CN117705143A - 出行导航方法、装置、电子设备及存储介质 - Google Patents
出行导航方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117705143A CN117705143A CN202211082195.XA CN202211082195A CN117705143A CN 117705143 A CN117705143 A CN 117705143A CN 202211082195 A CN202211082195 A CN 202211082195A CN 117705143 A CN117705143 A CN 117705143A
- Authority
- CN
- China
- Prior art keywords
- data
- original sample
- trip
- sample
- travel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013145 classification model Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000002372 labelling Methods 0.000 claims description 69
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000006855 networking Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种出行导航方法、装置、电子设备及存储介质,本申请可以应用于云计算、交通、地图车联网等领域,该方法包括:获取目标对象的当前地图特征数据;将当前地图特征数据输入出行意图分类模型,得到目标对象的当前出行意图;根据当前出行意图为目标对象进行出行导航。通过联邦学习以及目标对象对应的多个数据确定对应目标对象的综合权重,根据该综合权重实现对目标对象出行数据的标注,并通过该标注后数据训练得到出行意图分类模型,可根据该出行意图分类模型实现对目标对象出行意图的分类,便于根据目标对象的出行意图为目标对象提供出行服务。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及一种出行导航方法、装置、电子设备及存储介质。
背景技术
随着信息化的发展和出行数据的增多,出行数据的可参考价值越来越大,通过对出行数据的分析有利于对用户出行提供个性化服务。例如,通过对标注出行意图的出行数据的分析,可以根据用户的出行数据分析用户的出行意图。
但是,目前,出行意图的标注还主要依赖于人工,而人工标注的效率较低,且人工成本较大,不利于对用户出行意图的分析以及为用户提供出行服务。
发明内容
本申请实施例提供一种出行导航方法、装置、电子设备及存储介质,可以加快对出行数据的标注,利于出行意图的分析以及提供相应的出行服务。
第一方面,本申请实施例提供了一种出行导航方法,包括:
获取目标对象的当前地图特征数据;
将所述当前地图特征数据输入出行意图分类模型,得到所述目标对象的当前出行意图;
根据所述当前出行意图为所述目标对象进行出行导航;
其中,所述出行意图分类模型根据所述目标对象对应的标注后样本地图特征数据以及所述标注后样本地图特征数据对应的标注出行意图训练得到,所述标注出行意图根据所述标注后样本地图特征数据所属的标注后样本出行数据和对应所述目标对象的综合权重所确定,所述综合权重根据所述目标对象对应的原始样本出行数据中所包含的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及所述原始样本出行数据对应的原始样本出行意图进行联邦学习得到。
第二方面,本申请实施例还提供了一种出行导航装置,包括:
获取模块,用于获取目标对象的当前地图特征数据;
分析模块,用于将所述当前地图特征数据输入出行意图分类模型,得到所述目标对象的当前出行意图;
导航模块,用于根据所述当前出行意图为所述目标对象进行出行导航;
其中,所述出行意图分类模型根据所述目标对象对应的标注后样本地图特征数据以及所述标注后样本地图特征数据对应的标注出行意图训练得到,所述标注出行意图根据所述标注后样本地图特征数据所属的标注后样本出行数据和对应所述目标对象的综合权重所确定,所述综合权重根据所述目标对象对应的原始样本出行数据中所包含的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及所述原始样本出行数据对应的原始样本出行意图进行联邦学习得到。
其中,在本申请的一些实施例中,该装置还包括标注模块,标注模块包括:
原始样本获取单元,用于获取所述目标对象对应的原始样本出行数据,所述原始样本出行数据包括原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据;
分析单元,用于根据所述原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及所述原始样本出行数据对应的原始样本出行意图进行联邦学习,得到对应所述目标对象的综合权重;
待标注样本获取单元,用于获取所述目标对象对应的待标注样本出行数据,所述待标注样本出行数据至少包括待标注样本地图特征数据;
标注单元,用于根据所述综合权重,对所述待标注样本出行数据的出行意图进行标注,得到标注后样本出行数据。
其中,在本申请的一些实施例中,分析单元包括:
划分子单元,用于将所述原始样本出行数据划分为第一类原始样本出行数据和第二类原始样本出行数据;
第一分析子单元,用于根据所述第一类原始样本出行数据中各个原始样本出行数据对应的原始样本出行意图、以及所述各个原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据进行联邦学习,得到对应所述目标对象的初始综合权重;
第二分析子单元,用于根据所述第二类原始样本出行数据中各个原始样本出行数据对应的原始样本出行意图、所述各个原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据、以及所述初始综合权重,确定对应所述目标对象的综合权重。
其中,在本申请的一些实施例中,第一分析子单元具体用于:
针对所述第一类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据对应的原始样本出行意图,确定所述原始样本出行数据中原始样本地图特征数据对应的第一维度权重、原始样本地点属性数据对应的第二维度权重以及原始样本停车数据对应的第三维度权重;
根据所述第一类原始样本出行数据中各个原始样本出行数据的第一维度权重、第二维度权重、第三维度权重、原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据和原始样本出行意图进行联邦学习,得到对应所述目标对象的初始综合权重。
其中,在本申请的一些实施例中,第一分析子单元具体用于:
针对所述第一类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据的第一维度权重、第二维度权重、第三维度权重、原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据,得到所述原始样本出行数据对应的权重计算参数;
针对每个原始样本出行数据,根据所述原始样本出行数据的权重计算参数、原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据和所述原始样本出行数据对应的原始样本出行意图,得到所述原始样本地图特征数据对应的第一参考权重、所述原始样本地点属性数据对应的第二参考权重以及所述原始样本停车数据对应的第三参考权重;
根据所述第一类原始样本出行数据中的各个原始样本出行数据,对所述权重计算参数、所述第一参考权重、所述第二参考权重和所述第三参考权重进行迭代处理,得到原始样本地图特征数据针对各个原始样本出行意图的第一初始综合权重、原始样本地点属性数据针对所述各个原始样本出行意图的第二初始综合权重以及原始样本停车数据针对所述各个原始样本出行意图的第三初始综合权重;
将所述第一初始综合权重、所述第二初始综合权重和所述第三初始综合权重作为对应所述目标对象的初始综合权重。
其中,在本申请的一些实施例中,第二分析子单元具体用于:
针对所述第二类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据对应的原始样本出行意图,从所述第一初始综合权重中筛选出第一目标综合权重、从所述第二初始综合权重中筛选出第二目标综合权重以及从所述第三初始综合权重中筛选出第三目标综合权重;
