道路类型识别模型的训练方法以及道路类型识别方法与流程
1.本技术涉及基于机器学习的数据挖掘技术领域，特别是涉及一种道路类型识别模型的训练方法、道路类型识别方法、道路类型识别模型的训练装置、计算机设备、存储介质和计算机程序产品。
背景技术：
2.对于车辆驾驶人来说，车辆道路类型的识别的研究可以用于分析车辆的安全性和舒适度，对于车辆研发人员来说，此研究是完成车辆工况，细分市场、油耗分析、载重分析等方面研究的重要指标之一。
3.但传统的车辆道路类型识别通过车辆的全球定位系统(global positioning system，gps)经纬度及地图获取道路类型，这种方法十分依赖gps信号，且依赖于供应商，成本较高；同时受限于道路类型的固定性，导致道路类型的真实性低。
4.因此，如何能够按照需求进行道路类型识别是一个亟待解决的问题。
技术实现要素：
5.基于此，有必要针对上述技术问题，提供一种能够高效识别车辆道路类型的道路类型识别模型的训练方法、道路类型识别方法、道路类型识别模型的训练装置、计算机设备、存储介质和计算机程序产品。
6.第一方面，本技术提供了一种道路类型识别模型的训练方法，该方法包括：
7.获取车辆样本数据以及当前道路类型识别模型，当前道路类型识别模型由车辆样本数据训练得到；
8.提取当前道路类型识别模型的模型参数；
9.采用粒子算法对模型参数进行优化，得到优化后的参数；
10.根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训练。
11.在其中一个实施例中，上述根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训练，包括：
12.根据优化后的参数更新当前道路类型识别模型，得到更新后的道路类型识别模型；
13.根据车辆样本数据对更新后的道路类型识别模型进行优化训练；
14.返回提取当前道路类型识别模型的模型参数的步骤，直至满足停止条件。
15.在其中一个实施例中，上述停止条件为根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行训练的训练次数达到目标次数。
16.第二方面，本技术提供了一种道路类型识别方法，该方法包括：
17.获取车辆的行驶数据；
18.将车辆的行驶数据输入至第一方面任意一项的道路类型识别模型的训练方法得到的道路类型识别模型中，得到道路类型。
19.在其中一个实施例中，上述车辆的行驶数据包括：
20.车辆的行驶速度、加速踏板开度、制动踏板开度、纵向加速度、横向加速度、挡位信号、方向盘转角信号以及道路坡度中的至少一个。
21.在其中一个实施例中，上述方法还包括：
22.将道路类型进行可视化显示。
23.第三方面，本技术还提供了一种道路类型识别模型的训练装置，该装置包括：
24.数据获取模块，用于获取车辆样本数据以及当前道路类型识别模型，当前道路类型识别模型由车辆样本数据训练得到；
25.参数提取模块，用于提取当前道路类型识别模型的模型参数；
26.参数优化模块，用于采用粒子算法对模型参数进行优化，得到优化后的参数；
27.模型训练模块，用于根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训练。
28.第四方面，本技术还提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现第一方面或第二方面中任一项的方法步骤。
29.第五方面，本技术还提供了一种计算机可读存储介质，该计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面或第二方面中任一项的方法步骤。
30.第六方面，本技术还提供了一种计算机程序产品，该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面或第二方面中任一项的方法步骤。
31.上述道路类型识别模型的训练方法、道路类型识别方法、道路类型识别模型的训练装置、计算机设备、存储介质和计算机程序产品，通过获取车辆样本数据以及当前道路类型识别模型，并提取当前道路类型识别模型的模型参数，采用粒子算法对模型参数进行优化，得到优化后的参数，根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训练，能够满足多种道路类型的识别需求，提高道路类型识别模型的训练精度，从而提高道路类型的识别效率。
附图说明
32.图1为一个实施例中道路类型识别方法的应用环境图；
33.图2为一个实施例中道路类型识别模型的训练方法的流程示意图；
34.图3为图2所示实施例中s204步骤的流程示意图；
35.图4为另一个实施例中道路类型识别模型的训练方法的流程示意图；
36.图5为另一个实施例中道路类型识别方法的流程示意图；
37.图6为一个实施例中道路类型识别方法的流程示意图；
