CN113902002B - 用于训练站点出入口确定模型的方法和装置 - Google Patents
用于训练站点出入口确定模型的方法和装置 Download PDFInfo
- Publication number
- CN113902002B CN113902002B CN202111159022.9A CN202111159022A CN113902002B CN 113902002 B CN113902002 B CN 113902002B CN 202111159022 A CN202111159022 A CN 202111159022A CN 113902002 B CN113902002 B CN 113902002B
- Authority
- CN
- China
- Prior art keywords
- sample
- entrance
- route
- station
- exit
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Navigation (AREA)
Abstract
本公开提供了用于训练站点出入口确定模型的方法和装置,涉及人工智能技术领域,特别涉及智能交通领域和导航技术。具体实现方案为:获取训练样本集合,其中,训练样本包括至少一个样本路线特征向量和对应的样本路线排序结果,该至少一个样本路线特征向量用于指示经由同属于目标交通站的至少一个出入口分别行至目标地理标识点的路线的特征;将该训练样本集合中的训练样本的至少一个样本路线特征向量作为输入,将与输入的至少一个样本路线特征向量对应的样本路线排序结果作为期望输出,训练得到站点出入口确定模型。从而得到用于表征路线特征向量与路线排序结果之间对应关系的站点出入口确定模型,丰富了确定站点出入口的方式。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及智能交通领域和导航技术,尤其涉及用于训练站点出入口确定模型的方法和装置。
背景技术
随着大规模基础设施建设的落地,公共出行交通得以快速发展。诸如地铁站、客运站等的出入口也越来越多。为了到达目的地,如何从众多站点出入口中选择合适的出入口也越来越复杂。
现有技术中,往往通过人工标注来实现对地理标识点(例如A大厦)和相应站点出入口(例如XX地铁站A口)的绑定,进而实现对站点出入口的引导。
发明内容
提供了一种用于训练站点出入口确定模型和用于确定站点出入口的方法、装置、电子设备以及存储介质。
根据第一方面,提供了一种用于训练站点出入口确定模型的方法,该方法包括:获取训练样本集合,其中,训练样本集合中的训练样本包括至少一个样本路线特征向量和对应于至少一个样本路线特征向量的样本路线排序结果,至少一个样本路线特征向量用于指示经由同属于目标交通站的至少一个出入口分别行至目标地理标识点的路线的特征;将训练样本集合中的训练样本的至少一个样本路线特征向量作为输入,将与输入的至少一个样本路线特征向量对应的样本路线排序结果作为期望输出,训练得到站点出入口确定模型。
根据第二方面,提供了一种用于确定站点出入口的方法,该方法包括:获取目的地理标识点和相应的交通站的出入口信息集合;生成从交通站经由出入口信息集合所指示的各出入口分别行至目的地理标识点的路线对应的路线特征向量;将所生成的路线特征向量输入至预先训练的站点出入口确定模型,生成与所生成的路线特征向量对应的排序结果,其中,排序结果的首位用于指示经由交通站的目标出入口行至目的地理标识点。
根据第三方面,提供了一种用于训练站点出入口确定模型的装置,该装置包括:第一获取单元,被配置成获取训练样本集合,其中,训练样本集合中的训练样本包括至少一个样本路线特征向量和对应于至少一个样本路线特征向量的样本路线排序结果,至少一个样本路线特征向量用于指示经由同属于目标交通站的至少一个出入口分别行至目标地理标识点的路线的特征;训练单元,被配置成将训练样本集合中的训练样本的至少一个样本路线特征向量作为输入,将与输入的至少一个样本路线特征向量对应的样本路线排序结果作为期望输出,训练得到站点出入口确定模型。
根据第四方面,提供了一种用于训练站点出入口确定模型的装置,该装置包括:第二获取单元,被配置成获取目的地理标识点和相应的交通站的出入口信息集合;生成单元,被配置成生成从交通站经由出入口信息集合所指示的各出入口分别行至目的地理标识点的路线对应的路线特征向量;确定单元,被配置成将所生成的路线特征向量输入至预先训练的站点出入口确定模型,生成与所生成的路线特征向量对应的排序结果,其中,排序结果的首位用于指示经由交通站的目标出入口行至目的地理标识点。
根据第五方面,提供了一种电子设备,该电子设备包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,存储器存储有可被上述至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使上述至少一个处理器能够执行如第一方面或第二方面中任一实现方式所描述的方法。
根据第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机能够执行如第一方面或第二方面中任一实现方式所描述的方法。
