事故数量统计、事故高发路段和时间段、事故原因分析等；违章数据，包括不同路段的违章停车、闯红灯等违章数据等；道路容量数据，包括不同路段的道路设计容量和实际容量；对公交、出租车等公共交通的统计数据，包括客流量、运力、载客率等数据；交通工具统计数据，如交通工具类型、数量等；这些交通状况的数据，可以帮助分析路网交通状况和问题，评估新规划方案的影响，进行交通预测，并作为智能市政施工和智能交通管理决策的基础数据。

在本实施例中，历史环境数据(环境数据)包括但不限于：气象数据，包括光照、温度、湿度、风力、降雨等数据；噪声数据；空气质量数据，可以监测并获取大气颗粒物浓度、二氧化硫浓度等空气质量数据；地表沉降数据，可以通过公路沉降监测和建筑沉降监测获取相关数据；地下水位数据，可以通过地下水监测井获取地下水位数据，以监测施工对地下水的影响；绿化植被数据等。综合利用多源环境数据，可以更全面地评估施工对周边环境的影响，进行风险预测和预警，制定科学的施工方案。

本发明实施例，可以分析交通流量变化规律，找出施工带来的交通影响，进而对施工方案进行优化改进，从而可以用深度学习持续分析交通和环境数据来优化施工方案，降低施工对交通的影响。

在本发明一些可能的实施方式中，第一/二/三施工进程BIM模型包括施工进度计划(如施工设备数量和型号、施工区域顺序、施工时间安排等)。

应当知道的是，图2所示的基于人工智能的市政工程施工方案优化系统的框图仅作示意，其所示出的各模块的数量并不对本发明的保护范围进行限定。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，可轻易想到变化或替换，均可作各种更动与修改，包含上述不同功能、实施步骤的组合，包含软件和硬件的实施方式，均在本发明的保护范围。

Claims (5)

1.一种基于人工智能的市政工程施工方案优化方法，其特征在于，包括：

获取施工区域的建筑设施数据、历史交通状况数据和历史环境数据；

根据所述建筑设施数据构建所述施工区域的第一BIM模型；

获取所述施工区域的施工规划数据，结合所述第一BIM模型，建立所述施工区域的第一施工进程BIM模型，具体包括：根据所述施工规划数据，在所述第一BIM模型中，给不同部件和元素添加工期属性，写入计划开工时间和完工时间；根据所述施工规划数据，创建施工进度计划，将其与所述第一BIM模型进行链接，施工进度计划中包括各阶段的活动及时间；将施工进度计划进行动态模拟，生成不同时间节点的BIM模型，形成带时间属性的施工进程BIM模型；在所述施工进程BIM模型中设置模拟施工建设全过程的动画效果；利用加了动画效果的施工进程BIM模型进行虚拟施工模拟，根据施工方案设置模块化的施工单元，赋予每一施工单元以时间信息，得到所述第一施工进程BIM模型；将所述第一施工进程BIM模型与施工进度管理系统进行数据交换，实现所述第一施工进程BIM模型的动态更新；

利用人工智能技术对所述建筑设施数据、所述历史交通状况数据和所述历史环境数据进行分析，得到影响施工状态的第一关键因素和影响交通状态的第二关键因素；

根据所述第一施工进程BIM模型、所述历史交通状况数据、所述历史环境数据、所述第一关键因素，得到所述施工区域的第一预期施工状态数据，具体包括：从所述第一施工进程BIM模型中提取第一施工数据；对所述历史交通状况数据、所述历史环境数据进行数据清洗并从中识别与第一关键因素对应的第一关键数据；将第一施工数据、第一关键数据输入施工状态预测模型，得到第一预期施工状态数据，其中，所述施工状态预测模型根据历史施工数据和所述第一关键因素对应的历史数据，应用机器学习算法训练得到；

