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与流程

1.本发明涉及模型处理技术领域，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。


背景技术：

2.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)”。
3.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模型进行机器学习训练，且准确率较低，依靠人工建模数据集输入效率较低。


技术实现要素：

4.本发明的目的在于克服现有技术的不足之处，提供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，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。
5.本发明的目的是通过以下技术方案实现的：
6.一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，具体包括以下步骤：
7.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；
8.步骤2：智能批量生成数据集。
9.优选的，步骤1中还包括以下子步骤：
10.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；
11.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；
12.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；
13.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。
14.一种模型数据驱动的时空图卷积神经网络数据集构建方法，还包括管线模型数据集构建方法，具体包括以下步骤：
15.步骤a：模型标准化；
16.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；
17.步骤c：智能批量生成数据集
18.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；
19.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。
20.优选的，步骤a还包括以下子步骤：
21.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、雨水管道、加药管道、空气管道等；
22.步骤a2：模型清理，进行模型清理，删除多余的模型及模型辅助线，通过开发特定工具实现过滤选择，进行多种命令集合操作，提高模型清理效率；
23.步骤a3：封闭性检查，与管线相连的构筑物及管线附属构件阀门、闸门等可以作为管线的封闭端；检查管线是否封闭，通过开发特定工具，选择模型，图中封闭的管线将被选中，可将选中的封闭管线移动位置，对未封闭的管线根据需要，采取处理措施；
24.步骤a4：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；
25.步骤a5：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。
26.优选的，步骤b还包括以下子步骤：
27.步骤b1：添加管径信息，过滤选择管道中心线，给管道的管径赋值，选择参照物体，其中所有物体的特征将成为参照特征，实现批量选择二维管线，输入管线属性数据类型；pipedn；2-pipeelevation；3-pipeeqipment；4-pipeeqipmentdist；5-pipednleft；6-pipednright；7-pipeelevationleft；8-pipeelevationright；输入管线属性数据类型，入管线管径属性数据；
28.步骤b2：添加管线中心标高信息，过滤选择管道中心线，实现过滤选择，进行多种命令集合操作，给管道的标高赋值；
29.步骤b3：添加管线附加设备信息，过滤选择管道中心线，进行多种命令集合操作，给管道添加管线附加设备信息；
30.步骤b4：添加变管径信息，过滤选择管道中心线，进行多种命令集合操作，给管道的两边管径赋值；默认以起始点管径，终止点管径，可能会产生误差，误差部分需要手动修改生成的数据集；
31.步骤b5：添加变标高信息，过滤选择管道中心线，实现过滤选择，进行多种命令集合操作，给管道的两边标高赋值；默认以起始点标高，终止点标高，可能会产生误差，误差部分需要手动修改生成的数据集。
32.本发明的优点和技术效果是：
33.本发明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，制定特定的设备、构筑物、管线标准设置，开发对应的工具软件，将构筑物与设备、管线模型模型标准化，批量实现图层转换、模型清理、封闭性检查，添加围栏与基准点、数据集名称与注释。开发对应的工具软件，读取设备模型图层数据，根据定义规则，确定模型的分类类型，根据模型的属性参数，获得设备参数，将模型几何数据、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模型进行机器学习训练，获得人工智能分析模型。
34.通过模型数据驱动智能构建时空图卷积神经网络算法数据集，能够实现污水处理厂1000节点以上的模型在5min内构建算法数据集，数据集准确率达到95％以上，算法建模效率较人工输入数据提高10倍以上。
具体实施方式
35.为能进一步了解本发明的内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。需要说明的是，本实施例是描述性的，不是限定性的，不能由此限定本发明的保护范围。
36.一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，具体包括以下步骤：
37.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；
38.步骤2：智能批量生成数据集。
39.优选的，步骤1中还包括以下子步骤：
40.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；
41.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；
42.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；
43.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。
