[發明專利]地圖處理方法、裝置、設備及計算機可讀存儲介質

在審

• 申請號: 201910860108.0
• 申請日: 2019-09-11
• 公開（公告）號: CN111831763A
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 張洪榮;吳羨
• 申請（專利權）人: 北京嘀嘀無限科技發展有限公司
• 主分類號: G06F16/29
• 分類號: G06F16/29;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京超成律師事務所 11646
• 代理人: 吳迪

1.一種地圖處理方法，其特征在于，所述方法包括：

從多個出行數據中，確定各行程的起始和終止的格子，所述格子對應地圖上的預設位置區域；

根據多個所述格子的數據，進行網絡訓練，得到格子向量矩陣，所述格子向量矩陣包括：按照格子出行頻次排序的多個所述格子的標簽的向量；

根據所述格子向量矩陣，對所述地圖中的多個所述格子進行聚類。

2.根據權利要求1所述的方法，其特征在于，所述根據多個所述格子的數據，進行網絡訓練，得到格子向量矩陣包括：

根據各所述格子的出行頻次對多個所述格子進行排序；

根據排序之后的多個所述格子的數據，進行網絡訓練，得到所述格子向量矩陣。

3.根據權利要求1所述的方法，其特征在于，所述根據多個所述格子的數據，進行網絡訓練，得到格子向量矩陣包括：

將各所述格子的數據，輸入預設的神經網絡模型，得到各所述格子至多個所述格子的概率值；所述神經網絡模型用于根據各所述格子的數據、第一向量矩陣中所述格子的標簽對應的輸入向量、以及第二向量矩陣中所述格子的標簽對應的輸出向量，得到各所述格子至多個所述格子的概率值；其中，所述第一向量矩陣的行向量包括：按照出行頻次排序的各所述格子的標簽對應的輸入向量，所述輸入向量用于表征所述格子作為起始格子的向量；所述第二向量矩陣的列向量包括：按照出行頻次排序的各所述格子的標簽對應的輸出向量，所述輸出向量用于表征所述格子作為終止格子的向量；

根據各所述格子至多個所述格子的概率值，和各所述格子對應的終止格子的真實標簽，計算所述神經網絡模型的損失函數值；

根據所述神經網絡模型的損失函數值，對所述第一向量矩陣和所述第二向量矩陣中的向量值進行調節；

若基于調節之后的所述第一向量矩陣和調節之后的所述第二向量矩陣進行訓練得到的所述神經網絡模型的損失函數曲線收斂，確定所述損失函數曲線收斂對應的所述第一向量矩陣確定為所述格子向量矩陣。

4.根據權利要求1-3中任一所述的方法，其特征在于，所述根據所述格子向量矩陣，對所述地圖中的多個所述格子進行聚類，包括：

根據所述格子向量矩陣以及預設的連通性矩陣，采用預設的層次聚類算法，對所述地圖的多個所述格子進行聚類；所述連通性矩陣包括：用于表征格子之間相鄰關系的參數，聚類之后的同一類的所述格子位于所述地圖上同一區域內。

5.根據權利要求4所述的方法，其特征在于，聚類之后的同一類型的所述格子具有同一類別標簽。

6.一種地圖處理裝置，其特征在于，所述裝置包括：

確定模塊，用于從多個出行數據中，確定各行程的起始和終止的格子，所述格子對應地圖上的預設位置區域；

訓練模塊，用于根據多個所述格子的數據，進行網絡訓練，得到格子向量矩陣，所述格子向量矩陣包括：按照格子出行頻次排序的多個所述格子的標簽的向量；

聚類模塊，用于根據所述格子向量矩陣，對所述地圖中的多個所述格子進行聚類。

7.根據權利要求6所述的裝置，其特征在于，所述訓練模塊，還用于根據各所述格子的出行頻次對多個所述格子進行排序；根據排序之后的多個所述格子的數據，進行網絡訓練，得到所述格子向量矩陣。