基于人工智能的电子地图渲染方法、装置及电子设备与流程

本发明涉及人工智能及地图技术，尤其涉及一种基于人工智能的电子地图渲染方法、装置、电子设备及计算机可读存储介质。

背景技术：

人工智能(ai，artificialintelligence)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、方法和技术及应用系统。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。

电子地图是人工智能的一个重要应用，由于现实世界中地理元素的数量非常多，分布也十分密集，故在将地理元素渲染至电子地图中时，需要挑选部分地理元素进行渲染。在相关技术提供的方案中，通常是以地理元素的属性为变量，设定一个打分公式，对每个地理元素都按照打分公式进行计算，从而根据每个地理元素的得分来确定最终呈现的地理元素。但是，打分公式无法适用于所有的地理元素，导致电子地图中渲染的地理元素不合理，地图指引能力差。

技术实现要素：

本发明实施例提供一种基于人工智能的电子地图渲染方法、装置、电子设备及计算机可读存储介质，能够提升电子地图的渲染效率和精度，以加强电子地图的指引能力。

本发明实施例的技术方案是这样实现的：

本发明实施例提供一种基于人工智能的电子地图渲染方法，包括：

基于电子地图中地理元素的特征向量进行预测处理，以在所述电子地图的多个渲染层级中确定所述地理元素所关联的渲染层级；

将所述电子地图中关联到相同渲染层级的地理元素按照对应的特征向量进行评分处理，得到渲染评分；

将所述地理元素的渲染评分与所述地理元素所关联的渲染层级进行融合处理，得到渲染权重；

根据所述渲染权重的降序，依次渲染关联到待渲染层级的地理元素；

其中，所述待渲染层级为所述多个渲染层级中与所述电子地图的当前比例尺匹配的渲染层级。

本发明实施例提供一种基于人工智能的电子地图渲染方法，包括：

响应于电子地图查看操作，加载电子地图界面；

在所述电子地图界面中，根据所述电子地图中各个地理元素的渲染权重的降序，依次渲染关联到待渲染层级的地理元素；

其中，所述渲染权重是对所述地理元素的渲染层级和渲染评分进行融合得到；所述待渲染层级为所述电子地图的多个渲染层级中与所述电子地图的当前比例尺匹配的渲染层级；所述电子地图中各个地理元素的渲染层级和渲染评分是基于人工智能模型预测得到。

本发明实施例提供一种基于人工智能的电子地图渲染装置，包括：

预测模块，用于基于电子地图中地理元素的特征向量进行预测处理，以在所述电子地图的多个渲染层级中确定所述地理元素所关联的渲染层级；

评分模块，用于将所述电子地图中关联到相同渲染层级的地理元素按照对应的特征向量进行评分处理，得到渲染评分；

融合模块，用于将所述地理元素的渲染评分与所述地理元素所关联的渲染层级进行融合处理，得到渲染权重；

渲染模块，用于根据所述渲染权重的降序，依次渲染关联到待渲染层级的地理元素；

其中，所述待渲染层级为所述多个渲染层级中与所述电子地图的当前比例尺匹配的渲染层级。

本发明实施例提供一种基于人工智能的电子地图渲染装置，包括：

加载模块，用于响应于电子地图查看操作，加载电子地图界面；

界面内渲染模块，用于在所述电子地图界面中，根据所述电子地图中各个地理元素的渲染权重的降序，依次渲染关联到待渲染层级的地理元素；

其中，所述渲染权重是对所述地理元素的渲染层级和渲染评分进行融合得到；所述待渲染层级为所述电子地图的多个渲染层级中与所述电子地图的当前比例尺匹配的渲染层级；所述电子地图中各个地理元素的渲染层级和渲染评分是基于人工智能模型预测得到。

本发明实施例提供一种电子设备，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现本发明实施例提供的基于人工智能的电子地图渲染方法。

本发明实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本发明实施例提供的基于人工智能的电子地图渲染方法。

本发明实施例具有以下有益效果：

首先对地理元素的特征向量进行预测处理，得到地理元素所关联的渲染层级，再将关联到相同渲染层级的地理元素按照特征向量进行评分处理，得到地理元素的渲染评分，最终将渲染层级和渲染评分融合为渲染权重，并根据渲染权重确定最终渲染至电子地图中的地理元素，本发明实施例将传统的单目标计算方式转变为包括渲染层级和渲染评分的多目标计算方式，使得融合得到的渲染权重能够有效地体现地理元素的重要程度，提升了电子地图的渲染效率和精度，加强了电子地图的指引能力。

附图说明

图1是本发明实施例提供的基于人工智能的电子地图渲染系统的一个可选的架构示意图；

图2a是本发明实施例提供的服务器的一个可选的架构示意图；

图2b是本发明实施例提供的终端设备的一个可选的架构示意图；

图3是本发明实施例提供的基于人工智能的电子地图渲染装置的一个可选的架构示意图；

图4a是本发明实施例提供的基于人工智能的电子地图渲染方法的一个可选的流程示意图；

图4b是本发明实施例提供的基于人工智能的电子地图渲染方法的一个可选的流程示意图；

图5是本发明实施例提供的基于人工智能的电子地图渲染方法的一个可选的流程示意图；

图6是本发明实施例提供的电子地图渲染的一个可选的架构示意图；

图7是本发明实施例提供的模型训练的一个可选的示意图；

图8是本发明实施例提供的数据过滤的一个可选的示意图；

图9a是本发明实施例提供的渲染后的电子地图的一个可选的示意图；

图9b是本发明实施例提供的渲染后的电子地图的一个可选的示意图；

图9c是本发明实施例提供的渲染后的电子地图的一个可选的示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。另外，以下的描述中涉及到的“多个”是指至少两个。

在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。

对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。

1)电子地图：利用计算机技术，以数字方式存储和查阅的地图，用于承载现实世界中地理元素的可视化对象(如地理元素的图标)。

2)地理元素：反应现实世界中的地理对象，地理元素如可抽象为点的兴趣点(poi，pointofinterest)，兴趣点如一个学校、一个大厦或一个餐厅等。

3)渲染：将地理元素展现到电子地图中的可视化技术。

4)损失函数：用于度量模型的预测结果与实际结果之间的差异，在模型的优化过程中，通常是以最小化损失函数的损失值为目标。

5)过拟合：指的是机器学习过程中，模型对训练集的拟合预测结果非常好，但在测试集或真实应用时拟合预测效果很差的现象，一般是由于模型过于复杂导致。

6)多分类：表示机器学习的分类任务中有多个目标类别，每个样本有且仅有一个对应的目标类别。

7)梯度提升树(gbdt，gradientboostingdecisiontree)：机器学习中一种迭代的决策树算法，算法由多棵决策树组成，所有树的预测结果累加起来作为最终的预测结果。

8)极端梯度提升(xgboost，extremegradientboosting)：是机器学习中gbdt算法的一种工程优化的实现，其本身是一个机器学习算法工具包，能够通过设置任务和参数来训练应用于不同场景的gbdt模型。

9)softmax函数：又称归一化指数函数，能够将任意实数的k维向量z转化为另一个k维向量σ(z)中，使得σ(z)中每一个元素的取值范围都在0和1之间，并且所有元素之和为1。

由于现实世界中地理元素的数量繁多，故在将地理元素渲染至电子地图中时，需要挑选部分地理元素进行渲染。相关技术主要提供了以下三种方式以挑选地理元素：

1)基于两两比较的方式。依次计算每一个地理元素与其他的所有地理元素之间的优劣关系，例如需要判定的集合中有n个地理元素，则根据两两比较法可以得到一个n×n大小的关系矩阵，在遇到渲染位置有冲突的地理元素时，根据关系矩阵就可决定最终渲染的地理元素。但是，该方式的计算量较大，存储空间耗费也较高，另外，对于一组待判定的地理元素集合，可能会出现循环优劣关系(例如a>b、b>c和c>a同时存在)，这时还需要通过额外的手段才能确定最终渲染的地理元素。

2)基于打分的方式。以地理元素的属性为变量设定一个打分公式，对每个地理元素都按照该公式进行计算，从而得到一个全局的得分列表。对于渲染位置冲突的至少两个地理元素，根据其得分即可确定最终渲染的地理元素。但是，该方式的渲染效果完全依赖打分公式，一旦公式确定后，得分严格按照公式计算得出，由于地理元素的数量庞大，要制定出一个对所有地理元素都适用的公式是几乎不可实现的，并且公式的变动往往会带来整体效果的不可控。

