一种模型数据驱动的时空图卷积神经网络数据集构建方法技术

本发明专利技术公开了一种模型数据驱动的时空图卷积神经网络数据集构建方法，包括构筑物与设备模型数据集构建方法，及管线模型数据集构建方法；该方法基于三维设计模型或二维设计模型，将模型进行标准化处理，添加特定的模型属性信息，指定基准坐标点，开发软件读取处理后的标准化模型几何数据及属性信息，按照时空图卷积神经网络算法数据集格式，按照专业需求，自动化将模型中的的几何数据及属性信息批量写入文本文件，结合经典模型的时间序列数据，形成完整的时间序列、空间数据集，供时空图卷积神经网络模型进行机器学习训练，获得人工智能分析模型。能分析模型。

【技术实现步骤摘要】
一种模型数据驱动的时空图卷积神经网络数据集构建方法


[0001]本专利技术涉及模型处理
，尤其涉及一种模型数据驱动的时空图卷积神经网络数据集构建方法。

技术介绍

[0002]卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift
‑
invariant classification)，因此也被称为“平移不变人工神经网络(Shift
‑
Invariant Artificial Neural Networks,SIANN)”。
[0003]卷积神经网络在当前在环境治理，特别是污水处理领域应用较少，尚无法结合污水处理厂经典模型的时间序列数据，形成时间序列空间数据集，供时空图卷积神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型数据驱动的时空图卷积神经网络数据集构建方法，其特征在于，包括构筑物与设备模型数据集构建方法，具体包括以下步骤：步骤1：模型标准化图层转换，制定图层转化规则，将设备模型转换为特殊“设备”图层，其他构筑物的进行同样转换，转换的构筑物及设备包括池体、盖板、栏杆、楼梯、管道及洞节点；步骤2：智能批量生成数据集。2.根据权利要求1所述的一种模型数据驱动的时空图卷积神经网络数据集构建方法，其特征在于：所述步骤1中还包括以下子步骤：步骤1.1：模型清理，进行模型清理，删除多余的线及弧，通过开发特定工具实现过滤选择，进行多种命令集合操作；转成复合线，通过开发特定工具，选择模型，将图中的线、弧、圆转变为指定宽度的复合线；一般设置复合线宽度为0；连接复合线成封闭线串，通过开发特定工具，选择模型，将图中的复合线链接为线串；在模型整理完善的情况下，复合线可封闭形成封闭的线串；步骤1.2：封闭性检查，检查线串是否封闭，通过开发特定工具，选择模型，图中封闭的线串将被选中，可将选中的封闭线串移动位置，对未封闭的线串根据需要，采取处理措施；步骤1.3：添加围栏与基准点，在整理好的模型外围，将矩形框图层匹配为标准图层；拷贝基准点图块至基准点位置，给模型增加生成数据集的基准点；步骤1.4：添加数据集名称与注释，分别采用中英文，指定将要生成数据集的名称及中文注释添加数据集名称与注释。3.根据权利要求1所述的一种模型数据驱动的时空图卷积神经网络数据集构建方法，其特征在于，还包括管线模型数据集构建方法，具体包括以下步骤：步骤A：模型标准化；步骤B：二维模型的属性添加添加管径与标高信息，过滤选择管道中心线，即多义线，进行多种命令集合操作，实现将管道中心线由多义线分解为线与弧；步骤C：智能批量生成数据集步骤C1：读取模型数据，读取管线模型图层数据，根据定义规则，确定模型的分类类型，根据模型的属性参数，获得管线参数；步骤C2：模型数据写入文件，按照时空图卷积神经网络算法数据集格式，按照专业需求，自动化将模型中的的几何数据及属性信息批量写入文本文件。4.根据权利要求3所述的一种模型数据驱动的时空图卷积神经网络数据集构建方法，其特征在于：所述步骤A还包括以下子步骤：步骤A1：图层转换，制定图层转化规则，将管线模型转换为特殊“管线”图层，转换的管线包括污水管道、中水管道、雨水...

【专利技术属性】
技术研发人员：万玉生，曹雪梅，叶雅丽，王晓杰，徐亚男，姜天凌，
申请(专利权)人：中国市政工程华北设计研究总院有限公司，
类型：发明
国别省市：