【目的】轨迹知识图谱能够有效记录轨迹与地理空间实体间深层语义联系，在揭示复杂关联信息方面展现出显著优势。传统的面向领域数据源的知识图谱构建方法依赖于专业知识，涉及繁重的数据预处理和实体关系抽取工作，对用户的专业技能要求较高。【方法】为降低轨迹知识图谱构建门槛，本文提出了一种大语言模型提示学习增强的轨迹知识图谱构建方法，支持以自然语言驱动的任务执行流程，显著降低了知识图谱构建的使用门槛。首先设计预处理任务提示策略，引导模型自动生成异常轨迹数据处理代码，完成数据预处理工作，降低了编程能力的依赖；其次设计工具调用的两级系统提示策略，完成轨迹实体关系抽取工具的匹配与调用，将繁重的构建流程封装于提示模板与自动化工具中，使非专业用户通过简单的语言指令完成图谱构建。【结果】为验证本文方法的可行性与有效性，本文通过构建轨迹预处理和实体关系抽取工具匹配的测试语句集，选取真实船舶和车辆轨迹数据作为知识图谱构建数据集，评估提示策略的适用性，在通义千问和百度千帆主流大语言模型上，分别达到了75%和80%以上的准确率。【结论】本文验证了结合提示学习的大语言模型在低门槛构建轨迹知识图谱中的有效性，展现出所设计提示策略的良好泛化性与应用价值。

【目的】图神经网络（Graph Neural Network, GNN）与建筑信息模型（Building Information Modeling, BIM）的深度结合显著推动建筑、工程与施工（Architecture, Engineering, and Construction, AEC）行业的发展，本文针对BIM中的空间识别与分类问题，提出一种节点特征增强的自监督图神经网络模型，旨在通过构建一套面向任务的框架，弥合BIM数据与基于图的表示学习之间的差距，从而能够同时捕获几何语义与功能空间语义。【方法】将每个建筑空间表示为节点，利用边特征增强节点特征。为最大化特征描述能力，在图传播之前，将拓扑意义显著的共墙连接、走廊连接、角落连接和开放空间连接等关系编码为加权边，并通过可学习的融合层注入到节点嵌入中，并在自主构建的12种空间类型和4种关系特征的3大类建筑空间布局图知识库上进行训练，从而可自动识别建筑中的功能空间类型。【结果】 ① 在覆盖学校、住宅和办公楼3类建筑，共300个大型平面子图的BuildingGraph自建数据集上进行建筑空间节点分类，所提出的融合边特征的增强型GNN实现了96.83%的分类准确率，并在数千节点规模的大图上仍保持训练损失曲线的稳定收敛；② 在相同训练超参数设置下进行消融实验，与现有GNN模型相比，BGFEF在测试精度（97.08%）和F₁分数（96.75%）方面均实现了显著提升，其中较传统Graph‑BERT和最先进SAGE‑E模型高出3%~12%； ③ 在真实工程应用中，选取学校、公寓和办公楼3类共9个BIM模型并提取房间连通拓扑图进行测试，验证了本方法在建筑空间分类中的准确性与互操作性，学校类模型的单个实例识别准确率最高达96.87%。【结论】本文方法提高了空间分析的效率和自动化程度，研究结果为其在实际AEC项目中的落地实施提供了实践指导，支持生成与Industry Foundation Classes（IFC）标准无缝对应的高置信度功能标签，从而加速基于规则的设计审查、设施管理与疏散路径优化，并为多类型建筑场景下的本体驱动图推理提供可扩展的研究与应用基础。