针对所述第二类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据的原始样本出行意图、原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据、第一目标综合权重、第二目标综合权重和第三目标综合权重,得到所述原始样本地图特征数据对应的第一损失、所述原始样本地点属性数据对应的第二损失和所述原始样本停车数据对应的第三损失;
从所述第二类原始样本出行数据中各个原始样本地图特征数据对应的第一损失中选取值最小的第一损失作为第一目标损失,从所述第二类原始样本出行数据中各个原始样本地点属性数据对应的第二损失中选取值最小的第二损失作为第二目标损失,从所述第二类原始样本出行数据中各个原始样本停车数据对应的第三损失中选取值最小的第三损失作为第三目标损失;
将所述第一目标损失对应的第一初始综合权重值作为原始样本地图特征数据对应的第一综合权重,将所述第二目标损失对应的第二初始综合权重值作为原始样本地点属性数据对应的第二综合权重,将所述第三目标损失对应的第三初始综合权重值作为原始样本停车数据对应的第三综合权重;
将所述第一综合权重、所述第二综合权重以及所述第三综合权重作为对应所述目标对象的综合权重。
其中,在本申请的一些实施例中,标注单元包括:
标注子单元,用于根据所述待标注样本地图特征数据、所述待标注样本地点属性数据、所述待标注样本停车数据、所述第一综合权重、所述第二综合权重以及所述第三综合权重,对所述待标注样本出行数据的出行意图进行标注,得到标注后样本出行数据。
其中,在本申请的一些实施例中,该装置还包括训练模块,训练模块包括:
提取单元,用于从所述标注后样本出行数据中提取出标注出行意图、标注后样本地图特征数据以及所述标注后样本地图特征数据对应的第一综合权重;
训练子单元,用于根据所述标注出行意图、所述标注后样本地图特征数据和所述第一综合权重进行训练,得到出行意图分类模型。
其中,在本申请的一些实施例中,原始样本地图特征数据包括始发地位置经纬度信息、目的地位置经纬度信息、离开始发地时间信息、返回始发地时间信息、到达目的地时间信息或离开目的地时间信息中的至少一种,所述原始样本地点属性数据包括始发地所在位置区域的分类属性信息或目的地所在位置区域的分类属性信息中的至少一种,所述原始样本停车数据包括始发地停车场记录信息、目的地停车场记录信息、停车场收费信息、进入停车场时间信息或离开停车场时间信息中的至少一种。
其中,在本申请的一些实施例中,导航模块包括:
确定单元,用于根据所述当前出行意图确定目标地地理位置信息;
生成单元,用于根据所述目标地地理位置信息生成导航路线;
导航单元,用于根据所述导航路线为所述目标对象进行出现导航。
第三方面,本申请实施例还提供了一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述的出行导航方法中的步骤。
第四方面,本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行本申请实施例所述的各种可选实现方式中提供的方法。
其中,本申请实施例获取目标对象的当前地图特征数据,将当前地图特征数据输入出行意图分类模型,得到目标对象的当前出行意图,根据当前出行意图为目标对象进行出行导航,其中,出行意图分类模型根据目标对象对应的标注后样本地图特征数据及其对应的标注出行意图训练得到的,该标注出行意图是根据标注后样本地图特征数据所述的标注后样本出行数据和对应目标对象的综合权重所确定的,其中,综合权重根据目标对象对应的原始样本出行数据中所包含的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及原始样本出行数据对应的原始样本出行意图进行联邦学习得到的。其中,通过联邦学习确定对应目标对象的综合权重,在保证各个数据安全的情况下,通过多个数据实现对综合权重的确定,提升综合权重确定的准确性。其中,通过联邦学习得到的综合权重对目标对象的出行数据进行标注,相较于人工标注的方式,提升了出行数据标注的效率。其中,通过标注后的出行数据训练得到出行意图分类模型,可以根据出行意图分类模型快速得到目标对象的出行意图,便于根据目标对象的出行意图为目标对象提供出行服务。
附图说明
为了更清楚地说明本申请中的技术方案,下面将对实施例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发明的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的出行导航方法的场景示意图;
图2是本申请实施例提供的出行导航方法的流程示意图;
图3是本申请实施例提供的出行导航方法的另一流程示意图;
图4是本申请实施例提供的出行导航装置的结构示意图;
图5是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例提供一种出行导航方法、装置、电子设备及存储介质。具体地,本申请实施例提供适用于电子设备的出行导航装置,其中,电子设备包括终端或者服务器,其中,终端包括但不限于计算机、平板、手机、智能语音交互设备、车载终端或者飞行器等设备,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN,Content Delivery Network)、以及大数据和人工智能平台等基础云计算服务的云服务器,服务器可以通过有线或无线通信方式进行直接或间接地连接。
其中,在本申请实施例中,可以由终端设备单独执行该出行导航方法,也可以由服务器单独执行该出行导航方法,或者由终端设备和服务器共同执行该出行导航方法,请参阅图1,以终端设备和服务器共同执行出行导航方法为例,其中,出行导航方法的具体执行过程如下:
根据终端设备10获取目标对象的当前地图特征数据,然后将目标对象的当前地图特征数据发送给服务器11,服务器11在接收到终端设备10发送的目标对象的当前地图特征数据后,将目标对象的当前地图特征数据输入到出行意图分类模型中,得到目标对象的当前出行意图,然后将目标对象的当前出行意图发送给终端设备10,终端设备10在接收到服务器11发送的目标对象的当前出行意图后,根据当前出行意图为目标对象提供出行导航。
其中,本申请实施例获取目标对象的当前地图特征数据,将当前地图特征数据输入出行意图分类模型,得到目标对象的当前出行意图,根据当前出行意图为目标对象进行出行导航,其中,出行意图分类模型根据目标对象对应的标注后样本地图特征数据及其对应的标注出行意图训练得到的,该标注出行意图是根据标注后样本地图特征数据所述的标注后样本出行数据和对应目标对象的综合权重所确定的,其中,综合权重根据目标对象对应的原始样本出行数据中所包含的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及原始样本出行数据对应的原始样本出行意图进行联邦学习得到的。其中,通过联邦学习确定对应目标对象的综合权重,在保证各个数据安全的情况下,通过多个数据实现对综合权重的确定,提升综合权重确定的准确性。其中,通过联邦学习得到的综合权重对目标对象的出行数据进行标注,相较于人工标注的方式,提升了出行数据标注的效率。其中,通过标注后的出行数据训练得到出行意图分类模型,可以根据出行意图分类模型快速得到目标对象的出行意图,便于根据目标对象的出行意图为目标对象提供出行服务。
以下分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优先顺序的限定。
请参阅图2,图2为本申请实施例提供的出行导航方法的流程示意图。该出行导航方法的具体流程可以如下:
101、获取目标对象的当前地图特征数据。
其中,在本申请实施例中,目标对象是待确定出行意图的对象,具备移动或者出行能力,例如,该目标对象可以是人(如驾驶人或者乘车人)、车载终端或者无人驾驶设备等。其中,在本申请实施例中,针对驾驶人的地图特征数据,可以通过该驾驶人所驾驶的车载终端的地图导航设备来获取。
其中,在本申请实施例中,地图特征数据是目标对象所在位置对应的地图特征数据,例如,用户所在位置对应的地图特征数据,或者车载终端所在位置对应的地图特征数据,其中,在本申请实施例中,地图特征数据包括目标对象所在的地理位置信息以及相应的时间信息,例如,地图特征数据包括始发地位置经纬度信息、目的地位置经纬度信息、离开始发地时间信息、返回始发地时间信息、到达目的地时间信息或离开目的地时间信息等。其中,当前地图特征数据为目标对象在当前时刻对应的地图特征数据。
其中,通过获取目标对象在当前的地图特征数据,便于根据目标对象的地图特征数据对目标对象的出行意图进行分析,便于根据目标对象的出行意图为目标对象提供相应的出行服务。其中,出行意图表明目标对象的出行的意图,其中,出行意图可以包括要回家、要去公司、要去景点、要去购物等。
102、将所述当前地图特征数据输入出行意图分类模型,得到所述目标对象的当前出行意图。
其中,在本申请实施例中,出行意图分类模型具备对输入的地图特征数据进行分析,判断该地图特征数据对应的出行意图的能力,其中,通过模型对目标对象出行意图的分析,提升了目标对象出行意图的分析效率。
