CN117788719B - 一种基于模型编码的数据融合方法及装置 - Google Patents
一种基于模型编码的数据融合方法及装置 Download PDFInfo
- Publication number
- CN117788719B CN117788719B CN202410205314.9A CN202410205314A CN117788719B CN 117788719 B CN117788719 B CN 117788719B CN 202410205314 A CN202410205314 A CN 202410205314A CN 117788719 B CN117788719 B CN 117788719B
- Authority
- CN
- China
- Prior art keywords
- model
- queried
- polygon
- service data
- dimensional plane
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 239000000178 monomer Substances 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000015654 memory Effects 0.000 description 9
- 239000007787 solid Substances 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005192 partition Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 230000005477 standard model Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于模型编码的数据融合方法及装置，应用于数字孪生模型中，该方法包括：先将数字孪生模型的所有三角面进行投影并融合成二维平面多边形；然后根据所述数字孪生模型的属性信息生成模型编码；最后将业务数据中的坐标信息与所述二维平面多边形进行相交，并对相交的部分对应的业务数据和模型编码进行关联融合。能够快速有效地将业务数据和数字孪生模型进行绑定融合，提高了数字孪生模型的实时性和可靠性。
Description
技术领域
本发明属于计算机技术领域，具体涉及一种基于模型编码的数据融合方法及装置。
背景技术
数字孪生模型是通过数字孪生技术将物理世界中的物体或系统进行数字化建模，以实现对其的掌握、剖析和提升，但是在数字孪生模型中，业务数据和模型数据在时间、空间和属性等方面不匹配的原因，导致业务数据和数字孪生模型无法较好的融合，致使数字孪生模型模型的实时性、准确性和可靠性受到影响。
现有技术中一般是通过一些二维数据来提供位置，将业务数据和二维数据中的点、线、面进行绑定，但是无法有效将业务数据和数字孪生模型进行绑定。
因此，如何有效将业务数据和数字孪生模型进行绑定，从而提高数字孪生模型的实时性、准确性和可靠性。
发明内容
本发明的目的是为了解决现有技术中无法较好的将业务数据和数字孪生模型进行融合的技术问题。
为实现上述技术目的，一方面，本发明提供另一种基于模型编码的数据融合方法，该方法包括：
将数字孪生模型的所有三角面进行投影并融合成二维平面多边形；
根据所述数字孪生模型的属性信息生成模型编码；
将业务数据中的坐标信息与所述二维平面多边形进行相交，并对相交的部分对应的业务数据和模型编码进行关联融合。
进一步地，所述方法还包括：
当所述业务数据中不存在坐标信息时；
将所述业务数据中的模型名称进行预处理得到标准名称；
通过预设卷积神经网络从所述标准名称中提取关键特征；
通过预设深度学习神经网络选取与所述关键特征匹配度高于预设阈值的模型编码，并将该模型编码与所述业务数据进行绑定融合。
进一步地，所述属性信息包括所属行政区、模型等级、模型类别、顺序编码和校验码。
进一步地，所述模型等级具体为根据对应数据源的精细度进行划分。
进一步地，当所述数字孪生模型中单体模型位置发生变化时，通过平移变换算法更新所述单体模型的位置信息。
进一步地，在将所述业务数据和数字孪生模型融合之后将融合数据保存在数据库中，所述方法还包括：
获取待查询模型的顺序编码，确定出与该顺序编码绑定的模型编码作为待查询模型编码；
在所述数据库中确定出所有与所述待查询模型编码进行关联的关联业务数据；
确定出所述待查询模型的质心坐标，并以所述质心坐标为中心加载所述关联业务数据。
进一步地，所述确定出所述待查询模型的质心坐标，具体包括：
当所述待查询模型的二维平面多边形为凸多边形时，通过所有顶点的横纵坐标确定出所述待查询模型的质心坐标；
