CN114153934A - 机器学习模型训练、导航路线推荐方法及计算机存储介质 - Google Patents

Abstract

本申请实施例提供了一种机器学习模型训练、导航路线推荐方法及计算机存储介质。该方法，包括：按照历史行程数据的历史出行时间，将历史行程数据，划分到覆盖其历史出行时间的历史时间区间；根据至少两个历史时间区间的历史行程数据和样本导航路线，确定所述目标对象在各所述历史时间区间内的路网特征数据，所述样本导航路线是待推荐至目标对象的路线；基于历史时间区间的时间长度满足设定值的历史时间区间的历史行程数据和所述样本导航路线的起点和终点，确定所述目标对象的起终点对特征数据；根据所述路网特征数据和所述起终点对特征数据，构建训练样本，使用所述训练样本对机器学习模型进行训练，以获得能够确定样本导航路线与所述目标对象匹配程度的机器学习模型。该方法训练的机器学习模型使用效果更好。

Description

机器学习模型训练、导航路线推荐方法及计算机存储介质

技术领域

本申请实施例涉及导航技术领域，尤其涉及一种机器学习模型训练、导航路线推荐方法及计算机存储介质。

背景技术

使用支持地图导航功能的应用程序(软件)进行导航时，应用程序会计算多条从起点到终点的导航路线，并从中选择要推荐给目标对象的导航路线。由于目标对象的出行习惯存在差异，不同目标对象，即便出行的起点和终点是相同的，目标对象偏好(习惯)或期待的导航路线可能是不同的。例如，同样是从A点到达B点，目标对象1更习惯走导航路线1，而目标对象2更习惯走导航路线2，因此，为目标对象推荐的导航路线是符合目标对象偏好(习惯)的，会提升目标对象对应用程序的信任度。为此，相关技术提出可以基于目标对象历史行驶过的道路构成的路网数据为其生成推荐的导航路线。但目标对象的路网数据反映的是目标对象的历史出行习惯，历史出行习惯可能因为环境因素的变化而改变，而现有技术中难以及时发现这些改变，导致基于目标对象历史行驶过的道路构成的路网数据为其生成推荐的导航路线，存在不满足目标对象偏好的问题。

发明内容

有鉴于此，本申请实施例提供一种机器学习模型方案，以至少部分解决上述问题。

根据本申请实施例的第一方面，提供了一种机器学习模型训练方法，包括：按照历史行程数据的历史出行时间，将历史行程数据，划分到覆盖其历史出行时间的历史时间区间；根据至少两个历史时间区间的历史行程数据和样本导航路线，确定所述目标对象在各所述历史时间区间内的路网特征数据，所述样本导航路线是待推荐至目标对象的路线；基于历史时间区间的时间长度满足设定值的历史时间区间的历史行程数据和所述样本导航路线的起点和终点，确定所述目标对象的起终点对特征数据；根据所述路网特征数据和所述起终点对特征数据，构建训练样本，使用所述训练样本对机器学习模型进行训练，以获得能够确定样本导航路线与所述目标对象匹配程度的机器学习模型。

根据本申请实施例的第二方面，提供了一种导航路线推荐方法，包括：基于目标对象选择的起点和终点，获取待推荐的导航路线；将所述待推荐的导航路线输入到通过上述的方法训练的机器学习模型中，以获得各待推荐的导航路线和所述目标对象的匹配程度；根据所述匹配程度，确定向所述目标对象推荐的导航路线。

根据本申请实施例的第三方面，提供了一种机器学习模型训练装置，包括：获取模块，用于按照历史行程数据的历史出行时间，将历史行程数据，划分到覆盖其历史出行时间的历史时间区间；第一确定模块，用于根据至少两个历史时间区间的历史行程数据和样本导航路线，确定所述目标对象在各所述历史时间区间内的路网特征数据，所述样本导航路线是待推荐至目标对象的路线；第二确定模块，用于基于历史时间区间的时间长度满足设定值的历史时间区间的历史行程数据和所述样本导航路线的起点和终点，确定所述目标对象的起终点对特征数据；构建模块，用于根据所述路网特征数据和所述起终点对特征数据，构建训练样本，以使用所述训练样本对机器学习模型进行训练，以获得能够确定样本导航路线与所述目标对象匹配程度的机器学习模型。

