基于建筑信息模型(BIM)的建筑空間功能分類(lèi)方法

金超逸 徐旻洋 周向東

1(復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院 上海 200433)2(上?，F(xiàn)代建筑設(shè)計(jì)(集團(tuán))有限公司 上海 200041)

0 引 言

BIM在工程建設(shè)領(lǐng)域獲得了越來(lái)越多的重視。BIM數(shù)據(jù)包含廣泛、表達(dá)能力強(qiáng)，可以使很多原本分散的建筑數(shù)據(jù)集中在一個(gè)或幾個(gè)建筑數(shù)據(jù)文件中，既可以進(jìn)行可視化的展示，也可以進(jìn)行查詢(xún)、拆分、索引、分析[1]。對(duì)BIM數(shù)據(jù)的運(yùn)用和挖掘也開(kāi)始越來(lái)越被研究者們關(guān)注和重視，目標(biāo)是通過(guò)機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)從BIM數(shù)據(jù)中獲取對(duì)建筑過(guò)程有指導(dǎo)意義的知識(shí)，以?xún)?yōu)化建筑行業(yè)的流程和機(jī)制。同時(shí)，這方面的工作也會(huì)對(duì)心理學(xué)、社會(huì)學(xué)、行為學(xué)習(xí)等其他相關(guān)學(xué)科產(chǎn)生幫助，使人們有機(jī)會(huì)更好地重新發(fā)現(xiàn)和理解與我們?nèi)粘Ｉ罹o密相關(guān)的建筑的社會(huì)意義、心理意義和對(duì)人們行為的潛移默化而又深遠(yuǎn)的影響。

建筑中的一個(gè)重要分析對(duì)象是建筑空間。建筑空間是承載建筑功能的基本單位，人們對(duì)于建筑的使用、裝潢、改造，都在空間中展開(kāi)。不同的空間之間構(gòu)成的聯(lián)系往往以它們之間的位置、結(jié)構(gòu)存在，這時(shí)，空間又以基本“細(xì)胞”的形式構(gòu)成了一個(gè)由相對(duì)獨(dú)立元素組成的有機(jī)體[2]。通過(guò)學(xué)習(xí)這個(gè)有機(jī)體的結(jié)構(gòu)，我們就能對(duì)建筑的功能有更好的把握。傳統(tǒng)建筑模型只表達(dá)了構(gòu)成建筑實(shí)體的基本元素(如墻壁、樓板、門(mén)窗等)，往往忽略了對(duì)它們圍繞、分隔而無(wú)形之中形成的空間的表達(dá)。相比傳統(tǒng)建筑模型，BIM的空間建模能力更加強(qiáng)大。BIM數(shù)據(jù)為我們更好地理解和挖掘建筑的空間功能提供了良好的條件[3]。

機(jī)器學(xué)習(xí)是當(dāng)前信息技術(shù)研究的熱點(diǎn)之一，而且越來(lái)越多的學(xué)科和領(lǐng)域正在引入機(jī)器學(xué)習(xí)技術(shù)，對(duì)原本的理論結(jié)構(gòu)進(jìn)行檢驗(yàn)或重新發(fā)現(xiàn)，以基于數(shù)據(jù)的實(shí)驗(yàn)來(lái)解決許多已面臨的難題。在工程建設(shè)領(lǐng)域，建筑空間的功能設(shè)計(jì)是一個(gè)重要問(wèn)題，往往反映了設(shè)計(jì)師的經(jīng)驗(yàn)和水平。采用機(jī)器學(xué)習(xí)方法對(duì)建筑功能設(shè)計(jì)進(jìn)行探索具有非常重要的研究與實(shí)踐意義。本文基于Space Syntax理論對(duì)空間結(jié)構(gòu)和功能的關(guān)系提出的基本原理，以空間為中心抽取BIM建模的IFC(Industry Foundation Classes)數(shù)據(jù)[4]，以圖結(jié)構(gòu)對(duì)建筑空間重新建模，以圖結(jié)構(gòu)上的機(jī)器學(xué)習(xí)方法為研究重點(diǎn)，針對(duì)當(dāng)前研究的不足，采用圖結(jié)構(gòu)機(jī)器學(xué)習(xí)技術(shù)，對(duì)基于 IFC標(biāo)準(zhǔn)的BIM度量特性和拓?fù)浣Y(jié)構(gòu)特性進(jìn)行提取，并設(shè)計(jì)實(shí)現(xiàn)了一個(gè)對(duì)于建筑空間的功能進(jìn)行自動(dòng)分類(lèi)的分類(lèi)器。本文在真實(shí)工程建筑BIM數(shù)據(jù)上進(jìn)行了充分的實(shí)驗(yàn)并驗(yàn)證了本方法的有效性。

