[发明专利]一种编码模型训练的方法、编码的方法、装置和存储介质

说明书

本申请实施例提供一种编码模型训练的方法、编码的方法、装置和存储介质，该方法包括：获取训练数据，其中，所述训练数据包括已标注编码信息的地理实体矢量数据；对所述训练数据进行预处理，获得预处理结果，其中，所述预处理结果包括对应的特征属性值、特征属性的数目和实体类别总数目；根据所述预处理结果生成待训练神经网络模型，其中，所述训练神经网络模型输入层的输入特征的数目等于所述特征属性的数目，所述待训练神经网络的输出层用于输出与所述实体类别总数目相同数量的识别结果；训练所述待训练神经网络模型，获得实体类别编码模型，能够实现灵活配置神经网络模型进行实体编码。

技术领域

本申请实施例涉及地理信息系统领域，具体涉及一种编码模型训练的方法、编码的方法、装置和存储介质。

背景技术

相关技术中，针对地理矢量数据进行编码赋值的方案主要依赖于人工辨别的方式，在根据遥感图像或者三维地理数据进行地理要素的绘制后，再对绘制的实体赋予其编码属性。在深度学习相关技术的技术中，一个固定模型的深度学习网络的输入的数据需要统一特征属性的数量，也就是说，相关技术采用统一构建的单一的神经网络进行识别和编码。可以理解的是，当需要编码的实体实际需要的特征属性较少时，采用严格限定输入特征属性数量的神经网络模型会存在大量的无用参数，而当需要编码的实体实际需要的特征属性较多时，由于严格限定输入特征属性数量的神经网络的输入特征数少于输入的特征属性则数据无法输入，因此采用相关技术的深度学习网络模型的构建和训练方法将导致对输入的数据限定要求较高，同时不能够灵活配置实际需要的神经网络模型。

因此，如何灵活配置神经网络模型进行多种实体编码成为亟待解决的问题。

发明内容

本申请实施例提供一种编码模型训练的方法、编码的方法、装置和存储介质，通过本申请的一些实施例至少能够实现灵活配置神经网络模型对实体数据进行识别，从而根据识别结果进行编码。

第一方面，一种编码模型训练的方法，所述方法包括：获取训练数据，其中，所述训练数据包括已标注编码信息的地理矢量数据；对所述训练数据进行预处理，获得预处理结果，其中，所述预处理结果包括对应的特征属性值、特征属性的数目和实体类别总数目；根据所述预处理结果生成待训练神经网络模型，其中，所述训练神经网络模型输入层的输入特征的数目等于所述特征属性的数目，所述待训练神经网络的输出层用于输出与所述实体类别总数目相同数量的识别结果；训练所述待训练神经网络模型，获得实体类别编码模型。

因此，本申请实施例通过根据训练数据对应的特征属性的数目和需要编码的实体类别总数目，适应构造匹配的待训练的神经网络模型的输入层和输出层，从而获得实体类别编码模型，能够实现对各种数量的特征属性数目的输入和类型识别标记，提升了对各种实体的自动化识别程度，有效防止遗漏，极大的节省了人工的资源，在处理大量实体数据时优势明显，极大的提高了数据处理的效率。

结合第一方面，在一种实施方式中，所述对所述训练数据进行预处理，获得预处理结果，包括：提取所述训练数据中的至少一个特征属性，其中，所述至少一个特征属性是组成所述实体的基本元素；计算与所述至少一个特征属性分别对应的至少一个特征属性值；将所述至少一个特征属性值作为所述预处理结果。

结合第一方面，在一种实施方式中，在所述提取所述训练数据中的至少一个特征属性之前，所述方法还包括：获取用户预先选择的至少一个自选特征属性，其中，所述至少一个特征属性中包括所述至少一个自选特征属性，所述至少一个自选特征属性是用户根据实际需求选择的；所述提取所述训练数据中的至少一个特征属性，包括：提取所述训练数据中的所述自选特征属性；所述计算与所述至少一个特征属性分别对应的至少一个特征属性值，包括：计算与所述自选特征属性分别对应的自选特征属性值；所述将所述至少一个特征属性值作为所述预处理结果，包括：将所述自选特征属性值作为所述预处理结果。