CN111832797A - 数据处理方法、数据处理装置、存储介质和电子设备 - Google Patents
数据处理方法、数据处理装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111832797A CN111832797A CN202010281263.XA CN202010281263A CN111832797A CN 111832797 A CN111832797 A CN 111832797A CN 202010281263 A CN202010281263 A CN 202010281263A CN 111832797 A CN111832797 A CN 111832797A
- Authority
- CN
- China
- Prior art keywords
- path
- target
- embedded
- feature
- predetermined
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000003672 processing method Methods 0.000 title abstract description 8
- 238000005315 distribution function Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 69
- 238000000034 method Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 230000004913 activation Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种数据处理方法、数据处理装置、存储介质和电子设备。本发明实施例获取由顺序连接的单位路段组成的路径序列,并基于预定概率分布函数随机生成各单位路段的嵌入特征,进而将各目标单位路段输入对应的预定模型以获得目标单位路段与非目标单位路段的相似度,从而根据相似度迭代更新预定模型的模型参数以及目标单位路段和非目标单位路段的嵌入特征,在各预定模型的损失函数收敛后,根据目标值确定对应的第一路径的嵌入特征。在本发明实施例中,无需对单位路段的嵌入特征进行人工标记,有效降低了人力成本,且通过多个模型同时迭代更新各单位路段的嵌入特征,能够准确地获取各单位路段的特征表示。
Description
技术领域
本发明公开涉及计算机技术领域,具体涉及一种数据处理方法、数据处理装置、存储介质和电子设备。
背景技术
自古以来,道路作为各种车辆、行人等通行所必需的基础设施,在生产生活中占据着十分重要的地位。随着生活节奏的不断加快,各条道路(或路段)的交通状况也在时刻发生着改变。对于物流行业、电商行业等对于交通状况的依赖程度较高的行业,提前获取各条道路的交通状况,从而规划出最优路径是十分有必要的。但在现有技术中,各条道路的特征表示的获取方式需要通过人工标记,且复杂度较高。
发明内容
有鉴于此,本发明实施例的目的在于提供一种数据处理方法、数据处理装置、存储介质和电子设备,用于较为准确地获取各道路(或路段)的特征表示且降低人力成本,从而为预测各道路的交通状况等提供较为准确的数据支持。
根据本发明实施例的第一方面,提供一种数据处理方法,所述方法包括:
获取第一路径序列,所述第一路径序列由多个第一路径组成,各所述第一路径为顺序连接的单位路段;
基于预定概率分布函数生成各所述第一路径的第一嵌入特征;
迭代更新所述目标第一路径的所述第一嵌入特征、各非目标第一路径的所述第一嵌入特征以及多个预定模型的模型参数,直至各所述预定模型的第一损失函数收敛,其中,所述预定模型用于根据所述目标第一路径的所述第一嵌入特征获取所述目标第一路径的第一输出特征,所述第一损失函数用于表征对应的所述目标第一路径的第一输出特征与对应的非目标第一路径的第一嵌入特征的第一相似度;
根据各第一目标值确定对应的所述第一路径的所述第一嵌入特征,所述第一目标值用于表征使得对应的所述预定模型的所述第一损失函数收敛的第一路径的嵌入特征。
优选地,所述方法还包括:
确定多组第一模型参数,所述第一模型参数为所述损失函数收敛的所述预定模型的模型参数;
获取第二路径序列,所述第二路径序列由多个第二路径组成,各所述第二路径均为具有连接关系的单位路段;
基于所述预定概率分布函数生成各所述第二路径的第二嵌入特征;
基于各所述第一模型参数,同时迭代更新所述目标第二路径的所述第二嵌入特征、各非目标第二路径的所述第二嵌入特征以及所述多个预定模型的模型参数,直至各所述预定模型的第二损失函数收敛,其中,所述预定模型用于根据所述目标第二路径的第二潜入特征获取所述第二目标路径的第二输出特征,所述第二损失函数用于表征对应的所述目标第二路径的第二输出特征与对应的非目标第二路径的第二嵌入特征的第二相似度;
根据各第二目标值确定对应的所述第二路径的所述第二嵌入特征,所述第二目标值用于表征使得对应的所述预定模型的所述第二损失函数收敛的第二路径的嵌入特征。
优选地,所述基于预定概率分布函数生成各所述第一路径的第一嵌入特征包括:
基于所述预定概率分布函数随机生成各所述第一路径对应的多个元素,所述元素的数量为预先设定;
分别根据各所述第一路径对应的所述多个元素确定所述第一嵌入特征。
优选地,所述同时迭代更新所述目标第一路径的所述第一嵌入特征、各非目标第一路径的所述第一嵌入特征以及多个预定模型的模型参数,直至各所述预定模型的第一损失函数收敛包括:
将具有连接关系的两个所述第一路径以及位于所述第一路径序列两端的两个所述第一路径分别确定为一个第一路径对,所述目标第一路径为各所述第一路径对中连接顺序均在前或均在后的所述第一路径;
对于各所述第一路径对,将各所述目标第一路径在各迭代周期的所述第一嵌入特征作为所述预定模型的输入,获取对应的所述第一输出特征;
计算所述第一输出特征与同一所述第一路径对中所述非目标第一路径的所述第一嵌入特征的第一相似度;
响应于所述第一相似度不满足第一条件,确定所述第一损失函数不收敛,对对应的所述预定模型在对应迭代周期的第一损失函数进行梯度下降处理,以同时更新对应的所述预定模型的模型参数、所述目标第一路径的所述第一嵌入特征以及所述非目标第一路径的所述第一嵌入特征。
优选地,所述同时迭代更新所述目标第一路径的所述第一嵌入特征、各非目标第一路径的所述第一嵌入特征以及多个预定模型的模型参数,直至各所述预定模型的损失函数收敛还包括:
获取第一路径特征,所述第一路径特征至少包括所述目标第一路径的路径特征;
在各所述预定模型的至少一个隐层中加入所述第一路径特征。
优选地,所述根据各第一目标值确定对应的所述第一路径的所述第一嵌入特征包括:
响应于所述第一相似度满足所述第一条件,确定所述第一损失函数收敛,将各所述目标第一路径对应的第一目标值确定为对应的所述第一嵌入特征,同时将各所述非目标第一路径对应的第一目标值确定为对应的所述第一嵌入特征。
优选地,所述基于所述预定概率分布函数生成各所述第二路径的第二嵌入特征包括:
基于所述预定概率分布函数随机生成各所述第二路径对应的多个元素,所述元素的数量为预先设定;
分别根据各所述第二路径对应的所述多个元素确定所述第二嵌入特征。
优选地,所述基于所述第一模型参数,同时迭代更新所述目标第二路径的所述第二嵌入特征、各非目标第二路径的所述第二嵌入特征以及所述多个预定模型的模型参数,直至各所述预定模型的第二损失函数收敛包括:
将具有连接关系的两个所述第二路径以及位于所述第二路径序列两端的两个所述第二路径分别确定为一个第二路径对,所述目标第二路径为各所述第一路径对中连接顺序均在前或均在后的所述第二路径;
分别根据各第二路径对中所述目标第二路径与非目标第二路径的连接关系以及至少一组所述第一模型参数确定对应的所述预定模型的初始模型参数,得到更新后的所述预定模型;
对于各所述第二路径对,将各所述目标第二路径的所述第二嵌入特征作为所述更新后的预定模型的输入,获取对应的所述第二输出特征;
计算所述第二输出特征与同一所述第二路径对中所述非目标第二路径的所述第二嵌入特征的第二相似度;
响应于所述第二相似度不满足第二条件,确定所述第二损失函数不收敛,对对应的所述预定模型在对应迭代周期的第二损失函数进行梯度下降处理,以同时更新对应的所述预定模型的模型参数、所述目标第二路径的所述第二嵌入特征以及所述非目标第二路径的所述第二嵌入特征。
优选地,所述基于所述第一模型参数,同时迭代更新所述目标第二路径的所述第二嵌入特征、各非目标第二路径的所述第二嵌入特征以及所述多个预定模型的模型参数,直至各所述预定模型的第二损失函数收敛还包括:
获取第二路径特征,所述第二路径特征至少包括所述目标第二路径的路径特征;
在各所述更新后的预定模型的至少一个隐层中加入所述第二路径特征。
优选地,所述根据各第二目标值确定对应的所述第二路径的所述第二嵌入特征包括:
响应于所述第二相似度满足所述第二条件,确定所述第二损失函数收敛,将各所述目标第二路径对应的第二目标值确定为对应的所述第二嵌入特征,同时将各所述非目标第二路径对应的第二目标值确定为对应的所述第二嵌入特征。
根据本发明实施例的第二方面,提供一种数据处理装置,所述装置包括:
第一获取单元,用于获取第一路径序列,所述第一路径序列由多个第一路径组成,各所述第一路径为顺序连接的单位路段;
第一生成单元,用于基于预定概率分布函数生成各所述第一路径的第一嵌入特征;
第一更新单元,用于同时迭代更新所述目标第一路径的所述第一嵌入特征、各非目标第一路径的所述第一嵌入特征以及多个预定模型的模型参数,直至各所述预定模型的第一损失函数收敛,其中,所述预定模型用于根据所述目标第一路径的所述第一嵌入特征获取所述目标第一路径的第一输出特征,所述第一损失函数用于表征对应的所述目标第一路径的第一输出特征与对应的非目标第一路径的第一嵌入特征的第一相似度;
第二更新单元,用于根据第一目标值确定对应的所述第一路径的所述第一嵌入特征,所述第一目标值用于表征使得对应的所述预定模型的所述第一损失函数收敛的第一路径的嵌入特征。
根据本发明实施例的第三方面,提供一种计算机可读存储介质,其上存储计算机程序指令,其中,所述计算机程序指令在被处理器执行时实现如第一方面中任一项所述的方法。
根据本发明实施例的第四方面,提供一种电子设备,包括存储器和处理器,其中,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面中任一项所述的方法。
本发明实施例获取由顺序连接的单位路段组成的路径序列,并基于预定概率分布函数随机生成各单位路段的嵌入特征,进而将各目标单位路段输入对应的预定模型以获得目标单位路段与非目标单位路段的相似度,从而根据相似度迭代更新预定模型的模型参数以及目标单位路段和非目标单位路段的嵌入特征,在各预定模型的损失函数收敛后,根据目标值确定对应的第一路径的嵌入特征。在本发明实施例中,无需对单位路段的嵌入特征进行人工标记,有效降低了人力成本,且通过多个模型同时迭代更新各单位路段的嵌入特征,能够准确地获取各单位路段的特征表示。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1是本发明第一实施例的数据处理方法的流程图;
图2是本发明实施例的方法获取第一嵌入特征的示意图;
图3是本发明实施例的第一嵌入特征与预定模型的一种示意图;
图4是本发明实施例的预定模型与第一嵌入特征的迭代更新过程的示意图;
图5是本发明第一实施例的一种可选的实现方式中迭代更新各第二路径的第二嵌入特征的流程图;
图6是本发明实施例的第一嵌入特征与预定模型的另一种示意图;
图7是本发明第二实施例的数据处理装置的示意图;
图8是本发明第三实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明公开进行描述,但是本发明公开并不仅仅限于这些实施例。在下文对本发明公开的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明公开。为了避免混淆本发明公开的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明公开的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明公开的描述中,除非另有说明,“多个”的含义是两个或两个以上。
随着生活节奏的不断加快,各条道路的交通状况也在时刻发生着改变。例如,道路1通常的交通状况为良好,但某一天上午,与路段1相近的道路2限制出行,因此大部分车辆选择通过路段1出行,使得路段1的车流量增大,交通状况转变为拥堵。对于物流行业、电商行业等对于交通状况的依赖程度较高的行业,提前获取各条道路的交通状况,从而规划出最优路径以尽量避免道路拥堵是十分有必要的。例如,在路段1较为拥堵且路段2无法行驶时,物流行业、电商行业等通常需要根据各路段的特征表示提前预测各路段的交通状况,并尽量避免经过路段1和路段2完成订单配送等任务。但在现有技术中,各条道路的特征表示(也即,嵌入特征)的获取方式较为单一且复杂度较高。
在本发明实施例中,以第一路径序列的序列长度为3(也即,第一路径序列中包括三个顺序连接的第一路径),第二路径序列的序列长度为3为例进行说明,但是本领域技术人员容易理解,在第一路径序列和第二路径序列的序列长度为其他长度,例如为4、5等时,本实施例的方法同样适用。
