CN112417236B - 训练样本获取方法、装置、电子设备及存储介质 - Google Patents

训练样本获取方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112417236B
CN112417236B CN202011180604.0A CN202011180604A CN112417236B CN 112417236 B CN112417236 B CN 112417236B CN 202011180604 A CN202011180604 A CN 202011180604A CN 112417236 B CN112417236 B CN 112417236B
Authority
CN
China
Prior art keywords
node
initial
sequence
graph
target
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.)
Active
Application number
CN202011180604.0A
Other languages
English (en)
Other versions
CN112417236A (zh
Inventor
傅明明
陈弥
吴立薪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hanhai Information Technology Shanghai Co Ltd
Original Assignee
Hanhai Information Technology Shanghai Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hanhai Information Technology Shanghai Co Ltd filed Critical Hanhai Information Technology Shanghai Co Ltd
Priority to CN202011180604.0A priority Critical patent/CN112417236B/zh
Publication of CN112417236A publication Critical patent/CN112417236A/zh
Application granted granted Critical
Publication of CN112417236B publication Critical patent/CN112417236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06Q10/02—Reservations, e.g. for tickets, services or events

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Library & Information Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种训练样本获取方法、装置、电子设备及存储介质，所述方法包括：根据历史订单信息，获取下单位置、与所述下单位置关联的上车位置、及与所述下单位置关联的用户在所述上车位置处上车的上车次数；根据所述下单位置、所述上车位置和所述上车次数，构建二部图；根据所述二部图中随机选取的一个初始图节点，采用随机游走的方式从所述二部图中筛选出所述初始图节点对应的目标节点序列；根据所述目标节点序列，获取训练样本。本公开通过采用随机游走的方式结合上车位置节点和下单位置节点之间的上车次数筛选训练样本，从而可以获取到高质量的负样本，进而可以使模型得到充分的学习。

Description

训练样本获取方法、装置、电子设备及存储介质
技术领域
本公开的实施例涉及在网约车技术领域，尤其涉及一种训练样本获取方法、装置、电子设备及存储介质。
背景技术
随着科学技术的不断发展，在网约车出行已经成为越来越多的用户的一种出行方式。在网约车场景下，给用户推荐合适的上车位置是重要的一环。
现有技术方案中通常是是根据历史订单信息，建立乘客发单位置与上车点之间的二部图，通过随机游走产生游走序列，将游走序列作为位置预测模型的输入来学习发单位置及上车点的向量，最后利用发单位置的向量召回上车点。在进行模型训练时，正样本是该发单位置上用户的真实上车点，而负样本则是依据上车点的热度进行随机采样得到。
而现有方案在利用图网络进行向量学习的时候，仅以上车点热度为约束进行负样本随机选取容易造成发单位置与负样本距离过远，距离过远的负样本不能让模型得到充分的学习。
发明内容
本公开的实施例提供一种训练样本获取方法、装置、电子设备及存储介质，用以通过统计游走序列中发单位置节点与上车点节点的共现次数，可以获取下单位置和上车次数相关的高质量负样本。
根据本公开的实施例的第一方面，提供了一种训练样本获取方法，包括：
根据历史订单信息，获取下单位置、与所述下单位置关联的上车位置、及与所述下单位置关联的用户在所述上车位置处上车的上车次数；
根据所述下单位置、所述上车位置和所述上车次数，构建二部图；
根据所述二部图中随机选取的一个初始图节点，采用随机游走的方式从所述二部图中筛选出所述初始图节点对应的目标节点序列；
根据所述目标节点序列，获取训练样本。
可选地，所述根据所述下单位置、所述上车位置和所述上车次数，构建二部图，包括：
以所述下单位置和所述上车位置作为图节点，并将具有关联关系的下单位置和上车位置相连；
将具有连接关系的下单位置和上车位置对应的上车次数，作为具有连接关系的下单位置和上车位置的连接权重，生成所述二部图。
