CN113095491A - 海图制图预测模型训练及海图制图工作量预测方法和装置 - Google Patents
海图制图预测模型训练及海图制图工作量预测方法和装置 Download PDFInfo
- Publication number
- CN113095491A CN113095491A CN202110641137.5A CN202110641137A CN113095491A CN 113095491 A CN113095491 A CN 113095491A CN 202110641137 A CN202110641137 A CN 202110641137A CN 113095491 A CN113095491 A CN 113095491A
- Authority
- CN
- China
- Prior art keywords
- chart
- prediction
- training samples
- prediction model
- workload
- 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
- 238000012549 training Methods 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000006870 function Effects 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种海图制图预测模型训练及海图制图工作量预测方法和装置，能够高效且准确评估海图制图工作量。所述海图制图预测模型的训练方法包括：获取多个训练样本及所述多个训练样本分别对应的标签，所述训练样本包括历史海图的海图特征数据，所述训练样本对应的标签用于指示所述历史海图的制图工作量；将所述多个训练样本输入海图制图预测模型中，得到所述多个训练样本分别对应的制图工作量预测结果；基于所述多个训练样本分别对应的制图工作量预测结果及标签以及预定的损失函数，确定所述多个训练样本对应的预测误差；如果所述预测误差不满足预定误差条件，则通过反向传播调整所述海图制图预测模型的网络参数。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种海图制图预测模型训练及海图制图工作量预测方法和装置。
背景技术
在海图生产过程中，海图生产质量评定是一项很重要的工作，其有助于消灭或减少错漏率，提高海图生产质量。海图的制图工作量评估是海图生产质量评定方法的重要参数之一。
目前，海图的制图工作量主要是由业务人员根据经验进行评估，这不仅增加了业务人员的工作量，降低评估效率，还使得评估过程受业务人员主观因素的影响而导致评估结果的准确性和可靠性得到保证。
因此，目前亟需一种能够高效且准确评估海图制图工作量的方法。
发明内容
本申请实施例提供一种海图制图预测模型训练及海图制图工作量预测方法和装置，能够基于历史海图的海图特征数据及实际制图工作量进行海图制图预测模型的训练，并能够基于训练出的海图制图预测模型准确高效地预测海图的制图工作量。
为了实现上述目的，本申请实施例采用下述技术方案：
第一方面，提供一种海图制图预测模型的训练方法，包括：
获取多个训练样本及所述多个训练样本分别对应的标签，所述训练样本包括历史海图的海图特征数据，所述训练样本对应的标签用于指示所述历史海图的制图工作量；
将所述多个训练样本输入海图制图预测模型中，得到所述多个训练样本分别对应的制图工作量预测结果；
基于所述多个训练样本分别对应的制图工作量预测结果及标签以及预定的损失函数，确定所述多个训练样本对应的预测误差；
如果所述预测误差不满足预定误差条件，则通过反向传播调整所述海图制图预测模型的网络参数。
第二方面，提供一种海图制图工作量预测方法，包括：
获取待预测海图的海图特征数据；
将所述待预测海图的海图特征数据输入预先训练的海图制图预测模型中，得到所述待预测海图的制图工作量，其中，所述海图制图预测模型是以历史海图的海图特征数据作为训练样本、以所述历史海图的制图工作量作为所述训练样本对应的标签，通过预定的损失函数进行反向传播训练得到的。
第三方面，提供一种海图制图预测模型的训练装置，包括：
第一获取单元，获取多个训练样本及所述多个训练样本分别对应的标签，所述训练样本包括历史海图的海图特征数据，所述训练样本对应的标签用于指示所述历史海图的制图工作量；
第一预测单元，将所述多个训练样本输入海图制图预测模型中，得到所述多个训练样本分别对应的制图工作量预测结果；