3)基于规则的方式。主要是通过人工指定各种不同的规则，来给每个地理元素赋予一个最终的权重，再根据权重对多个地理元素进行排序，最终确定渲染地理元素的优先级。但是，该方式对规则制定者的要求极高，需要专业人员大量投入，为了达到良好的渲染效果，设计的规则往往会越来越复杂，其维护成本也会日渐提高。

本发明实施例提供一种基于人工智能的电子地图渲染方法、装置、电子设备和计算机可读存储介质，能够提升电子地图的渲染效果，加强电子地图的指引能力，下面说明本发明实施例提供的电子设备的示例性应用。

参见图1，图1是本发明实施例提供的基于人工智能的电子地图渲染系统100的一个可选的架构示意图，为实现支撑一个基于人工智能的电子地图渲染应用，终端设备400(示例性示出了终端设备400-1和终端设备400-2)通过网络300连接服务器200，服务器200连接数据库500，网络300可以是广域网或者局域网，又或者是二者的组合。

在一些实施例中，终端设备400可在本地执行本发明实施例提供的基于人工智能的电子地图渲染方法。具体地，终端设备400安装有电子地图客户端，终端设备400响应于对电子地图客户端的电子地图查看操作，在电子地图客户端中加载电子地图界面，并在电子地图界面中，根据电子地图所涉及的各个地理元素的渲染权重的降序，依次渲染关联到待渲染层级的地理元素，其中待渲染层级为与电子地图的当前比例尺匹配的渲染层级。这里，终端设备400可以预先将电子地图所涉及到的地理元素的信息转化为固定格式的特征向量，根据特征向量进行一系列处理，得到地理元素所关联的渲染层级以及渲染评分，并保存融合得到的渲染权重，其中，地理元素的信息可以是终端设备400通过网络300在线获取的，或是预先获取并存储在本地的(离线的)，终端设备400可通过存储于本地的渲染模型来对特征向量进行相关处理。当然，终端设备400也可以在获取到电子地图查看操作时，实时计算电子地图所涉及到的地理元素的渲染层级和渲染评分，并融合得到渲染权重。值得说明的是，电子地图查看操作包括但不限于打开电子地图客户端的操作以及在电子地图客户端中搜索某地地图的操作。

服务器200也可以执行本发明实施例提供的基于人工智能的电子地图渲染方法，具体地，服务器200从数据库500获取电子地图中地理元素的信息，经过一系列处理后，得到地理元素所关联的渲染层级和渲染评分，并融合得到渲染权重，其中，服务器200可调用存储于数据库500或文件系统中的渲染模型，对特征向量进行相关处理。服务器200在接收到终端设备400发送的电子地图查看操作时，根据渲染权重的降序，依次渲染关联到待渲染层级的地理元素，并将渲染后的电子地图发送至终端设备400，以使终端设备400在加载的电子地图界面中呈现渲染后的电子地图。当然，这里服务器200也可将确定出的需要渲染的地理元素发送至终端设备400，以使终端设备400在本地执行将地理元素渲染至电子地图的工作。

终端设备400可以在图形界面410(示例性示出了图形界面410-1和图形界面410-2)中显示电子地图渲染过程中的各种结果，例如加载出的电子地图界面及渲染后的电子地图等。在图1中，示例性地示出了渲染后的电子地图，其中包括地理元素a、b和c。渲染后的电子地图包括了周边较为重要的地理元素，指引能力较强，终端设备400的用户可根据显示的电子地图，快速确定自己所在的位置或者选定符合自身需求的目的地。

下面继续说明本发明实施例提供的电子设备的示例性应用。电子设备可以实施为笔记本电脑，平板电脑，台式计算机，机顶盒，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)等各种类型的终端设备，也可以实施为服务器。

下面，以电子设备为服务器为例进行说明。参见图2a，图2a是本发明实施例提供的服务器200(例如，可以是图1所示的服务器200)的架构示意图，图2a所示的服务器200包括：至少一个处理器210、存储器240和至少一个网络接口220。服务器200中的各个组件通过总线系统230耦合在一起。可理解，总线系统230用于实现这些组件之间的连接通信。总线系统230除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2a中将各种总线都标为总线系统230。

处理器210可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(dsp，digitalsignalprocessor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

存储器240可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器240可选地包括在物理位置上远离处理器210的一个或多个存储设备。

存储器240包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(rom，readonlymemory)，易失性存储器可以是随机存取存储器(ram，randomaccessmemory)。本发明实施例描述的存储器240旨在包括任意适合类型的存储器。

在一些实施例中，存储器240能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作系统241，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

网络通信模块242，用于经由一个或多个(有线或无线)网络接口220到达其他计算设备，示例性的网络接口220包括：蓝牙、无线相容性认证(wifi)、和通用串行总线(usb，universalserialbus)等。

在一些实施例中，本发明实施例提供的基于人工智能的电子地图渲染装置可以采用软件方式实现，图2a示出了存储在存储器240中的基于人工智能的电子地图渲染装置243，其可以是程序和插件等形式的软件，包括以下软件模块：预测模块2431、评分模块2432、融合模块2433及渲染模块2434，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。

在另一些实施例中，本发明实施例提供的基于人工智能的电子地图渲染装置可以采用硬件方式实现，作为示例，本发明实施例提供的基于人工智能的电子地图渲染装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的基于人工智能的电子地图渲染方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(asic，applicationspecificintegratedcircuit)、dsp、可编程逻辑器件(pld，programmablelogicdevice)、复杂可编程逻辑器件(cpld，complexprogrammablelogicdevice)、现场可编程门阵列(fpga，field-programmablegatearray)或其他电子元件。

下面，以电子设备为终端设备为例进行说明。参见图2b，图2b是本发明实施例提供的终端设备400(例如，可以是图1所示的终端设备400-1和终端设备400-2)的架构示意图，图2b所示的终端设备400包括：至少一个处理器410、存储器450、至少一个网络接口420和用户接口430。终端设备400中的各个组件通过总线系统440耦合在一起。可理解，总线系统440用于实现这些组件之间的连接通信。总线系统440除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2b中将各种总线都标为总线系统440。

处理器410可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(dsp，digitalsignalprocessor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

用户接口430包括使得能够呈现媒体内容的一个或多个输出装置431，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口430还包括一个或多个输入装置432，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。

存储器450可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器450可选地包括在物理位置上远离处理器410的一个或多个存储设备。

存储器450包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(rom，readonlymemory)，易失性存储器可以是随机存取存储器(ram，randomaccessmemory)。本发明实施例描述的存储器450旨在包括任意适合类型的存储器。

在一些实施例中，存储器450能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作系统451，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

网络通信模块452，用于经由一个或多个(有线或无线)网络接口420到达其他计算设备，示例性的网络接口420包括：蓝牙、无线相容性认证(wifi)、和通用串行总线(usb，universalserialbus)等；

呈现模块453，用于经由一个或多个与用户接口430相关联的输出装置431(例如，显示屏、扬声器等)使得能够呈现信息(例如，用于操作外围设备和显示内容和信息的用户接口)；

输入处理模块454，用于对一个或多个来自一个或多个输入装置432之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。

在一些实施例中，本发明实施例提供的基于人工智能的电子地图渲染装置可以采用软件方式实现，图2b示出了存储在存储器450中的基于人工智能的电子地图渲染装置455，其可以是程序和插件等形式的软件，包括以下软件模块：加载模块4551及界面内渲染模块4552，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。

在另一些实施例中，本发明实施例提供的基于人工智能的电子地图渲染装置可以采用硬件方式实现，作为示例，本发明实施例提供的基于人工智能的电子地图渲染装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的基于人工智能的电子地图渲染方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(asic，applicationspecificintegratedcircuit)、dsp、可编程逻辑器件(pld，programmablelogicdevice)、复杂可编程逻辑器件(cpld，complexprogrammablelogicdevice)、现场可编程门阵列(fpga，field-programmablegatearray)或其他电子元件。

本发明实施例提供的基于人工智能的电子地图渲染方法可以由上述的服务器执行，也可以由终端设备(例如，可以是图1所示的终端设备400-1和终端设备400-2)执行，或者由服务器和终端设备共同执行。