可选地，所述根据所述二部图中随机选取的一个初始图节点，采用随机游走的方式从所述二部图中筛选出所述初始图节点对应的目标节点序列，包括：
获取从所述二部图中随机选取的初始图节点；
基于所述随机游走的方式，以所述初始图节点作为起始节点和所述连接权重作为游走概率，获取所述二部图对应的初始节点序列；
根据所述初始图节点的节点类型，从所述初始节点序列中筛选出所述目标节点序列。
可选地，所述根据所述初始图节点的节点类型，从所述初始节点序列中筛选出所述目标节点序列，包括：
获取所述初始节点序列中初始图节点的节点类型为下单位置节点类型的节点序列；
将下单位置节点类型的节点序列作为所述目标节点序列。
可选地，所述根据所述目标节点序列，获取训练样本，包括：
获取所述目标节点序列中与所述初始图节点具有连接关系的第一节点，并将所述初始图节点和所述第一节点作为正样本；所述初始图节点为下单位置对应的节点，所述第一节点为上车位置对应的节点；
获取所述目标节点序列中与所述初始图节点不具有连接关系的第二节点，并将所述初始图节点和所述第二节点作为负样本；所述第二节点为上车位置对应的节点；
所述正样本和所述负样本为所述下单位置对应的训练样本。
可选地，在所述根据所述目标节点序列，获取训练样本之后，还包括：
获取与所述下单位置关联的正样本和负样本；
将所述正样本和所述负样本输入至初始位置预测模型，以对所述初始位置预测模型进行训练；
获取由所述初始位置预测模型输出的所述正样本对应的第一评分值、所述负样本对应的第二评分值、及所述正样本和所述负样本之间的差异值；
根据所述第一评分值、所述第二评分值和所述差异值，计算得到所述初始位置预测模型对应的损失值；
在所述损失值处于预设范围内的情况下，将训练后的初始位置预测模型作为目标位置预测模型。
根据本公开的实施例的第二方面，提供了一种训练样本获取装置，包括：
下单信息获取模块，用于根据历史订单信息，获取下单位置、与所述下单位置关联的上车位置、及与所述下单位置关联的用户在所述上车位置处上车的上车次数；
二部图构建模块，用于根据所述下单位置、所述上车位置和所述上车次数，构建二部图；
目标序列筛选模块，用于根据所述二部图中随机选取的一个初始图节点，采用随机游走的方式从所述二部图中筛选出所述初始图节点对应的目标节点序列；
训练样本获取模块，用于根据所述目标节点序列，获取训练样本。
可选地，所述二部图构建模块包括：
图节点连接单元，用于以所述下单位置和所述上车位置作为图节点，并将具有关联关系的下单位置和上车位置相连；
二部图生成单元，用于将具有连接关系的下单位置和上车位置对应的上车次数，作为具有连接关系的下单位置和上车位置的连接权重，生成所述二部图。
可选地，所述目标序列筛选模块包括：
初始节点获取单元，用于获取从所述二部图中随机选取的初始图节点；
初始序列获取单元，用于基于所述随机游走的方式，以所述初始图节点作为起始节点和所述连接权重作为游走概率，获取所述二部图对应的初始节点序列；
目标序列筛选单元，用于根据所述初始图节点的节点类型，从所述初始节点序列中筛选出所述目标节点序列。
可选地，所述目标序列筛选单元包括：
节点序列获取子单元，用于获取所述初始节点序列中初始图节点的节点类型为下单位置节点类型的节点序列；
目标序列获取子单元，用于将下单位置节点类型的节点序列作为所述目标节点序列。
可选地，所述训练样本获取模块包括：
正样本获取单元，用于获取所述目标节点序列中与所述初始图节点具有连接关系的第一节点，并将所述初始图节点和所述第一节点作为正样本；所述初始图节点为下单位置对应的节点，所述第一节点为上车位置对应的节点；
负样本获取单元，用于获取所述目标节点序列中与所述初始图节点不具有连接关系的第二节点，并将所述初始图节点和所述第二节点作为负样本；所述第二节点为上车位置对应的节点；
所述正样本和所述负样本为所述下单位置对应的训练样本。
可选地，还包括：
样本获取模块，用于获取与所述下单位置关联的正样本和负样本；
样本输入模块，用于将所述正样本和所述负样本输入至初始位置预测模型，以对所述初始位置预测模型进行训练；
评分值获取模块，用于获取由所述初始位置预测模型输出的所述正样本对应的第一评分值、所述负样本对应的第二评分值、及所述正样本和所述负样本之间的差异值；
损失值计算模块，用于根据所述第一评分值、所述第二评分值和所述差异值，计算得到所述初始位置预测模型对应的损失值；
目标模型获取模块，用于在所述损失值处于预设范围内的情况下，将训练后的初始位置预测模型作为目标位置预测模型。
根据本公开的实施例的第三方面，提供了一种电子设备，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述的训练样本获取方法。
根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一项所述的训练样本获取方法。
本公开的实施例提供了一种训练样本获取方法、装置、电子设备及可读存储介质。通过根据历史订单信息，获取下单位置、与下单位置关联的上车位置、及与下单位置关联的用户在上车位置处上车的上车次数，根据下单位置、上车位置和上车次数，构建二部图，根据二部图中随机选取的一个初始图节点，采用随机游走的方式从二部图中筛选出初始图节点对应的目标节点序列，根据目标节点序列，获取训练样本。本公开实施例通过采用随机游走的方式结合上车位置节点和下单位置节点之间的上车次数筛选训练样本，从而可以获取到高质量的负样本，进而可以使模型得到充分的学习。
附图说明
为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开的实施例提供的一种训练样本获取方法的步骤流程图；
图2为本公开的实施例提供的另一种训练样本获取方法的步骤流程图；
