建筑结构类型预测：根据面积、层数、轮廓、POI基本信息

介绍

在各类地图中，建筑群的轮廓和高度等数据很常见，或者容易从高清卫星地图中获取，但是建筑的结构类型作为进行建筑结构性能分析的常用数据，却很难获得。虽然一些文献[1-2]中做了相关的预测模型研究，但是数据并未公开。

本项目开发了一个基于随机森林算法的建筑结构类型预测模型，可根据建筑的平面面积、层数、建筑轮廓和周边兴趣点(POI)信息预测建筑的结构类型(混凝土框架、剪力墙、钢框架等)。

从武汉的公开数据中手动提取了2121幢建筑的数据，大部分是国内城市常见类型：混凝土框架（C1）、混凝土剪力墙（C2，常为住宅）和轻钢结构（S3，常为工业厂房）。训练数据和训练好的模型都完全在本仓库中公开。

安装

# 创建名为bldstructpred的Python 3.12虚拟环境
conda create -n bldstructpred python=3.12

# 激活虚拟环境
conda activate bldstructpred

# 安装BldStructPred包
pip install BldStructPred

随机森林模型

训练数据

训练数据集：data/武汉建筑训练数据_POI_LJJ.csv

数据来源：武汉市建筑数据，通过人工标注收集而成（原始数据来源）。

POI分类数据：data/高德POI分类与编码（中英文）_V1.06_20230208.xlsx。

输入

平面面积
层数
轮廓结点坐标
POI（可选）：该建筑周围半径2公里范围内最近的20个属于’住宅服务’或者’商务住宅’的距离（根据高德地图POI获取功能可以得到）

输出

结构类型：Hazus[3]中的结构分类，例如，C2为混凝土剪力墙结构，S3为轻型钢结构。

模型性能

根据面积、层数、轮廓、POI训练得到随机森林模型，整体的准确性为80%左右。混淆矩阵如下：

混淆矩阵

各个特征的重要性如下。可以发现，除了面积和层数之外，POI信息也是很重要的。例如，如果住宅建筑分布在周围很近，那么说明这幢建筑也很有可能是住宅，而在国内住宅常常是混凝土剪力墙，所以POI信息对模型由很大的贡献。

特征重要性

当不用POI数据时，整体准确性降低到73%。混淆矩阵如下：

特征重要性(无POI)

使用方法

模型训练

可参考Examples/Example1.py中的代码进行模型训练：

from BldStructPred.StructPred import StructPred_RF

# 设置训练数据文件路径和参数
DATA_FILE = 'data/武汉建筑训练数据_POI_LJJ.csv'
N_VERT = 100  # 建筑轮廓顶点数量
N_POI = 20    # 周边兴趣点数量

# 创建并训练模型
clf = StructPred_RF(DATA_FILE, N_POI, N_VERT)
clf.train()

# 评估模型性能
clf.evaluate()

# 可视化混淆矩阵和特征重要性
clf.plot_confusion_matrix()
clf.plot_feature_importance()

使用训练好的模型进行预测

可参考Examples/Example2.py中的代码使用训练好的模型进行预测：

from pickle import load
from pathlib import Path

# 加载训练好的模型
with open('data/TrainedRF.pkl', "rb") as f:
    clf = load(f)

# 准备建筑物数据
Area = [32000, 500]                           # 建筑面积列表
Floor = [4, 10]                               # 建筑层数列表
Footprint = [[(-80, -100), (80, -100), (80, 100), (-80, 100)],  # 建筑轮廓坐标列表
             [(-12.5, -10), (12.5, -10), (12.5, 10), (-12.5, 10)]]
             
# POI数据：[[距离, 大类, 中类, 小类], ...]
POI = [[[443.6, '商务住宅', '住宅区', '住宅小区']], 
       [[294.7, '商务住宅', '住宅区', '住宅小区']]]

# 预测建筑物结构类型
result = clf.predict(Area, Floor, Footprint, POI)
print(result)

参考文献

[1] Peng Zhou, Yuan Chang. Automated classification of building structures for urban built environment identification using machine learning. Journal of Building Engineering, 2021, 43: 103008.

[2] Zhen Xu, Yuan Wu, Ming-zhu Qi, Ming Zheng, Chen Xiong, Xinzheng Lu. Prediction of Structural Type for City-Scale Seismic Damage Simulation Based on Machine Learning. Applied Sciences, 2020, 10(5): 1795.

[3] FEMA. Hazus Inventory Technical Manual. Hazus 4.2 SP3. FEMA, 2021.

引用本文

@software{you_ke_liu_2025,
  author       = {You, Tian and Ke, Ke and Liu, Jiajie},
  title        = {youtian95/BldStructPred: v0.1.0},
  month        = may,
  year         = 2025,
  publisher    = {Zenodo},
  version      = {v0.1.0},
  doi          = {10.5281/zenodo.15342789},
  url          = {https://doi.org/10.5281/zenodo.15342789}
}

或者

You, T., Ke, K., & Liu, J. (2025). youtian95/BldStructPred: v0.1.0 (v0.1.0). Zenodo. https://doi.org/10.5281/zenodo.15342789