当所述待查询模型的二维平面多边形为凹多边形时，将所述二维平面多边形分解为多个三角形，然后根据三角形的质心坐标和权重确定出所述待查询模型的质心坐标。
进一步地，所述方法还包括判断所述待查询模型的二维平面多边形为凸多边形还是为凹多边形，具体包括：
将所述待查询模型的二维平面多边形的任一顶点作为基准点，并计算其他所有顶点相对于所述基准点的极角；
若所有极角均按逆时针方向排列，则所述待查询模型的二维平面多边形为凸多边形；
若存在相邻两个顶点对应的极角为顺时针排列，则所述待查询模型的二维平面多边形为凹多边形。
另一方面，本发明还提供了一种基于模型编码的数据融合装置，所述装置包括：
投影模块，用于将数字孪生模型的所有三角面进行投影并融合成二维平面多边形；
生成模块，用于根据所述数字孪生模型的属性信息生成模型编码；
融合模块，用于将业务数据中的坐标信息与所述二维平面多边形进行相交，并对相交的部分对应的业务数据和模型编码进行关联融合。
本发明提供的一种基于模型编码的数据融合方法及装置，与现有技术相比，本方法先将数字孪生模型的所有三角面进行投影并融合成二维平面多边形；然后根据所述数字孪生模型的属性信息生成模型编码；最后将业务数据中的坐标信息与所述二维平面多边形进行相交，并对相交的部分对应的业务数据和模型编码进行关联融合。能够快速有效地将业务数据和数字孪生模型进行绑定融合，提高了数字孪生模型的实时性和可靠性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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说明书记载的一些实施例，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所示为本说明书实施例提供的基于模型编码的数据融合方法的流程示意图；
图2所示为本说明书实施例提供的基于模型编码的数据融合装置的结构示意图。
具体实施方式
为了使本领域普通技术人员更好地理解本说明书中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示为本说明实施例提供的基于模型编码的数据融合方法的流程示意图，虽然本说明提供了如下实施例或附图中所示的方法操作步骤或装置结构，但基于常规或无需创造性劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元，在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行（例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境）。
本说明实施例中提供的基于模型编码的数据融合方法可以应用在客户端和服务器等终端设备中，如图1所示，所述方法具体包括如下步骤：
步骤S101、将数字孪生模型的所有三角面进行投影并融合成二维平面多边形。
具体的，为了将人口数据、经济数据或养老机构等业务数据更好的融合到数字孪生模型中，将数字孪生模型中的单体模型对应的三角面进行投影，然后将每一个投影进行融合成二维平面多边形，并将二维平面多边形存储在模型范围表中，从而根据该二维平面多边形将业务数据和模型进行融合，能够使融合更加准确和快速。
另外，当所述数字孪生模型中新增单体模型时，将新增单体模型也进行投影得到对应二维平面多边形，而单体模型位置发生变化时，通过平移变换算法更新所述单体模型的位置信息，平移变换算法可如下矩阵表示：
，
式中，（x，y，z）是原始点的坐标，是平移后的点的坐标，/>是平移的距离。
步骤S102、根据所述数字孪生模型的属性信息生成模型编码。
在本申请实施例中，所述属性信息包括所属行政区、模型等级、模型类别、顺序编码和校验码，根据该属性信息生成对应的模型编码也即cimcode，所述模型等级具体为根据对应数据源的精细度进行划分。
具体的，模型等级划分具体如下：
1级模型应根据实体对象的基本轮廓和高度生成的三维模型或符号，可采用GIS数据生成；
2级模型应表达实体三维框架和表面的基础模型，表现为无表面纹理的“白模”，可表达建筑单体（“房屋栋”），可采用倾斜摄影和卫星遥感等方式组合建模；
3级模型应表达实体三维框架、内外表面的标准模型，表面凸凹结构边长大于0.5m（含0.5m）应细化建模，表现为统一纹理的“标模”，可采用激光雷达、倾斜摄影等方式组合建模；
4级模型应表达实体三维框架、内外表面细节的精细模型，表面凸凹结构边长大于0.2m（含0.2m）应细化建模，表现为与实际纹理相符的“精模”，可采用激光雷达、倾斜摄影等方式组合建模；
