高架场景下的训练样本生成方法、装置、设备及存储介质与流程

1.本技术涉及人工智能技术领域，特别涉及一种高架场景下的训练样本生成方法、装置、设备及存储介质。


背景技术：

2.目前，在地图应用场景中，针对车辆的导航过程，需要对地图中的高架道路进行识别。
3.在相关技术中，在车辆行驶过程中，通过气压计获取车辆在当前地理位置的气压强度，进一步地，基于气压随着高度的变化规律，根据所获取的气压强度确定车辆的高度信息，确定车辆当前所在的道路是否为高架道路。
4.然而，在上述相关技术中，不同地点的气压值随高度变化情况都是不同的，单纯利用气压强度去的判别车辆当前所在的道路是否为高架道路，判别结果容易存在误差。


技术实现要素：

5.本技术实施例提供了一种高架场景下的训练样本生成方法、装置、设备及存储介质，能够提高判别结果的准确性。所述技术方案如下。
6.根据本技术实施例的一个方面，提供了一种高架场景下的训练样本生成方法，所述方法包括以下步骤：
7.获取多条道路对应的行驶数据集；其中，所述多条道路包括处于不同层级的高架道路和非高架道路，所述行驶数据集中包括样本车辆在所述道路上行驶过程中的多个不同时间戳分别记录的行驶数据；
8.基于所述时间戳对应的行驶数据的记录位置，对所述时间戳对应的行驶数据进行位置标记，得到所述时间戳对应的特征数据；其中，所述时间戳对应的特征数据包括所述时间戳对应的行驶数据，以及用于指示所述时间戳对应的行驶数据的记录位置的位置标识；
9.根据所述时间戳对应的特征数据，生成所述时间戳对应的训练样本；其中，所述训练样本用于对高架判别模型进行训练，所述高架判别模型用于判别目标车辆是否位于高架道路上。
10.根据本技术实施例的一个方面，提供了一种高架判别方法，所述方法包括以下步骤：
11.获取目标车辆在当前行驶时刻的位置标识，以及所述目标车辆获取的行驶数据；其中，所述位置标识用于指示所述目标车辆当前所处的路段；
12.对所述位置标识和所述行驶数据进行特征提取，得到所述目标车辆的特征信息；
13.基于所述特征信息确定所述目标车辆的判别结果；其中，所述判别结果用于指示所述目标车辆是否位于高架道路上。
14.根据本技术实施例的一个方面，提供了一种高架场景下的训练样本生成装置，所述装置包括以下模块：
15.数据获取模块，用于获取多条道路对应的行驶数据集；其中，所述多条道路包括处于不同层级的高架道路和非高架道路，所述行驶数据集中包括样本车辆在所述道路上行驶过程中的多个不同时间戳分别记录的行驶数据；
16.数据生成模块，用于基于所述时间戳对应的行驶数据的记录位置，对所述时间戳对应的行驶数据进行位置标记，得到所述时间戳对应的特征数据；其中，所述时间戳对应的特征数据包括所述时间戳对应的行驶数据，以及用于指示所述时间戳对应的行驶数据的记录位置的位置标识；
17.样本生成模块，用于根据所述时间戳对应的特征数据，生成所述时间戳对应的训练样本；其中，所述训练样本用于对高架判别模型进行训练，所述高架判别模型用于判别目标车辆是否位于高架道路上。
18.根据本技术实施例的一个方面，提供了一种高架判别装置，所述装置包括以下模块：
19.信息获取模块，用于获取目标车辆在当前行驶时刻的位置标识，以及所述目标车辆获取的行驶数据；其中，所述位置标识用于指示所述目标车辆当前所处的路段；
20.特征提取模块，用于对所述位置标识和所述行驶数据进行特征提取，得到所述目标车辆的特征信息；
21.特征处理模块，用于基于所述特征信息确定所述目标车辆的判别结果；其中，所述判别结果用于指示所述目标车辆是否位于高架道路上。
22.根据本技术实施例的一个方面，本技术实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述高架场景下的训练样本生成方法，或实现上述高架判别方法。
23.根据本技术实施例的一个方面，本技术实施例提供了一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述高架场景下的训练样本生成方法，或实现上述高架判别方法。
24.根据本技术实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述高架场景下的训练样本生成方法，或实现上述高架判别方法。
25.本技术实施例提供的技术方案可以带来如下有益效果：
26.通过多条道路对应的行驶数据集，以及该行驶时间集中各个时间戳对应的行驶数据的记录位置，生成针对高架判别模型的训练样本，也就是说，本技术提供了一种高架判别模型，该高架判别模型基于当前时刻收集到的行驶数据，结合当前时刻的记录位置，确定目标车辆是否位于高架道路上，不仅仅依据单一的信息确定目标车辆是否在高架道路上，提高判别结果的准确性；而且，在数据收集过程中，存在一种情况，在高架道路上的某个位置和高架道路下的某个位置收集得到行驶数据相似，本技术中除了当前时刻收集到的行驶数据，还需依据当前时刻的记录位置进行高架判别，以记录位置对行驶数据标记，在不同位置
收集到相似行驶数据的情况下，也能够准确判别目标车辆是否位于高架道路上。
附图说明
27.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
28.图1是本技术一个实施例提供的高架场景下的训练样本生成系统的示意图；
29.图2示例性示出了一种高架场景下的训练样本生成系统的示意图；
30.图3是本技术一个实施例提供的高架判别系统的示意图；
31.图4示例性示出了一种高架判别系统的示意图；
32.图5是本技术一个实施例提供的高架场景下的训练样本生成方法的流程图；
33.图6示例性示出了一种高架道路、路段和子路段的示意图；
34.图7示例性示出了一种时间戳对应的特征数据的获取方式的示意图；
35.图8示例性示出了一种高架地图的示意图；
36.图9示例性示出了一种高架判别模型的训练方式的示意图；
37.图10示例性示出了一种训练样本的获取过程的示意图；
38.图11是本技术一个实施例提供的高架判别方法的流程图；
39.图12示例性示出了一种高架判别的整体流程的示意图；
40.图13是本技术一个实施例提供的高架场景下的训练样本生成装置的框图；
41.图14是本技术另一个实施例提供的高架场景下的训练样本生成装置的框图；
42.图15是本技术一个实施例提供的高架判别装置的框图；
43.图16是本技术另一个实施例提供的高架判别装置的框图；
44.图17是本技术一个实施例提供的计算机设备的结构框图。
具体实施方式
45.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
46.本技术中高架场景下的训练样本生成方法、高架判别方法涉及以下技术：
47.人工智能(artificial intelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
48.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
49.机器学习(machine learning,ml)是一门多领域交叉学科，涉及概率论、统计学、
逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
50.智能交通系统(intelligent traffic system，its)又称智能运输系统(intelligent transportation system)，是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
51.随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
52.本技术实施例提供的方案涉及人工智能的机器学习等技术，下面，结合几个实施例对本技术技术方案进行介绍说明。
53.请参考图1，其示出了本技术一个实施例提供的高架场景下的训练样本生成系统的示意图。该高架场景下的训练样本生成系统可以包括：第一设备10和第二设备20。
54.第一设备10用于提供模型训练所需的数据。可选地，第一设备10为任意具有定位功能的可移动设备，如手机、平板电脑、游戏主机、电子书阅读器、多媒体播放设备、可穿戴设备、pc(personal computer，个人计算机)、智能语音交互设备、智能家电、车载终端等电子设备，本技术实施例对此不作限定。
