(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111427501.4 (22)申请日 2021.11.29 (65)同一申请的已公布的文献号 申请公布号 CN 113837162 A (43)申请公布日 2021.12.24 (73)专利权人 腾讯科技 （深圳） 有限公司 地址 518044 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 韦伟　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 代理人 朱佳 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (56)对比文件 CN 110345950 A,2019.10.18 CN 111783889 A,2020.10.16 CN 113239249 A,2021.08.10 审查员 张露 (54)发明名称 数据处理方法及相关装置 (57)摘要 本申请涉及计算机技术领域， 提供一种模 型 训练方法及相关装置， 可应用于地图、 交通、 车 载、 自动驾驶、 云技术、 人工智能、 辅助驾驶等各 种场景， 用以提高道路类型的识别准确率， 其中， 方法包括： 基于获取的目标道路样本集合， 获得 多组训练数据， 其中， 每组训练数据中包含至少 三个目标道路样本， 至少三个目标道路样本中的 一个目标道路样本的道路类型与其他目标道路 样本的道路类型不同， 然后， 将多组训练数据分 别输入待训练的道路特征转换模型进行迭代训 练， 并输出目标道路特征转换模型。 这样， 通过学 习道路特征转换方式， 提高机器学习模型的准确 率， 进而在模型应用过程中， 提高道路类型的识 别准确率。 权利要求书3页 说明书16页 附图8页 CN 113837162 B 2022.04.08 CN 113837162 B 1.一种数据处 理方法， 其特 征在于， 该 方法包括： 获取各个应用场景各自对应的候选道路样本集合， 并基于指定的样本抽取比例， 分别 从所述各个应用场景各自对应的候选道路样本集合中， 抽取出目标道路样本集合， 其中， 每 个目标道路样本中包 含相应的道路特 征信息， 每 个应用场景 是基于地理位置区域划分的； 基于所述目标道路样本集合， 获得多组训练数据， 其中， 每组训练数据中包含至少三个 目标道路样本， 所述至少三个目标道路样本中的一个目标道路样本的道路类型， 与其他 目 标道路样本的道路类型不同； 将所述多组训练数据， 分别输入待训练的道路特征转换模型进行迭代训练， 并输出目 标道路特征转换模型； 其中， 在每次训练中， 基于所述道路特征转换模型， 获得一组训练数 据中， 至少三个目标道路样本各自对应的道路特征编码， 并基于得到的各个道路特征编码 对应的模型损失值， 进行模型参数调整； 获取目标应用场景中待识别道路的道路特征信 息， 以及获取所述目标应用场景中包含 的各种候选道路类型各自对应的道路特征编码集合； 其中， 所述各个应用场景中包含所述 目标应用场景， 每种候选道路类型对应的道路特征编 码集合是基于所述目标道路特征转换 模型得到的； 将所述待识别道路的道路特征信息， 输入至所述目标道路特征转换模型中， 并输出所 述待识别道路对应的待识别道路特 征编码； 基于所述待识别道路特征编码和获取的各个道路特征编码集合， 确定所述待识别道路 的目标道路类型； 其中， 每个道路特征信息中至少包含道路静态属性信息， 所述道路静态属性信息中包 括以下信息中的至少一项： 道路等级、 道路宽度、 车道数、 道路长度、 道路铺设情况。 2.如权利要求1所述的方法， 其特征在于， 所述至少三个目标道路样本包括第一样本、 第二样本和第三样本， 所述第一样本和所述第二样本的道路类型相同， 所述第一样本和所 述第三样本的道路类型不同； 所述模型损失值是通过以下 方式确定的： 基于得到的各个道路特征编码， 确定所述一组训练数据中， 所述第一样本和所述第二 样本的道路特 征编码之间的第一距离； 基于得到的各个道路特征编码， 确定所述一组训练数据中， 所述第一样本和所述第三 样本的道路特 征编码之间的第二距离； 基于确定的第一距离和第二距离， 确定所述各个道路特 征编码对应的模型损失值。 