根据所述第一预期施工状态数据对所述第一施工进程BIM模型进行修改，得到第二施工进程BIM模型；

根据所述第二施工进程BIM模型、所述历史交通状况数据、所述历史环境数据和所述第二关键因素，得到所述施工区域的第一预期交通状态数据；

根据所述第一预期交通状态数据、第一交通状态控制模型得到第二预期交通状态数据，具体包括：收集产生所述第一预期交通状态数据的相关参数；在第一交通状态控制模型中输入这些参数，进行一次模拟预测，生成第一模拟交通状态数据；分析所述第一模拟交通状态数据与预设目标值之间的差异；确定所述第一交通状态控制模型中可以调整的变量；调整所述第一交通状态控制模型的关键变量参数，进行多次模拟，使所述第一模拟交通状态数据逐步逼近预设目标值；对比多次模拟结果，选择使所述第一模拟交通状态数据与预设目标值相差最小的一组参数作为第一修改数据；利用所述第一修改数据对所述第一预期交通状态数据进行修改，得到第二预期交通状态数据；其中，所述第一交通状态控制模型的生成方法包括：根据所述建筑设施数据、历史交通状况数据和历史环境数据确定经过所述施工区域的第一用户的第一通行需求；根据所述第一施工进程BIM模型和所述第一通行需求，生成包含多个第一替换通行路线的第一替换通行方案；根据所述第一施工进程BIM模型生成施工影响评估结果，并将所述施工影响评估结果发送至所述第一用户的车辆终端和/或用户终端；根据所述车辆终端和/或所述用户终端对所述施工影响评估结果的第一反馈数据，得到所述第一用户的第一备选路线；将所述第一备选路线整合至所述第一替换通行方案得到第二替换通行方案；分别获取所述第一替换通行路线的第一历史交通状况数据和所述第一备选路线的第二历史交通状况数据；结合所述第一通行需求，分别根据所述第一历史交通状况数据对所述第一替换通行路线、根据所述第二历史交通状况数据对所述第一备选路线的交通压力进行模拟，按交通压力评估值大小对所述第一替换通行路线、所述第一备选路线进行标记，得到第三替换通行方案；根据所述第三替换通行方案，结合预设的交通状态控制基本模型生成所述第一交通状态控制模型，其中，所述交通状态控制基本模型是结合历史交通状态控制数据和深度学习神经网络进行训练得到；

根据所述第二预期交通状态数据、所述第一关键因素和所述第二关键因素得到第二预期施工状态数据，具体包括：根据所述第二预期交通状态数据，分析交通状况预计改善情况；在所述第一关键因素基础上，得到所述第二关键因素的变化数据；构建关联分析模型，识别交通状态变化通过所述第二关键因素对施工的影响机制；利用仿真技术，设置不同的参数组合，预测交通改善对施工时间、质量、成本的潜在影响；结合项目优先级和资源约束条件，确定施工的目标改进方向；调整模型参数，进行多组仿真计算，得到满足项目目标的施工方案调整预案；评估调整预案的合理性，选择最佳的预案，形成第二预期施工状态数据；对第二预期施工状态数据进行验证，必要时调整模型与参数，进行再模拟；最终获得基于交通及相关因素综合考量的第二预期施工状态数据；

根据所述第二预期施工状态数据对所述第二施工进程BIM模型进行修改得到第三施工进程BIM模型；

基于所述第三施工进程BIM模型，利用人工智能算法，生成多个不同的第一施工方案；

对多个所述第一施工方案进行全面的评估，预测并比较所述第一施工方案的施工进度、成本、安全性和交通影响几个维度加权评估值，选择出最佳施工方案；

在根据所述最佳施工方案进行施工的过程中，利用第一智能物联网终端收集第一监测数据，利用人工智能技术从所述第一监测数据中识别实时施工状况数据、实时交通状态数据，并根据所述实时施工状况数据和所述实时交通状态数据动态调整和优化所述最佳施工方案，具体包括：将所述第一监测数据输入到已训练好的第一识别模型中，得到所述实时施工状况数据、所述实时交通状态数据；将所述实时交通状态数据输入预设的第一交通状态评估模型，得到第一交通状态评估结果；将所述实时施工状况数据与所述最佳施工方案的模拟施工过程进行对比，得到第一偏差数据；当所述第一交通状态评估结果超过第一预设阈值和/或所述第一偏差数据超过第二预设阈值，则启动施工方案调整优化模块，快速生成多种调整方案；对新生成的所述调整方案，结合所述第三施工进程BIM模型模拟，预测所述调整方案的实施效果；对所述实施效果进行评估，选择评估结果最佳的调整方案；根据所述调整方案对所述最佳施工方案进行优化；其中，所述第一交通状态评估模型通过以下步骤构建：收集包括历史交通流量、历史速度数据、历史事故数据的多源异构历史交通状态数据；选择评估指标；建立交通状态映射关系库，匹配交通状态与评估指标；利用机器学习算法训练模型，输入交通状态数据，拟合评估指标；使用验证集测试模型性能，调优超参数，将获得的最佳交通评估模型作为所述第一交通状态评估模型；

