本發明屬于綠色建筑性能優化設計，特別是涉及一種基于生成大模型的城市街區形態優化設計決策方法和系統。

背景技術：

1、國內外在基于物理模型和機器學習模型的綠色建筑性能仿真研究方面取得了顯著進展。現有的綠色建筑性能模擬，大多基于均勻混合的假設，而城市街區尺度的微氣候會帶來非均勻的邊界條件。因此提高綠色建筑性能優化的精度需要通過多模態數據深入開展非均勻環境預測，以及微氣候耦合等研究。

2、近年來，大語言模型llms展現出了出色的多模態理解和生成能力，這些模型能夠處理包括文本、圖像、視頻、音頻等多種模態的輸入和輸出，包括理解和生成多模態內容、模態特定的生成、模仿人類模態轉換等，這些能力正在推動著多模態大型語言模型的發展。然而，在使用llms時，研究者們也發現了其存在的幻覺問題。現有研究表明，通過將知識圖譜的信息以不同形式注入到llms中，可以顯著改善模型的幻覺問題。這一方法的核心思想是利用知識圖譜檢索與輸入問題中顯式提及的實體相關的三元組知識，從而為llms提供豐富的事實信息。

3、對于綠色建筑性能仿真，基于機器學習的建筑性能模擬在提升速度和降低硬件需求方面具有顯著優勢，但其泛化性不足，難以處理多模態數據，且專業性強，普及難度大。因此結合生成式設計和大語言技術，能提升優化設計精度，推動建筑綠色性能優化設計的高效決策。

技術實現思路

1、本發明目的是為了解決現有技術中的問題，提出了一種基于生成大模型的城市街區形態優化設計決策方法和系統。

2、本發明是通過以下技術方案實現的，本發明提出一種基于生成大模型的城市街區形態優化設計決策方法，所述方法包括以下步驟：

3、s1、采集城市街區尺度下影響局地熱島強度與風環境性能的多模態綠色性能數據，并進行預處理；

4、所述步驟s1包括以下步驟：

5、s11、對多模態綠色性能數據進行搜集；

6、s12、生成融合多模態信息的嵌入表示；

7、s13、對數據進行信息提取；

8、s2、對所述預處理的多模態綠色性能數據依據實體、關系、事件轉化為rdf三元組，構建多模態知識圖譜；

9、所述步驟s2包括以下步驟：

10、s21、將抽取的信息轉化為rdf三元組；

11、s22、基于rdf三元組構建多模態知識圖譜；

12、s3、對所述多模態知識圖譜中的知識進行模塊化聚類并獲得結構化子圖，基于結構化子圖提高知識檢索效率，獲得建筑綠色性能數據向量數據庫用于建立外部知識庫增強大語言模型；

13、所述步驟s3包括以下步驟：

14、s31、對知識圖譜中的知識進行模塊化聚類并獲得結構化子圖；

15、s32、基于結構化子圖提高知識檢索效率；

16、s33、獲得建筑綠色性能數據向量數據庫；

17、s4、通過所述知識表征增強大語言模型為執行城市街區形態優化設計的機器學習模型提供指導并接受反饋，形成大小模型協同的端云協同架構；

18、所述步驟s4包括以下步驟：

19、s41、云側大語言模型接收設計者的優化設計任務指令與相關信息，進而理解設計者需求，并向端側模型提供模擬指令；

20、s42、端側模型結合云側指令與相關工程場景模型文件及相關城市街區環境參數，進行城市街區形態優化仿真模擬，并給出模擬結果樣本數據；

21、s43、大語言模型分析模擬結果樣本數據并給出決策指導。

22、進一步地，所述步驟s11中，通過cim、bim或iot一體化平臺數據的動態獲取，構建城市街區尺度下影響局地熱島強度與風環境性能的多模態綠色性能數據庫，并確定數據解析過程中的數據模態類型和對應的數據格式要求；

23、所述步驟s12中，利用clip或mmv跨模態對齊算法和多模態transformer處理不同模態的建筑綠色性能數據，并將這些數據統一轉換為保留其多模態數據特征的高維向量，嵌入一個共享的向量空間實現信息融合和對齊，保留和強化不同模態建筑綠色性能數據之間的關聯，以輔助對多模態數據的語義關系的理解，使模型處理多模態任務時能夠同時考慮多個模態的信息；

24、所述步驟s13中，所述信息提取包括實體抽取、關系抽取和事件抽取；所述實體抽取指應用命名實體識別方法基于bilstm-crf深度學習模型，利用上下文信息，從非結構化多尺度建筑綠色性能數據集中提取包括特定的建筑綠色性能對象或概念；所述關系抽取指使用關系分類模型或依存句法分析方法，識別上述建筑綠色性能實體之間的關系；所述事件抽取通過ace事件抽取框架檢測，并基于深度學習模型識別建筑綠色性能事件觸發詞和相關信息。

25、進一步地，所述步驟s21中，通過python的rdf工具包rdflib將建筑綠色性能數據轉化為“實體-關系-實體”的rdf三元組，并將所述三元組儲存在圖數據庫中，用于后續的處理和查詢操作；