5级模型应满足模型主要内容空间占位、功能分区等需求的几何精度（功能级），对应建筑信息模型几何精度G1~G2级、属性深度N1~N2级，可表达建筑分层分户（“房屋套”），表面凸凹结构边长大于0.05m（含0.05m）应细化建模，可采用BIM、激光点云等方式组合建模；
6级模型应满足模型主要内容建造安装流程、采购等精细识别需求的几何精度（构件级），对应建筑信息模型几何精度G2~G3级、属性深度N2~N3级，表面凸凹结构边长大于0.02m（含0.02m）应细化建模，可采用BIM、激光点云等方式组合建模；
7级模型应满足模型主要内容高精度渲染展示、产品管理、制造加工准备等高精度识别需求的几何精度（零件级），对应建筑信息模型几何精度G3~G4级、属性深度N3~N4级，表面凸凹结构边长大于0.01m（含0.01m）应细化建模，可采用BIM、激光点云等方式组合建模。
划分标准如下表1所示：
| 级别 | 名称 | 模型类别 | 模型特征 | 数据源精细度 |
| 1 | 地表模型 | 行政区、地形、水系、居民区、交通线等 | DEM和DOM叠加实体对象的基本轮廓或三维符号 | 小于1:10000 |
| 2 | 框架模型 | 地形、水利、建筑、交通设施、管线管廊、植被等 | 实体三维框架和表面，包含实体标识与分类等基本信息 | 1:5000～1:10000 |
| 3 | 标准模型 | 地形、水利、建筑、交通设施、管线管廊、植被等 | 实体三维框架、内外表面，包含实体标识、分类和相关信息 | 1:1000～1:2000 |
| 4 | 精细模型 | 地形、水利、建筑、交通设施、管线管廊、植被等 | 实体三维框架、内外表面纹理与细节，包含模型单元的身份描述项目信息、组织角色等信息 | 优于1:500或G1、N1 |
| 5 | 功能级模型 | 建筑、设施、管线管廊等要素及其主要功能分区 | 满足空间占位、功能分区等需求的几何精度，包含和补充上级信息，增加实体系统、关系、组成及材质，性能或属性等信息 | G1~G2，N1～N2 |
| 6 | 构件级模型 | 建筑、设施、管线管廊等要素的功能分区及其主要构件 | 满足建造安装流程、采购等精细识别需求的几何精度（构件级）宜包含和补充上级信息，增加生产信息、安装信息 | G2~G3，N2～N3 |
| 7 | 零件级模型 | 建筑、设施、管线管廊等要素的功能分区、构件及其主要零件 | 满足高精度渲染展示、产品管理制造加工准备等高精度识别需求的几何精度（零件级），宜包含和补充上级信息，增加竣工信息 | G3~G4，N3～N4 |
而模型几何精度和属性深度等级满足如下表2：
| 几何精度等级 | 几何精度表达要求 | 属性深度等级 | 属性深度表达要求 |
| G1 | 满足二维化或者符号化识别需求的几何精度表达 | N1 | 宜包含模型单元的身份描述、项目信息、组织角色等信息 |
| G2 | 满足空间占位、主要颜色等粗略识别需求的几何精度表达 | N2 | 宜包含和补 N1 等级信息，增加实体系统关系、组成及材质， 性能或属性等信息 |
| G3 | 满足建造安装流程、采购等精细识别需求的几何精度表达 | N3 | 宜包含和补充N2等级信息，增加生产信息、安装信息 |
| G4 | 满足高精度渲染展示、产品管理、制造加工准备等高精度识别需求的几何精度表达 | N4 | 宜包含和补充N3等级信息，增加竣工信息 |
步骤S103、将业务数据中的坐标信息与所述二维平面多边形进行相交，并对相交的部分对应的业务数据和模型编码进行关联融合。
具体的，将模型编码和模型名称以及对应的二维平面多边形进行导出，可导出为shp格式文件，该文件是一种矢量数据格式，用于表示点、线和多边形等要素，并记录它们的坐标和属性信息。shp格式通常用于存储和共享各种类型的gis数据，通常由三个文件组成，分别是".shp"、".shx"和".dbf"文件。其中，"shp"文件包含实际的地理要素信息；"shx"文件是空间索引文件，用于加快查找和检索特定要素；"dbf"文件包含属性信息。
业务数据中存在坐标信息时，通过shp文件进行空间相交判定，将业务数据的坐标信息与模型的二维平面多边形相交的部分关联相应的cimcode，也即业务数据中会有部分数据和模型的二维平面多边形在空间位置上相交。融合是将模型的cimcode赋给在空间位置上有相交关系的业务数据。
在本申请实施例中，所述方法还包括：
当所述业务数据中不存在坐标信息时；
将所述业务数据中的模型名称进行预处理得到标准名称；
通过预设卷积神经网络从所述标准名称中提取关键特征；
通过预设深度学习神经网络选取与所述关键特征匹配度高于预设阈值的模型编码，并将该模型编码与所述业务数据进行绑定融合。
具体的，首先将业务数据的模型名称和相应的cimcode输入到深度学习模型中。