根据第七方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如第一方面或第二方面中任一实现方式所描述的方法。
根据本公开的技术实现了通过将包括至少一个样本路线特征向量和对应于上述至少一个样本路线特征向量的样本路线排序结果的训练样本用于训练排序模型,从而得到用于表征路线特征向量与路线排序结果之间对应关系的站点出入口确定模型。通过站点出入口确定模型丰富了确定站点出入口的方式,并且通过路线特征向量所包含的多个特征维度提升站点出入口确定模型所生成的结果的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是可以实现本公开实施例的用于训练站点出入口确定模型的方法的一个应用场景的示意图;
图4是根据本公开实施例的用于训练站点出入口确定模型的装置的示意图;
图5是根据本公开实施例的用于确定站点出入口的装置的示意图;
图6是用来实现本公开实施例的用于训练站点出入口确定模型的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是示出了根据本公开第一实施例的示意图100。该用于训练站点出入口确定模型的方法包括以下步骤:
S101,获取训练样本集合。
在本实施例中,用于训练站点出入口确定模型的方法的执行主体可以通过有线或无线连接的方式从本地或通信连接的电子设备(例如数据库服务器)获取训练样本集合。其中,上述训练样本集合中的训练样本可以包括至少一个样本路线特征向量和对应于上述至少一个样本路线特征向量的样本路线排序结果。上述至少一个样本路线特征向量用于指示经由同属于目标交通站的至少一个出入口分别行至目标地理标识点的路线的特征。
在本实施例中,作为示例,上述训练样本可以包括作为样本路线特征向量的路线A、路线B、路线C分别对应的特征向量和作为样本路线排序结果的路线A、路线B、路线C。其中,上述路线A、路线B、路线C可以分别用于指示从X地铁站的预设起点(例如站台)经由X地铁站A口、X地铁站B1口、X地铁站B2口到达目标地理标识点(例如M大厦)的路径。其中,上述样本路线特征向量所指示的特征可以根据实际的应用场景而灵活设定。例如,上述特征可以包括以下至少一项:距离站点出入口100米内共享单车的数量,距离站点出入口300米内是否存在自动柜员机(Automated Teller Machine,ATM),是否绕路,人群计数(crowdcounting)超过预设阈值的站内(从X地铁站的预设起点至指定地铁出入口)步行距离。再例如,上述特征可以是通过预先训练人工神经网络所提取的特征。
S102,将训练样本集合中的训练样本的至少一个样本路线特征向量作为输入,将与输入的至少一个样本路线特征向量对应的样本路线排序结果作为期望输出,训练得到站点出入口确定模型。
在本实施例中,上述执行主体可以通过机器学习方式将步骤S101获取的训练样本集合中的训练样本的至少一个样本路线特征向量作为输入,将与输入的至少一个样本路线特征向量对应的样本路线排序结果作为期望输出,训练得到站点出入口确定模型。具体地,上述执行主体可以预先获取初始排序模型。其中,上述初始排序模型可以包括但不限于以下至少一项:Lambda MART,RankNet,GBrank。而后,上述执行主体可以将训练样本集合中的训练样本的至少一个样本路线特征向量输入至上述初始排序模型,生成排序结果(例如路线B、路线A、路线C)。接下来,上述执行主体可以利用预设的损失函数确定上述所生成的排序结果与输入的至少一个样本路线特征向量对应的样本路线排序结果之间的损失值。而后,上述执行主体可以基于梯度下降调整上述初始排序模型的参数。在不满足训练停止条件的情况下基于调整参数后的初始排序模型,利用训练样本集合继续训练。将满足训练停止条件的初始排序模型确定为上述站点出入口确定模型。其中,上述训练停止条件可以根据实际需要而设定,例如训练次数达到迭代次数,训练时长达到预设时长,收敛情况满足要求等。
本公开的上述实施例提供的方法,通过将包括至少一个样本路线特征向量和对应于上述至少一个样本路线特征向量的样本路线排序结果的训练样本用于训练排序模型,从而得到用于表征路线特征向量与路线排序结果之间对应关系的站点出入口确定模型。丰富了确定站点出入口的方式,并且通过路线特征向量所包含的多个特征维度提升站点出入口确定模型所生成的结果的准确性。
在本实施例的一些可选的实现方式中,上述执行主体可以按照如下步骤获取训练样本集合:
第一步,获取地理标识点-交通站出入口关联对。
在这些实现方式中,上述执行主体可以通过有线或无线连接的方式从本地或通信连接的电子设备(例如数据库服务器)获取地理标识点-交通站出入口关联对。其中,上述地理标识点-交通站出入口关联对中可以包括样本地理标识点的名称和对应的交通站样本出入口信息。作为示例,上述地理标识点-交通站出入口关联对可以为“M大厦,X地铁站A口”。其中,上述“M大厦”可以为样本地理标识点的名称。上述“X地铁站A口”可以为对应的交通站样本出入口信息。
在这些实现方式中,上述执行主体可以从人工标注终端获取上述地理标识点-交通站出入口关联对,也可以根据地图采集数据库中的POI(Point of Interest,兴趣点)数据加工得到。
