基于BIM+GIS 多元数据集成与融合方法研究

尹紫红 兰富安 蒋良潍 冉光炯 王雪岭

（1、西南交通大学，四川 成都610000 2、四川乐西高速公路有限责任公司，四川 西昌615000 3、四川高速公路建设开发集团有限公司，四川 成都610000）

传统的公路建设信息化中，只限于对施工进度、安全、质量等因素的研究。但随着数字孪生、大数据、智慧城市等概念的提出，智慧公路也逐渐为人所熟悉。随着智慧公路建造的深入发展，对技术方案提出了越来越高的要求。要实现智慧公路的进一步发展，就必须厘清概念理论，从数据架构形式、数据融合算法的机制和方法路径上着手实现创新。

1 研究背景

数字技术的不断深入发展，社会各行业的数字化应用趋势日益加深加广，并影响着人们生活的方方面面。随着公路工程的不断成熟，与信息化建设结合也日趋紧密。要实现公路建设信息化，合理、高效利用BIM、GIS 等数字化技术就必须从数据处理的理论上着手，深入了解数据处理算法及平台架构技术。

2 多元数据融合算法

在大体量的目标识别领域中，多元数据融合新型的数据处理手段得到了较大的重视和发展。

应用多元数据融合需要针对不同场景选择不同算法[1]。一般来说主要分为物理类型类、参数类、认识模型类三种算法。数据融合算法分类见图1。

图1 融合算法分类

2.1 物理模型

物理模型类算法即依据现场实际物理模型直接计算三维实体各类特征。这类算法中典型的分析方法有句法分析、估计分析两种。句法分析通过对物理对象语法表达进行开发，将一个结构关系中的物理对象的各类各类特征进行数据汇集，实现物理模型向三维实体模型的转换。应用这种方法需要对每个对象开发处具体的语言和句法，较为繁琐。估计分析法则利用卡尔曼滤波、最大似然估计、最小二乘法实现对物理模型的大致构建。

应用物理模型类算法，需要基于已有物理特征进行数据汇集、模型构建。在较为精密的基础研究工作中较为重要，对于大体量的计算工作，由于实际中物理模型较为复杂，建立内在数据联系难度较大。

2.2 基于参数类

参数类分析算法往往需要一个基础标识，随后所有数据将依赖这一基础标识建立映射关系。参数类算法又可分为基于统计的算法和基于信息论的算法。

2.2.1 基于信息论的算法

基于信息论的数据算法中常见的即数据融合系统中的熵理论法、在现代神经学理论上提出的神经网络算法、将大体量数据合理分类的聚类分析算法等。

熵理论算法通过计算某一随机事物的发生概率、期望值来体现其中的信息量。该理论中发生概率小的事件熵极大，发生概率大的时间熵极小。在多源数据融合中，运用熵理论算法衡量某一系统整体效益，具有极大优势。

神经网络算法从逻辑思维角度出发，将多元数据信息符号化、概念化，再运用基础计算机符号算法语言进行逻辑推理，可以有效的实现对各类数据整合[2]。

聚类分析算法通过将各类数据对象按功能、需求等进行分组，从而实现数据建模前对数据的简化。

2.2.2 基于统计论的算法

基于统计论的数据算法中往往需要大量的观测数据，在已有的观测数据基础上提出先验条件，进行下一步算法操作。在统计论的算法中一般包括经典理论、Bayes 算法、D-S 理论等。

经典推理法通过给存在的目标先验假设，确定标识目标与已观测数据在该假设条件发生相关性的概率。运用经典推理算在解决变量较多的数据时，算法较为复杂，具有一定局限性。同时运用经典推理算法需要具备大量先验密度函数的有效度以提供先验假设条件。

Bayes 推理算法在经典推理算法的基础上削弱了先验函数的不可动摇的地位，该算法通过给定的预先似然估计结合观测的附加条件作为最小风险代价的基本模型[3]。

Bayes 推理算法极大程度上减少了先验需求。基于这一特征，Bayes 算法的难度体现在需要较为准确的定义极大似然估计；同经典推理算法一样，若有多个假设条件或者变量，定义极大似然估计函数会更加复杂；运用多个假设条件分别定义极大似然估计函数时需要每个条件互不相容以保证极大似然估计函数变量独立。

D-S 推理算法在Bayes 算法上更为广义的拓展，该算法从更为全局的角度考虑算法准合理性。D-S 推理算法利用概率区间及不确定区间定义多条件假设下的似然函数，有效的解决了当假设条件相容时的情况。运用该种算法解决假设条件较多的案例时具有一定的灵活性，但当推论链较长时由于函数情况复杂使用论据较为不便；同时可能会造成前期基本假设条件值改变很小的情况下产生结果变化较大的情况。

2.3 认识模型

认识模型算法中主要包括用于匹配识别的逻辑模板算法、用于群体优化的遗传算法、忽略不稳定性因素的模糊集理论算法以及基于客观属性的知识系统算法。

逻辑模板算法通过将先验函数与观测数据匹配识别，确定条件是否满足推论需求，若满足则进一步进行推理。从功能需求来看逻辑模板算法最重要的是用来定义关系不确定性的的逻辑算法，可以说模板算法即用逻辑关系实现参数匹配的一种综合性算法。

