本发明涉及数字数据处理技术领域，提出了基于GIS和BIM的工程建设智能管理方法及系统，包括：获取相关数据，根据所获数据构建知识图谱及UML类图，根据工程建设实体之间的归属关系构建关系紧密度，根据关系紧密度获取关系层次树，根据关系层次树和实体关系的频率获取节点的次序值，根据次序值获取关系树序列以及节点分类结果，根据建筑实体在建筑结构上的可组合程度获取结构组合指数，根据关系树序列和结构组合指数获取实体的特征向量，根据特征向量和知识图谱获取实体的匹配结果，基于实体匹配结果获取工程施工进度预测结果。本发明解决了数据语义信息不对等导致的知识图谱匹配精度低的问题，实现对工程建设的智能管理。
1.基于GIS和BIM的工程建设智能管理方法，其特征在于，该方法包括以下步骤：
获取GIS数据和BIM数据，根据所获数据构建知识图谱及UML类图；
根据UML类图中实体之间的归属关系构建关系紧密度，利用层次聚类算法获取所有实体关系紧密度的层次分类结果，根据层次分类结果获取与每个实体存在关联的所有实体，根据每个实体和与其存在关联的所有实体之间紧密度降序的结果获取每个实体的关系层次树，根据关系层次树和实体关系的频率获取每个节点的次序值，根据次序值获取关系树序列以及节点分类结果；
根据节点分类结果中不同实体在建筑结构上的可组合程度获取结构组合指数，根据实体的关系树序列和结构组合指数获取实体的特征向量，根据特征向量和知识图谱获取实体的匹配实体；
根据实体及其匹配实体获取GIS数据和BIM数据对应的属性融合数据，将属性融合数据作为预测模型的输入，利用预测模型获取工程建设过程中的施工进度预测结果，根据施工进度预测结果实现对工程建设的智能管理。
2.根据权利要求1所述的基于GIS和BIM的工程建设智能管理方法，其特征在于，所述根据所获数据构建知识图谱及UML类图的方法为：获取GIS数据中的XML格式的CityGML数据，利用数据库获取CityGML数据中的owl文件中的三元组，将三元组中的头实体、尾实体作为知识图谱中的节点，将三元组中的关系作为知识图谱中节点之间的关系，根据三元组获取CityGML数据对应的知识图谱；
根据IFC数据中定义的实体和建筑类型获取实体之间的父类、子类关系，根据实体之间的父类、子类关系构建实体之间的UML类图；其中，IFC数据是采用EXPRESS语言定义的建筑数据，CityGML数据是基于XML格式定义了城市中的地理位置数据信息。
3.根据权利要求1所述的基于GIS和BIM的工程建设智能管理方法，其特征在于，所述根据UML类图中实体之间的归属关系构建关系紧密度的方法为：对于任意两个实体，根据UML类图中两个实体对应节点的级联关系获取两个实体之间的关联差异度；
将每个实体与其父类节点的语义信息中属性数据组成的序列作为每个实体的层次属性序列，根据两个实体的层次属性序列以及两个实体父类节点的分布差异获取两个实体之间的层次差异度；
分别将两个实体之间的关联差异度、层次差异度作为第一乘积因子、第二乘积因子，将第一乘积因子与第二乘积因子的乘积与调参因子累加和的倒数作为两个实体之间的关系紧密度。
4.根据权利要求3所述的基于GIS和BIM的工程建设智能管理方法，其特征在于，所述根据UML类图中两个实体对应节点的级联关系获取两个实体之间的关联差异度的方法为：式中， 是实体a、b之间的关联差异度， 、 分别是UML类图中实体a、b对应节点到同一级父类节点所经过的节点数量， 、 分别是UML类图中实体a、b对应节点与其余节点的关联次数，max函数是取最大值函数。
5.根据权利要求3所述的基于GIS和BIM的工程建设智能管理方法，其特征在于，所述根据两个实体的层次属性序列以及两个实体父类节点的分布差异获取两个实体之间的层次差异度的方法为：式中， 是实体a、b之间的层级差异度， 、 分别是UML类图中实体a、b到最高级父类节点需要经过父类节点的数量， 是调参因子，k、p分别是实体a、b对应节点到最高级父类节点需要经过的第k个、第p个父类节点， 是实体a对应节点与第k个父类节点的层级属性序列， 是实体b对应节点与第p个父类节点的层级属性序列， 是层级属性序列 、 之间的EDR编辑距离。