图2a为本公开的实施例提供的一种二部图结构的示意图；
图2b为本公开的实施例提供的一种筛选目标节点序列的示意图；
图3为本公开的实施例提供的一种训练样本获取装置的结构示意图；
图4为本公开的实施例提供的另一种训练样本获取装置的结构示意图。
具体实施方式
下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开的实施例保护的范围。
实施例一
参照图1，示出了本公开的实施例提供的一种训练样本获取方法的步骤流程图，如图1所示，该训练样本获取方法具体可以包括如下步骤：
步骤101：根据历史订单信息，获取下单位置、与所述下单位置关联的上车位置、及与所述下单位置关联的用户在所述上车位置处上车的上车次数。
本公开的实施例可以应用于获取构建预测上车位置的模型的训练样本的场景中。
历史订单信息是指用户发起网上约车的订单所形成的信息，当然，在本实施例中，获取的历史订单信息是指完成成功的订单，例如，用户发起网上约车的订单，并且成功乘坐了出租车，此时，可以将该订单作为成功的订单等。
在具体实现中，历史订单信息可以为从某网上约车APP(Application，应用程序)上的历史记录中获取的等，对于历史订单信息的具体获取方式可以根据业务需求而定，本实施例对此不加以限制。
下单位置是指用户发起网上约车时需要司机接车的位置，例如，用户在网约车时，指定司机在地点“xx路x号”接车时，则将该地点“xx路x号”作为下单位置。
上车位置是指与下单位置关联的上车位置，也即用户实际上车的位置，例如，用户发起网上约车的订单的下单位置为A，而用户在位置B处上车，则将位置B作为与下单位置A关联的上车位置。
可以理解地，下单位置和上车位置可以是相同的，也可以是不相同的，具体地，可以根据实际情况而定，本实施例对此不加以限制。
上车次数是指与下单位置关联的用户在上车位置处上车的次数，例如，用户发起的网上约车订单中，下单位置为A的订单数量为10，与下单位置A关联的上车位置为位置B和位置C，用户在位置B处上车的次数为5，在位置C处上车的次数为5，那么，与下单位置关联的用户在上车位置B和C处上车的上车次数均为5。
可以理解地，上述示例仅是为了更好地理解本公开实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。
在需要获取位置预测模型的训练样本时，可以获取历史订单信息，并根据历史订单信息获取下单位置、与下单位置关联的上车位置、及与下单位置关联的用户在上车位置处上车的上车次数，进而，执行步骤102。
步骤102：根据所述下单位置、所述上车位置和所述上车次数，构建二部图。
在根据历史订单信息获取下单位置、与下单位置关联的上车位置、及与下单位置关联的用户在上车位置处上车的上车次数之后，可以根据下单位置、上车位置和上车次数构建得到二部图，具体地，可以以上车位置和下单位置作为图节点，并将具有关联关系的图节点相连，以上车次数作为具有连接关系的图节点的连接权重，以构建得到二部图，具体地，将在下述实施例二中进行详细描述，本公开实施例在此不再加以赘述。
在根据下单位置、上车位置和上车次数构建得到二部图之后，执行步骤103。
步骤103：根据所述二部图中随机选取的一个初始图节点，采用随机游走的方式从所述二部图中筛选出所述初始图节点对应的目标节点序列。
初始图节点是指从二部图中随机选择的一个图节点，可以理解地，初始图节点可以为下单位置对应的图节点，也可以为上车位置对应的图节点，具体地，可以根据实际情况而定，本公开实施例对此不加以限制。
目标节点序列是指以初始图节点作为起点，采用随机游走的方式进行随机游走，并将游走过程中途径的所有节点组成的序列作为目标节点序列。
在构建二部图之后，可以从二部图中随机选取一个初始图节点，采用随机游走的方式，从二部图中筛选出初始图节点对应的目标节点序列，进而，执行步骤104。
步骤104：根据所述目标节点序列，获取训练样本。
在获取目标节点序列之后，可以根据目标节点序列获取到训练样本，具体地，在目标节点序列中包含有与下单位置直接连接的上车位置，则将该上车位置作为正样本，并将目标节点序列中其它上车位置作为负样本，即正样本和负样本共同组成了训练样本。
本公开实施例的方案，通过采用随机游走的方式结合上车位置节点和下单位置节点之间的上车次数筛选训练样本，从而可以获取到高质量的负样本。
本公开的实施例提供的训练样本获取方法，通过根据历史订单信息，获取下单位置、与下单位置关联的上车位置、及与下单位置关联的用户在上车位置处上车的上车次数，根据下单位置、上车位置和上车次数，构建二部图，根据二部图中随机选取的一个初始图节点，采用随机游走的方式从二部图中筛选出初始图节点对应的目标节点序列，根据目标节点序列，获取训练样本。本公开实施例通过采用随机游走的方式结合上车位置节点和下单位置节点之间的上车次数筛选训练样本，从而可以获取到高质量的负样本，进而可以使模型得到充分的学习。
实施例二
参照图2，示出了本公开的实施例提供的另一种训练样本获取方法的步骤流程图，如图2所示，该训练样本获取方法具体可以包括如下步骤：
步骤201：根据历史订单信息，获取下单位置、与所述下单位置关联的上车位置、及与所述下单位置关联的用户在所述上车位置处上车的上车次数。
本公开实施例可以应用于获取构建预测上车位置的模型的训练样本的场景中。
历史订单信息是指用户发起网上约车的订单所形成的信息，当然，在本实施例中，获取的历史订单信息是指完成成功的订单，例如，用户发起网上约车的订单，并且成功乘坐了出租车，此时，可以将该订单作为成功的订单等。
在具体实现中，历史订单信息可以为从某网上约车APP(Application，应用程序)上的历史记录中获取的等，对于历史订单信息的具体获取方式可以根据业务需求而定，本实施例对此不加以限制。