误差确定单元，基于所述多个训练样本分别对应的制图工作量预测结果及标签以及预定的损失函数，确定所述多个训练样本对应的预测误差；
调整单元，如果所述预测误差不满足预定误差条件，则通过反向传播调整所述海图制图预测模型的网络参数。
第四方面，提供一种海图制图工作量预测装置，包括：
第二获取单元，获取待预测海图的海图特征数据；
第二预测单元，将所述待预测海图的海图特征数据输入预先训练的海图制图预测模型中，得到所述待预测海图的制图工作量，其中，所述海图制图预测模型是以历史海图的海图特征数据作为训练样本、以所述历史海图的制图工作量作为所述训练样本对应的标签，通过预定的损失函数进行反向传播训练得到的。
第五方面，提供一种电子设备，包括：存储器、处理器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，所述计算机程序被所述处理器执行时实现如第一方面或第二方面所述的方法的步骤。
第六方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第一方面或第二方面所述的方法的步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过将影响海图制图工作量的海图特征数据作为训练样本，将海图的实际制图工作量作为训练样本对应的标签，基于多个训练样本对应的制图工作量预测结果及标签，确定多个训练样本对应的预测误差，并在预测误差不满足预定误差条件的情况下，通过反向传播调整海图制图预测模型的网络参数，使得训练出的海图制图预测模型能够基于预测误差不断进行自动自主学习对于海图制图工作量的预测，最终得到一个能够准确预测海图的制图工作量的海图制图模型，整个过程无需人工参与，减少了因人为主观因素导致的预测误差，同时提高了预测效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请一示例性实施例提供的一种海图制图预测模型的训练方法的流程示意图；
图2为本申请一示例性实施例提供的一种海图制图工作量预测方法的流程示意图；
图3为本申请一示例性实施例提供的一种海图制图预测模型的训练装置的结构示意图；
图4为本申请一示例性实施例提供的一种海图制图工作量预测装置的结构示意图；
图5为本申请一示例性实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如前所述，目前，海图的制图工作量主要是由业务人员根据经验进行评估，这不仅增加了业务人员的工作量，降低评估效率，还使得评估过程受业务人员主观因素的影响而导致评估结果的准确性和可靠性得到保证。
为此，本申请实施例旨在提供一种能够基于历史海图的海图特征数据及实际制图工作量进行海图制图预测模型的训练的方案，以及后续基于训练出的海图制图预测模型所执行的海图制图工作量预测方案。
应理解，本申请实施例提供的海图制图预测模型的训练方法及海图制图工作量预测方法可以由电子设备执行或安装在电子设备中的软件执行，具体可以由终端设备或服务端设备执行。
以下结合附图，详细说明本申请各实施例提供的技术方案。
请参考图1，为本申请一示例性实施例提供的一种海图制图预测模型的训练方法的流程示意图，该方法可以包括：
S102，获取多个训练样本及多个训练样本分别对应的标签，其中，训练样本包括历史海图的海图特征数据，训练样本对应的标签用于指示历史海图的制图工作量。
其中，海图的海图特征数据是指能够表征海图的特征的数据，其可以影响海图的制图工作量。具体实施时，海图的海图特征数据可以根据海图的资料性质、复杂程度、比例尺、地形复杂程度等多方面的因素确定。
考虑到海图包含的要素相关数据会对海图的制图工作量产生较大影响，对此，一个实施例中，海图的海图特征数据可以基于海图中的要素的要素特征数据生成。具体地，获取多个训练样本包括：
步骤A1，对历史海图进行图像识别，以得到历史海图中包含的要素。
其中，海图中的要素是指构成海图的元素，具体可以包括点状要素、线状要素和面状要素等。也就是说，历史海图中包含的要素可以包括点状要素、线状要素和面状要素等中的至少一种。
值得说明的是，对海图进行图像识别的方式可以采用本领域任意常用的技术手段实现，在此不再详细说明。
步骤A2，基于历史海图包含的要素，对历史海图进行特征提取，以得到历史海图包含的要素的要素特征数据。
其中，要素的要素特征数据包括要素在不同要素特征对应的特征值。要素的要素特征可以随着要素的不同而不同。例如，点状要素的要素特征可以包括但不限于点状要素的数量等，线状要素的要素特征可以包括线状要素的长度、数量等，面状要素的要素特征可以包括面状要素的数量、面积、线条数量、节点数量等。