根据本申请实施例的第四方面，提供了一种导航路线推荐装置包括：推荐获取模块，用于基于目标对象选择的起点和终点，获取待推荐的导航路线；第三确定模块，用于将所述待推荐的导航路线输入到通过上述实施例训练的机器学习模型中，以获得各待推荐的导航路线和所述目标对象的匹配程度；第四确定模块，用于根据所述匹配程度，确定向所述目标对象推荐的导航路线。

根据本申请实施例的第五方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如第一方面所述的机器学习模型训练方法对应的操作。

根据本申请实施例的第六方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面或第二方面所述的方法。

根据本申请实施例的第七方面，提供了一种计算机程序产品，包括计算机指令，所述计算机指令指示计算设备执行时实现如第一方面或第二方面所述的方法。

根据本申请实施例提供的机器学习模型训练方案，将目标对象的历史行程数据按照不同时间长度切分为不同的历史时间区间，并根据各历史时间区间的历史行程数据和样本导航路线获得路网特征数据，由于按照时间对历史行程数据进行划分，使得路网特征数据中可以及时体现出目标对象偏好的路网的变化，减少时间较为久远的历史行程数据对确定待推荐导航路线和目标对象的匹配程度确定的不利影响，而且针对样本导航路线的起点和终点，从历史行程数据中提取出与起点和终点匹配的历史行程数据，以根据这些匹配的历史行程数据确定目标对象的起终点对特征数据。这样基于路网特征数据和起终点对特征数据构建的训练样本综合了起点、终点信息和不同时间的路线偏好信息，以使训练出的机器学习模型在确定样本导航路线和目标的匹配程度时使用效果更好，解决现有方式训练出的机器学习模型无法解决历史行程数据对匹配程度的影响在时间上衰减的问题。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为根据本申请实施例一的一种机器学习模型训练方法的步骤流程图；

图2为根据本申请实施例二的一种机器学习模型训练方法的步骤流程图；

图3为根据本申请实施例三的一种导航路线推荐方法的步骤流程图；

图4为根据本申请实施例四的一种机器学习模型训练装置的结构框图；

图5为根据本申请实施例五的一种导航路线推荐装置的结构框图；

图6为根据本申请实施例六的一种电子设备的结构示意图。

具体实施方式

为了使本领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。

下面结合本申请实施例附图进一步说明本申请实施例具体实现。

实施例一

参照图1，示出了本申请实施例一的机器学习模型训练方法的步骤流程图。

在本实施例的一使用场景中，待训练的机器学习模型用于确定目标对象与待推荐导航路线之间的匹配程度。待推荐导航路线可以是基于目标对象选择的起点和终点规划出的导航路线。例如，当目标对象需要从起点到达终点时，可以为该起点和终点规划出多条导航路线，通过训练的机器学习模型可以确定规划的各待推荐导航路线与目标对象的匹配程度，进而选择出与目标对象匹配的样本导航路线。为了能够训练出可以准确确定匹配程度的机器学习模型，使用目标对象的历史行程数据以及样本导航路线构建训练样本。

在本实施例中，该方法包括：

步骤S102：按照历史行程数据的历史出行时间，将历史行程数据，划分到覆盖其历史出行时间的历史时间区间。

历史时间区间的时间长度不同。例如，历史时间区间可以是近一周、近三周、近一个月和近三个月等。通过历史时间区间可以将历史行程数据按照历史出行时间进行切片，也即将其划分到能够覆盖该历史出行时间的历史时间区间内，从而使得可以有效管理不同时间的历史行程数据的时效性。

为了充分获得目标对象的路线习惯，且减少时间久远的历史行程数据对准确性的不利影响，获取目标对象的历史行程数据，并将其划分到对应的历史时间区间内。历史行程数据包括历史出行时间、行程起点、行程终点、行程包含的路段(即link)、路段的信息(如位置、长度等)等等。

步骤S104：根据至少两个历史时间区间的历史行程数据和样本导航路线，确定所述目标对象在各所述历史时间区间内的路网特征数据。

其中，所述样本导航路线是待推荐至目标对象的路线。针对每个历史时间区间，均可以根据该历史时间区间内的历史行程数据确定在该历史时间区间内目标对象的路网特征数据。

该历史行程数据中携带了目标对象在该历史时间区间内的路径偏好。路网特征数据用于指示样本导航路线与该历史时间区间内的偏好路线的匹配程度。以历史时间区间为近一周为例，根据近一周的历史行程数据中包含的路段，确定近一周时间内的熟悉路段、以及熟悉路段的经过次数，并以这些信息和样本导航路线结合，确定路网特征数据。