下单位置是指用户发起网上约车时需要司机接车的位置，例如，用户在网约车时，指定司机在地点“xx路x号”接车时，则将该地点“xx路x号”作为下单位置。
上车位置是指与下单位置关联的上车位置，也即用户实际上车的位置，例如，用户发起网上约车的订单的下单位置为A，而用户在位置B处上车，则将位置B作为与下单位置A关联的上车位置。
可以理解地，下单位置和上车位置可以是相同的，也可以是不相同的，具体地，可以根据实际情况而定，本实施例对此不加以限制。
上车次数是指与下单位置关联的用户在上车位置处上车的次数，例如，用户发起的网上约车订单中，下单位置为A的订单数量为10，与下单位置A关联的上车位置为位置B和位置C，用户在位置B处上车的次数为5，在位置C处上车的次数为5，那么，与下单位置关联的用户在上车位置B和C处上车的上车次数均为5。
可以理解地，上述示例仅是为了更好地理解本公开实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。
在需要获取位置预测模型的训练样本时，可以获取历史订单信息，并根据历史订单信息获取下单位置、与下单位置关联的上车位置、及与下单位置关联的用户在上车位置处上车的上车次数，进而，执行步骤202。
步骤202：以所述下单位置和所述上车位置作为图节点，并将具有关联关系的下单位置和上车位置相连。
在获取下单位置、与下单位置关联的上车位置、及与下单位置关联的用户在上车位置处上车的上车次数之后，可以以下单位置和上车位置作为图节点，并将具有关联关系的下单位置和上车位置相连，如图2a所示，下单位置包括A、B、C，上车位置包括1、2、3、4和5，与下单位置A具有关联关系的上车位置为1和3，与下单位置B具有关联关系的上车位置为1、2和5，与下单位置C具有关联关系的上车位置为3和4，此时，可以将A、C、B、1、2、3、4和5均作为图节点，并将A与1和3相连接，将B与1、2和5相连接，将C与3和4相连接。
在以下单位置和上车位置作为图节点，并将具有关联关系的下单位置和上车位置相连之后，执行步骤203。
步骤203：将具有连接关系的下单位置和上车位置对应的上车次数，作为具有连接关系的下单位置和上车位置的连接权重，生成所述二部图。
在以下单位置和上车位置作为图节点，并将具有关联关系的下单位置和上车位置相连之后，可以获取具有连接关系的下单位置和上车位置对应的上车次数，并将该上车次数作为相连的下单位置和上车位置的连接权重，以生成二部图，如图2a所示，下单位置A与上车位置1之间的连接权重为3(即用户发起订单对应的下单位置A，在上车位置1处上车的次数为3次)，下单位置A与上车位置3之间的连接权重为2(即用户发起订单对应的下单位置A，在上车位置3处上车的次数为2次)，下单位置B与上车位置1之间的连接权重为1(即用户发起订单对应的下单位置B，在上车位置1处上车的次数为1次)，下单位置B与上车位置2之间的连接权重为4(即用户发起订单对应的下单位置B，在上车位置2处上车的次数为4次)等。
可以理解地，上述示例仅是为了更好地理解本公开实施例的技术方案而列举的示例，不作为对本公开实施例的唯一限制。
在构建得到二部图之后，执行步骤204。
步骤204：获取从所述二部图中随机选取的初始图节点。
初始图节点是指从二部图中随机选择的一个图节点，可以理解地，初始图节点可以为下单位置对应的图节点，也可以为上车位置对应的图节点，具体地，可以根据实际情况而定，本公开实施例对此不加以限制。
在构建得到二部图之后，可以从二部图中随机选取初始图节点，进而执行步骤205。
步骤205：基于所述随机游走的方式，以所述初始图节点作为起始节点和所述连接权重作为游走概率，获取所述二部图对应的初始节点序列。
在从二部图中随机选取初始图节点之后，可以采用随机游走的方式，以初始图节点作为起始节点，并以连接权重作为游走概率，获取二部图对应的初始节点序列，例如，初始图节点为节点A，与节点A相连的节点有节点B、节点C和节点D，节点A与节点B之间的连接权重为1，节点A与节点C之间的连接权重为5，节点A与节点D之间的连接权重为3，此时，节点A向接点D游走，即游走概率越大，触发游走的概率也就越大。
可以理解地，上述示例仅是为了更好地理解本公开实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。
而在以一个初始图节点进行游走，游走到最后一个图节点(即该图节点只与上一个游走过来的图节点相连)，此时，可以将游走路径上的所有图节点组成的序列作为初始节点序列。
在基于随机游走的方式，以初始图节点作为起始节点和连接权重作为游走概率，获取二部图对应的初始节点序列之后，执行步骤206。
步骤206：根据所述初始图节点的节点类型，从所述初始节点序列中筛选出所述目标节点序列。
在获取初始节点序列之后，可以根据初始图节点的节点类型从初始节点序列中筛选出目标节点序列，具体地，可以结合下述具体实现方式进行详细描述。
在本公开的一种具体实现方式中，上述步骤206可以包括：
子步骤A1：获取所述初始节点序列中初始图节点的节点类型为下单位置节点类型的节点序列。
子步骤A2：将下单位置节点类型的节点序列作为所述目标节点序列。
在本实施例中，节点类型可以包括下单位置节点类型和上车位置节点类型，可以指示该图节点为上车位置节点，还是下单位置节点。
在获取到初始节点序列之后，可以获取初始节点序列中初始图节点的节点类型为下单位置节点类型的节点序列，并将下单位置节点类型的节点序列作为目标节点序列，例如，如图2b所示，获取的初始节点序列共有三个，图2b中，圆圈表示下单位置图节点，方框表示上车位置节点序列，由此可知，图2b中第一个初始节点序列的初始图节点为圆圈，即初始图节点的节点类型为下单位置类型，而第二个初始节点序列的初始图节点为方框，即初始图节点的节点类型为上车位置类型，而第三个初始节点序列的初始图节点为圆圈，即初始图节点的节点类型为下单位置类型，此时，可以将第一个初始节点序列和第三个初始节点序列作为目标节点序列。