下面将结合上文记载的电子设备的示例性应用和结构，说明电子设备中通过嵌入的基于人工智能的电子地图渲染装置243，而实现基于人工智能的电子地图渲染方法的过程。

参见图3和图4a，图3是本发明实施例提供的基于人工智能的电子地图渲染装置243的架构示意图，示出了通过一系列模块实现电子地图渲染的流程，图4a是本发明实施例提供的基于人工智能的电子地图渲染方法的流程示意图，将结合图3对图4a示出的步骤进行说明。

在步骤101中，基于电子地图中地理元素的特征向量进行预测处理，以在电子地图的多个渲染层级中确定地理元素所关联的渲染层级。

作为示例，参见图3，在预测模块2431中，确定落入电子地图的呈现范围的地理元素，并从本地存储或数据库中获取地理元素的信息，将其转化为固定格式的特征向量。然后，基于地理元素的特征向量进行预测处理，以在电子地图的多个渲染层级中确定地理元素所关联的渲染层级，其中，可通过机器学习的手段进行预测处理，具体内容在后文进行详细阐述。值得说明的是，电子地图的多个渲染层级可根据实际应用场景进行划分，每一个渲染层级对应电子地图的一个比例尺，比例尺是指电子地图中一条线段的长度与现实世界中相应线段的实际长度之比。

在一些实施例中，步骤101之前，还包括：从地理元素的信息中提取属性特征和空间特征；对属性特征和空间特征进行离散化处理；将属性特征和空间特征中符合组合条件的特征，进行组合处理，得到组合特征；将组合特征、离散化处理后的属性特征及空间特征，拼接为地理元素的特征向量。

这里，地理元素的信息可包括属性信息和空间信息，在从本地存储或数据库中获取到地理元素的信息后，从属性信息中提取属性特征，属性特征包括但不限于地理元素的元素类型(如商城及酒店等)、热度、名称长度及地理元素之间的主从关系；从空间信息中提取空间特征，空间特征包括但不限于区域面面积、水域内标志、建成区标志及网格内地理元素密度。属性特征和空间特征中可能存在连续型特征，在本发明实施例中，为了便于后续进行预测处理及排序处理，对属性特征和空间特征进行离散化处理，例如热度的取值范围为0到1000之间的连续值，则可每隔100取一个区间，将原始的连续型特征转化为10个对应区间范围的离散型特征。举例来说，若数值1表示热度落入对应的区间，数值0表示热度未落入对应的区间，且热度的原始数值为50，则经过离散化处理后，得到的离散型特征的特征值为1000000000。

此外，还可将一些符合组合条件的独立特征组合为新的特征，例如，可将地理元素的属性特征中的村庄类型和空间特征中的建成区标志进行组合处理，得到城中村标志的新特征。其中，在该地理元素属于村庄(村庄类型的数值为1)且位于建成区(建成区标志的数值为1)时，确定该地理元素属于城中村，即城中村标志的数值为1，在其他情况下，组合出的城中村标志的数值为0。组合条件可根据实际应用场景进行设定，本发明实施例对此不做限定。

最终，将组合特征、离散化处理后的属性特征及空间特征，拼接为地理元素的特征向量，特征向量可输入至机器学习模型中，或通过其他方式进行处理。通过上述方式，提升了特征提取的有效性，使得特征向量包含与地理元素对应的有价值的信息。

在步骤102中，将电子地图中关联到相同渲染层级的地理元素按照对应的特征向量进行评分处理，得到渲染评分。

作为示例，参见图3，在评分模块2432中，对于不同的渲染层级单独进行评分处理。举例来说，地理元素a1、a2、……a10与渲染层级a关联，地理元素b1、b2、……b10与渲染层级b关联，则对地理元素a1至a10的特征向量进行评分处理，得到的渲染评分可表示a1至a10在渲染层级a中的排序位次，例如a1的渲染评分高于a10，则表示a1在渲染层级a中的排序位次(重要性)高于a10；对地理元素b1至b10的特征向量进行评分处理，得到b1至b10中每个地理元素的渲染评分。

在步骤103中，将地理元素的渲染评分与地理元素所关联的渲染层级进行融合处理，得到渲染权重。

在本发明实施例中，渲染层级的优先级高于渲染评分，即渲染评分表示的是地理元素在渲染层级内的重要性，为了便于进行渲染，可将渲染层级和渲染评分进行融合。作为示例，参见图3，在融合模块2433中，将每个地理元素的渲染评分与该地理元素所关联的渲染层级进行融合处理，得到渲染权重。

在一些实施例中，在步骤103之前，还包括：根据设定评分区间对地理元素的渲染评分进行等比例缩放处理，得到更新后的渲染评分；

可以通过这样的方式来实现上述的将地理元素的渲染评分与地理元素所关联的渲染层级进行融合处理，得到渲染权重：将地理元素所关联的渲染层级、与设定评分区间的最大值进行乘积处理；将乘积处理结果与地理元素的更新后的渲染评分进行加和处理，得到地理元素的渲染权重。

将电子地图中关联到相同渲染层级的地理元素按照对应的特征向量进行评分处理后，可得到关联到相同渲染层级的每个地理元素在原始评分区间内的渲染评分，这里，原始评分区间与评分处理的方式相关，例如由用于评分处理的排序模型的参数确定。为了便于计算，在得到每个地理元素的渲染评分后，将地理元素的渲染评分等比例缩放到统一的设定评分区间，得到更新后的渲染评分。例如，原始评分区间是0～3000，设定评分区间是0～2000，某地理元素的渲染评分为1500，则经过等比例缩放处理后，得到更新后的渲染评分为1000。

对于电子地图所涉及到的每个地理元素，将其所关联的渲染层级与设定评分区间的最大值进行乘积处理，并将乘积处理结果与该地理元素的更新后的渲染评分进行加和处理，得到该地理元素的渲染权重。例如，以上述例子再次举例，地理元素的渲染层级为5，则将该渲染层级与设定评分区间的最大值2000进行乘积处理，将乘积处理的结果与更新后的渲染评分1000进行加和处理，得到渲染权重11000。通过上述方式，提升了计算渲染权重的有序性，使得渲染权重能够有效地结合渲染层级和渲染评分。

在一些实施例中，在步骤103之前，还包括：获取电子地图中地理元素之间的主从关系；其中，主从关系用于表示从地理元素归属于主地理元素；当主地理元素所关联的渲染层级小于从地理元素所关联的渲染层级、或者主地理元素的渲染评分小于或等于关联到相同渲染层级的从地理元素的渲染评分时，对从地理元素的渲染评分以及所关联的渲染层级进行调整处理，以使调整处理后的从地理元素的渲染权重小于主地理元素的渲染权重。

这里，可从地理元素的信息中获取主从关系，该主从关系用于表示从地理元素归属于主地理元素，主从关系即为空间逻辑上的一对一或一对多关系。例如，一个商场包括多个店铺，则该商场为主地理元素，每个店铺均是归属于主地理元素的从地理元素。通常来说，主地理元素的重要程度应当大于子地理元素，故当主地理元素所关联的渲染层级小于从地理元素所关联的渲染层级、或者主地理元素的渲染评分小于或等于关联到相同渲染层级的从地理元素的渲染评分时，即当主地理元素的渲染权重小于或等于子地理元素的渲染权重时，对从地理元素的渲染评分以及所关联的渲染层级进行调整处理，以使调整处理后的从地理元素的渲染权重小于主地理元素的渲染权重。本发明实施例对调整处理的方式不做限定，例如将子地理元素的渲染层级更新为主地理元素的渲染层级减一，此外，在需要对对应同一主地理元素的多个子地理元素进行调整处理时，由于不同子地理元素所关联的渲染层级可能不同，故还可根据多个子地理元素原有的渲染权重的顺序，将多个子地理元素的渲染评分等比例缩放至特定的区间中，以使在等比例缩放后，得到的多个子地理元素的渲染权重的顺序与原有的渲染权重的顺序一致。通过上述的调整处理的方式，使得主地理元素的渲染权重与子地理元素的渲染权重之间的关系，符合现实世界中的主从关系，提升了渲染权重的合理性。

在一些实施例中，在步骤103之前，还包括：获取地理元素的名称长度；当名称长度超过长度阈值、且地理元素所关联的渲染层级超过层级阈值时，将地理元素所关联的渲染层级更新为层级阈值。

