[發明專利]流式模型訓練方法、裝置、計算機設備及存儲介質

有效

• 申請號: 202111475535.0
• 申請日: 2021-12-06
• 公開（公告）號: CN113902137B
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 鐘子宏
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06N20/20
• 分類號: G06N20/20;G06K9/62
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 熊永強;杜維

本發明實施例公開了一種流式模型訓練方法、裝置、計算機設備及存儲介質，該方法可應用于交通領域，該方法包括：獲取流量樣本數據，并采用機器學習算法訓練流量樣本數據，得到第一訓練參數；獲取第二訓練參數，第二訓練參數是第二數據擁有方采用機器學習算法訓練歷史樣本數據后得到的，歷史樣本數據是在先于指定時間段內對第二交通場景進行數據采集得到的；對第一訓練參數與第二訓練參數進行融合，得到融合后的訓練參數，并采用融合后的訓練參數訓練目標模型；其中，目標模型中設置有機器學習算法，訓練完成的目標模型用于進行交通流量預測，可提升基于流量樣本數據訓練得到的模型的準確性和有效性。

技術領域

本申請涉及計算機技術領域，尤其涉及一種流式模型訓練方法、裝置、計算機設備及存儲介質。

背景技術

隨著計算機技術的不斷深入發展，目前對于模型訓練，一般是采用批處理的方式進行離線模型訓練的，而目前的模型訓練預測方式，每次進行模型訓練都是針對特定的批次樣本數據進行靜態訓練，得到該批次數據下的模型結果，對于下一次模型訓練和測試，則需要使用下一批次樣本數據進行訓練測試。由此可見，采用當前的模型訓練方式，需要進行一定數量的樣本數據的獲取，且獲取的樣本數據需要一定的代表性，才能完成對模型的訓練，而如果在數據量較多的情況下，采用當前的模型訓練方法，如果在進行流式模型訓練時，則存在獲取的流量樣本數據不足而導致的無法完成模型訓練的問題。

發明內容

本發明實施例提供了一種流式模型訓練方法、裝置、計算機設備及存儲介質，可提升基于流量樣本數據訓練得到的模型的準確性和有效性。

一方面，本發明實施例提供了一種流式模型訓練方法，包括：

獲取流量樣本數據，并采用機器學習算法訓練所述流量樣本數據，得到第一訓練參數；其中，所述流量樣本數據是在指定時間段內對第一交通場景進行數據采集得到的，且所述流量樣本數據屬于第一數據擁有方；

獲取第二訓練參數，所述第二訓練參數是第二數據擁有方采用所述機器學習算法訓練歷史樣本數據后得到的，所述歷史樣本數據是在先于所述指定時間段內對第二交通場景進行數據采集得到的；

對所述第一訓練參數與所述第二訓練參數進行融合，得到融合后的訓練參數，并采用所述融合后的訓練參數訓練目標模型；其中，所述目標模型中設置有所述機器學習算法，所述訓練完成的目標模型用于進行交通流量預測。

再一方面，本發明實施例提供了一種流式模型訓練裝置，包括：

獲取單元，用于獲取流量樣本數據；

處理單元，用于采用機器學習算法訓練所述流量樣本數據，得到第一訓練參數；其中，所述流量樣本數據是在指定時間段內對第一交通場景進行數據采集得到的，且所述流量樣本數據屬于第一數據擁有方；

所述獲取單元，還用于獲取第二訓練參數，所述第二訓練參數是第二數據擁有方采用所述機器學習算法訓練歷史樣本數據后得到的，所述歷史樣本數據是在先于所述指定時間段內對第二交通場景進行數據采集得到的；

所述處理單元，還用于對所述第一訓練參數與所述第二訓練參數進行融合，得到融合后的訓練參數，并采用所述融合后的訓練參數訓練目標模型；其中，所述目標模型中設置有所述機器學習算法，所述訓練完成的目標模型用于進行交通流量預測。

再一方面，本發明實施例提供了一種計算機設備，包括處理器、輸入設備、輸出設備和存儲器，所述處理器、輸入設備、輸出設備和存儲器相互連接，其中，所述存儲器用于存儲支持計算機設備執行上述方法的計算機程序，所述計算機程序包括程序指令，所述處理器被配置用于調用所述程序指令，執行如下步驟：

獲取流量樣本數據，并采用機器學習算法訓練所述流量樣本數據，得到第一訓練參數；其中，所述流量樣本數據是在指定時間段內對第一交通場景進行數據采集得到的，且所述流量樣本數據屬于第一數據擁有方；