55.第二设备20用于训练模型。可选地，第二设备20可以是服务器、计算机设备、pc等电子设备，本技术实施例对此不作限定。其中，上述服务器可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务中心。
56.上述第一设备10与上述第二设备20之间通过网络进行数据传输。
57.可选地，在本技术实施例中，上述模型是指高架判别模型，该高架判别模型用于判别目标车辆是否位于高架道路上。其中，目标车辆可以为任意车辆，本技术实施例对此不作限定；高架道路也可称为高架、高架桥、架空道路、行车天桥等，该高架道路与非高架道路处于不同的层级。
58.以第一设备10为样本车辆的车载终端为例，如图2所示，在行驶过程中，第一设备10进行数据收集，生成该第一设备10的行驶数据集，并将该行驶数据集发送至第二设备20。其中，该行驶数据集包括在行驶过程中多个不同时间戳分别记录的行驶数据。对应地，第二设备20在获取该行驶数据集之后，基于各个时间戳对应的行驶数据的记录位置，生成“时间戳+位置标识”，进而生成“时间戳+位置标识+行驶数据”，并根据“时间戳+位置标识+行驶数据”生成高架判别模型的训练样本，并采用该训练样本对高架判别模型进行训练。
59.需要说明的一点是，上述图2是从单个第一设备10的角度进行说明的，在示例性实施例中，第二设备20可以对多个第一设备10收集的行驶数据集进行处理，以生成高架判别模型的训练样本。
60.可选地，上述第一设备10和上述第二设备20可以为同一设备，也可以为不同的设备，本技术实施例对此不作限定。
61.需要说明的一点是，上述图2的介绍只是示例性和解释性的，在示例性实施例，可以对第一设备10和第二设备20的功能进行灵活设置和调整，本技术实施例对此不作限定。
62.请参考图3，其示出了本技术一个实施例提供的高架判别系统的示意图。该高架判别系统可以包括：终端30和服务器40。
63.终端30包括但不限定于手机、平板电脑、游戏主机、电子书阅读器、多媒体播放设备、可穿戴设备、pc、智能语音交互设备、智能家电、车载终端、飞行器等电子设备。终端30中可以包括应用程序的客户端。可选地，该应用程序可以是任意具有定位功能的应用程序，如导航应用程序、社交应用程序、购物应用程序等，本技术实施例对此不作限定。其中，上述应用程序可以是需要下载安装的应用程序，也可以是即点即用的应用程序，本技术实施例对此不作限定。
64.服务器40用于为终端30提供后台服务。服务器40可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务中心。可选地，服务器40可以是上述应用程序的客户端的后台服务器。在示例性实施例中，服务器40为多个终端30提供后台服务。
65.上述终端30和上述服务器40通过网络进行互相通信。
66.可选地，在本技术实施例中，服务器40为终端30提供高架判别功能。示例性地，如图4所示，终端30在检测到用户的定位操作时，获取在当前所处位置处收集到的行驶数据和经纬度信息，进一步地，基于该经纬性判断终端30的周围区域中是否存在高架道路。若终端30的周围区域中存在高架道路，则生成定位请求，并向服务器40发送该定位请求；若终端30的周围区域中不存在高架道路，则基于上述经纬信息确定终端30当前所在位置。对应地，服务器40在获取上述定位请求之后，基于该定位请求中的经纬度信息，生成位置标识，并对该位置标识和行驶数据进行特征提取，获取特征信息，进而将该特征信息输入至高架判别模型，获取高架判别模型输出的判别结果。其中，该判别结果用于指示终端30是否位于高架道路上。之后，服务器40向终端30发送该判别结果，终端30基于该判别结果和上述经纬度信息，确定终端30当前所在位置。
67.可选地，上述服务器40与图1实施例中的第二设备20可以为相同的设备，本技术实施例对此不作限定。
68.需要说明的一点是，上述图4的介绍只是示例性和解释性的，在示例性实施例，可以对终端30和服务器40的功能进行灵活设置和调整，本技术实施例对此不作限定。
69.请参考图5，其示出了本技术一个实施例提供的高架场景下的训练样本生成方法的流程图。该方法可应用于图1所示的高架场景下的训练样本生成系统的第二设备20，如各步骤的执行主体可以是第二设备20(以下称为“计算机设备”)。该方法可以包括以下几个步骤(501～503)中的至少一个步骤：
70.步骤501，获取多条道路对应的行驶数据集。
71.道路即为供车辆行驶的道路。在本技术实施例中，计算机设备在生成高架判别模型的训练样本之前，获取多条道路对应的行驶数据集。其中，该多条道路包括处于不同层级的高架道路和非高架道路；行驶数据集中包括样本车辆在道路上行驶过程中的多个不同时
间戳分别记录的行驶数据，该时间戳用于指示行驶数据的收集时刻。
72.可选地，上述行驶数据集为样本车辆在某条道路上行驶过程中的收集获取的，也可以为样本车辆在行驶过程中的全量数据。
73.在一种可能的实施方式中，为了减少数据传输信令，上述行驶数据集为样本车辆在某条道路上行驶过程中的收集获取的。可选地，计算机设备在获取行驶数据集之前，确定上述多条道路，并将该多条道路对应的标识信息发送至上述样本车辆；对应地，在样本车辆确定行驶至多条道路中的某条道路的情况下，开始收集行驶数据，进一步地，在样本车辆离开该道路的情况下，停止收集行驶数据，并根据收集到的行驶数据，以及该行驶数据的收集时刻，生成上述行驶数据集，并向计算机设备发送该行驶数据集。
74.需要说明的一点是，上述行驶数据的开始收集和停止收集，可以是样本车辆自动确定的，也可以是样本车辆的驾驶员手动确定的，本技术实施例对此不作限定。示例性地，样本车辆具有准确的自动定位功能，这种情况下，样本车辆能够较为准确地确定目标所行驶至的道路，进而样本车辆可以自动确定数据的开始收集和停止收集，可选地，这种情况可以应用至高架判别模型训练完成后的进一步优化阶段；或者，样本车辆不具有准确的自动定位功能，在这种情况下，样本车辆无法较为准确地确定目标车辆所行驶至的道路，进而需要驾驶员手动辅助以确定数据的开始收集和停止收集，可选地，这种情况可以应用至高架判别模型未训练完成的阶段。
75.在另一种可能的实施方式中，为了保证数据的完整性，上述行驶数据集为样本车辆在行驶过程中的全量数据。可选地，样本车辆在行驶过程中收集多条途经道路的行驶数据，并根据该行驶数据和该行驶数据的收集时刻，生成上述行驶数据集，并向计算机设备发送该行驶数据集。其中，上述多条途经道路是指样本车辆在一次或多次行驶过程中经过的道路，一次行驶过程对应一条完整的行驶路径。
76.可选地，在本技术实施例中，计算机设备可以预先获取并存储上述行驶数据集，也可以在确定生成训练样本之后再获取上述行驶数据集，本技术实施例对此不作限定。可选地，在计算机设备预先获取并存储行驶数据集的情况下，各个行驶数据集可以样本车辆为基准进行分类存储，也可以道路为基准进行分类存储，本技术实施例对此不作限定。
77.可选地，在本技术实施例中，上述样本车辆可以为行驶数据收集之前设定的特定车辆，也可以为具有数据收集权限和数据上传权限的任意车辆。其中，数据收集权限和数据上传权限均为用户根据实际情况所开启的权限。
78.步骤502，基于时间戳对应的行驶数据的记录位置，对时间戳对应的行驶数据进行位置标记，得到时间戳对应的特征数据。
79.在本技术实施例中，计算机设备在获取上行驶数据集之后，基于时间戳对应的行驶数据的记录位置，对时间戳对应的行驶数据进行位置标记，得到时间戳对应的特征数据。其中，上述时间戳对应的行驶数据的记录位置，用于指示该行驶数据在记录时的经纬度信息和高度信息。
80.可选地，上述时间戳对应的行驶数据包括定位信息和行驶变化数据。其中，该行驶变化数据用于指示样本车辆在行驶过程中的上坡变化和下坡变化。可选地，在获取某个时间戳对应的行驶数据之后，基于该行驶数据中的定位信息，确定在收集该行驶数据时样本车辆的经纬度信息；以及，基于该行驶数据中的行驶变化数据，确定在收集该行驶数据时样
本车辆的高度信息；进一步地，基于上述经纬度信息和上述高度信息，确定该时间戳对应的行事数据的记录位置。