1 相關(guān)工作

對(duì)于建筑空間的研究，需要針對(duì)建筑空間的特點(diǎn)建立相應(yīng)的模型。文獻(xiàn)[2]提出的Space Syntax理論是一個(gè)具有影響力的理論，它將建筑空間的結(jié)構(gòu)建模成圖型結(jié)構(gòu)，用中心性和分布性及對(duì)稱(chēng)性和非對(duì)稱(chēng)性的區(qū)分兩組簡(jiǎn)單的規(guī)則，及對(duì)空間結(jié)構(gòu)的拓?fù)渖疃?、軸性和凸多邊形性的有關(guān)指標(biāo)計(jì)算分析空間的功能。文獻(xiàn)[5]將視線因素考慮在圖的結(jié)構(gòu)之內(nèi)，把建筑空間進(jìn)一步切割成視見(jiàn)體單元，將可視性圖作為建筑空間的另一種建模，為建筑空間的建模提供另一個(gè)維度。文獻(xiàn)[6]則分析了單純以圖的拓?fù)浣Y(jié)構(gòu)建模建筑空間的不足之處。文獻(xiàn)[7]提出了將局部的度量特征和全局的拓?fù)涮卣鹘Y(jié)合在一起描述建筑空間的一種方法。文獻(xiàn)[8]基于BIM提出了一種生成建筑空間體的指紋特征(building fingerprint)的方法，將IFC文件中的空間對(duì)象抽取成為連通性圖和相鄰性圖兩張圖，作為描述建筑的一種不易重復(fù)的特征。文獻(xiàn)[9]把IFC中的幾何信息和語(yǔ)義信息抽取出后，把這些信息離散化映射到一個(gè)平面柵格上，然后使用快速行進(jìn)算法求出結(jié)構(gòu)中的最短路徑，作為一種基于IFC的3D室內(nèi)空間路徑規(guī)劃方法。文獻(xiàn)[10]將SVM運(yùn)用在了建筑體的自動(dòng)分類(lèi)上。分類(lèi)是基于建筑的結(jié)構(gòu)，按照建筑單元的緊密和共享程度分成分離式建筑、排屋、大廈等多種類(lèi)型。他們利用cityGML的3D城市數(shù)據(jù)，不考慮建筑的外觀，只關(guān)注建筑的構(gòu)型，獲得了大量粗粒度的城市建筑模型，并利用數(shù)據(jù)集中建筑類(lèi)型集中分布的特點(diǎn)用一種無(wú)監(jiān)督學(xué)習(xí)的方法對(duì)大量數(shù)據(jù)進(jìn)行自動(dòng)標(biāo)注，解決了標(biāo)注數(shù)據(jù)量少的問(wèn)題。文獻(xiàn)[11]提出了基于外觀風(fēng)格的3D模型的普遍分類(lèi)方法。這種方法結(jié)合了美術(shù)學(xué)的知識(shí)，用比例、曲線和形狀三種考量設(shè)計(jì)損失函數(shù)，通過(guò)將3D模型拆分的步驟比對(duì)部分件的相似度和顯著性，最終學(xué)習(xí)出不同風(fēng)格物體的分類(lèi)依據(jù)。同時(shí)，他們還采用統(tǒng)計(jì)學(xué)的方法對(duì)大量來(lái)自非專(zhuān)業(yè)人士的選擇題答案進(jìn)行處理，以作為訓(xùn)練數(shù)據(jù)集的標(biāo)注。他們的方法能對(duì)哥特式、巴洛克式、科林蒂安式等多種外形風(fēng)格的建筑進(jìn)行自動(dòng)的分類(lèi)。文獻(xiàn)[12]在BIM上用簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了基于8種人為特征的樓層圖分類(lèi)，并使用無(wú)監(jiān)督的學(xué)習(xí)對(duì)BIM模型元素的幾何屬性進(jìn)行異常檢測(cè)。文獻(xiàn)[13]提出了使用層次聚類(lèi)對(duì)二維樓層圖四種形狀表達(dá)的聚類(lèi)方法，以此對(duì)四種樓層圖的形狀表達(dá)方法進(jìn)行了評(píng)估。