可以理解地，上述示例仅是为了更好地理解本公开实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。
在根据初始图节点的节点类型，从初始节点序列中筛选出目标节点序列之后，执行步骤207和步骤208。
步骤207：获取所述目标节点序列中与所述初始图节点具有连接关系的第一节点，并将所述初始图节点和所述第一节点作为正样本；所述初始图节点为下单位置对应的节点，所述第一节点为上车位置对应的节点。
在获取目标节点序列之后，可以获取目标节点序列中与初始图节点具有连接关系的第一节点，并将初始图节点和第一节点作为正样本，初始图节点即为下单位置对应的节点，第一节点为上车位置对应的节点。
步骤208：获取所述目标节点序列中与所述初始图节点不具有连接关系的第二节点，并将所述初始图节点和所述第二节点作为负样本；所述第二节点为上车位置对应的节点。
在获取目标节点序列之后，可以获取目标节点序列中不具有连接关系的第二节点，并将初始图节点和第二节点作为负样本，其中，第二节点为上车位置对应的节点。
正样本和负样本共同构成了与下单位置对应的训练样本集合。
步骤209：获取与所述下单位置关联的正样本和负样本。
在需要训练位置预测模型时，可以获取与下单位置关联的正样本和负样本，进而，执行步骤210。
步骤210：将所述正样本和所述负样本输入至初始位置预测模型，以对所述初始位置预测模型进行训练。
在获取与下单位置关联的正样本和负样本之后，可以将正样本和负样本输入至初始位置预测模型，以对初始位置预测模型进行训练。
步骤211：获取由所述初始位置预测模型输出的所述正样本对应的第一评分值、所述负样本对应的第二评分值、及所述正样本和所述负样本之间的差异值。
第一评分值是指由初始位置预测模型输出的正样本对应的评分值。
第二评分值是指由初始位置预测模型输出的负样本对应的评分值。
差异值是指由初始位置预测模型输出的正样本和负样本之间的差异数值。
在将正样本和负样本输入至初始位置预测模型之后，可以由初始位置预测模型对正样本和负样本进行处理，以得到正样本对应的第一评分值、负样本对应的第二评分值、以及正样本和负样本之间的差异值。
在获取第一评分值、第二评分值和差异值之后，执行步骤212。
步骤212：根据所述第一评分值、所述第二评分值和所述差异值，计算得到所述初始位置预测模型对应的损失值。
在本实施例中，损失值所采用的是hinge loss损失函数。
在获取第一评分值、第二评分值和差异值之后，可以结合第一评分值、第二评分值和差异值计算得到初始位置预测模型的损失值，具体地，可以结合下述公式(1)计算损失值：
L(y1,y2)＝max(0,margin-y1+y2) (1)
上述公式(1)中，L(y1,y2)为损失值，y1为第一评分值，y2为第二评分值，margin为差异值，其中，margin越大表示期望正负样本的差异越大。
在计算得到初始位置预测模型对应的损失值之后，执行步骤213。
步骤213：在所述损失值处于预设范围内的情况下，将训练后的初始位置预测模型作为目标位置预测模型。
预设范围是指由业务人员预先设置的用于判定位置模型是否训练完成的范围。
在计算得到初始位置预测模型对应的损失值之后，可以判断损失值是否处于预设范围内。
在损失值处于预设范围内的情况下，可以将训练后的初始位置预测模型作为目标位置预测模型，该目标位置预测模型可以用于后续的上车位置推荐的场景中。
本公开实施例结合hinge loss损失函数可以最大化正负样本的差异，使得模型学习到的向量能更好的表示下单位置和上车位置，实现更加精准的上车位置的召回推荐。
本公开的实施例提供的训练样本获取方法，通过根据历史订单信息，获取下单位置、与下单位置关联的上车位置、及与下单位置关联的用户在上车位置处上车的上车次数，根据下单位置、上车位置和上车次数，构建二部图，根据二部图中随机选取的一个初始图节点，采用随机游走的方式从二部图中筛选出初始图节点对应的目标节点序列，根据目标节点序列，获取训练样本。本公开实施例通过采用随机游走的方式结合上车位置节点和下单位置节点之间的上车次数筛选训练样本，从而可以获取到高质量的负样本，进而可以使模型得到充分的学习。
实施例三
参照图3，示出了本公开的实施例提供的一种训练样本获取装置的结构示意图，如图3所示，该训练样本获取装置300具体可以包括如下模块：
下单信息获取模块310，用于根据历史订单信息，获取下单位置、与所述下单位置关联的上车位置、及与所述下单位置关联的用户在所述上车位置处上车的上车次数；
二部图构建模块320，用于根据所述下单位置、所述上车位置和所述上车次数，构建二部图；
目标序列筛选模块330，用于根据所述二部图中随机选取的一个初始图节点，采用随机游走的方式从所述二部图中筛选出所述初始图节点对应的目标节点序列；
训练样本获取模块340，用于根据所述目标节点序列，获取训练样本。
本公开的实施例提供的训练样本获取装置，通过根据历史订单信息，获取下单位置、与下单位置关联的上车位置、及与下单位置关联的用户在上车位置处上车的上车次数，根据下单位置、上车位置和上车次数，构建二部图，根据二部图中随机选取的一个初始图节点，采用随机游走的方式从二部图中筛选出初始图节点对应的目标节点序列，根据目标节点序列，获取训练样本。本公开实施例通过采用随机游走的方式结合上车位置节点和下单位置节点之间的上车次数筛选训练样本，从而可以获取到高质量的负样本，进而可以使模型得到充分的学习。
实施例四
参照图4，示出了本公开的实施例提供的另一种训练样本获取装置的结构示意图，如图4所示，该训练样本获取装置400具体可以包括如下模块：