路网特征数据包括但不限于熟路占比特征、样本导航路线的熟悉度、起点熟悉度特征和终点熟悉度特征等。

针对其他的历史时间区间可以采用类似的方式获得该历史时间区间对应路网特征数据。

步骤S106：基于历史时间区间的时间长度满足设定值的历史时间区间的历史行程数据和所述样本导航路线起点和终点，确定所述目标对象的起终点对特征数据。

设定值可以根据需要确定，例如为一个月、三个月、六个月等等，对此不作限制。若设定值是三个月，则选取近三个月的历史行程数据作为时间长度满足设定值的历史时间区间的历史行程数据。

从近三个月的历史行程数据中确定行程起点和行程终点与样本导航路线的起点和终点匹配的历史行程数据，并根据匹配的历史行程数据的数量确定起终点对特征数据。例如，起终点对特征数据可以是近三个月的历史行程数据中历史行程的起点与样本导航路线的起点匹配、历史行程的终点与样本导航路线的终点匹配的历史行程的数量。

步骤S108：根据所述路网特征数据和所述起终点对特征数据，构建训练样本，使用所述训练样本对机器学习模型进行训练，以获得能够确定样本导航路线与所述目标对象匹配程度的机器学习模型。

在一种可行方式中，通过将路网特征数据和起终点对特征数据进行拼接以形成训练样本。该训练样本中对历史行程数据按照不同时间长度进行了切片，从而获得了历史时间区间，使用各历史时间区间对应的历史行程数据和样本导航路线获得路网特征数据，从而使得路网特征数据中体现了不同时间目标对象的路线偏好。除此之外训练样本中还包含起终点对特征数据，使得能够综合起点和终点以及不同时间的历史行程数据对机器学习模型进行训练，以使机器学习模型能够更加准确地确定待推荐导航路线与目标对象的匹配程度。这样基于机器学习模型预测出的匹配程度可以选择为目标对象推荐的导航路线。

通过本实施例，将目标对象的历史行程数据按照不同时间长度切分为不同的历史时间区间，并根据各历史时间区间的历史行程数据和样本导航路线获得路网特征数据，由于按照时间对历史行程数据进行划分，使得路网特征数据中可以及时体现出目标对象偏好的路网的变化，减少时间较为久远的历史行程数据对确定待推荐导航路线和目标对象的匹配程度确定的不利影响，而且针对样本导航路线的起点和终点，从历史行程数据中提取出与起点和终点匹配的历史行程数据，以根据这些匹配的历史行程数据确定目标对象的起终点对特征数据。这样基于路网特征数据和起终点对特征数据构建的训练样本综合了起点、终点信息和不同时间的路线偏好信息，以使训练出的机器学习模型在确定样本导航路线和目标的匹配程度时使用效果更好，解决现有方式训练出的机器学习模型无法解决历史行程数据对匹配程度的影响在时间上衰减的问题。

本实施例的机器学习模型训练方法可以由任意适当的具有数据处理能力的电子设备执行，包括但不限于：服务器、移动终端(如手机、PAD等)和PC机等。

实施例二

参照图2，示出了本申请实施例二的机器学习模型训练方法的步骤流程图。

在本实施例中，该方法包括以下步骤：

步骤S202：按照历史行程数据的历史出行时间，将历史行程数据，划分到覆盖其历史出行时间的历史时间区间。

在本实施例中，一方面为了确保能够获得充足的历史行程数据以提取出目标对象的路线偏好，另一方面避免间隔时间过久的历史行程数据对预测准确度的不利影响，按照时间对历史行程数据进行切片，也即将历史行程数据按照其历史出行时间划分到能够覆盖其的历史时间区间内。在切分历史时间区间时，按照不同的时间长度进行切分。如近一周、近15天、近一个月、近三个月等等。

针对每个历史时间区间，筛选出历史出行时间在其覆盖时间范围内的历史行程数据，以便后续根据这些历史行程数据确定目标对象对路线的偏好。历史行程数据包括但不限于行程起点、行程终点、包含的路段等等。

