对象分类处理方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种对象分类处理方法、装置、计算机设备和存储介质。可应用于地图和交通领域，包括：针对多个对象，利用对象分类模型预测得到每一对象在至少两个邻近历史周期分别对应的预测类别，至少两个邻近历史周期，是从当前周期起选取的至少两个连续的历史周期；对各邻近历史周期分别对应的满足目标类别条件的对象的数量进行统计，得到目标统计数量；该目标类别条件包括：对象在邻近历史周期的真实类别为第一预设类别，对象在邻近历史周期的预测类别为第二预设类别，对象在邻近历史周期的下一周期的真实类别以及预测类别均为第一预设类别；基于目标统计数量确定对象分类模型在当前周期的分类准确度。采用本方法能够提高分类准确度的精准度。准确度的精准度。准确度的精准度。

【技术实现步骤摘要】
对象分类处理方法、装置、计算机设备和存储介质


[0001]本申请涉及计算机
，特别是涉及一种对象分类处理方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着计算机技术的发展，机器学习的应用领域越来越广泛，例如可以应用在交通、游戏以及自动驾驶等领域。以交通领域为例，对于交通领域中需要分类的场景，可以基于机器学习训练得到对应的分类模型，利用该分类模型实现分类。
[0003]目前，由于分类准确度为分类模型的重要指标，因此通常需要对分类模型的分类准确度进行分析，然而目前分析分类模型的准确度的方式不够准确，导致分类准确度的精准度较低。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高分类准确度的精准度的对象分类处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种对象分类处理方法。所述方法包括：
[0006]针对多个对象中的每个对象，利用对象分类模型预测得到每一所述对象在至少两个邻近历史周期分别对应的预测类别；所述至少两个邻近历史周期，是从当前周期起选取的至少两个连续的历史周期；
[0007]对所述至少两个邻近历史周期分别对应的目标对象数量进行统计，得到目标统计数量；邻近历史周期对应的目标对象数量是指所述多个对象中满足目标类别条件的对象的数量，所述目标类别条件包括：对象在所述邻近历史周期的真实类别为第一预设类别，对象在所述邻近历史周期的预测类别为第二预设类别，对象在所述邻近历史周期的下一周期的真实类别以及预测类别均为所述第一预设类别；
[0008]基于所述目标统计数量确定所述对象分类模型在所述当前周期的分类准确度。
[0009]第二方面，本申请还提供了一种对象分类处理装置。所述装置包括：
[0010]类别确定模块，用于针对多个对象中的每个对象，利用对象分类模型预测得到每一所述对象在至少两个邻近历史周期分别对应的预测类别；所述至少两个邻近历史周期，是从当前周期起选取的至少两个连续的历史周期；
[0011]统计数量确定模块，用于对所述至少两个邻近历史周期分别对应的目标对象数量进行统计，得到目标统计数量；邻近历史周期对应的目标对象数量是指所述多个对象中满足目标类别条件的对象的数量，所述目标类别条件包括：对象在所述邻近历史周期的真实类别为第一预设类别，对象在所述邻近历史周期的预测类别为第二预设类别，对象在所述邻近历史周期的下一周期的真实类别以及预测类别均为所述第一预设类别；
[0012]准确度确定模块，用于基于所述目标统计数量确定所述对象分类模型在所述当前周期的分类准确度。
[0013]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0014]针对多个对象中的每个对象，利用对象分类模型预测得到每一所述对象在至少两个邻近历史周期分别对应的预测类别；所述至少两个邻近历史周期，是从当前周期起选取的至少两个连续的历史周期；
[0015]对所述至少两个邻近历史周期分别对应的目标对象数量进行统计，得到目标统计数量；邻近历史周期对应的目标对象数量是指所述多个对象中满足目标类别条件的对象的数量，所述目标类别条件包括：对象在所述邻近历史周期的真实类别为第一预设类别，对象在所述邻近历史周期的预测类别为第二预设类别，对象在所述邻近历史周期的下一周期的真实类别以及预测类别均为所述第一预设类别；