第二步,获取与交通站样本出入口信息所指示的交通站的其他出入口信息。
在这些实现方式中,上述执行主体可以通过有线或无线连接的方式从本地或通信连接的电子设备(例如地图数据服务器)获取与交通站样本出入口信息所指示的交通站的其他出入口信息。作为示例,上述其他出入口信息例如可以包括“X地铁站B1口”、“X地铁站B2口”。
第三步,分别规划从交通站起始点经由交通站样本出入口信息和其他出入口信息所指示的地点到达样本地理标识点的路线。
在这些实现方式中,上述执行主体可以基于预先获取的地图数据,利用各种路线规划方式分别规划从交通站起始点经由交通站样本出入口信息和其他出入口信息所指示的地点到达样本地理标识点的路线。其中,上述交通站起始点通常与乘客上下交通工具的地点相关联,例如可以是站台。
第四步,根据所规划的路线各自的特征,生成至少一个样本路线特征向量。
在这些实现方式中,根据上述第三步所规划的路线各自的特征,上述执行主体可以通过各种方式生成至少一个样本路线特征向量。
作为示例,上述执行主体可以根据预先获取的地图数据提取上述第三步所规划的各路线的以下至少一项特征:距离站点出入口100米内共享单车的数量,距离站点出入口300米内是否存在自动柜员机(Automated Teller Machine,ATM),人群计数(crowdcounting)超过预设阈值的站内(从X地铁站的预设起点至指定地铁出入口)步行距离。从而,上述执行主体可以生成上述各路线对应的特征向量作为样本路线特征向量。
作为又一示例,上述执行主体可以将上述第三步所规划的各路线输入至预先训练人工神经网络,得到所提取的路线特征作为样本路线特征向量。
第五步,基于所生成的至少一个样本路线特征向量,生成训练样本。
在这些实现方式中,基于上述第四步所生成的至少一个样本路线特征向量,上述执行主体可以通过各种方式生成训练样本。其中,上述样本路线排序结果可以用于指示经由上述交通站样本出入口信息所指示的地点到达上述样本地理标识点的路线优于经由上述其他出入口信息所指示的地点到达上述样本地理标识点的路线。作为示例,参照前述实施例中的相应描述,包含路线A、路线B、路线C分别对应的特征向量的训练样本中的样本路线排序结果可以为(路线A、路线B、路线C),也可以为(路线A、路线C、路线B)。其中,上述路线A、路线B、路线C可以分别用于指示从X地铁站的预设起点(例如站台)经由X地铁站A口、X地铁站B1口、X地铁站B2口到达目标地理标识点(例如M大厦)的路径。
基于上述可选的实现方式,本方案可以结合基础地图数据自动构建训练样本,提高了基础地图数据的利用率,从而在无需增加过多工作量的前提下丰富了训练样本的生成方式,进而提高了模型的训练效率。
可选地,基于上述第一步所描述的可选的实现方式,上述执行主体可以按照如下步骤获取地理标识点-交通站出入口关联对:
第1步,获取兴趣点地址数据集。
在这些实现方式中,上述执行主体可以通过有线或无线连接的方式从本地或通信连接的电子设备获取兴趣点地址数据集。其中,上述兴趣点地址数据集中可以包括地理标识点的名称和对应的包含交通站出入口信息的地理位置信息。作为示例,上述兴趣点地址数据集中的数据可以为“M大厦,X地铁站A口向西100米”。
需要说明的是,上述兴趣点地址数据集中的地理位置信息因其可以人工标注或通过用户端上传,因而往往是非结构化的。
第2步,对地理位置信息进行预处理,生成地理标识点-交通站出入口关联对。
在这些实现方式中,上述执行主体可以通过各种方式对上述第1步获取的地理位置信息进行预处理,与上述地理位置信息对应的地理标识点的名称相关联,生成地理标识点-交通站出入口关联对。其中,上述预处理可以包括切词。作为示例,上述执行主体可以首先对所获取的地理位置信息“X地铁站A口向西100米”进行切词,得到【X地铁站】、【A口】、【向西】、【100米】。而后,上述执行主体可以从切词结果中提取与交通站出入口相关联的信息【X地铁站】、【A口】。进而,生成地理标识点-交通站出入口关联对(M大厦,X地铁站A口)。
基于上述可选的实现方式,本方案可以结合基础地图数据,将非结构化的兴趣点地址数据集进行信息提取来自动构建训练样本,进一步提高了基础地图数据的利用率,丰富了训练样本的生成方式,进而提高了模型的训练效率。
可选地,基于上述第一步所描述的可选的实现方式,上述执行主体还可以继续执行以下步骤:
第六步,获取与所生成的训练样本中的样本地理标识点相关联的周边路网信息。
在这些实现方式中,上述执行主体可以通过有线或无线连接的方式从本地或通信连接的电子设备(例如地图数据服务器)获取与所生成的训练样本中的样本地理标识点相关联的周边路网信息。其中,上述周边路网信息中通常可以包括兴趣点(例如建筑物、商场、医院等)的相关信息和道路的相关信息(例如道路名称、走向、路口交汇等)。
需要说明的是,上述周边路网信息的范围可以根据实际应用而灵活设定。
第七步,根据周边路网信息,以距离样本地理标识点最近的一条道路的距离为半径确定关联区域。