26、所述步驟s22中，通過將提取到的實體與知識庫中的既有實體進行對齊，構建實體間的關系圖，使用圖匹配算法對實體進行鏈接；對知識庫中指向統一實體的記錄，通過聚類算法或deepwalk算法對嵌入到向量空間的實體及關系的距離計算進行合并；使用嵌入模型進行關系相似度計算，使用圖神經網絡，對不同數據源的相同實體之間的關系進行整合；融合后的數據通過推理進行知識增強，以提高信息抽取的準確性和知識圖譜的推理能力。

27、進一步地，所述步驟s31中，通過社區檢測算法識別其中相互關聯的節點組，將知識圖譜分割成不同的社區；通過圖嵌入算法識別和添加缺失的關系或實體，增強知識圖譜完整性，輔助知識推理；

28、所述步驟s32中，通過分層聚類方法，在城市、街區、建筑、空間多維尺度上進行摘要提取，對社區進行分級分析；將結構化子圖及其摘要轉換為高維向量表示；通過faiss或hnsw算法輔助高維向量檢索，提高機器學習任務的效率；

29、所述步驟s33中，通過獲得的所述建筑綠色性能數據向量數據庫，構建增強型基座模型。

30、進一步地，所述步驟s41中，大語言模型作為一個建筑垂直領域問答助手向設計者開放智慧問答服務功能，輸入端接收設計者的優化設計任務指令以及相關多模態數據的輸入，進而理解設計者需求轉化為模擬指令提供給端側模型；

31、所述步驟s42中，端側模型為機器學習模型，基于機器學習的建筑性能模擬在提升速度和降低硬件需求方面具有顯著優勢；

32、所述步驟s43中，通過端云協同架構，大語言模型在云側結合設計者給出的自然語言指令與相關信息生成優化設計模擬指令，端側機器學習模型執行城市街區形態優化仿真模擬給出模擬結果樣本數據，反饋至云側大語言模型進一步分析給出決策指導。

33、本發明還提出一種基于生成大模型的城市街區形態優化設計決策系統，所述系統包括：

34、獲取模塊：整合遙感衛星與無人機平臺，從兩種尺度監測城市熱環境，采集城市地表溫度數據以及城市物理環境信息，研究城市中不同區域的熱島效應強度和分布特征，分析人類活動強度帶來的影響；

35、檢索模塊：基于檢索任務，將設計者檢索內容轉換為提示詞工程，將檢索結果限定在建筑垂直領域，通過大語言模型確定檢索結果；

36、決策模塊：大語言模型將檢索結果輸入機器學習模型進一步完成城市街區形態優化模擬，機器學習模型可將模擬結果反饋至大語言模型以進行進一步決策，端云協同輔助優化設計；

37、交互模塊：建立城市街區形態數字孿生模型，提供模擬結果下建筑布局、建筑高度的可視化表達，直觀展示建筑形態對城市熱島強度與街區微環境氣候的影響。

38、進一步地，在獲取模塊中，城市尺度上，基于搭載modis的遙感衛星監測城市熱環境，采集城市地表溫度數據以及一系列遙感衛星圖像；街區尺度上，基于大疆flycart?30中型多旋翼無人機平臺集成搭載紅外熱成像傳感器、溫濕度傳感器和超聲波風速傳感器，進一步采集氣溫差值、空氣濕度、空氣流速、空氣流量、城市地表粗糙度、城市下墊面形態和城市建筑形態物理環境信息，分析城市街區微環境氣候；

39、所述設計者檢索內容包括自然語言文本和圖像數據，所述大語言模型檢索結果生成為改善局地熱島強度和風環境性能的街區形態設計方案，以進一步輔助機器學習模型進行優化模擬任務。

40、進一步地，所述決策模塊為端側機器學習模型與云側大語言模型相結合的端云協同架構，結合城市街區形態優化設計典型工程場景，大語言模型運用云端算力，將基于主觀經驗的設計決策模式轉型為垂直大模型知識融合下的計算性設計決策模式；端側機器學習模型發揮端側低延遲、實時處理特點，形成“云端智能決策，邊緣實時響應”的基座模型協同架構。

41、本發明還提出一種電子設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現所述一種基于生成大模型的城市街區形態優化設計決策方法的步驟。

42、本發明還提出一種計算機可讀存儲介質，用于存儲計算機指令，所述計算機指令被處理器執行時實現所述一種基于生成大模型的城市街區形態優化設計決策方法的步驟。

43、本發明的有益效果：

44、本發明提供了一種基于生成大模型的城市街區形態優化設計決策方法和系統，所述方法和系統可提高傳統單一機器學習方法的多模態數據處理能力，提升優化設計決策的效率與精度。結合生成式設計和大語言模型技術，構建建筑垂直領域問答助手，有利于指導建筑綠色性能優化設計的高效決策，為綠色建筑性能的快速高效模擬提供強有力的支持。