81.在一种可能的实施方式中，为了快速确定样本车辆的高度信息，上述行驶变化数据用于指示在上述时间戳之前，样本车辆在行驶过程中的上坡变化和下坡变化。在获取时间戳对应的行驶数据之后，基于行驶变化数据，确定样本车辆在时间戳之前的上坡信息和下坡信息，进而确定该样本车辆的高度信息。在另一种可能的实施方式中，为了提高高度信息的准确性，上述行驶变化数据用于指示样本车辆在整体行驶过程中的上坡变化和下坡变化。在获取时间戳对应的行驶数据之后，基于行驶变化数据，确定样本车辆在整体行驶过程中的上坡信息和下坡信息，进而确定该样本车辆的高度信息。
82.在本技术实施例中，上述时间戳对应的特征数据包括时间戳对应的行驶数据，以及用于指示时间戳对应的行驶数据的记录位置的位置标识。可选地，该位置标识用于指示上述记录位置所属的子路段；或者，该位置标识用于指示上述记录位置所属的路段；或者，该位置标识用于指示上述记录位置的经纬度信息。其中，一条道路包括多条路段，一条路段包括多条子路段。可选地，上述路段是基于道路采集规范从道路中划分得到的，上述子路段是在路段上划分得到的细粒度道路组成单位。示例性地，如图6所示，在高架道路61中包括多条路段62，且每条路段62中包括多条子路段63。
83.步骤503，根据时间戳对应的特征数据，生成时间戳对应的训练样本。
84.在本技术实施例中，计算机设备在获取上述时间戳对应的特征数据之后，根据该时间戳对应的特征数据，生成该时间戳对应的训练样本。其中，该训练样本用于对高架判别模型进行训练，高架判别模型用于判别目标车辆是否位于高架道路上。
85.可选地，在本技术实施例中，上述时间戳对应的训练样本中，包括时间戳对应的特征信息和时间戳对应的标签。其中，时间戳对应特征信息为高架判别模型的输入数据，时间戳对应的标签用于指示高架判别模型的预期输出结果。
86.需要说明的一点是，在本技术实施例中，计算机设备从上述多条道路对应的行驶数据集中，基于多个时间戳对应的特征数据，生成多个时间戳对应的训练样本，进而以多个时间戳对应的训练样本对高架判别模型进行训练。
87.综上所述，本技术实施例提供的技术方案中，通过多条道路对应的行驶数据集，以及该行驶时间集中各个时间戳对应的行驶数据的记录位置，生成针对高架判别模型的训练样本，也就是说，本技术提供了一种高架判别模型，该高架判别模型基于当前时刻收集到的行驶数据，结合当前时刻的记录位置，确定目标车辆是否位于高架道路上，不仅仅依据单一的信息确定目标车辆是否在高架道路上，提高判别结果的准确性；而且，在数据收集过程中，存在一种情况，在高架道路上的某个位置和高架道路下的某个位置收集得到行驶数据相似，本技术中除了当前时刻收集到的行驶数据，还需依据当前时刻的记录位置进行高架判别，以记录位置对行驶数据标记，在不同位置收集到相似行驶数据的情况下，也能够准确判别目标车辆是否位于高架道路上。
88.下面，对特征数据的获取方式进行介绍。
89.在示例性实施例中，上述步骤502包括以下至少一个步骤：
90.1、基于时间戳对应的行驶数据的记录位置，确定记录位置所属的子路段。
91.记录位置用于指示时间戳对应的行驶数据在记录时的经纬度信息和高度信息。在
本技术实施例中，计算机设备在获取时间戳对应的行驶数据的记录位置之后，以该记录位置为基准，确定该记录位置所处的子路段。
92.可选地，在本技术实施例中，计算机设备在获取上述记录位置之后，分别获取多条候选子路段的经纬度范围和高度范围；进一步地，基于该记录位置所指示的经纬度信息和高度信息，从该多条候选子路段中确定记录位置所属的子路段。
93.可选地，上述候选子路段是基于记录位置所指示经纬度信息确定的。示例性地，计算机设备在确定记录位置所指示的经纬度信息之后，以该经纬度信息所指示的位置为中心，将位于该经纬度信息的周围区域内的子路段确定为候选子路段。
94.可选地，计算机设备通过路网数据获取候选子路段的经纬度范围和高度范围。其中，该路网数据中包括用于记录道路的属性信息。可选地，路网数据以道路为单位，记录每一条道路的属性信息；或者，路网数据以道路中的路段为单位，记录每一条路段的属性信息；或者，路网数据以路段中的子路段为单位，记录每一条子路段的属性信息。在本技术实施例中，上述路网数据包括道路中各条子路段的属性信息。当然，在示例性实施例中，根据实际情况可以对路网数据中属性信息的记录方式进行灵活设置和调整。示例性地，路网数据以道路中的路段和路段中的子路段为单位，记录每一条路段的属性和每一条子路段的属性信息。
95.在一种可能的实施方式中，上述子路段的属性信息包括子路段的经纬度范围和高度范围。可选地，计算机设备在确定上述候选子路段之后，直接从已存储的数据中获取候选子路段的经纬度范围和高度范围，进而确定时间戳对应的行驶数据的记录位置是否位于该经纬度范围和高度范围内。
96.在另一种可能的实施方式中，上述子路段的属性信息包括子路段的起点位置和终点位置的经纬度信息和高度信息。可选地，计算机设备在确定上述候选子路段之后，获取候选子路段的起点位置和终点位置的经纬度信息和高度信息，进而确定候选子路段的经纬度范围和高度范围，以确定时间戳对应的行驶数据的记录位置是否位于该经纬度范围和高度范围内。
97.当然，在其它可能的实施方式中，上述子路段的属性信息还可以其它形式的信息来指示子路段的经纬度范围和高度范围，本技术实施例对此不作限定。示例性地，子路段的属性信息包括子路段的起点位置的经纬度信息和高度信息，以及子路段与水平面的夹角、子路段的长度等。
98.需要说明的一点是，上述对路网数据的介绍只是示例性和解释性的，在示例性实施例中，可以根据实际情况对路网数据进行灵活设置和调整，本技术实施例对此不作限定。例如，路网数据还包括但不限于以下至少一项：各条子路段的连接信息、各条路段的连接信息、各条道路的连接信息、各条道路的名称等。
99.2、根据记录位置所属的子路段，确定时间戳对应的行驶数据的位置标识。
100.在本技术实施例中，计算机设备在确定记录位置所属的子路段之后，确定时间戳对应的行驶数据的位置标识。其中，上述位置标识用于指示时间戳对应的行驶数据的记录位置所属的子路段。
101.在一种可能的实施方式中，子路段与位置标识之间具有一一对应关系。可选地，计算机设备在确定记录位置所属的子路段之后，以该子路段的标识信息作为上述位置标识。
102.在另一种可能的实施方式中，子路段与关联子路段共用一个位置标识，且子路段的经纬度范围与关联子路段的经纬度范围相近。例如，直接以子路段的经纬度范围与关联子路段的经纬度范围之间的重复范围，作为上述位置标识。其中，子路段与关联子路段之间的关系见下文，在此不作赘述。
103.3、根据时间戳对应的行驶数据，以及位置标识，生成时间戳对应的特征数据。
104.在本技术实施例中，计算机设备在获取上述时间戳对应的行驶数据的位置标识之后，根据时间戳对应的行驶数据，以及该行驶数据的位置标识，生成时间戳对应的特征数据。
105.示例性地，如图7所示，对时间戳对应的特征数据的获取方式进行完整介绍。计算机设备在获取时间戳对应的行驶数据71，以及时间戳对应的记录位置72之后，基于该时间戳对应的记录位置72和路网数据73中所存储的数据，确定记录位置所属的子路段74，并确定时间戳对应的位置标识75；进一步地，计算机设备基于时间戳对应的行驶数据71，以及时间戳对应的位置标识75，生成时间戳对应的特征数据76。
106.综上，在本技术实施例中，通过位置标识生成特征数据，且后续基于该特征数据能够生成高架判别模型的训练样本，即在高架判别模型的训练过程中，该高架判别模型能够基于“位置标识+行驶数据”的数据结构进行学习，使得训练完成后的高架判别模型在高架判别时同时用到位置标识和行驶数据两种类型的数据，提高高架判别模型的准确性，在不同位置收集到相似行驶数据的情况下，高架判别模型也能够准确判别目标车辆是否位于高架道路上。
107.下面，对行驶数据集的获取方式进行介绍。
108.在一种可能的实施方式中，计算机设备基于高架道路上的子路段，先确定子路段对应的关联子路段，进而获取上述行驶数据集。
109.在示例性实施例中，上述步骤501包括以下至少一个步骤：
110.1、对高架道路进行分割，得到高架道路包含的至少一条子路段。
