CN117555815B - 参数预测方法、模型训练方法和相关装置 - Google Patents
参数预测方法、模型训练方法和相关装置 Download PDFInfo
- Publication number
- CN117555815B CN117555815B CN202410043022.XA CN202410043022A CN117555815B CN 117555815 B CN117555815 B CN 117555815B CN 202410043022 A CN202410043022 A CN 202410043022A CN 117555815 B CN117555815 B CN 117555815B
- Authority
- CN
- China
- Prior art keywords
- parameter
- parameters
- time point
- prediction
- constituent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000012549 training Methods 0.000 title claims abstract description 44
- 239000000470 constituent Substances 0.000 claims abstract description 413
- 238000009877 rendering Methods 0.000 claims description 48
- 230000009471 action Effects 0.000 claims description 47
- 230000033001 locomotion Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 33
- 238000012545 processing Methods 0.000 description 72
- 230000006870 function Effects 0.000 description 25
- 230000008569 process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 13
- 230000015572 biosynthetic process Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了参数预测方法、模型训练方法和相关装置,可以通过训练得到参数预测模型,对以第一时间步长为间隔的第一时间点和第二时间点分别对应的构成参数进行分析,准确识别出在第一时间步长的时间段中构成参数所表征表现形式的变化特点,从而可以基于该变化特点和第二时间点对应的构成参数表征的表现形式,精准预测在第二时间点后,再次经过第一时间步长所达到的第三时间点对应的构成参数,使这些构成参数能够用于在程序界面中,控制构成元素在三个时间点之间进行合理、稳定且真实的变化,在保障了构成参数生成准确度的同时,提高了构成参数的生成效率,使生成的构成参数能够用于多种应用场景。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及参数预测方法、模型训练方法和相关装置。
背景技术
游戏程序是人们娱乐消遣的重要媒介之一,为了保障游戏程序的稳定运行,在测试阶段,开发人员会在游戏程序中输入游戏对象在时序上的各个时间点所对应的位置参数,这些位置参数在游戏程序中对应一系列连贯的游戏对象动作,从而通过输入这些位置参数能够测试游戏对象是否能够在游戏程序中稳定的行动。
在相关技术中,需要开发人员人工分析游戏对象在执行动作时的各个时间点所对应动作姿态,从而确定出相应的位置参数,最后将这些位置参数输入到游戏程序中进行测试。
然而,这种测试方式过于依赖开发人员的测试经验,需要开发人员对游戏对象的行动方式有充分的了解,同时需要开发人员人工编写大量的测试参数,耗费大量的时间和精力,在难以保障测试有效性的同时,也会导致测试效率较低。
发明内容
为了解决上述技术问题,本申请提供了一种参数预测方法,能够通过训练得到的参数预测模型,基于一组以时间步长为间隔的时间点所对应的构成参数,可以自动对经过该时间步长后的下一时间点对应的构成参数进行预测,在保障构成参数准确性、真实性的同时,提高了构成参数生成效率。
本申请实施例公开了如下技术方案:
第一方面,本申请实施例公开了一种参数预测方法,所述方法包括:
获取第i轮预测所需的历史构成参数和目标构成参数,所述历史构成参数对应第一时间点,所述目标构成参数对应第二时间点,构成参数用于控制构成元素在目标程序的程序界面中的表现形式,构成元素用于构成所述程序界面,所述第二时间点为在所述第一时间点之后经过第一时间步长达到的时间点,所述第i轮预测为N轮预测中的任意一轮预测,N为大于0的正整数,i为不大于N的正整数;
通过参数预测模型,根据所述历史构成参数和所述目标构成参数预测所述第i轮预测对应的未来构成参数,所述未来构成参数对应第三时间点,所述第三时间点为在所述第二时间点之后经过所述第一时间步长达到的时间点,所述参数预测模型用于根据目标时间点和在所述目标时间点之前,与所述目标时间点之间间隔第二时间步长的历史时间点分别对应的构成参数,预测在所述目标时间点之后经过所述第二时间步长的未来时间点对应的构成参数,所述第二时间步长为任意时间步长。
第二方面,本申请实施例公开了一种模型训练方法,所述方法包括:
获取样本构成参数集合,所述样本构成参数集合包括M个时间点分别对应的样本构成参数,构成参数用于控制构成元素在目标程序的程序界面中的表现形式,构成元素用于构成所述程序界面,所述M个时间点中相邻的时间点之间间隔第二时间步长,所述第二时间步长为任意时间步长;
通过初始参数预测模型,根据所述M个时间点中第m-1个时间点和第m个时间点分别对应的样本构成参数,预测第m+1个时间点对应的待定构成参数,M为大于2的正整数,m为大于1小于M的正整数;
根据所述待定构成参数与所述第m+1个时间点对应的样本构成参数之间的差异,调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型,所述参数预测模型用于根据第一时间点对应的历史构成参数和第二时间点对应的目标构成参数,预测第三时间点对应的未来构成参数,所述第二时间点为在所述第一时间点之后经过第一时间步长达到的时间点,所述第三时间点为在所述第二时间点之后经过所述第一时间步长达到的时间点。
第三方面,本申请实施例公开了一种参数预测装置,所述装置包括第一获取单元和第一预测单元:
所述第一获取单元,用于获取第i轮预测所需的历史构成参数和目标构成参数,所述历史构成参数对应第一时间点,所述目标构成参数对应第二时间点,构成参数用于控制构成元素在目标程序的程序界面中的表现形式,构成元素用于构成所述程序界面,所述第二时间点为在所述第一时间点之后经过第一时间步长达到的时间点,所述第i轮预测为N轮预测中的任意一轮预测,N为大于0的正整数,i为不大于N的正整数;
所述第一预测单元,用于通过参数预测模型,根据所述历史构成参数和所述目标构成参数预测所述第i轮预测对应的未来构成参数,所述未来构成参数对应第三时间点,所述第三时间点为在所述第二时间点之后经过所述第一时间步长达到的时间点,所述参数预测模型用于根据目标时间点和在所述目标时间点之前,与所述目标时间点之间间隔第二时间步长的历史时间点分别对应的构成参数,预测在所述目标时间点之后经过所述第二时间步长的未来时间点对应的构成参数,所述第二时间步长为任意时间步长。
在一种可能的实现方式中,所述装置还包括执行单元:
所述执行单元,用于将所述第i轮预测所需的目标构成参数确定为所述N轮预测中第i+1轮预测所需的历史构成参数,所述第i轮预测对应的未来构成参数确定为所述第i+1轮预测所需的目标构成参数,执行所述第i+1轮预测,所述N具体为大于1的正整数,所述i具体为小于N的正整数。
在一种可能的实现方式中,所述装置还包括第一确定单元:
所述第一确定单元,用于在执行所述第i轮预测后,确定前i轮预测对应的构成参数所对应的多个时间点是否满足时间点需求;
所述执行单元具体用于:
基于所述多个时间点不满足所述时间点需求,将所述第i轮预测所需的目标构成参数确定为所述N轮预测中第i+1轮预测所需的历史构成参数,所述第i轮预测对应的未来构成参数确定为所述第i+1轮预测所需的目标构成参数,执行所述第i+1轮预测。
在一种可能的实现方式中,所述装置还包括第一渲染单元:
所述第一渲染单元,用于基于所述多个时间点满足所述时间点需求,根据所述前i轮预测对应的构成参数渲染所述程序界面,所述程序界面在所述多个时间点分别对应的构成元素满足所述多个时间点分别对应的构成参数。
在一种可能的实现方式中,所述目标程序为游戏程序,所述程序界面为所述游戏程序对应的游戏界面,所述构成元素包括游戏对象和游戏场景中的任意一种或多种的组合,所述构成参数包括对象位置参数、对象动作参数、对象移动轨迹参数、动作持续时长参数、游戏场景参数中的任意一种或多种的组合;
在所述目标构成参数中,所述对象位置参数用于标识所述游戏对象在目标游戏界面中的第一对象位置,所述目标游戏界面为对应所述第二时间点的游戏界面,所述对象动作参数用于标识所述游戏对象在所述目标游戏界面中对应的对象动作,所述对象移动轨迹参数用于标识所述游戏对象由第二对象位置变更为所述第一对象位置的位置变更方式,所述第二对象位置为所述游戏对象在对应所述第一时间点的游戏界面中对应的对象位置,所述动作持续时长参数用于标识所述游戏对象在所述目标游戏界面中对应的对象动作的持续时长,所述游戏场景参数用于表征所述目标游戏界面对应的游戏场景。
在一种可能的实现方式中,所述第一获取单元具体用于:
获取所述程序界面在所述第一时间点对应的第一界面图像和在所述第二时间点对应的第二界面图像;
对所述第一界面图像进行构成参数识别,得到所述第i轮预测所需的历史构成参数,以及对所述第二界面图像进行构成参数识别,得到所述第i轮预测所需的目标构成参数。
在一种可能的实现方式中,所述目标程序为游戏程序,所述第一界面图像和所述第二界面图像为所述游戏程序的游戏界面对应的图像,所述第一获取单元具体用于:
基于在所述第二时间点获取游戏自动执行请求,获取所述游戏界面在所述第一时间点对应的第一界面图像和在所述第二时间点对应的第二界面图像,所述游戏自动执行请求用于请求基于预测得到的构成参数自动渲染所述游戏界面;
所述装置还包括第二渲染单元:
所述第二渲染单元,用于根据所述N轮预测对应的构成参数渲染所述游戏界面。
在一种可能的实现方式中,所述装置还包括第二确定单元:
所述第二确定单元,用于根据前i-1轮预测对应的构成参数确定构成分布参数,所述构成分布参数用于表征构成参数在所述前i-1轮预测中的参数分布方式;
所述第一预测单元具体用于:
根据所述历史构成参数、所述目标构成参数和所述构成分布参数,预测所述第i轮预测对应的未来构成参数。
在一种可能的实现方式中,所述第一预测单元具体用于:
根据所述历史构成参数和所述构成分布参数生成第一参数,以及根据所述目标构成参数和所述构成分布参数生成第二参数;
根据所述第一参数和所述第二参数确定第三参数,所述第三参数包括所述参数预测模型预测的所述未来构成参数和预测分布参数,所述预测分布参数为所述参数预测模型根据所述第一参数和所述第二参数预测得到的构成分布参数,所述预测分布参数用于表征构成参数在前i轮预测中的参数分布方式,所述预测分布参数与所述构成分布参数之间的差异小于第一预设阈值;
从所述第三参数中确定所述未来构成参数。
在一种可能的实现方式中,所述装置还包括第三确定单元和第三渲染单元:
所述第三确定单元,用于根据构成参数与元素表现信息之间的映射关系和所述N轮预测对应的多个构成参数,确定所述N轮预测对应的多个元素表现信息,元素表现信息用于使所述目标程序基于所对应构成参数表征的构成元素表现形式渲染所述程序界面,目标元素表现信息对应的信息复杂度大于所述目标元素表现信息对应的构成参数的信息复杂度;
所述第三渲染单元,用于根据所述多个元素表现信息渲染所述程序界面。
第四方面,本申请实施例公开了一种模型训练装置,所述装置包括第二获取单元、第二预测单元和调节单元:
所述第二获取单元,用于获取样本构成参数集合,所述样本构成参数集合包括M个时间点分别对应的样本构成参数,构成参数用于控制构成元素在目标程序的程序界面中的表现形式,构成元素用于构成所述程序界面,所述M个时间点中相邻的时间点之间间隔第二时间步长,所述第二时间步长为任意时间步长;
所述第二预测单元,用于通过初始参数预测模型,根据所述M个时间点中第m-1个时间点和第m个时间点分别对应的样本构成参数,预测第m+1个时间点对应的待定构成参数,M为大于2的正整数,m为大于1小于M的正整数;
所述调节单元,用于根据所述待定构成参数与所述第m+1个时间点对应的样本构成参数之间的差异,调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型,所述参数预测模型用于根据第一时间点对应的历史构成参数和第二时间点对应的目标构成参数,预测第三时间点对应的未来构成参数,所述第二时间点为在所述第一时间点之后经过第一时间步长达到的时间点,所述第三时间点为在所述第二时间点之后经过所述第一时间步长达到的时间点。
