本技術涉及建筑工程管理領域，特別涉及一種基于bim的建筑工程可視化管理方法及系統。

背景技術：

1、隨著建筑工程的日益復雜化和信息化，building?information?modeling?（bim）技術在建筑領域得到了廣泛應用。bim模型能夠集成建筑工程的幾何信息、屬性信息和關聯信息，為建筑工程的設計、施工和管理提供了數字化的平臺和工具。然而，建筑工程bim模型通常包含大量的高維、異構的數據，如何有效地組織、分析和利用這些數據，是實現建筑工程可視化管理的關鍵。

2、目前，針對建筑工程bim數據的分析和管理，已有一些研究和應用。其中，數據聚類是一種重要的數據分析技術，通過將相似的數據點歸入同一類別，可以發(fā)現數據的內在結構和關聯。傳統的聚類算法，如k-means和層次聚類，在處理高維數據時存在一些局限性，如聚類結果對初始值敏感、難以發(fā)現非凸形狀的聚類等。為了克服這些局限性，基于密度的聚類算法，如dbscan（density-based?spatial?clustering?of?applications?with?noise），被廣泛應用于高維數據聚類。dbscan算法通過識別數據點的局部密度，可以發(fā)現任意形狀的聚類，對噪聲數據具有魯棒性。然而，現有的基于dbscan的bim數據聚類方法仍然存在一些不足。首先，建筑工程bim模型包含多個層級的數據，如建筑、樓層、構件等，現有方法通常將所有數據點視為同一層級，忽略了數據的層級關系，導致聚類精度不高。其次，bim模型中的數據屬性具有不同的重要性，現有方法未能充分考慮屬性的權重差異，影響了聚類的質量。此外，由于bim數據的高維性和復雜性，聚類結果的解釋和應用也面臨挑戰(zhàn)。

3、例如相關專利文獻cn117787670b，公開了一種基于建筑工程的bim數據管理方法及系統，屬于數據管理領域，其中方法包括：對目標建筑工程內的多個數據源進行數據點采集，生成建筑工程數據集；對目標建筑工程的歷史建筑工程數據進行聚類分析，生成多個建筑工程數據類；生成數據協同陣列，進行降維處理，獲得降維數據陣列，遍歷目標建筑工程的bim數據與降維數據陣列進行匹配，獲取數據匹配點集，進行bim數據的分析管理，生成管理策略；通過管理策略對目標建筑工程進行bim數據的管理。但是該方案該方案僅對建筑工程的歷史數據進行聚類分析，未能充分利用bim模型中的幾何信息、屬性信息和關聯信息，忽略了建筑工程數據的多層級特性。

技術實現思路

1、針對現有技術中基于bim的建筑工程高維數據聚類精度低，本技術提供了一種基于bim的建筑工程可視化管理方法及系統，通過改進dbscan聚類算法，并根據建筑工程bim模型的層級關系進行聚類分析等，提高了分析精度。

2、本技術的目的通過以下技術方案實現。

3、本技術的一個方面提供一種基于bim的建筑工程可視化管理方法，包括：s1，采集建筑工程數據，生成包含幾何信息、屬性信息和關聯信息的數據集；s2，根據建筑工程bim模型的層級關系，將數據集劃分為多個層級子集；采用改進的dbscan聚類算法對每個層級子集進行聚類分析；所述改進的dbscan聚類算法通過引入屬性權重機制，根據屬性的重要性調整聚類過程中的距離度量；s3，合并不同層級子集的聚類結果，得到數據集的多個數據聚類；s4，根據數據聚類對數據集進行分類歸檔，根據分類歸檔結果生成語義關聯的數據協同陣列a；s5，對語義關聯的數據協同陣列a進行降維處理，得到降維數據陣列；s6，采用基于密度的空間索引方法構建降維數據陣列的空間索引；利用分布式計算框架，將建筑工程bim模型劃分為多個分區(qū)，將分區(qū)與空間索引進行分布式匹配，得到數據匹配點集；s7，根據數據匹配點集進行可視化分析，生成管理策略。

4、進一步的，s2，采用改進的dbscan聚類算法對每個層級子集進行聚類分析，包括：s21，根據建筑工程bim模型的層級關系，將數據集劃分為多個層級子集；所述層級關系包含建筑、樓層和構件；s22，設置動態(tài)權重矩陣w，初始化權重值，定義局部數據特征度量，局部數據特征度量用于衡量第k個屬性在第t次迭代中的局部重要性；s23，在每次迭代中，根據局部數據特征度量和上一次迭代的聚類結果，更新動態(tài)權重矩陣w；s24，計算任意兩個數據點和之間的加權歐氏距離；s25，根據加權歐氏距離，對每個層級子集進行dbscan聚類，得到相應層級的數據聚類結果；s26，重復步驟s23至步驟s25，直至聚類結果收斂或達到預設的最大迭代次數，得到每個層級的最終聚類結果。