111.高架道路是指上述多条道路中的任意一条高架道路。在本技术实施例中，计算机设备获取至少一条高架道路，并对高架道路进行分割，得到高架道路包含的至少一条子路段。
112.可选地，计算机设备从路段中分割获取子路段；或者，计算机设备从高架道路中分割获取子路段。
113.在一种可能的实施方式中，计算机设备从路段中分割获取子路段。可选地，计算机设备在获取高架道路之后，获取该高架道路包含的多条路段，以及子路段的设置长度；进一步地，根据该设置长度，以及各条路段的长度，确定各条路段分别对应的分割长度；之后，基于该分割长度，对各条路段分别进行分割，得到高架道路包含的至少一条子路段。
114.示例性地，假设子路段的设置长度为γ，路段的长度为l，则该路段的预估分割数量n为：
115.n＝round(l/γ)；
116.其中，round为取整函数；
117.该路段的分割长度l为
：
118.l＝l/n。
119.在另一种可能的实施方式中，计算机设备从高架道路中分割获取子路段。可选地，计算机设备在获取高架道路之后，获取该高架道路的长度，以及子路段的设置长度；进一步地，根据该高架道路的长度，以及该设置长度，确定高架道路的分割长度；之后，基于该分割长度，对高架道路进行分割，得到高架道路包含的至少一条子路段。
120.其中，上述设置长度可以根据实际情况进行灵活设置和调整，本技术实施例对此不作限定。可选地，在本技术实施例中，不同高架道路对应的设定长度相同，对于不同长度的高架道路，基于相同的设定长度分割以获取子路段，所获取的各条子路段之间的差值较小。
121.2、获取子路段对应的关联子路段。
122.在本技术实施例中，计算机设备在获取上述子路段之后，获取该子路段对应的关联子路段。其中，关联子路段包括位于非高架道路上的，子路段对应的高架下子路段。可选地，关联子路段的经纬度信息与子路段的经纬度信息相近。
123.可选地，在本技术实施例中，计算机设备在获取上述子路段之后，获取子路段对应的投影子路段；进一步地，判断该投影子路段是否位于非高架子路段。
124.可选地，若该投影子路段位于非高架道路上，则确定该投影子路段为上述子路段对应的高架下子路段。在这种情况下，上述关联子路段仅仅包括上述子路段对应的高架下子路段。
125.可选地，若投影子路段位于高架道路上，则确定该投影子路段为上述子路段对应的下层高架道路上的子路段；以及，将该投影子路段确定为新的子路段，继续获取该新的子路段对应的投影子路段。在这种情况下，上述关联子路段包括：子路段对应的至少一条下层高架道路上的子路段，以及子路段对应的高架下子路段。其中，子路段、各条下层高架道路上的子路段，以及高架下子路段之间具有一一对应关系。
126.可选地，计算机设备通过高架地图获取上述投影子路段。其中，该高架地图用于显示各条道路在层级上的位置关系。可选地，上述高架地图中包括子路段和该子路段的层级信息。示例性地，在高架地图中，以显示样本作为层级信息，不同的显示样式对应不同层级道路的层级信息；或者，在高架地图中，以数值作为层级信息，不同的数值对应不同层级道路的层级信息。可选地，上述高架地图中还包括各条子路段之间的连接关系，以展示子路段组成的路段和路段组成的道路。
127.在本技术实施例中，计算机设备在获取上述投影子路段时，获取上述高架地图，在该高架地图上，以子路段的端点为基准，作经过该端点的垂线，得到垂线与至少一条高架下道路的交点。其中，该高架下道路是指上述高架道路的下层道路。之后，计算机设备在获取根据上述交点的位置，获取子路段对应的投影子路段。其中，上述垂线可以为垂直于子路段的垂线，也可以为垂直与水平面的垂线，本技术实施例对此不作限定。
128.可选地，在本技术实施例中，计算机设备在获取上述交点之后，从至少一条高架下道路中，获取至少一条由交点截取的候选投影子路段；进一步地，从至少一条候选投影子路段中，将距离上述子路段最近中的候选投影子路段确定为子路段对应的投影子路段。
129.示例性地，如图8所示，在高架地图80中包括多条高架道路81，以及多条非高架道路82。对高架道路81进行分割，得到高架道路81中的多条子路段83，以子路段83的端点为基准，作经过该端点的垂线，得到垂线与至少一条高架下道路的交点；进一步地，根据交点的
位置，从多条候选投影子路段84中，将距离子路段83最近的候选投影子路段84确定为子路段83对应的投影子路段85。
130.需要说明的一点是，上述投影子路段可以为一条路段中的子路段，也可以为基于多条路段组成的子路段。示例性地，如图9所示，若子路段90对应的垂线91和垂线92与路段93相交，则从该路段93中获取子路段90对应的投影子路段94，该投影子路段94的端点分别为垂线91与路段93的交点，以及垂线92与路段93的交点；若子路段90对应的垂线91和垂线92分别与路段95、路段96相交，则基于路段95和路段96获取子路段90对应的投影子路段97，该投影子路段的端点分别为垂线91与路段95的交点，以及垂线92与路段96的交点。
131.3、获取子路段对应的行驶数据集，以及关联子路段对应的行驶数据集。
132.在本技术实施例中，计算机设备在获取上述子路段，以及子路段对应的关联子路段之后，获取子路段对应的行驶数据集，以及关联子路段对应的行驶数据集。其中，上述多条道路对应的行驶数据集包括各条子路段对应的行驶数据集，以及各条关联子路段对应的行驶数据集。
133.在另一种可能的实施方式中，计算机设备基于高架道路上的子路段，以及非高架道路上的子路段，先确定各条子路段之间的关联关系，再获取上述行驶数据集。
134.在示例性实施例中，上述步骤501包括以下至少一个步骤：
135.1、获取高架道路，以及高架道路对应的关联道路。
136.在本技术实施例中，计算机设备在生成高架判别模型的训练样本之前，获取高架道路，以及高架道路对应的关联道路。其中，关联道路包括位于高架道路下层的至少一条道路。
137.可选地，上述关联道路可以为高架道路，也可以为非高架道路，本技术实施例对此不作限定。
138.2、对高架道路和关联道路分别进行分割，得到至少一条第一子路段和至少一条第二子路段。
139.在本技术实施例中，计算机设备在获取上述高架道路与上述关联道路之后，对该高架道路和关联道路分别进行分割，得到至少一条第一子路段和至少一条第二子路段。其中，第一子路段是指位于高架道路上的子路段，第二子路段是指位于关联道路上的子路段。
140.可选地，计算机设备从路段中分割获取子路段；或者，计算机设备从道路中分割获取子路段。
141.在一种可能的实施方式中，计算机设备从路段中分割获取子路段。可选地，计算机设备在获取高架道路和关联道路之后，获取该高架道路包含的多条路段、该关联道路包括的多条路段，以及子路段的设置长度；进一步地，根据该设置长度，以及各条路段的长度，确定各条路段分别对应的分割长度；之后，基于该分割长度，对各条路段分别进行分割，得到至少一条第一子路段和至少一条第二子路段。
142.在另一种可能的实施方式中，计算机设备从道路中分割获取子路段。可选地，计算机设备在获取高架道路和关联道路之后，获取该高架道路的长度、该关联道路的长度，以及子路段的设置长度；进一步地，根据该高架道路的长度，以及该设置长度，确定高架道路的分割长度，并基于该分割长度，对高架道路进行分割，得到至少一条第一子路段；以及，根据该关联道路的长度，以及该设置长度，确定关联道路的分割长度，并基于该分割长度，对关
联道路进行分割，得到至少一条第二子路段。
143.其中，上述设置长度可以根据实际情况进行灵活设置和调整，本技术实施例对此不作限定。可选地，在本技术实施例中，不同道路对应的设定长度相同，对于不同的长度的道路，基于相同的设定长度分割以获取子路段，所获取的各条子路段之间的差值较小。
144.需要说明的一点是，在本技术实施例中，计算机设备在获取上述第一子路段和上述第二子路段之后，获取第一子路段与第二子路段之间的对应关系。在这种情况下，第一子路段对应的位置标识与第二子路段对应的位置标识具有对应关系，后续“位置标识+行驶数据”对高架判别模型进行训练时，由于某条高架道路上的行驶数据对应的位置标识，与该高架道路下的行驶数据对应的位置标识之间具有对应关系，模型训练过程中也会学习各个子路段之间的关联关系，训练完成的高架判别模型的准确性高，例如，在高架判别过程中，若基于目标车辆上传的经纬度信息所确定的位置标识有误(如高架道路上的子路段误判为高架道路下的子路段)，高架判别模型也能够基于位置标识之间的关联关系，结合行驶数据确定正确的判别结果。