44.一种模型数据驱动的时空图卷积神经网络数据集构建方法，还包括管线模型数据集构建方法，具体包括以下步骤：
45.步骤a：模型标准化；
46.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；
47.步骤c：智能批量生成数据集
48.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；
49.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。
50.优选的，步骤a还包括以下子步骤：
51.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、雨水管道、加药管道、空气管道等；
52.步骤a2：模型清理，进行模型清理，删除多余的模型及模型辅助线，通过开发特定工具实现过滤选择，进行多种命令集合操作，提高模型清理效率；
53.步骤a3：封闭性检查，与管线相连的构筑物及管线附属构件阀门、闸门等可以作为管线的封闭端；检查管线是否封闭，通过开发特定工具，选择模型，图中封闭的管线将被选中，可将选中的封闭管线移动位置，对未封闭的管线根据需要，采取处理措施；
54.步骤a4：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；
55.步骤a5：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。
56.优选的，步骤b还包括以下子步骤：
57.步骤b1：添加管径信息，过滤选择管道中心线，给管道的管径赋值，选择参照物体，其中所有物体的特征将成为参照特征，实现批量选择二维管线，输入管线属性数据类型；pipedn；2-pipeelevation；3-pipeeqipment；4-pipeeqipmentdist；5-pipednleft；6-pipednright；7-pipeelevationleft；8-pipeelevationright；输入管线属性数据类型，入管线管径属性数据；对应参数意义如下：
58.(regapp"pipednleft")——管道的管径数据，left为起始点一侧；
59.(regapp"pipednright")——管道的管径数据，right为终止点一侧；
60.(regapp"pipeelevationleft")——管道的标高数据，left为起始点一侧；
61.(regapp"pipeelevationright")——管道的标高数据，right为终止点一侧；
62.(regapp"pipeeqtype")——管道的备类型数据；
63.(regapp"pipeeqdist")——管道的设备距离数据，距离起始点一侧。
64.步骤b2：添加管线中心标高信息，过滤选择管道中心线，实现过滤选择，进行多种命令集合操作，给管道的标高赋值；
65.步骤b3：添加管线附加设备信息，过滤选择管道中心线，进行多种命令集合操作，给管道添加管线附加设备信息；
66.步骤b4：添加变管径信息，过滤选择管道中心线，进行多种命令集合操作，给管道的两边管径赋值；默认以起始点管径，终止点管径，可能会产生误差，误差部分需要手动修改生成的数据集；
67.步骤b5：添加变标高信息，过滤选择管道中心线，实现过滤选择，进行多种命令集合操作，给管道的两边标高赋值；默认以起始点标高，终止点标高，可能会产生误差，误差部分需要手动修改生成的数据集。
68.为了更清楚地说明本发明的具体实施方式，下面提供一种实施例：
69.模型数据集示例
70.a、代码形式模型数据集
71.根据算法需要生成多种形式的数据集，一种代码形式的管线及附件的数据集示例如下。
72.co＝1；
73.cng.trafficsignviewtype＝6；//三维管道模型......
74.la＝"pipe"；
75.bp＝cng.acgepoint3d(xx[29]，yy[163]，0.00)——；ep＝cng.acgepoint3d(xx[35]，yy[163]，0.00)——；cnwatertreatment.gdrline(ts，bp，ep，la，co，lsty)——；
[0076]
ptalist.clear()——；ptalist.add(800)——；ptalist.add(800)——；ptalist.add(6.0)——；ptalist.add(6.0)——；ptalist.add(1)——；
[0077]
ptalist.add(1500)——；
[0078]
ts.pipednlist.add(ptalist)——；
[0079]
bp＝cng.acgepoint3d(xx[42]，yy[4]，0.00)——；ep＝cng.acgepoint3d(xx[42]，yy[3]，0.00)——；
[0080]
cnwatertreatment.gdrline(ts，bp，ep，la，co，lsty)——；ptalist.clear()——；ptalist.add(800)——；ptalist.add(800)——；ptalist.add(6.0)——；ptalist.add(6.0)——；ptalist.add(1)——；
[0081]
ptalist.add(1500)——；
[0082]
ts.pipednlist.add(ptalist)——；
[0083]
bp＝cng.acgepoint3d(xx[45]，yy[2]，0.00)——；ep＝cng.acgepoint3d(xx[46]，yy[2]，0.00)——；
[0084]
cnwatertreatment.gdrline(ts，bp，ep，la，co，lsty)——；
[0085]
ptalist.clear()——；ptalist.add(800)——；ptalist.add(800)——；ptalist.add(6.0)——；ptalist.add(6.0)——；ptalist.add(1)——；
[0086]
ptalist.add(1500)——；
[0087]
ts.pipednlist.add(ptalist)——；
[0088]
b、空间数据集
[0089]
按照时空图卷积神经网络算法数据集格式，生成的管线及附件的数据集示例如下：
[0090]
表1时空图卷积神经网络算法空间数据集
[0091]
[0092][0093]
c、时间序列数据集
[0094]
按照时空图卷积神经网络算法数据集格式，按照专业需求，结合经典模型的时间序列数据，创建时间序列数据集。
[0095]
表2时空图卷积神经网络算法时间序列数据集
[0096]
[0097][0098]
最后，本发明优选的，本发明的未尽述之处均采用现有技术中的成熟产品及成熟技术手段。
[0099]
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。