5、一方面，傳統的dbscan算法使用單一的距離度量（如歐氏距離）來衡量數據點之間的相似性，將所有數據點視為平等的個體。這種處理方式忽略了建筑工程bim數據中固有的層級結構，如建筑、樓層、構件等不同層級之間的關系。單一距離度量無法捕捉和表示不同層級數據之間的語義差異和關聯性，導致聚類結果無法準確反映建筑工程的實際結構。

6、本技術，根據建筑工程bim模型的層級關系，將數據集劃分為多個層級子集，如建筑、樓層和構件等。這種層級劃分考慮了bim數據的多層級特性，使得聚類算法能夠更好地適應建筑工程數據的結構和組織方式。通過對不同層級數據的獨立聚類分析，可以發(fā)現各層級數據的內在關聯和模式，提高聚類的精度和可解釋性。

7、本技術，在計算數據點之間的相似性時，采用加權歐氏距離，將動態(tài)權重矩陣與屬性差異相結合。通過引入屬性權重，使得聚類算法在計算距離時能夠重點考慮重要屬性的差異，減少次要屬性的干擾。

8、進一步的，計算任意兩個數據點和之間的加權歐氏距離，通過如下公式：，其中，表示第t次迭代的加權距離；表示第k個屬性在第t次迭代中的動態(tài)權重；和分別表示數據點和在第k個屬性上的取值；k為屬性的維度，取值范圍為1到n，其中n為數據集的屬性總數；t表示聚類迭代的次數，取值范圍為1到t，其中t為預設的最大迭代次數或聚類收斂時的迭代次數；表示第k個屬性在第t次迭代中的局部重要性度量，可通過計算屬性在局部領域內的方差、熵等指標來衡量；，其中，α為學習率參數，用于控制動態(tài)權重的調整速度，取值范圍為0到1。

9、，其中，表示第k個屬性在數據點的局部領域內第j個取值的出現概率；m表示第k個屬性在數據點的局部領域內不同取值的個數。

10、傳統的dbscan算法在處理建筑工程bim數據時，通常采用靜態(tài)的權重分配方式，即為每個屬性分配固定的權重值。然而，這種靜態(tài)權重分配可能無法適應建筑工程數據在不同層級和區(qū)域的局部特征和變化。不同屬性在不同層級和區(qū)域可能具有不同的重要性和影響力，靜態(tài)權重分配忽略了這種動態(tài)變化，導致聚類結果的局限性和不準確性。

11、本技術引入了動態(tài)權重矩陣w和局部數據特征度量，用于衡量不同屬性在聚類過程中的重要性。通過在每次迭代中根據局部數據特征度量和上一次聚類結果更新動態(tài)權重矩陣，使得聚類算法能夠自適應地調整屬性權重，充分考慮不同屬性對聚類結果的影響。這種動態(tài)權重調整機制能夠更好地捕捉建筑工程數據在不同層級和區(qū)域的局部模式和變化，使聚類結果更加準確和可靠。

12、進一步的，s4，根據數據聚類對數據集進行分類歸檔，根據分類歸檔結果生成語義關聯的數據協同陣列a，包括：s41，提取每個數據聚類內部數據點的共同特征，作為相應聚類的語義描述；所述共同特征表示聚類內數據點屬性分布的一致性或相似性；s42，根據語義描述，對數據聚類進行分類和歸檔，得到具有語義關聯的數據分類；s43，遍歷數據集中的每個數據點，根據數據點所屬的數據聚類和語義描述，將數據點映射到對應的數據分類中；s44，提取每個數據分類內部數據點的屬性信息，構建屬性矩陣，屬性矩陣的每行表示一個數據點，每列表示一個屬性；所述屬性包含幾何屬性；s45，根據數據點之間的拓撲關系和邏輯關系，構建關聯矩陣，關聯矩陣表示數據點之間的關聯強度；s46，利用多維數組存儲tensorflow，將屬性矩陣和關聯矩陣組合成多維數據協同陣列。

13、進一步的，s5，對語義關聯的數據協同陣列a進行降維處理，得到降維數據陣列，包括：s51，對語義關聯的數據協同陣列a進行中心化處理，得到中心化后的矩陣；中心化處理目的是將數據的均值遷移到原點，使得數據在各個維度上的均值為0。這樣可以消除數據的平移影響，使得后續(xù)的特征值分解和降維處理更加準確和穩(wěn)定。

14、s52，引入核函數，計算核矩陣k，其中，，表示矩陣數據點和在高維特征空間中的內積；核函數可以將原始數據映射到高維特征空間，捕捉數據的非線性特征。通過計算數據點之間在高維特征空間中的內積，得到核矩陣k。這里的數據點x_i和x_j是從中心化后的矩陣a'中提取的。

15、s53，對核矩陣k進行中心化處理，得到中心化后的核矩陣；s54，對中心化后的核矩陣進行特征值分解，得到特征值矩陣λ和特征向量矩陣v，即；特征值分解可以提取核矩陣的主要特征和方向，為后續(xù)的降維處理提供基礎。