145.可选地，在本技术实施例中，计算机设备在获取上述第一子路段和上述第二子路段之后，获取各条第一子路段的经纬度范围，以及各条第二子路段的经纬度范围；进一步地，基于该经纬度范围，对各条第一子路段和各条第二子路段进行匹配，确定至少一个子路段组。其中，一个子路段组中包括经纬度范围之间的差距满足条件的第一子路段和第二子路段。可选地，上述条件为经度差异小于第一阈值，且纬度差异小于第二阈值。可选地，在本技术实施例中，子路段组中的第二子路段即为子路段组中的第一子路段对应的高架下子路段。
146.3、获取第一子路段对应的行驶数据集，以及第二子路段对应的行驶数据集。
147.在本技术实施例中，计算机设备在获取上述第一子路段和上述第二子路段之后，获取第一子路段对应的行驶数据集，以及第二子路段对应的行驶数据集。其中，上述多条道路对应的行驶数据集包括各条第一子路段对应的行驶数据集，以及各条第二子路段对应的行驶数据集。
148.下面，对训练样本的获取方式进行介绍。
149.在示例性实施例中，上述步骤503包括以下至少一个步骤：
150.1、对时间戳对应的特征数据进行特征提取，生成时间戳对应的特征信息。
151.在本技术实施例中，计算机设备在获取上述时间戳对应的特征数据之后，对该时间戳对应的特征数据进行特征提取，生成时间戳对应的特征信息。可选地，该特征信息包括但不限于以下至少一项：道路特征信息、信号特征信息和卫星特征信息等。
152.可选地，在本技术实施例中，上述道路特征信息的获取步骤包括以下至少一项：
153.1)基于位置标识，从路网数据中提取位置标识的周围区域包含的子路段的数量。
154.在本技术实施例中，计算机设备在获取上述特征数据之后，基于该特征数据中的位置标识，从上述路网数据中提取该位置标识的周围区域包含的子路段的数量。其中，位置标识的周围区域是指以位置标识为中心的区域。示例性地，若该位置标识用于指示上述记录位置中的经纬度信息，则该位置标识的周围区域是指以该经纬度信息为中心的区域；若该位置标识用于指示上述记录位置所属的子路段，则位置标识的周围区域是指以该子路段为中心的区域；若该位置标识用于指示上述记录位置所属的路段，则位置标识的周围区域
是指以该路段为中心的区域。
155.可选地，上述路网数据中包括各条子路段的连接关系。计算机设备在获取上述位置标识之后，基于各条子路段的连接关系，从路网数据中确定位置标识的周围区域包含的子路段的数量。
156.2)基于位置标识，从路网数据中提取位置标识的周围区域包含的路段的数量。
157.在本技术实施例中，计算机设备在获取上述特征数据之后，基于该特征数据中的位置标识，从路网数据中提取位置标识的周围区域包含的路段的数量。
158.可选地，上述路网数据中包括各条路段的连接关系。计算机设备在获取上述位置标识之后，基于各条路段的连接关系，从路网数据中确定位置标识的周围区域包含的路段的数量。
159.3)基于位置标识，从路网数据中提取位置标识的周围区域包含的高架子路段的数量和高架路段的数量。
160.在本技术实施例中，计算机设备在获取上述特征数据之后，基于该特征数据中的位置标识，从路网数据中提取位置标识的周围包含的高架子路段的数量和高架路段的数量。其中，高级子路段是指位于高架道路上的子路段，高架路段是指位于高架道路上的路段。
161.可选地，上述路网数据中包括子路段的道路标识和路段的道路标识。其中，子路段的道路标识用于指示该子路段是否位于高架道路上，路段的道路标识用于指示该路段是否位于高架道路上。在本技术实施例中，计算机设备在获取上述位置标识之后，基于子路段的道路标识和路段的道路标识，从路网数据中确定位置标识的周围区域包含的高架子路段的数量和高架路段的数量。
162.需要说明的一点是，在本技术实施例中，路网数据中所包含的针对子路段的相关信息可以统称为“子路段的属性信息”。
163.可选地，在本技术实施中，上述信号特征信息的获取步骤包括以下至少一项：
164.1)根据信号数据，获取信号数据包含的各个信号的信号强度；基于信号强度对各个信号进行排序统计，得到各个信号由强到弱的排序，以及信号数据的强度统计数据。
165.可选地，在本技术实施例中，上述行驶数据包括信号数据，该信号数据包括wi-fi信号数据和基站信号数据。
166.在本技术实施例中，计算机设备在获取上述特征数据之后，基于该特征数据中的信号数据，获取信号包含的各个信号的信号强度，并基于该信号强度对各个信号进行排序统计，得到各个信号由强到弱的排序，以及信号数据的强度统计数据。
167.可选地，上述强度统计数据包括但不限于以下至少一项：强度平均值、强度方差等。
168.2)根据信号数据，获取信号数据包含的各个信号的局域网地址；根据各个信号的局域网地址，得到各个信号的信号发射位置。
169.在本技术实施例中，计算机设备在获取上述特征数据之后，基于该特征数据中的信号数据，获取信号数据包含的各个信号的局域网地址，进而根据各个训练的局域网地址，得到各个信号的信号发射位置。
170.可选地，上述信号发射位置可以是信号发射设备的实际位置，也可以是信号发射
设备相对于位置标识的相对位置，本技术实施例对此不作限定。
171.3)根据信号数据，确定信号数据包含的各个信号在目标时段内的历史频次。
172.在本技术实施例中，计算机设备在获取上述特征数据之后，基于该特征数据中的信号数据，确定信号数据包含的各个信号在目标时段内的历史频次。其中，历史频次是指信号被扫描到的次数。
173.可选地，在本技术实施例中，为了提高特征信息的可靠性，计算机设备在获取上述信号数据之后，基于信号数据中各个信号的历史频次，对该信号数据中包含的信号进行筛选，去除历史频次小于目标数值的信号，并基于剩余的信号对应的信号数据获取上述信号特征信息。
174.可选地，在本技术实施例中，上述卫星特征信息的获取步骤包括以下至少一项：
175.1)根据卫星数据，获取卫星数据包含的卫星的数量；根据卫星的数量和可见卫星数量，生成卫星数特征。
176.可选地，在本技术实施例中，上述行驶数据包括卫星数据。
177.在本技术实施例中，计算机设备在获取上述特征数据之后，基于该特征数据中的卫星数据，获取卫星数据包含的卫星的数量；进一步地，根据卫星的数量和可见卫星数量，生成卫星数特征。其中，可见卫星数量是指在上述位置标识所指示的位置处，在上述时间戳所指示的时刻下，理论上能够检测到的卫星数量。
178.2)根据卫星数据，获取卫星数据包含的各个卫星的属性信息。
179.在本技术实施例中，计算机设备在获取上述特征数据之后，基于该特征数据中的卫星数据，获取卫星数据包含的各个卫星的属性信息。其中，卫星的属性信息包括但不限于以下至少一项：卫星的高度、卫星的速度、卫星的方向、卫星的精度等，本技术实施例对此不作限定。
180.可选地，上述卫星数据为卫星芯片向样本车辆传输的数据。
181.3)根据卫星数据，获取卫星数据包含的各个卫星的信噪比。
182.在本技术实施例中，计算机设备在获取上述特征数据之后，基于该特征数据中的卫星数据，获取卫星数据包含的各个卫星的信噪比。
183.可选地，上述信噪比为卫星芯片向样本车辆传输的数据。
184.2、基于位置标识，确定时间戳对应的子路段。
185.在本技术实施例中，计算机设备在获取上述位置标识之后，基于该位置标识，确定时间戳对应的子路段。其中，该时间戳对应的子路段是指时间戳对应的行驶数据的记录位置所属的子路段。
186.3、根据时间戳对应的子路段的属性信息，确定时间戳对应的标签。
187.可选地，上述训练样本对应有标签。在本技术实施例中，计算机设备在获取上述时间戳对应的子路段之后，根据时间戳对应的子路段的属性信息，确定时间戳对应的标签。其中，该属性信息用于指示子路段是否位于高架道路上。可选地，该属性信息中包括子路段的道路标识，该子路段的道路标识用于指示子路段是否位于高架道路上。
188.4、根据时间戳对应的特征信息和时间戳对应的标签，生成时间戳对应的训练样本。
189.在本技术实施例中，计算机设备在获取上述时间戳对应的特征信息和上述时间戳
对应的标签之后，根据该时间戳对应的特征信息和时间戳对应的标签，生成上述时间戳对应的训练样本。