在现实世界中，名称较长的地理元素的重要程度通常较低。故在计算出地理元素所关联的渲染权重以及地理元素的渲染评分后，获取地理元素的名称长度，例如从地理元素的信息中获取。当名称长度超过长度阈值、且地理元素所关联的渲染层级超过层级阈值时，证明地理元素所关联的渲染层级不合理，将地理元素所关联的渲染层级更新为层级阈值，其中，长度阈值和层级阈值可根据实际应用场景进行设定，如将长度阈值设定为14，在电子地图的渲染层级包括1、2、……10时，可将层级阈值设定为4。上述方式基于名称长度来调整明显异常的渲染层级，提升了后续得到的渲染权重的合理性。

在一些实施例中，在步骤103之前，电子地图渲染方法还包括：当电子地图中的地理元素位于白名单时，从白名单中获取地理元素所关联的渲染层级、以及地理元素的渲染评分。

在本发明实施例中，对于一些特殊的地理元素，需要人为在白名单中设定其对应的渲染层级和渲染评分，以保证后续渲染的绝对准确性。例如一些地标性建筑的重要程度较高，需要优先渲染，故可人为在白名单中设定与其对应的较高的渲染层级和渲染评分。在确定出位于电子地图呈现范围内的地理元素后，判断地理元素是否位于白名单中，若地理元素位于白名单中，则获取白名单中与该地理元素对应的渲染层级和渲染评分，即不需要再对该地理元素的特征向量进行预测处理和评分处理。通过上述的设定白名单的方式，有效地保证了某些特殊地理元素的渲染层级和渲染评分的准确性。

在步骤104中，根据渲染权重的降序，依次渲染关联到待渲染层级的地理元素；其中，待渲染层级为多个渲染层级中与电子地图的当前比例尺匹配的渲染层级。

这里，将电子地图的多个渲染层级中与当前比例尺匹配的渲染层级，确定为待渲染层级。其中，在比例尺与对应的渲染层级的数值之间成反比关系的情况下，匹配可指大于当前比例尺对应的渲染层级，例如，电子地图的渲染层级包括1、2、……10，当前比例尺对应的渲染层级为6，则与当前比例尺匹配的渲染层级包括7、8、9和10。然后，在位于电子地图呈现范围的多个地理元素中，确定出关联到待渲染层级的地理元素，并根据经步骤103确定出的渲染权重的降序，依次渲染关联到待渲染层级的地理元素，具体的渲染方式在后文进行详细阐述。如此，可保证渲染至电子地图中的地理元素是重要程度较高的地理元素，便于用户根据电子地图获取到符合自身需求的信息，例如在渲染的地理元素中搜寻目的地。值得说明的是，本发明实施例中的电子地图可以是静态地图，也可以是动态地图，对于动态地图的情况，在电子地图每次变化后可进行重新渲染。

在一些实施例中，基于人工智能的电子地图渲染方法还包括：当依次渲染关联到待渲染层级的地理元素时，若待渲染的地理元素的渲染位置存在已渲染的地理元素，则忽略待渲染的地理元素。

在根据渲染权重的降序，依次渲染关联到待渲染层级的地理元素时，若待渲染的地理元素的渲染区域存在已渲染的地理元素，证明已渲染的地理元素的重要程度高于待渲染的地理元素，则忽略待渲染的地理元素，以保证在电子地图中呈现重要程度更高的地理元素。其中，渲染区域是地理元素所在的地理位置的周边区域(包括地理位置在内)，如以地理元素所在的地理位置为中心的1千米×1千米的网格，当然，周边区域的面积和形式并不限于此，可根据实际应用场景进行设定，例如可设定周边区域的面积随着电子地图的当前比例尺自适应调整。

通过发明实施例对于图4a的上述示例性实施可知，本发明实施例将传统的单目标转变为多目标的计算方式，即依次计算渲染层级和渲染评分，并根据融合得到的渲染权重确定最终渲染的地理元素，提升了电子地图的渲染效果，加强了电子地图的指引能力。

在一些实施例中，参见图4b，图4b是本发明实施例提供的基于人工智能的电子地图渲染方法的一个可选的流程示意图，基于图4a，在步骤101之前，还可以在步骤201中，获取多个样本地理元素的特征向量、样本渲染层级及样本渲染权重。

在本发明实施例中，可利用多层计算框架来得到地理元素所关联的渲染层级以及地理元素的渲染评分，具体地，利用包括分层模型和排序模型的渲染模型。在分层模型和排序模型的训练阶段，首先，获取多个样本地理元素的特征向量、样本渲染层级及样本渲染权重，其中，特征向量可通过对样本地理元素的信息进行转化，样本渲染权重可人为标注，或通过相关技术的方式，如基于规则的方式计算得到。至于样本渲染层级，可以确定电子地图中的每个渲染层级对应的渲染权重范围，进一步确定出样本渲染权重落入的渲染权重范围，将该渲染权重范围对应的渲染层级确定为样本渲染层级。除此之外，由于电子地图的每一个比例尺对应一个渲染层级，故还可将电子地图按照比例尺从小到大的顺序依次进行渲染，将样本地理元素最开始显示时的比例尺对应的渲染层级，确定为该样本地理元素的样本渲染层级。

在步骤202中，通过渲染模型中的分层模型对样本地理元素的特征向量进行预测处理，得到待对比的渲染层级，并根据样本地理元素的样本渲染层级及待对比的渲染层级，对分层模型进行更新。

这里，分层模型可以是基于机器学习的多分类模型，分层模型的多个预测类别即为电子地图的多个渲染层级。通过分层模型对样本地理元素的特征向量进行预测处理，将输出的预测类别确定为待对比的渲染层级。然后，根据样本地理元素的样本渲染层级及待对比的渲染层级，对分层模型进行更新。

在一些实施例中，可以通过这样的方式来实现上述的根据样本地理元素的样本渲染层级及待对比的渲染层级，对分层模型进行更新：根据分层模型的损失函数，对样本地理元素的样本渲染层级和待对比的渲染层级之间的差异进行度量处理，得到第一损失值；根据第一损失值在分层模型中进行反向传播，并在反向传播的过程中，更新分层模型的权重参数。

这里，根据分层模型的损失函数，对样本地理元素的样本渲染层级和待对比的渲染层级进行处理，度量两者之间的差异，得到第一损失值。根据第一损失值在分层模型中进行反向传播，并在反向传播的过程中，沿梯度下降方向更新分层模型中各层的权重参数。本发明实施例对损失函数的类型不做限定，例如可为交叉熵损失函数。通过反向传播的机制进行分层模型的更新，提升了模型更新效果。

在步骤203中，根据任意两个样本地理元素的特征向量，构建排序样本，并确定排序样本的样本标签；样本标签用于表示两个样本地理元素的样本渲染权重之间的大小关系。

这里，根据任意两个样本地理元素的特征向量，构建排序样本，并根据两个样本地理元素的样本渲染权重之间的大小关系，确定排序样本的样本标签。例如，当第一个样本地理元素的样本渲染权重大于第二个样本地理元素的样本渲染权重时，将排序样本的样本标签设置为1；反之，将将排序样本的样本标签设置为0。当然，这里也可根据关联到相同样本渲染层级的任意两个样本地理元素的特征向量，构建排序样本。

在步骤204中，通过渲染模型中的排序模型对排序样本进行评分处理，根据得到的渲染评分确定待对比的标签，并根据排序样本的样本标签及待对比的标签，对排序模型进行更新。

这里，排序模型可以是基于机器学习手段构建的用于执行排序任务的模型。通过排序模型执行排序任务的具体方式是，通过排序模型对排序样本进行评分处理后，根据得到的渲染评分确定待对比的标签，待对比的标签体现了排序结果，即用于表示排序样本对应的两个样本地理元素的渲染评分之间的大小关系。然后，根据排序样本的样本标签及待对比的标签，对排序模型进行更新。

在一些实施例中，可以通过这样的方式来实现上述的根据排序样本的样本标签及待对比的标签，对排序模型进行更新：根据排序模型的损失函数，对排序样本的样本标签和待对比的标签之间的差异进行度量处理，得到第二损失值；根据第二损失值在排序模型中进行反向传播，并在反向传播的过程中，更新排序模型的权重参数。