值得说明的是，对海图进行特征提取以得到海图包含的要素的要素特征数据的方法可以采用本领域任意常用的技术手段实现，在此不再详细说明。
步骤A3，基于历史海图所包含的要素的要素特征数据，生成历史海图的海图特征数据。
在得到历史海图包含的要素的要素特征数据后，可对这些要素特征数据进行筛选、拼接等各类处理，由此得到历史海图的海图特征数据，例如，历史海图的海图特征数据可以包括历史海图在多个要素特征分别对应的特征值。
考虑到不同要素特征的取值的数量级可能不一致，直接利用这些要素特征的特征值训练海图制图预测模型，可能导致训练过程中出现各种问题，进而影响最终训练出的海图制图预测模型的预测准确性和可靠性。对此，在将多个训练样本输入海图制图预测模型中之前，本申请实施例提供的海图制图预测模型的训练方法还包括：分别针对单个要素特征，对多个训练样本在该单个要素特征对应的特征值进行归一化处理。
具体地，归一化处理方法可以采用Z-score标准化方法，即通过以下公式（1）将各个训练样本中不同要素特征对应的特征值处理为0-1之间的数值。
其中， 
表示经归一化处理后第i个训练样本在第k个要素特征对应的特征值；
表示第i个训练样本在第k个要素特征对应的特征值； 
表示多个训练样本在第k个要素特征对应的均值；
表示多个训练样本在第k个要素特征对应的标准差。
S104，将多个训练样本输入海图制图预测模型中，得到多个训练样本分别对应的制图工作量预测结果。
上述海图制图预测模型可以分别针对单个训练样本，基于单个训练样本中包含的海图特征数据，对单个训练样本进行制图工作量的预测，得到单个训练样本对应的制图工作量预测结果。
本申请实施例中，制图工作量可以通过任意适当的形式表示。一个实施例中，制图工作量可以用制图工天数表示。
本申请实施例中，上述海图制图预测模型可以基于技术人员的经验预先准备。具体地，可以预先定义海图制图预测模型的类型，并确定海图制图预测模型的网络参数，其中，其网络参数可以包括但不限于卷积核个数、网络层数、每层包含的神经元个数以及不同层包含的神经元之间的连接权重等。
更为具体地，作为一种实施方式，上述海图制图预测模型可以是一种神经网络，例如反向传播（Back Propagation，BP）神经网络，BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。在将多个训练样本输入海图制图预测模型中之前，基于随机常数生成函数，确定神经网络的初始网络参数，然后基于神经网络的初始网络参数，建立海图制图预测模型。实际应用中，随机常数生成函数可以为TensorFlow中的函数truncated_normal()。
S106，基于多个训练样本分别对应的制图工作量预测结果及标签以及预定的损失函数，确定多个训练样本对应的预测误差。
本申请实施例中，上述损失函数可以为任意适当类型的损失函数，具体可以根据实际需要预先设置。为了准确反映海图制图预测模型输出的预测结果的准确性，一个实施例中，上述损失函数可以为均方误差（Mean Square Error，MSE）函数，即
，其中，
表示海图制图模型的输出，也即训练样本对应的制图工作量预测结果，
表示训练样本对应的标签，
表示维度。
S108，如果预测误差不满足预定误差条件，则通过反向传播调整海图制图预测模型的网络参数。
本申请实施例中，多个训练样本对应的预测误差用于反映对多个训练样本进行制图工作量预测所得的预测结果的准确性，若预测误差越大，则预测结果的准确性越低；反之，则预测结果的准确性越高。基于此，可以以使上述多个训练对应的预测误差下降为目标，通过反向传播逐层调整海图制图预测模型的网络参数。
具体地，作为一种实施方式，可以从海图制图预测模型的输出层起，基于多个训练样本对应的预测误差和海图制图预测模型的网络参数，反向逐层确定在海图制图预测模型的各层网络中神经元的预测误差；然后，基于在不同层网络中神经元的预测误差，通过最速下降算法，逐层调整相邻两层网络中的神经元之间的连接权重。由此，完成对海图制图预测模型的网络参数的调整。
更为具体地，海图制图预测模型可以包括输入层、隐含层和输出层，可以从输出层起，基于多个训练样本对应的预测误差，确定在输出层中各神经元的预测误差，然后，基于在输出层中各神经元的预测误差以及输出层中的神经元与隐含层中的神经元之间的连接关系，修正输出层中的神经元与隐含层中的神经元之间连接权重，以上即为从输出层到隐含层的反向传播调整过程。从隐含层到输入层的反向传播调整过程与从输出层到隐含层的反向传播调整过程类似，由此可以对隐含层中的神经元与输入层中的神经元之间的连接权重的修正。