在这些实现方式中,作为示例,上述执行主体可以对上述样本地理标识点进行膨胀处理,例如将其从一个“点”逐步膨胀成一个“圆”。其中,上述“圆”的半径可以为上述样本地理标识点距离最近的一条道路的距离。从而,上述执行主体可以将上述“圆”覆盖的区域确定为关联区域。可选地,上述执行主体也可以根据上述“圆”覆盖的区域进行修改正,例如按照实际路网排除位于“圆”边缘的路外侧的区域。此处不作限定。
第八步,将位于关联区域中的其他地理标识点与所生成的训练样本中对应的交通站样本出入口信息进行关联,生成扩展地理标识点-交通站出入口关联对集合。
在这些实现方式中,上述执行主体可以将位于上述第七步所确定的关联区域中的其他地理标识点与所生成的训练样本中对应的交通站样本出入口信息进行关联,生成扩展地理标识点-交通站出入口关联对集合。作为示例,上述关联区域中例如还可以包括“餐厅R”、“酒店H”等等。从而,所生成的扩展地理标识点-交通站出入口关联对集合中可以包括(餐厅R,X地铁站A口)、(酒店H,X地铁站A口)。
在这些实现方式中,可选地,上述执行主体可以针对上述第八步所生成的扩展地理标识点-交通站出入口关联对集合继续执行如前述的第二步至第五步,进而生成大量的训练样本。
基于上述可选的实现方式,本方案可以基于预先获取的地理标识点-交通站出入口关联对进行样本泛化,进一步提高了基础地图数据的利用率,从而在无需额外增加人工工作量的前提下丰富了训练样本的生成方式,进而提高了模型的训练效率。
可选地,基于上述可选的实现方式,上述样本路线特征向量中的元素可以用于指示以下至少一项:站内步行距离、站外步行距离、站外过马路次数、站外转弯次数。
在这些实现方式中,上述站内步行距离例如可以用于指示从上述目标交通站的站台至上述交通站的指定出入口的步行距离。上述站外步行距离例如可以用于指示从上述目标交通站的指定出入口至上述目标地理标识点的步行距离。上述站外过马路次数例如可以用于指示从上述目标交通站的指定出入口至上述目标地理标识点的路线中需要过马路的次数。上述站外转弯次数例如可以用于指示从上述目标交通站的指定出入口至上述目标地理标识点的路线中需要转弯的次数。
在这些实现方式中,作为示例,上述路线A对应的样本路线特征向量可以为(180,300,2,4)。上述样本路线特征向量可以表示上述路线A的站内步行距离为180米,站外步行距离为300米,站外过马路次数为2次,站外转弯次数为4次。
基于上述可选的实现方式,本方案可以进一步细化经由交通站的各出入口至目标地理标识点的各路线的多维特征,从而提升所训练的站点出入口确定模型的准确性。
继续参见图2,图2是根据本公开第二实施例的示意图200。该用于确定站点出入口的方法包括以下步骤:
S201,获取目的地理标识点和相应的交通站的出入口信息集合。
在本实施例中,用于确定站点出入口的方法的执行主体可以通过有线或无线连接的方式从本地或通信连接的电子设备获取目的地理标识点和相应的交通站的出入口信息集合。其中,上述相应可以是距离小于预设的距离阈值,也可以是距离最近。
作为示例,上述执行主体可以从用户端获取目的地理标识点。上述执行主体可以从地图数据服务器获取与上述目的地理标识点对应的交通站的出入口信息集合。
需要说明的是,上述交通站的出入口信息集合中所包含的出入口信息通常大于1。
S202,生成从交通站经由出入口信息集合所指示的各出入口分别行至目的地理标识点的路线对应的路线特征向量。
在本实施例中,上述执行主体可以通过各种方式生成从交通站经由出入口信息集合所指示的各出入口分别行至目的地理标识点的路线对应的路线特征向量。
在本实施例中,上述生成路线特征向量的具体方式可以与前述实施例中步骤S101及其可选的实现方式中的相应描述一致,此处不再赘述。
S203,将所生成的路线特征向量输入至预先训练的站点出入口确定模型,生成与所生成的路线特征向量对应的排序结果。
在本实施例中,上述执行主体可以将步骤S202所生成的路线特征向量输入至预先训练的站点出入口确定模型,生成与所生成的路线特征向量对应的排序结果。其中,上述排序结果的首位可以用于指示经由上述交通站的目标出入口行至上述目的地理标识点。上述目标出入口即为推荐选择的出入口。
从图2可以看出,本实施例中的用于确定站点出入口的方法的流程200体现了生成从交通站经由出入口信息集合所指示的各出入口分别行至目的地理标识点的路线对应的路线特征向量的步骤以及将所生成的路线特征向量输入至预先训练的站点出入口确定模型,生成与所生成的路线特征向量对应的排序结果的步骤。由此,本实施例描述的方案可以实现利用预先训练的站点出入口确定模型对经由不同出入口的路线的路线特征进行分析,从而确定合适的站点出入口,因而可以对站点出入口的选择提供更全面、准确的参考。
在本实施例的一些可选的实现方式中,上述执行主体还可以将上述步骤S203所生成的排序结果中的首位或前N位所指示的站点出入口信息发送至目标设备(例如用户使用的终端)。可选地,上述执行主体还可以进一步将上述步骤S203所生成的排序结果中的首位所指示的路线作为步行导航路线也发送至上述目标设备(例如用户使用的终端)。
在本实施例的一些可选的实现方式中,上述样本路线特征向量中的元素可以用于指示以下至少一项:站内步行距离、站外步行距离、站外过马路次数、站外转弯次数。
在这些实现方式中,上述站内步行距离、站外步行距离、站外过马路次数、站外转弯次数等的具体含义可以参考前述实施例中的相应描述,此处不再赘述。
