基于制造技术

本发明专利技术涉及数据处理技术领域，具体涉及基于

【技术实现步骤摘要】
基于GIS+BIM技术的数字孪生数据驱动方法及系统


[0001]本专利技术涉及数据处理
，具体涉及基于
GIS+BIM
技术的数字孪生数据驱动方法及系统
。

技术介绍

[0002]基于
GIS
（地理信息系统）和
BIM
（建筑信息模型）技术的数字孪生数据驱动方法及系统，是利用现实世界中收集到的数据来创建和管理虚拟模型，其会基于数据分析和预测，用于优化决策制定
、
评估场景
、
改进设计和提高运营效率
。
它具有广泛的应用场景，在城市道路维护和养护方面，可通过采集道路的点云数据，使用
GIS+BIM
技术，构建数字孪生模型，再对数字孪生模型中的数据进行分析和预测，得到分析结果，为管理者提供有效的决策支持
。
[0003]采集的道路点云数据可能包含噪声或无效点，现有的通常使用
DBSCAN
密度聚类算法滤除道路点云数据中噪声数据点，但受道路上的裂缝
、
凹坑等缺陷的影响，不同程度的路面缺陷，需要不同参数大小的
DBSCAN
密度聚类算法来达到较好的去噪效果，因此当参数大小选取不合适时，会导致道路点云数据的去噪效果较差，而这些噪声会干扰数字孪生模型的构建，从而使得道路管理的可视化
、
分析和决策不准确
。