下单信息获取模块410，用于根据历史订单信息，获取下单位置、与所述下单位置关联的上车位置、及与所述下单位置关联的用户在所述上车位置处上车的上车次数；
二部图构建模块420，用于根据所述下单位置、所述上车位置和所述上车次数，构建二部图；
目标序列筛选模块430，用于根据所述二部图中随机选取的一个初始图节点，采用随机游走的方式从所述二部图中筛选出所述初始图节点对应的目标节点序列；
训练样本获取模块440，用于根据所述目标节点序列，获取训练样本；
样本获取模块450，用于获取与所述下单位置关联的正样本和负样本；
样本输入模块460，用于将所述正样本和所述负样本输入至初始位置预测模型，以对所述初始位置预测模型进行训练；
评分值获取模块470，用于获取由所述初始位置预测模型输出的所述正样本对应的第一评分值、所述负样本对应的第二评分值、及所述正样本和所述负样本之间的差异值；
损失值计算模块480，用于根据所述第一评分值、所述第二评分值和所述差异值，计算得到所述初始位置预测模型对应的损失值；
目标模型获取模块490，用于在所述损失值处于预设范围内的情况下，将训练后的初始位置预测模型作为目标位置预测模型。
可选地，所述二部图构建模块420包括：
图节点连接单元421，用于以所述下单位置和所述上车位置作为图节点，并将具有关联关系的下单位置和上车位置相连；
二部图生成单元422，用于将具有连接关系的下单位置和上车位置对应的上车次数，作为具有连接关系的下单位置和上车位置的连接权重，生成所述二部图。
可选地，所述目标序列筛选模块430包括：
初始节点获取单元431，用于获取从所述二部图中随机选取的初始图节点；
初始序列获取单元432，用于基于所述随机游走的方式，以所述初始图节点作为起始节点和所述连接权重作为游走概率，获取所述二部图对应的初始节点序列；
目标序列筛选单元433，用于根据所述初始图节点的节点类型，从所述初始节点序列中筛选出所述目标节点序列。
可选地，所述目标序列筛选单元433包括：
节点序列获取子单元，用于获取所述初始节点序列中初始图节点的节点类型为下单位置节点类型的节点序列；
目标序列获取子单元，用于将下单位置节点类型的节点序列作为所述目标节点序列。
可选地，所述训练样本获取模块440包括：
正样本获取单元441，用于获取所述目标节点序列中与所述初始图节点具有连接关系的第一节点，并将所述初始图节点和所述第一节点作为正样本；所述初始图节点为下单位置对应的节点，所述第一节点为上车位置对应的节点；
负样本获取单元442，用于获取所述目标节点序列中与所述初始图节点不具有连接关系的第二节点，并将所述初始图节点和所述第二节点作为负样本；所述第二节点为上车位置对应的节点；
所述正样本和所述负样本为所述下单位置对应的训练样本。
本公开的实施例提供的训练样本获取装置，通过根据历史订单信息，获取下单位置、与下单位置关联的上车位置、及与下单位置关联的用户在上车位置处上车的上车次数，根据下单位置、上车位置和上车次数，构建二部图，根据二部图中随机选取的一个初始图节点，采用随机游走的方式从二部图中筛选出初始图节点对应的目标节点序列，根据目标节点序列，获取训练样本。本公开实施例通过采用随机游走的方式结合上车位置节点和下单位置节点之间的上车次数筛选训练样本，从而可以获取到高质量的负样本，进而可以使模型得到充分的学习。
本公开的实施例还提供了一种电子设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现前述实施例的训练样本获取方法。
本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的训练样本获取方法。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开的实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的实施例的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
本公开的实施例的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的动态图片的生成设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。
以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种训练样本获取方法，其特征在于，包括：
根据历史订单信息，获取下单位置、与所述下单位置关联的上车位置、及与所述下单位置关联的用户在所述上车位置处上车的上车次数；
根据所述下单位置、所述上车位置和所述上车次数，构建二部图；
根据所述二部图中随机选取的一个初始图节点，采用随机游走的方式从所述二部图中筛选出所述初始图节点对应的目标节点序列；
根据所述目标节点序列，获取训练样本；
其中，上车位置是用户实际上车的位置，下单位置是指用户发起网上约车时需要司机接车的位置；其中，所述根据所述下单位置、所述上车位置和所述上车次数，构建二部图，包括：
以所述下单位置和所述上车位置作为图节点，并将具有关联关系的下单位置和上车位置相连；
将具有连接关系的下单位置和上车位置对应的上车次数，作为具有连接关系的下单位置和上车位置的连接权重，生成所述二部图；
其中根据所述二部图中随机选取的一个初始图节点，采用随机游走的方式从所述二部图中筛选出所述初始图节点对应的目标节点序列，包括：
获取从所述二部图中随机选取的初始图节点；
基于所述随机游走的方式，以所述初始图节点作为起始节点和所述连接权重作为游走概率，获取所述二部图对应的初始节点序列；
根据所述初始图节点的节点类型，从所述初始节点序列中筛选出所述目标节点序列；
