兴趣点采全率预测方法、装置、设备和可读存储介质制造方法及图纸

本申请实施例公开了一种兴趣点采全率预测方法、装置、设备和可读存储介质，涉及机器学习和电子地图技术领域。具体实现方案为：获取用户采集兴趣点过程中的特征集合，所述特征集合包括用户采集行为特征和已采集兴趣点的特征中的至少一项；将所述特征集合输入至采全率预测模型，得到所述用户的兴趣点采全率。本申请实施例可以提高兴趣点采全率的预测准确率。

【技术实现步骤摘要】
兴趣点采全率预测方法、装置、设备和可读存储介质
本申请涉及机器学习和电子地图
，尤其涉及兴趣点采全率预测方法、装置、设备和可读存储介质。
技术介绍
坐标作为POI(PointofInformation，兴趣点)最关键的属性之一，其准确度直接影响地图用户的使用体验，同时POI坐标的准确度也是衡量一个地图产品好坏的直观判断因素。当前地图POI数据大规模更新主要依赖于实采手段，包括全景、行车记录仪、路淘等车行采集，以及淘金、等人行采集。现有技术中，执行兴趣点采集任务的用户为广大互联网用户，其作业能力、作业意愿难以把控，需要一种手段去衡量采集任务的完成程度是多少，是否有遗漏的兴趣点，来决定采集是否达标，同时也决定对用户进行何种程度的奖惩。
技术实现思路
本申请实施例提供了一种兴趣点采全率预测方法、装置、设备和可读存储介质。第一方面，本申请实施例提供了一种兴趣点采全率预测方法，包括：获取用户采集兴趣点过程中的特征集合，所述特征集合包括用户采集行为特征和已采集兴趣点的特征中的至少一项；将所述特征集合输入至采全率预测模型，得到所述用户的兴趣点采全率；其中，所述采全率预测模型通过指定用户采集兴趣点过程中的特征集合和所述指定用户的兴趣点采全率进行训练得到。第二方面，本申请实施例还提供了一种兴趣点采全率预测装置，包括：获取模块，用于获取用户采集兴趣点过程中的特征集合，所述特征集合包括用户采集行为特征和已采集兴趣点的特征中的至少一项；输入模块，用于将所述特征集合输入至采全率预测模型，得到所述用户的兴趣点采全率；其中，所述采全率预测模型通过指定用户采集兴趣点过程中的特征集合和所述指定用户的兴趣点采全率进行训练得到。第三方面，本申请实施例提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行任一实施例所提供的一种兴趣点采全率预测方法。第四方面，本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行任一实施例所提供的一种兴趣点采全率预测方法。根据本申请的技术可以提高兴趣点采全率的预测准确率。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1是本申请实施例中的第一种兴趣点采全率预测方法的流程图；图2是本申请实施例中的第二种兴趣点采全率预测方法的流程图；图3a是本申请实施例中的第三种兴趣点采全率预测方法的流程图；图3b是本申请实施例中采集区域中用户采集轨迹与覆盖网格的示意图；图4a是本申请实施例中的第四种兴趣点采全率预测方法的流程图；图4b是本申请实施例中的指定用户A和指定用户B采集的兴趣点总数的示意图；图5是本申请实施例中的兴趣点采全率预测装置的结构图；图6是本申请实施例中的电子设备的结构示意图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。根据本申请的实施例，图1是本申请实施例中的第一种兴趣点采全率预测方法的流程图，本申请实施例适用于在实采场景中对用户采集兴趣点的采全率进行预测的情况。该方法通过兴趣点采全率预测装置执行，该装置采用软件和/或硬件实现，并具体配置于具备一定数据运算能力的电子设备中。如图1所示的兴趣点采全率预测方法，包括：S110、获取用户采集兴趣点过程中的特征集合，特征集合包括用户采集行为特征和已采集兴趣点的特征中的至少一项。本实施例中，用户通过配置有摄像头的终端设备对现实场景中的地物进行拍摄，得到图像，并将图像发送至电子设备(如服务器)，通过电子设备识别到图像中的兴趣点，如某个商店的招牌，则认为用户采集到该兴趣点。由于用户的作业能力和作业意愿难以把控，在一次采集过程中，用户可能采集到所有的兴趣点，或者采集到90％的兴趣点，或者仅采集到一半的兴趣点，然而兴趣点的总数和分布情况也是未知的，这导致难以评估用户对兴趣点的采全率，即已采集兴趣点的数量占兴趣点总数的比率。在研究过程中，专利技术人创造性地发现了影响采全率的特征集合，进而通过模型预测的方法预测采全率。具体的，特征集合包括用户采集行为特征和已采集兴趣点的特征中的至少一项。其中，用户采集行为特征指用户采集兴趣点过程中有关用户行为方式的特征。用户采集行为特征能够反映用户的作业态度和作业能力，这关乎用户是否能够或愿意采集到尽量多的兴趣点，是否有能力采集到隐蔽的兴趣点，从而直接影响最终兴趣点的采全率。已采集兴趣点的特征指用户已经采集到的兴趣点的相关特征。已采集到的兴趣点是全部兴趣点的子集，则由点窥面，已采集到的兴趣点的特征可以扩大到全部兴趣点的特征，从而直接影响最终兴趣点的采全率。考虑到不同用户的作业能力和作业意愿不同，且同一用户在多次采集同一区域内的兴趣点时，会多少受到前次采集情况的影响。基于此，为了提高采全率预测的准确性，排除其他因素的干扰，获取单用户在采集区域内单次采集过程中的特征集合。其中，采集区域可以预先划定，例如一条街或一个社区。S120、将特征集合输入至采全率预测模型，得到用户的兴趣点采全率。采全率预测模型通过指定用户采集兴趣点过程中的特征集合和指定用户的兴趣点采全率进行训练得到。其中，指定用户为指定的参与模型训练的用户，为提高模型的泛化能力，指定用户来自于各行业、地区，接受的教育程度不同，使得指定用户的作业能力和作业意愿不同。指定用户的数量较多，以期得到高精度的采全率预测模型。指定用户采集兴趣点过程中的特征集合为指定用户在指定采集区域内单次采集过程中的特征集合，其中，指定采集区域可以是一条街或一个社区。需要说明的是，经过试验，用户在不同尺寸的采集区域内的采全率差别较小，可见，区域尺寸对采全率的影响不大，因此，前述采集区域与模型训练时的指定采集区域的尺寸可以相同也可以不同。需要说明的是，不同指定用户可以在同一指定采集区域内采集兴趣点，并互不干扰；也可以在不同指定采集区域内采集兴趣点。不同指定采集区域的面积可以相同也可以不同。模型训练时的特征集合包括指定用户采集行为特征和指定用户已采集兴趣点的特征中的至少一项。具体描述详细上述用户采集兴趣点过程中的特征集合，此处不再赘述。指定用户的兴趣点采全率作为模型训练时的标签，为指定用户已采集兴趣点的本文档来自技高网...

