[发明专利]模型训练方法、装置及电子设备

说明书

本公开实施例公开了一种模型训练方法、装置及电子设备，所述方法包括：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；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。该技术方案能够在新路线中出现样本路线中未曾出现过的新路段时，也可以准确预测新路线的路线附加信息。

技术领域

本公开涉及导航技术领域，具体涉及一种模型训练方法、装置及电子设备。

背景技术

随着互联网技术的发展，人们的出行越来越依赖于基于位置的服务系统。基于位置的服务包括导航、路径规划、地图渲染等。路径规划服务中基于用户提供的起点和终点给出推荐的导航规划路线，并且针对导航规划路线预测行驶时间、红绿灯路口、路段收费信息等路线附加信息。路线附加信息对于用户的路线选择倾向具有一定的影响，有时甚至能够对部分用户路线选择起决定作用。因此，在路径规划服务中准确预测上述路线附加信息是必要的。以路段收费信息为例，已有技术中采用的里程计费方式，由于各地区费率、计费规则等有所不同，维护困难。此外，还有一些其他计费方式虽然能够较为准确的预测以往道路的收费信息，但是无法准确预测包括新开通路段的道路收费信息。因此，有必要提出一种解决方案，在准确预测道路收费信息等路线附加信息时，能够覆盖到新开通路段。

发明内容

本公开实施例提供一种模型训练方法、装置及电子设备。

第一方面，本公开实施例中提供了一种模型训练方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

第二方面，本公开实施例中提供了一种附加信息预测方法，其中，包括：