基于上述可选的实现方式,本方案可以进一步细化经由交通站的各出入口至目标地理标识点的各路线的多维特征,从而提升利用训练得到的站点出入口确定模型进行出入口确定的准确性。
在本实施例的一些可选的实现方式中,上述站点出入口确定模型通过前述实施例所描述的用于训练站点出入口确定模型的方法训练得到。
基于上述可选的实现方式,本方案可以将经过前述实施例所描述的用于训练站点出入口确定模型的方法训练得到的站点出入口确定模型应用于站点的出入口确定,从而可以对站点出入口的选择提供更全面、准确的参考。
继续参见图3,图3是根据本公开的实施例的用于训练站点出入口确定模型的方法的应用场景的一个示意图。在图3的应用场景中,服务器301可以获取训练样本集合302。其中,上述训练样本集合302中的训练样本可以包括样本路线特征向量和对应的样本路线排序结果“路线A,路线B,路线C”。其中,上述样本路线特征向量可以分别用于指示经由地铁站X的A口、B1口、B2口分别行至M大厦的路线A、路线B、路线C的特征。服务器301将训练样本集合302中的训练样本的至少一个样本路线特征向量(例如样本路线特征向量)作为输入,将与输入的至少一个样本路线特征向量对应的样本路线排序结果(例如“路线A,路线B,路线C”)作为期望输出,训练得到站点出入口确定模型303。
目前,现有技术之一通常是通过人工标注来实现对地理标识点(例如A大厦)和相应站点出入口(例如XX地铁站A口)的绑定,进而实现对站点出入口的引导。导致由于需要标注大量的信息而造成人力成本过高,且效率低。而本公开的上述实施例提供的方法,通过将包括至少一个样本路线特征向量和对应于上述至少一个样本路线特征向量的样本路线排序结果的训练样本用于训练排序模型,从而得到用于表征路线特征向量与路线排序结果之间对应关系的站点出入口确定模型。通过站点出入口确定模型丰富了确定站点出入口的方式,并且通过路线特征向量所包含的多个特征维度提升站点出入口确定模型所生成的结果的准确性。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了用于训练站点出入口确定模型的装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例提供的用于训练站点出入口确定模型的装置400包括第一获取单元401和训练单元402。其中,获取单元401,被配置成获取训练样本集合,其中,训练样本集合中的训练样本包括至少一个样本路线特征向量和对应于至少一个样本路线特征向量的样本路线排序结果,至少一个样本路线特征向量用于指示经由同属于目标交通站的至少一个出入口分别行至目标地理标识点的路线的特征;训练单元402,被配置成将训练样本集合中的训练样本的至少一个样本路线特征向量作为输入,将与输入的至少一个样本路线特征向量对应的样本路线排序结果作为期望输出,训练得到站点出入口确定模型。
在本实施例中,用于训练站点出入口确定模型的装置400中:第一获取单元401和训练单元402的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤S101和S102的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述第一获取单元401可以包括:第一获取模块(图中未示出),被配置成获取地理标识点-交通站出入口关联对;第二获取模块(图中未示出),被配置成获取与交通站样本出入口信息所指示的交通站的其他出入口信息;路线规划模块(图中未示出),被配置成分别规划从交通站起始点经由交通站样本出入口信息和其他出入口信息所指示的地点到达样本地理标识点的路线;向量生成模块(图中未示出),被配置成根据所规划的路线各自的特征,生成至少一个样本路线特征向量;样本生成模块(图中未示出),被配置成基于所生成的至少一个样本路线特征向量,生成训练样本。其中,上述地理标识点-交通站出入口关联对中可以包括样本地理标识点的名称和对应的交通站样本出入口信息。上述样本路线排序结果可以用于指示经由交通站样本出入口信息所指示的地点到达样本地理标识点的路线优于经由其他出入口信息所指示的地点到达样本地理标识点的路线。
在本实施例的一些可选的实现方式中,上述第一获取模块单元可以进一步被配置成:获取兴趣点地址数据集,其中,兴趣点地址数据集中包括地理标识点的名称和对应的包含交通站出入口信息的地理位置信息;对地理位置信息进行预处理,生成地理标识点-交通站出入口关联对,其中,预处理包括切词。
在本实施例的一些可选的实现方式中,上述第一获取单元还可以包括:第三获取模块(图中未示出),被配置成获取与所生成的训练样本中的样本地理标识点相关联的周边路网信息;确定模块(图中未示出),被配置成根据周边路网信息,以距离样本地理标识点最近的一条道路的距离为半径确定关联区域;关联模块(图中未示出),被配置成将位于关联区域中的其他地理标识点与所生成的训练样本中对应的交通站样本出入口信息进行关联,生成扩展地理标识点-交通站出入口关联对集合。
在本实施例的一些可选的实现方式中,上述样本路线特征向量中的元素可以用于指示以下至少一项:站内步行距离、站外步行距离、站外过马路次数、站外转弯次数。
