建筑设计质量预测方法、装置、电子设备及存储介质

本发明涉及建筑业与信息技术交叉，特别涉及一种建筑设计质量预测方法、装置、电子设备及存储介质。

背景技术：

1、建设项目的设计阶段虽然在整个项目中只占用较少的时间、资金和人力成本，但是其成果的质量会对整个工程项目的质量和效益起到决定性的作用。保证设计的质量对于保证整个工程的顺利实施具有重要的意义。在实际工程实践中，保证设计质量通常采取对于设计成果进行审查并讨论解决设计问题的方案，而这一过程通常时间、人力成本高，且仍然存在遗漏。

2、在设计过程中，执行设计行为的主体是设计师，而最终的设计成果就是这些设计行为累加而形成的。因此设计师的行为特征与设计的成果质量逻辑上存在密切关联。分析设计行为的数据，从中提取出反映设计师行为特征的信息，将有助于理解造成设计质量变化的内在原因，帮助我们从根源上减少设计问题的出现从而更好地控制设计的质量。但是目前对于这两者之间具体是如何关联的尚不清楚，并且没有成熟的方法显式、定量地描述这种关系。

3、目前与本方法比较接近的技术主要是基于bim（building informationmodeling，建筑信息模型）的设计行为特征分析技术。这类技术的数据源主要是基于bim软件自动生成的日志文件，采用数据挖掘技术从中提取与设计行为某些局部特征相关的信息，最后应用各种类型的算法对设计行为数据进行分析，从而从数据的角度得到设计效率、设计协作情况等信息。

4、例如相关技术1通过从bim建模软件在设计人员工作工程中自动生成的日志文件中提取设计特征信息，并使用generalized suffix trees算法分析设计者执行建模命令这一行为的特点，并发现不同设计者执行相同的一系列命令的效率有显著的不同。相关技术2则使用模式识别算法从日志数据中获取频繁出现的命令序列，指出在执行特定序列的效率上不同的设计者有显著差异。在下一年，他们又通过对于同一项目中进行协同工作的不同设计者的日志数据中分析得出设计团队中不同设计者所发挥的价值、设计者之间的联系网络。相关技术3从autodesk revit软件自动生成的日志文件中提取命令执行数据，使用lstmnn（long short-term memory neural network，长短期记忆神经网络）学习命令执行序列，并预测设计者在完成一系列命令之后下一步可能执行的命令。

5、然而，这些研究中所提出的方法仍然存在很多局限性，首先就是仅依靠日志数据无法获得完整地描述设计行为，这主要是因为软件自动生成的日志并不是为了记录设计者所有的操作而设计的；其次就是多数研究得到的特征和结论是很局部的，比如某几个操作的熟练度、若干个命令之间的关系等，缺少对于整体特征的分析方法；最后就是缺少建立设计行为与设计质量之间关系的研究和方法。

技术实现思路

1、本发明提供一种建筑设计质量预测方法、装置、电子设备及存储介质，以解决设计行为数据不完整、缺少对于整体特征的分析方法、缺少设计行为与设计质量相关性分析的方法等问题。

2、本发明第一方面实施例提供一种建筑设计质量预测方法，包括以下步骤：获取多个设计者关于建筑设计行为的日志数据和实时记录数据；根据多个设计者的日志数据和实时记录数据生成设计行为数据集，其中，设计行为数据集中包括每个设计者的设计行为数据样本；提取设计行为数据集中每个设计行为数据样本的设计行为特征向量，根据每个设计行为数据样本的设计行为特征向量和设计质量量化评估数据生成测试数据；基于机器学习算法构建设计质量预测模型，利用测试数据对设计质量预测模型进行训练，利用训练完成的设计质量预测模型预测目标预测对象的建筑设计质量。

3、可选地，根据多个设计者的日志数据和实时记录数据生成设计行为数据集，包括：将日志数据和实时记录数据转换成目标格式数据；根据每个设计者的目标格式数据生成设计行为数据样本，根据每个设计者的设计行为数据样本生成设计行为数据集。

4、可选地，目标格式包括时间戳、记录类型和记录详情，根据每个设计者的目标格式的数据生成设计行为数据样本，包括：将目标格式数据中所有数据按照时间戳进行时间对齐；融合时间对齐后的所有数据得到设计行为数据样本。

5、可选地，在将日志数据和实时记录数据转换成目标格式数据之前，还包括：对日志数据和实时记录数据进行数据清洗和数据筛选。

6、可选地，提取设计行为数据集中每个设计行为数据样本的设计行为特征向量，包括：识别每个设计行为数据样本中每个统计指标对应数据；计算每个统计指标对应数据在对应设计行为数据样本中的数据密度和时间密度，其中，数据密度表示统计指标对应数据的数量占样本总记录条数的比例，时间密度表示统计指标对应数据所占用的总时间占样本总时间跨度的比例；根据数据密度和时间密度生成设计行为特征向量。