然后对模型名称进行预处理，包括标记化（tokenization）、嵌入（embedding）等操作，以便深度学习模型能够理解模型名称的语义。使用预设卷积神经网络（CNN），来捕获模型名称中的关键特征，并训练模型。将训练好的预设深度学习神经网络应用于未标记的业务数据，自动为其添加cimcode。同时添加cimcode与业务数据的匹配度。
设置匹配度的阈值，对于匹配度小于阈值的业务数据，进行人工干预，重新绑定cimcode。并将这些数据重新放入深度学习模型的数据集中，同步更新深度学习模型。
另外，业务数据完成绑定后，将融合后的数据存储到业务数据成果库也即数据库中。
在本申请实施例中，所述方法还包括：
获取待查询模型的顺序编码，确定出与该顺序编码绑定的模型编码作为待查询模型编码；
在所述数据库中确定出所有与所述待查询模型编码进行关联的关联业务数据；
确定出所述待查询模型的质心坐标，并以所述质心坐标为中心加载所述关联业务数据。
具体的，通过本方案融合业务数据的数字孪生模型，在进行展示的时候，需要先确定待查询模型的顺序编码，然后在数据库中查找到所有与该cimcode关联的业务数据也即关联业务数据。然后根据待查询模型的质心坐标，根据该质心坐标来加载显示对应的关联业务数据。
其中，所述确定出所述待查询模型的质心坐标，具体包括：
当所述待查询模型的二维平面多边形为凸多边形时，通过所有顶点的横纵坐标确定出所述待查询模型的质心坐标；
当所述待查询模型的二维平面多边形为凹多边形时，将所述二维平面多边形分解为多个三角形，然后根据三角形的质心坐标和权重确定出所述待查询模型的质心坐标。
具体的，如果是凸多边形，直接计算所有顶点的横坐标和纵坐标的平均值，即可得到待查询模型的质心坐标，
，
，
其中，n是凸多边形的顶点数，是第i个顶点的坐标。
如果是凹多边形，则采用将多边形分解成三角形的方法进行计算。
首先确定凹多边形的面积A，计算公式为：
，
其中n为多边形的顶点。
将凹多边形分解为三角形，计算每个三角形的质心坐标，
，
，
其中，，/>，/>为三角形的顶点坐标。
根据每个三角形的面积，计算每个三角形质心的权重（面积的比例），
，
将每个三角形的质心坐标乘以其权重，并对所有三角形的结果进行加权求和，得到整个多边形的质心坐标，
，
，
其中，所述方法还包括判断所述待查询模型的二维平面多边形为凸多边形还是为凹多边形，具体包括：
将所述待查询模型的二维平面多边形的任一顶点作为基准点，并计算其他所有顶点相对于所述基准点的极角；
若所有极角均按逆时针方向排列，则所述待查询模型的二维平面多边形为凸多边形；
若存在相邻两个顶点对应的极角为顺时针排列，则所述待查询模型的二维平面多边形为凹多边形。
选择多边形的一个顶点作为基准点，计算其他顶点相对于基准点的极角。如果这些极角全按逆时针方向排列，那么多边形是凸的。如果存在相邻的两个顶点，它们的极角是顺时针排列的，那么多边形是凹的。
基于上述的基于模型编码的数据融合方法，本说明一个或多个实施例还提供一种基于模型编码的数据融合的平台、终端，该平台或终端可以包括使用本说明书实施例所述方法的装置、软件、模块、插件、服务器、客户端等并结合必要的实施硬件的装置，基于同一创新构思，本说明书实施例提供的一个或多个实施例中的系统如下面的实施例所述，由于系统解决问题的实施方案与方法类似，因此本说明书实施例具体的系统的实施可以参考前述方法的实施，重复之处不再赘述，以下所使用的术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，软硬件结合的实现也是可能并被构想的。
具体地，图2是本说明书提供的基于模型编码的数据融合装置一个实施例的模块结构示意图，如图2所示，本说明书中提供的基于模型编码的数据融合装置包括：
投影模块201，用于将数字孪生模型的所有三角面进行投影并融合成二维平面多边形；
生成模块202，用于根据所述数字孪生模型的属性信息生成模型编码；
融合模块，用于将业务数据中的坐标信息与所述二维平面多边形进行相交，并对相交的部分对应的业务数据和模型编码进行关联融合。
需要说明的是，上述的系统根据对应方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照上述对应的方法实施例的描述，在此不作一一赘述。
本申请实施例还提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器被配置为用于执行如上述实施例提供的方法。
本申请实施例提供的电子设备，通过存储器存储处理器的可执行指令，当处理器执行该可执行指令时，能够先将数字孪生模型的所有三角面进行投影并融合成二维平面多边形；然后根据所述数字孪生模型的属性信息生成模型编码；最后将业务数据中的坐标信息与所述二维平面多边形进行相交，并对相交的部分对应的业务数据和模型编码进行关联融合。能够快速有效地将业务数据和数字孪生模型进行绑定融合，提高了数字孪生模型的实时性和可靠性。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果，如：