190.可选地，时间戳对应的特征信息为高架判别模型的输入数据，时间戳对应的标签为高架判别模型的预期输出结果。在本技术实施例中，在获取上述训练样本之后，将时间戳对应的特征信息输入至高架判别模型中，得到高架判别模型针对时间戳对应的特征信息的输出结果；之后，基于各个时间戳对应的特征信息的输出结果，以及各个时间戳对应的标签，得到高架判别模型的损失，并基于该损失对高架判别模型进行调整，直至高架判别模型训练完成。
191.示例性地，如图10所示，对训练样本的获取过程进行完整介绍。计算机设备获取高架道路上的子路段，以及每条子路段对应的关联子路段，进一步地，获取子路段对应的行驶数据集，以及关联子路段对应的行驶数据集。其中，该子路段对应的行驶数据集，以及关联子路段对应的行驶数据集统称为行驶数据集。之后，计算机设备基于上述行驶数据中包含的行驶数据，确定“时间戳+记录位置”、“时间戳+wi-fi数据、基站数据、卫星数据”，并生成“时间戳+位置标识+wi-fi数据、基站数据、卫星数据”。其中，上述位置标识用于指示上述记录位置所属的子路段。之后，对“时间戳+位置标识+wi-fi数据、基站数据、卫星数据”进行特征提取，确定特征信息，并基于上述位置标识确定上述记录位置所属的子路段是否位于高架道路上，以生成特征信息的标签，并根据该特征和标签生成训练样本。其中，一个训练样本是基于一个时间戳对应的数据生成的。
192.可选地，本技术实施例提供的高架判别模型还可以用于判别子路段所在的高架道路的层级。示例性地，在单层高架场景下，标签用于标识训练样本是否为基于高架道路对应的行驶数据集获取的训练样本；在多层高架场景下，上述标签用于标识训练样本是否为基于高架道路对应的行驶数据集获取的训练样本，以及训练样本的来源道路的层级。
193.请参考图11，其示出了本技术一个实施例提供的高架判别方法的流程图。该方法可应用于图3所示的高架判别系统的服务器40，如各步骤的执行主体可以是服务器40(以下称为“计算机设备”)。该方法可以包括以下几个步骤(1101～1103)中的至少一个步骤：
194.步骤1101，获取目标车辆在当前行驶时刻的位置标识，以及目标车辆获取的行驶数据。
195.目标车辆即为任意车辆。在本技术实施例中，在目标车辆行驶的过程中，计算机设备可以获取目标车辆在当前行驶时刻的位置标识，以及目标车辆获取的行驶数据。
196.可选地，上述位置标识用于指示目标车辆当前所处的位置。
197.在一种可能的实施方式中，上述位置标识用于指示目标车辆当前所处的路段。可选地，该位置标识为目标车辆当前所在的路段的标识信息。在另一种可能的实施方式中，上述位置标识用于指示目标车辆当前所处的子路段。可选地，该位置标识为目标车辆当前所在的子路段的标识信息。
198.可选地，在目标车辆行驶的过程中，计算机设备获取该目标车辆的定位信息，并基于该定位信息获取上述位置标识。
199.需要说明的一点是，由于高架道路的存在，基于定位信息无法确定目标车辆当前所在的高度，即上述位置标识为估计值，无法准确定位高架上的位置标识还是高架下的位置标识。另外，如上述实施例所介绍的内容，高架判别模型在训练过程中，高架上下的训练
样本之间存在对应关系，因此，高架判别模型在位置标识有误的情况下，也能够基于行驶数据确定准确的判别结果。还需要说明的一点是，由于上述位置标识为估计值，因此，上述定位信息可以为估计的非精确定位信息。
200.当然，在再一种可能的实施方式中，上述位置标识用于指示目标车辆当前所处位置的经纬度信息。
201.上述目标车辆获取的行驶数据是指在目标车辆行驶至当前行驶位置时所获取的数据。可选地，该行驶数据中包括卫星数据和信号数据，该信号数据包括wi-fi信号数据和/或基站信号数据。需要说明的一点是，上述当前行驶位置基于上述位置标识所指示的位置。可选地，在本技术实施例中，上述经纬度信息即为基于卫星数据所获取的。
202.可选地，在本技术实施例中，计算机设备通过目标车辆的车载终端获取上述位置标识。示例性地，在目标车辆的行驶过程中，车载终端在检测到用户触发的针对该目标车辆的定位操作之后，获取目标车辆的行驶数据并向计算机设备发送该行驶数据；进一步地，计算机设备基于该行驶数据中的卫星数据，确定目标车辆的经纬度信息，并根据该经纬度信息生成目标车辆的位置标识。当然，在示例性实施例中，车载终端在获取上述行驶数据之后，可以基于卫星数据确定位置标识之后，直接向计算机设备发送该位置标识和行驶数据。
203.可选地，在本技术实施例中，在获取上述位置标识之后，可以先基于该位置标识判断目标车辆的周围区域中是否存在高架道路；在目标车辆的周围区域中存在高架道路的情况下，再进行高架判别；也就是说，在标车辆的周围区域中不存在高架道路的情况下，可以直接基于经纬度信息对目标车辆进行定位。
204.步骤1102，对位置标识和行驶数据进行特征提取，得到目标车辆的特征信息。
205.在本技术实施例中，计算机设备在获取上述位置标识和行驶数据之后，对该位置标识和行驶数据进行特征提取，得到目标车辆的特征信息。
206.可选地，该特征信息包括但不限于以下至少一项：道路特征信息、信号特征信息和卫星特征信息等。在示例性实施例中，上述步骤1102包括以下至少一个步骤：
207.1、基于位置标识，从路网数据中提取目标车辆的道路特征信息；路网数据包括道路中各条路段的属性信息，以及路段中各条子路段的属性信息；其中，一条道路包括多条路段，一条路段包括多条子路段；
208.2、对行驶数据中的信号数据进行特征提取，得到目标车辆的信号特征信息；
209.3、对行驶数据中的卫星数据进行特征提取，得到目标车辆的卫星特征信息。
210.其中，上述道路特征信息、上述信号特征信息和上述卫星特征信息具体参见上文实施例，在此不作赘述。
211.步骤1103，基于特征信息确定目标车辆的判别结果。
212.在本技术实施例中，计算机设备在获取上述特征信息之后，基于该特征信息确定目标车辆的判别结果。其中，该判别结果用于指示目标车辆是否位于高架道路上。可选地，计算机设备基于上述高架判别模型，基于上述特征信息确定目标车辆的判别结果。
213.可选地，在本技术实施例中，高架判别模型包括适用于不同场景的高架判别模型。其中，不同的高架判别模型对应的输入数据不同。在示例性实施例中，上述步骤1103包括以下至少一个步骤：
214.1、获取特征信息包含的信息类别；
215.2、基于信息类别，从至少一个候选高架判别模型中，将输入数据的类别与信息类别相匹配的候选高架判别模型确定为高架判别模型；
216.3、采用高架判别模型，基于特征信息确定目标车辆的判别结果。
217.信息类别即为信息的种类，特征信息包含的信息类别用于指示特征信息包含的信息的种类。可选地，该种类包括但不限于以下至少一项：位置标识类、卫星信号类、wi-fi信号类、基站信号类等。当然，在示例性实施例中，该种类也可以是更细粒度的划分，如卫星的信噪比类、信号的发射位置类等。
218.在本技术实施例中，计算机设备获取特征信息包含的信息类别，并基于该信息类别，从至少一个候选高架判别模型中，将输入数据的类别与信息类别相匹配的候选高架判别模型确定为高架判别模型，并采用该高架判别模型，基于特征信息确定目标车辆的判别结果。
219.可选地，在本技术实施例中，计算机设备可以在获取上述特征信息之后，基于特征信息所包含的内容确定上述信息类别；或者，计算机设备在获取上述行驶数据之后，基于该行驶数据所包含的内容确定上述信息类别，本技术实施例对此不作限定。
220.需要说明的一点是，由于不同的候选高架判别模型对应的输入数据不同，因此，在模型训练过程中，可以基于上述行驶数据集生成不同类型的训练样本，进而基于不同类型的训练样本对不同的候选高架判别模型进行训练，使得后续在高架判别过程中，根据实际情况可以灵活选择合适的高架判别模型。其中，不同类型的训练样本所包含的信息的种类不同。
221.示例性地，结合参考图12，对高架判别的整体流程进行介绍。计算机设备中包括高架定位请求版块121、高架特征生成版块122和高架上线判别版块123。计算机设备在获取来自于目标车辆的定位请求之后，由高架定位请求版块121从获取该定位请求携带的行驶数据。其中，该行驶数据中包括wi-fi数据、基站数据和卫星数据。之后，高架特征生成版块122基于卫星数据中的经纬度信息，确定位置标识，并对该位置标识和上述行驶数据进行特征提取，得到道路特征信息、wi-fi特征信息和信号特征信息。之后，由高架上线判别版块123基于位置标识、道路特征信息、wi-fi特征信息和信号特征信息，从多个候选高架判别模型中分配合适的高架判别模型，进而将位置标识、道路特征信息、wi-fi特征信息和信号特征信息输入至该高架判别模型以获取针对上述目标车辆的判别结果。
