[发明专利]模型训练方法、装置及电子设备

权利要求书

1.一种模型训练方法，其中，包括：

获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息；所述目标路段集合包括所述样本路线上的至少一个目标路段、所述目标路段的长度以及所述目标路段的道路特征；

基于所述道路特征对所述目标路段集合中的所述目标路段进行聚类；其中，所述道路特征相同的所述目标路段被聚为同一目标路段类别，聚类结果包括所述目标路段类别以及所述目标路段类别下目标路段的总长度；

基于所述样本路线对应的所述聚类结果以及所述路线附加信息训练机器自学习模型，以确定所述目标路段类别对应的类别附加信息。

2.根据权利要求1所述的方法，其中，基于所述样本路线对应的所述聚类结果以及所述路线附加信息训练机器自学习模型，以确定所述目标路段类别对应的类别附加信息，包括：

基于所述聚类结果获得所述机器自学习模型的样本特征变量及样本特征真值；所述样本特征变量包括所述目标路段类别下目标路段的总长度，所述样本特征真值包括所述样本路线的所述路线附加信息；

利用多个所述样本路线对应的所述样本特征变量以及所述样本特征真值训练所述机器自学习模型，得到所述目标路段类别对应的类别附加信息。

3.根据权利要求1或2所述的方法，其中，所述道路特征包括多个子特征；基于所述道路特征对所述目标路段集合中的所述目标路段进行聚类，包括：

将所述样本路线中所述多个子特征均相同的所述目标路段聚至同一目标路段类别。

4.根据权利要求1或2所述的方法，其中，所述道路特征包括道路等级、道路构成、车道数和车速中的一种或多种的组合。

5.根据权利要求1或2所述的方法，其中，获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息，包括：

获取样本路线；

通过在分叉路口处打断的方式将所述样本路线划分成多个目标路段，以获得所述样本路线对应的所述目标路段集合。

6.一种附加信息预测方法，其中，包括：

获取待预测路线对应的待预测路段集合以及目标路段类别集合；所述待预测路段集合包括所述待预测路线中的待预测路段、待预测路段的长度以及所述待预测路段的道路特征；所述目标路段类别集合包括至少一个目标路段类别以及所述目标路段类别对应的类别附加信息；

基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配；

基于匹配结果中所述目标路段类别对应的类别附加信息以及所述待预测路段的长度确定所述待预测路线的路线附加信息。

7.根据权利要求6所述的方法，其中，基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配，包括：

基于道路特征将所述待预测路段集合中的待预测路段进行聚类；其中，聚类结果包括具有相同道路特征的待预测路段类别以及所述待预测路段类别下待预测路段的总长度；

将所述聚类结果中的待预测路段类别与所述目标路段类别集合进行匹配，获得包括相匹配的待预测路段类别以及目标路段类别的匹配结果。

8.根据权利要求6所述的方法，其中，基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配，包括：

基于道路特征确定所述待预测路段集合中所述待预测路段所属的待预测路段类别；

将所述待预测路段类别与所述目标路段类别集合进行匹配，获得包括相匹配的待预测路段类别以及目标路段类别的匹配结果。

9.根据权利要求6-8任一项所述的方法，其中，所述目标路段类别集合预先通过多个样本路线训练机器自学习模型得到；在训练机器自学习模型的过程中，所述样本路线的路线附加信息已知，对所述样本路线对应的目标路段集合中的目标路段进行聚类得到目标路段类别，以及利用目标路段类别下所述目标路段的长度、所述路线附加信息对所述机器自学习模型训练后，得到所述目标路段类别对应的类别附加信息。