车辆运行速度确定模型处理方法和车辆运行速度确定方法技术

本申请涉及一种车辆运行速度确定模型处理方法、车辆运行速度确定方法、装置、设备和存储介质。所述方法涉及人工智能，应用于地图领域或智慧交通领域，包括：获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据，基于初始惯性测量数据和初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据，根据各观测样本数据对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型，根据车辆运行速度确定模型对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。采用本方法可仅根据车辆惯性测量数据即可实现准确预测车辆运行速度，提升车辆运行速度的预测处理效率。速度的预测处理效率。速度的预测处理效率。

【技术实现步骤摘要】
车辆运行速度确定模型处理方法和车辆运行速度确定方法


[0001]本申请涉及人工智能
，特别是涉及一种车辆运行速度确定模型处理方法、车辆运行速度确定方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]随着人工智能技术的发展，以及各类导航应用程序或应用系统的广泛使用，对于导航应用获得的车辆航迹推算结果、以及车辆导航效果的准确度要求日益提升。其中，通常需要确定出车辆运行过程中的车辆运行速度，并根据车辆运行速度进行车辆航迹推算，以推算得到车辆的瞬时位置，实现连续式自主定位，以达到车辆导航的目的。
[0003]传统上，通常通过车辆上的智能设备比如智能手机等，获取GNSS（即the Global Navigation Satellite System，理解为全球卫星导航系统）观测数据，以基于GNSS观测数据进行车辆运行速度估计，确定出车辆当前运行过程中的运行速度，再基于运行速度以及车辆航迹等实现驾车导航。
[0004]然而，传统上基于GNSS观测数据进行车辆运行速度估计的方式，由于GNSS观测数据对观测环境要求较高，在比如隧道或高架下等恶劣观测环境下，智能手机则无法即时获得准确的GNSS观测数据，存在观测数据延迟导致的运行速度误差较大的问题。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提升车辆运行过程中所确定出的运行速度的准确度的车辆运行速度确定模型处理方法、车辆运行速度确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
>[0006]第一方面，本申请提供了一种车辆运行速度确定模型处理方法。所述方法包括：获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据；基于所述初始惯性测量数据和所述初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据；根据各所述观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型；所述车辆运行速度确定模型用于对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。
[0007]第二方面，本申请提供了一种车辆运行速度确定方法。所述方法包括：接收车辆运行速度确定请求，获取所述车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据；基于所述实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据；根据训练好的车辆运行速度确定模型，对所述目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度；
其中，所述训练好的车辆运行速度确定模型，是根据初始惯性测量数据和初始定位观测数据构建得到的多个观测样本数据，对初始运行速度确定模型的训练过程中，在满足训练结束条件时获得的。
[0008]第三方面，本申请还提供了一种车辆运行速度确定模型处理装置。所述装置包括：初始数据获得模块，用于获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据；观测样本数据构建模块，用于基于所述初始惯性测量数据和所述初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据；车辆运行速度确定模型获得模块，用于根据各所述观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型；所述车辆运行速度确定模型用于对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。
[0009]第四方面，本申请还提供了一种车辆运行速度确定装置。所述装置包括：实际惯性测量数据获得模块，用于接收车辆运行速度确定请求，获取所述车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据；格式转换处理模块，用于基于所述实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据；运行速度预测处理模块，用于根据训练好的车辆运行速度确定模型，对所述目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度；其中，所述训练好的车辆运行速度确定模型，是根据初始惯性测量数据和初始定位观测数据构建得到的多个观测样本数据，对初始运行速度确定模型的训练过程中，在满足训练结束条件时获得的。
[0010]第五方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据；基于所述初始惯性测量数据和所述初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据；根据各所述观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型；所述车辆运行速度确定模型用于对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。
[0011]第六方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：接收车辆运行速度确定请求，获取所述车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据；基于所述实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据；根据训练好的车辆运行速度确定模型，对所述目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度；