本公开的上述实施例提供的装置,通过训练单元402将第一获取单元401获取的包括至少一个样本路线特征向量和对应于上述至少一个样本路线特征向量的样本路线排序结果的训练样本用于训练排序模型,从而得到用于表征路线特征向量与路线排序结果之间对应关系的站点出入口确定模型。通过站点出入口确定模型丰富了确定站点出入口的方式,并且通过路线特征向量所包含的多个特征维度提升站点出入口确定模型所生成的结果的准确性。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了用于确定站点出入口的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例提供的用于确定站点出入口的装置500包括第二获取单元501、生成单元502和确定单元503。其中,第二获取单元501,被配置成获取目的地理标识点和相应的交通站的出入口信息集合;生成单元502,被配置成生成从交通站经由出入口信息集合所指示的各出入口分别行至目的地理标识点的路线对应的路线特征向量;确定单元503,被配置成将所生成的路线特征向量输入至预先训练的站点出入口确定模型,生成与所生成的路线特征向量对应的排序结果,其中,排序结果的首位用于指示经由交通站的目标出入口行至目的地理标识点。
在本实施例中,用于确定站点出入口的装置500中:第二获取单元501、生成单元502和确定单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤S201、S202、S203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述路线特征向量中的元素可以用于指示以下至少一项:站内步行距离、站外步行距离、站外过马路次数、站外转弯次数。
在本实施例的一些可选的实现方式中,上述站点出入口确定模型可以通过如前述实施例所描述的用于训练站点出入口确定模型的方法训练得到。
本公开的上述实施例提供的装置,通过确定单元503利用预先训练的站点出入口确定模型对生成单元502生成的经由第二获取单元501获取的不同出入口的路线的路线特征向量进行分析,从而确定合适的站点出入口,因而可以对站点出入口的选择提供更全面、准确的参考。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如用于训练站点出入口确定模型的方法或用于确定站点出入口的方法。例如,在一些实施例中,用于训练站点出入口确定模型的方法或用于确定站点出入口的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的用于训练站点出入口确定模型的方法或用于确定站点出入口的方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于训练站点出入口确定模型的方法或用于确定站点出入口的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、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或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种用于训练站点出入口确定模型的方法,包括:
获取训练样本集合,其中,所述训练样本集合中的训练样本包括至少一个样本路线特征向量和对应于所述至少一个样本路线特征向量的样本路线排序结果,所述至少一个样本路线特征向量用于指示经由同属于目标交通站的至少一个出入口分别行至目标地理标识点的路线的特征;
将所述训练样本集合中的训练样本的至少一个样本路线特征向量作为输入,将与输入的至少一个样本路线特征向量对应的样本路线排序结果作为期望输出,训练得到站点出入口确定模型。
2.根据权利要求1所述的方法,其中,所述获取训练样本集合,包括:
获取地理标识点-交通站出入口关联对,其中,所述地理标识点-交通站出入口关联对中包括样本地理标识点的名称和对应的交通站样本出入口信息;
获取与所述交通站样本出入口信息所指示的交通站的其他出入口信息;
分别规划从所述交通站起始点经由所述交通站样本出入口信息和所述其他出入口信息所指示的地点到达所述样本地理标识点的路线;
根据所规划的路线各自的特征,生成所述至少一个样本路线特征向量;
基于所生成的至少一个样本路线特征向量,生成所述训练样本,其中,所述样本路线排序结果用于指示经由所述交通站样本出入口信息所指示的地点到达所述样本地理标识点的路线优于经由所述其他出入口信息所指示的地点到达所述样本地理标识点的路线。
3.根据权利要求2所述的方法,其中,所述获取地理标识点-交通站出入口关联对,包括:
获取兴趣点地址数据集,其中,所述兴趣点地址数据集中包括地理标识点的名称和对应的包含交通站出入口信息的地理位置信息;
对所述地理位置信息进行预处理,生成所述地理标识点-交通站出入口关联对,其中,所述预处理包括切词。
4.根据权利要求2所述的方法,其中,所述获取训练样本集合,还包括:
获取与所生成的训练样本中的样本地理标识点相关联的周边路网信息;
根据所述周边路网信息,以距离所述样本地理标识点最近的一条道路的距离为半径确定关联区域;