进一步地，为了调整过程中出现过拟合的问题，在确定在隐含层中神经元的预测误差之前，还基于Dropout函数随机筛除隐含层中的神经元，被筛除的神经元不再进行信息传递，从而可以提高海图制图预测模型的泛化能力。
值得说明的是，上述过程仅为一次调整过程。实际应用中，可进行多次调整，直到多个训练样本对应的预测误差满足预定误差条件。具体地，可基于调整后的海图制图预测模型，重复执行上述S102至S106，直到上述多个训练样本对应的预测误差满足预定误差条件，从而得到最终的海图制图预测模型。其中，预定误差条件可以是上述多个训练样本对应的预测误差小于预定阈值，或者，也可以是上述多个训练样本对应的预测误差的变化率小于预定变化率，等等，本申请实施例对此不做具体限定。
本申请实施例提供的海图制图预测模型的训练方法，通过将影响海图制图工作量的海图特征数据作为训练样本，将海图的实际制图工作量作为训练样本对应的标签，基于多个训练样本对应的制图工作量预测结果及标签，确定多个训练样本对应的预测误差，并在预测误差不满足预定误差条件的情况下，通过反向传播调整海图制图预测模型的网络参数，使得训练出的海图制图预测模型能够基于预测误差不断进行自动自主学习对于海图制图工作量的预测，最终得到一个能够准确预测海图的制图工作量的海图制图模型，整个过程无需人工参与，减少了因人为主观因素导致的预测误差，同时提高了预测效率。
上述实施例介绍了海图制图预测模型的训练过程，训练出的海图制图预测模型可用于预测海图的制图工作量。下面对基于海图制图预测模型的应用过程进行详细说明。
与上述方法相对应地，本申请实施例还提供一种海图制图工作量预测方法，能够基于图1所示方法训练出的海图制图预测模型预测海图的制图工作量。
请参考图2，为本申请一示例性实施例提供的一种海图制图工作量预测方法的流程示意图，该方法可以包括：
S202，获取待预测海图的海图特征数据。
S204，将待预测海图的海图特征数据输入预先训练的海图制图预测模型中，得到待预测海图的制图工作量。
其中，海图制图预测模型是以历史海图的海图特征数据作为训练样本，以历史海图的制图工作量作为训练样本对应的标签，通过预定的损失函数进行反向传播训练得到的。
显然，本申请实施例提供的海图制图工作量预测方法，能够依据训练出的海图制图预测模型和影响制图工作量的海图特征数据，对海图的制图工作量进行自动预测，不仅可以提高预测效率，还可以减少人为主观因素对预测结果造成的影响，提高了预测结果的准确性和可靠性。之后，基于对待预测海图的制图工作量的预测结果，可以执行相关的海图生成质量评定。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
此外，与上述图1所示的海图制图预测模型的训练方法相对应地，本申请实施例还提供一种海图制图预测模型的训练装置。图3是本申请一示例性实施例提供的一种海图制图预测模型的训练装置的结构示意图，该装置300包括：
第一获取单元310，获取多个训练样本及所述多个训练样本分别对应的标签，所述训练样本包括历史海图的海图特征数据，所述训练样本对应的标签用于指示所述历史海图的制图工作量；
第一预测单元320，将所述多个训练样本输入海图制图预测模型中，得到所述多个训练样本分别对应的制图工作量预测结果；
误差确定单元330，基于所述多个训练样本分别对应的制图工作量预测结果及标签以及预定的损失函数，确定所述多个训练样本对应的预测误差；
调整单元340，如果所述预测误差不满足预定误差条件，则通过反向传播调整所述海图制图预测模型的网络参数。
本申请实施例提供的海图制图预测模型的训练装置，通过将影响海图制图工作量的海图特征数据作为训练样本，将海图的实际制图工作量作为训练样本对应的标签，基于多个训练样本对应的制图工作量预测结果及标签，确定多个训练样本对应的预测误差，并在预测误差不满足预定误差条件的情况下，通过反向传播调整海图制图预测模型的网络参数，使得训练出的海图制图预测模型能够基于预测误差不断进行自动自主学习对于海图制图工作量的预测，最终得到一个能够准确预测海图的制图工作量的海图制图模型，整个过程无需人工参与，减少了因人为主观因素导致的预测误差，同时提高了预测效率。
可选地，所述调整单元340，具体用于：
从所述海图制图预测模型的输出层起，基于所述预测误差和所述海图制图预测模型的网络参数，反向逐层确定在所述海图制图预测模型的各层网络中神经元的预测误差，所述网络参数包括所述海图制图预测模型的网络层数、各层网络包含的神经元个数及不同层网络的神经元之间的连接权重；