上述文獻(xiàn)對(duì)于建筑空間的建模理論和自動(dòng)化嘗試各有所長(zhǎng)，也各有局限；而將機(jī)器學(xué)習(xí)運(yùn)用在建筑數(shù)據(jù)的處理中是研究發(fā)展的一個(gè)趨勢(shì)。本文將無(wú)監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)運(yùn)用在建筑空間的建模自動(dòng)化上，是第一個(gè)運(yùn)用BIM數(shù)據(jù)對(duì)建筑空間設(shè)計(jì)進(jìn)行自動(dòng)學(xué)習(xí)的方法。它適用于“生成式設(shè)計(jì)”所產(chǎn)生的大量建筑設(shè)計(jì)，也可以把結(jié)論作為“生成式設(shè)計(jì)”的基礎(chǔ)。

2 建筑空間圖結(jié)構(gòu)特征生成分類(lèi)器

本文從IFC模型中抽取IFCSPACE對(duì)象，將它們及它們之間的關(guān)系用圖結(jié)構(gòu)表示，然后在圖結(jié)構(gòu)上進(jìn)行參數(shù)傳播，生成每個(gè)空間的多維特征。使用這些特征，本文使用帶有L1正則化的支持向量機(jī)(SVM)實(shí)現(xiàn)對(duì)建筑空間基于功能的自動(dòng)分類(lèi)。

2.1 抽取IFC信息圖型建模

IFC是目前廣為接受的BIM數(shù)據(jù)國(guó)際標(biāo)準(zhǔn)。如圖1所示，IFC中的數(shù)據(jù)以一種類(lèi)似樹(shù)型結(jié)構(gòu)的形式存儲(chǔ)，樹(shù)結(jié)構(gòu)中的每個(gè)節(jié)點(diǎn)都是一個(gè)對(duì)象，而這些對(duì)象是IFC以面向?qū)ο蟮乃枷攵x的工業(yè)基礎(chǔ)類(lèi)的實(shí)體化。一個(gè)IFC文件以IFCPROJECT對(duì)象作為樹(shù)的根節(jié)點(diǎn),通過(guò)IFC中的關(guān)系類(lèi)對(duì)象連接其他的對(duì)象類(lèi)對(duì)象，展開(kāi)建筑從整體到局部的定義。IFCSPACE是IFC定義中最低一層的空間結(jié)構(gòu)類(lèi)，這一類(lèi)的對(duì)象有key-value形式的屬性對(duì)象用于描述它們的幾何屬性和物理屬性。除此之外，IFCSPACE之間的邊界關(guān)系也是與空間的功能關(guān)系密切的一項(xiàng)屬性。IFC中的空間邊界對(duì)象連接了一個(gè)IFCSPACE和一個(gè)IFCELEMENT對(duì)象，后者一般是一個(gè)繼承抽象父類(lèi)IFCELEMENT的子類(lèi)，如IFCDOOR、IFCWALL或IFCVIRTUALELEMENT，表示構(gòu)成邊界的真實(shí)或虛擬的建筑元素。我們將IFC文件中的邊界定義方式簡(jiǎn)化，把同一元素構(gòu)成的兩條邊界合并，把這兩個(gè)邊界分別連接的空間作為兩個(gè)節(jié)點(diǎn)，構(gòu)成邊界的元素作為兩個(gè)節(jié)點(diǎn)之間的連邊，對(duì)所有的IFC中的空間和邊界都做如此的處理，就將IFC中的空間抽取成了圖結(jié)構(gòu)。根據(jù)圖結(jié)構(gòu)中節(jié)點(diǎn)和邊的關(guān)系，我們抽取出了不同的子圖，包括單一邊元素類(lèi)型構(gòu)成的子圖，如窗邊界圖；也包括混合邊界關(guān)系構(gòu)成的子圖，如相鄰性圖和連通性圖。圖2和圖3展示了IFC中相鄰性關(guān)系和連通性關(guān)系的抽取。