在一种可能的实现方式中,所述装置还包括第四确定单元和第五确定单元:
所述第四确定单元,用于根据所述M个时间点分别对应的构成参数确定样本构成分布参数,所述样本构成分布参数用于表征构成参数在所述M个时间点中的参数分布方式;
所述第五确定单元,用于根据多个待分析构成参数确定第一待定构成分布参数,所述第一待定构成分布参数用于表征构成参数在所述多个待分析构成参数中的参数分布方式,所述多个待分析构成参数包括所述M个时间点中的前m个时间点对应的样本构成参数和所述待定构成参数;
所述调节单元具体用于:
根据所述待定构成参数与所述第m+1个时间点对应的样本构成参数之间的差异,以及所述样本构成分布参数和所述第一待定构成分布参数之间的差异,调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型。
在一种可能的实现方式中,所述装置还包括第六确定单元:
所述第六确定单元,用于根据所述M个时间点分别对应的构成参数确定样本构成分布参数,所述样本构成分布参数用于表征构成参数在所述M个时间点中的参数分布方式;
所述第二预测单元具体用于:
根据所述第m-1个时间点对应的样本构成参数和所述样本构成分布参数生成第四参数,以及根据所述第m个时间点对应的样本构成参数和所述样本构成分布参数生成第五参数;
根据所述第四参数和所述第五参数确定第六参数,所述第六参数包括所述初始参数预测模型预测的所述待定构成参数和第二待定构成分布参数,所述第二待定构成分布参数用于表征所述初始参数预测模型预测的构成参数在前m+1个时间点中的参数分布方式;
所述调节单元具体用于:
根据所述第m+1个时间点对应的样本构成参数和所述样本构成分布参数生成第七参数;
根据所述第六参数和所述第七参数之间的差异调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型。
第五方面,本申请实施例公开了一种计算机设备,所述计算机设备包括处理器以及存储器:
所述存储器用于存储计算机程序,并将所述计算机程序传输给所述处理器;
所述处理器用于根据所述计算机程序中的指令执行第一方面中任意一项所述的参数预测方法,或执行第二方面中任意一项所述的模型训练方法;
第六方面,本申请实施例公开了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行第一方面中任意一项所述的参数预测方法,或执行第二方面中任意一项所述的模型训练方法;
第七方面,本申请实施例公开了一种包括计算机程序的计算机程序产品,当其在计算机设备上运行时,使得所述计算机设备执行第一方面中任意一项所述的参数预测方法,或执行第二方面中任意一项所述的模型训练方法。
由上述技术方案可以看出,在生成多个在时序上连贯的时间点分别对应的构成参数,以使目标程序能够渲染出多个所包括构成元素在时序上表现形式连贯的多个程序界面时,可以进行N轮预测,在第i轮预测时,先获取第i轮预测所需的历史构成参数和目标构成参数,历史构成参数对应第一时间点,目标构成参数对应第二时间点,该第二时间点为在第一时间点之后经过第一时间步长达到的时间点,从而通过目标构成参数,参数预测模型可以获知在第二时间点时,程序界面中的构成元素的表现形式,通过历史构成参数和目标构成参数之间的参数差异,参数预测模型可以获知程序界面中的构成元素在经过第一时间步长的时间段中的表现形式变化情况,进而可以基于上述信息较为准确的分析在第二时间点后,第一时间步长的时间段中程序界面中的构成元素表现形式所可能出现的变化情况,最终预测得到第i轮预测对应的未来构成参数,该未来构成参数对应第三时间点,第三时间点即为在第二时间点之后经过第一时间步长达到的时间点。由此可见,通过N轮预测,参数预测模型可以较为准确的预测出以第一时间步长为间隔的多个时间点分别对应的构成参数,这些构成参数所表征出的构成元素表现形式随时序的变化方式较为一致,从而能够使构成元素在基于这些构成参数渲染出的多个程序界面中能够进行合理、稳定且准确的表现,基于此,本申请能够实现高效、精准的生成用于渲染在时序上连贯的程序界面的多个构成参数,可以用于自动化程序测试、数据自动生成等多个技术领域,降低了对人工参与的依赖。
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的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的;
图2为本申请实施例提供的一种实际应用场景中参数预测方法的示意图;
图3为本申请实施例提供的一种参数预测方法的流程图;
图4为本申请实施例提供的一种模型训练方法的流程图;
图5为本申请实施例提供的一种实际应用场景中参数预测方法的流程图;
图6为本申请实施例提供的一种实际应用场景中参数预测方法的示意图;
图7为本申请实施例提供的一种实际应用场景中参数预测方法的示意图;
图8为本申请实施例提供的一种实际应用场景中参数预测方法的示意图;
图9为本申请实施例提供的一种参数预测装置的结构框图;
图10为本申请实施例提供的一种模型训练装置的结构框图;
图11为本申请实施例提供的一种终端的结构图;
图12为本申请实施例提供的一种服务器的结构图。
具体实施方式
下面结合附图,对本申请的实施例进行描述。
构成元素在程序界面中的表现方式是检验程序是否正常运行的核心衡量标准之一,该构成元素是指用于构成程序界面的元素,不同程序界面所对应的构成元素可能有所不同,例如在游戏界面中,构成元素可以为游戏界面中的游戏对象、游戏场景等,在动画程序界面中,构成元素可以为动画每一帧图像中的动画人物、动画场景等,通过游戏界面中的游戏对象位置变化、动作变化是否自然、连贯,能够检验游戏程序是否能够正常运行。
基于此,在一些应用场景(例如程序测试场景)中,需要获取用于控制构成元素在程序界面中发生变化的构成参数,构成参数用于控制构成元素在程序界面中的表现形式,通过多个时间点分别对应的不同构成参数可以控制构成元素在程序界面中发生变化。在相关技术中,需要相关人员人工设定各个时间点所对应的构成参数,例如游戏对象位置参数、游戏场景参数、对象动作类型参数等,在实际应用时由于所需的时间点较多,因此会消耗大量的时间和精力,同时对于相关人员对构成元素表现形式的变化方式的了解程度要求较高,容易出现多个时间点之间构成元素表现形式的变化差异较大、变化方式不一致的情况,从而导致生成的构成参数准确度和真实性较低。
为了解决上述技术问题,本申请提供了一种参数预测方法,可以通过参数预测模型,对以第一时间步长为间隔的第一时间点和第二时间点分别对应的构成参数进行分析,准确识别出在第一时间步长的时间段中构成参数所表征表现形式的变化特点,从而可以基于该变化特点和第二时间点对应的构成参数表征的表现形式,精准预测在第二时间点后,再次经过第一时间步长所达到的第三时间点对应的构成参数,使这些构成参数能够用于在程序界面中,控制构成元素在三个时间点之间进行合理、稳定且真实的变化,在保障了构成参数生成准确度的同时,提高了构成参数的生成效率,使生成的构成参数能够用于多种应用场景。
可以理解的是,该方法可以应用于计算机设备上,该计算机设备为能够进行参数预测和/或模型训练的计算机设备,例如可以为终端设备或服务器。该方法可以通过终端设备或服务器独立执行,也可以应用于终端设备和服务器通信的网络场景,通过终端设备和服务器配合执行。其中,终端设备可以为手机、平板电脑、笔记本电脑、台式电脑等设备。服务器可以理解为是应用服务器,也可以为Web服务器,在实际部署时,该服务器可以为独立服务器,也可以为集群服务器,或者云服务器等。
为了便于理解本申请提供的技术方案,接下来,将结合一种实际应用场景,对本申请提供的一种参数预测方法进行介绍。
参见图1,图1为本申请实施例提供的一种实际应用场景中参数预测方法的示意图,在该实际应用场景中,处理设备为具有参数预测功能的服务器101,该服务器101可以用于运行参数预测模型,目标程序可以为游戏程序,程序界面为游戏界面,构成元素可以包括游戏场景、游戏对象等。
如图1所示,图1展示了第i轮预测的预测过程,首先服务器101可以获取第i轮预测所需的历史构成参数和目标构成参数,其中历史构成参数对应第一时间点,用于渲染第一时间点对应的游戏界面,目标构成参数对应第二时间点,用于渲染第二时间点对应的游戏界面,第二时间点为在第一时间点之后经过第一时间步长达到的时间点。构成参数可以包括用于标识游戏对象位置的对象位置参数、标识游戏对象动作的对象动作参数、标识游戏场景的游戏场景参数等。由第二时间点对应的游戏界面可见,在该第一时间步长中,游戏对象进行了移动,即对象位置参数发生了变化。
服务器101可以将目标构成参数和历史构成参数输入到参数预测模型中,使参数预测模型可以基于这两个构成参数预测第三时间点对应的未来构成参数,该未来构成参数用于渲染第三时间点对应的游戏界面,第三时间点为在第二时间点后,经过第一时间步长达到的时间点。通过目标构成参数,参数预测模型可以清楚的获知游戏界面中的各个构成元素在第二时间点对应的表现形式,通过历史构成参数和未来构成参数之间的差异,能够使参数预测模型分析出在上一第一时间步长的时间段中,游戏界面中的各个构成元素的表现形式变化情况,从而可以使未来构成参数与目标构成参数所表征的表现形式变化情况能够贴合上一第一时间步长的变化情况,进而使通过历史构成参数、目标构成参数和未来构成参数渲染得到的多个游戏界面能够表征出较为连贯、变化较为规律、合理的构成元素。如图1所示,通过分析历史构成元素和目标构成元素,参数预测模型可以预测游戏对象会继续按照相同的方向进行移动,并且会在游戏场景中进行攻击行为,从而在基于未来构成参数渲染的游戏界面中,该游戏对象进行了相同方向的移动,并在达到可攻击位置时进行了攻击行为。
由此可见,在游戏场景中,服务器101可以基于以第一时间步长相邻的多个时间点对应的构成参数,对经过下一第一时间步长后达到的时间点的构成参数进行准确预测,使在这些构成参数渲染得到的游戏界面中,游戏对象、游戏场景等构成元素都能够在时序上发生合理的表现形式变化,从而这些构成参数可以用于检测游戏程序是否能够稳定运行,获知可以用于在游戏程序中自动控制游戏对象进行各种游戏行为等,无需人工对表现形式的变化特点进行分析,提高了参数预测效率和准确度。
接下来,将结合附图,对本申请提供的技术方案进行详细介绍。
参见图2,图2为本申请实施例提供的一种参数预测方法的流程图,在该实施例中,处理设备可以为任意一种具有参数预测功能的处理设备,该方法包括:
S201:获取第i轮预测所需的历史构成参数和目标构成参数。
其中,第i轮预测为N轮预测中的任意一轮预测,N轮预测用于确定在时序上连续的多个时间点分别对应的构成参数,其中在时序上相邻的时间点之间间隔第一时间步长,该第一时间步长可以为任意时间步长,本申请中的时间步长是指一段时间长度。N为大于0的正整数,i为不大于N的正整数。需要强调的是,N可以为1,即本申请可以只涉及一轮预测。
构成参数用于控制构成元素在目标程序的程序界面中的表现形式,构成元素用于构成程序界面,该目标程序可以为任意具有程序界面的程序,例如可以为游戏程序、动画程序等。不同程序界面可以由不同的构成元素构成,同时不同的构成元素所对应的元素参数也可以有所区别。例如游戏界面可以由游戏对象、游戏场景等构成元素构成,动画界面可以由动画背景、动画角色等构成元素构成。在游戏程序中,通过构成参数可以控制游戏对象的位置、游戏对象的动作、游戏场景类型的表现形式。
在每一轮预测中,处理设备都需要获取对应的历史构成参数和目标构成参数,以使参数预测模型能够分析在上一时间步长对应的时间段中,构成元素的表现形式变化情况。在第i轮预测中,历史构成参数对应第一时间点,目标构成参数对应第二时间点,该第二时间点为在第一时间点之后经过第一时间步长达到的时间点,第一时间步长可以为任意时间步长。
S202:通过参数预测模型,根据历史构成参数和目标构成参数预测第i轮预测对应的未来构成参数。
其中,参数预测模型用于根据目标时间点和在目标时间点之前,与目标时间点之间间隔第二时间步长的历史时间点分别对应的构成参数,预测在目标时间点之后经过第二时间步长的未来时间点对应的构成参数,第二时间步长为任意时间步长,即该参数预测模型可以用于预测以任意时间步长间隔的多个时间点所对应的构成参数。该参数预测模型可以为任意支持单轮或多轮数据预测的模型,例如可以为循环神经网络(Recurrent NeuralNetwork, 简称RNN)模型等。
以第i轮预测为例,通过目标构成参数,参数预测模型可以获取在第二时间点上各个构成元素的表现形式;通过目标构成参数与历史构成参数的差异,参数预测模型可以分析在第二时间点的上一第一时间步长的时间段中,各个构成元素的表现形式变化方式,从而参数预测模型可以基于第二时间点对应的表现形式和该表现形式变化方式,较为精准的预测出在第二时间点的下一第一时间步长的时间段中,以较为统一的变化方式发生变化后的构成元素的表现形式,进而能够预测得到对应第三时间点的未来构成参数,该第三时间点为在第二时间点之后经过第一时间步长达到的时间点。