其中，根据所述初始图节点的节点类型，从所述初始节点序列中筛选出所述目标节点序列，包括：
获取所述初始节点序列中初始图节点的节点类型为下单位置节点类型的节点序列；
将下单位置节点类型的节点序列作为所述目标节点序列；
其中，所述根据所述目标节点序列，获取训练样本，包括：
获取所述目标节点序列中与所述初始图节点具有连接关系的第一节点，并将所述初始图节点和所述第一节点作为正样本；所述初始图节点为下单位置对应的节点，所述第一节点为上车位置对应的节点；
获取所述目标节点序列中与所述初始图节点不具有连接关系的第二节点，并将所述初始图节点和所述第二节点作为负样本；所述第二节点为上车位置对应的节点；
所述正样本和所述负样本为所述下单位置对应的训练样本。
2.根据权利要求1所述的方法，其特征在于，在所述根据所述目标节点序列，获取训练样本之后，还包括：
获取与所述下单位置关联的正样本和负样本；
将所述正样本和所述负样本输入至初始位置预测模型，以对所述初始位置预测模型进行训练；
获取由所述初始位置预测模型输出的所述正样本对应的第一评分值、所述负样本对应的第二评分值、及所述正样本和所述负样本之间的差异值；
根据所述第一评分值、所述第二评分值和所述差异值，计算得到所述初始位置预测模型对应的损失值；
在所述损失值处于预设范围内的情况下，将训练后的初始位置预测模型作为目标位置预测模型。
3.一种训练样本获取装置，其特征在于，包括：
下单信息获取模块，用于根据历史订单信息，获取下单位置、与所述下单位置关联的上车位置、及与所述下单位置关联的用户在所述上车位置处上车的上车次数；
二部图构建模块，用于根据所述下单位置、所述上车位置和所述上车次数，构建二部图；
目标序列筛选模块，用于根据所述二部图中随机选取的一个初始图节点，采用随机游走的方式从所述二部图中筛选出所述初始图节点对应的目标节点序列；
训练样本获取模块，用于根据所述目标节点序列，获取训练样本；
其中，上车位置是用户实际上车的位置，下单位置是指用户发起网上约车时需要司机接车的位置；
其中，所述二部图构建模块包括：
图节点连接单元，用于以所述下单位置和所述上车位置作为图节点，并将具有关联关系的下单位置和上车位置相连；
二部图生成单元，用于将具有连接关系的下单位置和上车位置对应的上车次数，作为具有连接关系的下单位置和上车位置的连接权重，生成所述二部图；
其中，根据所述二部图中随机选取的一个初始图节点，采用随机游走的方式从所述二部图中筛选出所述初始图节点对应的目标节点序列，包括：
获取从所述二部图中随机选取的初始图节点；
基于所述随机游走的方式，以所述初始图节点作为起始节点和所述连接权重作为游走概率，获取所述二部图对应的初始节点序列；
根据所述初始图节点的节点类型，从所述初始节点序列中筛选出所述目标节点序列；
其中，根据所述初始图节点的节点类型，从所述初始节点序列中筛选出所述目标节点序列，包括：
获取所述初始节点序列中初始图节点的节点类型为下单位置节点类型的节点序列；
将下单位置节点类型的节点序列作为所述目标节点序列；
其中，根据所述目标节点序列，获取训练样本，包括：
获取所述目标节点序列中与所述初始图节点具有连接关系的第一节点，并将所述初始图节点和所述第一节点作为正样本；所述初始图节点为下单位置对应的节点，所述第一节点为上车位置对应的节点；
获取所述目标节点序列中与所述初始图节点不具有连接关系的第二节点，并将所述初始图节点和所述第二节点作为负样本；所述第二节点为上车位置对应的节点；
所述正样本和所述负样本为所述下单位置对应的训练样本。
4.一种电子设备，其特征在于，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至2任一项所述的训练样本获取方法。
5.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行方法权利要求1至2任一项所述的训练样本获取方法。
CN202011180604.0A 2020-10-29 2020-10-29 训练样本获取方法、装置、电子设备及存储介质 Active CN112417236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011180604.0A CN112417236B (zh) 2020-10-29 2020-10-29 训练样本获取方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011180604.0A CN112417236B (zh) 2020-10-29 2020-10-29 训练样本获取方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112417236A CN112417236A (zh) 2021-02-26
CN112417236B true CN112417236B (zh) 2024-05-10

Family

ID=74841501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011180604.0A Active CN112417236B (zh) 2020-10-29 2020-10-29 训练样本获取方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112417236B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126773B (zh) * 2019-11-26 2023-09-05 汉海信息技术(上海)有限公司 异常车辆识别方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107291803A (zh) * 2017-05-15 2017-10-24 广东工业大学 一种融合多类型信息的网络表示方法
