BIM 产品 和 技术 BIM 标准 指 南模板 资金和技术 BIM 服 务 | 25 1. 28.1% 的企业样本不参与有 BIM 应用要求 的项目投标 2. 26.8% 的企业样本有 BIM 部门 3. 25.4% 的企业样本有一两个会用 BIM 的人 45.1% 的虚拟设计建 造项目由总包牵头 JBKnowledge 施工技术报告 2017 （ Level 2 的 样本下降了 2. 要求大部分项目（ 50% 以上）达到 BIM Level 2 的样本增加了 3. 要求一部分项目（ 50% 以下）达到 BIM Level 2 的样本有所增加 4. 要求用 BIM ，但不要求达到 BIM Level 2 的样本有所增加 5. 2018 年出现少量样本的要求比 Level2 更高 更高 6. 一半以上的样本不要求用 BIM 和其 他 情况 资料来源： CIOB BIM Plus 2018 BIM 年度调研报 告 英国 BIM 应 用 | 29 英国 BIM 应用 应用 BIM 的企业总体呈增长趋势， 2018 年仍有 26% 的样本还没开始应用 BIM 。 | 30 英国调研报告的信息 《英国 BIM 报告 2018-NBS National

表示被模型预测为正常样本但与实际不相符的次数; TN 表示被模型预测为正常样本并与实际相符合的次数;FN 表示被模型预测为攻击样本但与实际不相符的次数. 准确率(Accuracy):表示模型预测的攻击样本的 正 确 频 率.预测的准确率越高,则代表模型的误报率越低. Accuracy＝ TP TP＋FP (１２) 召回率(Recall):表示模型正确分类的攻击样本与实际攻 击样本的百分比,它代表着模型的识别能力 模 型 在 准 确 率、召 回 率 和 F１ 值等方面都优 于 其 他 ４ 种 类 型 的 模 型.实 验 结 果 表 明,DSＧ DAEDNN 不仅提高了对少量训练数据样本的攻击类型的准 确率和召回率,而且对大量训练样本的攻击检测性能也并没 有 降 低 .DSＧDAEDNN 具 有 更 高 的 准 确 率 和 召 回 率 ,因 此 具 有 更 强 的 泛 化 能 力 . 与 DS,SVM ０．２] 从测试数据集中随机选择不同数量的测试样本,定量评 估网络的安全状况.同时,使用不同的模型计算网络安全态 势值.从７个不同数量的测试样本中获得的网络安全态势值 如图４所示. 图４ ７组测试的网络安全态势值 Fig．４ Networksecuritysituationvaluesfor７setsoftests 由图４可见,在样本数较少时,DSＧDAEDNN 评估模型的 评估结果更接近网络的实际态势值

本研究覆盖的调查问卷从 2023 年 10 月 1 日至 2024 年 11 月 1 日，按联合国亚太地区年 龄 60 及以上为老年人的定义，筛选出符合老年群体年龄特征的样本，剔除年龄信息不明确、 年龄信息缺失、年龄信息明显错误的样本，最终样本量为 8517 份。调查问卷的主要变量包 括年龄、性别、作答方式、文化程度、婚姻状况、职业、收入来源、智能产品的了解途径等， 主要变量说明见表 1。涉及变量类 年龄 有效样本量为 8517，最小年龄为 60 岁，最大年龄为 97 岁，年龄的样本均值约为 69.61 岁。其中 60~64 岁的样本人群百分比为 22.1%，65~69 岁的样本人群百分比为 29.7%，70~74 岁的样本人群百分比为 27.9%，75~79 岁的样本人群百分比为 14.2%，80 岁及以上的样本人 群百分比为 6.1%。 表 1 调查对象年龄情况 年龄 样本数 频数 8517 2374 27.9 75~79 岁 8517 1207 14.2 80 岁及以上 8517 522 6.1 （2） 性别 有效样本量为 8517，其中男性比例约占 40.00%，女性比例约占 60.00%。 表 3 调查对象性别比例 性别 样本数 频数 百分比（%） 男 8517 3407 40.00 女 8517 5110 60.00 （3） 文化程度 23 调查人群文