由上述技术方案可以看出,本申请中的构成参数的生成只需要至少一组相邻时间点对应的构成参数即可完成,无需人工编写各个时间点所对应的构成参数,因此无需依赖相关人员对构成参数的编写经验,通过N轮预测,参数预测模型即可较为准确的预测出以第一时间步长为间隔的多个时间点分别对应的构成参数,这些构成参数所表征出的构成元素表现形式随时序的变化方式较为一致,从而能够使构成元素在基于这些构成参数渲染出的多个程序界面中能够进行合理、稳定且准确的表现,基于此,本申请能够实现高效、精准的生成用于渲染在时序上连贯的程序界面的多个构成参数,可以用于自动化程序测试、数据自动生成等多个技术领域。例如,处理设备可以通过该方式预测得到以相同时间步长间隔的多个时间点分别对应的构成参数,然后基于这些构成参数对游戏界面进行渲染,若渲染出的游戏界面中的各种构成元素能够较为流畅、准确的进行表现,则说明游戏程序可以正常运行,反之则无法正常运行,这种应用方式的前提就在于本申请确定出的多个构成参数能够使构成元素在时序上发生较为合理、统一的变化,从而当游戏程序无异常时,多个构成参数分别对应的游戏界面应当都能够被游戏程序所正常渲染。
上已述及,N轮预测可以为一轮预测,即三个时间点对应的构成参数即可满足构成参数需求。N轮预测也可以为多轮预测,此时,每一轮预测都可以在上一轮预测的预测结果的基础上来继续进行,从而多轮迭代预测出多个时间点的构成参数,接下来将对多轮预测场景进行详细介绍。
在一种可能的实现方式中,在第i轮预测完成后,此时最新的时间点变为了第三时间点,而第二时间点成为第三时间点的上一第一时间步长之前的时间点。从而,处理设备可以将第i轮预测所需的目标构成参数确定为N轮预测中第i+1轮预测所需的历史构成参数,第i轮预测对应的未来构成参数确定为第i+1轮预测所需的目标构成参数,执行第i+1轮预测,第i+1轮预测所得到的未来构成参数即为第三时间点后经过第一时间步长所达到的时间点对应的构成参数,其预测原理与第i轮预测一致。从而,通过该方式,处理设备可以预测得到以第一时间步长层层递推的多个时间点分别对应的构成参数,以满足不同时间长度或数量的构成参数预测需求。需要强调的是,在该实现方式中,N具体为大于1的正整数,i具体为小于N的正整数,以满足存在第i+1轮预测。
具体的,为了能够在满足不同构成参数需求的同时,避免出现不必要的预测工作量,在一种可能的实现方式中,处理设备可以在每一轮预测结束后进行需求是否满足的判断,以该判断结果决定是否继续进行下一轮预测。
在执行第i轮预测后,处理设备可以确定前i轮预测对应的构成参数所对应的多个时间点是否满足时间点需求,该时间点需求可以基于实际需求任意设定,例如可以为时间点数量需求或时间点所涉及时段长度的需求等。需要强调的是,前i轮预测对应的构成参数并不单指通过前i轮预测预测出的构成参数,还包括前i轮预测在预测时所基于的构成参数。
基于多个时间点不满足时间点需求,则说明此时还需要进行后续预测来扩充构成参数所对应的时间点数量或时段长度,此时处理设备可以将第i轮预测所需的目标构成参数确定为N轮预测中第i+1轮预测所需的历史构成参数,第i轮预测对应的未来构成参数确定为第i+1轮预测所需的目标构成参数,执行第i+1轮预测。由此可见,本申请的参数预测方式可以满足不同的参数预测需求,同时只有在不满足需求时才会继续进行预测,提高了参数预测的合理性,避免参数预测占用不必要的处理资源。
同理,在一种可能的实现方式中,基于多个时间点满足时间点需求,说明此时前i轮预测已经能够满足参数预测需求,无需进行后续预测。结合上已述及,本申请中的构成参数可以用于控制程序界面中构成元素的表现形式,因此处理设备可以根据前i轮预测对应的构成参数渲染程序界面,该程序界面在多个时间点分别对应的构成元素满足多个时间点分别对应的构成参数,即各个时间点对应的程序界面中的构成元素表现形式是由各个时间点所对应的构成参数决定的。从而,处理设备可以在满足需求时,直接对多个时间点对应的构成参数进行应用,实现从预测到应用的自动化流程执行。由于本申请可以在满足需求时及时停止参数预测,因此不会额外使用不必要的处理资源,同时也节省了参数预测所需的时长,在满足需求的同时提高了参数预测效率。可以理解的是,当前i轮参数预测满足需求时,N即为i。
例如,在游戏程序测试场景中,需要六十个连续时间点对应的构成参数来测试游戏对象是否能够正常作出游戏行为,此时可以基于前两个相邻时间点对应的构成参数进行预测,若通过前i轮预测能够得到对应六十个时间点的构成参数,则处理设备可以判定满足参数预测需求,此时会继续六十个时间点对应的构成参数渲染这六十个时间点分别对应的游戏界面,通过游戏界面中游戏对象的行为情况来判断是否能够正常执行游戏行为。若游戏程序正常,则在六十个时间点所对应的构成参数变化统一的前提下,游戏对象应当能够作出正常的游戏行为,若无法作出正常的游戏行为则说明游戏程序本身出现异常。
上已述及,目标程序可以为多种程序,不同程序界面所对应的构成参数可以有所不同,接下来将针对游戏程序场景进行详细介绍。
在一种可能的实现方式中,该目标程序可以为游戏程序,程序界面为游戏程序对应的游戏界面,构成元素可以包括游戏对象和游戏场景中的任意一种或多种的组合,构成参数可以包括对象位置参数、对象动作参数、对象移动轨迹参数、动作持续时长参数、游戏场景参数中的任意一种或多种的组合,下面以第i轮预测所需的目标构成参数为基准,对这些构成参数分别进行介绍。
在目标构成参数中,对象位置参数可以用于标识游戏对象在目标游戏界面中的第一对象位置,这里的第一对象位置可以为游戏对象在目标游戏界面中的相对位置,也可以为在游戏程序所涉及的游戏场景中的绝对位置。即,绝对位置可以直接用于渲染游戏对象,绝对位置决定了游戏对象在渲染得到的游戏界面中的相对位置,该目标游戏界面为对应第二时间点的游戏界面,即基于目标构成参数渲染得到的游戏界面。
对象动作参数可以用于标识游戏对象在目标游戏界面中对应的对象动作,例如跳跃、攻击、躺倒等动作,对象移动轨迹参数可以用于标识游戏对象由第二对象位置变更为第一对象位置的位置变更方式,其中第二对象位置为游戏对象在对应第一时间点的游戏界面中对应的对象位置,即对象移动轨迹参数能够标识出游戏对象在第一时间点之前的上一第一时间步长的时间段中的位置变更方式。动作持续时长参数用于标识游戏对象在目标游戏界面中对应的对象动作的持续时长,从而可以使参数预测模型在预测过程中分析各个对象动作的开始时间和停止时间,从而能够对各个时间点对应的对象动作进行更加准确的预测。游戏场景参数用于表征目标游戏界面对应的游戏场景,例如能够标识出室外场景、室内场景等。通过上述构成参数可以渲染得到丰富、多样化的游戏界面,满足不同的游戏界面渲染需求。
可以理解的是,并不是每一轮预测都可以利用上一轮预测得到的参数来进行预测,例如第1轮预测就没有上一轮预测的参数基础,此时需要主动向参数预测模型提供用于预测的构成参数。
在一种可能的实现方式中,为了进一步提高参数预测效率,处理设备可以自动分析得到用于预测的构成参数。在执行步骤S201时,处理设备可以执行步骤S2011-S2012(图中未示出),步骤S2011-S2012为步骤S201的一种可能的实现方式,包括:
S2011:获取程序界面在第一时间点对应的第一界面图像和在第二时间点对应的第二界面图像。
其中,第一界面图像能够表征出在第一时间点的程序界面中,各种构成元素的表现形式,第二界面图像能够表征出第二时间点的程序界面中各种构成元素的表现形式。例如,目标程序为游戏程序时,该界面图像可以为游戏界面的截图,界面图像能够表征出游戏界面中的游戏对象位置、动作、游戏场景等信息。
S2012:对第一界面图像进行构成参数识别,得到第i轮预测所需的历史构成参数,以及对第二界面图像进行构成参数识别,得到第i轮预测所需的目标构成参数。
处理设备可以通过对界面图像进行参数识别,来分析各个界面图像所表征出的构成元素表现形式,从而可以确定出各个时间点对应的构成参数。例如,处理设备可以对应游戏界面中游戏对象、游戏对象的动作、游戏对象的位置、游戏场景等进行识别,来分析出对应的构成参数。通过该方式,相关人员可以无需向处理设备提供具体的构成参数进行预测,而是可以较为轻松的获取界面图像,将界面图像输入到处理设备中即可实现自动化预测,进一步降低了参数预测难度,提高了参数预测的便利性。
其中,为了进一步提高参数预测的自由度和灵活度,处理设备可以向参数预测的需求方提供自主选择用于参数预测的游戏界面图像的功能。在一种可能的实现方式中,该目标程序为游戏程序,第一界面图像和第二界面图像为游戏程序的游戏界面对应的图像,在执行步骤S2011时,处理设备可以执行步骤S20111(图中未示出),步骤S20111为步骤S2011的一种可能的实现方式,包括:
S20111:基于在第二时间点获取游戏自动执行请求,获取游戏界面在第一时间点对应的第一界面图像和在第二时间点对应的第二界面图像。
在该实现方式中,处理设备可以基于游戏程序提供一种游戏自动执行功能,玩家在使用游戏程序的过程中,若出现不方便亲自在游戏程序中进行操作的情况,可以通过发送游戏自动执行请求来触发该功能,游戏自动执行功能用于使游戏程序可以基于玩家已经执行的操作自动继续渲染游戏界面,该游戏自动执行请求用于请求基于预测得到的构成参数自动渲染游戏界面。
即,处理设备在获取游戏自动执行请求后,可以获取游戏自动执行请求对应的第二时间点对应的第二界面图像,以及获取上一第一时间步长前的第一时间点对应的第一界面图像,通过这两个界面图像可以了解玩家在上已第一时间步长的时间段中所针对游戏程序作出的操作,分析游戏界面构成元素的表现形式变化情况,从而可以对下一第一时间步长的时间段中玩家所可能进行的操作方式进行预测,得到第三时间点所对应的构成参数,该构成参数能够模拟出玩家在下一第一时间步长的时间段中针对游戏程序执行操作后,游戏界面的渲染情况,从而可以在无需玩家参与的情况下,模拟出玩家操作的游戏界面效果。基于此,在通过N轮预测得到多个构成参数后,处理设备可以根据N轮预测对应的构成参数渲染游戏界面,实现游戏程序的自动化运行。
例如在图1中,通过玩家操作可以使游戏界面从第一时间点对应的游戏界面变更为第二时间点对应的游戏界面,然后在第二时间点通过特定操作发送游戏自动执行请求,此时处理设备可以分析这两个游戏界面对应的构成参数,然后预测后续时间点对应的构成参数,并基于预测得到的构成参数渲染游戏界面,从而模拟出玩家在游戏中的操作效果,例如在图1中,处理设备可以通过玩家对游戏对象的移动操作,预测该游戏对象会被控制继续移动并进行攻击。
可以理解的是,由于本申请是基于构成参数在历史时间点中的参数内容和参数变化情况来进行参数预测的,因此通常情况下,若预测较为准确,则预测得到的构成参数应当与已获取的构成参数有较为接近的参数特点,在参数分布上较为一致。例如,若在多个历史时间点中,游戏对应所对应的对象位置参数都位于一个位置参数范围中,则通常情况下在未来的时间点上游戏对象对应的对象位置参数也不会偏离该位置参数范围过远。
基于此,在一种可能的实现方式中,为了进一步提高参数预测的准确度,处理设备可以将已生成构成参数的参数分布方式作为参数预测的依据。处理设备可以根据前i-1轮预测对应的构成参数确定构成分布参数,该构成分布参数用于表征构成参数在前i-1轮预测中的参数分布方式。其中,构成分布参数的确定方法可以包括多种,例如可以采用统计学算法、傅里叶变换算法等。
在执行步骤S202时,处理设备可以执行步骤S2021(图中未示出),步骤S2021为步骤S202的一种可能的实现方式,包括:
S2021:根据历史构成参数、目标构成参数和构成分布参数,预测第i轮预测对应的未来构成参数。
通过该构成分布参数,可以使参数预测模型获知在前i-1轮预测中的参数分布方式,从而在预测时可以避免预测出于该参数分布方式差异较大的未来构成参数,使该未来构成参数能够更加贴合已有构成参数的参数分布特点,进而可以使该未来构成参数与前i-1轮预测对应的构成参数能够用于控制构成元素在程序界面中进行更加平滑、合理的表现,提高参数预测的准确度。例如在游戏程序中,通过该构成分布参数可以使模型预测得到的对象位置参数较为贴合前i-1轮预测对应的对象位置参数,避免游戏对象在游戏界面中出现突然进行较大位置变动的情况,提高参数的真实性。其中,在本实现方式中i为大于1的正整数,以满足具有i-1轮预测。
在一种可能的实现方式中,为了进一步提高参数预测的效率,处理设备可以将构成分布参数的分析过程放在参数预测模型的预测过程中。即,在该实现方式中,在第i轮参数预测时,参数预测模型不仅用于预测未来构成参数,还会预测前i轮参数预测后对应的构成分布参数,具体如下所示:
在执行步骤S2021时,处理设备可以执行步骤S20211-S20213(图中未示出),步骤S20211-S20213为步骤S2021的一种可能的实现方式,包括:
S20211:根据历史构成参数和构成分布参数生成第一参数,以及根据目标构成参数和构成分布参数生成第二参数。
其中,第一参数和第二参数的生成过程可以通过多种参数组合方式来进行,此处不作限定。在生成第一参数和第二参数时,需满足第一参数和第二参数仍然能够具有历史构成参数和目标构成参数对构成元素表现形式的表征作用,以及具有构成分部参数对前i-1轮预测对应的构成参数分布方式的表征作用。
S20212:根据第一参数和第二参数确定第三参数。
在预测过程中,通过第一参数和第二参数中的历史构成参数和目标构成参数部分,可以对未来构成参数进行准确预测,通过构成分布参数部分可以对前i-1轮预测中的参数分布方式进行准确分析,从而预测前i轮预测中的参数分布方式,进而得到预测分布参数,最后结合该预测分布参数和未来构成参数可以输出第三参数,该第三参数包括参数预测模型预测的未来构成参数和预测分布参数,预测分布参数为参数预测模型根据第一参数和第二参数预测得到的构成分布参数,预测分布参数用于表征构成参数在前i轮预测中的参数分布方式。
