本申请公开了一种海图制图预测模型训练及海图制图工作量预测方法和装置，能够高效且准确评估海图制图工作量。所述海图制图预测模型的训练方法包括：获取多个训练样本及所述多个训练样本分别对应的标签，所述训练样本包括历史海图的海图特征数据，所述训练样本对应的标签用于指示所述历史海图的制图工作量；将所述多个训练样本输入海图制图预测模型中，得到所述多个训练样本分别对应的制图工作量预测结果；基于所述多个训练样本分别对应的制图工作量预测结果及标签以及预定的损失函数，确定所述多个训练样本对应的预测误差；如果所述预测误差不满足预定误差条件，则通过反向传播调整所述海图制图预测模型的网络参数。整所述海图制图预测模型的网络参数。整所述海图制图预测模型的网络参数。
【技术实现步骤摘要】
海图制图预测模型训练及海图制图工作量预测方法和装置
[0001]本申请涉及计算机
，尤其涉及一种海图制图预测模型训练及海图制图工作量预测方法和装置。
技术介绍
[0002]在海图生产过程中，海图生产质量评定是一项很重要的工作，其有助于消灭或减少错漏率，提高海图生产质量。海图的制图工作量评估是海图生产质量评定方法的重要参数之一。
[0003]目前，海图的制图工作量主要是由业务人员根据经验进行评估，这不仅增加了业务人员的工作量，降低评估效率，还使得评估过程受业务人员主观因素的影响而导致评估结果的准确性和可靠性得到保证。
[0004]因此，目前亟需一种能够高效且准确评估海图制图工作量的方法。
技术实现思路
[0005]本申请实施例提供一种海图制图预测模型训练及海图制图工作量预测方法和装置，能够基于历史海图的海图特征数据及实际制图工作量进行海图制图预测模型的训练，并能够基于训练出的海图制图预测模型准确高效地预测海图的制图工作量。
[0006]为了实现上述目的，本申请实施例采用下述技术方案：第一方面，提供一种海图制图预测模型的训练方法，包括：获取多个训练样本及所述多个训练样本分别对应的标签，所述训练样本包括历史海图的海图特征数据，所述训练样本对应的标签用于指示所述历史海图的制图工作量；将所述多个训练样本输入海图制图预测模型中，得到所述多个训练样本分别对应的制图工作量预测结果；基于所述多个训练样本分别对应的制图工作量预测结果及标签以及预定的损失函数，确定所述多个训练样本对应的预测误差；如果所述预测误差不满足预定误差条件，则通过反向传播调整所述海图制图预测模型的网络参数。
[0007]第二方面，提供一种海图制图工作量预测方法，包括：获取待预测海图的海图特征数据；将所述待预测海图的海图特征数据输入预先训练的海图制图预测模型中，得到所述待预测海图的制图工作量，其中，所述海图制图预测模型是以历史海图的海图特征数据作为训练样本、以所述历史海图的制图工作量作为所述训练样本对应的标签，通过预定的损失函数进行反向传播训练得到的。
[0008]第三方面，提供一种海图制图预测模型的训练装置，包括：第一获取单元，获取多个训练样本及所述多个训练样本分别对应的标签，所述训练样本包括历史海图的海图特征数据，所述训练样本对应的标签用于指示所述历史海图的
制图工作量；第一预测单元，将所述多个训练样本输入海图制图预测模型中，得到所述多个训练样本分别对应的制图工作量预测结果；误差确定单元，基于所述多个训练样本分别对应的制图工作量预测结果及标签以及预定的损失函数，确定所述多个训练样本对应的预测误差；调整单元，如果所述预测误差不满足预定误差条件，则通过反向传播调整所述海图制图预测模型的网络参数。
[0009]第四方面，提供一种海图制图工作量预测装置，包括：第二获取单元，获取待预测海图的海图特征数据；第二预测单元，将所述待预测海图的海图特征数据输入预先训练的海图制图预测模型中，得到所述待预测海图的制图工作量，其中，所述海图制图预测模型是以历史海图的海图特征数据作为训练样本、以所述历史海图的制图工作量作为所述训练样本对应的标签，通过预定的损失函数进行反向传播训练得到的。
[0010]第五方面，提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如第一方面或第二方面所述的方法的步骤。
[0011]第六方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第一方面或第二方面所述的方法的步骤。
[0012]本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：通过将影响海图制图工作量的海图特征数据作为训练样本，将海图的实际制图工作量作为训练样本对应的标签，基于多个训练样本对应的制图工作量预测结果及标签，确定多个训练样本对应的预测误差，并在预测误差不满足预定误差条件的情况下，通过反向传播调整海图制图预测模型的网络参数，使得训练出的海图制图预测模型能够基于预测误差不断进行自动自主学习对于海图制图工作量的预测，最终得到一个能够准确预测海图的制图工作量的海图制图模型，整个过程无需人工参与，减少了因人为主观因素导致的预测误差，同时提高了预测效率。