步骤S204：根据至少两个历史时间区间的历史行程数据和样本导航路线，确定所述目标对象在各所述历史时间区间内的路网特征数据。

所述样本导航路线是待推荐至目标对象的路线。所述样本导航路线为从目标对象选择的起点到选择的终点的路线。在一种可行方式中，步骤S204可以通过以下子步骤实现：

子步骤S2041：针对各所述历史时间区间，从所述历史时间区间对应的历史行程数据中确定满足熟路条件的熟悉路段及所述熟悉路段的信息。

所述熟悉路段的信息包括所述熟悉路段的位置信息(如熟悉路段的经纬度或者熟悉路段)和在对应的历史时间区间内被目标对象经过的经过次数信息。

以时间长度是近一周为例，根据近一周的历史行程数据包含的路段确定满足熟路条件的路段作为熟悉路段。其中熟路条件可以根据需要确定，例如为：经过次数超过设定阈值(其可以根据需要确定，例如为2次)。若近一周的历史行程数据中路段A的经过次数大于或等于2次，则确定该路段A为目标对象的熟悉路段，其信息即为熟悉路段的信息。

针对其他历史时间区间可以采用相同或类似的方式确定熟悉路段，故不再赘述。

子步骤S2042：根据所述熟悉路段的位置信息、经过次数信息和所述样本导航路线，确定所述目标对象在所述历史时间区间内对应的路网特征数据。

在本实施例中，该经过次数信息用于指示在对应的历史时间区间内目标对象经过该熟悉路段的次数。

在本实施例中，路网特征数据包括熟路占比特征、样本导航路线的熟悉度、起点熟悉度特征和终点熟悉度特征等，但不限于此。针对不同特征可以采用不同的方式实现。

例如，情况一：若路网特征数据包括熟路占比特征，则子步骤S2042可以实现为：根据所述样本导航路线和所述熟悉路段的位置信息，确定所述样本导航路线覆盖的熟悉路段；根据所述样本导航路线覆盖的熟悉路段的总长度和所述样本导航路线的总长度，得到样本导航路线在该历史时间区间内的熟路占比特征。

若样本导航路线包括路段1、2和3，根据三者各自的位置信息和熟悉路段的位置信息可以确定样本导航路线覆盖的熟悉路段。如，路段1与熟悉路段A重合，则将路段1确定为样本导航路线覆盖的熟悉路段。熟路占比特征可以是路段1的长度与样本导航路线的长度的比值。

情况二：若路网特征数据包括样本导航路线的熟悉度，则子步骤S2042还可以包括：根据所述样本导航路线覆盖的各熟悉路段的经过次数，确定所述样本导航路线覆盖的熟悉路段的经过次数和；以所述经过次数和作为所述目标对象对所述样本导航路线的熟悉度。

例如，样本导航路线包括路段1、2、3和4，其中路段2和3分别与熟悉路段B和C重合，则其作为样本导航路线覆盖的熟悉路段，而路段2对应的熟悉路段B的经过次数为2，路段3对应的熟悉路段C的经过次数为5，则经过次数之和为5，该值即作为目标对象对所述样本导航路线的熟悉度。

情况三，若所述路网特征数据包括起点熟悉度特征，则子步骤S2042可以实现为：根据所述熟悉路段的位置信息，确定与所述样本导航路线的起点距离小于或等于设定起点阈值的熟悉路段；以距离小于或等于设定起点阈值的熟悉路段的经过次数信息指示的经过次数和作为所述起点熟悉度特征。

例如，设定起点阈值可以为200m，若熟悉路段与样本导航路线的起点之间的距离小于200m，则可以认为该熟悉路段位于样本导航路线对应的起点区域内。这样可以避免由于定位位置漂移导致样本导航路线的起点过于离散。位于同一起点区域内的起点均可以认为是同一起点。设样本导航路线的熟悉路段为熟悉路段D、F，则将熟悉路段D和F的经过次数求和作为起点熟悉度特征。

情况四，若所述路网特征数据包括终点熟悉度特征，则子步骤S2042可以实现为：根据所述熟悉路段的位置信息，确定与所述样本导航路线的终点距离小于或等于设定终点阈值的熟悉路段；以距离小于或等于设定终点阈值的熟悉路段的经过次数信息指示的经过次数和作为所述终点熟悉度特征。

