【技术实现步骤摘要】
本申请涉及计算机，尤其涉及一种模型训练方法、楼宇估算方法、装置、设备、及存储介质。
技术介绍
1、解决楼宇无线覆盖一直是城市无线通信建设的重要内容，因此在城市无线网络设计规划阶段，确定城市现状楼宇总量及规模分布对保证规划方案的合理性、准确性具有重要意义。
2、目前，现有的城市楼宇公开数据较少，现有的方法是通过测绘的方式来获取待进行无线网络设计规划城市的楼宇数量及规模分布。
3、然而，在对多个城市进行无线网络设计规划时，现有的获取楼宇数量及规模分布的方法存在效率低下的问题。
技术实现思路
1、本申请提供一种模型训练方法、楼宇估算方法、装置、设备、及存储介质，用以解决现有的获取楼宇数量及规模分布的方法存在效率低下的问题。
2、第一方面，本申请提供一种模型训练方法，方法包括：
3、获取第一数据样本和第二数据样本，第一数据样本包括目标区域内所有城市的综合指标数据，第二数据样本包括所有城市中目标城市的楼宇数据，其中，目标城市的楼宇数据包括目标城市中楼宇的总数量、以及每个楼宇的占地面积；
4、对目标城市的综合指标数据和楼宇数据进行相关性分析，得到目标综合指标数据与楼宇数据的相关性分析结果；
5、根据相关性分析结果，确定综合指标数据中的目标综合指标数据，对所有城市的目标综合指标数据提取特征变量集，对目标城市的楼宇数据提取目标变量集；
6、将特征变量集中目标城市的第一特征变量数据作为训练输入样本，将目标变量集中目标
7、将特征变量集中目标城市的第二特征变量数据作为测试输入样本，将目标变量集中目标城市的第二目标变量数据作为测试输出样本，验证目标模型的准确度，确认目标模型中的最优目标模型。
8、在本申请中，获取第二数据样本，包括：
9、确定目标城市、以及目标城市内每个楼宇的边框矢量数据；
10、根据目标城市内每个楼宇的边框矢量数据，确定目标城市中楼宇的总数量，以及每个楼宇的占地面积；
11、根据目标城市中楼宇的总数量，以及每个楼宇的占地面积，确定第二数据样本。
12、在本申请中，对目标城市的综合指标数据和楼宇数据进行相关性分析，得到目标综合指标数据与楼宇数据的相关性分析结果，包括：
13、根据目标城市的楼宇数据，确定每个目标城市中楼宇的总数量、以及所有目标城市中楼宇的平均数量；
14、确定每个目标城市中各个综合指标数据、以及所有目标城市中各个综合指标数据的平均数；
15、根据每个目标城市中楼宇的总数量、每个目标城市中各个综合指标数据、所有目标城市中楼宇的平均数量、以及所有目标城市中各个综合指标数据的平均数，得到目标城市的综合指标数据与楼宇数据的相关性分析结果。
16、在本申请中，根据每个目标城市中楼宇的总数量、每个目标城市中各个综合指标数据、所有目标城市中楼宇的平均数量、以及所有目标城市中各个综合指标数据的平均数，得到目标城市的综合指标数据与楼宇数据的相关性分析结果，包括：
17、根据公式：
18、
19、得到目标城市的综合指标数据与楼宇数据的相关性分析结果rr；
20、其中，indexnr为目标城市n的综合指标数据r的数据；
21、mean(indexr)为所有目标城市中综合指标数据r的平均数；
22、mn为目标城市n中楼宇的总数量；
23、mean(m)为所有目标城市中楼宇的平均数量。
24、在本申请中，根据相关性分析结果，确定综合指标数据中的目标综合指标数据，对所有城市的目标综合指标数据提取特征变量集，对目标城市的楼宇数据提取目标变量集，包括：
25、确定预设的相关性分析结果要求；
26、根据相关性分析结果要求和相关性分析结果，从综合指标数据中确定目标综合指标数据；
27、对目标区域内的所有城市的目标综合指标数据进行归一化处理，作为特征变量集；
28、根据目标城市中的每个楼宇的占地面积和预设的楼宇占地面积划分区间，确定每个目标城市的楼宇规模分布数据；
29、对每个目标城市的楼宇规模分布数据和楼宇的总数量进行归一化处理，作为目标变量集。
30、在本申请中，将特征变量集中目标城市的第一特征变量数据作为训练输入样本，将目标变量集中目标城市的第一目标变量数据作为训练输出样本，构建并训练预设模型，得到目标模型，包括：
31、将预设参数的模型作为初始目标模型；
32、按预设数量随机选取目标城市，作为训练目标城市；
33、将特征变量集中训练目标城市的第一特征变量数据作为训练输入样本，输入至初始目标模型，得到预测输出结果；
34、将目标变量集中训练目标城市的第一目标变量数据作为训练输出样本；
35、将预测输出结果、训练输出样本通过梯度下降法迭代优化模型参数，直至模型参数的梯度下降值满足阈值要求；
36、将梯度下降值满足阈值要求的模型参数作为目标模型参数，确认目标模型；
37、根据预设的构建目标模型数量要求，返回执行按预设数量随机选取目标城市，作为训练目标城市的步骤，直至得到目标模型的数量满足预设的构建目标模型数量要求。