模糊集理论算法通过将数据集合中不稳定、不确定、不精确性因素进行降噪处理，实现数据的主观模糊性，从而简化了数据模型。遗传算法通过对初始观测结果进行一系列优化，通过控制结果所给反馈信息实现优化过程中各类从参数的特征化控制。知识系统算法基于一些列对象集合的特征，结合已有的对客观对象的认识，进行对对象集合的表达。

3 数据集成架构形式

3.1 C/S 架构

C/S 架构即客户端/服务器架构模式，是使用较早的一种软件架构形式，多用于局域网。C/S 数据架构基础结构见图2。

图2 C/S 架构示意图

C/S 数据架构主要有用户表示层、数据库层两个层面，实现数据的直接传输，无需中间层。基于C/S 架构的形式，主要有以下优点：在用户表示层可设置丰富的操作及界面，且均可由用户自定义；由于没有多余的中间层，故安全性可以得到保证；仅一层交互，信息传递速度很快。

同时，由于C/S 架构形式的双向化，导致其适用面较窄，一般仅适用于局域网中；适用服务功能需求较单一化的用户；客户端的程序升级维护成本较高。

3.2 B/S 数据架构形式

B/S 架构是对C/S 架构的一种改进，其中的B 即代表Browser，即浏览器/服务器架构形式。这种架构形式的事务逻辑大多在服务器实现，只有极少数才会在前端实现[4-6]。

不同于C/S 架构，B/S 架构模式从功能上来说有三层，B/S架构示意如图3 所示。

图3 B/S 架构示意图

使用这种架构模式，用户在浏览器上即可实现数据访问，无需安装客户端，极大减少了用户端电脑压力；B/S 架构可在广域网上实现，通过设置一定权限即可以实现多客户访问，交互性较强；B/S 通过浏览器实现数据传输，只需要对服务器实现维护升级，无需像C/S 一样对客户端软件升级，产生较大维护成本。

B/S 架构模式以浏览器作为服务器实现数据逻辑处理，保证其安全性及传递速度需要较大的设计成本；同时B/S 采用的是请求- 响应交互模式，在浏览器界面需要时常刷新以获取最新的数据，而非实时动态的数据；最后，在跨越不同的浏览器时，B/S 架构模式会呈现不同的表现性能。

3.3 WEBGL 数据架构形式

WEBGL（Web Graphics Library）是一种以HTML 为框架，直接调用个体电脑GPU 进行硬件加速，用于前端的3D 绘图协议。

图4 WEBGL 架构示意图

4 基于BIM+GIS 数据融合及集成

当采用GIS 技术作为数据来源时条件时，为确保数据真实性需要直接将采集的大量的地理地形数据直接处理、保管，数据处理算法力求简单精确、数据储存功能需要适应计算机硬件条件、数据结果需要适应空间矢量复杂程度及真实的动态需求。

基于以上算法及数据架构形式的研究，可以确定采用聚类分析算法及WEBGL 数据架构形式可以有效的实现地空模型的构建。

4.1 WBS 结构方法

WBS（WorkBreakdownStructure）工作分解结构按功能不同将项目进行细化、分解。从数据融合算法来看，隶属聚类分析的一种，及按照功能性对数据进行分析。在实际工程需求中，通过WBS 结构方法可以有效的处理各项目团队高效的实现团队管理及协同工作。

BIM 数据融合将建管系统进度、设计变更、工序检查、计量支付、试验检测、质检评定等功能与BIM 模型构件挂钩，通过WBS 及EBS 结构树实现多源异构数据深度融合，实现模型构件层级与建设过程中各环节所涉及的资料及报表相关联的数据可视化，确保工程建设全过程信息存储和数据深度融合。基于WBS 结构建立的BIM计量支付及融合工序检查见图5、图6。

图5 BIM 融合计量支付

图6 BIM 融合工序检查

4.2 电子沙盘

图7 电子沙盘

电子沙盘模块，基于BIM+GIS 引擎，采用WEBGL 技术，实现了长线路、多专业的BIM模型及三维地形和影像数据的轻量化动态加载与展示。

模块基于工程结构树（EBS）对BIM模型对象及属性信息进行管理，提供BIM对象的快速检索定位（桩号检索定位、标段检索定位、工点检索定位、地名检索定位）、视图定位、构造物快速筛选、地形透视、快速显隐，以及模型动态剖切、几何量测、行车漫游、关联信息及图纸查看等功能，帮助系统使用人员全面、直观、准确的了解乐西工程相关数据信息。基于WEBGL 数字架构建立的电子沙盘模型见图7、图8。

图8 电子沙盘EBS 结构

5 结论

本文从数据融合算法及数据架构形式两方面进行了系统的研究。采用物理模型融合算法可以有效准确的实现GIS 技术对地空数据的有效识别，同时结合聚类分析算法可以有效的实现数据的整合管理及存储需求。基于BIM+GIS 技术，结合WEBGL 数据架构形式，可轻量化的实现数据的在线动态管理及对工程全阶段的资料有效整合。