图1是本发明第一实施例的数据处理方法的流程图。如图1所示,本实施例的方法包括如下步骤:
步骤S100,获取第一路径序列。
在本实施例中,第一路径序列由多个第一路径组成且包括各第一路径间的连接关系,各第一路径为顺序连接的单位路段。第一路径序列可以看作一条道路,单位路段可以看作道路的最小表示单位,单位路段之间的连接关系可以包括直行、掉头、左转、右转等,还可以进一步包括小角度左转、大角度左转、小角度右转、大角度右转等。例如,道路1为直行道路,包括两个路口,则服务器可以按路口位置对道路1进行划分,得到第一路径:路径1、路径2和路径3,也就是说,将路径1转换为由路径1-直行-路径2-直行-路径3组成的第一路径序列。容易理解,在本实施例中,第一路径序列的数量可以为一个,也可以为多个,本实施例不做限定。
步骤S200,基于预定概率分布函数生成各第一路径的第一嵌入特征。
在本步骤中,服务器可以基于预定概率分布函数生成各第一路径对应的多个元素,并根据各第一路径对应的多个元素生成各第一路径的第一嵌入特征。在本实施例中,预定概率分布函数可以为正态分布函数、卡方分布函数等,且预定概率分布函数中的参数(例如正态分布函数中的参数μ和δ)可以根据实际需求预先进行设定,第一嵌入特征中的元素数量也可以根据实际需求预先进行设定。例如,预定概率分布函数为正态分布,预先设定的元素数量为5,则服务器在生成路径1的第一嵌入特征时,可以根据正态分布函数随机生成0.15,0.08,0.13,0.26,0.14这五个元素,并根据上述五个元素生成路径1对应的第一嵌入特征,也即(0.15,0.08,0.13,0.26,0.14)。容易理解,各第一路径对应的第一嵌入特征包含的元素数量相同。
图2是本发明实施例的方法获取第一嵌入特征的示意图。路径21、路径22和路径23的位置以及连接关系如图2所示。服务器以路径21为起始端,可以得到第一路径序列为路径21-左转->路径22-右转->路径23。在得到第一路径序列后,服务器可以基于正态分布函数(也即,预定概率分布函数)分别生成路径21、路径22和路径23对应的n个元素,并分别根据路径21、路径22和路径23对应的n个元素生成路径21、路径22和路径23对应的第一嵌入特征。以路径21为例进行说明,服务器基于正态分布函数生成a1-an(n为大于1的预定整数)这n个元素,并根据a1-an生成路径21对应的第一嵌入特征(a1,a2,…,an)。
步骤S300,同时迭代更新目标第一路径的第一嵌入特征、各非目标第一路径的第一嵌入特征以及多个预定模型的模型参数,直至各预定模型的第一损失函数收敛。
在本实施例中,目标第一路径的第一嵌入特征、非目标第一路径的第一嵌入特征基于多个预定模型迭代更新,第一损失函数用于表征各目标第一路径的第一输出特征与对应的非目标第一路径的第一嵌入特征的第一相似度。
具体地,服务器可以将第一路径序列中具有连接关系的两个第一路径以及作为序列两端的两个第一路径分别确定为一个第一路径对,目标第一路径对也即第一路径对中连接顺序均在前或均在后的第一路径。例如,第一路径序列为路径1-路径2-路径3,则服务器可以将路径1和路径2、路径2和路径3以及路径1和路径3分别确定为一个第一路径对,各第一路径对中的目标第一路径可以为路径1、路径2和路径1,或者为路径2、路径3和路径3。
第一路径序列中的第一路径顺序连接,在车辆及行人经过第一路径序列中的任一路径时,也有较大的可能经过第一路径序列中的其他第一路径,例如,行驶到路径1的车辆很大可能会行驶到与路径1连接的路径2,因此第一路径序列中各第一路径的第一嵌入特征具有相似性。对于各第一路径对,服务器可以将各目标第一路径的第一嵌入特征作为预定模型的输入以获取各目标第一路径的第一输出特征,并计算各目标第一路径的第一输出特征与同一第一路径对中非目标第一路径的第一嵌入特征的第一相似度,具体地,各第一路径对均对应一个预定模型。通常为了获得较为准确的嵌入特征通常会在训练模型的过程中对训练样本(在本实施例中,也即第一路径的第一嵌入特征)进行标记,但在样本数量较大时,训练样本标记的复杂度和人力成本均较高,因此本实施例选择通过无监督学习的方式对第一路径序列中各第一路径的第一嵌入特征进行更新,也即不需要对至少部分第一路径的第一嵌入特征进行预先标记,从而可以有效降低人力成本。在本实施例中,预定模型可以为DNN(Deep Neural Network,深度神经网络)。具体地,DNN的结构可以根据实际需求进行调整,例如调整隐层的数量、加入残差结构、门控结构等。第一相似度可以为余弦相似度、欧式距离、曼哈顿距离等,本实施例不做限定。
可选地,为了提升第一嵌入特征的准确性,服务器还可以获取第一路径特征,并在预定模型的至少一个隐层中加入第一路径特征。隐层用于存储模型参数。第一路径特征用于表征第一路径的固有属性,通常不会发生改变。第一路径特征至少包括各第一路径对中目标第一路径的路径特征,具体可以为路径长度、车道数量、红路灯的存在标识(也即,顺序连接的第一路径间是否存在红绿灯)等。在本实施例中,相同的连接关系共享一组模型参数。例如,路径对1包括路径1和路径2,路径对2包括路径2和路径3,若路径1和路径2与路径2和路径3的连接关系相同(例如均为直行),则路径对1对应的预定模型与路径对2对应的预定模型中的初始模型参数相同,且在迭代更新的过程中,模型参数也保持相同。在将各目标第一路径输入预定模型后,服务器可以在预定模型的至少一个隐层中将第一路径特征与对应的目标第一路径的第一嵌入特征进行拼接。
可选地,为了提升预定模型的收敛速度,服务器还可以将不同第一路径序列中的第一路径作为负样本对预定模型进行迭代更新,只需要使得目标第一路径的第一嵌入特征与作为负样本的第一路径的第一嵌入特征的相似度尽可能低。
例如,第一路径序列1包括路径1、路径2和路径3,第一路径序列2包括路径4、路径5和路径6,则在更新路径1、路径2和路径3的过程中,服务器可以将路径4、路径5和路径6作为负样本,并使得例如路径1对应的第一输出特征与路径4的第一嵌入特征的相似度小于预定阈值等。