其中，所述训练好的车辆运行速度确定模型，是根据初始惯性测量数据和初始定位观测数据构建得到的多个观测样本数据，对初始运行速度确定模型的训练过程中，在满足训练结束条件时获得的。
[0012]第七方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其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以下步骤：获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据；基于所述初始惯性测量数据和所述初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据；根据各所述观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型；所述车辆运行速度确定模型用于对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。
[0013]第八方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其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以下步骤：接收车辆运行速度确定请求，获取所述车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据；基于所述实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据；根据训练好的车辆运行速度确定模型，对所述目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度；其中，所述训练好的车辆运行速度确定模型，是根据初始惯性测量数据和初始定位观测数据构建得到的多个观测样本数据，对初始运行速度确定模型的训练过程中，在满足训练结束条件时获得的。
[0014]第九方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆运行速度确定模型处理方法，其特征在于，所述方法包括：获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据；基于所述初始惯性测量数据和所述初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据；根据各所述观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型；所述车辆运行速度确定模型用于对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。2.根据权利要求1所述的方法，其特征在于，所述基于所述初始惯性测量数据和所述初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据，包括：获取当前观测周期中所述初始定位观测数据中的速度数据，以及前一个观测周期中的初始惯性测量数据；将当前观测周期中初始定位观测数据中的所述速度数据，确定为前一个观测周期中的初始惯性测量数据对应的标注数据；按照所述预设观测周期，依次基于每一所述初始惯性测量数据及其对应的所述标注数据，分别构建得到多个观测样本数据。3.根据权利要求2所述的方法，其特征在于，所述初始运行速度确定模型包括时域卷积层、线性叠加结构以及全连接层；根据各所述观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型，包括：根据所述初始运行速度确定模型的时域卷积层，对各所述观测样本数据进行卷积处理和池化处理，提取各所述观测样本数据对应的观测样本特征；基于所述线性叠加结构，对所述各所述观测样本数据、以及所述时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得观测特征张量；根据所述全连接层，对各所述观测特征张量进行速度值预测处理，获得对应的预测速度值；基于所述预测速度值和对应所述观测样本数据携带的标注数据，确定模型训练损失值；若所述模型训练损失值满足训练结束条件，获得训练好的车辆运行速度确定模型。4.根据权利要求3所述的方法，其特征在于，所述初始运行速度确定模型还包括扁平化处理层、以及张量切分层；在所述基于所述线性叠加结构，对所述各所述观测样本数据、以及所述时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得观测特征张量之后，还包括：根据所述扁平化处理层，对所述观测特征张量进行扁平化处理，获得一维观测特征张量；基于所述张量切分层，按照时间步长对所述一维观测特征张量进行切分处理，获得切分后的多个子观测特征张量；其中，所述全连接层用于对各所述子观测特征张量进行速度值预测处理。5.根据权利要求3所述的方法，其特征在于，所述线性叠加结构包括多个线性叠加层，所述线性叠加层包括信息叠加层和多个时域卷积层；所述线性叠加结构中的线性叠加层，
用于对各所述观测样本数据、以及所述时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，以及用于对各所述观测样本数据、以及上一个线性叠加层中最后一个时域卷积层的输出数据，进行叠加处理和卷积处理。6.根据权利要求5所述的方法，其特征在于，所述基于所述线性叠加结构，对所述各所述观测样本数据、以及所述时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得观测特征张量，包括：基于所述线性叠加结构中的线性叠加层，对各所述观测样本数据和所述时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得该线性叠加层的输出结果；根据所述线性叠加结构中的下一线性叠加层，对各所述观测样本数据、以及上一线性叠加层的输出结果，进行叠加处理和卷积处理，获得所述观测特征张量。7.根据权利要求3所述的方法，其特征在于，在所述基于所述预测速度值和对应所述观测样本数据携带的标注数据，确定模型训练损失值之后，还包括：根据所述模型训练损失值确定训练梯度信息；基于所述训练梯度信息，对所述初始运行速度确定模型进行反向传播和模型参数更新，获得更新后的模型参数。8.根据权利要求7所述的方法，其特征在于...

【专利技术属性】
技术研发人员：程宇航，刘畅，李欣，袁义龙，张鑫，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：