例如，设定终点阈值为1000m，则从所有熟悉路段中选取与样本导航路线的终点距离小于1000m的熟悉路段。这些熟悉路段均可以认为是以样本导航路线的终点作为终点的路段，其终点位置的不同可能是因为定位偏差和漂移所致，或者是同一小区的不同出口。设与样本导航路线的终点的距离小于1000m的熟悉路段为熟悉路段E、G和H，则将熟悉路段E、G和H的经过次数求和，并将求和结果作为终点熟悉度特征。

针对其他历史时间区间可以采用相同或类似的方式确定路网特征数据，故对其不再赘述。

步骤S206：基于历史时间区间的时间长度满足设定值的历史时间区间的历史行程数据和所述样本导航路线的起点和终点，确定所述目标对象的起终点对特征数据。

在本实施例中，样本导航路线的起点和终点(也即目标对象选择的起点和终点)形成一个起终点对(即OD对，oring-destination pair)。

在一可行方式中，步骤S206可以实现为：

从时间长度满足设定值的历史时间区间的历史行程数据中确定历史行程的起点和终点与所述样本导航路线的起点对应的地理范围和终点对应的地理范围匹配的历史行程数据的数量；以匹配的所述历史行程数据的数量作为所述起终点对特征数据。

在本实施例中，为了保证样本量充足，在确定历史行程的起点位于目标对象选择的起点地理范围内时则可以认为两者匹配，类似地，在历史行程的终点位于目标对象选择的终点地理范围时，则可以认为两者匹配。

起点地理范围和终点地理范围可以根据需要确定，以提升匹配的准确性。例如，针对不同的起点和终点通过大数据分析确定其相应的地理范围，从而提升匹配的准确性。或者，针对起点和终点配置范围距离(如500m)，以获得相应的地理范围。若范围距离为500m则起点对应的起点地理范围为以起点为中心，500m为直径的圆形地理范围，类似地可以确定终点地理范围。

当然，起点地理范围和终点地理范围也可以是其他形状，如矩形或者其他多边形等，对此不作限制。

以时间长度满足设定值的历史时间区间是近三个月为例，根据近三个月的历史行程数据，确定历史行程的起点位于起点地理范围内，且历史行程的终点位于终点地理范围内的历史行程的数量，并以该数量(也就是经过次数)作为该起点和终点组合(也称起终点对)的起终点对特征数据。

当然，除了起终点对特征数据外，还可以针对起点和终点单独建立特征数据，本实施例对此不作限制。

步骤S208：根据所述路网特征数据和所述起终点对特征数据，构建训练样本，使用所述训练样本对机器学习模型进行训练，以获得能够确定样本导航路线与所述目标对象匹配程度的机器学习模型。

在一种可行方式中可以将不同历史时间区间的路网特征数据和起终点对特征数据进行拼接形成训练样本。

使用该训练样本输入到机器学习模型中可以对机器学习模型进行训练，使得机器学习模型输出目标对象与样本导航路线的匹配程度，该匹配程度表示了目标对象倾向按照样本导航路线从起点移动到终点的概率，进而根据匹配程度和标签数据(如目标对象是否选择该样本导航路线作为标签数据，选择则标签为1，指示正样本，反之则标签为0指示负样本)计算损失值，以根据损失值对机器学习模型进行调整，直至满足训练终止条件。

机器学习模型中可以引入时间衰减函数，从而进一步有效地降低距今较为久远的历史行程数据对匹配程度的影响。

在目标对象通过地图应用导航时，基于目标对象选择的起点(如地点A)和终点(如地点B)，可以规划出N条待推荐导航路线，N的取值大于或等于1。针对每个待推荐导航路线可以使用训练的机器学习模型确定其与目标对象的匹配程度，从而选取匹配程度较高的M条待推荐导航路线发送给目标对象，M的取值大于或等于1，且小于或等于N。这样保证了能够向目标对象进行个性化推荐，而且由于训练样本的路网特征数据中包括了基于至少两个不同时间长度的历史行程数据和待推荐导航路线提取的特征数据，因此可以减少距今时间较长的历史行程数据对匹配程度的不利影响。

通过对历史行程数据按照不同时间长度切分为多个不同的历史时间区间对应的历史行程数据，解决了不能及时捕捉目标对象的行走路网变化，导致确定的匹配程度不准确，不能为目标对象推荐较符合其需求的导航路线的问题。通过增加起终点对特征数据，解决了确定匹配程度时容易受到起终点与目标对象选择的起点和终点无关的历史行程数据影响的问题。这样综合了历史行程数据的重要性在时间上衰减的因素，不仅可以提升准确度，而且成本低，提升了实际行走时的覆盖率，从而推荐目标对象更适合的导航路线。