图3是本发明实施例的第一嵌入特征与预定模型的一种示意图。图3所示的预定模型以三个隐层为例进行说明。如图2以及图3所示,第一路径序列为路径21-右转->路径22-左转->路径23。第一路径对包括路径21、路径22,路径22、路径23和路径21、路径23。图3左上侧所示的模型1为右转的连接关系所对应的预定模型,路径21的第一嵌入特征31(也即,(a1,a2,…,an))输入后,在模型1的首个隐层中将路径21的路径特征34拼接在第一嵌入特征31后端,并经过激活函数得到路径21的第一输出特征31’。图3右上侧所示的模型3为左转的连接关系所对应的预定模型,路径22的第一嵌入特征32输入后,在模型2的首个隐层中将路径22的路径特征35拼接在第一嵌入特征32后端,并经过激活函数得到路径22的第一输出特征32’。图3下方所示的模型3为右转后左转的连接关系所对应的预定模型,因此可以看作模型1和模型2的隐层的拼接,也就是说,模型3中包括模型1的隐层36和模型2的隐层37,路径22的第一嵌入特征32输入后,在模型3的首个隐层(也即,隐层36中的首个隐层)中将路径21的路径特征34拼接在第一嵌入特征32后端以得到第三个隐层的隐层输出31”,并在第四个隐层(也即,隐层37中的首个隐层)中将路径22的路径特征35拼接在隐层输出31”后端,从而经过激活函数得到路径21的第一输出特征31’”。进而,服务器计算第一输出特征31’与第一嵌入特征32的第一相似度、第一输出特征32’与第一嵌入特征33的第一相似度以及第一输出特征31’”与第一嵌入特征33的第一相似度。容易理解,在本实施例中,激活函数可以为softmax。
在得到各目标第一路径的第一输出特征与同一路径对中非目标第一路径的第一嵌入特征的第一相似度后,若存在至少一个第一相似度不满足不满足第一条件,则认为对应的预定模型的第一损失函数不收敛,因此服务器可以同时对对应的预定模型在对应迭代周期的第一损失函数进行梯度下降处理,以同时更新对应的预定模型的模型参数、目标第一路径的第一嵌入特征和非目标第一路径的第一嵌入特征。其中,第一条件可以为第一相似度高于第一阈值、前一迭代周期的第一相似度与当前迭代周期的第一相似度的差值小于第一阈值等,本实施例不做限定。容易理解,若第一相似度度均不满足第一条件,则服务器同时对各预定模型参数、各目标第一路径的第一嵌入特征以及非目标第一嵌入特征进行更新,且在对模型参数和第一嵌入特征进行更新时,相同连接关系的预定模型的模型参数、同一目标第一路径的第一嵌入特征和同一非目标第一路径的第一嵌入特征同时更新,且更新后相同连接关系的预定模型的模型参数、同一第一路径的第一嵌入特征保持一致。
仍旧以图3所示的第一路径序列和第一路径为例,在对第一路径序列中的各第一嵌入特征进行第五轮迭代更新(也即,第五个迭代周期)后,若输出特征31’与第一嵌入特征32的第一相似度不满足第一条件且第一输出特征32’与第一嵌入特征33的第一相似度以及第一输出特征31’”与第一嵌入特征33的第一相似度均满足第一条件,则在第六轮迭代更新时,服务器通过对模型1在第五轮迭代更新所对应的第一损失函数进行梯度下降的方式对隐层36(包括模型1和模型3)中的模型参数和第一嵌入特征31进行更新,并在更新后重新计算第一输出特征31’和第一输出特征31’”,以及第一输出特征31’与第一嵌入特征32的第一相似度和第一输出特征31’”与第一嵌入特征32的第一相似度。
步骤S400,根据各第一目标值确定对应的所述第一路径的所述第一嵌入特征目标值。
第一目标值用于表征使得对应的预定模型的第一损失函数收敛的第一路径的嵌入特征。具体地,若各目标第一路径的第一输出特征与同一第一路径对中非目标第一路径的第一嵌入特征均满足第一条件时,可以认为各预定模型的第一损失函数均收敛,此时得到的第一目标值较为准确,可以作为对应的第一路径的特征表示,因此服务器可以将各目标第一路径对应的第一目标值确定为目标第一路径的第一嵌入特征,并将各非目标第一路径对应的第一目标值确定为非目标第一路径的第一嵌入特征。
仍旧以图3所示的第一路径序列和第一路径为例,服务器在第80轮将第一路径序列中的各第一嵌入特征输入对应的预定模型后,若第一输出特征31’与第一嵌入特征32的第一相似度、第一输出特征32’与第一嵌入特征33的第一相似度以及第一输出特征31’”与第一嵌入特征33的第一相似度均满足第一条件,则服务器可以将模型1或者模型3在第80轮的嵌入特征(也即,路径21对应的第一目标值)确定为路径21的第一嵌入特征31,将模型2在第80轮的嵌入特征(也即,路径22对应的第一目标值)确定为路径22的第一嵌入特征32,将模型2或者模型3在第80轮的嵌入特征(也即,路径23对应的第一目标值)确定为路径23的第一嵌入特征33。
图4是本发明实施例的预定模型与第一嵌入特征的迭代更新过程的示意图。如图4所示,41a为随机生成的目标第一路径的第一嵌入特征,43a为随机生成的非目标第一路径的第一嵌入特征,42a为包括预定模型的初始模型参数的隐层。服务器将第一嵌入特征41a输入预定模型后,经过隐层42a以及激活函数得到目标第一路径的第一输出特征41a’,并计算第一输出特征41a’与第一嵌入特征43a的第一相似度a。在第一相似度a不满足第一条件时,服务器对当前迭代周期的第一损失函数进行梯度下降,以同时更新第一嵌入特征41a、隐层42a和第一嵌入特征43a,获取第一嵌入特征41b、隐层42b和第一嵌入特征43b。经过(m-1)(m为大于等于1的预定整数)次迭代更新后,服务器可以获取第一嵌入特征41m、隐层42m和第一嵌入特征43m。服务器将第一嵌入特征41m输入预定模型后,经过隐层42m以及激活函数得到目标第一路径的第一输出特征41m’,并计算第一输出特征41m’与第一嵌入特征43m的第一相似度m。在第一相似度m满足第一条件时,服务器可以将目标第一路径对应的第一目标值41m确定为目标第一路径的第一嵌入特征,并将非目标第一路径对应的第一目标值43m确定为非目标第一路径的第一嵌入特征。
容易理解,上述步骤均以一个第一路径序列中第一路径的第一嵌入特征的迭代更新过程进行说明的。在实际应用过程中,第一路径序列的数量通常较多,因此服务器可以得到大量的第一路径对,各第一路径对均对应一个预定模型,且在不同第一路径对中目标第一路径与非目标第一路径对应的连接关系相同时,对应的模型参数也是相同的。并且,服务器可以同时对全部目标第一路径的第一嵌入特征、全部非目标第一路径的第一嵌入特征以及全部预定模型的模型参数进行迭代更新,且在迭代更新的过程中,服务器对同一连接关系对应的模型参数、同一第一路径对应的第一嵌入特征同步进行迭代更新,直至各第一路径对对应的预定模型的第一损失函数均收敛。
在确定各第一路径的第一嵌入特征后,服务器可以基于各第一路径的第一嵌入特征进行信息预测,例如预测各第一路径在未来一段时间内拥堵的可能等,本实施例不做具体限定。在预测各第一路径在未来一段时间内拥堵的可能时,服务器可以基于预先训练的路况预测模型,并以各第一嵌入特征为输入,从而得到各第一路径的拥堵参数。其中,路况预测模型可以根据多个第一路径的历史嵌入特征为输入,以对应的历史拥堵参数为输出进行训练,且历史拥堵参数既可以用于表征拥堵概率(也即,看作回归问题),也可以用于表征良好、一般、拥堵等拥堵类别(也即,看作分类问题)。
可选地,服务器还可以对其余路径序列中各路径的嵌入特征进行迭代更新。图5是本发明第一实施例的一种可选的实现方式中迭代更新各第二路径的第二嵌入特征的流程图。如图5所示,在一种可选的是实现方式中,本实施例的方法还可以包括如下步骤:
步骤S500,确定多组第一模型参数。
第一模型参数也即损失函数收敛时预定模型的模型参数。例如,模型1在第80轮迭代更新后损失函数收敛,则模型1在第80理论迭代更新后的模型参数为模型1对应的第一模型参数。容易理解,第一模型参数不包括第一路径特征。
步骤S600,获取第二路径序列。
第二路径序列与第一路径序列相似,由多个顺序连接的单位路段(也即,第二路径)组成。容易理解,第二路径序列的序列长度与第一路径序列的序列长度可以相同,也可以不同,本实施例不做限定。
容易理解,步骤S500和步骤S600可以同时执行,也可以先后执行,本实施例不做限定。
步骤S700,基于预定概率分布函数生成各第二路径的第二嵌入特征。
与第一嵌入特征的生成方式相似,各第二路径的第二嵌入特征也是基于预定概率分布函数随机生成多个元素,并根据多个元素确定的。
步骤S800,基于各所述第一模型参数,同时迭代更新所述目标第二路径的所述第二嵌入特征、各非目标第二路径的所述第二嵌入特征以及所述多个预定模型的模型参数,直至各所述预定模型的第二损失函数收敛。
与第一嵌入特征迭代更新的方式相似,服务器可以将具有连接关系的两个第二路径以及第二路径序列中作为序列两端的第二路径分别确定为一个第二路径对,并将各第二路径对中各目标第二路径的第二嵌入特征作为输入,得到各目标第二路径的第二输出特征,进而计算各目标第二路径的第二输出特征与同一第二路径对中非目标第二路径的第二嵌入特征的第二相似度,从而,在第二相似度不满足第二条件时,对对应的预定模型在对应迭代周期的第二损失函数进行梯度下降处理以同时更新预定模型的模型参数、目标第二路径的第二嵌入特征以及非目标第二路径的第二嵌入特征。
具体地,服务器可以根据各第二路径对中第二路径的连接关系确定各第二路径对对应的预定模型,并根据第一模型参数更新预定模型的初始模型参数,得到更新后的预定模型,从而将各更新后的预定模型用于对各第二路径的第二嵌入特征进行迭代更新。
图6是本发明实施例的第一嵌入特征与预定模型的另一种示意图。图6以一种连接关系对应的预定模型为例进行说明。图6上侧所示的模型1为第一路径序列中第一路径的第一嵌入特征进行迭代更新的过程中“直行”的连接关系对应的预定模型,图6左上侧的隐层61为模型1在对第一路径对进行迭代更新前包含初始模型参数的隐层。在模型1的第一损失函数收敛后,得到图6右上侧所示的、包含迭代更新后的模型参数(也即,第一模型参数)的隐层62。图6下侧所示的模型2为第一路径序列中第一路径的第一嵌入特征进行迭代更新的过程中包括“直行”的连接关系对应的预定模型,第二路径对中的第二路径1经过直行等连接后与第二路径2连接。在对第二路径对进行迭代更新前,如图6下侧所示,服务器可以将隐层62中的第一模型参数作为模型2的前三个隐层的初始模型参数。
步骤S900,根据各第二目标值确定对应的所述第二路径的所述第二嵌入特征。
第二目标值同样用于表征使得对应的预定模型的第二损失函数收敛的第二路径的嵌入特征。具体地,在第二相似度满足第二条件时,服务器可以将各目标第二路径对应的第二目标值确定为目标第二路径的第二嵌入特征,并将各非目标第二路径对应的第二目标值确定非目标第二路径的第二嵌入特征。
与第一嵌入特征相似,在确定各第二路径的第二嵌入特征后,服务器同样可以基于各第二路径的第二嵌入特征进行信息预测,例如预测各第二路径在未来一段时间内拥堵的可能等,本实施例不做具体限定。
容易理解,在对其余路径序列(例如,第三路径序列)中路径的嵌入特征(例如,第三嵌入特征)进行迭代更新时,只需要执行本实施例的步骤S100-步骤S900,并将第二路径序列更新为第一路径序列,将第三路径序列更新为第二路径序列。
本实施例获取由顺序连接的单位路段组成的路径序列,并基于预定概率分布函数随机生成各单位路段的嵌入特征,进而将各目标单位路段输入对应的预定模型以获得目标单位路段与非目标单位路段的相似度,从而根据相似度迭代更新预定模型的模型参数以及目标单位路段和非目标单位路段的嵌入特征,在各预定模型的损失函数收敛后,根据目标值确定对应的第一路径的嵌入特征。在本实施例中,无需对单位路段的嵌入特征进行人工标记,有效降低了人力成本,且通过多个模型同时迭代更新各单位路段的嵌入特征,能够准确地获取各单位路段的特征表示。
图7是本发明第二实施例的数据处理装置的示意图。如图7所示,本实施例的装置包括第一获取单元71、第一生成单元72、第一更新单元73和第二更新单元74。
其中,第一获取单元71用于获取第一路径序列,所述第一路径序列由多个第一路径组成,各所述第一路径为顺序连接的单位路段。第一生成单元72用于基于预定概率分布函数生成各所述第一路径的第一嵌入特征。第一更新单元73用于同时迭代更新所述目标第一路径的所述第一嵌入特征、各非目标第一路径的所述第一嵌入特征以及多个预定模型的模型参数,直至各所述预定模型的第一损失函数收敛,其中,所述预定模型用于更新与所述目标第一路径具有预定连接关系的所述非目标第一路径的第一嵌入特征,所述第一损失函数用于表征各所述目标第一路径的第一输出特征与对应的非目标第一路径的第一嵌入特征的第一相似度。第二更新单元74用于根据第一目标值确定对应的所述第一路径的所述第一嵌入特征,所述第一目标值用于表征使得对应的所述预定模型的所述第一损失函数收敛的第一路径的嵌入特征。
本实施例获取由顺序连接的单位路段组成的路径序列,并基于预定概率分布函数随机生成各单位路段的嵌入特征,进而将各目标单位路段输入对应的预定模型以获得目标单位路段与非目标单位路段的相似度,从而根据相似度迭代更新预定模型的模型参数以及目标单位路段和非目标单位路段的嵌入特征,在各预定模型的损失函数收敛后,根据目标值确定对应的第一路径的嵌入特征。在本实施例中,无需对单位路段的嵌入特征进行人工标记,有效降低了人力成本,且通过多个模型同时迭代更新各单位路段的嵌入特征,能够准确地获取各单位路段的特征表示。
图8是本发明第三实施例的电子设备的示意图。图8所示的电子设备为通用数据处理装置,其包括通用的计算机硬件结构,其至少包括处理器81和存储器82。处理器81和存储器82通过总线83连接。存储器82适于存储处理器81可执行的指令或程序。处理器81可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器81通过执行存储器82所存储的命令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线83将上述多个组件连接在一起,同时将上述组件连接到显示控制器84和显示装置以及输入/输出(I/O)装置85。输入/输出(I/O)装置85可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出(I/O)装置85通过输入/输出(I/O)控制器86与系统相连。