将数字孪生模型的所有三角面进行投影并融合成二维平面多边形；
根据所述数字孪生模型的属性信息生成模型编码；
将业务数据中的坐标信息与所述二维平面多边形进行相交，并对相交的部分对应的业务数据和模型编码进行关联融合。
所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如ram、rom等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置如，cd或dvd。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书实施例的可选实施方案范围之内。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或插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，机械或其它的形式。
这些计算机程序指令也可装载到计算机或其他可编程资源数据更新设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参考方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种基于模型编码的数据融合方法，其特征在于，所述方法包括：
将数字孪生模型的所有三角面进行投影并融合成二维平面多边形；
根据所述数字孪生模型的属性信息生成模型编码；
将业务数据中的坐标信息与所述二维平面多边形进行相交，并对相交的部分对应的业务数据和模型编码进行关联融合；
其中，所述方法还包括：
当所述业务数据中不存在坐标信息时；
将所述业务数据中的模型名称进行预处理得到标准名称；
通过预设卷积神经网络从所述标准名称中提取关键特征；
通过预设深度学习神经网络选取与所述关键特征匹配度高于预设阈值的模型编码，并将该模型编码与所述业务数据进行绑定融合。
2.如权利要求1所述的基于模型编码的数据融合方法，其特征在于，所述属性信息包括所属行政区、模型等级、模型类别、顺序编码和校验码。
3.如权利要求2所述的基于模型编码的数据融合方法，其特征在于，所述模型等级具体为根据对应数据源的精细度进行划分。
4.如权利要求1所述的基于模型编码的数据融合方法，其特征在于，当所述数字孪生模型中单体模型位置发生变化时，通过平移变换算法更新所述单体模型的位置信息。
5.如权利要求2所述的基于模型编码的数据融合方法，其特征在于，在将所述业务数据和数字孪生模型融合之后，将融合后的数据保存在数据库中，所述方法还包括：
获取待查询模型的顺序编码，确定出与该顺序编码绑定的模型编码作为待查询模型编码；
在所述数据库中确定出所有与所述待查询模型编码进行关联的关联业务数据；
确定出所述待查询模型的质心坐标，并以所述质心坐标为中心加载所述关联业务数据。
6.如权利要求5所述的基于模型编码的数据融合方法，其特征在于，所述确定出所述待查询模型的质心坐标，具体包括：
当所述待查询模型的二维平面多边形为凸多边形时，通过所有顶点的横纵坐标确定出所述待查询模型的质心坐标；
当所述待查询模型的二维平面多边形为凹多边形时，将所述二维平面多边形分解为多个三角形，然后根据三角形的质心坐标和权重确定出所述待查询模型的质心坐标。
7.如权利要求6所述的基于模型编码的数据融合方法，其特征在于，所述方法还包括判断所述待查询模型的二维平面多边形为凸多边形还是为凹多边形，具体包括：
将所述待查询模型的二维平面多边形的任一顶点作为基准点，并计算其他所有顶点相对于所述基准点的极角；
若所有极角均按逆时针方向排列，则所述待查询模型的二维平面多边形为凸多边形；
若存在相邻两个顶点对应的极角为顺时针排列，则所述待查询模型的二维平面多边形为凹多边形。
8.一种基于模型编码的数据融合装置，其特征在于，所述装置包括：
投影模块，用于将数字孪生模型的所有三角面进行投影并融合成二维平面多边形；
生成模块，用于根据所述数字孪生模型的属性信息生成模型编码；
融合模块，用于将业务数据中的坐标信息与所述二维平面多边形进行相交，并对相交的部分对应的业务数据和模型编码进行关联融合；
当所述业务数据中不存在坐标信息时；
将所述业务数据中的模型名称进行预处理得到标准名称；
通过预设卷积神经网络从所述标准名称中提取关键特征；