使用计算机视觉技术和深度学习算法，对所述历史交通状况数据进行分析，得到第一车辆数据、所述第一用户的第一用户数据和不同时间段的第一交通流量数据；

对所述历史环境数据和所述第一交通流量数据进行深度学习分析，建立环境因素与交通流变化之间的第一相关性模型；

所述根据所述第二施工进程BIM模型、所述历史交通状况数据、所述历史环境数据和所述第二关键因素，得到所述施工区域的第一预期交通状态数据的步骤，包括：

在所述历史环境数据中选择第一预设周期内的第一预设周期环境数据，并结合所述第一预设周期环境数据和所述第一相关性模型，得到第一预期交通流量数据；

在所述历史交通状况数据中选择所述第一预设周期内的第一预设周期交通速度数据、第一预设周期交通延误数据、第一预设周期事故数据、第一预设周期违章数据、第一预设周期道路容量数据、第一预设周期公共交通工具统计数据、第一预设周期交通工具统计数据；

根据所述第二施工进程BIM模型、所述第一预期交通流量数据、所述第一预设周期交通速度数据、所述第一预设周期事故数据、所述第一预设周期违章数据、所述第一预设周期道路容量数据、所述第一预设周期公共交通工具统计数据、所述第一预设周期交通工具统计数据和所述第二关键因素，得到所述第一预期交通状态数据。

2.根据权利要求1所述的基于人工智能的市政工程施工方案优化方法，其特征在于，所述建筑设施数据、历史交通状况数据和历史环境数据的采集方法，包括：

通过设置在所述施工区域和其周边道路且连接到云服务器的第二智能物联网终端采集第一影像数据和第一环境数据；

将所述第一影像数据和所述第一环境数据实时上传到所述云服务器；

所述云服务器对所述第一影像数据和所述第一环境数据进行处理、识别与分类，得到所述建筑设施数据、所述历史交通状况数据和所述历史环境数据，并分别构建建筑设施数据库、交通状况数据库和环境数据库。

3.根据权利要求2所述的基于人工智能的市政工程施工方案优化方法，其特征在于，所述基于所述第三施工进程BIM模型，利用人工智能算法，生成多个不同的第一施工方案的步骤，包括：

从所述第三施工进程BIM模型中提取第一关键施工参数；

将所述第一关键施工参数输入预设的第一人工智能算法生成多个施工方案；

对每个所述施工方案，利用所述第三施工进程BIM模型进行模拟评估，计算出该方案的评估结果；

将所述评估结果和第一优化目标输入所述第一人工智能算法，得到多个优化后的施工方案；

将所述优化后的施工方案作为所述第一施工方案。

4.根据权利要求3所述的基于人工智能的市政工程施工方案优化方法，其特征在于，所述对多个所述第一施工方案进行全面的评估，预测并比较所述第一施工方案的施工进度、成本、安全性和交通影响几个维度加权评估值，选择出最佳施工方案的步骤，包括：

结合所述第三施工进程BIM模型模拟每个所述第一施工方案，并根据预设的施工进度评估模型得到每个所述第一施工方案的施工时间进度安排的进度评估值；

计算每个所述第一施工方案的施工成本；

评估每个所述第一施工方案的危险影响值；

根据所述第二预期交通状态数据，预测每个所述第一施工方案在不同施工阶段对交通的交通影响值；

构建一个综合评分函数，整合所述进度评估值、所述施工成本、所述危险影响值和所述交通影响值，按权重计算出每个所述第一施工方案的总体评分，确定所述总体评分最高的施工方案为所述最佳施工方案。

5.一种基于人工智能的市政工程施工方案优化系统，其特征在于，包括：云服务器、与所述云服务器通信连接的物联网服务器、与所述物联网服务器通信连接的第一智能物联网终端；其中，