同样地，也可利用反向传播的机制来更新排序模型。具体地，根据排序模型的损失函数，对排序样本的样本标签和待对比的标签之间的差异进行度量处理，得到第二损失值。根据得到的第二损失值在排序模型中进行反向传播，在反向传播的过程中，沿梯度下降方向更新排序模型各个层的权重参数，其中，排序模型的损失函数可为交叉熵损失函数或其他类型的损失函数。通过上述方式，提升了模型更新的效果。

在一些实施例中，在任意步骤之间，电子地图渲染方法还包括：获取样本地理元素所在的属于设定规划级别的区域；根据区域将多个样本地理元素分别划分至对应的集合中；其中，每个集合对应一个区域；对集合中的样本地理元素进行过滤处理，以根据集合中过滤后的样本地理元素，对分层模型和排序模型进行更新；其中，更新后的分层模型和排序模型用于对集合对应区域的地理元素进行预测。

在现实世界中，电子地图中的不同区域可能有不同的渲染特点，例如a市的餐饮行业较为发达，在a市的电子地图中，餐饮类型的地理元素的渲染优先级较高，即样本渲染权重普遍较大；在b市的电子地图中，公园类型的地理元素的渲染优先级较高。故在本发明实施例中，可针对不同区域单独进行渲染模型的训练。具体地，从样本地理元素的信息中获取样本地理元素所在的、属于设定规划级别的区域，设定规划级别可根据实际应用场景进行设定，如设定为县级或市级等。根据区域将多个样本地理元素分别划分至对应的集合中，每个集合仅对应一个设定规划级别的区域。对于得到的每个集合，对集合中的样本地理元素进行过滤处理，以过滤掉有特殊渲染要求的样本地理元素。

根据集合中过滤后的样本地理元素，对渲染模型进行更新，这里对模型更新的过程不再赘述。根据不同集合对渲染模型进行更新的过程彼此独立，如此，对于每一个集合，都可得到对应的渲染模型，该渲染模型用于对该集合对应区域的地理元素进行预测，得到渲染层级和渲染评分。通过上述方式，提升了对于不同区域的针对性，加强了后续的渲染效果。

在一些实施例中，可以通过这样的方式来实现上述的对集合中的样本地理元素进行过滤处理：执行以下至少一种过滤处理的方式：在集合中移除元素类型符合设定类型的样本地理元素；在集合中移除当前状态符合设定状态的样本地理元素；在集合中移除位于白名单的样本地理元素。

本发明实施例提供了三种过滤处理的方式。第一种方式是，在集合中移除元素类型符合设定类型的样本地理元素，设定类型包括但不限于公厕、停车场及立交桥等具有明确渲染要求的类型，即设定好的需要在电子地图中显示的类型，设定类型还可包括公交站及地铁站等交通类型。第二种方式是，在集合中移除当前状态符合设定状态的样本地理元素，设定状态如样本地理元素的可信度低于可信度阈值，又如样本地理元素处于停业或关闭状态。第三种方式是，在集合中移除位于白名单的样本地理元素，白名单可包括作为城市地标的地理元素，还可包括具备特殊展示形态的地理元素，如具备特殊展示形态的体育场等。根据实际应用场景，可选用上文三种方式中的至少一种，来进行样本地理元素的过滤，移除掉渲染规则不符合大多数地理元素共性的样本地理元素。

在一些实施例中，在步骤201之后，还包括：将包括多个样本地理元素的特征向量、样本渲染层级及样本渲染权重的数据集，划分为训练集和验证集；对渲染模型的多组超参数进行遍历，并通过训练集对部署遍历到的超参数的渲染模型进行更新，通过验证集确定更新后的渲染模型的模型指标；将满足指标条件的模型指标对应的超参数，确定为最优超参数，以根据数据集，对部署最优超参数的渲染模型进行更新。

这里，将获取到的每个样本地理元素的特征向量、样本渲染层级及样本渲染权重共同作为一条样本，将获取到的所有样本添加至数据集中，并将数据集划分为训练集和验证集，本发明实施例对划分比例不做限定，例如训练集包括的样本数量：验证集包括的样本数量＝7：3。然后，对渲染模型的多组超参数进行遍历，其中，不同于权重参数，超参数指的是训练渲染模型之前已设定好的参数，例如渲染模型的迭代次数及分层模型的网络层数量等。将遍历到的超参数部署至原始的渲染模型，通过训练集对部署后的渲染模型进行权重参数的更新，并通过验证集确定更新后的渲染模型的模型指标，模型指标的类型包括但不限于精确率、召回率及f1分数，其中，f1分数是精确率和召回率的调和平均。将满足指标条件的模型指标对应的一组超参数，确定为最优超参数，例如将模型指标最高的一组超参数确定为最优超参数。然后，将最优超参数部署至原始的渲染模型，并根据数据集对部署后的渲染模型进行权重参数的更新。通过上述方式，能够确定出效果最好的一组超参数，便于提升渲染模型后续的训练效果。

在图4b中，图4a示出的步骤101可以更新为步骤205，在步骤205中，通过分层模型，对电子地图中地理元素的特征向量进行预测处理，以在电子地图的多个渲染层级中确定地理元素所关联的渲染层级。

作为示例，参见图3，在预测模块2431中，完成渲染模型的更新后，通过更新后的分层模型对电子地图中地理元素的特征向量进行预测处理，根据预测结果确定地理元素所关联的渲染层级。

在图4b中，图4a示出的步骤102可以更新为步骤206，在步骤206中，通过排序模型，对关联到相同渲染层级的所有地理元素的特征向量进行评分处理，得到关联到相同渲染层级的每个地理元素的渲染评分。

作为示例，参见图3，在评分模块2432中，将关联到相同渲染层级的所有地理元素的特征向量，输入至更新后的排序模型中，获取排序模型在执行排序任务中得到的渲染评分。

通过发明实施例对于图4b的上述示例性实施可知，通过本发明实施例的多层计算框架，将传统的单目标计算方法转变为分步的多目标计算方法，能够极大地降低渲染模型的复杂度，提高渲染模型的泛化能力，进而能够极大地提高渲染模型的灵活性和稳定性。

下面将结合上文记载的电子设备的示例性应用和结构，说明电子设备中通过嵌入的基于人工智能的电子地图渲染装置455，而实现基于人工智能的电子地图渲染方法的过程。

参见图5，图5是本发明实施例提供的基于人工智能的电子地图渲染方法的流程示意图，为了便于理解，以电子设备为终端设备举例，结合图5示出的各个步骤进行说明。

在步骤301中，响应于电子地图查看操作，加载电子地图界面。

这里，终端设备安装有电子地图客户端，当检测到电子地图查看操作时，终端设备在电子地图客户端中加载电子地图界面。其中，电子地图查看操作包括但不限于打开电子地图客户端的操作以及在电子地图客户端中搜索某地地图的操作。

在步骤302中，在电子地图界面中，根据电子地图中各个地理元素的渲染权重的降序，依次渲染关联到待渲染层级的地理元素；其中，渲染权重是对地理元素的渲染层级和渲染评分进行融合得到；待渲染层级为电子地图的多个渲染层级中与电子地图的当前比例尺匹配的渲染层级；电子地图中各个地理元素的渲染层级和渲染评分是基于人工智能模型预测得到。

在加载的电子地图界面中，确定电子地图涉及到的多个地理元素以及电子地图的当前比例尺，并根据每个地理元素的渲染权重的降序，依次渲染关联到待渲染层级的地理元素，得到渲染后的电子地图，其中，待渲染层级是与电子地图的当前比例尺匹配的渲染层级，匹配可指大于当前比例尺对应的渲染层级。值得说明的是，终端设备可通过调用本地存储、数据库或服务器的文件系统中的人工智能模型，对各个地理元素进行预测，得到各个地理元素的渲染层级和渲染评分，该预测过程可以预先进行，并将根据渲染层级和渲染评分融合得到的渲染权重保存在本地，也可以在获取到电子地图查看操作时实时进行。另外，人工智能模型可以是上文的渲染模型。

电子地图界面中呈现的电子地图可以是在渲染后一直不变的，即静态的，也可以是根据调整操作而动态变化的，调整操作包括但不限于在电子地图客户端中调整电子地图的比例尺的操作以及移动电子地图的操作。对于动态变化的情况，在每次电子地图变化后，可根据变化后的电子地图所涉及的多个地理元素的渲染权重，重新进行地理元素的渲染，以保证电子地图能够实时更新。