222.可选地，上述高架判别模型还可以输出上述判别结果的置信度。在本技术实施例中，计算机设备在将上述特征信息输入值上述高架判别模型之后，获取该高架判别模型输出的判别结果，以及针对判别结果的置信度，进而基于该置信度确定该判别结果的可靠性。若置信度大于或等于目标值，则确定判别结果可靠；若置信度小于目标值，则确定该判别结果不可靠。
223.另外，关于高架判别模型的部分细节，可以参考上述图5实施例所介绍的内容，在此不作赘述。
224.综上所述，本技术实施例提供的技术方案中，高架判别模型基于当前时刻收集到的行驶数据，结合当前时刻的记录位置，确定目标车辆是否位于高架道路上，不仅仅依据单一的信息确定目标车辆是否在高架道路上，提高判别结果的准确性；而且，在不同位置收集到相似行驶数据的情况下，也能够准确判别目标车辆是否位于高架道路上。
225.需要说明的一点是，在本技术中，“道路上的子路段”、“道路中的子路段”两种表达方式均表示子路段为从道路中分割获取的。另外，可以理解的是，本技术的具体实施方式中，涉及到用户信息等相关数据，当本技术以上实施例运用到具体产品或技术中时，需要获得用户许可或同意，且相关数据的收集、使用和处理需要遵守相关国家和地图的相关法律法规和标准；例如，本技术中涉及到的行驶数据收集、定位信息获取等方面的内容，均是在用户允许且符合相关法律法规和标准的情况下进行收集的。
226.还需要说明的一点是，上文中通过实施例对本技术的介绍，仅仅是示例性和解释性的，将上述实施例中的步骤进行任意组合形成的新的实施例，也在本技术的保护范围内。
227.下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
228.请参考图13，其示出了本技术一个实施例提供的高架场景下的训练样本生成装置的框图。该装置具有实现上述高架场景下的训练样本生成方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是计算机设备，也可以设置计算机设备中。该装置1300可以包括：数据获取模块1310、数据生成模块1320和样本生成模块1330。
229.数据获取模块1310，用于获取多条道路对应的行驶数据集；其中，所述多条道路包括处于不同层级的高架道路和非高架道路，所述行驶数据集中包括样本车辆在所述道路上行驶过程中的多个不同时间戳分别记录的行驶数据。
230.数据生成模块1320，用于基于所述时间戳对应的行驶数据的记录位置，对所述时间戳对应的行驶数据进行位置标记，得到所述时间戳对应的特征数据；其中，所述时间戳对应的特征数据包括所述时间戳对应的行驶数据，以及用于指示所述时间戳对应的行驶数据的记录位置的位置标识。
231.样本生成模块1330，用于根据所述时间戳对应的特征数据，生成所述时间戳对应的训练样本；其中，所述训练样本用于对高架判别模型进行训练，所述高架判别模型用于判别目标车辆是否位于高架道路上。
232.在示例性实施例中，如图14所示，所述数据生成模块1320，包括：路段确定单元1321、标识生成单元1322和数据生成单元1323。
233.路段确定单元1321，用于基于所述时间戳对应的行驶数据的记录位置，确定所述记录位置所属的子路段。
234.标识生成单元1322，用于根据所述记录位置所属的子路段，确定所述时间戳对应的行驶数据的位置标识；其中，一条道路包括多条路段，一条路段包括多条子路段。
235.数据生成单元1323，用于根据所述时间戳对应的行驶数据，以及所述位置标识，生成所述时间戳对应的特征数据。
236.在示例性实施例中，所述路段确定单元1321，用于分别获取多条候选子路段的经纬度范围和高度范围；基于所述记录位置所指示的经纬度信息和高度信息，从所述多条候选子路段中确定所述记录位置所属的子路段。
237.在示例性实施例中，如图14所示，所述数据获取模块1310，包括：道路分割单元1311、关联获取单元1312和数据获取单元1313。
238.道路分割单元1311，用于对所述高架道路进行分割，得到所述高架道路包含的至
少一条子路段。
239.关联获取单元1312，用于获取所述子路段对应的关联子路段；其中，所述关联子路段包括位于非高架道路上的，所述子路段对应的高架下子路段。
240.数据获取单元1313，用于获取所述子路段对应的行驶数据集，以及所述关联子路段对应的行驶数据集；其中，所述多条道路对应的行驶数据集包括各条所述子路段对应的行驶数据集，以及各条所述关联子路段对应的行驶数据集。
241.在示例性实施例中，所述关联获取单元1312，用于获取所述子路段对应的投影子路段；若所述投影子路段位于非高架道路上，则确定所述投影子路段为所述子路段对应的高架下子路段；若所述投影子路段位于高架道路上，则确定所述投影子路段为所述子路段对应的下层高架道路上的子路段；以及，将所述投影子路段确定为新的子路段，从所述获取所述子路段对应的投影子路段的步骤开始执行；所述关联子路段包括：所述子路段对应的至少一条下层高架上子路段，以及所述子路段对应的高架下子路段；所述子路段、各条所述下层高架上子路段，以及所述高架下子路段之间具有一一对应关系。
242.在示例性实施例中，所述关联获取单元1312，用于获取高架地图，所述高架地图用于显示各条道路在层级上的位置关系；在所述高架地图上，以所述子路段的端点为基准，作经过所述端点的垂线，得到所述垂线与至少一条高架下道路的交点；其中，所述高架下道路是指所述高架道路的下层道路，一条道路包括多条路段，一条路段包括多条子路段；根据所述交点的位置，获取所述子路段对应的投影子路段。
243.在示例性实施例中，所述道路分割单元1311，用于获取所述高架道路包含的多条路段，以及所述子路段的设置长度；其中，一条道路包括多条路段，一条路段包括多条子路段；根据所述设置长度，以及各条所述路段的长度，确定各条所述路段分别对应的分割长度；基于所述分割长度，对各条所述路段分别进行分割，得到所述高架道路包含的至少一条子路段。
244.在示例性实施例中，如图14所示，所述数据获取模块1310，还包括：道路获取单元1314。
245.道路获取单元1314，用于获取所述高架道路，以及所述高架道路对应的关联道路；其中，所述关联道路包括位于所述高架道路下层的至少一条道路。
246.所述道路分割单元1311，还用于对所述高架道路和所述关联道路分别进行分割，得到至少一条第一子路段和至少一条第二子路段；其中，所述第一子路段是指位于所述高架道路上的子路段，所述第二子路段是指位于所述关联道路上的子路段；
247.所述数据获取单元1313，还用于获取所述第一子路段对应的行驶数据集，以及所述第二子路段对应的行驶数据集；其中，所述多条道路对应的行驶数据集包括各条所述第一子路段对应的行驶数据集，以及各条所述第二子路段对应的行驶数据集。
248.在示例性实施例中，如图14所示，所述数据获取模块1310，还包括：关系确定单元1315。
249.关系确定单元1315，用于获取各条所述第一子路段的经纬度范围，以及各条所述第二子路段的经纬度范围；基于所述经纬度范围，对各条所述第一子路段和各条所述第二子路段进行匹配，确定至少一个子路段组；其中，一个子路段组中包括经纬度范围之间的差距满足条件的第一子路段和第二子路段。
250.在示例性实施例中，所述样本生成模块1330，用于对所述时间戳对应的特征数据进行特征提取，生成所述时间戳对应的特征信息；基于所述位置标识，确定所述时间戳对应的子路段，所述时间戳对应的子路段是指所述时间戳对应的行驶数据的记录位置所属的子路段；根据所述时间戳对应的子路段的属性信息，确定所述时间戳对应的标签，所述属性信息用于指示所述子路段是否位于高架道路上；根据所述时间戳对应的特征信息和所述时间戳对应的标签，生成所述时间戳对应的训练样本。