6.根据权利要求1所述的基于GIS和BIM的工程建设智能管理方法，其特征在于，所述根据关系层次树和实体关系的频率获取每个节点的次序值的方法为：对于任意一个实体，将实体对应的关系层次树中每个节点对应实体与实体之间的关系在关系层次树中出现的次数作为分子，将关系层次树内存在实体关系的总数量作为分母，将分子与分母的比值作为关系层次树中每个节点的实体关系频率，将每个节点的实体关系频率作为每个节点的第一乘积因子；
将实体与每个节点对应实体之间的关系紧密度与关系层次树中所有节点对应实体关系紧密度的最小值的差值作为每个节点的第二乘积因子；
将每个节点对应第一乘积因子与第二乘积因子的乘积作为每个节点的次序值。
7.根据权利要求1所述的基于GIS和BIM的工程建设智能管理方法，其特征在于，所述根据节点分类结果中不同实体在建筑结构上的可组合程度获取结构组合指数的方法为：式中， 是实体a的结构组合指数， 是实体a的结构衔接性， 是实体a对应的关系层次树， 是关系层次树 中实体的数量， 是实体a所在聚类簇中所有实体对应关系层次树内实体数量的最小值， 是关系层次树 中实体之间关系的种类， 是实体a所在聚类簇中所有实体对应关系层次树内实体关系种类的最小值；
是实体a的结构组合概率，K是实体聚类簇的数量，g是第g个聚类簇中心节点对应的实体， 、 分别是实体a、实体g的关系树序列， 是关系树序列之间的DTW距离。
8.根据权利要求1所述的基于GIS和BIM的工程建设智能管理方法，其特征在于，所述根据实体的关系树序列和结构组合指数获取实体的特征向量的方法为：对于任意一个实体，分别获取实体对应关系树序列内每个实体的结构组合指数，分别计算实体与其对应关系树序列内每个实体结构组合指数之间的差值，将所述结构组合指数之间的差值与实体的关系紧密度组成的数据对作为特征信息对；
将实体与其对应关系树序列内每个实体对应特征信息对按照关系树序列中元素顺序组成的向量作为实体的特征向量。
9.根据权利要求2所述的基于GIS和BIM的工程建设智能管理方法，其特征在于，所述根据实体及其匹配实体获取GIS数据和BIM数据对应的属性融合数据的方法为：对于任意一个实体，分别获取实体与CityGML构建知识图谱中每个实体的特征向量，分别计算实体对应特征向量与知识图谱中每个实体特征向量之间的余弦相似度，将余弦相似度最大值对应知识图谱上的实体作为实体的匹配实体；
根据工程建设的规划将工程分为不同的建筑区域，获取每个建筑区域内建筑物对应实体的匹配实体，将利用线性融合算法将IFC数据中实体的属性数据与知识图谱上匹配实体的属性数据的融合结果作为属性融合数据。
10.基于GIS和BIM的工程建设智能管理系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑9任意一项所述方法的步骤。
基于GIS和BIM的工程建设智能管理方法及系统
技术领域
[0001] 本发明涉及数字数据处理技术领域，具体涉及基于GIS和BIM的工程建设智能管理方法及系统。
背景技术
[0002] 随着数字化技术、计算机技术的发展，建筑信息模型（Building Information Modeling，BIM）以及地理信息系统（Geographic Information System，GIS）被引入到建筑行业并广泛应用于各类工程项目中，BIM是以三维数字技术为基础集成工程项目各种相关数据信息的数据模型，BIM的特点是建筑模型精度较高，但是无法显示大范围内的地形数据；GIS是一种具有数字化存储、空间分析、环境预测等多功能的地理信息处理技术，GIS的特点是能够存储大量三维地理空间数据，展示建筑与环境的相互关系，但是无法创建精细化的建筑模型，因此将GIS和BIM联合使用能够为工程建筑的管理提供更全面的数据信息。
[0003] 现阶段基于BIM或者GIS数据的工程项目管理通常是借助第三方软件实现的，例如Innovaya Visual Estimating、Synchro等专业软件，不仅需要进行数据格式转换，同时数据在模型导入导出期间容易丢失模型信息，另一方面，在工程建筑的实际管理中，BIM或者GIS提供的数据与工程进度、成本、建筑质量等工程项目管理数据往往是分离的，且BIM数据和GIS数据对建筑表达精度不同，因此通常是将BIM数据和GIS数据进行数据融，然而BIM数据和GIS数据之间存在数据异构的问题，数据融合的计算量过大且精度较低。