基于在所述海图制图预测模型的不同层网络中神经元的预测误差，通过最速下降算法，逐层调整相邻两层网络中的神经元之间的连接权重。
可选地，所述海图制图预测模型还包括隐含层，所述装置300还包括：
筛除单元，在所述调整单元340确定在所述海图制图预测模型的隐含层中神经元的预测误差之前，基于Droupout函数随机筛除所述隐含层中的神经元。
可选地，所述装置300还包括：
初始网络参数确定单元，在所述第一预测单元320将所述多个训练样本输入海图制图预测模型中之前，基于随机常数生成函数，确定神经网络的初始网络参数；
模型建立单元，基于所述神经网络的初始网络参数，建立所述海图制图预测模型。
可选地，所述历史海图的海图特征数据包括所述历史海图在多个要素特征分别对应的特征值；
所述装置300还包括：
归一处理单元，在所述第一预测单元320将所述多个训练样本输入海图制图预测模型中之前，分别针对单个要素特征，对所述多个训练样本在所述单个要素特征对应的特征值进行归一化处理。
可选地，所述第一获取单元310通过以下方式获取多个训练样本：
对历史海图进行图像识别，以得到所述历史海图中包含的要素，所述要素包括点状要素、线状要素和面状要素中的至少一种；
基于所述历史海图包含的要素，对所述历史海图进行特征提取，以得到所述历史海图包含的要素的要素特征数据；
基于所述历史海图所包含要素的要素特征数据，生成所述历史海图的海图特征数据。
显然，本申请实施例提供的海图制图预测模型的训练装置可以作为上述图1所示的海图制图预测模型的训练方法的执行主体，因此能够实现海图制图预测模型的训练方法在图1所实现的功能。由于原理相同，在此不再赘述。
此外，与上述图2所示的海图制图工作量预测方法相对应地，本申请实施例还提供一种海图制图工作量预测装置。图4是本申请一示例性实施例提供的一种海图制图工作量预测装置的结构示意图，该装置400包括：
第二获取单元410，获取待预测海图的海图特征数据；
第二预测单元420，将所述待预测海图的海图特征数据输入预先训练的海图制图预测模型中，得到所述待预测海图的制图工作量，其中，所述海图制图预测模型是以历史海图的海图特征数据作为训练样本、以所述历史海图的制图工作量作为所述训练样本对应的标签，通过预定的损失函数进行反向传播训练得到的。
本申请实施例提供的海图制图工作量预测装置，能够依据训练出的海图制图预测模型和影响制图工作量的海图特征数据，对海图的制图工作量进行自动预测，不仅可以提高预测效率，还可以减少人为主观因素对预测结果造成的影响，提高了预测结果的准确性和可靠性。之后，基于对待预测海图的制图工作量的预测结果，可以执行相关的海图生成质量评定。
显然，本申请实施例的海图制图工作量预测装置可以作为上述图2所示的海图制图工作量预测方法的执行主体，因此能够实现海图制图工作量预测方法在图2所实现的功能。由于原理相同，在此不再赘述。
图5是本申请的一个实施例电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器（non-volatile memory），例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构）总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成海图制图预测模型的训练装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取多个训练样本及所述多个训练样本分别对应的标签，所述训练样本包括历史海图的海图特征数据，所述训练样本对应的标签用于指示所述历史海图的制图工作量；
将所述多个训练样本输入海图制图预测模型中，得到所述多个训练样本分别对应的制图工作量预测结果；
基于所述多个训练样本分别对应的制图工作量预测结果及标签以及预定的损失函数，确定所述多个训练样本对应的预测误差；
如果所述预测误差不满足预定误差条件，则通过反向传播调整所述海图制图预测模型的网络参数。
或者，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成海图制图工作量预测装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取待预测海图的海图特征数据；
将所述待预测海图的海图特征数据输入预先训练的海图制图预测模型中，得到所述待预测海图的制图工作量，其中，所述海图制图预测模型是以历史海图的海图特征数据作为训练样本、以所述历史海图的制图工作量作为所述训练样本对应的标签，通过预定的损失函数进行反向传播训练得到的。
