(19)中华 人民共和国 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 202111293215.3 (22)申请日 2021.11.03 (65)同一申请的已公布的文献号 申请公布号 CN 113743024 A (43)申请公布日 2021.12.0 3 (73)专利权人 深圳市华阳国际工程设计股份有 限公司 地址 518000 广东省深圳市龙华区民治街 道北站社区汇隆商务中心 2号楼2618 (72)发明人 陈琪宏　唐崇武　储倩　刘亚鑫　 于腾　范高杰　 (74)专利代理 机构 深圳市君胜知识产权代理事 务所(普通 合伙) 44268 代理人 朱阳波 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/08(2006.01) (56)对比文件 US 201916 3215 A1,2019.0 5.30 WO 20210 62113 A1,2021.04.01 CN 113592078 A,2021.1 1.02 CN 110245625 A,2019.09.17 US 2020042903 A1,2020.02.0 6 CN 113065276 A,2021.07.02 CN 112784130 A,2021.0 5.11 栾宇等.“智慧园区关键技 术与解决方案 研 究”. 《中国移动5G天线产业 技术研讨会》 .2020, 第92-94页. 李通等.“基于聚类的无监 督神经网络模 型”. 《2018中国自动化大会 （CAC2018） 》 .2018,第 649-655页. 审查员 李艳丽 (54)发明名称 一种基于建筑信息模型的人工智能孪生式 训练方法 (57)摘要 本发明公开了一种基于建筑信息模型的人 工智能孪生式训练方法， 所述方法包括： 获取若 干建筑设计训练集， 对于每一个所述建筑设计训 练集， 从建筑信息模型中获取与所述建筑设计训 练集对应的构 件的初始特征向量； 对于建筑设计 的每一个阶段， 将所述初始特征向量输入初始模 型中， 并对所述初始模型进行训练， 得到人工智 能阶段模型； 其中， 所述初始模型由聚类函数和 神经网络级联得到； 将若干所述人工智能阶段模 型进行融合， 并对融合后的若干所述人工智能阶 段模型进行训练， 得到人工智 能孪生模型。 本发 明通过对建筑设计的每一个阶段都进行训练纠 正， 并将聚类函数和神经网络进行级联， 从而使 得基于建筑信息模型的人工智能孪生模型的模 拟精度更高。 权利要求书2页 说明书8页 附图2页 CN 113743024 B 2022.02.18 CN 113743024 B 1.一种基于建筑信息模型的人工智能孪生式训练方法， 其特 征在于， 所述方法包括： 获取若干建筑设计训练集， 对于每一个所述建筑设计训练集， 从建筑信息模型中获取 与所述建筑设计训练集对应的构件的初始特征向量； 所述建筑设计训练集包括项目名称、 项目编号和项目身份标识号； 所述初始特征向量包括构件身份标识号、 构件参数值、 构件与 相邻构件的距离、 构件与相邻构件的绘制向量以及构件与相邻构件的从属关系； 所述获取 若干建筑设计训练集， 对于每一个所述建筑设计训练集， 从建筑信息模型中获取与所述建 筑设计训练集对应的构件的初始特 征向量之后包括： 对于每一个所述建筑设计训练集， 跟踪所述建筑设计训练集中构件的变动状态， 并将 所述变动状态添加到所述初始特 征向量中； 对于建筑设计的每一个阶段， 将所述初始特征向量输入初始模型中， 并对所述初始模 型进行训练， 得到人工智能阶段模型； 其中， 所述初始模型由聚类函数和神经网络级联得 到； 所述对于建筑设计的每一个阶段， 将所述初始特征向量输入初始模型中， 并对所述初 始模型进行训练， 得到人工智能阶段模型包括： 将所述初始特征向量输入聚类函数， 并对所述聚类函数进行训练， 以得到训练好的聚 类函数； 冻结训练好的聚类函数， 并将训练好的聚类函数的输出输入到神经网络模型进行训 练， 当对神经网络模型的训练满足预设的条件时， 完成对神经网络模型的训练； 将训练好的聚类函数和训练好的神经网络模型进行级联， 得到人工智能阶段模型； 所述将所述初始特征向量输入聚类函数， 并对所述聚类函数进行训练， 以得到训练好 的聚类函数包括： 获取用户绘制数据； 将所述初始特 征向量输入聚类函数， 得到 输出数据； 根据所述用户绘制数据和输出数据， 对所述聚类函数进行训练， 以得到训练好的聚类 函数； 所述根据所述用户绘制数据和输出数据， 对所述聚类函数进行训练， 以得到训练好的 聚类函数包括： 当所述用户绘制数据和输出 数据不同时， 发送提 示信息； 获取用户根据提 示信息发送的反馈信息； 其中， 所述反馈信息包括 错误和正确； 根据所述反馈信息， 对所述聚类函数进行训练， 以得到训练好的聚类函数； 将若干所述人工智能阶段模型进行融合， 并对融合后的若干所述人工智能阶段模型进 行训练， 得到人工智能孪生模型； 其中， 所述人工智能阶段模型是对项目的不同阶段进行模拟产生的子模型， 所述将若 干所述人工智能阶段模型进行融合具体为将所有人工智能阶段模型按照项目先后顺序级 联。 2.根据权利要求1所述的基于建筑信 息模型的人工智能孪生式训练方法， 其特征在于， 所述根据所述反馈信息， 对所述聚类函数进行训练， 以得到训练好的聚类函数包括： 当反馈信息为错误时， 将所述反馈信息对应的初始特征向量存储在错误集中， 并将所 述反馈信息对应的初始特 征向量输入到聚类函数中， 得到中间数据；权　利　要　求　书 1/2 页 2 CN 113743024 B 2计算所述中间数据和所述用户绘制数据的均方误差值； 重复执行当反馈信息为错误时， 将所述反馈信息对应的初始特征向量存储在错误集 中， 并将所述反馈信息对应的初始特 征向量输入到聚类函数中， 得到中间数据的步骤； 当所述均 方误差值小于预设的值或者对聚类函数进行训练 的次数达到预设的次数时， 则停止训练， 得到训练好的聚类函数。 3.一种智能终端， 其特征在于， 包括有存储器， 以及一个或者一个以上的程序， 其中一 个或者一个以上程序存储于存储器中， 且经配置以由一个或者一个以上处理器执行所述一 个或者一个以上程序包 含用于执 行如权利要求1 ‑2中任意一项所述的方法。 4.一种非临时性计算机可读存储介质， 其特征在于， 当所述存储介质中的指令由电子 设备的处 理器执行时， 使得电子设备能够执 行如权利要求1 ‑2中任意一项所述的方法。权　利　要　求　书 2/2 页 3 CN 113743024 B 3