发明内容
[0004] 本发明提供基于GIS和BIM的工程建设智能管理方法及系统，以解决工程建设智能管理过程中BIM数据和GIS数据之间存在数据异构导致的数据融合精度低的问题，所采用的技术方案具体如下：
[0005] 第一方面，本发明一个实施例提供了基于GIS和BIM的工程建设智能管理方法，该方法包括以下步骤：
[0006] 获取GIS数据和BIM数据，根据所获数据构建知识图谱及UML类图；
[0007] 根据UML类图中实体之间的归属关系构建关系紧密度，利用层次聚类算法获取所有实体关系紧密度的层次分类结果，根据层次分类结果获取与每个实体存在关联的所有实体，根据每个实体和与其存在关联的所有实体之间紧密度降序的结果获取每个实体的关系层次树，根据关系层次树和实体关系的频率获取每个节点的次序值，根据次序值获取关系树序列以及节点分类结果；
[0008] 根据节点分类结果中不同实体在建筑结构上的可组合程度获取结构组合指数，根据实体的关系树序列和结构组合指数获取实体的特征向量，根据特征向量和知识图谱获取实体的匹配实体；
[0009] 根据实体及其匹配实体获取GIS数据和BIM数据对应的属性融合数据，将属性融合数据作为预测模型的输入，利用预测模型获取工程建设过程中的施工进度预测结果，根据施工进度预测结果实现对工程建设的智能管理。
[0010] 优选的，所述根据所获数据构建知识图谱及UML类图的方法为：
[0011] 获取GIS数据中的XML格式的CityGML数据，利用数据库获取CityGML数据中的owl文件中的三元组，将三元组中的头实体、尾实体作为知识图谱中的节点，将三元组中的关系作为知识图谱中节点之间的关系，根据三元组获取CityGML数据对应的知识图谱；
[0012] 根据IFC数据中定义的实体和建筑类型获取实体之间的父类、子类关系，根据实体之间的父类、子类关系构建实体之间的UML类图。
[0013] 优选的，所述根据UML类图中实体之间的归属关系构建关系紧密度的方法为：
[0014] 对于任意两个实体，根据UML类图中两个实体对应节点的级联关系获取两个实体之间的关联差异度；
[0015] 将每个实体与其父类节点的语义信息中属性数据组成的序列作为每个实体的层次属性序列，根据两个实体的层次属性序列以及两个实体父类节点的分布差异获取两个实体之间的层次差异度；
[0016] 分别将两个实体之间的关联差异度、层次差异度作为第一乘积因子、第二乘积因子，将第一乘积因子与第二乘积因子的乘积与调参因子累加和的倒数作为两个实体之间的关系紧密度。
[0017] 优选的，所述根据UML类图中两个实体对应节点的级联关系获取两个实体之间的关联差异度的方法为：
[0018]
[0019] 式中， 是实体a、b之间的关联差异度， 、 分别是UML类图中实体a、b对应节点到同一级父类节点所经过的节点数量， 、 分别是UML类图中实体a、b对应节点与其余节点的关联次数，max函数是取最大值函数。
[0020] 优选的，所述根据两个实体的层次属性序列以及两个实体父类节点的分布差异获取两个实体之间的层次差异度的方法为：
[0021]
[0022] 式中， 是实体a、b之间的层级差异度， 、 分别是UML类图中实体a、b到最高级父类节点需要经过父类节点的数量， 是调参因子，k、p分别是实体a、b对应节点到最高级父类节点需要经过的第k个、第p个父类节点， 是实体a对应节点与第k个父类节点的层级属性序列， 是实体b对应节点与第p个父类节点的层级属性序列，是层级属性序列 、 之间的EDR编辑距离。
[0023] 优选的，所述根据关系层次树和实体关系的频率获取每个节点的次序值的方法为：
[0024] 对于任意一个实体，将实体对应的关系层次树中每个节点对应实体与实体之间的关系在关系层次树中出现的次数作为分子，将关系层次树内存在实体关系的总数量作为分母，将分子与分母的比值作为关系层次树中每个节点的实体关系频率，将每个节点的实体关系频率作为每个节点的第一乘积因子；