16、s55，對特征值矩陣λ進行降維處理，選取前k個最大的特征值，得到降維后的特征值矩陣，其中k為降維后的維度；通過選擇最重要的特征值和特征向量，將數據從高維空間映射到低維空間。

17、s56，根據降維后的特征值矩陣，截斷特征向量矩陣v，得到降維后的特征向量矩陣；s57，計算降維后的數據協同陣列，即，將降維后的數據協同陣列作為降維數據陣列?？梢钥醋魇窃紨祿仃嘺在低維空間中的近似表示。

18、傳統的奇異值分解（svd）假設數據點之間存在線性關系。然而，語義關聯的數據協同陣列a可能存在非線性特征，線性降維方法可能無法有效捕捉數據的內在結構和復雜關系，導致降維后的數據陣列失去重要信息。

19、本技術，通過引入核函數，將原始數據映射到高維特征空間，在高維特征空間中進行特征值分解，可以捕捉數據的非線性結構和復雜關系。核函數的選擇可以根據數據的特點和先驗知識來確定，常用的核函數包括高斯核函數和多項式核函數等。對中心化后的核矩陣進行特征值分解，得到特征值矩陣λ和特征向量矩陣v。這相當于在高維特征空間中進行主成分分析（pca），提取數據的主要特征。通過引入核技巧，可以在高維特征空間中進行特征提取和降維，有效處理語義關聯數據協同陣列中的非線性特征，提高降維的效果和數據的表示能力。

20、進一步的，s53，對核矩陣k進行中心化處理，得到中心化后的核矩陣，包括：計算中心化矩陣h：計算中心化矩陣h，，其中，i為n×n的單位矩陣，為n×n的全1矩陣，n為數據點的數量；利用中心化矩陣h，對核矩陣k進行中心化處理，得到中心化后的核矩陣：。

21、中心化后的核矩陣k'，使得核矩陣的行和列均值都為0，消除數據的偏置項。中心化處理可以提高核主成分分析的效果，使得提取的特征更加準確和穩(wěn)定。另一方面避免了在原始空間中顯式計算數據點之間的距離，降低了計算復雜度。

22、中心化處理的目的是將核矩陣的行和列均值都轉換為0，消除數據的偏置項，使得核矩陣更加適合進行特征值分解。通過引入中心化矩陣h，可以在核空間中實現數據的中心化。

23、進一步的，s6，采用基于密度的空間索引方法構建降維數據陣列的空間索引；利用分布式計算框架，將建筑工程bim模型劃分為多個分區(qū)，將分區(qū)與空間索引進行分布式匹配，得到數據匹配點集，包括：s61，對建筑工程bim模型進行空間劃分，劃分為多個大小相等的分區(qū)；s62，對降維數據陣列進行劃分，劃分為多個數據空間大小相等的網格單元；s63，計算每個網格單元的數據點數量，根據數據點數量估計網格單元的密度；s64，選擇密度大于閾值的網格單元作為密集單元，將密集單元內的數據點插入到空間索引結構中，所述空間索引結構采用r樹結構；s65，對密度小于閾值的網格單元，遞歸地進行劃分，直到所有網格單元的密度均大于閾值，或達到預設的最大劃分深度；s66，在空間索引結構的每個節(jié)點上，存儲節(jié)點對應網格單元內的數據點信息，數據點信息包含數據點的坐標和屬性；s67，利用分布式計算框架，將建筑工程bim模型的分區(qū)與對應的空間索引結構進行匹配，得到分區(qū)內的數據匹配點集。

24、本技術的另一個方面還提供一種基于bim的建筑工程可視化管理系統，用于執(zhí)行本技術的一種基于bim的建筑工程可視化管理方法。

25、相比于現有技術，本技術的優(yōu)點在于：

26、bim模型通常包含大量的幾何、材質、屬性等多維度數據，傳統的聚類算法（如k-means）在處理高維數據時，容易陷入“維度災難”，聚類效果差，計算復雜度高。本技術采用基于密度的聚類算法dbscan，首先，根據模型的層級關系，將數據劃分為若干個層級子集（如樓層、專業(yè)、構件類型等）。然后，在每個子集內部獨立執(zhí)行dbscan聚類。最后，將不同層級的聚類結果進行合并和協調，得到最終的聚類結果。分層聚類可以減少數據的復雜度，提高聚類的效率和精度。

27、傳統的遍歷目標建筑工程的bim數據與降維數據陣列進行匹配，意味著需要進行大量的相似度計算和比較操作。當bim模型和數據陣列的規(guī)模較大時，這種窮舉式的匹配過程可能非常耗時和低效。特別是在實時應用場景下，如施工進度跟蹤、設計變更分析等，高昂的計算成本可能成為性能瓶頸，影響系統的響應速度和用戶體驗。本技術為了加速匹配過程，對降維數據陣列建立高效的索引結構，如kd樹、r樹等。利用索引快速鎖定潛在的匹配候選，避免不必要的相似度計算。同時，采用并行計算技術，將匹配任務分配到多個處理單元，充分利用計算資源，提高匹配效率。