CN113821535B 一种模型训练的方法及装置、计算机设备和存储介质 （腾讯科技（深圳）有限公司）

US2020151576A1,2020.05.14一路线整体特征集合通过待训练时间预估模型时间集合与第一实际到达时间集合得到第一导间集合与随机扰动处理后的第一导数集合对待够避免在迭代过程中所得到的预估时间落在不2获取第一路线整体特征集合以及第一实际到达时间集合，根据所述第一路线整体特征集合通过待训练时间预估模型得到第一预估到达时间集合，其中，所述第一预估到达时间集合包括S条第一路线样本分别对应的第一预估到达时根据所述第一预估到达时间集合与所述第一实际到达时间根据从标准正态分布中确定的随机数，对所述第一导数集合进行随机扰动基于所述第一预估到达时间集合与所述随机扰动处理后的第一导数集合对所述待训根据所述第一路线整体特征集合通过所述待训练时间预估模型得到第二预估到达时基于所述第一预估到达时间集合以及所述第二预估到达时间集合确定第三预估到达根据所述第三预估到达时间集合与所述第一实际到达时间集合得根据从所述标准正态分布中确定的随机数，对所述第二导数集合进行随机扰动处理，根据所述第一路线整体特征集合通过待训练第一学习器得到所述第一预估到达时间所述根据所述第一路线整体特征集合通过所述待训练时间预估模型得到第二预估到根据所述第一路线整体特征集合通过待训练第二学习器得到所述第二预估到达时间所述基于所述第一预估到达时间集合与所述随机扰动处理后的第一导数集合对所述基于所述第一预估到达时间集合与所述随机扰动处理后的第一导数集合对所述待训基于所述第三预估到达时间集合与所述随机扰动处理后的第二导数集合对所述待训3对所述第一预估到达时间集合进行初始化处理，以得到初始化后所述根据所述第一预估到达时间集合与所述第一实际到达时间集合得到第一导数集根据所述初始化后的第一预估到达时间集合与所述第一实际到达时间集合得到所述所述基于所述第一预估到达时间集合与所述随机扰动处理后的第一导数集合对所述基于所述初始化后的第一预估到达时间集合与所述随机扰动处理后的第一导数集合个第一预估到达时间与所述实际到达时间的获取第二路线整体特征集合以及第二实际到达时间集合，根据所述第二路线整体特征集合通过所述M个学习器得到第四预估根据所述第二路线整体特征集合通过待训练第三学习器得到第五预估基于所述第四预估到达时间集合以及所述第五预估到达时间集合确定第六预估到达根据所述第六预估到达时间集合与所述第二实际到达时间集合得根据从标准正态分布中确定的随机数，对所述第三导数集合进行随机扰动基于所述第六预估到达时间集合与所述随机扰动处理后的第三导数集合对待训练第4所述随机扰动处理后的第三导数集合对待训练第三学习器进行训练之后，所述方法还包9.根据权利要求7所述的方法，其特征在于，所述从根据所述待匹配路线集合获取路线整体特征集合，其中，所述所述待选择预估到达时间集合包括每条待匹配路线对应的待选择预从所述待选择预估到达时间集合中确定目标预估到达时间，其中，所所述根据所述路线整体特征集合，通过时间预估模型得到待选择预估到达时间集合，根据所述路线整体特征集合，通过所述第一学习器得到第一待选择预估到达时间集根据所述路线整体特征集合，通过所述第二学习器得到第二待选择预估到达时间集基于所述第一待选择预估到达时间集合以及所述第二待选择预估一路线整体特征集合包括S条第一路线样本分别对应的路线整体特征，所述第一实际到达时间集合包括S条第一路线样本分别对应的实际到达时间，所述第一路线样本对应的路线5生成模块，用于根据所述第一路线整体特征集合通过待生成模块，还用于根据所述第一预估到达时间集合与所述第一实际到处理模块，用于根据从标准正态分布中确定的随机数，对所述第一训练模块，用于基于所述第一预估到达时间集合与所述随所述生成模块，还用于根据所述第一路线整体特征集合通过所述待训所述确定模块，用于基于所述第一预估到达时间集合以及所述第二所述生成模块，还用于根据所述第三预估到达时间集合与所述第一所述处理模块，还用于根据从所述标准正态分布中