[0025] 将实体与每个节点对应实体之间的关系紧密度与关系层次树中所有节点对应实体关系紧密度的最小值的差值作为每个节点的第二乘积因子；
[0026] 将每个节点对应第一乘积因子与第二乘积因子的乘积作为每个节点的次序值。
[0027] 优选的，所述根据节点分类结果中不同实体在建筑结构上的可组合程度获取结构组合指数的方法为：
[0028]
[0029]
[0030]
[0031] 式中， 是实体a的结构组合指数， 是实体a的结构衔接性， 是实体a对应的关系层次树， 是关系层次树 中实体的数量， 是实体a所在聚类簇中所有实体对应关系层次树内实体数量的最小值， 是关系层次树 中实体之间关系的种类，是实体a所在聚类簇中所有实体对应关系层次树内实体关系种类的最小值；
[0032] 是实体a的结构组合概率，K是实体聚类簇的数量，g是第g个聚类簇中心节点对应的实体， 、 分别是实体a、实体g的关系树序列， 是关系树序列之间的DTW距离。
[0033] 优选的，所述根据实体的关系树序列和结构组合指数获取实体的特征向量的方法为：
[0034] 对于任意一个实体，分别获取实体对应关系树序列内每个实体的结构组合指数，分别计算实体与其对应关系树序列内每个实体结构组合指数之间的差值，将所述结构组合指数之间的差值与实体的关系紧密度组成的数据对作为特征信息对；
[0035] 将实体与其对应关系树序列内每个实体对应特征信息对按照关系树序列中元素顺序组成的向量作为实体的特征向量。
[0036] 优选的，所述根据实体及其匹配实体获取GIS数据和BIM数据对应的属性融合数据的方法为：
[0037] 对于任意一个实体，分别获取实体与CityGML构建知识图谱中每个实体的特征向量，分别计算实体对应特征向量与知识图谱中每个实体特征向量之间的余弦相似度，将余弦相似度最大值对应知识图谱上的实体作为实体的匹配实体；
[0038] 根据工程建设的规划将工程分为不同的建筑区域，获取每个建筑区域内建筑物对应实体的匹配实体，将利用线性融合算法将IFC数据中实体的属性数据与知识图谱上匹配实体的属性数据的融合结果作为属性融合数据。
[0039] 第二方面，本发明实施例还提供了基于GIS和BIM的工程建设智能管理系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
[0040] 本发明的有益效果是：本发明通过CityGML数据的owl文件获取对应的三元组构建知识图谱，基于IFC中定义的实体关系构建UML类图以及关系紧密度，关系紧密度考虑了不同实体关系的紧密程度，其有益效果在于使用分层结构的关系表示能够更好地捕捉实体和关系之间的语义关联，实现更加精细化的实体和关系的表示。其次基于工程建筑中不同实体结构上的衔接关系构建结构组合指数，结构组合指数的有益效果在于通过工程建设过程中建筑物结构之间的衔接性获取实体更多的上下文信息，解决了由IFC数据和CityGML数据之间表达语义信息并不对等导致的在知识图谱的匹配过程中语义信息匹配精度低的问题，提高了工程建设智能管理中的数据融合的精度。
附图说明
[0041] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0042] 图1为本发明一个实施例所提供的基于GIS和BIM的工程建设智能管理方法及系统的流程示意图；
[0043] 图2为本发明一个实施例所提供的关系层次数的示意图。
具体实施方式
[0044] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0045] 请参阅图1，其示出了本发明一个实施例提供的一种基于GIS和BIM的工程建设智能管理方法及系统流程图，该方法包括以下步骤：
[0046] 步骤S001，获取GIS数据和BIM数据，根据所获数据构建知识图谱及UML类图。