38.图7为图6所示实施例中机器学习参数优化的流程示意图；
39.图8为一个实施例中道路类型识别模型的训练装置的结构框图；
40.图9为一个实施例中道路类型识别装置的结构框图；
41.图10为一个实施例中计算机设备的内部结构图。
具体实施方式
42.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
43.本技术实施例提供的道路类型识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102用于获取车辆样本数据以及当前道路类型识别模型，通过粒子算法对提取的模型参数进行优化，并根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训。服务器104用于获取车辆的行驶数据，并将车辆的行驶数据输入至终端102得到的道路类型识别模型中，得到道路类型。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集来实现。
44.在一个实施例中，如图2所示，提供了一种道路类型识别模型的训练方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
45.s201：获取车辆样本数据以及当前道路类型识别模型。
46.其中，当前道路类型识别模型由车辆样本数据训练得到，车辆样本数据由车辆行驶数据获得，车辆行驶数据由车载设备终端采集。车载设备采集到车辆的行驶数据后，上传至数据中心，在进行道路类型识别时，可通过车联网大数据平台从数据中心下载数据，从而获得车辆的行驶数据。
47.其中，道路类型识别模型是一种机器学习模型，机器学习模型是一种算法的表达，它通过梳理海量数据来查模式或进行预测。车载终端是指车辆监控管理系统的前端设备，一般隐秘地安装在各种车辆内，车载终端设备主要由车载视频服务器、液晶显示器(liquid crystal display，lcd)触摸屏、外接摄像机、通话手柄以及汽车防盗器等各种外接设备组成。车联网大数据平台将车辆数据、车机手机数据、用户数据、合作伙伴数据、业务数据以及第三方数据等(具体包括车、路、车主、交通信息、路况信息、天气信息、加油站地理位置信息、停车场信息)，利用设备传感器、埋点、数据导入以及数据集成等方式将数据收集起来，并储存到大数据平台进行处理。
48.对下载的车辆行驶数据首先进行数据清洗处理，将数据中出现的空值与异常值等进行剔除，然后将数据按照相同时间进行分割，形成道路类型不同的数据集。在进行数据集分割时，需要从车辆行驶数据中确定车辆行驶数据维度，例如，车辆行驶速度或加速踏板的开度等。对于车辆行驶速度的相关数据，可以按照固定行驶时间划分成多个跨度相同的独立样本，且每种样本中的样本数量大于一。为分割好的数据集制作标签，按照需求可以分为四类：高速、国道、城郊以及其它。按照一定的比例将制作好标签的数据集划分成两份，其中一份作为道路类型识别模型的训练数据，也就是车辆样本数据，另一份作为道路识别模型的测试数据，在优化训练结束后测试模型误差。训练集数据的数量一般占所有数据的2/3到4/5，在实际应用中，基于整个数据集数据的大小，训练集数据和测试集数据的划分比例可以是6:4、7:3或8:2。对于庞大的数据可以使用9:1，甚至是99:1来进行数据划分。
49.其中，数据清洗(data cleaning)是指对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。数据清洗指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。
50.s202：提取当前道路类型识别模型的模型参数。
51.其中，以支持向量机(support vector machines，svm)为例，svm是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；svm还包括核技巧，这使它成为实质上的非线性分类器。svm的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。
52.svm采用的核函数是径向基函数，其表达式为：
53.k(ai,bj)＝exp(-g||a
i-aj||2)
54.其中，ai和aj表示第i和j个输入的列向量，g为径向基宽度，k表示ai和aj在空间中的特征向量。
55.其中，径向基函数是一种函数的取值仅仅与输入的中心点有关的函数，具有这种性质的函数就称为径向基函数。比如，高斯函数是一种径向基函数，其输出值的大小与距离中心点的距离有关，距离中心点越远，函数值越小，距离中心点越近，函数值越大。
56.s203：采用粒子算法对模型参数进行优化，得到优化后的参数。
57.其中，粒子算法是通过模拟鸟觅食行为而发展起来的一种基于体协作的随机搜索算法，通常认为它是集智能(swarm intelligence，si)的一种。粒子算法的表达式为：