通过发明实施例对于图5的上述示例性实施可知，本发明实施例综合渲染层级和渲染评分进行地理元素的渲染，提升了渲染的效率和精度，能够加强最终呈现在电子地图界面中的电子地图的指引能力。

下面，将说明本发明实施例在一个实际的应用场景中的示例性应用。本发明实施例提供的电子设备可以是终端设备，通过调用本地存储的分层模型和排序模型，在本地实现电子地图的渲染；也可以是部署于云端的服务器，通过调用存储于文件系统中的分层模型和排序模型，从而实现远程的电子地图渲染。

本发明实施例提供了如图6所示的电子地图渲染的一个架构示意图，涉及到分层模型和排序模型，图6中以实线箭头表示模型训练阶段，以虚线箭头表示模型应用阶段，为了便于理解，后文以地理元素为poi的情况进行举例说明。

图6示出的原始数据包括多个poi的空间坐标信息和结构化的属性信息，本发明实施例的目的在于，根据原始数据计算出其中每个poi对应的渲染权重，进而在底图渲染存在位置冲突时，根据渲染权重确定优先渲染的poi，其中，底图是指电子地图中展现于最底层的图面，包括背景面、道路及poi等一系列反映真实世界中地理元素的可视化。这里以步骤形式说明计算渲染权重的算法流程：

1)将poi原始的信息通过特征工程转化为固定格式的特征向量，采用的方式包括特征提取、离散化处理以及特征组合。

特征提取是指对已有的poi信息进行分析，从中取得有价值的特征。本发明实施例提取的特征包括属性特征和空间特征两类，属性特征是从poi的属性信息中提取得到的，包括poi的类型(对应上文的元素类型)、热度、名称长度、是否存在关系主点(关系主点对应上文的主地理元素)、关系主点的类型及关系主点的热度等，空间特征是基于poi的空间信息以及其他类型的元地理素(如道路及背景面等)的空间信息关联提取得到的一组特征，包括区域面面积、水域内标志、建成区标志及网格内poi密度等，其中，关联提取对应图6中的数据关联。

离散化处理是指将提取的特征中的部分连续型特征转化为离散型特征，比如对热度和名称长度等连续型特征按照特定的区间进行划分。例如，热度的取值范围为0到1000，则可每隔100设定一个区间，将原始的连续型特征转化为10个对应区间范围的离散型特征，对于一个poi来说，其热度必定会落入其中一个区间内，则该区间对应的数值记为1，其余区间对应的数值记为0。例如热度的原始数值为50，则经过离散化处理后，得到的离散型特征的特征值为1000000000。

特征组合是指将一些独立的特征组合为新的特征，在本发明实施例中可对类型特征和标志类型进行组合，例如特征“城中村标志”的计算公式为：

fcity-village＝fvillage×fbuilt

即当poi既属于村庄类型(fvillage＝1)，同时也位于建成区(fbuilt＝1)时，该poi的城中村标志fcity-village的特征值为1，其余情况下，fcity-village的特征值为0。完成特征提取、离散化处理以及特征组合后，将得到的特征拼接为固定格式的特征向量。

值得说明的是，除了上文的人工构造特征的方式，在本发明实施例中还可应用自学习的方式来得到poi的特征，一种方式是采用深度神经网络(dnn，deepneuralnetworks)模型来学习poi的特征，例如采用wide&deep模型同时从poi的信息中提取浅层特征和深层特征；一种方式是对于poi的名称及地址等涉及到文本的信息，基于词向量技术进行词嵌入处理，挖掘出语义级的特征；还有一种方式是通过卷积神经网络模型等方法，挖掘与poi相关的局部地理空间上的特征。

2)将poi的特征向量输入至分层模型，通过分层模型计算poi的渲染层级。在本发明实施例中，将判断poi的显示重要度(渲染权重)这一目标抽象为判断poi的合理渲染层级和渲染评分这两个目标，其中，可将渲染权重的档次划分为10个渲染层级，分别为1～10。通过分层模型进行预测处理后，得到与poi关联的渲染层级，渲染层级越高，代表对应的渲染权重的档次越高，关联到相同渲染层级的poi在该步骤中视为同一组，其渲染权重的档次无需区分。例如，有a、b、c三个poi，通过分层模型对a、b和c的特征向量分别进行预测处理后，得到如下的渲染层级：levela＝2,levelb＝2,levelc＝5，则可确定a和b的渲染权重的档次均低于c，并且a与b具有相同的渲染权重的档次，在该步骤将a和b划分到同一组。步骤2)相当于对poi的渲染权重进行了粗略划分。

3)将步骤2)中同一组内poi的特征向量输入至排序模型，通过排序模型进行排序处理后，得到同一组内每个poi对应的数值型得分，即渲染评分。渲染评分越高，代表poi在所关联的渲染层级中的渲染权重越高，为了后续计算方便，这里可将同一组内的poi的渲染评分等比例缩放(即归一化)到设定评分区间，设定评分区间如0～2000。还是以步骤2)中的a、b和c三个poi为例，经过步骤2)已得到了三个poi各自所关联的渲染层级，则可确定出a与b属于同一组，c属于另一组。两组数据分别经过排序模型的排序处理，并对得到的渲染评分进行等比例缩放，得到

scorea＝212.23,scoreb＝1302.12,scorec＝143.37

缩放后的渲染评分表示在包括a和b的一组中，a的渲染权重低于b的渲染权重，而c的渲染评分虽然比a和b都要低，但由于levelc大于levela和levelb，故c的渲染权重仍然比a和b高。值得说明的是，上文的levela表示a的渲染层级，scorea表示a的渲染评分，以此类推。

4)按照设定的规则对poi的渲染层级和渲染评分进行微调。这里，使用一些设定的规则形成强约束，从而避免poi的渲染层级和渲染评分在逻辑上的不合理或错误的情况，本发明实施例中的规则包括但不限于主子关系(对应上文的主从关系)、名称长度以及白名单。主子关系规则指的是对于两个poi，若两者存在逻辑上的主子关系，则在步骤3)得到两个poi的渲染层级和渲染评分后，判断是否符合如下规则：

(levelparent＞levelchild)||((levelparent＝levelchild)&&(scoreparent＞scorechild))

其中，parent指的是主子关系中的主poi，child指的是主子关系中的子poi，一个主poi通常对应多个子poi。若不满足该主子关系规则，则对子poi的渲染层级和渲染评分进行调整。综合主子关系规则的调整方式如下：

①首先确定子poi的渲染权重阈值maxsubrank，计算公式为maxsubrank＝(levelparent-1)*2000+scoreparent。

②计算子poi的渲染权重rankchild＝levelchild×2000+scorechild，将渲染权重超过渲染权重阈值，即rankchild＞maxsubrank的子poi添加至集合d。

③将集合d中所有子poi的渲染层级更新为levelparent-1。

④在集合d的所有子poi的渲染权重中，确定出最大的渲染权重rankmax和最小的渲染权重rankmin。

⑤将集合d中每个子poi的渲染评分更新为：

总结来说，将不符合主子关系规则的子poi的渲染层级更新为levelparent-1，并将子poi的渲染评分按照计算出的渲染权重的顺序，等比例缩放至2000-scoreparent的区间中，如此，保证所有子poi的渲染权重都低于主poi，并且保持多个子poi原有的渲染权重的顺序。

名称长度规则指的是，当名称长度大于设定的长度阈值时，判断其渲染层级是否小于设定的层级阈值，例如名称长度规则可为“ifnamelen＞14thenlevel≤4”，其中，namelen即为名称长度。若某个poi不符合名称长度规则，则将该poi的渲染层级更新为4。

白名单规则是指对于某些特殊poi，人为设定渲染层级和渲染评分，以确保其渲染权重的绝对准确性。例如对于城市地标poi来说，人为设定较高的渲染层级和渲染评分，以确保其能够渲染至底图中。

5)根据前面步骤得到的渲染层级和渲染评分，使用公式rank＝level×2000+score计算每个poi最终的渲染权重，即rank值。

算法流程涉及到分层模型及排序模型，在应用之前，需要对模型进行训练。在相关技术提供的渲染权重的计算方式中，是直接从原始数据得到最终的渲染权重，其对应的训练方法也是单目标训练，这种方式的主要问题在于，为了在训练集上得到较好的效果，往往需要较高的模型复杂度，这样就容易导致模型过拟合，进而在真实的应用场景上无法很好的发挥作用，计算出的渲染权重不准确。在当前应用场景中，poi数量十分庞大，而可用的特征维度有限，因此在本发明实施例中，训练分层模型和排序模型两个模型，分别对应层级预测和排序两个任务，整体训练流程如图7所示。为了便于理解，以步骤形式说明图7所示的训练流程：