将位于所述关联区域中的其他地理标识点与所生成的训练样本中对应的交通站样本出入口信息进行关联,生成扩展地理标识点-交通站出入口关联对集合。
5.根据权利要求1-4之一所述的方法,其中,所述样本路线特征向量中的元素用于指示以下至少一项:站内步行距离、站外步行距离、站外过马路次数、站外转弯次数。
6.一种用于确定站点出入口的方法,包括:
获取目的地理标识点和相应的交通站的出入口信息集合;
生成从所述交通站经由所述出入口信息集合所指示的各出入口分别行至所述目的地理标识点的路线对应的路线特征向量;
将所生成的路线特征向量输入至预先训练的站点出入口确定模型,生成与所生成的路线特征向量对应的排序结果,其中,所述排序结果的首位用于指示经由所述交通站的目标出入口行至所述目的地理标识点。
7.根据权利要求6所述的方法,其中,所述路线特征向量中的元素用于指示以下至少一项:站内步行距离、站外步行距离、站外过马路次数、站外转弯次数。
8.根据权利要求6所述的方法,其中,所述站点出入口确定模型通过如权利要求1-5之一所述的用于训练站点出入口确定模型的方法训练得到。
9.一种用于训练站点出入口确定模型的装置,包括:
第一获取单元,被配置成获取训练样本集合,其中,所述训练样本集合中的训练样本包括至少一个样本路线特征向量和对应于所述至少一个样本路线特征向量的样本路线排序结果,所述至少一个样本路线特征向量用于指示经由同属于目标交通站的至少一个出入口分别行至目标地理标识点的路线的特征;
训练单元,被配置成将所述训练样本集合中的训练样本的至少一个样本路线特征向量作为输入,将与输入的至少一个样本路线特征向量对应的样本路线排序结果作为期望输出,训练得到站点出入口确定模型。
10.根据权利要求9所述的装置,其中,所述第一获取单元包括:
第一获取模块,被配置成获取地理标识点-交通站出入口关联对,其中,所述地理标识点-交通站出入口关联对中包括样本地理标识点的名称和对应的交通站样本出入口信息;
第二获取模块,被配置成获取与所述交通站样本出入口信息所指示的交通站的其他出入口信息;
路线规划模块,被配置成分别规划从所述交通站起始点经由所述交通站样本出入口信息和所述其他出入口信息所指示的地点到达所述样本地理标识点的路线;
向量生成模块,被配置成根据所规划的路线各自的特征,生成所述至少一个样本路线特征向量;
样本生成模块,被配置成基于所生成的至少一个样本路线特征向量,生成所述训练样本,其中,所述样本路线排序结果用于指示经由所述交通站样本出入口信息所指示的地点到达所述样本地理标识点的路线优于经由所述其他出入口信息所指示的地点到达所述样本地理标识点的路线。
11.一种用于确定站点出入口的装置,包括:
第二获取单元,被配置成获取目的地理标识点和相应的交通站的出入口信息集合;
生成单元,被配置成生成从所述交通站经由所述出入口信息集合所指示的各出入口分别行至所述目的地理标识点的路线对应的路线特征向量;
确定单元,被配置成将所生成的路线特征向量输入至预先训练的站点出入口确定模型,生成与所生成的路线特征向量对应的排序结果,其中,所述排序结果的首位用于指示经由所述交通站的目标出入口行至所述目的地理标识点。
12.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
13.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111159022.9A CN113902002B (zh) | 2021-09-30 | 2021-09-30 | 用于训练站点出入口确定模型的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111159022.9A CN113902002B (zh) | 2021-09-30 | 2021-09-30 | 用于训练站点出入口确定模型的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113902002A CN113902002A (zh) | 2022-01-07 |
CN113902002B true CN113902002B (zh) | 2022-11-04 |
Family
ID=79189640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111159022.9A Active CN113902002B (zh) | 2021-09-30 | 2021-09-30 | 用于训练站点出入口确定模型的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902002B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105256733A (zh) * | 2015-11-03 | 2016-01-20 | 广州铁路职业技术学院 | 地铁站出站导向方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6016485A (en) * | 1998-02-13 | 2000-01-18 | Etak, Inc. | System for pathfinding |