其中,预测分布参数与构成分布参数之间的差异小于第一预设阈值,即参数预测模型在预测过程中会收到构成分布参数的约束,使预测出的未来构成参数不会偏离前i-1轮的参数分布方式,同时参数预测模型能够基于第一参数和第二参数对前i轮的参数分布方式进行精准预测,使预测分布参数能够准确贴合前i轮预测对应的参数分布方式,进而能够作为第i+1轮预测所需的预测依据。
S20213:从第三参数中确定未来构成参数。
可以理解的是,通常情况下,模型所处理的信息结构越简单,处理速度越快,处理效率也就越高。而在实际渲染程序界面时,所需要的信息可能较为复杂,例如在游戏界面渲染中,所需的信息可以为具体的游戏场景名称、游戏对象名称等,这些信息通常信息量较大,且信息结构较为复杂,参数预测模型对这些信息直接进行预测时还需要对其进行语义理解等步骤,导致预测效率较低。
基于此,在一种可能的实现方式中,参数预测模型所预测的构成参数可以不为直接用于进行程序界面渲染的元素表现信息,而是与元素表现信息之间具有映射关系的参数,即不同元素表现信息所对应的构成参数不同。目标元素表现信息对应的信息复杂度大于目标元素表现信息对应的构成参数的信息复杂度,该目标元素表现信息可以为任意元素表现信息。由于构成参数具有比元素表现信息更加简单的信息结构,因此对构成参数进行预测的预测难度要远低于预测元素表现信息的预测难度,该元素表现信息用于使目标程序基于所对应构成参数表征的构成元素表现形式渲染程序界面。由于与元素表现信息与构成参数一一对应,因此构成参数仍然可以视为具有控制构成元素表现形式的功能。
例如,在游戏场景中,用于渲染游戏场景的元素表现信息可以为“室内场景”这一文本信息,该元素表现信息对应的构成参数为“1”,其他游戏场景对应的构成参数均不为1,从而参数预测模型只需预测出“1”即可完成对游戏场景表现形式的预测。
在该实现方式中,在完成N轮预测后,处理设备可以根据构成参数与元素表现信息之间的映射关系和N轮预测对应的多个构成参数,确定N轮预测对应的多个元素表现信息,然后根据多个元素表现信息渲染程序界面,从而既降低了参数预测难度,又保障了预测出的构成参数能够得到准确应用。
针对上述实施例所述的参数预测模型,本申请还提供了一种模型训练方法,以训练得到上述参数预测模型。参见图3,图3为本申请实施例提供的一种模型训练方法的流程图,在该实施例中,处理设备可以为任意具有模型训练功能的处理设备,该方法包括:
S301:获取样本构成参数集合。
其中,样本构成参数集合包括M个时间点分别对应的样本构成参数,构成参数用于控制构成元素在目标程序的程序界面中的表现形式,构成元素用于构成程序界面,M个时间点中相邻的时间点之间间隔第二时间步长,第二时间步长可以为任意时间步长,例如也可以为上述第一时间步长,以通过模型训练和应用过程中针对相同时间步长来进一步保障模型预测的准确度。样本构成参数为各个时间点所对应的实际构成参数,即当模型预测较为准确时,所预测得到构成参数应当接近该样本构成参数。
M为大于2的正整数,以保障该样本构成参数结合中至少存在三个样本构成参数,从而以保障至少有一个样本构成参数可以用于衡量模型预测效果。
S302:通过初始参数预测模型,根据M个时间点中第m-1个时间点和第m个时间点分别对应的样本构成参数,预测第m+1个时间点对应的待定构成参数。
在预测过程中,初始参数预测模型可以根据第m个时间点对应的样本构成参数,获知程序界面中的构成元素在第m个时间点时的表现形式,通过第m个时间点和第m-1个时间点分别对应的构成元素差异,能够分析出在第m个时间点前的一个第二时间步长的时间段中,构成元素表现形式的变化方式,从而可以基于这些信息预测得到在第m个时间点后,经过第二时间步长达到的第m+1个时间点对应的待定构成参数,该待定构成参数即为初始参数预测模型所分析的第m+1个时间点对应的构成参数,m为大于1小于M的正整数。
需要强调的是,由上述训练过程和应用过程可见,本申请可以应用于预测任何在时序上连贯的构成参数,对构成参数所应用的程序类型并没有限定,因此在训练时所针对的目标程序和应用时所针对的目标程序可以为相同程序或不同程序,此处不作限定。
S303:根据待定构成参数与第m+1个时间点对应的样本构成参数之间的差异,调节初始参数预测模型对应的模型参数,得到参数预测模型。
由于第m+1个时间点对应的样本构成参数为第m+1个时间点所对应的实际构成参数,因此通过样本构成参数与待定构成参数之间的差异,能够表征出初始参数预测模型在预测第m+1个时间点对应的构成参数时的预测精度,差异越小,预测精度越高。从而,处理设备可以基于该差异对模型参数进行调节,使模型确定出的待定构成参数逐渐接近样本构成参数,进而可以使初始参数预测模型学习到如何对未来时间点的构成参数进行精准预测,得到上述参数预测模型。
该参数预测模型可以用于根据第一时间点对应的历史构成参数和第二时间点对应的目标构成参数,预测第三时间点对应的未来构成参数,第二时间点为在第一时间点之后经过第一时间步长达到的时间点,第三时间点为在第二时间点之后经过第一时间步长达到的时间点。
上已述及,在参数预测时,可以通过构成参数的分布情况来进行约束,避免出现偏离过大的异常构成参数。同理,在模型训练过程中,处理设备也可以基于构成参数分布来进行约束,使初始参数预测模型学习到如何预测出在时序上所对应表现形式较为统一的多个构成参数。接下来,将主要针对两种基于构成分布参数的模型训练方式进行介绍。
在一种可能的实现方式中,处理设备可以无需参数预测模型自身具有构成分布参数的分析能力,只需进行构成参数的预测即可。处理设备可以根据M个时间点分别对应的构成参数确定样本构成分布参数,样本构成分布参数用于表征构成参数在M个时间点中的参数分布方式。
然后,处理设备可以根据多个待分析构成参数确定第一待定构成分布参数,第一待定构成分布参数用于表征构成参数在多个待分析构成参数中的参数分布方式,其中,多个待分析构成参数包括M个时间点中的前m个时间点对应的样本构成参数和待定构成参数。由于样本构成参数为实际对应的准确构成参数,因此该第一待定构成分布参数与样本构成分布参数之间的差异主要取决于待定构成参数是否贴合M个样本构成参数的参数分布,从而该差异也能够表征出初始参数预测模型进行参数预测时的合理性。
从而,在执行步骤S303时,处理设备可以执行步骤S3031(图中未示出),步骤S3031为步骤S303的一种可能的实现方式,包括:
S3031: 根据待定构成参数与第m+1个时间点对应的样本构成参数之间的差异,以及样本构成分布参数和第一待定构成分布参数之间的差异,调节初始参数预测模型对应的模型参数,得到参数预测模型。
其中,待定构成参数与第m+1个时间点对应的样本构成参数之间的差异能够表征出初始参数预测模型是否能够对参数变化进行准确预测,样本构成分布参数和第一待定构成分布参数之间的差异能够表征出初始参数预测模型能够预测出分布较为一致的参数,通过两者结合可以使初始参数预测模型能够预测出在多个时间点上准确、合理的多个构成参数。
在另一种可能的实现方式中,处理设备可以在训练过程中,使初始参数预测模型自身具有构成分布参数预测的能力。
处理设备可以根据M个时间点分别对应的构成参数确定样本构成分布参数,样本构成分布参数用于表征构成参数在M个时间点中的参数分布方式。
在执行步骤S302时,处理设备可以执行步骤S3021-S3022(图中未示出),步骤S3021-S3022为步骤S302的一种可能的实现方式,包括:
S3021:根据第m-1个时间点对应的样本构成参数和样本构成分布参数生成第四参数,以及根据第m个时间点对应的样本构成参数和样本构成分布参数生成第五参数。
其中,第四参数与第五参数的生成方式与上述第一参数和第二参数生成方式类似,此处不做赘述。
S3022:根据第四参数和第五参数确定第六参数。
第六参数包括初始参数预测模型预测的待定构成参数和第二待定构成分布参数,第二待定构成分布参数用于表征初始参数预测模型预测的构成参数在前m+1个时间点中的参数分布方式。
在预测过程中,通过第四参数和第五参数中的构成参数部分,可以对m+1个时间点对应的构成参数进行准确预测,通过样本构成分布参数部分可以对M个时间点对应的参数分布方式进行准确分析,从而预测前m+1个时间点的参数分布方式,进而得到第二待定分布参数,最后结合该第二待定分布参数和待定构成参数可以输出第六参数。
在执行步骤S303时,处理设备可以执行步骤S3032-S3033(图中未示出),步骤S3032-S3033为步骤S303的一种可能的实现方式,包括:
S3032:根据第m+1个时间点对应的样本构成参数和样本构成分布参数生成第七参数。
其中,第七参数与第四参数、第五参数和第六参数的参数结构一致,即对构成参数和构成分布参数的结合方式一致,以便能够准确分析参数之间的差异。
S3033:根据第六参数和第七参数之间的差异调节初始参数预测模型对应的模型参数,得到参数预测模型。
通过第六参数与第七参数之间在构成参数上的差异进行调节,能够使初始参数预测模型学习到如何基于过往时间点的构成参数和构成分布参数来预测未来时间点的构成参数,同时,通过第六参数与第七参数之间在构成分布参数上的差异进行调节,能够使初始参数预测模型学习到如何预测准确的构成分布参数,从而能基于自身所预测出的构成分布参数对构成参数的预测进行约束,使其不偏离整体的参数分布情况,同时也能够自动为下一轮预测提供构成分布参数的预测基础,提高了初始参数预测模型整体的参数预测能力。其应用过程如上文中所述。
为了便于理解本申请提供的技术方案,接下来,将结合一种实际应用场景,对本申请提供的参数预测方法和模型训练方法进行整体介绍。
参见图4,图4为本申请实施例提供的一种实际应用场景中参数预测方法的流程图,在该实际应用场景中,处理设备可以为任意兼具模型训练功能和参数预测功能的处理设备,例如可以为运行有游戏程序的终端设备(如手机、平板电脑、台式机等)。目标程序可以为游戏程序,该实际应用场景涉及模型训练和模型应用两个过程,分别对应步骤S401-S404和步骤S405-S408,该方法包括:
S401:获取M个时间点对应的游戏界面图像。
为了提高模型训练效率,在获取样本构成参数时,处理设备也可以通过图像识别的方式来进行,M个时间点为以第二时间步长间隔的连续时间点,该游戏程序可以为任意游戏程序,例如射击类游戏、经营类游戏等。处理设备可以直接从游戏引擎中获取游戏界面图像文件来进行识别。
S402:对游戏界面图像进行构成参数识别,确定M个时间点分别对应的样本构成参数。
其中,构成参数识别的识别方法可以包括多种,例如可以通过训练相应的参数识别模型来进行高效、准确的识别等。当然,用于训练的构成参数也可以通过人工进行分析,此处不作限定。
S403:对样本构成参数进行预处理。
样本构成参数可以包括以下几个预处理步骤:
1、去除噪声
处理设备可以通过滑动窗口平均法或中值滤波法去除参数中的噪声。例如,对于构成参数中不同时间点对应的对象位置参数,可以使用滑动窗口平均法计算平滑后的对象位置参数,公式如下所示:
smoothed_position[i] = (position[i-1]+ position[i] + position[i+1]) /3
其中,smoothed_position[i]为平滑处理后的第i个时间点对应的对象位置参数,position[i-1]为第i-1个时间点对应的对象位置参数,position[i]为第i个时间点原本对应的对象位置参数,position[i+1]为第i+1个时间点对应的对象位置参数,通过该方式可以使多个时间点对应的构成参数变化更加平滑、真实。
2、填充缺失值。
对于M个时间点中缺失的构成参数(例如没有准确识别出的构成参数),可以使用插值法(如线性插值、多项式插值等)进行填充。例如,对于缺失的对象位置参数,可以使用线性插值来计算,如下公式所示:
position[i] = position[i-1]+ (position[i+1] - position[i-1]) * (i -i-1) / (i+1 - i-1)
其中,position[i]为计算得到的第i个时间点对应的对象位置参数,position[i-1]为第i-1个时间点对应的对象位置参数,position[i+1]为第i+1个时间点对应的对象位置参数。
3、参数归一化
处理设备可以通过归一化的方式将构成参数转换为统一的范围,以便后续在模型中进行参数处理。例如,可以使用最小-最大归一化方法或Z分数(Z-score)标准化方法进行归一化。
参见图5,图5以对象位置参数展示了经过去噪处理的效果,去除噪声后的数据明显更加平滑,数据变化更加合理、真实。参见图6,图6以对象位置参数展示了经过归一化处理的效果,经过归一化处理后的对象位置参数所处范围更加统一,有助于分析对象位置参数的分布方式。
S404:基于样本构成参数对初始参数预测模型进行训练,得到参数预测模型。
首先,处理设备可以确定M个时间点所对应构成参数的构成分布参数。在本实际应用场景中,处理设备可以通过傅里叶变换的方式来计算构成分布参数。如下公式所示:
F(k) = Σ_{n=0}^{N-1} f(n) * exp(-2πi * k * n / N)
其中,F(k) 是频域信号,f(n) 是时域信号,N 是信号长度,i 是虚数单位。时域信号即为以时间顺序排列的多个时间点分别对应的构成参数,频域信号可以用于表征多个时间点的构成参数在频域上的分布情况,从而该频域信号能够表征出构成参数的分布情况,作为构成分布参数。
如图7所示,构成参数在频谱为1上的振幅较高,即构成参数主要分布在1附近。
在本申请实施例中,处理设备可以通过以下参数来构成参数预测模型的输入和输出:
其中,对象位置参数、对象动作参数、动作持续时长参数、游戏场景参数和对象移动轨迹参数都为构成参数。其中的游戏场景参数和对象动作参数都采用了相应的标识来替代了原本较为复杂的信息,以对象动作参数为例,处理设备可以通过以下映射关系来将具体的动作替换为标识:
action_to_id = {'action1': 0, 'action2': 1, 'action3': 2, ...}
id_to_action = {0: 'action1', 1: 'action2', 2: 'action3', ...}
其中,action为具体的动作信息,id为动作标识,如此可见,action1对应标识0,action2对应标识1等。在通过参数预测模型预测出下一时间点的动作标识后,可以同样通过该映射关系转换为具体的动作信息,以对游戏界面进行渲染。
本申请可以对上述构成参数中的任意一种或多种进行组合来作为模型输入和输出,如下所示:
action_type_vector = [0, 1, 0, ...] # 对象动作参数
position_vector = [x', y', z'] # 对象位置参数
trajectory_vector = [dx', dy', dz'] # 对象移动轨迹参数
frequency_vector = [f] # 振幅谱(构成分布参数)
combined_vector=[action_type_vector,position_vector,trajectory_vector,frequency_vector] # 模型的输入输出参数
在该实施例中,参数预测模型可以采用RNN模型,该模型结构如图8所示,通过第m-1个时间点和第m个时间点分别对应的构成参数以及样本构成分布参数,可以得到第m-1个时间点对应的第一参数和第m个时间点对应的第二参数,通过编码器可以提取第一参数特征和第二参数特征,RNN模型基于第一参数特征和第二参数特征可以预测得到第三参数特征,第三参数特征通过解码器解码即可输出第m+1个时间点对应的第三参数,该第三参数中包括第m+1个时间点对应的构成参数和构成分布参数。通过上述图像识别得到的第m+1个时间点对应的样本构成参数和构成分布参数可以确定出样本第三参数,通过该样本第三参数和第三参数之间的差异能够表征出初始参数预测模型的预测精度,从而可以基于该差异对模型参数进行调节,完成训练。本申请可以结合Adam优化器和分类交叉熵损失函数来作为损失函数进行优化,也可以利用其他多种损失函数,此处不作限定。
S405:获取第一时间点和第二时间点分别对应的游戏界面图像。
在实际应用过程中,处理设备可以获取两个以第一时间步长相邻的时间点分别对应的游戏界面图像来进行预测,第一时间步长可以为与第二时间步长相同的时间步长,也可以为不同时间步长。
S406:对游戏界面图像进行构成参数识别,确定第一时间点和第二时间点分别对应的构成参数。
S407:通过参数预测模型,根据第一时间点和第二时间点分别对应的构成参数进行N轮参数预测,得到对应多个时间点的多个构成参数。
其中,对于部分构成参数,参数预测模型输出的可以为多个概率值,例如对于对象动作参数,模型输出的为对应多个动作标识的概率值,处理设备会将其中最大概率值对应的构成参数作为最终的预测结果。
S408:根据多个构成参数渲染多个时间点分别对应的游戏界面。
由上述实际应用方式可见,本申请的参数预测方法具有以下优势:
1、本申请可以自动化实现对多个连续时间点的构成参数预测,保障了构成参数在多个时间点中变化的合理性和稳定性,从而能够基于这些构成参数渲染得到在时序上变化较为合理的多个程序界面。
2、本申请可以通过简单标识与复杂信息之间的映射关系,自动化基于预测得到的构成参数中的标识来转换为用于进行界面渲染的信息,并自动完成界面渲染,从而兼顾了模型预测的高效性和渲染精度。
3、本申请对于参数种类的限定较少,只要涉及到程序界面渲染的参数都可以采用本申请的方法进行预测,通用性较强,例如可以用于动画程序或游戏程序中的构成参数预测。
4、本申请可以通过构成分布参数对预测过程进行自监督,约束参数预测模型,降低出现变化较大的异常构成参数的概率。
5、本申请在游戏领域细化了构成参数的具体方式,合理的将游戏界面拆分为了多个构成元素,并合理的设定了各个构成元素所对应的构成参数。
基于上述实施例提供的参数预测方法,本申请实施例提供了一种参数预测装置,参见图9,图9为本申请实施例提供的一种参数预测装置900的结构框图,该装置包括第一获取单元901和第一预测单元902:
所述第一获取单元901,用于获取第i轮预测所需的历史构成参数和目标构成参数,所述历史构成参数对应第一时间点,所述目标构成参数对应第二时间点,构成参数用于控制构成元素在目标程序的程序界面中的表现形式,构成元素用于构成所述程序界面,所述第二时间点为在所述第一时间点之后经过第一时间步长达到的时间点,所述第i轮预测为N轮预测中的任意一轮预测,N为大于0的正整数,i为不大于N的正整数;
所述第一预测单元902,用于通过参数预测模型,根据所述历史构成参数和所述目标构成参数预测所述第i轮预测对应的未来构成参数,所述未来构成参数对应第三时间点,所述第三时间点为在所述第二时间点之后经过所述第一时间步长达到的时间点,所述参数预测模型用于根据目标时间点和在所述目标时间点之前,与所述目标时间点之间间隔第二时间步长的历史时间点分别对应的构成参数,预测在所述目标时间点之后经过所述第二时间步长的未来时间点对应的构成参数,所述第二时间步长为任意时间步长。
在一种可能的实现方式中,所述装置还包括执行单元:
所述执行单元,用于将所述第i轮预测所需的目标构成参数确定为所述N轮预测中第i+1轮预测所需的历史构成参数,所述第i轮预测对应的未来构成参数确定为所述第i+1轮预测所需的目标构成参数,执行所述第i+1轮预测,所述N具体为大于1的正整数,所述i具体为小于N的正整数。
在一种可能的实现方式中,所述装置还包括第一确定单元:
所述第一确定单元,用于在执行所述第i轮预测后,确定前i轮预测对应的构成参数所对应的多个时间点是否满足时间点需求;
所述执行单元具体用于:
基于所述多个时间点不满足所述时间点需求,将所述第i轮预测所需的目标构成参数确定为所述N轮预测中第i+1轮预测所需的历史构成参数,所述第i轮预测对应的未来构成参数确定为所述第i+1轮预测所需的目标构成参数,执行所述第i+1轮预测。
在一种可能的实现方式中,所述装置还包括第一渲染单元:
所述第一渲染单元,用于基于所述多个时间点满足所述时间点需求,根据所述前i轮预测对应的构成参数渲染所述程序界面,所述程序界面在所述多个时间点分别对应的构成元素满足所述多个时间点分别对应的构成参数。
在一种可能的实现方式中,所述目标程序为游戏程序,所述程序界面为所述游戏程序对应的游戏界面,所述构成元素包括游戏对象和游戏场景中的任意一种或多种的组合,所述构成参数包括对象位置参数、对象动作参数、对象移动轨迹参数、动作持续时长参数、游戏场景参数中的任意一种或多种的组合;
在所述目标构成参数中,所述对象位置参数用于标识所述游戏对象在目标游戏界面中的第一对象位置,所述目标游戏界面为对应所述第二时间点的游戏界面,所述对象动作参数用于标识所述游戏对象在所述目标游戏界面中对应的对象动作,所述对象移动轨迹参数用于标识所述游戏对象由第二对象位置变更为所述第一对象位置的位置变更方式,所述第二对象位置为所述游戏对象在对应所述第一时间点的游戏界面中对应的对象位置,所述动作持续时长参数用于标识所述游戏对象在所述目标游戏界面中对应的对象动作的持续时长,所述游戏场景参数用于表征所述目标游戏界面对应的游戏场景。
在一种可能的实现方式中,所述第一获取单元901具体用于:
获取所述程序界面在所述第一时间点对应的第一界面图像和在所述第二时间点对应的第二界面图像;
对所述第一界面图像进行构成参数识别,得到所述第i轮预测所需的历史构成参数,以及对所述第二界面图像进行构成参数识别,得到所述第i轮预测所需的目标构成参数。
在一种可能的实现方式中,所述目标程序为游戏程序,所述第一界面图像和所述第二界面图像为所述游戏程序的游戏界面对应的图像,所述第一获取单元901具体用于:
基于在所述第二时间点获取游戏自动执行请求,获取所述游戏界面在所述第一时间点对应的第一界面图像和在所述第二时间点对应的第二界面图像,所述游戏自动执行请求用于请求基于预测得到的构成参数自动渲染所述游戏界面;
所述装置还包括第二渲染单元:
所述第二渲染单元,用于根据所述N轮预测对应的构成参数渲染所述游戏界面。
在一种可能的实现方式中,所述装置还包括第二确定单元:
所述第二确定单元,用于根据前i-1轮预测对应的构成参数确定构成分布参数,所述构成分布参数用于表征构成参数在所述前i-1轮预测中的参数分布方式;
所述第一预测单元902具体用于:
根据所述历史构成参数、所述目标构成参数和所述构成分布参数,预测所述第i轮预测对应的未来构成参数。
在一种可能的实现方式中,所述第一预测单元902具体用于:
根据所述历史构成参数和所述构成分布参数生成第一参数,以及根据所述目标构成参数和所述构成分布参数生成第二参数;
根据所述第一参数和所述第二参数确定第三参数,所述第三参数包括所述参数预测模型预测的所述未来构成参数和预测分布参数,所述预测分布参数为所述参数预测模型根据所述第一参数和所述第二参数预测得到的构成分布参数,所述预测分布参数用于表征构成参数在前i轮预测中的参数分布方式,所述预测分布参数与所述构成分布参数之间的差异小于第一预设阈值;
从所述第三参数中确定所述未来构成参数。
在一种可能的实现方式中,所述装置还包括第三确定单元和第三渲染单元:
所述第三确定单元,用于根据构成参数与元素表现信息之间的映射关系和所述N轮预测对应的多个构成参数,确定所述N轮预测对应的多个元素表现信息,元素表现信息用于使所述目标程序基于所对应构成参数表征的构成元素表现形式渲染所述程序界面,目标元素表现信息对应的信息复杂度大于所述目标元素表现信息对应的构成参数的信息复杂度;
所述第三渲染单元,用于根据所述多个元素表现信息渲染所述程序界面。
基于上述实施例提供的模型训练方法,本申请实施例还提供了一种参模型训练装置,参见图10,图10为本申请实施例提供的一种模型训练装置1000的结构框图,该装置包括第二获取单元1001、第二预测单元1002和调节单元1003:
所述第二获取单元1001,用于获取样本构成参数集合,所述样本构成参数集合包括M个时间点分别对应的样本构成参数,构成参数用于控制构成元素在目标程序的程序界面中的表现形式,构成元素用于构成所述程序界面,所述M个时间点中相邻的时间点之间间隔第二时间步长,所述第二时间步长为任意时间步长;
所述第二预测单元1002,用于通过初始参数预测模型,根据所述M个时间点中第m-1个时间点和第m个时间点分别对应的样本构成参数,预测第m+1个时间点对应的待定构成参数,M为大于2的正整数,m为大于1小于M的正整数;
所述调节单元1003,用于根据所述待定构成参数与所述第m+1个时间点对应的样本构成参数之间的差异,调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型,所述参数预测模型用于根据第一时间点对应的历史构成参数和第二时间点对应的目标构成参数,预测第三时间点对应的未来构成参数,所述第二时间点为在所述第一时间点之后经过第一时间步长达到的时间点,所述第三时间点为在所述第二时间点之后经过所述第一时间步长达到的时间点。
在一种可能的实现方式中,所述装置还包括第四确定单元和第五确定单元:
所述第四确定单元,用于根据所述M个时间点分别对应的构成参数确定样本构成分布参数,所述样本构成分布参数用于表征构成参数在所述M个时间点中的参数分布方式;
所述第五确定单元,用于根据多个待分析构成参数确定第一待定构成分布参数,所述第一待定构成分布参数用于表征构成参数在所述多个待分析构成参数中的参数分布方式,所述多个待分析构成参数包括所述M个时间点中的前m个时间点对应的样本构成参数和所述待定构成参数;
所述调节单元1003具体用于:
根据所述待定构成参数与所述第m+1个时间点对应的样本构成参数之间的差异,以及所述样本构成分布参数和所述第一待定构成分布参数之间的差异,调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型。
在一种可能的实现方式中,所述装置还包括第六确定单元:
所述第六确定单元,用于根据所述M个时间点分别对应的构成参数确定样本构成分布参数,所述样本构成分布参数用于表征构成参数在所述M个时间点中的参数分布方式;
所述第二预测单元1002具体用于:
根据所述第m-1个时间点对应的样本构成参数和所述样本构成分布参数生成第四参数,以及根据所述第m个时间点对应的样本构成参数和所述样本构成分布参数生成第五参数;
根据所述第四参数和所述第五参数确定第六参数,所述第六参数包括所述初始参数预测模型预测的所述待定构成参数和第二待定构成分布参数,所述第二待定构成分布参数用于表征所述初始参数预测模型预测的构成参数在前m+1个时间点中的参数分布方式;