[0058][0059][0060]
其中，ω为惯性因子用以平衡局部寻优能力和全局寻优能力之间的关系；c1、c2为加速度项分别代表个体学习因子和社会学习因子；r1和r2随机取值于[0,1]之间的数；为第d维的第i个粒子在t+1时刻的迭代速度；为第d维的第i个粒子的在t时刻的迭代速度；表示当前最优值，表示粒子在t时刻当前所在的位置，
[0061]
以上述svm为例，采用粒子算法对参数g进行优化的步骤包括：
[0062]
(1)对改进粒子算法的各项参数进行初始化设置；
[0063]
(2)将粒子的值代入到评价函数中；
[0064]
(3)得到评价函数的最优值；
[0065]
(4)输出最优参数g。
[0066]
对于优化后的参数，以均方误差作为评价函数，表达式为：
[0067][0068]
其中，θi表示第i个粒子的原始值，表示θi的估计值。
[0069]
s204：根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训练。
[0070]
其中，优化训练方法指的是将数据集中的数据输入进道路类型识别模型进行训练，同时通过粒子算法对路类型识别模型中的参数进行优化，优化后的参数在下一次训练中结合损失函数进行进一步的优化更新，将模型评分最高的模型进行保存，作为最终的道路类型识别模型。
[0071]
其中，损失函数(loss function)或代价函数(cost function)是指将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。
[0072]
上述道路类型识别模型的训练方法中，通过获取车辆样本数据以及当前道路类型识别模型，并提取当前道路类型识别模型的模型参数，采用粒子算法对模型参数进行优化，得到优化后的参数，根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训练，能够满足多种道路类型的识别需求，提高道路类型识别模型的训练精度，从而提高道路类型的识别效率。
[0073]
在一个实施例中，如图3所示，上述根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训练，包括以下步骤：
[0074]
s301：根据优化后的参数更新当前道路类型识别模型，得到更新后的道路类型识别模型。
[0075]
其中，参数优化是指通过极小化目标函数使得模型输出和实际观测数据之间达到最佳的拟合程度，将优化后的参数输入至当前道路类型识别模型，会改变当前道路类型识别模型的其他参数，进而得到更新后的道路类型识别模型。
[0076]
s302：根据车辆样本数据对更新后的道路类型识别模型进行优化训练。
[0077]
其中，将车辆样本数据输入至更新后的道路类型识别模型进行机器学习模型训练，其中，训练包括多轮迭代，每轮迭代遍历一次训练数据集，并且每次从中获取一小批样本，送入模型执行前向计算，得到预测值，并计算预测值与真实值之间的损失函数值。执行梯度反向传播，并根据设置的优化算法即粒子算法更新模型的参数，观察每轮迭代的损失值减小趋势，即可判断模型训练效果。
[0078]
s303：返回提取当前道路类型识别模型的模型参数的步骤，直至满足停止条件。
[0079]
其中，机器学习模型训练的过程包括多伦迭代，返回至提取当前道路类型识别模型的模型参数的步骤，进行多次的优化训练，直至满足停止条件，即表示当前道路类型识别模型已经达到一定的精度，能够进行道路类型的识别。
[0080]
本实施例中，根据优化后的参数更新当前道路类型识别模型，得到更新后的道路类型识别模型，并根据车辆样本数据对更新后的道路类型识别模型进行优化训练，然后返回提取当前道路类型识别模型的模型参数的步骤，直至满足停止条件，进行多次道路类型识别模型的优化训练，能够提高道路类型识别模型的训练精度，从而提高道路类型的识别效率。
[0081]
在一个实施例中，上述停止条件为根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行训练的训练次数达到目标次数。
[0082]
其中，每进行一次参数优化与优化训练，视作完成一次训练，目标次数可根据实际需要进行设置，例如根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行训
练的训练次数达到500次时，停止训练，将模型评分最高的模型作为最终的道路类型识别模型。
[0083]
本实施例中，通过设置停止条件，能够使道路类型识别模型进行多次优化训练，保证道路类型识别模型的训练精度，从而提高道路类型的识别效率。
[0084]
在一个实施例中，如图4所示，提供了一种道路类型识别模型的训练方法，该方法包括以下步骤：
[0085]
s1：获取车辆样本数据以及当前道路类型识别模型，当前道路类型识别模型由车辆样本数据训练得到。
[0086]