[0047] 在BIM中，建筑数据IFC(Industry Foundation Classes)是采用EXPRESS语言定义建筑数据，GIS中的通用数据是CityGML数据，CityGML数据基于XML格式定义了城市中的地理位置数据信息。IFC数据共包含4个不同层次，分别为资源层、核心层、交互层、领域层，每一层中都有对应的信息描述；CityGML数据支持5个级别的细节层次LOD，随着细节层次的提高，建筑物模型的细节信息越多。分别获取IFC数据以及CityGML数据的owl文件，其次利用编程软件中的数据库提取owl文件的三元组，所述三元组包括头实体(head)、关系(relation)、尾实体(tail)三个元素，所述编程软件数据库为python中的rdflib，三元组提取为公知技术，具体过程不再赘述。
[0048] 进一步的，利用CityGML数据的三元组构建知识图谱，将所述知识图谱作为本发明中的匹配模板，将三元组中的头实体、尾实体作为知识图谱中的节点，将三元组中的关系作为知识图谱中节点之间的关系，知识图谱的构建为公知技术，具体过程不再赘述。
[0049] 由于IFC数据是对工程项目中各建筑物的精细化信息，而CityGML数据是大区域的空间数据，也就是说IFC数据的精度更大，对IFC数据中实体和关系进行层次划分。在BIM中实体关系包括子类、类型、内容等多种不同关系，随着信息精细化，实体关系之间的相关性更强。例如实体1是地板表面，实体2是边界表面，那么实体1与实体2的关系为实体1是实体2的一个子类；实体3是一个坐标信息，实体4是数据类型属性，那么实体3与实体4的关系为实体3是实体4的一个属性，则认为实体1与实体2的关系相较于实体3和实体4的关系更加紧密，实体1与实体2之间的相关性更强。
[0050] 对于每一个建筑结构，在IFC数据中包含多个属性的数据信息，相应的存在多组实体之间的关系，因此考虑根据IFC数据中定义的所有实体和建筑类型，确定实体和子类实体之间的父类、子类关系，并基于父类、子类关系构建实体之间的UML类图，UML类图的定义为公知技术，具体过程不再赘述。
[0051] 至此，得到CityGML数据构建的知识图谱以及IFC数据对应得到UML类图。
[0052] 步骤S002，基于UML类图构建关系紧密度，根据实体之间的关系紧密度获取实体关系的分层建模结果。
[0053] BIM 技术作为面向建设项目全生命周期的项目信息管理和集成手段，对于水电工程建筑物可实现构件级的精细化表达；GIS 技术则通过采集大区域的空间地理数据对地理空间数据进行分析、运算、显示和管理，因此本发明中考虑通过利用知识图谱将BIM数据和GIS数据进行数据融合，通过融合后的数据实现对工程建筑更详细，精准的管理。
[0054] 本发明中，IFC数据和CityGML数据融合，就是将IFC数据与CityGML数据构建的知识图谱进行匹配，基于匹配结果将语义相似的IFC数据与CityGML数据进行融合。为了实现更加精细的匹配，首先对实体和关系进行向量化处理，处理过程如下：TransE模型是知识表示学习中的常见模型，TransE模型的作用是将知识图谱中的三元组翻译成embedding向量，分别包括头实体的向量、关系向量、尾实体向量。本发明中，根据owl文件中工程建筑的各类实体的属性信息，对三元组进行人工标记，将标记后的实体以及关系文件作为TransE模型的输入，TransE模型的输出为实体与关系的N维向量。
[0055] 在UML类图中，一个父类节点在UML类图中连接的子类节点越多，该父类节点对应实体与越多实体之间具有关联；除此之外，实体之间关系越紧密，连接距离越短，父类节点与子类节点之间连线经过的子类节点越多，父类节点与子类节点的关系越不紧密。
[0056] 基于上述分析，此处构建关系紧密度T，用于表征实体与实体之间关系的紧密程度，计算实体a、b之间的关系紧密度 ：
[0057]
[0058]
[0059]
[0060] 式中， 是实体a、b之间的关联差异度， 、 分别是UML类图中实体a、b对应节点到同一级父类节点所经过的节点数量， 、 分别是UML类图中实体a、b对应节点与其余节点的关联次数，max函数是取最大值函数。 的值越小，实体a、b在类图中的差异度越小。
