(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111386090.9 (22)申请日 2021.11.22 (65)同一申请的已公布的文献号 申请公布号 CN 114048537 A (43)申请公布日 2022.02.15 (73)专利权人 盈嘉互联 （北京） 科技有限公司 地址 100000 北京市石景山区晋元庄路 6 号首钢体 育大厦十三层13 08 专利权人 盈嘉互联 （上海） 建 筑科技有限公 司　 深圳市盈嘉互联科技有限公司 　 盈嘉互联 （北京） 智慧科技有限公 司 (72)发明人 周小平　王佳　陆一昕　郭强　(74)专利代理 机构 北京东方盛凡知识产权代理 有限公司 1 1562 专利代理师 李娜 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06N 3/08(2006.01) G06F 119/08(2020.01) 审查员 何大波 (54)发明名称 一种基于BIM和交叉样本学习的室内环 境状 态预测方法 (57)摘要 本发明提供了一种基于BIM和交叉样 本学习 的室内环境状态预测方法， 包括通过提取BIM模 型的空间几何数据建立空间图模 型， 设计了交叉 样本学习， 在空间图模型之上， 自适应融合已知 点的节点权重(线索因子)和边权重可 以关联室 内环境状态的空间特征， 整个室内空间的状态进 行预测ML ‑IDW算法模拟建筑物整个室内空间湿 度值的分布 规律， 通过少量采集节 点实现对整个 室内空间状态的预测， 根据实测数据构建训练模 型， 并通过与实际数据进行比较来验证模型的准 确性， 预测实验场景下整个室内空间的湿度分 布， 训练时间短， 具有实时性。 权利要求书3页 说明书9页 附图4页 CN 114048537 B 2022.11.25 CN 114048537 B 1.一种基于BIM和交叉样本学习的室内环境状态预测方法， 其特征在于， 包括以下步 骤， S1， 建立空间图模型， 并融合节点权重和边权重； S11， 使用建筑信息模型建立空间图模 型； S12， 交叉样 本训练算法实时更新融合权重， 所述融合权重是线索因子和边权重的融合； 所述S1在某个时间间隔T＝{t1， t2， …， tm}提取BIM模型空间节点O＝{r1， r2， …， rm}， 空间 节点分为带智能传感器坐标节点的标记节点和不带智能传感器节点的未标记节点， 对未标 记节点位置的实时状态值Vm进行推断； 所述S12交叉样本训练算法实时更新融合权重， 所述融合权重是线索因子和边权重的 融合， 边权重未标记节点rk(xk， yk， zk)与标记节点ri(xi， yi， zi)的水平、 竖直距离特征表 示为： Hi＝|xi‑xk|+|yi‑yk|， Si＝|zi‑zk|， 其中k和i是节点的编号， H是rk和ri之间 的水平距离， S是rk和ri之间 的垂直距离， 所述 线索因子设置为Ri( α i， β i， γi， λi)， α， β 分别 为水平方 向上标记节点权重系数和边权重系 数， 其中γ， λ分别为竖直方向上标记节点权重系 数和边权重系数， 标记节点权重系数与边 权重系数融合在一 起， 融合权 重分为水平权 重和竖直权 重， 其计算公式为： ηi为水平融合权重， ωi为竖直融合权重， α i和γi分别在水平、 竖直方向上表征编号为 i的标记节点的权重系数， β i和 λi分别在水平、 竖直方向上表征编号为i的标记节点的边权 重系数； S2， 基于节点权重和边权重对室内环境状态预测； S21， 跨样本训练标记节点的状态值； S22， 梯度反向传播标记 节点rk的状态值； S23， 预测未 标记节点； S21， 跨样本训练标记节点的状态值， 标记节点rk与其他标记节点的相关性越高， 状态值 越接近， 因此， rk的状态值 为： V’i为编号为i的标记节点采样的真实值， 融合权重ηi和ωi分别由水平融合权重公式 和竖直融合权 重公式求出， 标记 节点rk作为待推测节点； 所述S22梯度反向传播标记节点rk的状态值， 两个状态值之间的差异用 均方误差损失 来衡量， 公式为： 梯度公式为： 权　利　要　求　书 1/3 页 2 CN 114048537 B 2其中V’k为编号为k的标记节点采样的真实值， ηi为水平融合权重， ωi为竖直融合权 重， α i和γi分别在水平、 竖直方向上表征编号为i的标记节 点的权重系数， k和i是节点的编 号， H是rk和ri之间的水平距离， S是r k和ri之间的垂 直距离， 梯度的每一次变化都会触发线 索因子的更新， 基于 ML‑IDW生成新的状态值推断， 并迭代进行， 直到误差收敛， 公式为： 其中Vk和Vk ’分别代表编号为k标记节点的预测值和真实值； 所述S23中预测未标记节点网络， 线索因子通过未标记节点rm和每个标记节点的状态 值之间的相关性得到， 公式为： 其中ηi和ωi由前面公式求出， ηi为水平融合权重， ωi为竖直融合权重， V ’i为编号为i 的标记节点采样的真实值； S3， 基于预测未标记节点的结果进行实验设置， 设置实验环境并进行数据采集； S31， 误 差分析， 对整个室内空间的状态进行 预测； S32， 实验结果总结。 2.根据权利要求1所述的一种基于BIM和交叉样本学习的室内环境状态预测方法， 其特 征在于， 所述S11中建筑信息模型建立空间图模型， 提取BIM模型中IfcAxis2Plac ement3D构 件位置信息确定构件 所在局部坐标系、 X轴法向量、 Z轴法向量， 其中Y轴法向量由所述X轴法 向量和所述Z轴法向量外积得出， 基于构件位置信息获取局部坐标系下的旋转平移矩阵， 构 件位置信息具有继承属性， 存在多个局部坐标系需将 旋转平移矩阵进 行复合， 通过BIM模型 获取构件的世界坐标。 3.根据权利要求1所述的一种基于BIM和交叉样本学习的室内环境状态预测方法， 其特 征在于， 对所述S1 1中建筑信息模型建立空间图模型 未标记节点进行算法优化， 公式为：权　利　要　求　书 2/3 页 3 CN 114048537 B 3