圖1 IFC樹(shù)狀結(jié)構(gòu)中描述IFCSPACE屬性的方式

圖2 IFC中相鄰性關(guān)系的抽取

圖3 IFC中連通性關(guān)系的抽取

2.2 參數(shù)傳播

總結(jié)研究建筑空間功能形成的相關(guān)工作，我們把建筑空間的語(yǔ)義通過(guò)邊界影響其他空間的功能定義為一個(gè)在圖結(jié)構(gòu)上傳播的過(guò)程。我們根據(jù)邊界元素類(lèi)型的不同抽取不同的子圖，也為不同子圖中的每條邊都設(shè)計(jì)一個(gè)權(quán)重參數(shù)d，將每一條邊，亦即傳播路徑中的每一個(gè)單步的衰減過(guò)程近似為一個(gè)線性的過(guò)程，r=ds，即接收空間接收到的參數(shù)量r為源空間發(fā)送出的參數(shù)量s乘以擴(kuò)散系數(shù)d。整個(gè)建筑體空間傳播的過(guò)程即為：

R=DS

(1)

R為接受參數(shù)量向量，S為源參數(shù)量向量，D為擴(kuò)散函數(shù)。D是我們需要從圖結(jié)構(gòu)中學(xué)習(xí)的參數(shù)。我們用一個(gè)損失函數(shù)L來(lái)描述D的訓(xùn)練原理：

L=∑DRA×DRR

(2)

式中：

DRA=2dmin(DMD-1)/(k-2)

(3)

DRR=(1+∑ri∏e∈ride)/k

(4)

式中：DRA為Diffusive Relative Asymmetry(擴(kuò)散相對(duì)非對(duì)稱(chēng)性)；DMD為Diffusive Mean Depth(擴(kuò)散平均深度)，節(jié)點(diǎn)之間連邊e的長(zhǎng)度為該邊擴(kuò)散系數(shù)的倒數(shù)1/de，計(jì)算節(jié)點(diǎn)到源點(diǎn)的路徑深度時(shí)累加路徑上每條邊的長(zhǎng)度，通過(guò)寬度優(yōu)先遍歷在圖中求出每個(gè)節(jié)點(diǎn)的分布；DRR為Diffusive Relative Ringiness(擴(kuò)散相對(duì)成環(huán)性)；k為圖中節(jié)點(diǎn)總數(shù)，r為通過(guò)各個(gè)節(jié)點(diǎn)的圖中環(huán)的個(gè)數(shù)，dmin為圖中最小的邊擴(kuò)散系數(shù)。根據(jù)Space Syntax理論，DRA代表的是空間的融入性，而DRR代表的是空間的控制性。我們的損失函數(shù)L基于強(qiáng)控制弱融入假設(shè)，即控制性較強(qiáng)的空間對(duì)人的流通有更強(qiáng)的限制，則會(huì)傾向于處在更不融入空間整體的地位。