1)对包括多个poi信息的poi原始数据进行预处理。首先将poi原始数据按城市划分成不同集合，每一个集合对应一个城市，再根据设定的过滤规则，对每个集合进行数据过滤，以得到初始的数据集。如图8所示，本发明实施例提供了三种过滤poi的方式，第一种方式是，在集合中移除类型符合设定类型的poi，设定类型包括但不限于公厕、停车场及立交桥等具有明确渲染要求的类型，还可包括公交站、地铁站、地铁出入口、机场及火车站等交通类型。第二种方式是，在集合中移除现势性符合设定状态的poi，例如移除可信度低于可信度阈值的poi，又例如移除处于停业或关闭状态的poi，其中，现势性对应上文的当前状态。第三种方式是，在集合中移除位于白名单的poi，即移除特殊点，例如移除城市地标poi，又例如移除具备特殊展示形态的poi。由于过滤掉的poi具有特殊的渲染要求，能够人为地确定其显示策略，故不需放入数据集中参与模型的训练，如果放入数据集中参与模型训练，反而会影响模型的实际效果。

2)特征工程。将数据集中的每一个poi的信息都转换为固定形式的特征向量，转换方式与算法流程的步骤1)相同，在此不做赘述。

3)训练分层模型。分层模型的目标是将poi关联到1～10这十个渲染层级中的一个，渲染层级越高，对应的渲染权重也越高。在本发明实施例中，可训练一个预测类别数为10的多分类xgboost模型，具体做法如下：

①首先，在步骤1)和步骤2)得到的数据集的基础上，进一步构造用于多分类的数据集。经过步骤2)后，已经得到了poi的特征向量，故在这里确定poi对应的目标标签，该目标标签对应上文的样本渲染层级。在本发明实施例中，可根据相关技术提供的基于规则的方式计算得到poi的样本渲染权重，并可结合poi的初次显示比例尺，得到poi对应的目标标签，目标标签是1～10中的一个数值。其中，初次显示比例尺是指将底图按照比例尺从小到大的顺序依次进行渲染，poi最开始显示时的比例尺。

②将xgboost模型的任务设置为multi:softmax，表示将模型的目标设定为多分类，并且以softmax函数作为分类函数。

③将步骤①得到的用于多分类的数据集拆分为训练集和验证集，从而在xgboost模型的多组超参数中确定最优超参数。

④将最优超参数部署至xgboost模型，并通过步骤①中用于多分类的数据集，对xgboost模型进行训练，收敛后即可得到最终的分层模型。

4)训练排序模型。排序模型的目的是对经过分层模型预测后属于同一渲染层级的poi的特征向量进行评分处理，得到该渲染层级内每个poi的渲染评分。在本发明实施例中，可训练一个基于pairwise算法的xgboost模型，具体做法如下：

①在步骤1)和步骤2)得到的数据集的基础上，融合第三方数据和人工标注数据，进一步构造pairwise数据集，pairwise数据集即poi对数据集，其中，第三方数据和人工标注数据包括多个poi(与原始数据中的poi不同)的信息，根据这些信息可得到poi的样本渲染权重，但这里并不要求根据poi的样本渲染权重得到样本渲染层级。具体地，将pairwise数据集中的poi进行两两组合，得到<poi1，poi2>，若poi1的样本渲染权重大于poi2，则将<poi1，poi2>的目标标签记为1；若poi1的样本渲染权重小于或等于poi2，则将<poi1，poi2>的目标标签记为0，这里的目标标签对应上文的样本标签。此外，还有一种设置目标标签的方式是，在一对poi内设置两个目标标签，将样本渲染权重较高的poi的目标标签记为1，将样本渲染权重较低的poi的目标标签记为0，例如若<poi1，poi2>中poi1的样本渲染权重大于poi2，则将poi1的目标标签记为1，将poi2的目标标签记为0。根据实际应用场景可选用上述两种标签设定方式中的任一种，或其他可用的标签设定方式。值得说明的是，在将pairwise数据集中的poi进行两两组合时，可以进行完全随机的组合，也可以对于指明了样本渲染层级的多个poi，将关联到相同样本渲染层级的多个poi进行两两随机组合。

②将xgboost模型的任务设置为rank:pairwise，代表将模型目标设置为排序，通过损失函数计算预测出的标签与目标标签之间的损失值。

③同样将步骤①得到的pairwise数据集拆分为训练集和验证集，从而确定模型的最优超参数。

④将最优超参数部署至xgboost模型，并通过步骤①中的pairwise数据集对xgboost模型进行训练，收敛后即可得到最终的排序模型。

值得说明的是，本发明实施例对分层模型和排序模型的具体类型不做限定，除了上文的xgboost模型之外，还可使用轻度梯度提升机器(lightgbm，lightgradientboostingmachine)模型亦或是其他能够达到同样效果的模型。

在完成分层模型及排序模型的训练后，可将分层模型和排序模型部署至终端设备或服务器，按照算法流程提供底图渲染的线上服务，本发明实施例对底图的类型不做限定，例如可以是城市底图或景区导览图等，底图本身可以是静态地图或不断变化的动态底图。底图渲染的具体过程如下：

1)获取底图呈现范围内多个poi的信息。

2)将poi的信息转换为固定格式的特征向量，即如图5所示的预测样本。

3)以poi的特征向量为输入，依次通过分层模型和排序模型，计算poi所关联的渲染层级以及poi的渲染评分。

4)使用设定的规则对poi的渲染层级以及渲染评分进行微调。

5)使用公式rank＝level×2000+score，计算每个poi的最终的渲染权重，根据该渲染权重执行poi的渲染。值得说明的是，在渲染时，首先会确定底图的当前比例尺对应的渲染层级levelscale，并在多个poi中筛选出渲染层级大于levelscale的poi。然后，对于筛选出的poi，按照渲染权重的降序，依次将对应的poi渲染至底图中，在此过程中，若待渲染的poi的渲染区域存在已渲染的地理元素，即渲染区域存在冲突，则忽略待渲染的poi，如此，能够保证更重要的poi优先渲染，实现合理避让。

通过本发明实施例，以机器学习方法替代了传统的纯规则方法，能够自主学习到poi渲染权重的计算模式，可以在不损失效果的前提下极大地减少人工维护的成本；通过引入多层计算框架，将传统的单目标计算方法转变为分步的多目标计算方法，能够极大地降低模型的复杂度，提高模型的泛化能力，进而能够极大地提高模型的灵活性和稳定性；不同于传统的单模型计算框架只使用一套特征和数据的方法，本发明实施例通过将目标拆分，结合分层模型和排序模型来计算渲染权重，进而可以使用不同特征不同数据集的优化方法来进一步提高模型的准确率。

为了便于理解本发明实施例的渲染效果，本发明实施例提供了如图9a所示的渲染后的电子地图(底图)的一个示意图，其可以是位于x市的用户在移动终端设备上触发了移动版的电子地图应用程序(app)后，得到的电子地图界面，电子地图界面中示出了x市的电子地图，电子地图中已渲染的poi包括a动物园、a公园、x市西站和x市南站，其中，电子地图app对应上文的电子地图客户端。除此之外，电子地图中还呈现了用户的当前位置。

本发明实施例还提供了如图9b所示的渲染后的电子地图的一个示意图，其可以是位于x市的用户在即时通信app中触发了发送位置的选项后，所得到的电子地图界面。相较于图9a，图9b示出的电子地图界面中的电子地图的当前比例尺更小，图9a中的a动物园和a公园的渲染层级均未超过图9b的当前比例尺对应的渲染层级，故均未在图9b的电子地图中呈现。除此之外，图9b的电子地图中还呈现了用户的当前位置，以及当前位置附近的poi。