上述如本申请图1所示实施例揭示的海图制图预测模型的训练装置执行的方法或者本申请图2所示实施例揭示的海图制图工作量预测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1的方法，并实现海图制图预测模型的训练装置在图1所示实施例的功能，或者，该电子设备还可执行图2的方法，并实现海图制图工作量预测装置在图2所示实施例的功能，本申请实施例在此不再赘述。
当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下操作：
获取多个训练样本及所述多个训练样本分别对应的标签，所述训练样本包括历史海图的海图特征数据，所述训练样本对应的标签用于指示所述历史海图的制图工作量；
将所述多个训练样本输入海图制图预测模型中，得到所述多个训练样本分别对应的制图工作量预测结果；
基于所述多个训练样本分别对应的制图工作量预测结果及标签以及预定的损失函数，确定所述多个训练样本对应的预测误差；
如果所述预测误差不满足预定误差条件，则通过反向传播调整所述海图制图预测模型的网络参数。
或者，上述指令当包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图2所示实施例的方法，并具体用于执行以下操作：
获取待预测海图的海图特征数据；
将所述待预测海图的海图特征数据输入预先训练的海图制图预测模型中，得到所述待预测海图的制图工作量，其中，所述海图制图预测模型是以历史海图的海图特征数据作为训练样本、以所述历史海图的制图工作量作为所述训练样本对应的标签，通过预定的损失函数进行反向传播训练得到的。
总之，以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。
Claims (10)
1.一种海图制图预测模型的训练方法，其特征在于，包括：
获取多个训练样本及所述多个训练样本分别对应的标签，所述训练样本包括历史海图的海图特征数据，所述训练样本对应的标签用于指示所述历史海图的制图工作量；
将所述多个训练样本输入海图制图预测模型中，得到所述多个训练样本分别对应的制图工作量预测结果；
基于所述多个训练样本分别对应的制图工作量预测结果及标签以及预定的损失函数，确定所述多个训练样本对应的预测误差；
如果所述预测误差不满足预定误差条件，则通过反向传播调整所述海图制图预测模型的网络参数。
2.根据权利要求1所述的方法，其特征在于，所述通过反向传播调整所述海图制图预测模型的网络参数，包括：
从所述海图制图预测模型的输出层起，基于所述预测误差和所述海图制图预测模型的网络参数，反向逐层确定在所述海图制图预测模型的各层网络中神经元的预测误差，所述网络参数包括所述海图制图预测模型的网络层数、各层网络包含的神经元个数及不同层网络的神经元之间的连接权重；
基于在所述海图制图预测模型的不同层网络中神经元的预测误差，通过最速下降算法，逐层调整相邻两层网络中的神经元之间的连接权重。
3.根据权利要求2所述的方法，其特征在于，所述海图制图预测模型还包括隐含层，在确定在所述海图制图预测模型的隐含层中神经元的预测误差之前，还包括：
基于Droupout函数随机筛除所述隐含层中的神经元。
4.根据权利要求2所述的方法，其特征在于，在将所述多个训练样本输入海图制图预测模型中之前，所述方法还包括：
基于随机常数生成函数，确定神经网络的初始网络参数；
基于所述神经网络的初始网络参数，建立所述海图制图预测模型。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述历史海图的海图特征数据包括所述历史海图在多个要素特征分别对应的特征值；
在将所述多个训练样本输入海图制图预测模型中之前，所述方法还包括：
分别针对单个要素特征，对所述多个训练样本在所述单个要素特征对应的特征值进行归一化处理。
6.根据权利要求5所述的方法，其特征在于，获取多个训练样本包括：
对历史海图进行图像识别，以得到所述历史海图中包含的要素，所述要素包括点状要素、线状要素和面状要素中的至少一种；
基于所述历史海图包含的要素，对所述历史海图进行特征提取，以得到所述历史海图包含的要素的要素特征数据；
基于所述历史海图所包含要素的要素特征数据，生成所述历史海图的海图特征数据。
7.一种海图制图工作量预测方法，其特征在于，包括：
获取待预测海图的海图特征数据；