基于L最小化的原理，我們根據(jù)寬度優(yōu)先遍歷的順序，對(duì)于每條路徑的有效傳播長(zhǎng)度進(jìn)行有限的搜索，并輔以剪枝，使我們的算法能在較短的時(shí)間里計(jì)算出最后的參數(shù)值D。在得出D以確定每條路徑的有效傳播長(zhǎng)度之后，我們從每個(gè)節(jié)點(diǎn)出發(fā)，將初始值為1的計(jì)數(shù)值傳播到有效傳播范圍內(nèi)的節(jié)點(diǎn)。每個(gè)節(jié)點(diǎn)按照不同的路徑長(zhǎng)度在不同的維度中接收傳播來(lái)的計(jì)數(shù)，將相同維度中的計(jì)數(shù)相加，作為自己的特征維度。這一類(lèi)傳播為計(jì)數(shù)傳播。我們還將從描述IfcSpace的attributes和properties中篩選出的四項(xiàng)主要幾何物理屬性作為每個(gè)空間節(jié)點(diǎn)的初始參數(shù)，引入?yún)?shù)傳播過(guò)程。四項(xiàng)幾何物理屬性分別為空間的周長(zhǎng)、面積、層高、樓層。傳播的范圍同樣依照有效傳播長(zhǎng)度，而傳播的接收則運(yùn)用數(shù)學(xué)矩。接收函數(shù)如下：

Mi=Momenti(s)

(5)

我們選擇1到6作為矩的階數(shù)。以數(shù)學(xué)矩的形式接收到的參數(shù)同樣作為特征的維度，依照不同的傳播源點(diǎn)(即對(duì)應(yīng)相應(yīng)的傳播距離)生成。這一類(lèi)傳播為屬性傳播。計(jì)數(shù)傳播和屬性傳播一起形成了每個(gè)空間的多維向量結(jié)構(gòu)特征，一共生成了4項(xiàng)簡(jiǎn)單特征和193項(xiàng)復(fù)雜特征，特征的總維度為197維。這些特征總結(jié)如表1和表2所示。

表1 簡(jiǎn)單特征

表2 復(fù)雜特征

2.3 SVM分類(lèi)器

我們的分類(lèi)器基于支持向量機(jī)(SVM)。支持向量機(jī)的本質(zhì)是在向量空間中選取一個(gè)分類(lèi)超平面，使正樣本落在平面的一側(cè)，負(fù)樣本落在平面的另一側(cè)，并使正負(fù)樣本的邊界構(gòu)成的間隔距離最大。對(duì)于我們的建筑空間功能分類(lèi)任務(wù)，我們的圖結(jié)構(gòu)傳播算法生成的特征有很多不同的維度，這些維度代表了不同的語(yǔ)義，例如連通、采光、通風(fēng)、隔音等不同人和物質(zhì)的流通，我們知道這些因素對(duì)于空間的功能分布都有影響，卻并不確切地知道這些影響各自有多大，在不同的情況下當(dāng)這些因素導(dǎo)向的空間功能結(jié)果沖突時(shí)哪些因素居于主導(dǎo)地位。因此，使用SVM尋找一個(gè)特征之間的超平面，使我們可以更好地了解這些因素如何共同作用于建筑空間的功能分布。

SVM的判別方程以斜率ω和截距b兩個(gè)參數(shù)表示分類(lèi)超平面，以此判別樣本點(diǎn)x處在正樣本區(qū)域還是負(fù)樣本區(qū)域：

yi(〈w,xi〉+b)≥1 ?i=1,2,…,m

(6)

并以樣本點(diǎn)落在正負(fù)樣本構(gòu)成的間隔區(qū)域之外作為分類(lèi)正確的限定條件：

fw,b=sign(〈w,x〉+b)

(7)

在此前提下最小化損失函數(shù)：

(8)

在基本的SVM之上，我們加入了L1-正則化。

L1-正則化以參數(shù)的絕對(duì)值作為懲罰項(xiàng)加在損失函數(shù)之上，以避免參數(shù)過(guò)于復(fù)雜導(dǎo)致模型過(guò)擬合。由于絕對(duì)值函數(shù)的邊界存在不可導(dǎo)的“尖”邊緣，在L1-正則化中，相當(dāng)數(shù)量的參數(shù)都會(huì)被懲罰到0，因此L1-正則化還具有特征選取的作用[14]。

帶有L1-正則化項(xiàng)的SVM分類(lèi)器損失函數(shù)為：

(9)