本实施例的机器学习模型训练方法可以由任意适当的具有数据处理能力的电子设备执行，包括但不限于：服务器、移动终端(如手机、PAD等)和PC机等。

实施例三

参照图3，示出了一种导航路线推荐方法的步骤流程的示意图。

该方法，包括：

步骤S302：基于目标对象选择的起点和终点，获取待推荐的导航路线。

以通过支持地图导航功能的应用程序进行导航为例，目标对象在应用程序中输入起点和终点。针对该起点和终点可以规划出N(N为正整数)条可以通行的导航路线(该规划方式可以适当确定，本实施例对此不作限制)，这些导航路线均可以作为待推荐的导航路线。由于应用程序中可供导航路线展示的推荐空间有限，且避免过多的信息占用目标对象的时间，若待推荐的导航路线的数量过多(如多于设定的路线值，设定的路线值可以根据需要确定，例如为3、5、10等等)，则需要对待推荐的导航路线进行筛选，以去除不适合目标对象的导航路线，从而使其能够快速确定适合自己的导航路线。为此可以执行步骤S304。

步骤S304：将所述待推荐的导航路线输入到通过上述实施例的方法训练的机器学习模型中，以获得各待推荐的导航路线和所述目标对象的匹配程度。

在一可行方式中，可以将目标对象的路网特征数据和各待推荐的导航路线输入到训练的机器学习模型中，机器学习模型可以输出各待推荐的导航路线和目标对象的匹配程度，该匹配程度综合考虑了目标对象不同历史时间区间内偏好的路线，因此准确性更高。匹配程度的高、低指示了待推荐的导航路线是否适合目标对象。例如，熟悉路段更多的待推荐的导航路线与目标对象的匹配程度更高，因为熟悉路段越多行驶或者行走的安全性和速度就越高。

步骤S306：根据所述匹配程度，确定向所述目标对象推荐的导航路线。

在一种可行方式中，可以将匹配程度从高到低将待推荐的导航路线进行排序，选取前M个作为推荐的导航路线。M为正整数，且小于或等于N。

通过该方法，使用训练的机器学习模型可以准确地确定待推荐的导航路线和目标对象的匹配程度，进而选取匹配程度较高的导航路线作为向目标对象推荐的导航路线，既实现了对待推荐的导航路线的筛选，又保证了推荐的导航路线能够较好地适应目标对象的需求。

实施例四

参照图4，示出了本申请实施例四的机器学习模型训练装置的结构框图。

本实施例中，该机器学习模型训练装置，包括：

获取模块302，用于按照历史行程数据的历史出行时间，将历史行程数据，划分到覆盖其历史出行时间的历史时间区间；

第一确定模块304，用于根据至少两个历史时间区间的历史行程数据和样本导航路线，确定所述目标对象在各所述历史时间区间内的路网特征数据，所述样本导航路线是待推荐至目标对象的路线；

第二确定模块306，用于基于历史时间区间的时间长度满足设定值的历史时间区间的历史行程数据和所述样本导航路线的起点和终点，确定所述目标对象的起终点对特征数据；

构建模块308，用于根据所述路网特征数据和所述起终点对特征数据，构建训练样本，以使用所述训练样本对机器学习模型进行训练，以获得能够确定样本导航路线与所述目标对象匹配程度的机器学习模型。

可选地，所述第一确定模块304，用于针对各所述历史时间区间，从所述历史时间区间对应的历史行程数据中确定满足熟路条件的熟悉路段及所述熟悉路段的信息，所述熟悉路段的信息包括所述熟悉路段的位置信息和在对应的历史时间区间内被目标对象经过的经过次数信息；根据所述熟悉路段的位置信息、经过次数信息和所述样本导航路线，确定所述目标对象在所述历史时间区间内对应的路网特征数据。

可选地，若所述路网特征数据包括熟路占比特征，则第一确定模块304在根据所述熟悉路段的位置信息和所述样本导航路线，确定所述目标对象在所述历史时间区间内对应的路网特征数据时，根据所述样本导航路线和所述熟悉路段的位置信息，确定所述样本导航路线覆盖的熟悉路段；根据所述样本导航路线覆盖的熟悉路段的总长度和所述样本导航路线的总长度，得到样本导航路线在该历史时间区间内的熟路占比特征。