将所述待预测海图的海图特征数据输入预先训练的海图制图预测模型中，得到所述待预测海图的制图工作量，其中，所述海图制图预测模型是以历史海图的海图特征数据作为训练样本、以所述历史海图的制图工作量作为所述训练样本对应的标签，通过预定的损失函数进行反向传播训练得到的。
8.一种海图制图预测模型的训练装置，其特征在于，包括：
第一获取单元，获取多个训练样本及所述多个训练样本分别对应的标签，所述训练样本包括历史海图的海图特征数据，所述训练样本对应的标签用于指示所述历史海图的制图工作量；
第一预测单元，将所述多个训练样本输入海图制图预测模型中，得到所述多个训练样本分别对应的制图工作量预测结果；
误差确定单元，基于所述多个训练样本分别对应的制图工作量预测结果及标签以及预定的损失函数，确定所述多个训练样本对应的预测误差；
调整单元，如果所述预测误差不满足预定误差条件，则通过反向传播调整所述海图制图预测模型的网络参数。
9.一种海图制图工作量预测装置，其特征在于，包括：
第二获取单元，获取待预测海图的海图特征数据；
第二预测单元，将所述待预测海图的海图特征数据输入预先训练的海图制图预测模型中，得到所述待预测海图的制图工作量，其中，所述海图制图预测模型是以历史海图的海图特征数据作为训练样本、以所述历史海图的制图工作量作为所述训练样本对应的标签，通过预定的损失函数进行反向传播训练得到的。
10.一种电子设备，其特征在于，包括：存储器、处理器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，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110641137.5A CN113095491A (zh) | 2021-06-09 | 2021-06-09 | 海图制图预测模型训练及海图制图工作量预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110641137.5A CN113095491A (zh) | 2021-06-09 | 2021-06-09 | 海图制图预测模型训练及海图制图工作量预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113095491A true CN113095491A (zh) | 2021-07-09 |
Family
ID=76666001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110641137.5A Pending CN113095491A (zh) | 2021-06-09 | 2021-06-09 | 海图制图预测模型训练及海图制图工作量预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113095491A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986638A (zh) * | 2018-06-15 | 2018-12-11 | 武汉智图科技有限责任公司 | 一种海图专题图快速制图的方法 |
| CN109298998A (zh) * | 2018-08-15 | 2019-02-01 | 深圳壹账通智能科技有限公司 | 工作量评估及模型训练方法、电子设备及存储介质 |
| US20200104174A1 (en) * | 2018-09-30 | 2020-04-02 | Ca, Inc. | Application of natural language processing techniques for predicting resource consumption in a computing system |
| CN111126668A (zh) * | 2019-11-28 | 2020-05-08 | 中国人民解放军国防科技大学 | 基于图卷积网络的Spark作业时间预测方法和装置 |
| CN111784073A (zh) * | 2020-07-16 | 2020-10-16 | 武汉空心科技有限公司 | 基于深度学习的工作平台任务工作量预测方法 |
| CN112800167A (zh) * | 2021-04-13 | 2021-05-14 | 北京星天科技有限公司 | 一种数字海图制图工作量的评估方法和装置 |
-
2021