式中：C為控制L1-正則化項(xiàng)的系數(shù)，C越大，L1-正則化的比重越小。我們使用grid parameter optimization對(duì)C進(jìn)行等間距枚舉，使最終C優(yōu)化到分類(lèi)器效果最佳的數(shù)值[15]。

3 實(shí)驗(yàn)與結(jié)果分析

我們?cè)O(shè)計(jì)了全部生成特征與部分特征的分類(lèi)實(shí)驗(yàn)對(duì)比，用分類(lèi)準(zhǔn)確率驗(yàn)證圖傳播特征提取過(guò)程對(duì)建筑功能結(jié)構(gòu)語(yǔ)義信息的抽取效果。

3.1 數(shù)據(jù)集

我們從合作的單位獲得了兩座高層大樓的真實(shí)BIM數(shù)據(jù)。我們分別以建筑A和建筑B代表它們。建筑A高20層，并有兩層地下層，一共包含595個(gè)空間。每個(gè)空間都有l(wèi)ongname的數(shù)據(jù)，部分空間有room type和room category的數(shù)據(jù)；建筑B高19層，一共包含1 507個(gè)空間，每個(gè)空間都有l(wèi)ongname數(shù)據(jù)，且標(biāo)注較建筑A較為籠統(tǒng)，其中約2/3的空間的longname都為“辦公室”。我們運(yùn)用人工標(biāo)注和關(guān)鍵詞抽取，補(bǔ)全了建筑A中沒(méi)有room type和room category數(shù)據(jù)的標(biāo)簽，使其中的595個(gè)空間主要?dú)w為9個(gè)大類(lèi)；對(duì)建筑B中的longname數(shù)據(jù)進(jìn)行關(guān)鍵詞抽取和人工修正，使其中的1 507個(gè)空間主要?dú)w于11個(gè)大類(lèi)。我們從建筑A的空間樣本中選出4個(gè)樣本數(shù)量最多的分類(lèi)：公共機(jī)房、辦公場(chǎng)所、衛(wèi)生間和電梯間，從建筑B的空間樣本中選出5個(gè)樣本數(shù)量最多的分類(lèi)：辦公室、電梯、空氣管道、衛(wèi)生間和水管道。

3.2 評(píng)價(jià)指標(biāo)和對(duì)比方法

我們對(duì)建筑A和建筑B的主要9個(gè)大類(lèi)進(jìn)行依次的一對(duì)一分類(lèi)實(shí)驗(yàn)。在每一次分類(lèi)實(shí)驗(yàn)中，選中的大類(lèi)的樣本作為正樣本，并在不是該大類(lèi)的樣本中隨機(jī)選取等同數(shù)量的樣本作為負(fù)樣本。使用k-fold交叉驗(yàn)證對(duì)分類(lèi)的效果進(jìn)行評(píng)價(jià)。我們?cè)O(shè)計(jì)了幾組實(shí)驗(yàn)，分別對(duì)不包含連通性和相鄰性關(guān)系維度的特征、不包含屬性傳播維度的特征、完整維度的特征進(jìn)行分類(lèi)，以驗(yàn)證我們特征維度生成算法的效果。