其中,在本申请实施例中,出行意图分类模型是通过样本数据训练后得到的,例如,在本申请实施例中,通过目标对象对应的标注后样本地图特征数据以及该标注后样本地图特征数据对应的标注出行意图训练得到。
其中,在本申请实施例中,样本地图特征数据对应的标注出行意图可以根据该样本地图特征数据所属的标注后样本出行数据和对应该目标对象的综合权重来确定,该综合权重可以根据该目标对象对应的原始样本出行数据中所包含的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及所属原始样本出行数据对应的原始样本出行意图进行联邦学习得到,即,可选的,在本申请的一些实施例中,步骤“获取目标对象的当前地图特征数据”之前,该方法还包括:
获取所述目标对象对应的原始样本出行数据,所述原始样本出行数据包括原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据;
根据所述原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及所述原始样本出行数据对应的原始样本出行意图进行联邦学习,得到对应所述目标对象的综合权重;
获取所述目标对象对应的待标注样本出行数据,所述待标注样本出行数据至少包括待标注样本地图特征数据;
根据所述综合权重,对所述待标注样本出行数据的出行意图进行标注,得到标注后样本出行数据。
其中,在本申请实施例中,原始样本出行数据是目标对象对应的标注了出行意图的样本数据,该标注过程可以通过人工标注的方式实现。
其中,在本申请实施例中,原始样本出行数据是目标对象在历史时刻的出行数据,其中,原始样本出行数据包括目标对象在历史时刻对应的原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据等。其中,原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据分别是目标对象在历史时刻对应的地图特征数据、地点属性数据和停车数据。
其中,在本申请实施例中,待标注样本出行数据是目标对象对应的待标注出行意图的样本出行数据,该待标注样本出行数据可以根据原始样本出行数据在联邦学习后得到的综合权重来标注。其中,该待标注样本出行数据可以包括目标对象在历史时刻出行产生的数据,或者在当前时刻产生的出行数据。
其中,在本申请实施例中,标注后样本出行数据用于对出行意图分类模型的训练,因此,待标注样本出行数据中应至少包括目标对象的待标注样本地图特征数据,相应的,为了提升待标注样本出行数据标注的准确性,待标注样本出行数据中还可以包括目标对象的待标注样本地点属性数据和待标注样本停车数据等。
其中,在本申请实施例中,待标注样本地图特征数据、待标注样本地点属性数据和待标注样本停车数据是目标对象对应的待标注的样本数据,即,待标注的样本地图特征数据、待标注的样本地点属性数据和待标注的样本停车数据。
其中,在本申请实施例中,地点属性数据包括目标对象所在地点的分类属性信息,其中,分类地点属性包括家、公司、酒店或者餐厅等。其中,地点属性数据包括始发地所在位置区域的分类属性信息或目的地所在位置区域的分类属性信息。
其中,在本申请实施例中,停车数据包括目标对象乘车的停车信息,例如,停车数据可以包括始发地停车场记录信息、目的地停车场记录信息、停车场收费信息、进入停车场时间信息或离开停车场时间信息等。
其中,通过目标对象的各个数据联邦学习得到目标对象的综合权重,在保证各个信息安全性的同时,实现利用多个信息完成对目标对象综合权重的确定,提升了综合权重的准确性。
其中,在本申请实施例中,通过原始样本出行数据的联邦学习,得到对应目标对象的综合权重,在利用在综合权重对目标对象的待标注样本出行数据进行标注后,实现利用综合权重对目标对象出行数据的快速标注,相较于人工标注出行意图的方式,本申请实施例可以提升出行数据对应的出行意图的标注效率。
其中,为了提升联邦学习过程中综合权重获取的准确性,可以将原始样本出行数据划分为训练集和测试集,通过测试集的测试提升原始样本出行数据的准确性,即,可选的,在本申请的一些实施例中,步骤“根据所述原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及所述原始样本出行数据对应的原始样本出行意图进行联邦学习,得到对应所述目标对象的综合权重”,包括:
将所述原始样本出行数据划分为第一类原始样本出行数据和第二类原始样本出行数据;
根据所述第一类原始样本出行数据中各个原始样本出行数据对应的原始样本出行意图、以及所述各个原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据进行联邦学习,得到对应所述目标对象的初始综合权重;
根据所述第二类原始样本出行数据中各个原始样本出行数据对应的原始样本出行意图、所述各个原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据、以及所述初始综合权重,确定对应所述目标对象的综合权重。
其中,在本申请实施例中,第一类原始样本出行数据和第二类原始样本出行数据均为目标对象标注出行意图后的出行数据,其中,第一类原始样本出行数据和第二类原始样本出行数据仅存在数据量大小的不同,其中,第一类原始样本出行数据用于训练得到针对目标对象的初始综合权重,第二类原始样本出行数据用于对第一类原始样本出行数据训练得到的初始综合权重进行测试或筛选,因此,在本申请实施例中,可以将第一类原始样本出行数据和第二类原始样本出行数据的数据量设置为8:2的比例。
其中,在本申请实施例中,可以根据第一类原始样本出行数据中每个原始样本出行数据的各个数据的维度权重,通过联邦学习得到针对目标对象的综合权重值,即,可选的,在本申请的一些实施例中,步骤“根据所述第一类原始样本出行数据中各个原始样本出行数据对应的原始样本出行意图、以及所述各个原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据进行联邦学习,得到对应所述目标对象的初始综合权重”,包括:
针对所述第一类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据对应的原始样本出行意图,确定所述原始样本出行数据中原始样本地图特征数据对应的第一维度权重、原始样本地点属性数据对应的第二维度权重以及原始样本停车数据对应的第三维度权重;
根据所述第一类原始样本出行数据中各个原始样本出行数据的第一维度权重、第二维度权重、第三维度权重、原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据和原始样本出行意图进行联邦学习,得到对应所述目标对象的初始综合权重。
其中,在本申请实施例中,维度权重是每个数据所对应的维度的权重,也即每个数据对应的初始权重,例如,第一维度权重是原始样本地图特征数据对应的初始权重,第二维度权重是原始样本地点属性数据对应的初始权重,第三维度权重是原始样本停车数据对应的初始权重。
其中,在本申请实施例中,原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据对应的初始权重可以通过随机的方式生成,例如,根据原始样本出行数据对应的原始样本出行意图,为该原始样本出行数据对应的原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据分别随机生成相应的初始权重。
其中,根据第一类原始样本出行数据中各个原始样本出行数据分别对应的多个维度权重,以及通过联邦学习的来计算目标对象对应的初始综合权重,在保证各个数据安全性的同时,通过综合多个数据以及每个数据对应的维度权重,提升了初始综合权重计算的准确性。
其中,在本申请实施例中,可以根据第一类原始样本出行数据中各个原始样本出行数据分别对应的多个维度权重,通过迭代或者梯度下降的方式计算出对应目标对象的初始综合权重,即,可选的,在本申请的一些实施例中,步骤“根据所述第一类原始样本出行数据中各个原始样本出行数据的第一维度权重、第二维度权重、第三维度权重、原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据和原始样本出行意图进行联邦学习,得到对应所述目标对象的初始综合权重”,包括:
针对所述第一类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据的第一维度权重、第二维度权重、第三维度权重、原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据,得到所述原始样本出行数据对应的权重计算参数;
针对每个原始样本出行数据,根据所述原始样本出行数据的权重计算参数、原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据和所述原始样本出行数据对应的原始样本出行意图,得到所述原始样本地图特征数据对应的第一参考权重、所述原始样本地点属性数据对应的第二参考权重以及所述原始样本停车数据对应的第三参考权重;