附图说明
[0013]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本申请一示例性实施例提供的一种海图制图预测模型的训练方法的流程示意图；图2为本申请一示例性实施例提供的一种海图制图工作量预测方法的流程示意图；图3为本申请一示例性实施例提供的一种海图制图预测模型的训练装置的结构示意图；图4为本申请一示例性实施例提供的一种海图制图工作量预测装置的结构示意图；
图5为本申请一示例性实施例提供的一种电子设备的结构示意图。
具体实施方式
[0014]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0015]如前所述，目前，海图的制图工作量主要是由业务人员根据经验进行评估，这不仅增加了业务人员的工作量，降低评估效率，还使得评估过程受业务人员主观因素的影响而导致评估结果的准确性和可靠性得到保证。
[0016]为此，本申请实施例旨在提供一种能够基于历史海图的海图特征数据及实际制图工作量进行海图制图预测模型的训练的方案，以及后续基于训练出的海图制图预测模型所执行的海图制图工作量预测方案。
[0017]应理解，本申请实施例提供的海图制图预测模型的训练方法及海图制图工作量预测方法可以由电子设备执行或安装在电子设备中的软件执行，具体可以由终端设备或服务端设备执行。
[0018]以下结合附图，详细说明本申请各实施例提供的技术方案。
[0019]请参考图1，为本申请一示例性实施例提供的一种海图制图预测模型的训练方法的流程示意图，该方法可以包括：S102，获取多个训练样本及多个训练样本分别对应的标签，其中，训练样本包括历史海图的海图特征数据，训练样本对应的标签用于指示历史海图的制图工作量。
[0020]其中，海图的海图特征数据是指能够表征海图的特征的数据，其可以影响海图的制图工作量。具体实施时，海图的海图特征数据可以根据海图的资料性质、复杂程度、比例尺、地形复杂程度等多方面的因素确定。
[0021]考虑到海图包含的要素相关数据会对海图的制图工作量产生较大影响，对此，一个实施例中，海图的海图特征数据可以基于海图中的要素的要素特征数据生成。具体地，获取多个训练样本包括：步骤A1，对本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种海图制图预测模型的训练方法，其特征在于，包括：获取多个训练样本及所述多个训练样本分别对应的标签，所述训练样本包括历史海图的海图特征数据，所述训练样本对应的标签用于指示所述历史海图的制图工作量；将所述多个训练样本输入海图制图预测模型中，得到所述多个训练样本分别对应的制图工作量预测结果；基于所述多个训练样本分别对应的制图工作量预测结果及标签以及预定的损失函数，确定所述多个训练样本对应的预测误差；如果所述预测误差不满足预定误差条件，则通过反向传播调整所述海图制图预测模型的网络参数。2.根据权利要求1所述的方法，其特征在于，所述通过反向传播调整所述海图制图预测模型的网络参数，包括：从所述海图制图预测模型的输出层起，基于所述预测误差和所述海图制图预测模型的网络参数，反向逐层确定在所述海图制图预测模型的各层网络中神经元的预测误差，所述网络参数包括所述海图制图预测模型的网络层数、各层网络包含的神经元个数及不同层网络的神经元之间的连接权重；基于在所述海图制图预测模型的不同层网络中神经元的预测误差，通过最速下降算法，逐层调整相邻两层网络中的神经元之间的连接权重。3.根据权利要求2所述的方法，其特征在于，所述海图制图预测模型还包括隐含层，在确定在所述海图制图预测模型的隐含层中神经元的预测误差之前，还包括：基于Droupout函数随机筛除所述隐含层中的神经元。4.根据权利要求2所述的方法，其特征在于，在将所述多个训练样本输入海图制图预测模型中之前，所述方法还包括：基于随机常数生成函数，确定神经网络的初始网络参数；基于所述神经网络的初始网络参数，建立所述海图制图预测模型。5.根据权利要求1至4中任一项所述的方法，其特征在于，所述历史海图的海图特征数据包括所述历史海图在多个要素特征分别对应的特征值；在将所述多个训练样本输入海图制图预测模型中之前，所述方法还包括：分别针对单个要素特征，对所述多个训练样本在所述单个要素特征对应的特征值进行归一化处理。6.根据权利要求5所述的方法，其特征在于，获取多个训练样本包括：对历史海图...
【专利技术属性】
技术研发人员：茹伟娜，王斌，崔岩，杨世凯，
申请(专利权)人：北京星天科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。