CN111160552A (zh) * 2019-12-17 2020-05-15 北京百度网讯科技有限公司 负采样处理方法、装置、设备和计算机存储介质
CN111428158A (zh) * 2020-04-09 2020-07-17 汉海信息技术(上海)有限公司 推荐位置的方法、装置、电子设备及可读存储介质
CN111651686A (zh) * 2019-09-24 2020-09-11 北京嘀嘀无限科技发展有限公司 一种测试处理方法、装置、电子设备及存储介质
CN111723292A (zh) * 2020-06-24 2020-09-29 携程计算机技术（上海）有限公司 基于图神经网络的推荐方法、系统、电子设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020529649A (ja) * 2017-08-04 2020-10-08 ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド ピックアップロケーションをネーミングするための方法およびシステム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107291803A (zh) * 2017-05-15 2017-10-24 广东工业大学 一种融合多类型信息的网络表示方法
CN111651686A (zh) * 2019-09-24 2020-09-11 北京嘀嘀无限科技发展有限公司 一种测试处理方法、装置、电子设备及存储介质
CN111160552A (zh) * 2019-12-17 2020-05-15 北京百度网讯科技有限公司 负采样处理方法、装置、设备和计算机存储介质
CN111428158A (zh) * 2020-04-09 2020-07-17 汉海信息技术(上海)有限公司 推荐位置的方法、装置、电子设备及可读存储介质
CN111723292A (zh) * 2020-06-24 2020-09-29 携程计算机技术（上海）有限公司 基于图神经网络的推荐方法、系统、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Unbiased Sampling of Bipartite Graph;Jing Wang等;《IEEE Xplore》;第357-360页 *
融合连边符号语义信息的网络表示学习算法;王凯等;《计算机应用研究》;第37卷(第07期);第1946-1951页 *

Also Published As

Publication number Publication date
CN112417236A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
US20210334420A1 (en) Driving simulation method and apparatus, electronic device, and computer storage medium
JP7367183B2 (ja) 占有予測ニューラルネットワーク
CN111226235B (zh) 神经网络的生成方法、训练方法和使用方法
US10678241B2 (en) Unsupervised learning agents for autonomous driving applications
CN114944059B (zh) 确定预估到达时间的方法与系统
CN111091739B (zh) 自动驾驶场景的生成方法、装置和存储介质
CN113780435B (zh) 车辆损伤检测方法、装置、设备及存储介质
CN111612489A (zh) 订单量的预测方法、装置及电子设备
CN112926789B (zh) 卫星云图的预测方法、预测装置及可读存储介质
CN108399778A (zh) 群体智能拥堵提示方法、系统及计算机可读存储介质
CN112417236B (zh) 训练样本获取方法、装置、电子设备及存储介质
CN114261400A (zh) 一种自动驾驶决策方法、装置、设备和存储介质
WO2023010827A1 (zh) 基于迁移场景的轨迹预测模型的训练方法及装置
CN110675619A (zh) 一种车辆行程能耗预测方法和装置
CN114240563A (zh) 一种出行订单处理方法、电子设备及计算机存储介质
CN109919293B (zh) 一种危险驾驶判定方法及装置
CN114581652A (zh) 目标对象的检测方法、装置、电子设备以及存储介质
CN116861262A (zh) 一种感知模型训练方法、装置及电子设备和存储介质
CN111899283A (zh) 一种视频目标跟踪方法
CN116795720A (zh) 一种基于场景的无人驾驶系统可信性评价方法及装置
CN116164770A (zh) 路径规划方法、装置、电子设备和计算机可读介质
CN116358585A (zh) 应用于停车场的路径规划导航方法、装置及服务器
CN110910191A (zh) 拼车订单生成方法及设备
CN114328211A (zh) 用于出行应用的仿真测试方法、装置以及存储介质
CN111091581A (zh) 基于生成对抗网络的行人轨迹模拟方法、装置和存储介质

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
GR01 Patent grant
GR01 Patent grant