38、在本申请中，将特征变量集中目标城市的第二特征变量数据作为测试输入样本，将目标变量集中目标城市的第二目标变量数据作为测试输出样本，验证目标模型的准确度，确认目标模型中的最优目标模型，包括：
39、按预设数量随机选取目标城市，作为测试目标城市；
40、将特征变量集中测试目标城市的第二特征变量数据作为测试输入样本，并输入至目标模型，得到测试输出结果；
41、将目标变量集中测试目标城市的第二目标变量数据作为测试输出样本；
42、确定第二测试输出结果与第二测试输出样本间的平均相对误差，作为目标模型的准确度；
43、确定多个目标模型中平均相对误差最小的目标模型为准确度最高的最优目标模型。
44、第二方面，本申请提供一种楼宇估算方法，应用于城市楼宇估算模型，城市楼宇估算模型为本申请中模型训练方法中的目标模型，方法包括：
45、获取特征变量集中待估算城市的特征变量数据；
46、将特征变量数据输入至城市楼宇估算模型，得到楼宇规模估算结果，楼宇规模估算结果包括待估算城市中楼宇的总数量及不同占地面积划分区间的楼宇规模数据；
47、在显示单元中显示楼宇规模估算结果。
48、第三方面，本申请提供一种模型训练装置，包括：
49、第一获取模块，用于获取第一数据样本和第二数据样本，第一数据样本包括目标区域内所有城市的综合指标数据，第二数据样本包括所有城市中目标城市的楼宇数据，其中，目标城本文档来自技高网...
【技术保护点】
1.一种模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取第二数据样本，包括：
3.根据权利要求1所述的方法，其特征在于，所述对所述目标城市的综合指标数据和楼宇数据进行相关性分析，得到目标综合指标数据与楼宇数据的相关性分析结果，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据每个所述目标城市中楼宇的总数量、每个所述目标城市中各个综合指标数据、所有所述目标城市中楼宇的平均数量、以及所有所述目标城市中各个综合指标数据的平均数，得到目标城市的综合指标数据与楼宇数据的相关性分析结果，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述相关性分析结果，确定综合指标数据中的目标综合指标数据，对所有城市的目标综合指标数据提取特征变量集，对目标城市的楼宇数据提取目标变量集，包括：
6.根据权利要求1所述的方法，其特征在于，所述将所述特征变量集中目标城市的第一特征变量数据作为训练输入样本，将目标变量集中目标城市的第一目标变量数据作为训练输出样本，构建并训练预设模型，得到目标模型
7.根据权利要求1所述的方法，其特征在于，所述将所述特征变量集中目标城市的第二特征变量数据作为测试输入样本，将目标变量集中目标城市的第二目标变量数据作为测试输出样本，验证所述目标模型的准确度，确认所述目标模型中的最优目标模型，包括：按预设数量随机选取目标城市，作为测试目标城市；
8.一种楼宇估算方法，其特征在于，应用于城市楼宇估算模型，所述城市楼宇估算模型为权利要求1～7中任一项所述的模型训练方法中的最优目标模型，所述方法包括：
9.一种模型训练装置，其特征在于，包括：
10.一种楼宇估算装置，其特征在于，应用于城市楼宇估算模型，包括：
11.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至8任一项所述的方法。
...【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取第二数据样本，包括：
3.根据权利要求1所述的方法，其特征在于，所述对所述目标城市的综合指标数据和楼宇数据进行相关性分析，得到目标综合指标数据与楼宇数据的相关性分析结果，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据每个所述目标城市中楼宇的总数量、每个所述目标城市中各个综合指标数据、所有所述目标城市中楼宇的平均数量、以及所有所述目标城市中各个综合指标数据的平均数，得到目标城市的综合指标数据与楼宇数据的相关性分析结果，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述相关性分析结果，确定综合指标数据中的目标综合指标数据，对所有城市的目标综合指标数据提取特征变量集，对目标城市的楼宇数据提取目标变量集，包括：
6.根据权利要求1所述的方法，其特征在于，所述将所述特征变量集中目标城市的第一特征变量数据作为训练输入样本，将目标变量集中目标城市的第一...
【专利技术属性】
技术研发人员：刘津，王森，刘鹏，朱悦，蔡子龙，
申请(专利权)人：中国联合网络通信集团有限公司，
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。