3.3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果表明，連通性和相鄰性維度的特征為分類(lèi)的準(zhǔn)確性帶來(lái)了很大的提高，而以數(shù)學(xué)矩接收的屬性傳播為分類(lèi)準(zhǔn)確性帶來(lái)了進(jìn)一步的提升。L1-正則化降低了不同隨機(jī)組實(shí)驗(yàn)之間結(jié)果的波動(dòng)性，使分類(lèi)器更加魯棒。完整特征并包含L1-正則化項(xiàng)的分類(lèi)器還具有很好的平衡性，因?yàn)樗凶钚〉臏y(cè)試集正負(fù)樣本之間結(jié)果之差；事實(shí)上，與其他三組實(shí)驗(yàn)相比，完整特征并包含L1-正則化項(xiàng)的分類(lèi)器一組在這項(xiàng)數(shù)據(jù)上要好得多。實(shí)驗(yàn)中唯一的例外是建筑A中的電梯間類(lèi)型的實(shí)驗(yàn)，在這一類(lèi)分類(lèi)的實(shí)驗(yàn)中，沒(méi)有參數(shù)傳播維度的特征一組的準(zhǔn)確性超過(guò)了完整特征一組的準(zhǔn)確性。這或許可以解釋為數(shù)據(jù)樣本過(guò)少的原因，因?yàn)檫@一組數(shù)據(jù)只有53個(gè)正樣本，而完整特征的維度接近200，很有可能使模型過(guò)擬合。事實(shí)上，這一組數(shù)據(jù)的實(shí)驗(yàn)中沒(méi)有屬性傳播維度的特征更好的表現(xiàn)可能正是因?yàn)樗奶卣骶S度較少，事實(shí)上避免了過(guò)擬合。其他實(shí)驗(yàn)的結(jié)果都證明了我們的特征提取方法在分類(lèi)任務(wù)上的意義。對(duì)建筑A、B的分類(lèi)實(shí)驗(yàn)結(jié)果如圖4、圖5所示。此外，我們還在建筑A和建筑B之間做了跨建筑空間分類(lèi)實(shí)驗(yàn)。我們把建筑A中的辦公場(chǎng)所和建筑B中的辦公室視為一類(lèi)，把建筑A中的衛(wèi)生間和建筑B中的衛(wèi)生間視為一類(lèi)，將兩座建筑的數(shù)據(jù)集合并，用同樣的實(shí)驗(yàn)方法獲得訓(xùn)練集和測(cè)試集的數(shù)據(jù)樣本。分類(lèi)的準(zhǔn)確性如圖6所示。圖7則是某個(gè)辦公型樓層分類(lèi)效果的可視化展示。

圖4 建筑A分類(lèi)結(jié)果比較

圖5 建筑B分類(lèi)結(jié)果比較

圖6 建筑A、B跨建筑分類(lèi)結(jié)果比較

圖7 建筑A某樓層的分類(lèi)結(jié)果可視化，深色為辦公場(chǎng)所，分類(lèi)準(zhǔn)確率為81.25%

跨建筑的分類(lèi)結(jié)果仍然證明了我們方法的效果。這些實(shí)驗(yàn)作為例子說(shuō)明了分類(lèi)系統(tǒng)的功能是根據(jù)標(biāo)簽將建筑模型自動(dòng)分類(lèi)，根據(jù)已經(jīng)學(xué)習(xí)過(guò)的已知標(biāo)簽的數(shù)據(jù)樣本，預(yù)測(cè)未知標(biāo)簽的數(shù)據(jù)樣本。在學(xué)習(xí)了足夠多的數(shù)據(jù)樣本之后，我們的系統(tǒng)就能對(duì)新的建筑設(shè)計(jì)模型進(jìn)行自動(dòng)的分類(lèi)，得到這個(gè)空間的功能結(jié)果以供設(shè)計(jì)者和使用者參考。

4 結(jié) 語(yǔ)

本文基于Space Syntax理論對(duì)空間結(jié)構(gòu)和功能的關(guān)系提出的基本原理，以IFC建筑模型表達(dá)中的空間對(duì)象IFCSPACE為中心抽取BIM建模的建筑數(shù)據(jù)，以圖結(jié)構(gòu)對(duì)建筑空間重新建模，以圖結(jié)構(gòu)上的機(jī)器學(xué)習(xí)方法為研究重點(diǎn)，針對(duì)當(dāng)前研究的不足，提出了基于圖結(jié)構(gòu)機(jī)器學(xué)習(xí)的BIM數(shù)據(jù)挖掘方法，并將自動(dòng)生成的特征用于建筑空間功能的自動(dòng)分類(lèi)，在真實(shí)的數(shù)據(jù)集上驗(yàn)證了特征抽取的效果。下一步將針對(duì)空間參數(shù)傳播參數(shù)模型的訓(xùn)練過(guò)程做進(jìn)一步的探索。