根据所述第一类原始样本出行数据中的各个原始样本出行数据,对所述权重计算参数、所述第一参考权重、所述第二参考权重和所述第三参考权重进行迭代处理,得到原始样本地图特征数据针对各个原始样本出行意图的第一初始综合权重、原始样本地点属性数据针对所述各个原始样本出行意图的第二初始综合权重以及原始样本停车数据针对所述各个原始样本出行意图的第三初始综合权重;
将所述第一初始综合权重、所述第二初始综合权重和所述第三初始综合权重作为对应所述目标对象的初始综合权重。
其中,在本申请实施例中,在根据原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据确定目标对象对应的综合权重时,可以对各个数据进行特征提取,得到各个数据对应的特征数据,基于该特征数据确定目标对象对应的综合权重。
其中,通过第一类原始样本出行数据中各个原始样本出行数据对参考权重的迭代处理,得到原始样本地图特征数据针对各个原始样本出行意图的第一初始综合权重、原始样本地点属性数据针对所述各个原始样本出行意图的第二初始综合权重以及原始样本停车数据针对所述各个原始样本出行意图的第三初始综合权重。其中,在本申请实施例中,将第一初始综合权重、第二初始综合权重和第三初始综合权重作为对应目标对象的初始综合权重。
其中,原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据这三方数据分别通过各自对应的维度权重以及特征数据的相乘结果进行传递和迭代处理,保证了各个数据权重和特征数据的安全性。
例如,在本申请实施例中,权重计算参数D可以通过如下公式表示,具体为:
其中,y表示原始样本出行数据对应的出行意图的标签,i表示样本行,即,j表示样本列,xij表示第i个原始样本出行数据中第j列的样本数据,如原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据或者原始样本停车数据等,w表示维度权重,例如,原始样本地图特征数据、原始样本地点属性数据或者原始样本停车数据对应的维度权重,A、B、C分别表示针对原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据。
其中,由于在第一类原始样本出行数据中各个原始样本出行数据迭代处理后,得到的是原始样本地图特征数据针对各个原始样本出行意图的第一初始综合权重、原始样本地点属性数据针对所述各个原始样本出行意图的第二初始综合权重以及原始样本停车数据针对所述各个原始样本出行意图的第三初始综合权重,因此,每个数据分别对应的多个初始综合权重,因此,在本申请实施例中,在根据初始综合权重得到综合权重时,可以从各个数据对应的多个初始综合权重中筛选得到相应的综合权重,即,可选的,在本申请的一些实施例中,步骤“根据所述第二类原始样本出行数据中各个原始样本出行数据对应的原始样本出行意图、所述各个原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据、以及所述初始综合权重,所述对应所述目标对象的综合权重”,包括:
针对所述第二类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据对应的原始样本出行意图,从所述第一初始综合权重中筛选出第一目标综合权重、从所述第二初始综合权重中筛选出第二目标综合权重以及从所述第三初始综合权重中筛选出第三目标综合权重;
针对所述第二类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据的原始样本出行意图、原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据、第一目标综合权重、第二目标综合权重和第三目标综合权重,得到所述原始样本地图特征数据对应的第一损失、所述原始样本地点属性数据对应的第二损失和所述原始样本停车数据对应的第三损失;
从所述第二类原始样本出行数据中各个原始样本地图特征数据对应的第一损失中选取值最小的第一损失作为第一目标损失,从所述第二类原始样本出行数据中各个原始样本地点属性数据对应的第二损失中选取值最小的第二损失作为第二目标损失,从所述第二类原始样本出行数据中各个原始样本停车数据对应的第三损失中选取值最小的第三损失作为第三目标损失;
将所述第一目标损失对应的第一初始综合权重值作为原始样本地图特征数据对应的第一综合权重,将所述第二目标损失对应的第二初始综合权重值作为原始样本地点属性数据对应的第二综合权重,将所述第三目标损失对应的第三初始综合权重值作为原始样本停车数据对应的第三综合权重;
将所述第一综合权重、所述第二综合权重以及所述第三综合权重作为对应所述目标对象的综合权重。
其中,根据各个初始综合权重以及各个原始样本出行数据,得到各个原始样本出行数据对应的损失,通过选取值最小的损失,使得选取的初始综合权重能够更准确。其中,通过选取针对原始样本地图特征数据的值最小的第一损失,可以根据该第一损失得到相应的第一综合权重,选取针对原始样本地点属性数据的值最小的第二损失,可以根据该第二损失得到相应的第二综合权重,选取针对原始样本停车数据的值最小的第三损失,可以根据该第三损失得到相应的第三综合权重。
其中,在本申请实施例中,可以将第一综合权重、第二综合权重和第三综合权重作为目标对象对应的综合权重,便于对目标对象对应的包含地图特征数据、地点属性数据和停车数据的出行数据进行标注,得到该出行数据对应的出行意图,即,可选的,在本申请的一些实施例中,步骤“待标注样本出行数据包括待标注样本地图特征数据、待标注样本地点属性数据和待标注样本停车数据,所述根据所述综合权重,对所述待标注样本出行数据的出行意图进行标注,得到标注后样本出行数据”,包括:
根据所述待标注样本地图特征数据、所述待标注样本地点属性数据、所述待标注样本停车数据、所述第一综合权重、所述第二综合权重以及所述第三综合权重,对所述待标注样本出行数据的出行意图进行标注,得到标注后样本出行数据。
其中,通过原始样本出行数据训练得到目标对象对应的综合权重,可以根据该综合权重对目标对象对应的未标注的出行数据进行标注,其中,通过综合权重标注的方式,相较于人工标注的方式,提升了标注的效率。
其中,在本申请实施例中,在对目标对象的未标注出行数据进行标注后,可以通过标注后的出行数据构建针对目标对象的出行意图分类模型,基于该分类模型,对目标对象的出行意图进行预测或者分析,即,可选的,在本申请的一些实施例中,步骤“获取目标对象的当前地图特征数据”之前,该方法还包括:
从所述标注后样本出行数据中提取出标注出行意图、标注后样本地图特征数据以及所述标注后样本地图特征数据对应的第一综合权重;
根据所述标注出行意图、所述标注后样本地图特征数据和所述第一综合权重进行训练,得到出行意图分类模型。
其中,在本申请实施例中,在对目标对象的出行数据进行标注后,可以冲标注后数据中选取相应的分类数据,构建针对该分类数据的出行分类模型,例如,在本申请实施例中,从标注后出行数据中选取目标对象的地图特征数据,基于该地图特征数据、该地图特征数据对应的第一综合权重以及该地图特征数据对应的出行意图,可以训练得到针对目标对象地图特征数据的出行意图分类模型,即,通过该模型,可以对目标对象的地图特征数据进行分析,得到目标对象的出行意图。
其中,在本申请实施例中,地图特征数据、地点属性数据和停车数据所包含的数据内容不同,相应的,主要通过不同的方式或者渠道来获取到相应的数据,因此,通过联邦学习的方式在保证各方数据安全性的同时,实现根据多个不同的数据对用户出行数据的出行意图的标注。其中,在本申请实施例中,地图特征数据包括始发地位置经纬度信息、目的地位置经纬度信息、离开始发地时间信息、返回始发地时间信息、到达目的地时间信息或离开目的地时间信息中的至少一种,地点属性数据包括始发地所在位置区域的分类属性信息或目的地所在位置区域的分类属性信息中的至少一种,停车数据包括始发地停车场记录信息、目的地停车场记录信息、停车场收费信息、进入停车场时间信息或离开停车场时间信息中的至少一种。
103、根据所述当前出行意图为所述目标对象进行出行导航。
其中,在确定目标对象的出行意图后,便于根据目标对象的出行意图为目标对象提供出行导航。
其中,在本申请实施例中,在确定目标对象的出行意图后,可以根据出行意图中所反映的目标地的地址为目标对象提供出行导航,即,可选的,在本申请的一些实施例中,步骤“根据所述当前出行意图为所述目标对象进行出行导航”,包括:
根据所述当前出行意图确定目标地地理位置信息;
根据所述目标地地理位置信息生成导航路线;
根据所述导航路线为所述目标对象进行出现导航。
其中,通过确定出行意图所反映的目标地地理位置为目标对象提供出行导航,在为目标对象提供出行服务的同时,提升了目标对象的出行体验。
其中,在本申请实施例中,尽管是根据目标对象的地图特征信息得到目标对象的出行意图,但是,在得到目标对象的出行意图后,还可以根据该出行意图对应的地点属性数据或者停车数据对目标对象目的地的地理位置信息进行确定,即,从出行意图所对应的地图特征数据、地点属性数据和停车数据中确定出目标对象的目标地地理位置信息。