本发明实施例还提供了如图9c所示的渲染后的电子地图的一个示意图，其可以是用户在如笔记本电脑的终端设备上触发了网页版的电子地图应用程序(app)，并搜索x市后得到的电子地图界面。图9c中电子地图的当前比例尺小于图9a，但是大于图9b，图9a中的a动物园的渲染层级超过了图9c的当前比例尺对应的渲染层级，故经过渲染后在图9c的电子地图中呈现；图9a中的a公园的渲染层级未超过图9c的当前比例尺对应的渲染层级，故未在图9c的电子地图中呈现。另外，由于交通类型的poi具有优先显示的要求，人为设定了较高的渲染层级和渲染评分，故在图9a、图9b和图9c中均呈现了x市西站和x市南站。通过结合电子地图的当前比例尺进行poi的渲染，使得渲染后的电子地图呈现的都是现实世界中较为重要的poi，加强了电子地图的指引能力，便于用户更直观地进行电子地图的查看和定位。

下面继续说明本发明实施例提供的基于人工智能的电子地图渲染装置243实施为软件模块的示例性结构，在一些实施例中，如图2a所示，存储在存储器240的基于人工智能的电子地图渲染装置243中的软件模块可以包括：预测模块2431，用于基于电子地图中地理元素的特征向量进行预测处理，以在电子地图的多个渲染层级中确定地理元素所关联的渲染层级；评分模块2432，用于将电子地图中关联到相同渲染层级的地理元素按照对应的特征向量进行评分处理，得到渲染评分；融合模块2433，用于将地理元素的渲染评分与地理元素所关联的渲染层级进行融合处理，得到渲染权重；渲染模块2434，用于根据渲染权重的降序，依次渲染关联到待渲染层级的地理元素；其中，待渲染层级为多个渲染层级中与电子地图的当前比例尺匹配的渲染层级。

在一些实施例中，基于人工智能的电子地图渲染装置243还包括：缩放模块，用于根据设定评分区间对地理元素的渲染评分进行等比例缩放处理，得到更新后的渲染评分；

融合模块2433，还用于：将地理元素所关联的渲染层级、与设定评分区间的最大值进行乘积处理；将乘积处理结果与地理元素的更新后的渲染评分进行加和处理，得到地理元素的渲染权重。

在一些实施例中，基于人工智能的电子地图渲染装置243还包括：关系获取模块，用于获取电子地图中地理元素之间的主从关系；其中，主从关系用于表示从地理元素归属于主地理元素；调整模块，用于当主地理元素所关联的渲染层级小于从地理元素所关联的渲染层级、或者主地理元素的渲染评分小于或等于关联到相同渲染层级的从地理元素的渲染评分时，对从地理元素的渲染评分以及所关联的渲染层级进行调整处理，以使调整处理后的从地理元素的渲染权重小于主地理元素的渲染权重。

在一些实施例中，基于人工智能的电子地图渲染装置243还包括：长度获取模块，用于获取地理元素的名称长度；层级更新模块，用于当名称长度超过长度阈值、且地理元素所关联的渲染层级超过层级阈值时，将地理元素所关联的渲染层级更新为层级阈值。

在一些实施例中，基于人工智能的电子地图渲染装置243还包括：白名单获取模块，用于当电子地图中的地理元素位于白名单时，从白名单中获取地理元素所关联的渲染层级、以及地理元素的渲染评分。

在一些实施例中，基于人工智能的电子地图渲染装置243还包括：忽略模块，用于当依次渲染关联到待渲染层级的地理元素时，若待渲染的地理元素的渲染区域存在已渲染的地理元素，则忽略待渲染的地理元素。

在一些实施例中，预测模块2431，还用于：通过渲染模型中的分层模型，对电子地图中地理元素的特征向量进行预测处理，以在电子地图的多个渲染层级中确定地理元素所关联的渲染层级；

评分模块2432，还用于：通过渲染模型中的排序模型，对关联到相同渲染层级的所有地理元素的特征向量进行评分处理，得到关联到相同渲染层级的每个地理元素的渲染评分。

在一些实施例中，基于人工智能的电子地图渲染装置243还包括：样本获取模块，用于获取多个样本地理元素的特征向量、样本渲染层级及样本渲染权重；分层模块更新模块，用于通过分层模型对样本地理元素的特征向量进行预测处理，得到待对比的渲染层级，并根据样本地理元素的样本渲染层级及待对比的渲染层级，对分层模型进行更新；排序样本构建模块，用于根据任意两个样本地理元素的特征向量，构建排序样本，并确定排序样本的样本标签；样本标签用于表示两个样本地理元素的样本渲染权重之间的大小关系；排序模型更新模块，用于通过排序模型对排序样本进行评分处理，根据得到的渲染评分确定待对比的标签，并根据排序样本的样本标签及待对比的标签，对排序模型进行更新。

在一些实施例中，分层模块更新模块，还用于：根据分层模型的损失函数，对样本地理元素的样本渲染层级和待对比的渲染层级之间的差异进行度量处理，得到第一损失值；根据第一损失值在分层模型中进行反向传播，并在反向传播的过程中，更新分层模型的权重参数。

在一些实施例中，排序模型更新模块，还用于：根据排序模型的损失函数，对排序样本的样本标签和待对比的标签之间的差异进行度量处理，得到第二损失值；根据第二损失值在排序模型中进行反向传播，并在反向传播的过程中，更新排序模型的权重参数。

在一些实施例中，基于人工智能的电子地图渲染装置243还包括：区域获取模块，用于获取样本地理元素所在的属于设定规划级别的区域；划分模块，用于根据区域将多个样本地理元素分别划分至对应的集合中；其中，每个集合对应一个区域；过滤模块，用于对集合中的样本地理元素进行过滤处理，以根据集合中过滤后的样本地理元素，对分层模型和排序模型进行更新；其中，更新后的分层模型和排序模型用于对集合对应区域的地理元素进行预测。

在一些实施例中，过滤模块，还用于：执行以下至少一种过滤处理的方式：在集合中移除元素类型符合设定类型的样本地理元素；在集合中移除当前状态符合设定状态的样本地理元素；在集合中移除位于白名单的样本地理元素。

下面继续说明本发明实施例提供的基于人工智能的电子地图渲染装置455实施为软件模块的示例性结构，在一些实施例中，如图2b所示，存储在存储器450的基于人工智能的电子地图渲染装置455中的软件模块可以包括：加载模块4551，用于响应于电子地图查看操作，加载电子地图界面；界面内渲染模块4552，用于在电子地图界面中，根据电子地图中各个地理元素的渲染权重的降序，依次渲染关联到待渲染层级的地理元素；其中，渲染权重是对地理元素的渲染层级和渲染评分进行融合得到；待渲染层级为电子地图的多个渲染层级中与电子地图的当前比例尺匹配的渲染层级；电子地图中各个地理元素的渲染层级和渲染评分是基于人工智能模型预测得到。

本发明实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本发明实施例提供的方法，例如，如图4a或图4b示出的基于人工智能的电子地图渲染方法，或者如图5示出的基于人工智能的电子地图渲染方法。值得说明的是，计算机包括终端设备和服务器在内的各种计算设备。

在一些实施例中，计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、闪存、磁表面存储器、光盘、或cd-rom等存储器；也可以是包括上述存储器之一或任意组合的各种设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(html，hypertextmarkuplanguage)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。

作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

综上，通过本发明实施例能够实现以下技术效果：

1)以机器学习方法替代了传统的纯规则方法，能够自主学习到地理元素渲染权重的计算模式，可以在不损失计算精度的前提下极大地减少人工维护的成本。

2)通过引入多层计算框架，将传统的单目标计算方法转变为分步的多目标计算方法，能够极大地降低渲染模型的复杂度，提高渲染模型的泛化能力，进而能够极大地提高渲染模型的灵活性和稳定性，使得得到的渲染权重更为精确，加强了渲染后的电子地图的指引能力。

3)通过构建包括分层模型和排序模型的计算框架，进而可以使用不同特征不同数据集的优化方法来进一步提高渲染模型的准确率。

4)通过将数据集划分为训练集和验证集，从而能在渲染模型的多组超参数中确定出效果最好的超参数，提升模型训练效果。

5)通过设定主子关系规则、名称长度规则及白名单规则，对地理元素的渲染层级和渲染评分进行微调，使得渲染层级和渲染评分与实际情况更为符合，进一步提升最终得到的渲染权重的精度。

6)针对不同的区域单独训练对应的渲染模型，使得训练后的渲染模型更符合对应区域的地理元素渲染特点，提升了对不同区域的针对性。

以上，仅为本发明的实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。