[0061] 是实体a、b之间的层级差异度， 、 分别是UML类图中实体a、b到最高级父类节点需要经过父类节点的数量， 是调参因子， 的作用是防止分母为0， 的大小取经验值0.001。k、p分别是实体a、b对应节点到最高级父类节点需要经过的第k个、第p个父类节点， 是实体a对应节点与第k个父类节点的层级属性序列， 是实体b对应节点与第p个父类节点的层级属性序列，所述层级属性序列是由语义信息中的属性信息组成的序列，例如 是指实体a语义信息中的属性信息与k个父类节点语义信息中属性数据组成的序列， 是层级属性序列 、 之间的EDR编辑距离，EDR编辑距离为公知技术，具体过程不再赘述。 的值越大，实体a、b对应节点在类图中的层级差异越大。
[0062] 是实体a、b之间的关系紧密度， 是调参因子，的作用是防止分母为0，的大小取经验值0.001。
[0063] 关系紧密度反映了实体与实体之间关系的紧密程度。实体a、b对应节点在UML类图中与其余节点关联情况的差异度越小， 的值越小， 的值越小；实体a、b对应节点到最高级父类节点需要经历的父类节点越一致，对应节点的层级差异越小， 的值越小，实体属性信息的差异越小，实体a、b在工程建设中对应实体的关联性越强，的值越小，即 的值越大，实体a、b之间的紧密程度越大，在工程建设中越有可能是处于同一建筑区域内结构相似建筑物上的建筑构件。关系紧密度考虑了实体关系的紧密程度，其有益效果在于使用分层结构的关系表示能够更好地捕捉实体和关系之间的语义关联，实现更加精细化的实体和关系的表示。
[0064] 进一步的，获取所有实体之间的关系紧密度，根据关系紧密度进行实体与关系的分层建模。利用层次聚类CURE算法实现实体分层，将实体之间的关系紧密度作为算法输入，代表点的个数取经验值60，收缩因子取经验值0.3，聚类簇的数量取经验值30，CURE算法为公知技术，具体过程不再赘述。得到关系紧密度的层次聚类的结果后，对于任意一个实体，获取与存在关联的实体，并分别计算实体之间的关系紧密度，并按照层次聚类结果构建每个实体的关系层次树，将关系层次树作为实体关系的分层建模结果，实体a的关系层次树记为 ，如图2所示。实体a为树的根节点，第一层叶节点是与实体a关系紧密度最高层次的实体，最后一层叶节点是与实体a关系紧密度最低层次的实体。
[0065] 至此，得到IFC数据中实体关系的分层建模结果。
[0066] 步骤S003，基于实体的关系层次树上节点的次序值以及实体分类结果，基于工程建设中实体结构之间的可组合性构建结构组合指数。
[0067] 在BIM数据和GIS数据融合的过程中，由于表达精细程度的不同，IFC数据和CityGML数据之间表达的语义信息并不对等，这就导致在知识图谱的匹配过程中语义信息匹配精度的降低。本发明中考虑根据工程建设过程中各实体之间的结构衔接性提高语义信息的匹配精度。
[0068] 工程建设中包含多个建筑区域，每个建筑区域内包含多个种类的建筑体，这些建筑体结构之间具有一定的衔接性和组合性，例如玻璃和玻璃之间具有建筑空间上的近邻关系，门和墙体具有建筑主体结构上存在较强的关联性，不同位置的墙体在建筑物中的结构也是较为类似的，上述具有关联性或衔接性的实体在UML类图中都是处于较近的层级。因此，本发明中考虑基于实体的关系层次树提取用于知识图谱匹配的特征向量。
[0069] 对于实体a，利用实体a的关系层次树 构建实体a的关系树序列。根据关系层次树中关系紧密度和节点对应的实体之间关系的频率高低获取每个节点的次序值，计算中第u个节点的次序值 ：
[0070]
[0071]
[0072] 式中， 是节点u的实体关系频率， 是实体u与实体a之间的关系在关系层次树中出现的次数， 是关系层次树内存在实体关系的总数量。
[0073] 是实体a和节点u对应实体之间的关系紧密度， 是关系层次树中节点对应实体的关系紧密度的最小值。 的值越大，实体a和节点u对应实体之间的关系越紧密，实体a和节点u对应实体之间关系出现的频率越大，实体之间的联系越强。
[0074] 获取关系层次树中每个节点的次序值，将次序值按照从大到小的顺序排序，将排序结果作为节点组成序列的顺序，如果出现两个节点的次序值相等的情况，将关系紧密度较大的排在靠前的位置。进一步的，利用每个实体对应的关系层次树构建每个实体对应的关系树序列。
[0075] 进一步的，将IFC数据的每个实体作为一个节点，将关系紧密度作为节点连线对应的权重，则IFC中所有实体构成一个无向图G，利用变色龙Chameleon聚类算法将无向图G分割成K个簇，每个簇内的节点具有较高的相似性，为公知技术，具体过程不再赘述。