s2：提取当前道路类型识别模型的模型参数。
[0087]
s3：采用粒子算法对模型参数进行优化，得到优化后的参数。
[0088]
s4：根据优化后的参数更新当前道路类型识别模型，得到更新后的道路类型识别模型。
[0089]
s5：根据车辆样本数据对更新后的道路类型识别模型进行优化训练。
[0090]
s6：返回提取当前道路类型识别模型的模型参数的步骤，直至满足停止条件。其中，停止条件为根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行训练的训练次数达到目标次数。
[0091]
本实施例中，通过获取车辆样本数据以及当前道路类型识别模型，并提取当前道路类型识别模型的模型参数，采用粒子算法对模型参数进行优化，得到优化后的参数，根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训练，能够满足多种道路类型的识别需求，提高道路类型识别模型的训练精度，从而提高道路类型的识别效率。
[0092]
在一个实施例中，提供了一种道路类型识别方法，以该方法应用于图1中的服务器104为例进行说明，包括：获取车辆的行驶数据；将车辆的行驶数据输入至上述道路类型识别模型的训练方法得到的道路类型识别模型中，得到道路类型。
[0093]
其中，车辆行驶数据包括车辆的加速度、行驶速度以及档位信号等行驶相关数据，将得到的车辆行驶数据进行数据清洗，去除重复信息后得到的数据输入至道路类型识别模型中，得到的道路类型包括告诉、国道、城郊以及其他。
[0094]
本实施例中，通过获取车辆的行驶数据，并将车辆的行驶数据输入至上述道路类型识别模型的训练方法得到的道路类型识别模型中，得到道路类型，能够实现道路类型的高效识别。
[0095]
在一个实施例中，上述车辆的行驶数据包括：车辆的行驶速度、加速踏板开度、制动踏板开度、纵向加速度、横向加速度、挡位信号、方向盘转角信号以及道路坡度中的至少一个。
[0096]
其中，加速踏板开度指的是加速踏板的深度；制动踏板开度指的是制动踏板的深度；纵向加速度指的是沿着车的轴向的加速度；横向加速度指的是在车辆进行转弯行驶时产生的离心力所带来的加速度。
[0097]
本实施例中，根据车辆不同种类的行驶数据，能够识别出当前的道路类型，获取的行驶数据越多，识别出的道路类型越详细。
[0098]
在一个实施例中，上述方法还包括：将道路类型进行可视化显示。
[0099]
其中，可视化显示指的是根据道路类型识别结果在车联网大数据平台中生成一份
可视化报告，报告中包括车辆在各个道路中行驶的时机占比和历程占比。
[0100]
本实施例中，将道路类型进行可视化显示，能够直观看到道路类型的识别结果，以及车辆在行驶过程中经过的所有道路类型和行驶占比。
[0101]
在一个实施例中，如图5所示，提供了一种道路类型识别方法，包括以下步骤：
[0102]
s10：获取车辆的行驶数据，其中，车辆的行驶数据包括：车辆的行驶速度、加速踏板开度、制动踏板开度、纵向加速度、横向加速度、挡位信号、方向盘转角信号以及道路坡度中的至少一个。
[0103]
s20：将车辆的行驶数据输入至道路类型识别模型的训练方法得到的道路类型识别模型中，得到道路类型。
[0104]
s30：将道路类型进行可视化显示。
[0105]
本实施例中，通过获取车辆的行驶数据，并将车辆的行驶数据输入至道路类型识别模型的训练方法得到的道路类型识别模型中，能够高效识别道路类型，且将得到的道路类型进行可视化显示，能够直观将道路类型识别结果展示出来。
[0106]
在一个实施例中，如图6所示，提供了一种道路类型识别方法，以机器学习模型为svm为例，包括以下步骤：
[0107]
(1)通过车载设备终端采集到的车辆行驶数据上传至云数据中心，然后通过车联网大数据平台从云数据中心下载数据从而获得车辆的行驶数据。进行初步处理，首先对采集的数据进行数据清洗，将数据中出现的空值与异常值进行剔除，随后将数据按照相同时间进行分割形成道路类型不同的数据集，每个数据集制作好标签后，将其按比例进行分配。前者数据作为训练数据模型的基础数据源，后者作为学习模型的测试数据。
[0108]
(2)将基础数据源和标签值进行模型训练，并输入到机器学习模型中进行训练，得到道路类型识别模型。其中，机器学习模型为svm模型，并利用改进的粒子算法对svm模型参数进行优化，如图7所示。
[0109]
(3)将清洗后的车辆行驶数据输入至步骤(2)中训练得到的道路类型识别模型中，得到车辆的行驶道路类型。
[0110]
(4)将得到的模型部署至大数据平台中，并将结果进行可视化显示。
[0111]
本实施例中，对已知道路类型的车辆行驶数据进行处理，获取行驶相关指标，作为数据模型样本，然后将数据模型样本利用svm算法进行训练，得到车辆行驶道路类型的识别模型；之后将获取车辆的实际行车信号并进行预处理，然后把清洗后的数据放入训练好的识别模型中进行计算，输出道路类型标签，即识别出车辆行驶道路类型，识别类型覆盖更广，识别准确率更高，且成本更低。