CN103425884B (zh) * | 2013-08-12 | 2016-11-09 | 北京工业大学 | 一种地铁换乘通道通行状态的模糊预测方法 |
CN108681796B (zh) * | 2018-06-01 | 2022-03-29 | 郑州大学 | 基于POI数据与Dijkstra算法的城市对外公路客运枢纽选址方法 |
CN108665191B (zh) * | 2018-06-05 | 2022-05-03 | 北方工业大学 | 基于聚集效应的地铁站外关联区域计算方法 |
CN109522876B (zh) * | 2018-12-13 | 2023-04-18 | 北京交通大学 | 基于bp神经网络的地铁站楼扶梯选择预测方法及系统 |
CN111897850A (zh) * | 2020-08-05 | 2020-11-06 | 湖南翰坤实业有限公司 | 根据用户画像个性化生成逃生路线的方法、系统 |
CN112129307B (zh) * | 2020-09-28 | 2022-10-11 | 北京百度网讯科技有限公司 | 生成公交线路信息的方法、装置、电子设备和存储介质 |
CN112747764A (zh) * | 2020-12-30 | 2021-05-04 | 深圳前海微众银行股份有限公司 | 导航方法、装置、设备和存储介质 |
-
2021
- 2021-09-30 CN CN202111159022.9A patent/CN113902002B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105256733A (zh) * | 2015-11-03 | 2016-01-20 | 广州铁路职业技术学院 | 地铁站出站导向方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113902002A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110457420B (zh) | 兴趣点位置识别方法、装置、设备及存储介质 | |
EP2808832A1 (en) | Iterative public transit scoring | |
CN109781132B (zh) | 一种经验路线替换方法、装置、电子设备及存储介质 | |
CN113029180A (zh) | 一种交通限制识别方法、装置、电子设备及存储介质 | |
CN112861972A (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
CN114626169A (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
CN114170797A (zh) | 交通限制路口的识别方法、装置、设备、介质及产品 | |
CN115410410A (zh) | 车位推荐方法、装置、设备以及存储介质 | |
CN113821579B (zh) | 路线的生成方法、装置、电子设备和存储器 | |
CN114543829A (zh) | 模型训练方法、导航轨迹的推荐方法、装置及车辆 | |
CN112926630B (zh) | 路线规划方法、装置、电子设备以及计算机可读介质 | |
CN113901341A (zh) | 导航信息提示方法、装置、介质及程序产品 | |
CN113902002B (zh) | 用于训练站点出入口确定模型的方法和装置 | |
CN107016495A (zh) | 城市区域相关性的确定方法、装置和终端设备 | |
JP2020193973A (ja) | 出発地と独立したアクセスマップを生成するためのシステムおよび方法 | |
CN113344277B (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
CN113449687B (zh) | 兴趣点出入口的识别方法、装置及电子设备 | |
CN114689061A (zh) | 自动驾驶设备的导航路线处理方法、装置及电子设备 | |
CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 | |
CN115206102A (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
CN113175940A (zh) | 数据处理方法、装置、设备和存储介质 | |
CN114676352A (zh) | 路线规划方法、装置、设备以及存储介质 | |
CN113257030A (zh) | 停车场属性预测模型训练方法、停车场推荐方法及装置 | |
CN112905903A (zh) | 一种租房推荐方法、装置、电子设备及存储介质 | |
CN112541021A (zh) | 路线评估方法、风景区游览预估时长计算方法及装置 |
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 |