关系错综复杂 状态瞬息万变 AI 知识图谱 02 03 在线自学习 AI 训练 现网数据增量训练， 最高 97% 故障主动预测 数据挖掘与建模 大数据采集 30+ 年运维资产 千万级数据样本 01 增强图嵌入故障模糊推理算 法 90% 故障自动推理 创新传播关系学习算法 1000+ 关系挖掘，独家 5 维建 模 04 华为独家 AI 知识图谱，故障预测实现从 0->90% 突破 ：缺乏足够样本，模型训练不充分 1 、获取样本 自身积累样本 设备 1 设备 n 十亿级 DNS 请求、 WEB 请求、爆破事件 千万级 网站攻击事件 百万级 恶意文件、恶意流量样本 200+ APT 攻击组织监测信息 云端 AI 数据 模型 开发 安全智能中心 威胁情报中心 情报提取 签名生产 AI 辅助生产情报 样本训练 AI 模型 AI 从样本提取文件签名 19.5)=175 J(14,7)=1 J(17,18)=90 85 % 海外 A 97% 华为 CDE • 威胁检出率，领先海外 A 友商 12% • 每天 20~80 万 VT 样本跟踪测试， PE 恶 意文件近 10 天误报率 <0.05% • 线上线下联邦学习，威胁检测准确率 >96% • 模型优化时间从 60 天 6 天，情报生产效 率大幅提升 人工辅助 4

BIM 智慧建造解决方案 一、 沃土介绍 二、技术背景 三、 BIM 智慧建造解决方案 四、技术样本介绍 CONTENTS 目录 加入星球获取更多更全的数智化解决方案 城市配套服务商转型 项目背景 沃土项目作为转型城市配套服务商中重要的一环， 旨在从股东、客户、员工 三个 层面支撑战略目标的实现 员工 个人赋能与理念转变， 提升组织绩效 客户 “一个”，丰富、 商 客户录入 机会管理 案场管理 匠心 服 务家 销售系统 销售家 在线家 分享家 客 户 数据洞察 一、 沃土介绍 二、技术背景 三、 BIM 智慧建造解决方案 四、技术样本介绍 CONTENTS 目录 三维数字化的产品设计 高度精细化的过程管理 BIM BIM BIM BIM 绿色智慧新城建设的新思路 BIM BIM BIM BIM BIM 一、沃土介绍 二、技术背景 三、 BIM 智慧建造解决方案 四、技术样本介绍 CONTENTS 目录 ICP 设计 采筑 运维平台 VBIM 平台 业务功能 ICP 工程 匠心 系统 ICP 成本 ICP 采购 服务家 评估 BIM 智慧建造解决方案

数据提供服务 5 大数据，不再是传统的 BI 竞 争 优 势 数据可 视化 样本 数据 关联 关系 多维 分析 统计 报表 全体 数据 趋势 预测 全体数据代替样本数据 一般是基于 KPI 指标等的分析，无法有效支撑决策 提供传统的统计分析功能，提供报表等… 传统基于小数据量的数据分析，样本数据 注重关联关系而非因果关系 数据可视化变得尤为重要 大数据的重点是关联关系与趋势预测 流程控制 • 在子流程中管理分组并在其他项目中再利用 • 可以重复执行一部分流程 • 支持的循环：属性、标签、子集、值、样本、 集群、批量、数据结合、数据碎片、参数、文 件、资源库条目 • 分支（ If-Then-Else ）基于：、数据值、属性 是否存在、样本数量、性能值、文件和过程输 入是否存在、任意表达式 • 创建同一类型的集合 • 集合处理：选择、扁平化或循环 • 可以记忆并调用（中间件）过程结果用于复杂 模型训练 模型评估 自动化及流程控制 多人协作 58 Miner 的数据建模分析准备 数据准备，支持属性选取算子，分组结合多种功能：求和、平均、中间值，支持集合算子，处理原数据，性值过滤行及 样本等，识别并移除冗余数据；支撑数据取样、数据分割、数据转化等。 数据取样 绝对的、相对的、概率的、平 均的、分层的、基于模型的等 . 数据分箱 可基于计数、大小、频率等进 行交互式分箱，使引导区熵值