通过预设深度学习神经网络选取与所述关键特征匹配度高于预设阈值的模型编码，并将该模型编码与所述业务数据进行绑定融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410205314.9A CN117788719B (zh) | 2024-02-26 | 2024-02-26 | 一种基于模型编码的数据融合方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410205314.9A CN117788719B (zh) | 2024-02-26 | 2024-02-26 | 一种基于模型编码的数据融合方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117788719A CN117788719A (zh) | 2024-03-29 |
| CN117788719B true CN117788719B (zh) | 2024-05-07 |
Family
ID=90392868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410205314.9A Active CN117788719B (zh) | 2024-02-26 | 2024-02-26 | 一种基于模型编码的数据融合方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117788719B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114373111A (zh) * | 2021-12-29 | 2022-04-19 | 北京博能科技股份有限公司 | 一种基于孪生数据驱动的融合方法及引擎系统 |
| CN114611313A (zh) * | 2022-03-21 | 2022-06-10 | 西南交通大学 | 一种基于模型融合的复杂产品数字孪生构建与应用方法 |
| CN115439598A (zh) * | 2021-06-02 | 2022-12-06 | 厦门海迈科技股份有限公司 | 基于数字孪生的展示数据处理方法、计算设备和存储介质 |
| CN116204849A (zh) * | 2023-03-10 | 2023-06-02 | 西南交通大学 | 一种面向数字孪生应用的数据与模型融合方法 |
| CN116680648A (zh) * | 2023-03-24 | 2023-09-01 | 中乾思创(北京)科技有限公司 | 一种数字孪生城市的业务融合数据生成方法及系统 |
| WO2023207437A1 (zh) * | 2022-04-28 | 2023-11-02 | 长安大学 | 一种基于动态轨迹流的场景流数字孪生方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220237532A1 (en) * | 2019-06-29 | 2022-07-28 | Sameer Phadke | System and Method for Modelling and Monitoring Processes in Organizations Using Digital Twins |
| WO2023079139A1 (en) * | 2021-11-05 | 2023-05-11 | Swiss Reinsurance Company Ltd. | Automated standardized location digital twin and location digital twin method factoring in dynamic data at different construction levels, and system thereof |
-
2024
- 2024-02-26 CN CN202410205314.9A patent/CN117788719B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115439598A (zh) * | 2021-06-02 | 2022-12-06 | 厦门海迈科技股份有限公司 | 基于数字孪生的展示数据处理方法、计算设备和存储介质 |
| CN114373111A (zh) * | 2021-12-29 | 2022-04-19 | 北京博能科技股份有限公司 | 一种基于孪生数据驱动的融合方法及引擎系统 |
| CN114611313A (zh) * | 2022-03-21 | 2022-06-10 | 西南交通大学 | 一种基于模型融合的复杂产品数字孪生构建与应用方法 |
