基于建筑信息模型（bim）的建筑空间功能分类方法

《基于建筑信息模型（bim）的建筑空间功能分类方法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、第３５卷第１１期计算机应用与软件Ｖｏｌ３５Ｎｏ．１１２０１８年１１月ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＮｏｖ．２０１８基于建筑信息模型（ＢＩＭ）的建筑空间功能分类方法１２１金超逸徐洋周向东１（复旦大学计算机科学技术学院上海２００４３３）２（上海现代建筑设计（集团）有限公司上海２０００４１）摘要提出一种基于ＢＩＭ（ＢｕｉｌｄｉｎｇＩｎｆｏｒｍａｔｉｏｎＭｏｄｅｌｉｎｇ）数据的建筑空间功能分类方法。基于非监督学习技术对ＢＩＭ建筑模型中的相关属性和拓扑信息进行挖掘；基于图的信息传播过程得到每个功能空间的特征表达；通过支持向量机（ＳＶＭ）实现对建筑空间功能的自

2、动分类。主要贡献是提出一种基于ＩＦＣ（ＩｎｄｕｓｔｒｙＦｏｕｎｄａｔｉｏｎＣｌａｓｓ）标准的ＢＩＭ度量特性和拓扑结构特性的提取方法，并采用经典的分类器技术获得了较好的分类准确率。在真实的ＢＩＭ数据集上进行了充分的实验，实验结果验证了方法的有效性。关键词图传播无监督学习分类　ＢＩＭ　数据挖掘中图分类号　ＴＰ３　　　　文献标识码　Ａ　　　　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０１８．１１．０３８ＡＣＬＡＳＳＩＦＩＣＡＴＩＯＮＭＥＴＨＯＤＵＰＯＮＢＵＩＬＤＩＮＧＳＰＡＣＥＳＢＡＳＥＤＯＮＢＩＭ１２１ＪｉｎＣｈａｏｙｉ　ＸｕＭｉｎｙａｎｇ　ＺｈｏｕＸｉａｎｇｄｏｎｇ１

3、（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＦｕｄａｎＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２００４３３，Ｃｈｉｎａ）２（ＳｈａｎｇｈａｉＸｉａｎＤａｉＡｒｃｈｉｔｅｃｔｕｒａｌＤｅｓｉｇｎ（Ｇｒｏｕｐ）Ｃｏ．，Ｌｔｄ．，Ｓｈａｎｇｈａｉ２０００４１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ　　Ｗｅｐｒｅｓｅｎｔｅｄａｍｅｔｈｏｄｔｏｃｌａｓｓｉｆｙｂｕｉｌｄｉｎｇｓｐａｃｅｓｂａｓｅｄｏｎｂｕｉｌｄｉｎｇｉｎｆｏｒｍａｔｉｏｎｍｏｄｅｌｉｎｇ（ＢＩＭ）ｄａｔａ．Ａｎｕｎｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇｔｅｃｈｎｉｑｕｅｗａｓｕｓｅｄｔｏｍｉｎｅｒｅｌａｔｅｄａｔｔｒｉｂｕｔｅｓａｎｄ

4、ｔｏｐｏｌｏｇｉｃａｌｉｎｆｏｒｍａｔｉｏｎｉｎＢＩＭｂｕｉｌｄｉｎｇｍｏｄｅｌ．Ｔｈｅｆｅａｔｕｒｅｅｘｐｒｅｓｓｉｏｎｏｆｅａｃｈｆｕｎｃｔｉｏｎａｌｓｐａｃｅｗａｓｏｂｔａｉｎｅｄｏｎｔｈｅｂａｓｉｓｏｆｇｒａｐｈｉｎｆｏｒｍａｔｉｏｎｐｒｏｐａｇａｔｉｏｎｐｒｏｃｅｓｓ．Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）ｗａｓａｐｐｌｉｅｄｔｏｒｅａｌｉｚｅａｕｔｏｍａｔｉｃｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｂｕｉｌｄｉｎｇｓｐａｃｅｆｕｎｃｔｉｏｎｓ．ＴｈｅｍａｉｎｃｏｎｔｒｉｂｕｔｉｏｎｗａｓｔｏｐｒｏｐｏｓｅａｍｅｔｈｏｄｆｏｒｅｘｔｒａｃｔｉｎｇＢＩＭｍｅｔｒｉｃｓａｎ

5、ｄｔｏｐｏｌｏｇｙｆｅａｔｕｒｅｓｂａｓｅｄｏｎｉｎｄｕｓｔｒｙｆｏｕｎｄａｔｉｏｎｃｌａｓｓ（ＩＦＣ）ｓｔａｎｄａｒｄ．Ａｎｄｔｈｅｃｌａｓｓｉｃａｌｃｌａｓｓｉｆｉｅｒｔｅｃｈｎｏｌｏｇｙｗａｓａｄｏｐｔｅｄｔｏｇｅｔｂｅｔｔｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ．ＥｘｐｅｒｉｍｅｎｔｓｏｎｒｅａｌＢＩＭｄａｔａｓｅｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓｅｆｆｅｃｔｉｖｅ．Ｋｅｙｗｏｒｄｓ　　Ｇｒａｐｈｐｒｏｐａｇａｔｉｏｎ　Ｕｎｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ＢＩＭ　Ｄａｔａｍｉｎｉｎｇ作也会对心理学、社会学、行

6、为学习等其他相关学科产０　引言生帮助，使人们有机会更好地重新发现和理解与我们日常生活紧密相关的建筑的社会意义、心理意义和对ＢＩＭ在工程建设领域获得了越来越多的重视。人们行为的潜移默化而又深远的影响。ＢＩＭ数据包含广泛、表达能力强，可以使很多原本分散建筑中的一个重要分析对象是建筑空间。建筑空的建筑数据集中在一个或几个建筑数据文件中，既可间是承载建筑功能的基本单位，人们对于建筑的使用、以进行可视化的展示，也可以进行查询、拆分、索引、分装潢、改造，都在空间中展开。不同的空间之间构成的［１］析。对ＢＩＭ数据的运用和挖掘也开始越来越被研联系往往以它们之间的位置、结构存在，这时，空间又究者们关注

7、和重视，目标是通过机器学习和数据挖掘以基本“细胞”的形式构成了一个由相对独立元素组［２］技术从ＢＩＭ数据中获取对建筑过程有指导意义的知成的有机体。通过学习这个有机体的结构，我们就识，以优化建筑行业的流程和机制。同时，这方面的工能对建筑的功能有更好的把握。传统建筑模型只表达收稿日期：２０１８－０４－２０。国家自然科学基金项目（６１３７０１５７）；上海市科技创新行动计划项目（１７ＤＺ１２０３６００）。金超逸，硕士生，主研领域：数据管理，机器学习。徐洋，工程师