- 2021-06-09 CN CN202110641137.5A patent/CN113095491A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986638A (zh) * | 2018-06-15 | 2018-12-11 | 武汉智图科技有限责任公司 | 一种海图专题图快速制图的方法 |
| CN109298998A (zh) * | 2018-08-15 | 2019-02-01 | 深圳壹账通智能科技有限公司 | 工作量评估及模型训练方法、电子设备及存储介质 |
| US20200104174A1 (en) * | 2018-09-30 | 2020-04-02 | Ca, Inc. | Application of natural language processing techniques for predicting resource consumption in a computing system |
| CN111126668A (zh) * | 2019-11-28 | 2020-05-08 | 中国人民解放军国防科技大学 | 基于图卷积网络的Spark作业时间预测方法和装置 |
| CN111784073A (zh) * | 2020-07-16 | 2020-10-16 | 武汉空心科技有限公司 | 基于深度学习的工作平台任务工作量预测方法 |
| CN112800167A (zh) * | 2021-04-13 | 2021-05-14 | 北京星天科技有限公司 | 一种数字海图制图工作量的评估方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108197652B (zh) | 用于生成信息的方法和装置 | |
| CN110686633A (zh) | 一种滑坡位移预测方法、装置及电子设备 | |
| CN113255792B (zh) | 一种数据异常点检测方法、装置、系统、以及存储介质 | |
| CN110968689A (zh) | 罪名及法条预测模型的训练方法以及罪名及法条预测方法 | |
| CN110990560B (zh) | 一种司法数据处理方法及系统 | |
| CN111340245B (zh) | 一种模型训练方法及系统 | |
| CN113239702A (zh) | 意图识别方法、装置、电子设备 | |
| CN111951008A (zh) | 一种风险预测方法、装置、电子设备和可读存储介质 | |
| CN117196322B (zh) | 智能风控方法、装置、计算机设备及存储介质 | |
| CN112800813B (zh) | 一种目标识别方法及装置 | |
| CN113743618A (zh) | 时间序列数据处理方法、装置、可读介质及电子设备 | |
| CN111143148B (zh) | 一种模型参数确定方法、装置及存储介质 | |
| CN113095491A (zh) | 海图制图预测模型训练及海图制图工作量预测方法和装置 | |
| CN116883179A (zh) | 金融产品投资策略的确定方法、装置、处理器及电子设备 | |
| CN114254588A (zh) | 数据标签处理方法和装置 | |
| CN112669270B (zh) | 视频质量的预测方法、装置及服务器 | |
| CN117389821A (zh) | 日志异常的检测方法、设备及存储介质 | |
| CN112733743A (zh) | 模型训练方法、数据、图像质量评估方法及相关装置 | |
| CN111882046A (zh) | 多媒体数据的识别方法、装置、设备及计算机存储介质 | |
| CN111581068A (zh) | 终端的工作量计算方法及其装置、存储介质、终端、云服务系统 | |
| CN116416456B (zh) | 基于自蒸馏的图像分类方法、系统、存储介质和电子设备 | |
| CN118396039B (zh) | 一种自注意力机制计算方法、推理方法 | |
| CN116959489B (zh) | 语音模型的量化方法、装置、服务器及存储介质 | |
| CN115514621B (zh) | 故障监测方法、电子设备及存储介质 | |
| CN117313860A (zh) | 一种数据推理的方法、装置、设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210709 |
|
| RJ01 | Rejection of invention patent application after publication |