其中,本申请实施例获取目标对象的当前地图特征数据,将当前地图特征数据输入出行意图分类模型,得到目标对象的当前出行意图,根据当前出行意图为目标对象进行出行导航,其中,出行意图分类模型根据目标对象对应的标注后样本地图特征数据及其对应的标注出行意图训练得到的,该标注出行意图是根据标注后样本地图特征数据所述的标注后样本出行数据和对应目标对象的综合权重所确定的,其中,综合权重根据目标对象对应的原始样本出行数据中所包含的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及原始样本出行数据对应的原始样本出行意图进行联邦学习得到的。其中,通过联邦学习确定对应目标对象的综合权重,在保证各个数据安全的情况下,通过多个数据实现对综合权重的确定,提升综合权重确定的准确性。其中,通过联邦学习得到的综合权重对目标对象的出行数据进行标注,相较于人工标注的方式,提升了出行数据标注的效率。其中,通过标注后的出行数据训练得到出行意图分类模型,可以根据出行意图分类模型快速得到目标对象的出行意图,便于根据目标对象的出行意图为目标对象提供出行服务。
请参阅图3,图3是本申请实施例提供的出行导航方法的另一流程示意图,其中,该出行导航的流程具体包括:
201、获取车主在地图导航中的出行数据,得到车主对应的地图特征数据、地点属性数据和停车数据。
其中,在本申请实施例中,出行数据包括始发地位置经纬度信息、目的地位置经纬度信息、始发地所在位置区域的分类属性(商业、住宅、景点等)、目的地所在位置区域的分类属性(商业、住宅、景点等)、离开始发地时间、返回始发地时间、到达目的地时间、离开目的地时间、始发地停车场记录信息(家用车、临时车等)、目的地停车场记录信息(家用车、临时车等)、停车场收费、进入停车场时间、离开停车场时间等。
202、对意图标签进行分类,确定每个出行数据对应的出行意图标签。
其中,在本申请实施例中,出行意图可以包括回家、购物、景点或者其他等。相应的,出行意图标签可以分为m类,例如,0表示其他,1表示回家,2表示购物,3表示景点等,标记为{Yi=yi|yi=0,1,2,...,m-1}。
203、提取地图特征数据的特征,得到第一特征数据,提取地点属性数据的特征,得到第二特征数据,提取停车数据的特征,得到第三特征数据。
其中,在本申请实施例中,根据车主的出行数据,计算始发地与目的地之间的时间长度、计算到达目的地与离开目的地的时间长度,计算离开始发地与返回始发地之间的时间长度,通过停车场信息计算停车场停留时间,结合始发地位置经纬度信息、目的地位置经纬度信息得到第一特征数据xA;将始发地所在位置区域的分类属性(商业、住宅、景点等)、目的地所在位置区域的分类属性(商业、住宅、景点等)得到第二特征数据xB;始发地停车场记录信息(家用车、临时车等)、目的地停车场记录信息(家用车、临时车等)、停车场收费、进入停车场时间、离开停车场时间等作为第三特征数据xC。
204、将特征数据第一特征数据、第二特征数据和第三特征数据划分为训练样本和测试样本。
其中,对于第一特征数据按一定比例随机切分为训练样本(比例为а)和测试样本(比例为1-а),例如,按照通用经验将样本随机切分为训练样本:测试样本=8:2(即,按8:2的比例随机切分训练样本和测试样本)。对于第二特征数据按一定比例随机切分为训练样本(比例为а)和测试样本(比例为1-а),例如,按照通用经验将样本随机切分为训练样本:测试样本=8:2(即,按8:2的比例随机切分训练样本和测试样本)。对于第三特征数据按一定比例随机切分为训练样本(比例为а)和测试样本(比例为1-а),例如,按照通用经验将样本随机切分为训练样本:测试样本=8:2(即,按8:2的比例随机切分训练样本和测试样本)。
205、根据地图特征数据、地点属性数据和停车数据构建联邦多分类权重更新模型。
例如,在本申请实施例中,针对地图特征数据的权重更新模型可以通过如下公式表示,具体为:
针对地点属性数据的权重更新模型可以通过如下公式表示,具体为:
针对停车数据的权重更新模型可以通过如下公式表示,具体为:
其中,y表示原始样本出行数据对应的出行意图的标签,i表示样本行,j表示样本列,xij表示第i个原始样本出行数据中第j列的样本数据,如原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据或者原始样本停车数据等,表示原始样本地图特征数据对应的维度权重,例如,原始样本地图特征数据、原始样本地点属性数据或者原始样本停车数据对应的维度权重,A、B、C分别表示针对原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据。
206、将训练样本和训练样本对应的出行意图标签带入到联邦多分类权重更新模型,得到权重序列。
具体的,在本申请实施例中,权重序列可表示为
207、构建损失模型:如下:
其中,表示原始样本地图特征数据对应的维度权重,/>表示原始样本地点属性数据对应的维度权重,/>表示原始样本停车数据对应的维度权重,LA表示针对原始样本地图特征数据的损失模型,LB表示针对原始样本地点属性数据的损失模型,LC表示针对原始样本停车数据的损失模型。
208、将权重序列、测试样本以及测试样本对应的出行意图标签带入到损失模型中,得到损失序列。
具体的,在本申请实施例中,损失序列可表示为:
其中,y表示原始样本出行数据对应的出行意图的标签。
209、选择每个损失序列中损失值最小的损失,以及得到对应的权重向量。
具体的,在本申请实施例中,每个损失序列的最小损失可以表示为相应的,权重向量可以为/>
210、根据权重向量对车主未标注的出行数据进行出行意图标签的标注,得到标注后出行数据及其对应的出行意图标签。
211、从标注后出行数据中选取地图特征数据,并根据该地图特征数据以及对应的出行意图标签进行训练,得到出行意图分类模型。
其中,在本申请实施例中,提取得到的地图特征数据和出行意图标签训练得到出行意图分类模型的归一化层
212、获取车主当前的地图特征数据,并将该地图特征数据输入到出行意图分类模型中,得到该车主的出行意图。
213、根据车主的出行意图,确定车主的目标地地理位置信息,根据该目标地地理位置信息生成导航路线。
例如,在本申请实施例中,通过车主驾车行驶时的地图导航数据,分析车主的出行意图,进行根据出行意图确定车主的目标地地理位置信息,根据该目标地地理位置信息生成相应的导航路线,基于该导航路线为车主提供出行服务。
其中,本申请实施例通过联邦学习以及地图特征数据、地点属性数据、停车数据对分类模型的优化,在保证各个数据安全性的同时,通过多方面的数据对分类模型进行优化,提升了分类模型的准确性。其中,通过权重更新模型得到车主出行数据对应的综合权重,实现对车主出行数据的标注,相较于人工标注出行意图的方式,通过综合权重标注的方式可提升标注效率。其中,通过对车主出行数据的标注,可利用标注后的出行数据训练得到出行意图分类模型,基于该出行意图分类模型对车主的出行意图进行分类,便于根据出行意图为车主提供出行服务。
为便于更好的实施本申请的出行导航方法,本申请还提供一种基于上述出行导航方法的出行导航装置。其中第三目标词语的含义与上述出行导航方法中相同,具体实现细节可以参考方法实施例中的说明。
请参阅图4,图4是本申请实施例提供的出行导航装置的结构示意图,其中,该出行导航装置可以包括:
获取模块301,用于获取目标对象的当前地图特征数据;
分析模块302,用于将所述当前地图特征数据输入出行意图分类模型,得到所述目标对象的当前出行意图;
导航模块303,用于根据所述当前出行意图为所述目标对象进行出行导航;
其中,所述出行意图分类模型根据所述目标对象对应的标注后样本地图特征数据以及所述标注后样本地图特征数据对应的标注出行意图训练得到,所述标注出行意图根据所述标注后样本地图特征数据所属的标注后样本出行数据和对应所述目标对象的综合权重所确定,所述综合权重根据所述目标对象对应的原始样本出行数据中所包含的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及所述原始样本出行数据对应的原始样本出行意图进行联邦学习得到。
其中,在本申请的一些实施例中,该装置还包括标注模块,标注模块包括:
原始样本获取单元,用于获取所述目标对象对应的原始样本出行数据,所述原始样本出行数据包括原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据;
分析单元,用于根据所述原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及所述原始样本出行数据对应的原始样本出行意图进行联邦学习,得到对应所述目标对象的综合权重;
待标注样本获取单元,用于获取所述目标对象对应的待标注样本出行数据,所述待标注样本出行数据至少包括待标注样本地图特征数据;
标注单元,用于根据所述综合权重,对所述待标注样本出行数据的出行意图进行标注,得到标注后样本出行数据。