所述调节单元1003具体用于:
根据所述第m+1个时间点对应的样本构成参数和所述样本构成分布参数生成第七参数;
根据所述第六参数和所述第七参数之间的差异调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型。
本申请实施例还提供了一种计算机设备,请参见图11所示,该计算机设备可以是终端设备,以终端设备为手机为例:
图11示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图11,手机包括:射频(Radio Frequency,简称RF)电路710、存储器720、输入单元730、显示单元740、传感器750、音频电路760、无线保真(Wireless Fidelity,简称WiFi)模块770、处理器780、以及电源790等部件。本领域技术人员可以理解,图11中示出的手机结构并不构成对手机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图11对手机的各个构成部件进行具体的介绍:
RF电路710可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器780处理;另外,将设计上行的数据发送给基站。通常,RF电路710包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,简称LNA)、双工器等。此外,RF电路710还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(Global System of Mobile communication,简称GSM)、通用分组无线服务(GeneralPacket Radio Service,简称GPRS)、码分多址(Code Division Multiple Access,简称CDMA)、宽带码分多址(Wideband Code Division Multiple Access,简称WCDMA)、长期演进(Long Term Evolution,简称LTE)、电子邮件、短消息服务(Short Messaging Service,简称SMS)等。
存储器720可用于存储软件程序以及模块,处理器780通过运行存储在存储器720的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器720可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器720可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元730可用于接收输入的数字或字符信息,以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地,输入单元730可包括触控面板731以及其他输入设备732。触控面板731,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板731上或在触控面板731附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板731可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器780,并能接收处理器780发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板731。除了触控面板731,输入单元730还可以包括其他输入设备732。具体地,其他输入设备732可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元740可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元740可包括显示面板741,可选的,可以采用液晶显示器(Liquid CrystalDisplay,简称LCD)、有机发光二极管(Organic Light-Emitting Diode,简称OLED)等形式来配置显示面板741。进一步的,触控面板731可覆盖显示面板741,当触控面板731检测到在其上或附近的触摸操作后,传送给处理器780以确定触摸事件的类型,随后处理器780根据触摸事件的类型在显示面板741上提供相应的视觉输出。虽然在图11中,触控面板731与显示面板741是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板731与显示面板741集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器750,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板741的亮度,接近传感器可在手机移动到耳边时,关闭显示面板741和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等; 至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路760、扬声器761,传声器762可提供用户与手机之间的音频接口。音频电路760可将接收到的音频数据转换后的电信号,传输到扬声器761,由扬声器761转换为声音信号输出;另一方面,传声器762将收集的声音信号转换为电信号,由音频电路760接收后转换为音频数据,再将音频数据输出处理器780处理后,经RF电路710以发送给比如另一手机,或者将音频数据输出至存储器720以便进一步处理。
WiFi属于短距离无线传输技术,手机通过WiFi模块770可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图11示出了WiFi模块770,但是可以理解的是,其并不属于手机的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器780是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器720内的软件程序和/或模块,以及调用存储在存储器720内的数据,执行手机的各种功能和处理数据,从而对手机进行整体检测。可选的,处理器780可包括一个或多个处理单元;优选的,处理器780可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器780中。
手机还包括给各个部件供电的电源790(比如电池),优选的,电源可以通过电源管理系统与处理器780逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出,手机还可以包括摄像头、蓝牙模块等,在此不再赘述。
在本实施例中,该终端设备所包括的处理器780还具有以下功能:
获取第i轮预测所需的历史构成参数和目标构成参数,所述历史构成参数对应第一时间点,所述目标构成参数对应第二时间点,构成参数用于控制构成元素在目标程序的程序界面中的表现形式,构成元素用于构成所述程序界面,所述第二时间点为在所述第一时间点之后经过第一时间步长达到的时间点,所述第i轮预测为N轮预测中的任意一轮预测,N为大于0的正整数,i为不大于N的正整数;
通过参数预测模型,根据所述历史构成参数和所述目标构成参数预测所述第i轮预测对应的未来构成参数,所述未来构成参数对应第三时间点,所述第三时间点为在所述第二时间点之后经过所述第一时间步长达到的时间点,所述参数预测模型用于根据目标时间点和在所述目标时间点之前,与所述目标时间点之间间隔第二时间步长的历史时间点分别对应的构成参数,预测在所述目标时间点之后经过所述第二时间步长的未来时间点对应的构成参数,所述第二时间步长为任意时间步长。
或,该终端设备所包括的处理器780还具有以下功能:
获取样本构成参数集合,所述样本构成参数集合包括M个时间点分别对应的样本构成参数,构成参数用于控制构成元素在目标程序的程序界面中的表现形式,构成元素用于构成所述程序界面,所述M个时间点中相邻的时间点之间间隔第二时间步长,所述第二时间步长为任意时间步长;
通过初始参数预测模型,根据所述M个时间点中第m-1个时间点和第m个时间点分别对应的样本构成参数,预测第m+1个时间点对应的待定构成参数,M为大于2的正整数,m为大于1小于M的正整数;
根据所述待定构成参数与所述第m+1个时间点对应的样本构成参数之间的差异,调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型,所述参数预测模型用于根据第一时间点对应的历史构成参数和第二时间点对应的目标构成参数,预测第三时间点对应的未来构成参数,所述第二时间点为在所述第一时间点之后经过第一时间步长达到的时间点,所述第三时间点为在所述第二时间点之后经过所述第一时间步长达到的时间点。
本申请实施例还提供一种服务器,请参见图12所示,图12为本申请实施例提供的服务器800的结构图,服务器800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,简称CPU)822(例如,一个或一个以上处理器)和存储器832,一个或一个以上存储应用程序842或数据844的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器832和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器822可以设置为与存储介质830通信,在服务器800上执行存储介质830中的一系列指令操作。
服务器800还可以包括一个或一个以上电源826,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口858,和/或,一个或一个以上操作系统841,例如Windows ServerTM,Mac OS XTM,UnixTM, LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于图12所示的服务器结构。
本申请实施例还提供一种计算机可读存储介质,用于存储计算机程序,该计算机程序用于执行前述各个实施例所述的参数训练方法或模型训练方法中的任意一种实施方式。
本申请实施例还提供了一种包括计算机程序的计算机程序产品,当其在计算机设备上运行时,使得所述计算机设备执行上述实施例中任意一项所述的参数训练方法或模型训练方法。
可以理解的是,在本申请的具体实施方式中,涉及到用户信息(如用户在游戏中产生的游戏界面图像)等相关的数据,当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:read-only memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,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,对于设备及系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (23)
1.一种参数预测方法,其特征在于,所述方法包括:
获取第i轮预测所需的历史构成参数和目标构成参数,所述历史构成参数对应第一时间点,所述目标构成参数对应第二时间点,构成参数用于控制构成元素在目标程序的程序界面中的表现形式,构成元素用于构成所述程序界面,所述第二时间点为在所述第一时间点之后经过第一时间步长达到的时间点,所述第i轮预测为N轮预测中的任意一轮预测,N为大于0的正整数,i为不大于N的正整数;
通过参数预测模型,根据所述历史构成参数和所述目标构成参数预测所述第i轮预测对应的未来构成参数,所述未来构成参数对应第三时间点,所述第三时间点为在所述第二时间点之后经过所述第一时间步长达到的时间点,所述第一时间点、所述第二时间点和所述第三时间点为一组相邻时间点,所述参数预测模型用于根据目标时间点和在所述目标时间点之前,与所述目标时间点之间间隔第二时间步长的历史时间点分别对应的构成参数,预测在所述目标时间点之后经过所述第二时间步长的未来时间点对应的构成参数,所述第二时间步长为任意时间步长;
当根据前i-1轮预测对应的构成参数确定构成分布参数时,所述根据所述历史构成参数和所述目标构成参数预测所述第i轮预测对应的未来构成参数,包括:
根据所述历史构成参数和所述构成分布参数生成第一参数,以及根据所述目标构成参数和所述构成分布参数生成第二参数;所述构成分布参数用于表征构成参数在所述前i-1轮预测中的参数分布方式;
根据所述第一参数和所述第二参数确定第三参数,所述第三参数包括所述参数预测模型预测的所述未来构成参数和预测分布参数,所述预测分布参数为所述参数预测模型根据所述第一参数和所述第二参数预测得到的构成分布参数,所述预测分布参数用于表征构成参数在前i轮预测中的参数分布方式,所述预测分布参数与所述构成分布参数之间的差异小于第一预设阈值;
从所述第三参数中确定所述未来构成参数。
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:
将所述第i轮预测所需的目标构成参数确定为所述N轮预测中第i+1轮预测所需的历史构成参数,所述第i轮预测对应的未来构成参数确定为所述第i+1轮预测预测所需的目标构成参数,执行所述第i+1轮预测,所述N具体为大于1的正整数,所述i具体为小于N的正整数。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
在执行所述第i轮预测后,确定前i轮预测对应的构成参数所对应的多个时间点是否满足时间点需求;
所述将所述第i轮预测所需的目标构成参数确定为所述N轮预测中第i+1轮预测所需的历史构成参数,所述第i轮预测对应的未来构成参数确定为所述第i+1轮预测预测所需的目标构成参数,执行所述第i+1轮预测,包括:
基于所述多个时间点不满足所述时间点需求,将所述第i轮预测所需的目标构成参数确定为所述N轮预测中第i+1轮预测所需的历史构成参数,所述第i轮预测对应的未来构成参数确定为所述第i+1轮预测所需的目标构成参数,执行所述第i+1轮预测。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
基于所述多个时间点满足所述时间点需求,根据所述前i轮预测对应的构成参数渲染所述程序界面,所述程序界面在所述多个时间点分别对应的构成元素满足所述多个时间点分别对应的构成参数。
5.根据权利要求1所述的方法,其特征在于,所述目标程序为游戏程序,所述程序界面为所述游戏程序对应的游戏界面,所述构成元素包括游戏对象和游戏场景中的任意一种或多种的组合,所述构成参数包括对象位置参数、对象动作参数、对象移动轨迹参数、动作持续时长参数、游戏场景参数中的任意一种或多种的组合;
在所述目标构成参数中,所述对象位置参数用于标识所述游戏对象在目标游戏界面中的第一对象位置,所述目标游戏界面为对应所述第二时间点的游戏界面,所述对象动作参数用于标识所述游戏对象在所述目标游戏界面中对应的对象动作,所述对象移动轨迹参数用于标识所述游戏对象由第二对象位置变更为所述第一对象位置的位置变更方式,所述第二对象位置为所述游戏对象在对应所述第一时间点的游戏界面中对应的对象位置,所述动作持续时长参数用于标识所述游戏对象在所述目标游戏界面中对应的对象动作的持续时长,所述游戏场景参数用于表征所述目标游戏界面对应的游戏场景。
6.根据权利要求1所述的方法,其特征在于,所述获取第i轮预测所需的历史构成参数和目标构成参数,包括:
获取所述程序界面在所述第一时间点对应的第一界面图像和在所述第二时间点对应的第二界面图像;
对所述第一界面图像进行构成参数识别,得到所述第i轮预测所需的历史构成参数,以及对所述第二界面图像进行构成参数识别,得到所述第i轮预测所需的目标构成参数。
7.根据权利要求6所述的方法,其特征在于,所述目标程序为游戏程序,所述第一界面图像和所述第二界面图像为所述游戏程序的游戏界面对应的图像,所述获取所述程序界面在所述第一时间点对应的第一界面图像和在所述第二时间点对应的第二界面图像,包括:
基于在所述第二时间点获取游戏自动执行请求,获取所述游戏界面在所述第一时间点对应的第一界面图像和在所述第二时间点对应的第二界面图像,所述游戏自动执行请求用于请求基于预测得到的构成参数自动渲染所述游戏界面;
所述方法还包括:
根据所述N轮预测对应的构成参数渲染所述游戏界面。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据构成参数与元素表现信息之间的映射关系和所述N轮预测对应的多个构成参数,确定所述N轮预测对应的多个元素表现信息,元素表现信息用于使所述目标程序基于所对应构成参数表征的构成元素表现形式渲染所述程序界面,目标元素表现信息对应的信息复杂度大于所述目标元素表现信息对应的构成参数的信息复杂度;
根据所述多个元素表现信息渲染所述程序界面。
9.一种模型训练方法,其特征在于,所述方法包括:
获取样本构成参数集合,所述样本构成参数集合包括M个时间点分别对应的样本构成参数,构成参数用于控制构成元素在目标程序的程序界面中的表现形式,构成元素用于构成所述程序界面,所述M个时间点中相邻的时间点之间间隔第二时间步长,所述第二时间步长为任意时间步长;
通过初始参数预测模型,根据所述M个时间点中第m-1个时间点和第m个时间点分别对应的样本构成参数,预测第m+1个时间点对应的待定构成参数,M为大于2的正整数,m为大于1小于M的正整数;
根据所述待定构成参数与所述第m+1个时间点对应的样本构成参数之间的差异,调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型,所述参数预测模型用于根据第一时间点对应的历史构成参数和第二时间点对应的目标构成参数,预测第三时间点对应的未来构成参数,所述第二时间点为在所述第一时间点之后经过第一时间步长达到的时间点,所述第三时间点为在所述第二时间点之后经过所述第一时间步长达到的时间点,所述第一时间点、所述第二时间点和所述第三时间点为一组相邻时间点;
根据所述M个时间点分别对应的构成参数确定样本构成分布参数,所述样本构成分布参数用于表征构成参数在所述M个时间点中的参数分布方式;
根据多个待分析构成参数确定第一待定构成分布参数,所述第一待定构成分布参数用于表征构成参数在所述多个待分析构成参数中的参数分布方式,所述多个待分析构成参数包括所述M个时间点中的前m个时间点对应的样本构成参数和所述待定构成参数;
所述根据所述待定构成参数与所述第m+1个时间点对应的样本构成参数之间的差异,调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型,包括:
根据所述待定构成参数与所述第m+1个时间点对应的样本构成参数之间的差异,以及所述样本构成分布参数和所述第一待定构成分布参数之间的差异,调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
根据所述M个时间点分别对应的构成参数确定样本构成分布参数,所述样本构成分布参数用于表征构成参数在所述M个时间点中的参数分布方式;
所述根据所述M个时间点中第m-1个时间点和第m个时间点分别对应的样本构成参数,预测第m+1个时间点对应的待定构成参数,包括:
根据所述第m-1个时间点对应的样本构成参数和所述样本构成分布参数生成第四参数,以及根据所述第m个时间点对应的样本构成参数和所述样本构成分布参数生成第五参数;
根据所述第四参数和所述第五参数确定第六参数,所述第六参数包括所述初始参数预测模型预测的所述待定构成参数和第二待定构成分布参数,所述第二待定构成分布参数用于表征所述初始参数预测模型预测的构成参数在前m+1个时间点中的参数分布方式;
所述根据所述待定构成参数与所述第m+1个时间点对应的样本构成参数之间的差异,调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型,包括:
根据所述第m+1个时间点对应的样本构成参数和所述样本构成分布参数生成第七参数;
根据所述第六参数和所述第七参数之间的差异调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型。
11.一种参数预测装置,其特征在于,所述装置包括第一获取单元、第一预测单元和第二确定单元:
所述第一获取单元,用于获取第i轮预测所需的历史构成参数和目标构成参数,所述历史构成参数对应第一时间点,所述目标构成参数对应第二时间点,构成参数用于控制构成元素在目标程序的程序界面中的表现形式,构成元素用于构成所述程序界面,所述第二时间点为在所述第一时间点之后经过第一时间步长达到的时间点,所述第i轮预测为N轮预测中的任意一轮预测,N为大于0的正整数,i为不大于N的正整数;
所述第一预测单元,用于通过参数预测模型,根据所述历史构成参数和所述目标构成参数预测所述第i轮预测对应的未来构成参数,所述未来构成参数对应第三时间点,所述第三时间点为在所述第二时间点之后经过所述第一时间步长达到的时间点,所述第一时间点、所述第二时间点和所述第三时间点为一组相邻时间点,所述参数预测模型用于根据目标时间点和在所述目标时间点之前,与所述目标时间点之间间隔第二时间步长的历史时间点分别对应的构成参数,预测在所述目标时间点之后经过所述第二时间步长的未来时间点对应的构成参数,所述第二时间步长为任意时间步长;
所述第二确定单元,用于根据前i-1轮预测对应的构成参数确定构成分布参数,所述构成分布参数用于表征构成参数在所述前i-1轮预测中的参数分布方式;
所述第一预测单元具体用于:
根据所述历史构成参数、所述目标构成参数和所述构成分布参数,预测所述第i轮预测对应的未来构成参数;
所述第一预测单元具体用于:
根据所述历史构成参数和所述构成分布参数生成第一参数,以及根据所述目标构成参数和所述构成分布参数生成第二参数;
根据所述第一参数和所述第二参数确定第三参数,所述第三参数包括所述参数预测模型预测的所述未来构成参数和预测分布参数,所述预测分布参数为所述参数预测模型根据所述第一参数和所述第二参数预测得到的构成分布参数,所述预测分布参数用于表征构成参数在前i轮预测中的参数分布方式,所述预测分布参数与所述构成分布参数之间的差异小于第一预设阈值;
从所述第三参数中确定所述未来构成参数。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括执行单元:
所述执行单元,用于将所述第i轮预测所需的目标构成参数确定为所述N轮预测中第i+1轮预测所需的历史构成参数,所述第i轮预测对应的未来构成参数确定为所述第i+1轮预测所需的目标构成参数,执行所述第i+1轮预测,所述N具体为大于1的正整数,所述i具体为小于N的正整数。
13.根据权利要求12所述的装置,其特征在于,所述装置还包括第一确定单元:
所述第一确定单元,用于在执行所述第i轮预测后,确定前i轮预测对应的构成参数所对应的多个时间点是否满足时间点需求;
所述执行单元具体用于:
基于所述多个时间点不满足所述时间点需求,将所述第i轮预测所需的目标构成参数确定为所述N轮预测中第i+1轮预测所需的历史构成参数,所述第i轮预测对应的未来构成参数确定为所述第i+1轮预测所需的目标构成参数,执行所述第i+1轮预测。
14.根据权利要求13所述的装置,其特征在于,所述装置还包括第一渲染单元:
所述第一渲染单元,用于基于所述多个时间点满足所述时间点需求,根据所述前i轮预测对应的构成参数渲染所述程序界面,所述程序界面在所述多个时间点分别对应的构成元素满足所述多个时间点分别对应的构成参数。
15.根据权利要求11所述的装置,其特征在于,所述目标程序为游戏程序,所述程序界面为所述游戏程序对应的游戏界面,所述构成元素包括游戏对象和游戏场景中的任意一种或多种的组合,所述构成参数包括对象位置参数、对象动作参数、对象移动轨迹参数、动作持续时长参数、游戏场景参数中的任意一种或多种的组合;
在所述目标构成参数中,所述对象位置参数用于标识所述游戏对象在目标游戏界面中的第一对象位置,所述目标游戏界面为对应所述第二时间点的游戏界面,所述对象动作参数用于标识所述游戏对象在所述目标游戏界面中对应的对象动作,所述对象移动轨迹参数用于标识所述游戏对象由第二对象位置变更为所述第一对象位置的位置变更方式,所述第二对象位置为所述游戏对象在对应所述第一时间点的游戏界面中对应的对象位置,所述动作持续时长参数用于标识所述游戏对象在所述目标游戏界面中对应的对象动作的持续时长,所述游戏场景参数用于表征所述目标游戏界面对应的游戏场景。
16.根据权利要求11所述的装置,其特征在于,所述第一获取单元具体用于:
获取所述程序界面在所述第一时间点对应的第一界面图像和在所述第二时间点对应的第二界面图像;
对所述第一界面图像进行构成参数识别,得到所述第i轮预测所需的历史构成参数,以及对所述第二界面图像进行构成参数识别,得到所述第i轮预测所需的目标构成参数。
17.根据权利要求16所述的装置,其特征在于,所述目标程序为游戏程序,所述第一界面图像和所述第二界面图像为所述游戏程序的游戏界面对应的图像,所述第一获取单元具体用于:
基于在所述第二时间点获取游戏自动执行请求,获取所述游戏界面在所述第一时间点对应的第一界面图像和在所述第二时间点对应的第二界面图像,所述游戏自动执行请求用于请求基于预测得到的构成参数自动渲染所述游戏界面;
所述装置还包括第二渲染单元:
所述第二渲染单元,用于根据所述N轮预测对应的构成参数渲染所述游戏界面。
18.根据权利要求17所述的装置,其特征在于,所述装置还包括第三确定单元和第三渲染单元:
所述第三确定单元,用于根据构成参数与元素表现信息之间的映射关系和所述N轮预测对应的多个构成参数,确定所述N轮预测对应的多个元素表现信息,元素表现信息用于使所述目标程序基于所对应构成参数表征的构成元素表现形式渲染所述程序界面,目标元素表现信息对应的信息复杂度大于所述目标元素表现信息对应的构成参数的信息复杂度;
所述第三渲染单元,用于根据所述多个元素表现信息渲染所述程序界面。
19.一种模型训练装置,其特征在于,所述装置包括第二获取单元、第二预测单元、调节单元、第四确定单元和第五确定单元:
所述第二获取单元,用于获取样本构成参数集合,所述样本构成参数集合包括M个时间点分别对应的样本构成参数,构成参数用于控制构成元素在目标程序的程序界面中的表现形式,构成元素用于构成所述程序界面,所述M个时间点中相邻的时间点之间间隔第二时间步长,所述第二时间步长为任意时间步长;