【技术保护点】
1.一种兴趣点采全率预测方法，包括：/n获取用户采集兴趣点过程中的特征集合，所述特征集合包括用户采集行为特征和已采集兴趣点的特征中的至少一项；/n将所述特征集合输入至采全率预测模型，得到所述用户的兴趣点采全率；/n其中，所述采全率预测模型通过指定用户采集兴趣点过程中的特征集合和所述指定用户的兴趣点采全率进行训练得到。/n

【技术特征摘要】
1.一种兴趣点采全率预测方法，包括：
获取用户采集兴趣点过程中的特征集合，所述特征集合包括用户采集行为特征和已采集兴趣点的特征中的至少一项；
将所述特征集合输入至采全率预测模型，得到所述用户的兴趣点采全率；
其中，所述采全率预测模型通过指定用户采集兴趣点过程中的特征集合和所述指定用户的兴趣点采全率进行训练得到。


2.根据权利要求1所述的方法，其中，所述已采集兴趣点的特征，包括：
已采集兴趣点的数量特征、已采集兴趣点的分布特征和已采集兴趣点的质量特征中的至少一项。


3.根据权利要求2所述的方法，其中，
所述已采集兴趣点的数量特征包括：所述已采集兴趣点中的指定兴趣点个数占指定兴趣点总数的比率，和/或所述已采集兴趣点中除历史兴趣点之外的新增兴趣点个数占所述已采集兴趣点总数的比率；
所述已采集兴趣点的分布特征包括：所述已采集兴趣点的凸包面积占采集区域总面积的比率，和/或在所述采集区域中指定区域采集到的兴趣点数量占所述已采集兴趣点总数的比率；
所述已采集兴趣点的质量特征包括：已采集兴趣点中质量审核通过的兴趣点占已采集兴趣点总数的比率。


4.根据权利要求1所述的方法，其中，所述用户采集行为特征，包括：
用户采集轨迹特征、用户采集任务完成度特征和用户采集时长特征中的至少一项。


5.根据权利要求4所述的方法，其中，
所述用户采集轨迹特征包括：用户采集轨迹覆盖的区域面积占采集区域总面积的比率，或者用户采集轨迹覆盖的网格数量占所述采集区域中网格总数的比率；其中，所述采集区域包括多个网格；
所述用户采集任务完成度特征包括：所述用户完成采集任务的数量占采集任务总数的比率。


6.根据权利要求1-5任一项所述的方法，在所述获取用户采集兴趣点过程中的特征集合之前，还包括：
获取多个所述指定用户采集兴趣点过程中的特征集合和多个所述指定用户采集的兴趣点总数；
计算每个所述指定用户占所述兴趣点总数的比率，作为每个所述指定用户的兴趣点采全率；
基于多个所述指定用户采集兴趣点过程中的特征集合和兴趣点采全率，训练所述采全率预测模型。


7.一种兴趣点采全率预测装置，包括：
获取模块，用于获取用户采集兴趣点过程中的特征集合，所述特征集合包括用户采集行为特征和已采集兴趣点的特征中的至少一项；
输入模块，用于将所述特征集合输入至采全率预测模型，得到所述用户的兴趣点采全率；
...

【专利技术属性】
技术研发人员：赵光辉，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11