技术实现思路

[0004]本专利技术提供基于
GIS+BIM
技术的数字孪生数据驱动方法及系统，以解决现有的问题
。
[0005]本专利技术的基于
GIS+BIM
技术的数字孪生数据驱动方法及系统采用如下技术方案：本专利技术一个实施例提供了基于
GIS+BIM
技术的数字孪生数据驱动方法，该方法包括以下步骤：使用激光扫描的方式采集城市道路的三维点云数据，根据三维点云数据中数据点的三维坐标，将每个数据点分别与其它数据点之间的欧式距离中的最小值，记为每个数据点的最近距离；根据三维点云数据中所有数据点的最近距离，使用大津算法得到距离阈值；将最近距离小于等于距离阈值的数据点，记为高密度数据点；将最近距离大于距离阈值的数据点，记为低密度数据点；根据三维点云数据中所有高密度数据点之间的欧式距离大小，得到每个高密度数据点对应的参考高密度数据点和三维点云数据中高密度数据点的离散性；将每个高密度数据点对应的参考高密度数据点的数量，记为每个高密度数据点的密集度；根据三维点云数据中高密度数据点的离散性与数量
、
所有高密度数据点的密集度
、
高密度数据点与低密度数据点的最近距离的差异，得到三维点云数据的道路平整系数；分别根据三维点云数据中高密度数据点与低密度数据点的最近距离之间的差异，得到三维点云数据中的噪声影响程度；根据三维点云数据中的噪声影响程度和道路平整系数，得到三维点云数据对应的最小邻域样本数量；
根据三维点云数据对应的最小邻域样本数量，使用
DBSCAN
密度聚类算法，得到三维点云数据中的离群点；删除三维点云数据中的离群点，得到新的三维点云数据；根据新的三维点云数据，使用
GIS+BIM
技术，构建可视化的道路数字孪生模型
。
[0006]进一步地，所述根据三维点云数据中所有高密度数据点之间的欧式距离大小，得到每个高密度数据点对应的参考高密度数据点和三维点云数据中高密度数据点的离散性，包括的具体步骤如下：计算三维点云数据中每个高密度数据点与其它高密度数据点之间的欧式距离，将所述欧式距离小于等于距离阈值对应的其它高密度数据点，记为每个高密度数据点对应的参考高密度数据点；计算三维点云数据中任意两个高密度数据点之间的欧式距离，将三维点云数据中所有高密度数据点之间的欧式距离的均值，记为三维点云数据中高密度数据点的离散性
。
[0007]进一步地，所述根据三维点云数据中高密度数据点的离散性与数量
、
所有高密度数据点的密集度
、
高密度数据点与低密度数据点的最近距离的差异，得到三维点云数据的道路平整系数，包括的具体步骤如下：在三维点云数据中，将所有高密度数据点的最近距离的均值除以所有低密度数据点的最近距离的均值，记为道路缺陷的相对密度；根据三维点云数据中高密度数据点的离散性
、
高密度数据点的数量
、
所有高密度数据点的密集度，得到道路缺陷的细节信息量；根据道路缺陷的细节信息量与道路缺陷的相对密度，得到三维点云数据的道路平整系数
。
[0008]进一步地，所述根据三维点云数据中高密度数据点的离散性
、
高密度数据点的数量
、
所有高密度数据点的密集度，得到道路缺陷的细节信息量，包括的具体步骤如下：将三维点云数据中高密度数据点的数量的归一化值与三维点云数据中高密度数据点的离散性的乘积，记为道路缺陷的分布特征；在三维点云数据中，将每个高密度数据点和其对应的所有参考高密度数据点中最大的密集度减去最小的密集度，记为每个高密度数据点的密集度的权重；根据三维点云数据中所有高密度数据点的密集度的权重，将所有高密度数据点的密集度的加权方差，记为三维点云数据中高密度数据点的密集度变化程度；将道路缺陷的分布特征与三维点云数据中高密度数据点的密集度变化程度的乘积，记为道路缺陷的细节信息量
。
[0009]进一步地，所述根据道路缺陷的细节信息量与道路缺陷的相对密度，得到三维点云数据的道路平整系数对应的具体计算公式为：其中
A
为三维点云数据的道路平整系数，为三维点云数据中所有高密度数据点的最近距离的均值，为三维点云数据中所有低密度数据点的最近距离的均值，为
三维点云数据中高密度数据点的数量，
S
为三维点云数据中数据点的数量，
C
为三维点云数据中高密度数据点的离散性，为三维点云数据中第
i
个高密度数据点的密集度，为三维点云数据中所有高密度数据点的密集度的均值，为三维点云数据中第
i
个高密度数据点和其对应的所有参考高密度数据点中最大的密集度，为三维点云数据中第
i
个高密度数据点和其对应的所有参考高密度数据点中最小的密集度，为以自然常数为底的指数函数
。
[0010]进一步地，所述分别根据三维点云数据中高密度数据点与低密度数据点的最近距离之间的差异，得到三维点云数据中的噪声影响程度，包括的具体步骤如下：在三维点云数据中，计算每个高密度数据点分别与其对应的所有参考高密度数据点的最近距离的差异，将所述最近距离的差异中的最小值，记为每个高密度数据点的噪声影响程度；将三维点云数据中所有高密度数据点的噪声影响程度的均值，记为道路缺陷区域的噪声影响程度；计算三维点云数据中所有低密度数据点的最近距离的标准差，将所述标准差与预设的第一权重的乘积加上道路缺陷区域的噪声影响程度与预设的第二权重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
GIS+BIM
技术的数字孪生数据驱动方法，其特征在于，该方法包括以下步骤：使用激光扫描的方式采集城市道路的三维点云数据，根据三维点云数据中数据点的三维坐标，将每个数据点分别与其它数据点之间的欧式距离中的最小值，记为每个数据点的最近距离；根据三维点云数据中所有数据点的最近距离，使用大津算法得到距离阈值；将最近距离小于等于距离阈值的数据点，记为高密度数据点；将最近距离大于距离阈值的数据点，记为低密度数据点；根据三维点云数据中所有高密度数据点之间的欧式距离大小，得到每个高密度数据点对应的参考高密度数据点和三维点云数据中高密度数据点的离散性；将每个高密度数据点对应的参考高密度数据点的数量，记为每个高密度数据点的密集度；根据三维点云数据中高密度数据点的离散性与数量
、
所有高密度数据点的密集度
、
高密度数据点与低密度数据点的最近距离的差异，得到三维点云数据的道路平整系数；分别根据三维点云数据中高密度数据点与低密度数据点的最近距离之间的差异，得到三维点云数据中的噪声影响程度；根据三维点云数据中的噪声影响程度和道路平整系数，得到三维点云数据对应的最小邻域样本数量；根据三维点云数据对应的最小邻域样本数量，使用
DBSCAN
密度聚类算法，得到三维点云数据中的离群点；删除三维点云数据中的离群点，得到新的三维点云数据；根据新的三维点云数据，使用
GIS+BIM
技术，构建可视化的道路数字孪生模型
。2.
根据权利要求1所述基于
GIS+BIM
技术的数字孪生数据驱动方法，其特征在于，所述根据三维点云数据中所有高密度数据点之间的欧式距离大小，得到每个高密度数据点对应的参考高密度数据点和三维点云数据中高密度数据点的离散性，包括的具体步骤如下：计算三维点云数据中每个高密度数据点与其它高密度数据点之间的欧式距离，将所述欧式距离小于等于距离阈值对应的其它高密度数据点，记为每个高密度数据点对应的参考高密度数据点；计算三维点云数据中任意两个高密度数据点之间的欧式距离，将三维点云数据中所有高密度数据点之间的欧式距离的均值，记为三维点云数据中高密度数据点的离散性
。3.
根据权利要求1所述基于
GIS+BIM
技术的数字孪生数据驱动方法，其特征在于，所述根据三维点云数据中高密度数据点的离散性与数量
、
所有高密度数据点的密集度
、
高密度数据点与低密度数据点的最近距离的差异，得到三维点云数据的道路平整系数，包括的具体步骤如下：在三维点云数据中，将所有高密度数据点的最近距离的均值除以所有低密度数据点的最近距离的均值，记为道路缺陷的相对密度；根据三维点云数据中高密度数据点的离散性
、
高密度数据点的数量
、
所有高密度数据点的密集度，得到道路缺陷的细节信息量；根据道路缺陷的细节信息量与道路缺陷的相对密度，得到三维点云数据的道路平整系数
。4.
根据权利要求3所述基于
GIS+BIM
技术的数字孪生数据驱动方法，其特征在于，所述根据三维点云数据中高密度数据点的离散性
、
高密度数据点的数量
、
所有高密度数据点的密集度，得到道路缺陷的细节信息量，包括的具体步骤如下：将三维点云数据中高密度数据点的数量的归一化值与三维点云数据中高密度数据点
的离散性的乘积，记为道路缺陷的分布特征；在三维点云数据中，将每个高密度数据点和其对应的所有参考高密度数据点中最大的密集度减去最小的密集度，记为每个高密度数据点的密集度的权重；根据三维点云数据中所有高密度数据点的密集度的权重，将所有高密度数据点的密集度的加权方差，记为三维点云数据中高密度数据点的密集度变化程度；将道路缺陷的分布特征与三维点云数据中高密度数据点的密集度变化程度的乘积，记为道路缺陷的细节信息量
。5.
根据权利要求3所述基于

【专利技术属性】
技术研发人员：高国兵，顾宪松，刘长宜，史红良，
申请(专利权)人：汉达科技发展集团有限公司，
类型：发明
国别省市：