所述第二预测单元,用于通过初始参数预测模型,根据所述M个时间点中第m-1个时间点和第m个时间点分别对应的样本构成参数,预测第m+1个时间点对应的待定构成参数,M为大于2的正整数,m为大于1小于M的正整数;
所述调节单元,用于根据所述待定构成参数与所述第m+1个时间点对应的样本构成参数之间的差异,调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型,所述参数预测模型用于根据第一时间点对应的历史构成参数和第二时间点对应的目标构成参数,预测第三时间点对应的未来构成参数,所述第二时间点为在所述第一时间点之后经过第一时间步长达到的时间点,所述第三时间点为在所述第二时间点之后经过所述第一时间步长达到的时间点,所述第一时间点、所述第二时间点和所述第三时间点为一组相邻时间点;
所述第四确定单元,用于根据所述M个时间点分别对应的构成参数确定样本构成分布参数,所述样本构成分布参数用于表征构成参数在所述M个时间点中的参数分布方式;
所述第五确定单元,用于根据多个待分析构成参数确定第一待定构成分布参数,所述第一待定构成分布参数用于表征构成参数在所述多个待分析构成参数中的参数分布方式,所述多个待分析构成参数包括所述M个时间点中的前m个时间点对应的样本构成参数和所述待定构成参数;
所述调节单元具体用于:
根据所述待定构成参数与所述第m+1个时间点对应的样本构成参数之间的差异,以及所述样本构成分布参数和所述第一待定构成分布参数之间的差异,调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型。
20.根据权利要求19所述的装置,其特征在于,所述装置还包括第六确定单元:
所述第六确定单元,用于根据所述M个时间点分别对应的构成参数确定样本构成分布参数,所述样本构成分布参数用于表征构成参数在所述M个时间点中的参数分布方式;
所述第二预测单元具体用于:
根据所述第m-1个时间点对应的样本构成参数和所述样本构成分布参数生成第四参数,以及根据所述第m个时间点对应的样本构成参数和所述样本构成分布参数生成第五参数;
根据所述第四参数和所述第五参数确定第六参数,所述第六参数包括所述初始参数预测模型预测的所述待定构成参数和第二待定构成分布参数,所述第二待定构成分布参数用于表征所述初始参数预测模型预测的构成参数在前m+1个时间点中的参数分布方式;
所述调节单元具体用于:
根据所述第m+1个时间点对应的样本构成参数和所述样本构成分布参数生成第七参数;
根据所述第六参数和所述第七参数之间的差异调节所述初始参数预测模型对应的模型参数,得到所述参数预测模型。
21.一种计算机设备,其特征在于,所述计算机设备包括处理器以及存储器:
所述存储器用于存储计算机程序,并将所述计算机程序传输给所述处理器;
所述处理器用于根据所述计算机程序中的指令执行权利要求1-8中任一项所述的参数预测方法,或执行权利要求9-10中任一项所述的模型训练方法。
22.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行权利要求1-8中任一项所述的参数预测方法,或执行权利要求9-10中任一项所述的模型训练方法。
23.一种计算机程序产品,其特征在于,所述计算机程序产品包括指令,当所述指令在计算机设备上运行时,使得所述计算机程序用于执行权利要求1-8中任一项所述的参数预测方法,或执行权利要求9-10中任一项所述的模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410043022.XA CN117555815B (zh) | 2024-01-11 | 2024-01-11 | 参数预测方法、模型训练方法和相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410043022.XA CN117555815B (zh) | 2024-01-11 | 2024-01-11 | 参数预测方法、模型训练方法和相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117555815A CN117555815A (zh) | 2024-02-13 |
CN117555815B true CN117555815B (zh) | 2024-04-30 |
Family
ID=89817023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410043022.XA Active CN117555815B (zh) | 2024-01-11 | 2024-01-11 | 参数预测方法、模型训练方法和相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117555815B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012022530A (ja) * | 2010-07-14 | 2012-02-02 | Nippon Telegr & Teleph Corp <Ntt> | 行動予測装置、方法及びプログラム |
JP2017083963A (ja) * | 2015-10-23 | 2017-05-18 | 日本電信電話株式会社 | パラメータ推定装置、予測装置、方法、及びプログラム |
CN115671726A (zh) * | 2022-12-29 | 2023-02-03 | 腾讯科技(深圳)有限公司 | 游戏数据渲染方法、装置、设备及存储介质 |
CN115888110A (zh) * | 2022-12-22 | 2023-04-04 | 网易(杭州)网络有限公司 | 一种运动时间预测方法、装置、计算机设备及存储介质 |
WO2023071221A1 (zh) * | 2021-10-29 | 2023-05-04 | 上海商汤智能科技有限公司 | 一种游戏中的交互方法、装置、计算机设备、存储介质、计算机程序及计算机程序产品 |
CN116348184A (zh) * | 2020-10-09 | 2023-06-27 | 交互数字Vc控股法国有限公司 | 游戏应用程序中利用基于深度学习的预测的延迟管理 |
CN116764235A (zh) * | 2022-03-08 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 数据处理方法及相关装置 |
CN116863042A (zh) * | 2022-03-21 | 2023-10-10 | 腾讯科技(深圳)有限公司 | 虚拟对象的动作生成方法及动作生成模型的训练方法 |
CN116954627A (zh) * | 2023-02-28 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 游戏产品的参数预测方法、装置、设备、介质及程序产品 |
CN117217327A (zh) * | 2023-02-17 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 一种模型训练方法和相关装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3449323A4 (en) * | 2016-04-28 | 2020-04-01 | Veritone Alpha, Inc. | USE OF PREDICTIONS TO CONTROL TARGET SYSTEMS |
-
2024
- 2024-01-11 CN CN202410043022.XA patent/CN117555815B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012022530A (ja) * | 2010-07-14 | 2012-02-02 | Nippon Telegr & Teleph Corp <Ntt> | 行動予測装置、方法及びプログラム |
JP2017083963A (ja) * | 2015-10-23 | 2017-05-18 | 日本電信電話株式会社 | パラメータ推定装置、予測装置、方法、及びプログラム |
CN116348184A (zh) * | 2020-10-09 | 2023-06-27 | 交互数字Vc控股法国有限公司 | 游戏应用程序中利用基于深度学习的预测的延迟管理 |
WO2023071221A1 (zh) * | 2021-10-29 | 2023-05-04 | 上海商汤智能科技有限公司 | 一种游戏中的交互方法、装置、计算机设备、存储介质、计算机程序及计算机程序产品 |
CN116764235A (zh) * | 2022-03-08 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 数据处理方法及相关装置 |
CN116863042A (zh) * | 2022-03-21 | 2023-10-10 | 腾讯科技(深圳)有限公司 | 虚拟对象的动作生成方法及动作生成模型的训练方法 |
CN115888110A (zh) * | 2022-12-22 | 2023-04-04 | 网易(杭州)网络有限公司 | 一种运动时间预测方法、装置、计算机设备及存储介质 |
CN115671726A (zh) * | 2022-12-29 | 2023-02-03 | 腾讯科技(深圳)有限公司 | 游戏数据渲染方法、装置、设备及存储介质 |
CN117217327A (zh) * | 2023-02-17 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 一种模型训练方法和相关装置 |
CN116954627A (zh) * | 2023-02-28 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 游戏产品的参数预测方法、装置、设备、介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN117555815A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10943091B2 (en) | Facial feature point tracking method, apparatus, storage medium, and device | |
CN112364439B (zh) | 自动驾驶系统的仿真测试方法、装置以及存储介质 | |
CN110163367B (zh) | 一种终端部署方法和装置 | |
CN108268366B (zh) | 测试用例执行方法及装置 | |
CN104850434A (zh) | 多媒体资源下载方法及装置 | |
CN110162603B (zh) | 一种智能对话方法、动态存储方法和装置 | |
US10663521B2 (en) | Method and device for ascertaining required charging time | |
CN110334124B (zh) | 压缩算法选择方法、装置以及设备 | |
TW201515682A (zh) | 一種數據獲取的方法及終端 | |
CN110995810A (zh) | 一种基于人工智能的对象识别方法和相关装置 | |
CN111913848A (zh) | 一种数据监测分析方法及相关设备 | |
CN110276404B (zh) | 模型训练方法、装置及存储介质 | |
CN110956265A (zh) | 一种模型训练方法和相关装置 | |
CN112859136B (zh) | 一种定位方法和相关装置 | |
CN114282169A (zh) | 一种异常数据的检测方法以及相关装置 | |
CN117555815B (zh) | 参数预测方法、模型训练方法和相关装置 | |
CN117217327A (zh) | 一种模型训练方法和相关装置 | |
CN111091180B (zh) | 一种模型训练方法和相关装置 | |
CN112948763B (zh) | 件量预测方法、装置、电子设备及存储介质 | |
CN115884213A (zh) | 一种资源调度方法、装置及电子设备 | |
CN112181508B (zh) | 一种页面自动刷新方法、装置及计算机设备 | |
CN117194206A (zh) | 一种数据处理方法和相关装置 | |
CN114301864B (zh) | 对象识别方法、装置、存储介质及服务器 | |
CN116450808B (zh) | 一种数据的处理方法、装置以及存储介质 | |
CN113648659B (zh) | 一种确定用户活跃度的方法和相关装置 |
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 |