7、可选地，利用测试数据对设计质量预测模型进行训练，包括：将测试数据划分为训练集和验证集；对训练集进行数据增广，根据训练集对设计质量预测模型进行训练，根据验证集对设计质量预测模型进行验证，直到满足训练停止条件时停止训练。

8、可选地，实时记录数据包括设计者工作时实时记录的键盘按键操作数据、建筑设计模型中创建构件、修改构件和删除构件的数据、以及执行命令数据。

9、本发明第二方面实施例提供一种建筑设计质量预测装置，包括：获取模块，用于获取多个设计者关于建筑设计行为的日志数据和实时记录数据；生成模块，用于根据多个设计者的日志数据和实时记录数据生成设计行为数据集，其中，设计行为数据集中包括每个设计者的设计行为数据样本；提取模块，用于提取设计行为数据集中每个设计行为数据样本的设计行为特征向量，根据每个设计行为数据样本的设计行为特征向量和设计质量量化评估数据生成测试数据；训练模块，用于基于机器学习算法构建设计质量预测模型，利用测试数据对设计质量预测模型进行训练，利用训练完成的设计质量预测模型预测目标预测对象的建筑设计质量。

10、本发明第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序，以实现第一方面的建筑设计质量预测方法。

11、本发明第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序或指令，计算机程序或指令被执行时，以实现第一方面的建筑设计质量预测方法。

12、由此，本发明包括如下有益效果：

13、本发明实施例通过获取多个设计者关于建筑设计行为的日志数据和实时记录数据，生成设计行为数据集，从行为数据集中提取每个设计行为数据样本的设计行为特征向量，并根据二者生成测试数据，基于机器学习算法构建设计质量预测模型并使用测试数据对设计质量预测模型进行训练，利用训练完成的设计质量预测模型预测目标预测对象的建筑设计质量，获得了更加完整的设计行为数据，给出了基于统计分析的重要整体特征，并提供了基于机器学习的对设计质量进行分析的方法。由此，解决了设计行为数据不完整、缺少对于整体特征的分析方法、缺少设计行为与设计质量相关性分析的方法等问题。

14、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种建筑设计质量预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的建筑设计质量预测方法，其特征在于，所述根据多个设计者的所述日志数据和所述实时记录数据生成设计行为数据集，包括：

3.根据权利要求2所述的建筑设计质量预测方法，其特征在于，所述目标格式包括时间戳、记录类型和记录详情，所述根据每个设计者的所述目标格式的数据生成所述设计行为数据样本，包括：

4.根据权利要求2所述的建筑设计质量预测方法，其特征在于，在将所述日志数据和所述实时记录数据转换成目标格式数据之前，还包括：

5.根据权利要求1所述的建筑设计质量预测方法，其特征在于，所述提取所述设计行为数据集中每个设计行为数据样本的设计行为特征向量，包括：

6.根据权利要求1所述的建筑设计质量预测方法，其特征在于，所述利用所述测试数据对所述设计质量预测模型进行训练，包括：

7.根据权利要求1-6任意一项所述的建筑设计质量预测方法，其特征在于，所述实时记录数据包括设计者工作时实时记录的键盘按键操作数据、建筑设计模型中创建构件、修改构件和删除构件的数据、以及执行命令数据。

8.一种建筑设计质量预测装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现权利要求1-7任一项所述的建筑设计质量预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序或指令，其特征在于，所述计算机程序或指令被执行时，以实现权利要求1-7任一项所述的建筑设计质量预测方法。

技术总结
本发明涉及建筑业与信息技术交叉技术领域，特别涉及一种建筑设计质量预测方法、装置、电子设备及存储介质，其中，方法包括：获取多个设计者关于建筑设计行为的日志数据和实时记录数据；生成设计行为数据集；提取设计行为数据集中每个设计行为数据样本的设计行为特征向量，根据每个设计行为数据样本的设计行为特征向量和设计质量量化评估数据生成测试数据；基于机器学习算法构建设计质量预测模型，利用测试数据对设计质量预测模型进行训练，利用训练完成的设计质量预测模型预测目标预测对象的建筑设计质量。由此，解决了设计行为数据不完整、缺少对于整体特征的分析方法、缺少设计行为与设计质量相关性分析的方法等问题。

技术研发人员：潘鹏,林佳瑞,倪相瑞
受保护的技术使用者：清华大学
技术研发日：
技术公布日：2024/12/5