可选地，若所述路网特征数据还包括样本导航路线的熟悉度，则第一确定模块304在所述根据所述熟悉路段的经过次数信息和所述样本导航路线，确定所述目标对象在所述历史时间区间内对应的路网特征数据时，根据所述样本导航路线覆盖的各熟悉路段的经过次数，确定所述样本导航路线覆盖的熟悉路段的经过次数和；以所述经过次数和作为所述目标对象对所述样本导航路线的熟悉度。

可选地，若所述路网特征数据包括起点熟悉度特征，则第一确定模块304在所述根据所述熟悉路段的位置信息、经过次数信息和所述样本导航路线，确定所述目标对象在所述历史时间区间内对应的路网特征数据时，根据所述熟悉路段的位置信息，确定与所述样本导航路线的起点距离小于或等于设定起点阈值的熟悉路段；以距离小于或等于设定起点阈值的熟悉路段的经过次数信息指示的经过次数和作为所述起点熟悉度特征。

可选地，若所述路网特征数据包括终点熟悉度特征，则第一确定模块304在所述根据所述熟悉路段的位置信息、经过次数信息和所述样本导航路线，确定所述目标对象在所述历史时间区间内对应的路网特征数据时，根据所述熟悉路段的位置信息，确定与所述样本导航路线的终点距离小于或等于设定终点阈值的熟悉路段；以距离小于或等于设定终点阈值的熟悉路段的经过次数信息指示的经过次数和作为所述终点熟悉度特征。

可选地，所述第二确定模块306用于从时间长度满足设定值的历史时间区间的历史行程数据中确定历史行程的起点和终点与所述样本导航路线的起点对应的地理范围和终点对应的地理范围匹配的历史行程数据的数量；以匹配的所述历史行程数据的数量作为所述起终点对特征数据。

本实施例的机器学习模型训练装置用于实现前述多个方法实施例中相应的机器学习模型训练方法，并具有相应的方法实施例的有益效果，在此不再赘述。此外，本实施例的机器学习模型训练装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述，在此亦不再赘述。

实施例五

参照图5，示出了本申请实施例五的导航路线推荐装置的结构框图。

在本实施例中，该装置包括：

推荐获取模块502，用于基于目标对象选择的起点和终点，获取待推荐的导航路线；

第三确定模块504，用于将所述待推荐的导航路线输入到通过上述实施例训练的机器学习模型中，以获得各待推荐的导航路线和所述目标对象的匹配程度；

第四确定模块506，用于根据所述匹配程度，确定向所述目标对象推荐的导航路线。

本实施例的装置用于实现前述多个方法实施例中相应的方法，并具有相应的方法实施例的有益效果，在此不再赘述。

实施例六

参照图6，示出了根据本申请实施例六的一种电子设备的结构示意图，本申请具体实施例并不对电子设备的具体实现做限定。

如图6所示，该电子设备可以包括：处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。

其中：

处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。

通信接口604，用于与其它电子设备或服务器进行通信。

处理器602，用于执行程序610，具体可以执行上述机器学习模型训练方法实施例中的相关步骤。

具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。

处理器602可能是处理器CPU，或者是特定集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路。智能设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器606，用于存放程序610。存储器606可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序610具体可以用于使得处理器602执行前述的机器学习模型训练方法对应的操作。

程序610中各步骤的具体实现可以参见上述机器学习模型训练方法实施例中的相应步骤和单元中对应的描述，在此不赘述。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，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。

本申请实施例还提供了一种计算机程序产品，包括计算机指令，该计算机指令指示计算设备执行上述多个方法实施例中的任一方法对应的操作。

需要指出，根据实施的需要，可将本申请实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本申请实施例的目的。

上述根据本申请实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的方法。此外，当通用计算机访问用于实现在此示出的方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的方法的专用计算机。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请实施例的范围。

以上实施方式仅用于说明本申请实施例，而并非对本申请实施例的限制，有关技术领域的普通技术人员，在不脱离本申请实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本申请实施例的范畴，本申请实施例的专利保护范围应由权利要求限定。

Claims (10)