确定的随机数，对所述路线整体特征集合通过待训练第一学习器得到所述第一预估所述生成模块，具体用于根据所述第一路线整体特征集合通过待训练第二学所述训练模块，具体用于基于所述第一预估到达时间集合与所述训练模块，具体用于基于所述第三预估到达时间集合与所述处理模块，还用于对所述第一预估到达时间集合进行初始化处所述生成模块，具体用于根据所述初始化后的第一预估到达所述训练模块，具体用于基于所述初始化后的第一预估到达时间集合每个第一预估到达时间与所述实际到达时间6所述第二路线整体特征集合包括P条第三路线样本分别对应的路线整体特征，所述第二实际到达时间集合包括P条第三路线样本分别对应的实际到达时间，所述第三路线样本对应的路线整体特征为与所述第三路线样本的通行时间<N；所述生成模块，还用于根据所述第二路线整体特征集合通过所述M个学习器得到第四所述生成模块，还用于根据所述第二路线整体特征集合通过待所述生成模块，还用于基于所述第四预估到达时间集合以及所述第五预估所述生成模块，还用于根据所述第六预估到达时间集合与所述第二所述处理模块，还用于根据从标准正态分布中确定的随机数，对所述所述训练模块，还用于基于所述第六预估到达时间集合与所述随机扰动第六预估到达时间集合与所述随机扰动处理后的第三导数集合对待训练第三学习器进行7所述生成模块，还用于根据所述路线整体特征集合，通过时间预所述目标预估到达时间为从所述目标出发地至所述目标到达地根据所述路线整体特征集合，通过所述第一学习器得到第一待选择预估到达时间集根据所述路线整体特征集合，通过所述第二学习器得到第二待选择预估到达时间集基于所述第一待选择预估到达时间集合以及所述第二待选择预估所述处理器用于执行所述存储器中的程序，以实现权利要求1至12中任一项所述的方所述总线系统用于连接所述存储器以及所述处理器，以使所述存储8时间预估模型进行训练，能够避免在迭代过程中所得到的预估时间落在不稳定的奇点上，[0007]根据第一路线整体特征集合通过待训练时间预估模型得到第一预估到达时间集[0008]根据第一预估到达时间集合与第一实际到达时间集合得第一导数集合包括S条第一路线样本分别对应的第一导数，第一导数是基于损失函数确定[0010]基于第一预估到达时间集合与随机扰动处理后的第一导数集合对待训练时间预9一路线整体特征集合包括S条第一路线样本分别对应的路线整体特征，第一实际到达时间集合包括S条第一路线样本分别对应的实际到达时间，第一路线样本对应的路线整体特征[0025]基于第三预估到达时间集合与随机扰动处理后的第二导数集合对待训练第二学第二路线整体特征集合包括P条第三路线样本分别对应的路线整体特征，第二实际到达时间集合包括P条第三路线样本分别对应的实际到达时间，第三路线样本对应的路线整体特[0037]生成模块，还用于根据第二路线整体特征集合通过M个学习器得到第四预估到达[0046]固定时间预估模型中前L个学习器，从时间预估模型中后N-L个学习器中进行采标预估到达时间为从目标出发地至目标到达地的时间预估模型进行训练，能够避免在迭代过程中所得到的预估时间落在不稳定的奇点上，[0079]在地图服务的历史数据中，可以提取出一条路线的实际到达时间(ActualTime[0084]xa=xi-NF(x,):(1)由此可得到基于此，上述迭代方程(1)可以得到下述迭代方[0094]GBDT的基本原理与梯度下降法类似，GBDT使用一系列决策树去拟合前面的残[0117]前面对本申请实施例涉及到的一些术语或概念进行解释，为了更好的理解本方1所示的模型训练系统，请参阅图1，图1为本申请实施例中模型训练系统的一个架构示意络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery但也可以是任何网络，包括但不限于蓝牙、局域网(LocalAreaNetwork，LAN)、城域网[0122]由于本申请实施例中，需要基于人工智能领域中的机器[0123]随着人工智能技术研究和进步，人工智能技术在多种方向展开研究，机器学