[0112]
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0113]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的道路类
型识别模型的训练方法的道路类型识别模型的训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个道路类型识别模型的训练装置实施例中的具体限定可以参见上文中对于道路类型识别模型的训练方法的限定，在此不再赘述。
[0114]
在一个实施例中，如图8所示，提供了一种道路类型识别模型的训练装置，包括：数据获取模块801、参数提取模块802、参数优化模块803和模型训练模块804，其中：
[0115]
数据获取模块801，用于获取车辆样本数据以及当前道路类型识别模型，当前道路类型识别模型由车辆样本数据训练得到；
[0116]
参数提取模块802，用于提取当前道路类型识别模型的模型参数；
[0117]
参数优化模块803，用于采用粒子算法对模型参数进行优化，得到优化后的参数；
[0118]
模型训练模块804，用于根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训练。
[0119]
在一个实施例中，上述模型训练模块包括：参数更新单元、模型训练单元和重复训练单元，其中：
[0120]
参数更新单元，用于根据优化后的参数更新当前道路类型识别模型，得到更新后的道路类型识别模型；
[0121]
模型训练单元，用于根据车辆样本数据对更新后的道路类型识别模型进行优化训练；
[0122]
重复训练单元，用于返回提取当前道路类型识别模型的模型参数的步骤，直至满足停止条件。
[0123]
在一个实施例中，上述重复训练单元的停止条件为根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行训练的训练次数达到目标次数。
[0124]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的道路类型识别方法的道路类型识别装置，具体限定可以参见上文中对于道路类型识别方法的限定。
[0125]
在一个实施例中，如图9所示，提供了一种道路类型识别装置，包括：数据获取模块901和道路识别模块902，其中：
[0126]
数据获取模块901，用于获取车辆的行驶数据；
[0127]
道路识别模块902，用于将车辆的行驶数据输入至道路类型识别模型的训练方法得到的道路类型识别模型中，得到道路类型。
[0128]
在一个实施例中，上述数据获取模块获取的车辆的行驶数据包括：车辆的行驶速度、加速踏板开度、制动踏板开度、纵向加速度、横向加速度、挡位信号、方向盘转角信号以及道路坡度中的至少一个。
[0129]
在一个实施例中，上述道路识别模块还用于将道路类型进行可视化显示。
[0130]
上述道路类型识别模型的训练装置以及道路类型识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0131]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种道路类型识别模型的训练方法或道路类型识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0132]
本领域技术人员可以理解，图10中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0133]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取车辆样本数据以及当前道路类型识别模型，当前道路类型识别模型由车辆样本数据训练得到；提取当前道路类型识别模型的模型参数；采用粒子算法对模型参数进行优化，得到优化后的参数；根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训练。
[0134]
在一个实施例中，处理器执行计算机程序时涉及的根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训练，包括以下步骤：根据优化后的参数更新当前道路类型识别模型，得到更新后的道路类型识别模型；根据车辆样本数据对更新后的道路类型识别模型进行优化训练；返回提取当前道路类型识别模型的模型参数的步骤，直至满足停止条件。
[0135]
在一个实施例中，处理器执行计算机程序时涉及的停止条件为根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行训练的训练次数达到目标次数。