力。数据采集环节，智能终端搭载多模态传感器实现全域动态感知，构建低 4 空环境数字孪生模型，为精细化管理提供数据基底。算法层面，轻量化模型 与边缘计算结合实现实时目标识别，低空定位和路径规划技术解决复杂环境 导航难题，零样本学习赋予系统未知场景适应能力，全面提升低空作业的智 能性与安全性。空域管理中，分布式调度算法与数字孪生技术融合，支持千 架级无人机集群的动态路径规划与冲突规避，将传统调度的分钟级延迟压缩 至毫秒级，实现空域资源的高效配置。 （5）城市模型低空域算法对抗样本攻击风险 随着智慧城市低空域中 AI 模型的广泛部署，模型面临的对抗样本攻击风 险日益突出。攻击者可通过在输入数据中注入细微扰动，误导 AI 模型输出错 误结果。例如，在低空飞行器目标识别与避障系统中，攻击者可对地面标识 或飞行目标图像进行像素级篡改，使模型误判障碍物类型或位置，诱导飞行 15 器偏离安全航线；在低空监测与安防场景中，对抗样本可能使 AI 系统无法正 以防止模型被逆向推导。 5.1.5.强化低空模型对抗样本防御能力 系统构建 AI 模型的对抗样本防御体系，增强模型在恶意扰动下的鲁棒性 与安全性。针对飞行器识别、避障、路径规划等关键任务，建立检测、训练、 防御的全流程机制：在检测环节，引入对抗样本识别模块，对输入图像、传 感数据的异常特征进行动态监测；在训练环节，采用增强式学习方法，将不 27 同类型扰动样本纳入模型训练集，提升模型的稳定性与泛化能力；在防御环

主要建设内 容 —快 检实 验室 快 速检测实 验室 主要用于长周期的检测、工作站仪器设备的保养、试剂和样本存放、危废处理等。 快 速检测 设备 取样保管设备 辅助实验设备 空间布局设计 实验室仪器设备 主要建设内 容 —公 益 诉 讼 勘验平台 后端 录入 ：录入样本现场基本信息、样本测试数据 后端 打 印：现场打印测试数据 数据统计：各类数据统计 历史查询：查询之前的检测数据 PC

SAP 南京创新中心利用 SAP HANA 技术平台研发了车牌识别数据智能纠错系统，基于海量历史数据使用全样本数据挖掘技术智能识别数据错误模式，并自动进行精准数据纠错，同时还为管理部门动态生成精确的设备维护计划 基于全样本历史数据自动识别错误模式 数据错误模式识别  自动全样本数据挖掘 错误智能识别  准确率 99.9% 自动数据纠错

xn}是论域， x 代表每一个时间段获得的样本值，n 为记录条数；A={ak/k=1,…,m} 是属性集，ak代表单个属性值，共 m 个属性；V 是满足属性a∈ A的 值域；f 是U × A →V的映射，它制定U中每一个样本 x 的属性值。M ij 表示经过扩充的可辨识矩阵中第 i 行 j 列的元素，ak( xi)是样本xi在属 性ak上的取值，即表示样本在第 i 个时间段获得的第 k 个属性值， Si={ j|M (i, j)=∅,i≠ j , j=1,…,n}(3) MOS={i|MA Si≠∅,i=1,….,n}(4) 公式中 m 为属性总个数；n 为扩充后的可辨识矩阵的总维数，等 同于样本记录条数；i，j 为扩充后的可辨识矩阵的横坐标和纵坐标； ∅为空集符号。 由于不完备信息系统中存在多个丢失值及其不同的分布，因此， 213 智慧交通综合大数据管控平台设计建设方案 对信息系 的统计学习理论基础和出色的学习性能，能较好解决小样本、非线 214 智慧交通综合大数据管控平台设计建设方案 性、高维数和局部极小点等实际问题。 SVM 方法的基本思想是以结构风险最小化原则为理论基础，通 过某种特定的非线性映射把样本空间映射到一个高维乃至无穷维的 特征空间，并在特征空间中寻求最优划分或回归线性超平面。把此 平面作为分类决策面，从而解决样本空间中的高度非线性分类和回 归等问题。SVM