1.一种机器学习模型训练方法，包括：

按照历史行程数据的历史出行时间，将历史行程数据，划分到覆盖其历史出行时间的历史时间区间；

根据至少两个历史时间区间的历史行程数据和样本导航路线，确定所述目标对象在各所述历史时间区间内的路网特征数据，所述样本导航路线是待推荐至目标对象的路线；

基于历史时间区间的时间长度满足设定值的历史时间区间的历史行程数据和所述样本导航路线的起点和终点，确定所述目标对象的起终点对特征数据；

根据所述路网特征数据和所述起终点对特征数据，构建训练样本，使用所述训练样本对机器学习模型进行训练，以获得能够确定样本导航路线与所述目标对象匹配程度的机器学习模型。

2.根据权利要求1所述的方法，其中，所述根据至少两个历史时间区间的历史行程数据和样本导航路线，确定所述目标对象在各所述历史时间区间内的路网特征数据，包括：

针对各所述历史时间区间，从所述历史时间区间对应的历史行程数据中确定满足熟路条件的熟悉路段及所述熟悉路段的信息，所述熟悉路段的信息包括所述熟悉路段的位置信息和在对应的历史时间区间内被目标对象经过的经过次数信息；

根据所述熟悉路段的位置信息、经过次数信息和所述样本导航路线，确定所述目标对象在所述历史时间区间内对应的路网特征数据。

3.根据权利要求2所述的方法，其中，若所述路网特征数据包括熟路占比特征，则根据所述熟悉路段的位置信息和所述样本导航路线，确定所述目标对象在所述历史时间区间内对应的路网特征数据，包括：

根据所述样本导航路线和所述熟悉路段的位置信息，确定所述样本导航路线覆盖的熟悉路段；

根据所述样本导航路线覆盖的熟悉路段的总长度和所述样本导航路线的总长度，得到样本导航路线在该历史时间区间内的熟路占比特征。

4.根据权利要求3所述的方法，其中，若所述路网特征数据还包括样本导航路线的熟悉度，则所述根据所述熟悉路段的经过次数信息和所述样本导航路线，确定所述目标对象在所述历史时间区间内对应的路网特征数据，还包括：

根据所述样本导航路线覆盖的各熟悉路段的经过次数，确定所述样本导航路线覆盖的熟悉路段的经过次数和；

以所述经过次数和作为所述目标对象对所述样本导航路线的熟悉度。

5.根据权利要求2所述的方法，其中，若所述路网特征数据包括起点熟悉度特征，则所述根据所述熟悉路段的位置信息、经过次数信息和所述样本导航路线，确定所述目标对象在所述历史时间区间内对应的路网特征数据，包括：

根据所述熟悉路段的位置信息，确定与所述样本导航路线的起点距离小于或等于设定起点阈值的熟悉路段；

以距离小于或等于设定起点阈值的熟悉路段的经过次数信息指示的经过次数和作为所述起点熟悉度特征。

6.根据权利要求2所述的方法，其中，若所述路网特征数据包括终点熟悉度特征，则所述根据所述熟悉路段的位置信息、经过次数信息和所述样本导航路线，确定所述目标对象在所述历史时间区间内对应的路网特征数据，包括：

根据所述熟悉路段的位置信息，确定与所述样本导航路线的终点距离小于或等于设定终点阈值的熟悉路段；

以距离小于或等于设定终点阈值的熟悉路段的经过次数信息指示的经过次数和作为所述终点熟悉度特征。

7.根据权利要求1所述的方法，其中，所述基于历史时间区间的时间长度满足设定值的历史时间区间的历史行程数据和所述样本导航路线的起点和终点，确定所述目标对象的起终点对特征数据，包括：

从时间长度满足设定值的历史时间区间的历史行程数据中确定历史行程的起点和终点与所述样本导航路线的起点对应的地理范围和终点对应的地理范围匹配的历史行程数据的数量；

以匹配的所述历史行程数据的数量作为所述起终点对特征数据。

8.一种导航路线推荐方法，包括：

基于目标对象选择的起点和终点，获取待推荐的导航路线；

将所述待推荐的导航路线输入到通过权利要求1-7中任一项所述的方法训练的机器学习模型中，以获得各待推荐的导航路线和所述目标对象的匹配程度；

根据所述匹配程度，确定向所述目标对象推荐的导航路线。

9.一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-7中任一所述的机器学习模型训练方法或权利要求8的导航路线推荐方法。

10.一种计算机程序产品，包括计算机指令，所述计算机指令指示计算设备执行如权利要求1-7中任一所述的机器学习模型训练方法对应的操作或权利要求8的导航路线推荐方法。

Images