技术特征：
1.一种模型训练方法，其中，包括：获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息；所述目标路段集合包括所述样本路线上的至少一个目标路段、所述目标路段的长度以及所述目标路段的分类特征；所述分类特征包括所述目标路段所在的区域以及对应的道路标识；基于所述分类特征对所述目标路段集合中的所述目标路段进行聚合；其中，所述分类特征相同的所述目标路段被聚合为同一目标道路类别；聚合结果包括所述目标道路类别以及同一所述目标道路类别下的目标路段的总长度；基于所述样本路线对应的所述聚合结果以及所述路线附加信息训练机器自学习模型，以确定所述目标道路类别对应的道路附加信息。2.根据权利要求1所述的方法，其中，基于所述样本路线对应的所述聚合结果以及所述路线附加信息训练机器自学习模型，以确定所述目标道路类别对应的道路附加信息，包括：基于所述聚合结果获得所述机器自学习模型的样本特征变量及样本特征真值；所述样本特征变量包括属于同一所述目标道路类别的目标路段的总长度，所述样本特征真值包括所述样本路线的所述路线附加信息；利用多个所述样本路线对应的所述样本特征变量以及所述样本特征真值训练所述机器自学习模型，得到所述目标道路类别对应的道路附加信息。3.根据权利要求1或2所述的方法，其中，获取样本路线对应的目标路段集合，包括：获取样本路线；通过在分叉路口处打断的方式将所述样本路线划分成多个目标路段，以获得所述样本路线对应的所述目标路段集合。4.根据权利要求1或2所述的方法，其中，所述路线附加信息包括路线费用信息；获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息，包括：获取路网数据以及收费站数据；基于所述路网数据以及所述收费站数据建立收费站路网子图；所述收费站路网子图中的点为收费站，边为两两收费站之间的连通路线；所述连通路线包括多个目标路段；基于所述收费站路网子图获得进入收费站和退出收费站之间的样本路线；基于已有的点对点里程计费方式确定所述样本路线对应的初始费用信息；获取收集的路线费用真值以及该路线费用真值对应的真值路线；将与所述真值路线相匹配的所述样本路线的路线费用信息更新为所述路线费用真值。5.一种附加信息预测方法，其中，包括：获取待预测路线对应的待预测路段集合以及目标道路类别集合；所述待预测路段集合包括所述待预测路线中的待预测路段、待预测路段的长度以及所述待预测路段的分类特征；所述分类特征包括所述待预测路段所在的区域以及对应的道路标识；所述目标道路类别集合包括至少一个目标道路类别以及所述目标道路类别对应的道路附加信息；基于所述分类特征将所述待预测路段集合中的所述待预测路段与所述目标道路类别集合中的目标道路类别进行匹配；基于匹配结果中所述目标道路类别对应的道路附加信息以及所述待预测路段的长度确定所述待预测路线的路线附加信息。6.根据权利要求5所述的方法，其中，基于所述分类特征将所述待预测路段集合中的所
述待预测路段与所述目标道路类别集合中的目标道路类别进行匹配，包括：基于分类特征将所述待预测路段集合中的待预测路段进行聚合；其中，聚合结果包括属于同一待预测道路类别的待预测路段的总长度；其中，属于同一待预测道路类别的所述分类特征相同；将所述聚合结果中的待预测道路类别与所述目标道路类别集合进行匹配，获得包括相匹配的待预测道路类别以及目标道路类别的匹配结果。7.根据权利要求5所述的方法，其中，基于所述分类特征将所述待预测路段集合中的所述待预测路段与所述目标道路类别集合中的目标道路类别进行匹配，包括：基于分类特征确定所述待预测路段集合中所述待预测路段所属的待预测道路类别；将所述待预测道路类别与所述目标道路类别集合进行匹配，获得包括相匹配的待预测道路类别以及目标道路类别的匹配结果。8.根据权利要求5-7任一项所述的方法，其中，所述待预测路线包括导航规划路线中入口收费站至出口收费站之间的路线；所述路线附加信息为所述待预测路线的总体道路收费信息；所述道路附加信息为所述目标道路类别的路段每单位长度的道路收费信息。9.根据权利要求5-7任一项所述的方法，其中，所述目标道路类别集合预先通过多个样本路线训练机器自学习模型得到；在训练机器自学习模型的过程中，所述样本路线的路线附加信息已知，对所述样本路线对应的目标路段集合中的目标路段进行聚合得到目标道路类别，以及利用目标道路类别下所述目标路段的总长度、所述路线附加信息对所述机器自学习模型训练后，得到所述目标道路类别对应的道路附加信息。10.一种基于位置的服务提供方法，所述方法利用权利要求1-9任一项所述的方法为被服务对象提供基于位置的服务，所述基于位置的服务包括：导航、地图渲染、路线规划中的一种或多种。11.一种模型训练装置，其中，包括：第一获取模块，被配置为获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息；所述目标路段集合包括所述样本路线上的至少一个目标路段、所述目标路段的长度以及所述目标路段的分类特征；所述分类特征包括所述目标路段所在的区域以及对应的道路标识；聚合模块，被配置为基于所述分类特征对所述目标路段集合中的所述目标路段进行聚合；其中，所述分类特征相同的所述目标路段被聚合为同一目标道路类别；聚合结果包括所述目标道路类别以及同一所述目标道路类别下的目标路段的总长度；训练模块，被配置为基于所述样本路线对应的所述聚合结果以及所述路线附加信息训练机器自学习模型，以确定所述目标道路类别对应的道路附加信息。12.一种附加信息预测装置，其中，包括：第二获取模块，被配置为获取待预测路线对应的待预测路段集合以及目标道路类别集合；所述待预测路段集合包括所述待预测路线中的待预测路段、待预测路段的长度以及所述待预测路段的分类特征；所述分类特征包括所述待预测路段所在的区域以及对应的道路标识；所述目标道路类别集合包括至少一个目标道路类别以及所述目标道路类别对应的道路附加信息；匹配模块，被配置为基于所述分类特征将所述待预测路段集合中的所述待预测路段与
所述目标道路类别集合中的目标道路类别进行匹配；确定模块，被配置为基于匹配结果中所述目标道路类别对应的道路附加信息以及所述待预测路段的长度确定所述待预测路线的路线附加信息。13.一种电子设备，其中，包括存储器、处理器以及存储在存储器上的计算机程序，其中，所述处理器执行所述计算机程序以实现权利要求1-10任一项所述的方法。14.一种计算机可读存储介质，其上存储有计算机指令，其中，该计算机指令被处理器执行时实现权利要求1-10任一项所述的方法。
技术总结
本公开实施例公开了一种模型训练方法、装置及电子设备，所述方法包括：获取样本路线对应的目标路段集合以及样本路线对应的路线附加信息；目标路段集合包括样本路线上的至少一个目标路段、目标路段的长度以及目标路段的分类特征；分类特征包括目标路段所在的区域以及对应的道路标识；基于分类特征对目标路段集合中的目标路段进行聚合；聚合结果包括目标道路类别以及同一目标道路类别下的目标路段的总长度；基于样本路线对应的聚合结果以及路线附加信息训练机器自学习模型，以确定目标道路类别对应的道路附加信息。该技术方案通过对路线进行了更加细致的划分，使得求得的道路附加信息更加准确，能够提高该新路线的路线附加信息的预测准确率。的预测准确率。的预测准确率。
技术研发人员：杨帆 徐龙飞 李波 向振伟 代睿
受保护的技术使用者：阿里巴巴（中国）有限公司
技术研发日：2022.06.01
技术公布日：2022/7/8