所述云服务器被配置为：

获取施工区域的建筑设施数据、历史交通状况数据和历史环境数据；

根据所述建筑设施数据构建所述施工区域的第一BIM模型；

获取所述施工区域的施工规划数据，结合所述第一BIM模型，建立所述施工区域的第一施工进程BIM模型，具体包括：根据所述施工规划数据，在所述第一BIM模型中，给不同部件和元素添加工期属性，写入计划开工时间和完工时间；根据所述施工规划数据，创建施工进度计划，将其与所述第一BIM模型进行链接，施工进度计划中包括各阶段的活动及时间；将施工进度计划进行动态模拟，生成不同时间节点的BIM模型，形成带时间属性的施工进程BIM模型；在所述施工进程BIM模型中设置模拟施工建设全过程的动画效果；利用加了动画效果的施工进程BIM模型进行虚拟施工模拟，根据施工方案设置模块化的施工单元，赋予每一施工单元以时间信息，得到所述第一施工进程BIM模型；将所述第一施工进程BIM模型与施工进度管理系统进行数据交换，实现所述第一施工进程BIM模型的动态更新；

利用人工智能技术对所述建筑设施数据、所述历史交通状况数据和所述历史环境数据进行分析，得到影响施工状态的第一关键因素和影响交通状态的第二关键因素；

根据所述第一施工进程BIM模型、所述历史交通状况数据、所述历史环境数据、所述第一关键因素，得到所述施工区域的第一预期施工状态数据，具体包括：从所述第一施工进程BIM模型中提取第一施工数据；对所述历史交通状况数据、所述历史环境数据进行数据清洗并从中识别与第一关键因素对应的第一关键数据；将第一施工数据、第一关键数据输入施工状态预测模型，得到第一预期施工状态数据，其中，所述施工状态预测模型根据历史施工数据和所述第一关键因素对应的历史数据，应用机器学习算法训练得到；

根据所述第一预期施工状态数据对所述第一施工进程BIM模型进行修改，得到第二施工进程BIM模型；

根据所述第二施工进程BIM模型、所述历史交通状况数据、所述历史环境数据和所述第二关键因素，得到所述施工区域的第一预期交通状态数据；

根据所述第一预期交通状态数据、第一交通状态控制模型得到第二预期交通状态数据，具体包括：收集产生所述第一预期交通状态数据的相关参数；在第一交通状态控制模型中输入这些参数，进行一次模拟预测，生成第一模拟交通状态数据；分析所述第一模拟交通状态数据与预设目标值之间的差异；确定所述第一交通状态控制模型中可以调整的变量；调整所述第一交通状态控制模型的关键变量参数，进行多次模拟，使所述第一模拟交通状态数据逐步逼近预设目标值；对比多次模拟结果，选择使所述第一模拟交通状态数据与预设目标值相差最小的一组参数作为第一修改数据；利用所述第一修改数据对所述第一预期交通状态数据进行修改，得到第二预期交通状态数据，其中，所述第一交通状态控制模型的生成方法包括：根据所述建筑设施数据、历史交通状况数据和历史环境数据确定经过所述施工区域的第一用户的第一通行需求；根据所述第一施工进程BIM模型和所述第一通行需求，生成包含多个第一替换通行路线的第一替换通行方案；根据所述第一施工进程BIM模型生成施工影响评估结果，并将所述施工影响评估结果发送至所述第一用户的车辆终端和/或用户终端；根据所述车辆终端和/或所述用户终端对所述施工影响评估结果的第一反馈数据，得到所述第一用户的第一备选路线；将所述第一备选路线整合至所述第一替换通行方案得到第二替换通行方案；分别获取所述第一替换通行路线的第一历史交通状况数据和所述第一备选路线的第二历史交通状况数据；结合所述第一通行需求，分别根据所述第一历史交通状况数据对所述第一替换通行路线、根据所述第二历史交通状况数据对所述第一备选路线的交通压力进行模拟，按交通压力评估值大小对所述第一替换通行路线、所述第一备选路线进行标记，得到第三替换通行方案；根据所述第三替换通行方案，结合预设的交通状态控制基本模型生成所述第一交通状态控制模型，其中，所述交通状态控制基本模型是结合历史交通状态控制数据和深度学习神经网络进行训练得到；