其中,在本申请的一些实施例中,分析单元包括:
划分子单元,用于将所述原始样本出行数据划分为第一类原始样本出行数据和第二类原始样本出行数据;
第一分析子单元,用于根据所述第一类原始样本出行数据中各个原始样本出行数据对应的原始样本出行意图、以及所述各个原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据进行联邦学习,得到对应所述目标对象的初始综合权重;
第二分析子单元,用于根据所述第二类原始样本出行数据中各个原始样本出行数据对应的原始样本出行意图、所述各个原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据、以及所述初始综合权重,确定对应所述目标对象的综合权重。
其中,在本申请的一些实施例中,第一分析子单元具体用于:
针对所述第一类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据对应的原始样本出行意图,确定所述原始样本出行数据中原始样本地图特征数据对应的第一维度权重、原始样本地点属性数据对应的第二维度权重以及原始样本停车数据对应的第三维度权重;
根据所述第一类原始样本出行数据中各个原始样本出行数据的第一维度权重、第二维度权重、第三维度权重、原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据和原始样本出行意图进行联邦学习,得到对应所述目标对象的初始综合权重。
其中,在本申请的一些实施例中,第一分析子单元具体用于:
针对所述第一类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据的第一维度权重、第二维度权重、第三维度权重、原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据,得到所述原始样本出行数据对应的权重计算参数;
针对每个原始样本出行数据,根据所述原始样本出行数据的权重计算参数、原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据和所述原始样本出行数据对应的原始样本出行意图,得到所述原始样本地图特征数据对应的第一参考权重、所述原始样本地点属性数据对应的第二参考权重以及所述原始样本停车数据对应的第三参考权重;
根据所述第一类原始样本出行数据中的各个原始样本出行数据,对所述权重计算参数、所述第一参考权重、所述第二参考权重和所述第三参考权重进行迭代处理,得到原始样本地图特征数据针对各个原始样本出行意图的第一初始综合权重、原始样本地点属性数据针对所述各个原始样本出行意图的第二初始综合权重以及原始样本停车数据针对所述各个原始样本出行意图的第三初始综合权重;
将所述第一初始综合权重、所述第二初始综合权重和所述第三初始综合权重作为对应所述目标对象的初始综合权重。
其中,在本申请的一些实施例中,第二分析子单元具体用于:
针对所述第二类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据对应的原始样本出行意图,从所述第一初始综合权重中筛选出第一目标综合权重、从所述第二初始综合权重中筛选出第二目标综合权重以及从所述第三初始综合权重中筛选出第三目标综合权重;
针对所述第二类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据的原始样本出行意图、原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据、第一目标综合权重、第二目标综合权重和第三目标综合权重,得到所述原始样本地图特征数据对应的第一损失、所述原始样本地点属性数据对应的第二损失和所述原始样本停车数据对应的第三损失;
从所述第二类原始样本出行数据中各个原始样本地图特征数据对应的第一损失中选取值最小的第一损失作为第一目标损失,从所述第二类原始样本出行数据中各个原始样本地点属性数据对应的第二损失中选取值最小的第二损失作为第二目标损失,从所述第二类原始样本出行数据中各个原始样本停车数据对应的第三损失中选取值最小的第三损失作为第三目标损失;
将所述第一目标损失对应的第一初始综合权重值作为原始样本地图特征数据对应的第一综合权重,将所述第二目标损失对应的第二初始综合权重值作为原始样本地点属性数据对应的第二综合权重,将所述第三目标损失对应的第三初始综合权重值作为原始样本停车数据对应的第三综合权重;
将所述第一综合权重、所述第二综合权重以及所述第三综合权重作为对应所述目标对象的综合权重。
其中,在本申请的一些实施例中,标注单元包括:
标注子单元,用于根据所述待标注样本地图特征数据、所述待标注样本地点属性数据、所述待标注样本停车数据、所述第一综合权重、所述第二综合权重以及所述第三综合权重,对所述待标注样本出行数据的出行意图进行标注,得到标注后样本出行数据。
其中,在本申请的一些实施例中,该装置还包括训练模块,训练模块包括:
提取单元,用于从所述标注后样本出行数据中提取出标注出行意图、标注后样本地图特征数据以及所述标注后样本地图特征数据对应的第一综合权重;
训练子单元,用于根据所述标注出行意图、所述标注后样本地图特征数据和所述第一综合权重进行训练,得到出行意图分类模型。
其中,在本申请的一些实施例中,原始样本地图特征数据包括始发地位置经纬度信息、目的地位置经纬度信息、离开始发地时间信息、返回始发地时间信息、到达目的地时间信息或离开目的地时间信息中的至少一种,所述原始样本地点属性数据包括始发地所在位置区域的分类属性信息或目的地所在位置区域的分类属性信息中的至少一种,所述原始样本停车数据包括始发地停车场记录信息、目的地停车场记录信息、停车场收费信息、进入停车场时间信息或离开停车场时间信息中的至少一种。
其中,在本申请的一些实施例中,导航模块303包括:
确定单元,用于根据所述当前出行意图确定目标地地理位置信息;
生成单元,用于根据所述目标地地理位置信息生成导航路线;
导航单元,用于根据所述导航路线为所述目标对象进行出现导航。
本申请实施例由待测组件获取模块301获取目标对象的当前地图特征数据,接着,由上游组件分析模块302将所述当前地图特征数据输入出行意图分类模型,得到所述目标对象的当前出行意图,随后,由导航模块303根据所述当前出行意图为所述目标对象进行出行导航。
其中,所述出行意图分类模型根据所述目标对象对应的标注后样本地图特征数据以及所述标注后样本地图特征数据对应的标注出行意图训练得到,所述标注出行意图根据所述标注后样本地图特征数据所属的标注后样本出行数据和对应所述目标对象的综合权重所确定,所述综合权重根据所述目标对象对应的原始样本出行数据中所包含的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及所述原始样本出行数据对应的原始样本出行意图进行联邦学习得到。
其中,本申请实施例获取目标对象的当前地图特征数据,将当前地图特征数据输入出行意图分类模型,得到目标对象的当前出行意图,根据当前出行意图为目标对象进行出行导航,其中,出行意图分类模型根据目标对象对应的标注后样本地图特征数据及其对应的标注出行意图训练得到的,该标注出行意图是根据标注后样本地图特征数据所述的标注后样本出行数据和对应目标对象的综合权重所确定的,其中,综合权重根据目标对象对应的原始样本出行数据中所包含的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及原始样本出行数据对应的原始样本出行意图进行联邦学习得到的。其中,通过联邦学习确定对应目标对象的综合权重,在保证各个数据安全的情况下,通过多个数据实现对综合权重的确定,提升综合权重确定的准确性。其中,通过联邦学习得到的综合权重对目标对象的出行数据进行标注,相较于人工标注的方式,提升了出行数据标注的效率。其中,通过标注后的出行数据训练得到出行意图分类模型,可以根据出行意图分类模型快速得到目标对象的出行意图,便于根据目标对象的出行意图为目标对象提供出行服务。
此外,本申请还提供一种电子设备,如图5所示,其示出了本申请所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图5中示出的电子设备结构并不构成对电子设备的限定,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。其中:
处理器401是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401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、对象界面和应用程序等,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401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及出行导航。存储器402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电子设备的使用所创建的数据等。此外,存储器402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。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401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。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与对象设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现本申请所提供的任一种出行导航方法中的步骤。
本申请实施例获取目标对象的当前地图特征数据,将当前地图特征数据输入出行意图分类模型,得到目标对象的当前出行意图,根据当前出行意图为目标对象进行出行导航,其中,出行意图分类模型根据目标对象对应的标注后样本地图特征数据及其对应的标注出行意图训练得到的,该标注出行意图是根据标注后样本地图特征数据所述的标注后样本出行数据和对应目标对象的综合权重所确定的,其中,综合权重根据目标对象对应的原始样本出行数据中所包含的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及原始样本出行数据对应的原始样本出行意图进行联邦学习得到的。其中,通过联邦学习确定对应目标对象的综合权重,在保证各个数据安全的情况下,通过多个数据实现对综合权重的确定,提升综合权重确定的准确性。其中,通过联邦学习得到的综合权重对目标对象的出行数据进行标注,相较于人工标注的方式,提升了出行数据标注的效率。其中,通过标注后的出行数据训练得到出行意图分类模型,可以根据出行意图分类模型快速得到目标对象的出行意图,便于根据目标对象的出行意图为目标对象提供出行服务。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序能够被处理器进行加载,以执行本申请所提供的任一种出行导航方法中的步骤。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请所提供的任一种出行导航方法中的步骤,因此,可以实现本申请所提供的任一种出行导航方法所能实现的有益效果,详见前面的实施例,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或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行本申请实施例所述的各种可选实现方式中提供的方法。
以上对本申请所提供的一种出行导航方法、装置、电子设备以及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
其中,可以理解的是,在本申请的具体实施方式中,涉及到用户的出行的地图特征数据、地点属性数据、停车数据和出行意图等相关的数据,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。
Claims (13)
1.一种出行导航方法,其特征在于,包括:
获取目标对象的当前地图特征数据;
将所述当前地图特征数据输入出行意图分类模型,得到所述目标对象的当前出行意图;
根据所述当前出行意图为所述目标对象进行出行导航;
其中,所述出行意图分类模型根据所述目标对象对应的标注后样本地图特征数据以及所述标注后样本地图特征数据对应的标注出行意图训练得到,所述标注出行意图根据所述标注后样本地图特征数据所属的标注后样本出行数据和对应所述目标对象的综合权重所确定,所述综合权重根据所述目标对象对应的原始样本出行数据中所包含的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及所述原始样本出行数据对应的原始样本出行意图进行联邦学习得到。
2.根据权利要求1所述的方法,其特征在于,所述获取目标对象的当前地图特征数据之前,所述方法还包括:
获取所述目标对象对应的原始样本出行数据,所述原始样本出行数据包括原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据;
根据所述原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及所述原始样本出行数据对应的原始样本出行意图进行联邦学习,得到对应所述目标对象的综合权重;
获取所述目标对象对应的待标注样本出行数据,所述待标注样本出行数据至少包括待标注样本地图特征数据;
根据所述综合权重,对所述待标注样本出行数据的出行意图进行标注,得到标注后样本出行数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及所述原始样本出行数据对应的原始样本出行意图进行联邦学习,得到对应所述目标对象的综合权重,包括:
将所述原始样本出行数据划分为第一类原始样本出行数据和第二类原始样本出行数据;
根据所述第一类原始样本出行数据中各个原始样本出行数据对应的原始样本出行意图、以及所述各个原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据进行联邦学习,得到对应所述目标对象的初始综合权重;
根据所述第二类原始样本出行数据中各个原始样本出行数据对应的原始样本出行意图、所述各个原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据、以及所述初始综合权重,确定对应所述目标对象的综合权重。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一类原始样本出行数据中各个原始样本出行数据对应的原始样本出行意图、以及所述各个原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据进行联邦学习,得到对应所述目标对象的初始综合权重,包括:
针对所述第一类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据对应的原始样本出行意图,确定所述原始样本出行数据中原始样本地图特征数据对应的第一维度权重、原始样本地点属性数据对应的第二维度权重以及原始样本停车数据对应的第三维度权重;
根据所述第一类原始样本出行数据中各个原始样本出行数据的第一维度权重、第二维度权重、第三维度权重、原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据和原始样本出行意图进行联邦学习,得到对应所述目标对象的初始综合权重。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一类原始样本出行数据中各个原始样本出行数据的第一维度权重、第二维度权重、第三维度权重、原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据和原始样本出行意图进行联邦学习,得到对应所述目标对象的初始综合权重,包括:
针对所述第一类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据的第一维度权重、第二维度权重、第三维度权重、原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据,得到所述原始样本出行数据对应的权重计算参数;
针对每个原始样本出行数据,根据所述原始样本出行数据的权重计算参数、原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据和所述原始样本出行数据对应的原始样本出行意图,得到所述原始样本地图特征数据对应的第一参考权重、所述原始样本地点属性数据对应的第二参考权重以及所述原始样本停车数据对应的第三参考权重;
根据所述第一类原始样本出行数据中的各个原始样本出行数据,对所述权重计算参数、所述第一参考权重、所述第二参考权重和所述第三参考权重进行迭代处理,得到原始样本地图特征数据针对各个原始样本出行意图的第一初始综合权重、原始样本地点属性数据针对所述各个原始样本出行意图的第二初始综合权重以及原始样本停车数据针对所述各个原始样本出行意图的第三初始综合权重;
将所述第一初始综合权重、所述第二初始综合权重和所述第三初始综合权重作为对应所述目标对象的初始综合权重。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第二类原始样本出行数据中各个原始样本出行数据对应的原始样本出行意图、所述各个原始样本出行数据的原始样本地图特征数据、原始样本地点属性数据和原始样本停车数据、以及所述初始综合权重,所述对应所述目标对象的综合权重,包括:
针对所述第二类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据对应的原始样本出行意图,从所述第一初始综合权重中筛选出第一目标综合权重、从所述第二初始综合权重中筛选出第二目标综合权重以及从所述第三初始综合权重中筛选出第三目标综合权重;
针对所述第二类原始样本出行数据中的每个原始样本出行数据,根据所述原始样本出行数据的原始样本出行意图、原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据、第一目标综合权重、第二目标综合权重和第三目标综合权重,得到所述原始样本地图特征数据对应的第一损失、所述原始样本地点属性数据对应的第二损失和所述原始样本停车数据对应的第三损失;
从所述第二类原始样本出行数据中各个原始样本地图特征数据对应的第一损失中选取值最小的第一损失作为第一目标损失,从所述第二类原始样本出行数据中各个原始样本地点属性数据对应的第二损失中选取值最小的第二损失作为第二目标损失,从所述第二类原始样本出行数据中各个原始样本停车数据对应的第三损失中选取值最小的第三损失作为第三目标损失;
将所述第一目标损失对应的第一初始综合权重值作为原始样本地图特征数据对应的第一综合权重,将所述第二目标损失对应的第二初始综合权重值作为原始样本地点属性数据对应的第二综合权重,将所述第三目标损失对应的第三初始综合权重值作为原始样本停车数据对应的第三综合权重;
将所述第一综合权重、所述第二综合权重以及所述第三综合权重作为对应所述目标对象的综合权重。
7.根据权利要求6所述的方法,其特征在于,所述待标注样本出行数据包括待标注样本地图特征数据、待标注样本地点属性数据和待标注样本停车数据,所述根据所述综合权重,对所述待标注样本出行数据的出行意图进行标注,得到标注后样本出行数据,包括:
根据所述待标注样本地图特征数据、所述待标注样本地点属性数据、所述待标注样本停车数据、所述第一综合权重、所述第二综合权重以及所述第三综合权重,对所述待标注样本出行数据的出行意图进行标注,得到标注后样本出行数据。
8.根据权利要求7所述的方法,其特征在于,所述获取目标对象的当前地图特征数据之前,所述方法还包括:
从所述标注后样本出行数据中提取出标注出行意图、标注后样本地图特征数据以及所述标注后样本地图特征数据对应的第一综合权重;
根据所述标注出行意图、所述标注后样本地图特征数据和所述第一综合权重进行训练,得到出行意图分类模型。
9.根据权利要求1所述的方法,其特征在于,所述原始样本地图特征数据包括始发地位置经纬度信息、目的地位置经纬度信息、离开始发地时间信息、返回始发地时间信息、到达目的地时间信息或离开目的地时间信息中的至少一种,所述原始样本地点属性数据包括始发地所在位置区域的分类属性信息或目的地所在位置区域的分类属性信息中的至少一种,所述原始样本停车数据包括始发地停车场记录信息、目的地停车场记录信息、停车场收费信息、进入停车场时间信息或离开停车场时间信息中的至少一种。
10.根据权利要求9所述的方法,其特征在于,所述根据所述当前出行意图为所述目标对象进行出行导航,包括:
根据所述当前出行意图确定目标地地理位置信息;
根据所述目标地地理位置信息生成导航路线;
根据所述导航路线为所述目标对象进行出现导航。
11.一种出行导航装置,其特征在于,包括:
获取模块,用于获取目标对象的当前地图特征数据;
分析模块,用于将所述当前地图特征数据输入出行意图分类模型,得到所述目标对象的当前出行意图;
导航模块,用于根据所述当前出行意图为所述目标对象进行出行导航;
其中,所述出行意图分类模型根据所述目标对象对应的标注后样本地图特征数据以及所述标注后样本地图特征数据对应的标注出行意图训练得到,所述标注出行意图根据所述标注后样本地图特征数据所属的标注后样本出行数据和对应所述目标对象的综合权重所确定,所述综合权重根据所述目标对象对应的原始样本出行数据中所包含的原始样本地图特征数据、原始样本地点属性数据、原始样本停车数据以及所述原始样本出行数据对应的原始样本出行意图进行联邦学习得到。
12.一种电子设备,其特征在于,所述电子设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-10任一项所述出行导航方法的步骤。
13.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-10任一项所述出行导航方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211082195.XA CN117705143A (zh) | 2022-09-06 | 2022-09-06 | 出行导航方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211082195.XA CN117705143A (zh) | 2022-09-06 | 2022-09-06 | 出行导航方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117705143A true CN117705143A (zh) | 2024-03-15 |
Family
ID=90144840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211082195.XA Pending CN117705143A (zh) | 2022-09-06 | 2022-09-06 | 出行导航方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117705143A (zh) |
-
2022
- 2022-09-06 CN CN202211082195.XA patent/CN117705143A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10948301B2 (en) | Systems and methods for recommending an estimated time of arrival | |
CN106875066B (zh) | 用车出行行为的预测方法、装置、服务器以及存储介质 | |
CN112766607B (zh) | 出行路线的推荐方法、装置、电子设备及可读存储介质 | |
Cobo et al. | A bibliometric analysis of the intelligent transportation systems research based on science mapping | |
JP6568240B2 (ja) | 運輸サービスの料金を求める方法及びシステム | |
CN110222893B (zh) | 共享交通资源的投放地点推荐方法、装置与电子设备 | |
CN113284359B (zh) | 车位推荐方法、装置、设备及计算机可读存储介质 | |
CN107656996B (zh) | 基于人工智能的人机交互方法和装置 | |
CN111353092B (zh) | 服务推送方法、装置、服务器及可读存储介质 | |
CN104838420A (zh) | 基于图像内容进行图像旋转以修正图像取向 | |
CN112598192B (zh) | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 | |
CN114500428A (zh) | 导航分享方法及装置、电子设备、存储介质、程序产品 | |
CN104615620B (zh) | 地图搜索类型识别方法及装置、地图搜索方法及系统 | |
WO2023241388A1 (zh) | 模型训练方法及装置、补能意图识别方法及装置、设备、介质 | |
CN115147248B (zh) | 一种基于大数据的旅游信息咨询系统和方法 | |
CN117705143A (zh) | 出行导航方法、装置、电子设备及存储介质 | |
WO2021078216A1 (zh) | 一种上车点推荐方法和系统 | |
CN112015937B (zh) | 一种图片地理定位方法及系统 | |
CN111310858B (zh) | 用于生成信息的方法和装置 | |
CN114202272A (zh) | 一种基于电子围栏的车货匹配方法、装置、存储介质及终端 | |
CN112150853A (zh) | 停车场管理方法、装置、存储介质及电子设备 | |
CN113326410B (zh) | 基于时空关联的关系人行为轨迹分析方法和装置 | |
CN112561657B (zh) | 一种车辆信息处理方法、装置、电子设备以及存储介质 | |
CN117194391B (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
CN114579889B (zh) | 订单热力图的推荐方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |