[论文解读] Build2Vec: Building Representation in Vector Space

Mahmoud Abdelrahman, Adrian Chong+1 more|arXiv (Cornell University)|Jul 1, 2020

Data Quality and Management参考文献 20被引用 10

一句话总结

本文提出 Build2Vec，一种图嵌入框架，通过 node2Vec 和 STAR 模型将建筑信息模型（BIM）转换为向量表示。通过将基于 IFC 的空间数据与物联网传感器数据转化为带属性的图，该方法在低维向量空间中捕捉语义、空间和时间关系，从而提升智能建筑（如新加坡国立大学的 SDE4 零能耗建筑）中预测与分类等机器学习任务的性能。

ABSTRACT

In this paper, we represent a methodology of a graph embeddings algorithm that is used to transform labeled property graphs obtained from a Building Information Model (BIM). Industrial Foundation Classes (IFC) is a standard schema for BIM, which is utilized to convert the building data into a graph representation. We used node2Vec with biased random walks to extract semantic similarities between different building components and represent them in a multi-dimensional vector space. A case study implementation is conducted on a net-zero-energy building located at the National University of Singapore (SDE4). This approach shows promising machine learning applications in capturing the semantic relations and similarities of different building objects, more specifically, spatial and spatio-temporal data.

研究动机与目标

• 解决异构建筑数据（空间（BIM）、时间（物联网传感器）及动态人员行为）整合为统一的机器学习就绪表示形式的挑战。
• 开发一种基于图的框架，通过带属性的图嵌入实现对建筑构件的语义与结构理解。
• 评估图嵌入（node2Vec 与 STAR）在真实智能建筑中捕捉时空关系的可行性。
• 展示向量化建筑表示在提升建筑性能与人员舒适度相关预测、分类及推荐系统方面的应用。

提出的方法

• 将基于 IFC 的 BIM 模型转换为带属性的图，其中节点代表建筑构件（如墙体、门、空间），边代表空间或功能关系，属性包含构件属性与传感器数据。
• 在 node2Vec 中应用有偏随机游走，以学习编码建筑构件之间语义与拓扑相似性的低维向量表示。
• 构建动态多维邻接张量，以表示在离散化空间单元中传感器数据与人员移动的时间变化。
• 使用时空注意力 RNN（STAR）模型捕捉传感器与人员反馈数据的时间动态，实现对环境与行为模式的序列建模。
• 将建筑空间离散化为 2D 单元，以建模时间步长下人员与传感器之间的空间邻近性与动态交互。
• 将人员反馈作为动态节点属性进行整合，将人员视为可移动传感器，并赋予舒适状态标签（舒适、不舒适、中性），以支持监督学习。

实验结果

研究问题

• RQ1 图嵌入能否有效在多维向量空间中表示从 BIM 数据中提取的建筑构件之间的语义与结构关系？
• RQ2 node2Vec 在真实建筑中对门、窗、房间等建筑构件的空间与功能相似性捕捉效果如何？
• RQ3 STAR 模型在智能建筑环境中对传感器数据与人员行为的时间动态建模能力达到何种程度？
• RQ4 空间、时间与人员数据的联合向量表示能否提升建筑相关预测与分类任务的机器学习性能？
• RQ5 将物联网传感器数据与人员反馈整合到图嵌入框架中，如何增强 BIM 模型的可解释性与实用性？

主要发现

• 该框架成功将复杂的基于 IFC 的 BIM 数据转换为统一的带属性图表示，整合了空间、时间与人员行为数据。
• node2Vec 生成了具有语义意义的向量表示，保留了拓扑与语义关系，例如同一 IfcSpace 内 IfcDoor 与 IfcWindow 节点之间的空间邻近性。
• STAR 模型有效捕捉了传感器数据与人员反馈的时间模式，实现了对环境与舒适度动态的序列建模。
• 通过将空间离散化为 2D 单元，实现了对人员移动与传感器交互随时间动态变化的建模。
• 将人员反馈作为图模型中的标签属性进行整合，证明了其在热舒适度预测监督模型训练中的可行性。
• 实时在线演示与高分辨率可视化结果证实了所提出的图嵌入框架在真实智能建筑应用中的可扩展性与可解释性。