| WO2023207437A1 (zh) * | 2022-04-28 | 2023-11-02 | 长安大学 | 一种基于动态轨迹流的场景流数字孪生方法及系统 |
| CN116204849A (zh) * | 2023-03-10 | 2023-06-02 | 西南交通大学 | 一种面向数字孪生应用的数据与模型融合方法 |
| CN116680648A (zh) * | 2023-03-24 | 2023-09-01 | 中乾思创(北京)科技有限公司 | 一种数字孪生城市的业务融合数据生成方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于三维GIS技术的公路交通数字孪生系统;郑伟皓;周星宇;吴虹坪;李红梅;朱新童;文林江;;计算机集成制造系统;20200115(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117788719A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111008422B (zh) | 一种建筑物实景地图制作方法及系统 | |
| CN112069582A (zh) | 工程场景建立方法 | |
| CN115774861A (zh) | 一种自然资源多源异构数据汇聚融合服务系统 | |
| WO2022166681A1 (zh) | 一种虚拟场景生成方法、装置、设备和存储介质 | |
| CN107798725A (zh) | 基于Android的二维住房户型识别和三维呈现方法 | |
| Chen et al. | Developing efficient mechanisms for BIM-to-AR/VR data transfer | |
| CN108717729A (zh) | 一种面向虚拟地球的地形多尺度tin在线可视化方法 | |
| CN112685616A (zh) | 一种基于空间网格和建筑信息模型的精准化电力部件管理方法 | |
| Park et al. | Segmentation of Lidar data using multilevel cube code | |
| CN114925043A (zh) | 基于时空网格块数据的应用方法、装置及电子设备 | |
| CN117788719B (zh) | 一种基于模型编码的数据融合方法及装置 | |
| CN116305420B (zh) | 一种公路养护数字孪生体构建方法、系统、设备及介质 | |
| Morel et al. | Managing Temporal Change of Cities with CityGML. | |
| CN116152451A (zh) | 多维参数化城市信息模型构建方法、系统及计算机设备 | |
| KR20030038888A (ko) | 보간법을 이용한 디이엠 생성 알고리즘 | |
| Yılmaz et al. | The joint spatial planning data model | |
| CN114943407A (zh) | 区域规划方法、装置、设备、可读存储介质及程序产品 | |
| CN114445574A (zh) | 将GeoJSON数据格式转换为三维GLB格式的方法、装置和设备 | |
| CN113570256A (zh) | 应用于城市规划的数据处理方法、装置、电子设备及介质 | |
| Morgan et al. | Using binary space partitioning to generate urban spatial patterns | |
| CN117218299B (zh) | 一种基于数据驱动的三维区域冰山热力图处理方法及系统 | |
| Pina et al. | BqR‐Tree: A Data Structure for Flights and Walkthroughs in Urban Scenes with Mobile Elements | |
| CN117422810B (zh) | 结构与参数引导的室内要素规则化与关系推理方法及终端 | |
| Ren et al. | Modeling of irregular structures for the construction simulation in virtual reality environments based on web | |
| CN112989458B (zh) | 一种BIM模型到3DTiles文件的转换方法 |
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 |