习合包括S条第一路线样本分别对应的路线整体特征，第一路线样本对应的路线整体特征为[0130]102、根据第一路线整体特征集合通过待训练时间预估模型得到第一预估到达时间集合，其中，第一预估到达时间集合包括S条第一路线样本分别对应的第一预估到达时时间集合包括第一路线样本A对应的第一预估到达时间(即预估的完成在第一路线样本A通行所需要的时间)，第一路线样本B对应的第一预估到达时间(即预估的完成在第一路线样所获取的第一实际到达时间集合得到第一导数集合，第一导数集合包括S条第一路线样本i具体对应于前述介绍的公式(5)中的vrL'YR,'x)),其中，L为损失mi)为第一路线样本xi对应的第一预估到达时间，yi为第一路线样本xi对应的第一前述γ为学习率。[0138]105、基于第一预估到达时间集合与随机扰动处理后的第一导数集合对待训练时应的(随机扰动处理后的第一导数)作为目标进行迭代训练，即根据第一预估到达时间集合以及与之对应的随机扰动处理后的第一导数集合之间的差异确定损失函数的用损失函数的损失值更新待训练时间预估模一路线样本对应的第一预估到达时间和每个第一路线样本对应的随机扰动处理后的第一数还可以为均方差损失函数、排序损失(rankingloss)函数以及焦点损失(focalloss)函[0147]根据第一路线整体特征集合通过待训练时间预估模型得到第二预估到达时间集[0148]基于第一预估到达时间集合以及第二预估到达时间集合确定第三预估到达时间[0149]根据第三预估到达时间集合与第一实际到达时间集合得第二导数集合包括S条第一路线样本分别对应的第二导数，第二导数是基于损失函数确定达时间集合类似，第二预估到达时间集合包括S条第一路线样本分别对应的第二预估到达时间，每条第一路线样本对应的第一预估到达时间与第二预估到达时间可能相同或不同，确定第三预估到达时间集合，该第三预估到达时间集合包括S条第一路线样本分别对应的[0160]根据第一路线整体特征集合通过待训练时间预估模型得到第二预估到达时间集[0162]基于第一预估到达时间集合与随机扰动处理后的第一导数集合对待训练时间预[0163]基于第一预估到达时间集合与随机扰动处理后的第一导数集合对待训练第一学[0164]基于第三预估到达时间集合与随机扰动处理后的第二导数集合对待训练第二学[0165]本实施例中，模型训练装置具体将第一路线整体特征集合输入待训练第一学习预估模型，待训练时间预估模型C2包括待训练第一学习器C21以及待训练第二学习器C22，C3指的是待训练时间预估模型C2中待训练第一学习器C21输出的第一预估到达时间，C4指的是待训练时间预估模型C2中待训练第二学习器C22输出的第二预估到达时间，C5指的是达时间C5以及第一路线样本对应的第一实际到达时间C5得到的第二导数，C10指的是通过合与第一实际到达时间集合得到第四导数集合，此时第四导数集合包括S条第一路线样本后基于第八预估到达时间集合与随机扰动处理后的第四导数集合对待训练第四学习器进[0175]根据初始化后的第一预估到达时间集合与第一实际到达时间集合得到第一导数[0176]基于第一预估到达时间集合与随机扰动处理后的第一导数集合对待训练时间预[0177]基于初始化后的第一预估到达时间集合与随机扰动处理后的第一导数集合对待m第一预估到达时间集合与随机扰动处理后的第一导数集合对待训练时间预估模型进行训导数)作为目标进行迭代训练，即根据第一预估到达时间集合以及与之对应的随机扰动处得到的第一预估到达时间集合包括第一路线样本A对应的第一预估到达时间30分钟(min)，第一路线样本B对应的第一预估到达时间31min，以及第一路线样本C对应的第一预估到达A对应的第一预估到达时间与2相加，即可得到第一路线样本A对应的初始化后的第一预估线样本B对应的初始化后的第一预估到达时间3以及第一路线样本B对应的第一实际到达时间31min，由此可以的实际到达时间的均值为[0198]基于第四预估到达时间集合以及第五预估到达时间集合确定第六预估到达时间[0199]根据第六