其中,存储器82可以存储软件组件,例如操作系统、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。
上述根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应理解,流程图和/或框图的每个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器,以产生机器,使得(经由计算机或其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中指定的功能/动作的装置。
同时,如本领域技术人员将意识到的,本发明实施例的各个方面可以被实现为系统、方法或计算机程序产品。因此,本发明实施例的各个方面可以采取如下形式:完全硬件实施方式、完全软件实施方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称为“电路”、“模块”或“系统”的将软件方面与硬件方面相结合的实施方式。此外,本发明的方面可以采取如下形式:在一个或多个计算机可读介质中实现的计算机程序产品,计算机可读介质具有在其上实现的计算机可读程序代码。
可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、磁的、光学的、电磁的、红外的或半导体系统、设备或装置,或者前述的任意适当的组合。计算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项:具有一根或多根电线的电气连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储装置、磁存储装置或前述的任意适当的组合。在本发明实施例的上下文中,计算机可读存储介质可以为能够包含或存储由指令执行系统、设备或装置使用的程序或结合指令执行系统、设备或装置使用的程序的任意有形介质。
计算机可读信号介质可以包括传播的数据信号,所述传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用多种形式中的任何形式,包括但不限于:电磁的、光学的或其任何适当的组合。计算机可读信号介质可以是以下任意计算机可读介质:不是计算机可读存储介质,并且可以对由指令执行系统、设备或装置使用的或结合指令执行系统、设备或装置使用的程序进行通信、传播或传输。
用于执行针对本发明各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写,所述编程语言包括:面向对象的编程语言如Java、Smalltalk、C++、PHP、Python等;以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作为独立软件包完全地在用户计算机上、部分地在用户计算机上执行;部分地在用户计算机上且部分地在远程计算机上执行;或者完全地在远程计算机或服务器上执行。在后一种情况下,可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用户计算机,或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种数据处理方法,其特征在于,所述方法包括:
获取第一路径序列,所述第一路径序列由多个第一路径组成,各所述第一路径为顺序连接的单位路段;
基于预定概率分布函数生成各所述第一路径的第一嵌入特征;
迭代更新所述目标第一路径的所述第一嵌入特征、各非目标第一路径的所述第一嵌入特征以及多个预定模型的模型参数,直至各所述预定模型的第一损失函数收敛,其中,所述预定模型用于根据所述目标第一路径的所述第一嵌入特征获取所述目标第一路径的第一输出特征,所述第一损失函数用于表征对应的所述目标第一路径的第一输出特征与对应的非目标第一路径的第一嵌入特征的第一相似度;
根据各第一目标值确定对应的所述第一路径的所述第一嵌入特征,所述第一目标值用于表征使得对应的所述预定模型的所述第一损失函数收敛的第一路径的嵌入特征。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定多组第一模型参数,所述第一模型参数为所述损失函数收敛的所述预定模型的模型参数;
获取第二路径序列,所述第二路径序列由多个第二路径组成,各所述第二路径均为具有连接关系的单位路段;
基于所述预定概率分布函数生成各所述第二路径的第二嵌入特征;
基于各所述第一模型参数,同时迭代更新所述目标第二路径的所述第二嵌入特征、各非目标第二路径的所述第二嵌入特征以及所述多个预定模型的模型参数,直至各所述预定模型的第二损失函数收敛,其中,所述预定模型用于根据所述目标第二路径的第二潜入特征获取所述第二目标路径的第二输出特征,所述第二损失函数用于表征对应的所述目标第二路径的第二输出特征与对应的非目标第二路径的第二嵌入特征的第二相似度;
根据各第二目标值确定对应的所述第二路径的所述第二嵌入特征,所述第二目标值用于表征使得对应的所述预定模型的所述第二损失函数收敛的第二路径的嵌入特征。
3.根据权利要求1所述的方法,其特征在于,所述基于预定概率分布函数生成各所述第一路径的第一嵌入特征包括:
基于所述预定概率分布函数随机生成各所述第一路径对应的多个元素,所述元素的数量为预先设定;
分别根据各所述第一路径对应的所述多个元素确定所述第一嵌入特征。
4.根据权利要求1所述的方法,其特征在于,所述同时迭代更新所述目标第一路径的所述第一嵌入特征、各非目标第一路径的所述第一嵌入特征以及多个预定模型的模型参数,直至各所述预定模型的第一损失函数收敛包括:
将具有连接关系的两个所述第一路径以及位于所述第一路径序列两端的两个所述第一路径分别确定为一个第一路径对,所述目标第一路径为各所述第一路径对中连接顺序均在前或均在后的所述第一路径;
对于各所述第一路径对,将各所述目标第一路径在各迭代周期的所述第一嵌入特征作为所述预定模型的输入,获取对应的所述第一输出特征;
计算所述第一输出特征与同一所述第一路径对中所述非目标第一路径的所述第一嵌入特征的第一相似度;
响应于所述第一相似度不满足第一条件,确定所述第一损失函数不收敛,对对应的所述预定模型在对应迭代周期的第一损失函数进行梯度下降处理,以同时更新对应的所述预定模型的模型参数、所述目标第一路径的所述第一嵌入特征以及所述非目标第一路径的所述第一嵌入特征。
5.根据权利要求4的方法,其特征在于,所述同时迭代更新所述目标第一路径的所述第一嵌入特征、各非目标第一路径的所述第一嵌入特征以及多个预定模型的模型参数,直至各所述预定模型的损失函数收敛还包括:
获取第一路径特征,所述第一路径特征至少包括所述目标第一路径的路径特征;
在各所述预定模型的至少一个隐层中加入所述第一路径特征。
6.根据权利要求4所述的方法,其特征在于,所述根据各第一目标值确定对应的所述第一路径的所述第一嵌入特征目标值包括:
响应于所述第一相似度满足所述第一条件,确定所述第一损失函数收敛,将各所述目标第一路径对应的第一目标值确定为对应的所述第一嵌入特征,同时将各所述非目标第一路径对应的第一目标值确定为对应的所述第一嵌入特征。
7.根据权利要求2所述的方法,其特征在于,所述基于所述预定概率分布函数生成各所述第二路径的第二嵌入特征包括:
基于所述预定概率分布函数随机生成各所述第二路径对应的多个元素,所述元素的数量为预先设定;
分别根据各所述第二路径对应的所述多个元素确定所述第二嵌入特征。
8.根据权利要求2所述的方法,其特征在于,所述基于所述第一模型参数,同时迭代更新所述目标第二路径的所述第二嵌入特征、各非目标第二路径的所述第二嵌入特征以及所述多个预定模型的模型参数,直至各所述预定模型的第二损失函数收敛包括:
将具有连接关系的两个所述第二路径以及位于所述第二路径序列两端的两个所述第二路径分别确定为一个第二路径对,所述目标第二路径为各所述第一路径对中连接顺序均在前或均在后的所述第二路径;
分别根据各第二路径对中所述目标第二路径与非目标第二路径的连接关系以及至少一组所述第一模型参数确定对应的所述预定模型的初始模型参数,得到更新后的所述预定模型;
对于各所述第二路径对,将各所述目标第二路径的所述第二嵌入特征作为所述更新后的预定模型的输入,获取对应的所述第二输出特征;
计算所述第二输出特征与同一所述第二路径对中所述非目标第二路径的所述第二嵌入特征的第二相似度;
响应于所述第二相似度不满足第二条件,确定所述第二损失函数不收敛,对对应的所述预定模型在对应迭代周期的第二损失函数进行梯度下降处理,以同时更新对应的所述预定模型的模型参数、所述目标第二路径的所述第二嵌入特征以及所述非目标第二路径的所述第二嵌入特征。
9.根据权利要求8的方法,其特征在于,所述基于所述第一模型参数,同时迭代更新所述目标第二路径的所述第二嵌入特征、各非目标第二路径的所述第二嵌入特征以及所述多个预定模型的模型参数,直至各所述预定模型的第二损失函数收敛还包括:
获取第二路径特征,所述第二路径特征至少包括所述目标第二路径的路径特征;
在各所述更新后的预定模型的至少一个隐层中加入所述第二路径特征。
10.根据权利要求8所述的方法,其特征在于,所述根据各第二目标值确定对应的所述第二路径的所述第二嵌入特征目标值包括:
响应于所述第二相似度满足所述第二条件,确定所述第二损失函数收敛,将各所述目标第二路径对应的第二目标值确定为对应的所述第二嵌入特征,同时将各所述非目标第二路径对应的第二目标值确定为对应的所述第二嵌入特征。
11.一种数据处理装置,其特征在于,所述装置包括:
第一获取单元,用于获取第一路径序列,所述第一路径序列由多个第一路径组成,各所述第一路径为顺序连接的单位路段;
第一生成单元,用于基于预定概率分布函数生成各所述第一路径的第一嵌入特征;
第一更新单元,用于同时迭代更新所述目标第一路径的所述第一嵌入特征、各非目标第一路径的所述第一嵌入特征以及多个预定模型的模型参数,直至各所述预定模型的第一损失函数收敛,其中,所述预定模型用于根据所述目标第一路径的所述第一嵌入特征获取所述目标第一路径的第一输出特征,所述第一损失函数用于表征对应的所述目标第一路径的第一输出特征与对应的非目标第一路径的第一嵌入特征的第一相似度;
第二更新单元,用于根据第一目标值确定对应的所述第一路径的所述第一嵌入特征,所述第一目标值用于表征使得对应的所述预定模型的所述第一损失函数收敛的第一路径的嵌入特征。
12.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-10中任一项所述的方法。
13.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010281263.XA CN111832797A (zh) | 2020-04-10 | 2020-04-10 | 数据处理方法、数据处理装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010281263.XA CN111832797A (zh) | 2020-04-10 | 2020-04-10 | 数据处理方法、数据处理装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832797A true CN111832797A (zh) | 2020-10-27 |
Family
ID=72914093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010281263.XA Pending CN111832797A (zh) | 2020-04-10 | 2020-04-10 | 数据处理方法、数据处理装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832797A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107105159A (zh) * | 2017-04-13 | 2017-08-29 | 山东万腾电子科技有限公司 | 基于SoC的嵌入式运动目标实时检测跟踪系统及方法 |
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN109214584A (zh) * | 2018-09-21 | 2019-01-15 | 北京百度网讯科技有限公司 | 用于预测客流量的方法和装置 |
CN109496288A (zh) * | 2017-07-13 | 2019-03-19 | 北京嘀嘀无限科技发展有限公司 | 用于确定轨迹的系统和方法 |
CN110168313A (zh) * | 2017-01-10 | 2019-08-23 | 北京嘀嘀无限科技发展有限公司 | 用于预估到达时间的方法及系统 |
CN110378486A (zh) * | 2019-07-15 | 2019-10-25 | 出门问问信息科技有限公司 | 网络嵌入方法、装置、电子设备和存储介质 |
CN110515944A (zh) * | 2019-08-16 | 2019-11-29 | 出门问问(苏州)信息科技有限公司 | 基于分布式数据库的数据存储方法、存储介质和电子设备 |