[0136]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取车辆的行驶数据；将车辆的行驶数据输入至上述道路类型识别模型的训练方法得到的道路类型识别模型中，得到道路类型。
[0137]
在一个实施例中，处理器执行计算机程序时涉及的车辆的行驶数据包括：车辆的行驶速度、加速踏板开度、制动踏板开度、纵向加速度、横向加速度、挡位信号、方向盘转角信号以及道路坡度中的至少一个。
[0138]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将道路类型进行可视化显示。
[0139]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取车辆样本数据以及当前道路类型识别模型，当前道路类型识别模型由车辆样本数据训练得到；提取当前道路类型识别模型的模型参数；采用粒子算法对模型参数进行优化，得到优化后的参数；根据优化后的参数以及车辆样
本数据对当前道路类型识别模型进行优化训练。
[0140]
在一个实施例中，计算机程序被处理器执行时涉及的根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训练，包括以下步骤：根据优化后的参数更新当前道路类型识别模型，得到更新后的道路类型识别模型；根据车辆样本数据对更新后的道路类型识别模型进行优化训练；返回提取当前道路类型识别模型的模型参数的步骤，直至满足停止条件。
[0141]
在一个实施例中，计算机程序被处理器执行时涉及的停止条件为根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行训练的训练次数达到目标次数。
[0142]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取车辆的行驶数据；将车辆的行驶数据输入至上述道路类型识别模型的训练方法得到的道路类型识别模型中，得到道路类型。
[0143]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时涉及的车辆的行驶数据包括：车辆的行驶速度、加速踏板开度、制动踏板开度、纵向加速度、横向加速度、挡位信号、方向盘转角信号以及道路坡度中的至少一个。
[0144]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时还实现以下步骤：将道路类型进行可视化显示。
[0145]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取车辆样本数据以及当前道路类型识别模型，当前道路类型识别模型由车辆样本数据训练得到；提取当前道路类型识别模型的模型参数；采用粒子算法对模型参数进行优化，得到优化后的参数；根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训练。
[0146]
在一个实施例中，计算机程序被处理器执行时涉及的根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行优化训练，包括以下步骤：根据优化后的参数更新当前道路类型识别模型，得到更新后的道路类型识别模型；根据车辆样本数据对更新后的道路类型识别模型进行优化训练；返回提取当前道路类型识别模型的模型参数的步骤，直至满足停止条件。
[0147]
在一个实施例中，计算机程序被处理器执行时涉及的停止条件为根据优化后的参数以及车辆样本数据对当前道路类型识别模型进行训练的训练次数达到目标次数。
[0148]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取车辆的行驶数据；将车辆的行驶数据输入至上述道路类型识别模型的训练方法得到的道路类型识别模型中，得到道路类型。
[0149]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时涉及的车辆的行驶数据包括：车辆的行驶速度、加速踏板开度、制动踏板开度、纵向加速度、横向加速度、挡位信号、方向盘转角信号以及道路坡度中的至少一个。
[0150]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时还实现以下步骤：将道路类型进行可视化显示。
[0151]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以
通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0152]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0153]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。