预估到达时间集合与第二实际到达时间集合得第三导数集合包括P条第三路线样本分别对应的第三导数，第三导数是基于损失函数确定[0201]基于第六预估到达时间集合与随机扰动处理后的第三导数集合对待训练第三学[0203]基于此，模型训练装置获取第二路线整体特征集合以及达时间集合包括P条第三路线样本分别对应的实际到达时间，第三路线样本对应的路线整掘出来的在第三路线样本的同一时刻前后5分钟(或10分钟、15分钟等)的全程平均车速等该实际到达时间即为前述介绍的ATA，即在地图服务的历史数据中提取出第三路线样本的预估到达时间集合，该第四预估到达时间集合包括P条第三路线样本分别对应的第四预估器的模型参数，并且将第二路线样本集合输入至更新模型参数后的待训练第三学习器中，[0216]固定时间预估模型中前L个学习器，从时间预估模型中后N-L个学习器中进行采样本会使得迭代次数较少，因此选择靠前的学习器能够更未全面的获取新增样本的信息，从而保证所得到的更新后的时间预估模型更稳定以三预估到达时间与第一实际到达时间所构成的损失待选择预估到达时间集合包括每条待匹配路线对应的待选择总长度，待匹配路线的全程平均限速或者待匹配路线的全程平均自由流速度等道路信息，以及根据实时采集的GPS数据计算出的待匹配路线的平均车速，根据过去数月采集到的历然后通过本方案的训练方法所得到的时间预估模型输出每条待匹配路线对应的预估到达以供用户基于该目标预估到达时间以及目标预估到达时间对[0239]2、通过本方案的训练方法所得到的时间预估模型输出每条待匹配路线对应的预到达时间集合包括每条待匹配路线对应的第二待选择预估[0257]获取模块601，用于获取第一路线整体特征集合以及第一实际到达时间集合，其时间集合包括S条第一路线样本分别对应的实际到达时间，第一路线样本对应的路线整体[0258]生成模块602，用于根据第一路线整体特征集合通过待训练时间预估模型得到第[0259]生成模块602，还用于根据第一预估到达时间集合与第一实际到达时间集合得到[0261]训练模块604，用于基于第一预估到达时间集合与随机扰动处理后的第一导数集[0263]生成模块602，还用于根据第一路线整体特征集合通过待训练时间预估模型得到[0264]确定模块605，用于基于所述第一预估到达时间集合以及所述第二预估到达时间[0265]生成模块602，还用于根据第三预估到达时间集合与第一实际到达时间集合得到[0268]生成模块602，具体用于根据第一路线整体特征集合通过待训练第二学习器得到[0269]训练模块604，具体用于基于第一预估到达时间集合与随机扰动处理后的第一导[0270]基于第三预估到达时间集合与随机扰动处理后的第二导数集合对待训练第二学[0272]生成模块602，具体用于根据初始化后的第一预估到达时间集合与第一实际到达[0273]训练模块604，具体用于基于初始化后的第一预估到达时间集合与随机扰动处理时间集合包括P条第三路线样本分别对应的实际到达时间，第三路线样本对应的路线整体[0283]生成模块602，还用于根据第二路线整体特征集合通过待训练第三学习器得到第[0284]生成模块602，还用于基于第四预估到达时间集合以及第五预估到达时间集合确[0285]生成模块602，还用于根据第六预估到达时间集合与第二实际到达时间集合得到[0287]训练模块604，还用于基于第六预估到达时间集合与随机扰动处理后的第三导数[0291]固定时间预估模型中前L个学习器，从时间预估模型中后N-L个学习器中进行采>1；[0297]确定模块605，还用于从待选择预估到达时间集合中确定目标预估到达时间，其[0302]本申请实施例还提供了另一种模型训练装置，模型训练装置都可以部署于服务[0305]该服务器所包括的CPU1022用于执行如图2所示实施例以及图2对应的各个实施[0307]图8示出的是与本申请实施例提供的终端相关的手机的部分结构的框图。参考图SystemofMobilecommunication，GSM)、通用分组无线服务(Genera