251.在示例性实施例中，在单层高架场景下，所述标签用于标识所述训练样本是否为基于高架道路对应的行驶数据集获取的训练样本；在多层高架场景下，所述标签用于标识所述训练样本是否为基于高架道路对应的行驶数据集获取的训练样本，以及所述训练样本的来源道路的层级。
252.综上所述，本技术实施例提供的技术方案中，通过多条道路对应的行驶数据集，以及该行驶时间集中各个时间戳对应的行驶数据的记录位置，生成针对高架判别模型的训练样本，也就是说，本技术提供了一种高架判别模型，该高架判别模型基于当前时刻收集到的行驶数据，结合当前时刻的记录位置，确定目标车辆是否位于高架道路上，不仅仅依据单一的信息确定目标车辆是否在高架道路上，提高判别结果的准确性；而且，在数据收集过程中，存在一种情况，在高架道路上的某个位置和高架道路下的某个位置收集得到行驶数据相似，本技术中除了当前时刻收集到的行驶数据，还需依据当前时刻的记录位置进行高架判别，以记录位置对行驶数据标记，在不同位置收集到相似行驶数据的情况下，也能够准确判别目标车辆是否位于高架道路上。
253.请参考图15，其示出了本技术一个实施例提供的高架判别装置的框图。该装置具有实现上述高架判别方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是计算机设备，也可以设置计算机设备中。该装置1500可以包括：信息获取模块1510、特征提取模块1520和特征处理模块1530。
254.信息获取模块1510，用于获取目标车辆在当前行驶时刻的位置标识，以及所述目标车辆获取的行驶数据；其中，所述位置标识用于指示所述目标车辆当前所处的路段。
255.特征提取模块1520，用于对所述位置标识和所述行驶数据进行特征提取，得到所述目标车辆的特征信息。
256.特征处理模块1530，用于基于所述特征信息确定所述目标车辆的判别结果；其中，所述判别结果用于指示所述目标车辆是否位于高架道路上。
257.在示例性实施例中，所述特征提取模块1520，用于基于所述位置标识，从路网数据中提取所述目标车辆的道路特征信息；所述路网数据包括道路中各条路段的属性信息，以及所述路段中各条子路段的属性信息；其中，一条道路包括多条路段，一条路段包括多条子路段；对所述行驶数据中的信号数据进行特征提取，得到所述目标车辆的信号特征信息；对所述行驶数据中的卫星数据进行特征提取，得到所述目标车辆的卫星特征信息。
258.在示例性实施例中，所述特征处理模块1530，用于获取所述特征信息包含的信息类别；基于所述信息类别，从至少一条候选高架判别模型中，将输入数据的类别与所述信息类别相匹配的候选高架判别模型确定为所述高架判别模型；采用高架判别模型，基于所述特征信息确定所述目标车辆的判别结果。
259.在示例性实施例中，如图16所示，所述装置1500，还包括：结果检测模块1540。
260.模型检测模块1540，用于获取所述高架判别模型输出的，针对所述判别结果的置信度；若所述置信度大于或等于目标值，则确定所述判别结果可靠。
261.综上所述，本技术实施例提供的技术方案中，高架判别模型基于当前时刻收集到的行驶数据，结合当前时刻的记录位置，确定目标车辆是否位于高架道路上，不仅仅依据单一的信息确定目标车辆是否在高架道路上，提高判别结果的准确性；而且，在不同位置收集到相似行驶数据的情况下，也能够准确判别目标车辆是否位于高架道路上。
262.需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
263.请参考图17，其示出了本技术一个实施例提供的计算机设备的结构框图。该计算机设备可用于实现上述高架场景下的训练样本生成方法或高架判别方法的功能。具体来讲：
264.计算机设备1700包括中央处理单元(central processing unit，cpu)1701、包括随机存取存储器(random access memory，ram)1702和只读存储器(read only memory，rom)1703的系统存储器1704，以及连接系统存储器1704和中央处理单元1701的系统总线1705。计算机设备1700还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(input/output，i/o系统)1706，和用于存储操作系统1713、应用程序1714和其他程序模块1715的大容量存储设备1707。
265.基本输入/输出系统1706包括有用于显示信息的显示器1708和用于用户输入信息的诸如鼠标、键盘之类的输入设备1709。其中显示器1708和输入设备1709都通过连接到系统总线1705的输入输出控制器1710连接到中央处理单元1701。基本输入/输出系统1706还可以包括输入输出控制器1710以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1710还提供输出到显示屏、打印机或其他类型的输出设备。
266.大容量存储设备1707通过连接到系统总线1705的大容量存储控制器(未示出)连接到中央处理单元1701。大容量存储设备1707及其相关联的计算机可读介质为计算机设备1700提供非易失性存储。也就是说，大容量存储设备1707可以包括诸如硬盘或者cd-rom(compact disc read-only memory，只读光盘)驱动器之类的计算机可读介质(未示出)。
267.不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括ram、rom、eprom(erasable programmable read only memory，可擦除可编程只读存储器)、eeprom(electrically erasable programmable read only memory，电可擦可编程只读存储器)、闪存或其他固态存储设备，cd-rom、dvd(digital video disc，高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器1704和大容量存储设备1707可以统称为存储器。
268.根据本技术的各种实施例，计算机设备1700还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1700可以通过连接在系统总线1705上的网络接口单元1711连接到网络1712，或者说，也可以使用网络接口单元1711来连接到其他类型的网络或远程计算机系统(未示出)。
269.所述存储器还包括计算机程序，该计算机程序存储于存储器中，且经配置以由一个或者一个以上处理器执行，以实现上述高架场景下的训练样本生成方法，或实现上述高架判别方法。
270.在示例性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被处理器执行时以实现上述高架场景下的训练样本生成方法，或实现上述高架判别方法。
271.可选地，该计算机可读存储介质可以包括：rom(read only memory，只读存储器)、ram(random access memory，随机存取记忆体)、ssd(solid state drives，固态硬盘)或光盘等。其中，随机存取记忆体可以包括reram(resistance random access memory，电阻式随机存取记忆体)和dram(dynamic random access memory，动态随机存取存储器)。
272.在示例性实施例中，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述高架场景下的训练样本生成方法，或执行上述高架判别方法。
273.应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外，本文中描述的步骤编号，仅示例性示出了步骤间的一种可能的执行先后顺序，在一些其它实施例中，上述步骤也可以不按照编号顺序来执行，如两个不同编号的步骤同时执行，或者两个不同编号的步骤按照与图示相反的顺序执行，本技术实施例对此不作限定。
274.以上所述仅为本技术的示例性实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。