[0076] 基于上述分析，此处构建结构组合指数V，用于表征不同实体与其余实体在建筑结构上的组合程度的大小，计算实体a的结构组合指数 ：
[0077]
[0078]
[0079]
[0080] 式中， 是实体a的结构衔接性， 是实体a对应的关系层次树， 、 分别是关系层次树 中实体的数量，关系层次树 中实体之间关系的种类，所述关系种类是指存在关系层次树中实体之间存在不同关系的数量， 是实体a所在聚类簇中所有实体对应关系层次树内实体数量的最小值、 是实体a所在聚类簇中所有实体对应关系层次树内实体关系种类的最小值。 的值越大，说明实体a与同类实体在建筑主体结构上的差异越大，与其余类实体对应建筑物结构衔接的概率越大。
[0081] 是实体a的结构组合概率，K是实体聚类簇的数量，g是第g个聚类簇中心节点对应的实体， 、 分别是实体a、实体g的关系树序列， 是关系树序列之间的DTW距离，DTW距离为公知技术，具体过程不再赘述。 的值越大，实体a与其余类实体的差异越大，实体a的可组合性越差。
[0082] 结构组合指数反映了不同实体与其余实体在建筑结构上的组合程度的大小。实体a与同类实体在建筑主体结构上的差异越大，实体a所在聚类簇的实体对应关系层次树与关系层次树 内实体关系的差异越大， 的值越大， 的值越大，实体a对应建筑物与其余建筑物结构衔接的概率越大， 的值越大；实体a与其余类实体的差异越大，对应关系树序列之间的差异越大， 的值越大， 的值越大，即的值越小，实体a与其余类实体之间的关系在IFC数据中出现概率较低，实体a对应的建筑物在工程建设中与其余建筑物的关联性越差，结构上的可组合性越差。结构组合指数考虑实体之间关系的种类和频率，其有益效果在于通过工程建设过程中建筑物结构之间的衔接性获取实体更多的上下文信息，解决了由IFC数据和CityGML数据之间表达语义信息并不对等导致的在知识图谱的匹配过程中语义信息匹配精度低的问题。
[0083] 进一步的，根据实体的关系树序列和结构组合指数获取IFC数据中每个实体在知识图谱匹配过程中的特征向量。以实体a为例，实体a的特征向量获取过程如下：计算关系树序列 每个实体的结构组合指数，分别计算每个实体的结构组合指数与计算 的差值，将差值与关系紧密度作为每个实体的特征信息对，获取关系树序列每个实体的特征信息对，保持关系树序列 中实体的次序不变，将特征信息对组成的向量记为实体a的特征向量。
[0084] 至此，得到IFC数据中每个实体对应的特征向量。
[0085] 步骤S004，基于实体特征向量获取实体的匹配实体，基于匹配实体获取数据融合结果，根据融合数据获取工程建设的施工进度预测结果，实现对工程建设的智能管理。
[0086] 进一步的，分别获取IFC中每个实体与CityGML构建知识图谱中每个实体的特征向量，对于IFC中每个实体，分别计算该实体与知识图谱中每个实体特征向量的余弦相似度，将余弦相似度最大值对应知识图谱中的实体作为该实体的匹配实体，余弦相似度为公知技术，具体过程不再赘述。
[0087] 根据工程建设的规划将工程分为不同的建筑区域，获取每个建筑区域内建筑物对应实体的匹配结果，利用线性融合算法将IFC中实体的属性数据与知识图谱匹配结果中CityGML中实体的属性数据进行融合得到属性融合数据，线性融合为公知技术，具体过程不再赘述。将每个建筑区域连续P天所有实体的属性融合数据预测模型的输入，预测模型的结构为长短时记忆网络LSTM，以鲸鱼算法为优化算法，以L2函数为损失函数，预测模型的输出是每个建筑区域第P+1天施工进度的预测值，神经网络的训练为公知技术，具体过程不再赘述。
[0088] 根据每个建筑区施工进度的预测结果分配工程的建设材料和建设，所述建设材料包括水泥、钢架、金属、玻璃等工程材料，所述建设器材包括塔吊、运输车等运载工具以及各类施工工具，在整体工程建设材料和建设器材的合理分配，实现对工程建设的智能管理。
[0089] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