CN110691957A (zh) * | 2017-06-13 | 2020-01-14 | 北京嘀嘀无限科技发展有限公司 | 基于深度卷积神经网络的路径规划系统和方法 |
CA3012927A1 (en) * | 2018-07-31 | 2020-01-31 | Issam Hadj Laradji | Counting objects in images based on approximate locations |
CN110852342A (zh) * | 2019-09-26 | 2020-02-28 | 京东城市(北京)数字科技有限公司 | 一种路网数据的获取方法、装置、设备及计算机存储介质 |
-
2020
- 2020-04-10 CN CN202010281263.XA patent/CN111832797A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110168313A (zh) * | 2017-01-10 | 2019-08-23 | 北京嘀嘀无限科技发展有限公司 | 用于预估到达时间的方法及系统 |
CN107105159A (zh) * | 2017-04-13 | 2017-08-29 | 山东万腾电子科技有限公司 | 基于SoC的嵌入式运动目标实时检测跟踪系统及方法 |
CN110691957A (zh) * | 2017-06-13 | 2020-01-14 | 北京嘀嘀无限科技发展有限公司 | 基于深度卷积神经网络的路径规划系统和方法 |
CN109496288A (zh) * | 2017-07-13 | 2019-03-19 | 北京嘀嘀无限科技发展有限公司 | 用于确定轨迹的系统和方法 |
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CA3012927A1 (en) * | 2018-07-31 | 2020-01-31 | Issam Hadj Laradji | Counting objects in images based on approximate locations |
CN109214584A (zh) * | 2018-09-21 | 2019-01-15 | 北京百度网讯科技有限公司 | 用于预测客流量的方法和装置 |
US20200097815A1 (en) * | 2018-09-21 | 2020-03-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for predicting passenger flow |
CN110378486A (zh) * | 2019-07-15 | 2019-10-25 | 出门问问信息科技有限公司 | 网络嵌入方法、装置、电子设备和存储介质 |
CN110515944A (zh) * | 2019-08-16 | 2019-11-29 | 出门问问(苏州)信息科技有限公司 | 基于分布式数据库的数据存储方法、存储介质和电子设备 |
CN110852342A (zh) * | 2019-09-26 | 2020-02-28 | 京东城市(北京)数字科技有限公司 | 一种路网数据的获取方法、装置、设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7075366B2 (ja) | 運転場面データを分類するための方法、装置、機器及び媒体 | |
US10642268B2 (en) | Method and apparatus for generating automatic driving strategy | |
CN107038478B (zh) | 路况预测方法及装置、计算机设备与可读介质 | |
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
US10809723B2 (en) | Method and apparatus for generating information | |
JP2023510879A (ja) | 路線計画方法、装置、機器、及びコンピュータ記憶媒体 | |
US20210150388A1 (en) | Model estimation system, model estimation method, and model estimation program | |
CN107145991B (zh) | 一种考虑路段相关性的时变随机网络动态路径搜索方法 | |
CN107045794B (zh) | 路况处理方法及装置 | |
CN113997954B (zh) | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 | |
JP2010009510A (ja) | 局所交通量予測プログラム生成装置、局所交通量予測装置、局所交通量予測プログラム生成方法、局所交通量予測方法及びプログラム | |
CN111862590A (zh) | 路况预测方法、装置及存储介质 | |
CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
CN112884235A (zh) | 出行推荐方法、出行推荐模型的训练方法、装置 | |
CN115311860A (zh) | 一种交通流量预测模型的在线联邦学习方法 | |
CN116046008A (zh) | 基于态势感知的路线规划方法、系统及效能评估装置 | |
CN110956299B (zh) | 一种到达时间预估方法及装置 | |
CN111832797A (zh) | 数据处理方法、数据处理装置、存储介质和电子设备 | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
CN114201997B (zh) | 路口转向识别方法、装置、设备及存储介质 | |
CN116295409A (zh) | 路线处理方法、装置、计算机可读介质及电子设备 | |
JP2023005015A (ja) | 交通状況予測装置、および、交通状況予測方法 | |
CN115062202A (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
CN112686457A (zh) | 路线到达时间预估方法及装置、电子设备、存储介质 | |
JP2023092971A (ja) | 交通状況予測装置、および、交通状況予測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |