双对偶图神经网络

建筑布局预测精度高

引入平面对偶理论，用面邻接消息传递替代传统边传播，能更准确地预测建筑布局的结构与特征。

Kuntao, Hu · Nannan, Zhang · Tianning, Yao · Ziqi, Xu · Xing, Chen · 孙良 · Xing, Chen

Automation in Construction 2026

参数信息

点特征预测准确率

0.836

边连接预测准确率

0.774

技术优势

面邻接更准

用面邻接消息传递替代边传播，更准确地捕捉面域之间的空间关系，从而在特征预测上显著优于标准GAT。

支持复杂特征

模型能生成带21维特征的复杂布局，覆盖建筑设计中多样的语义和属性信息。

设计早期可用

在建筑设计阶段即可预测空间拓扑和特征参数，为AI驱动的自动化设计提供支持。

应用场景

• 建筑设计自动化：自动生成布局拓扑，减少设计师手工绘制时间。
• 建筑布局生成：从边界或初始图输入直接生成带特征的布局。
• 图神经网络：提供面邻接消息传递的新范式，超越传统边传播。
• 空间拓扑预测：在设计阶段预测空间拓扑，支持早期决策。