根据所述第二预期交通状态数据、所述第一关键因素和所述第二关键因素得到第二预期施工状态数据，具体包括：根据所述第二预期交通状态数据，分析交通状况预计改善情况；在所述第一关键因素基础上，得到所述第二关键因素的变化数据；构建关联分析模型，识别交通状态变化通过所述第二关键因素对施工的影响机制；利用仿真技术，设置不同的参数组合，预测交通改善对施工时间、质量、成本的潜在影响；结合项目优先级和资源约束条件，确定施工的目标改进方向；调整模型参数，进行多组仿真计算，得到满足项目目标的施工方案调整预案；评估调整预案的合理性，选择最佳的预案，形成第二预期施工状态数据；对第二预期施工状态数据进行验证，必要时调整模型与参数，进行再模拟；最终获得基于交通及相关因素综合考量的第二预期施工状态数据；

根据所述第二预期施工状态数据对所述第二施工进程BIM模型进行修改得到第三施工进程BIM模型；

基于所述第三施工进程BIM模型，利用人工智能算法，生成多个不同的第一施工方案；

对多个所述第一施工方案进行全面的评估，预测并比较所述第一施工方案的施工进度、成本、安全性和交通影响几个维度加权评估值，选择出最佳施工方案；

在根据所述最佳施工方案进行施工的过程中，利用所述第一智能物联网终端收集第一监测数据，利用人工智能技术从所述第一监测数据中识别实时施工状况数据、实时交通状态数据，并根据所述实时施工状况数据和所述实时交通状态数据动态调整和优化所述最佳施工方案，具体包括：将所述第一监测数据输入到已训练好的第一识别模型中，得到所述实时施工状况数据、所述实时交通状态数据；将所述实时交通状态数据输入预设的第一交通状态评估模型，得到第一交通状态评估结果；将所述实时施工状况数据与所述最佳施工方案的模拟施工过程进行对比，得到第一偏差数据；当所述第一交通状态评估结果超过第一预设阈值和/或所述第一偏差数据超过第二预设阈值，则启动施工方案调整优化模块，快速生成多种调整方案；对新生成的所述调整方案，结合所述第三施工进程BIM模型模拟，预测所述调整方案的实施效果；对所述实施效果进行评估，选择评估结果最佳的调整方案；根据所述调整方案对所述最佳施工方案进行优化；其中，所述第一交通状态评估模型通过以下步骤构建：收集包括历史交通流量、历史速度数据、历史事故数据的多源异构历史交通状态数据；选择评估指标；建立交通状态映射关系库，匹配交通状态与评估指标；利用机器学习算法训练模型，输入交通状态数据，拟合评估指标；使用验证集测试模型性能，调优超参数，获得最佳交通评估模型作为所述第一交通状态评估模型；

使用计算机视觉技术和深度学习算法，对所述历史交通状况数据进行分析，得到第一车辆数据、所述第一用户的第一用户数据和不同时间段的第一交通流量数据；

对所述历史环境数据和所述第一交通流量数据进行深度学习分析，建立环境因素与交通流变化之间的第一相关性模型；

所述根据所述第二施工进程BIM模型、所述历史交通状况数据、所述历史环境数据和所述第二关键因素，得到所述施工区域的第一预期交通状态数据的步骤，包括：

在所述历史环境数据中选择第一预设周期内的第一预设周期环境数据，并结合所述第一预设周期环境数据和所述第一相关性模型，得到第一预期交通流量数据；

在所述历史交通状况数据中选择所述第一预设周期内的第一预设周期交通速度数据、第一预设周期交通延误数据、第一预设周期事故数据、第一预设周期违章数据、第一预设周期道路容量数据、第一预设周期公共交通工具统计数据、第一预设周期交通工具统计数据；

根据所述第二施工进程BIM模型、所述第一预期交通流量数据、所述第一预设周期交通速度数据、所述第一预设周期事故数据、所述第一预设周期违章数据、所述第一预设周期道路容量数据、所述第一预设周期公共交通工具统计数据、所述第一预设周期交通工具统计数据和所述第二关键因素，得到所述第一预期交通状态数据。