3.如权利要求2所述的方法， 其特征在于， 所述基于确定的第一距离和第二距离， 确定 所述各个道路特 征编码对应的模型损失值， 包括： 确定所述第一距离与所述第二距离之间的差值； 基于所述差值和预设的差值范围， 得到所述各个道路特 征编码对应的模型损失值。 4.如权利要求1 ‑3中任一项所述的方法， 其特征在于， 所述基于所述待识别道路特征编 码和获取的各个道路特 征编码集 合， 确定所述待识别道路的目标道路类型， 包括： 分别确定所述待识别道路特 征编码与所述各个道路特 征编码集 合之间的距离； 将所述各个道路特征编码集合中， 与所述待识别道路特征编码之间的距离不大于距离 门限值的道路特 征编码集 合对应的候选道路类型， 作为所述待识别道路的目标道路类型。权　利　要　求　书 1/3 页 2 CN 113837162 B 25.如权利要求4所述的方法， 其特征在于， 所述分别确定所述待识别道路特征编码与 所 述各个道路特 征编码集 合之间的距离， 包括： 分别确定所述待识别道路特征编码， 与 所述各个道路特征编码集合各自包含的各个道 路特征编码之间的第三距离， 并基于确定的各个第三距离， 得到所述待识别道路特征编码 与所述各个道路特 征编码集 合之间的距离； 或者， 将所述识别道路特征编码， 与所述各个道路特征编码集合各自对应的平均 特征编码之 间的距离， 分别作为所述待识别道路特 征编码与所述各个道路特 征编码集 合之间的距离 。 6.如权利要求5所述的方法， 其特征在于， 所述基于确定的各个第三距离， 得到所述待 识别道路特 征编码与所述各个道路特 征编码集 合之间的距离， 包括： 基于所述各个道路特征编码集合各自对应的各个第 三距离， 以及所述各个道路特征编 码集合各自对应的特征编码总数目， 确定所述各个道路特征编码集合各自对应的平均距 离； 将所述各个道路特征编码集合各自对应的平均距离， 分别作为所述待识别道路特征编 码与所述各个道路特 征编码集 合之间的距离 。 7.如权利要求1 ‑3中任一项所述的方法， 其特征在于， 所述各种候选道路类型各自对应 的道路特 征编码集 合是通过以下 方式确定的： 获取目标应用场景对应的候选道路样本集合， 每个候选道路样本 中包含相应的道路特 征信息； 将所述候选道路样本集合中包含的各个候选道路样本， 分别输入至所述目标道路特征 转换模型中， 输出 所述各个候选道路样本各自对应的道路特 征编码； 基于各种候选道路类型， 得到所述各种候选道路类型 各自对应的道路特 征编码集 合。 8.如权利要求1 ‑3中任一项所述的方法， 其特征在于， 所述道路特征信息 中还包含以下 信息中的至少一项： 道路流量特征信息、 道路车速特征信息、 道路车流密度特征信息、 道路 偏航特征信息、 道路邻域特 征信息、 道路多媒体信息 。 9.一种数据处 理装置， 其特 征在于， 包括： 获取单元， 用于获取各个应用场景各自对应的候选道路样本集合， 并基于指定的样本 抽取比例， 分别从所述各个应用场景各自对应的候选道路样本集合中， 抽取出目标道路样 本集合， 其中， 每个目标道路样本中包含相应的道路特征信息， 每个应用场景是基于地理位 置区域划分的； 组合单元， 用于基于所述目标道路样本集合， 获得多组训练数据， 其中， 每组训练数据 中包含至少三个目标道路样本， 所述至少三个目标道路样本中的一个目标道路样本的道路 类型， 与其 他目标道路样本的道路类型不同； 训练单元， 用于将所述多组训练数据， 分别输入待训练的道路特征转换模型进行迭代 训练， 并输出目标道路特征转换模型； 其中， 在每次训练中， 基于所述道路特征转换模型， 获 得一组训练数据中， 至少三个目标道路样本各自对应的道路特征编码， 并基于得到的各个 道路特征编码对应的模型损失值， 进行模型参数调整； 应用单元， 用于获取目标应用场景中待识别道路的道路特征信息， 以及获取所述目标 应用场景中包含的各种候选道路类型各自对应的道路特征编码集合， 其中， 每种候选道路 类型对应的道路特征编 码集合是基于所述目标道路特征转换模型得到的， 所述各个应用场权　利　要　求　书 2/3 页 3 CN 113837162 B 3