1.一種基于生成大模型的城市街區形態優化設計決策方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，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；
3.根據權利要求1所述的方法，其特征在于，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；
4.根據權利要求1所述的方法，其特征在于，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；
5.根據權利要求1所述的方法，其特征在于，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；
6.一種基于生成大模型的城市街區形態優化設計決策系統，其特征在于，所述系統包括：
7.根據權利要求6所述的系統，其特征在于，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；
8.根據權利要求6所述的系統，其特征在于，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。
9.一種電子設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1-5任一項所述方法的步驟。
10.一種計算機可讀存儲介質，用于存儲計算機指令，其特征在于，所述計算機指令被處理器執行時實現權利要求1-5任一項所述方法的步驟。