[0016]基于所述目标统计数量确定所述对象分类模型在所述当前周期的分类准确度。
[0017]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0018]针对多个对象中的每个对象，利用对象分类模型预测得到每一所述对象在至少两个邻近历史周期分别对应的预测类别；所述至少两个邻近历史周期，是从当前周期起选取的至少两个连续的历史周期；
[0019]对所述至少两个邻近历史周期分别对应的目标对象数量进行统计，得到目标统计数量；邻近历史周期对应的目标对象数量是指所述多个对象中满足目标类别条件的对象的数量，所述目标类别条件包括：对象在所述邻近历史周期的真实类别为第一预设类别，对象在所述邻近历史周期的预测类别为第二预设类别，对象在所述邻近历史周期的下一周期的真实类别以及预测类别均为所述第一预设类别；
[0020]基于所述目标统计数量确定所述对象分类模型在所述当前周期的分类准确度。
[0021]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，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：
[0022]针对多个对象中的每个对象，利用对象分类模型预测得到每一所述对象在至少两个邻近历史周期分别对应的预测类别；所述至少两个邻近历史周期，是从当前周期起选取的至少两个连续的历史周期；
[0023]对所述至少两个邻近历史周期分别对应的目标对象数量进行统计，得到目标统计数量；邻近历史周期对应的目标对象数量是指所述多个对象中满足目标类别条件的对象的数量，所述目标类别条件包括：对象在所述邻近历史周期的真实类别为第一预设类别，对象在所述邻近历史周期的预测类别为第二预设类别，对象在所述邻近历史周期的下一周期的真实类别以及预测类别均为所述第一预设类别；
[0024]基于所述目标统计数量确定所述对象分类模型在所述当前周期的分类准确度。
[0025]上述对象分类处理方法、装置、计算机设备、存储介质和计算机程序产品，针对多个对象中的每个对象，利用对象分类模型预测得到每一对象在至少两个邻近历史周期分别对应的预测类别，至少两个邻近历史周期，是从当前周期起选取的至少两个连续的历史周期，然后再对各邻近历史周期分别对应的，满足目标类别条件的对象的数量进行统计，得到目标统计数量，并基于目标统计数量确定对象分类模型在当前周期的分类准确度。该目标类别条件包括：对象在邻近历史周期的真实类别为第一预设类别，对象在邻近历史周期的
预测类别为第二预设类别，对象在邻近历史周期的下一周期的真实类别以及预测类别均为第一预设类别。上述对象分类处理过程中，结合对象在包括当前周期的多个连续周期的预测类别和真实类别，确定至少两个邻近历史周期分别对应的目标对象数量，再对各目标对象数量进行统计后确定目标统计数量，进而确定对象分类模型的分类准确度，相当于结合了对象在多个连续周期的预测类别和真实类别确定分类准确度，有利于提高分类准确度的精准度。
附图说明
[0026]图1为一些实施例中对象分类处理方法的应用环境图；
[0027]图2为一些实施例中对象分类处理方法的流程示意图；
[0028]图3为一些实施例中各个周期的示意图；
[0029]图4为一些实施例中计算T
‑
1周期对应的目标对象数量的原理图；
[0030]图5为一些实施例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对象分类处理方法，其特征在于，所述方法包括：针对多个对象中的每个对象，利用对象分类模型预测得到每一所述对象在至少两个邻近历史周期分别对应的预测类别；所述至少两个邻近历史周期，是从当前周期起选取的至少两个连续的历史周期；对所述至少两个邻近历史周期分别对应的目标对象数量进行统计，得到目标统计数量；邻近历史周期对应的目标对象数量是指所述多个对象中满足目标类别条件的对象的数量，所述目标类别条件包括：对象在所述邻近历史周期的真实类别为第一预设类别，对象在所述邻近历史周期的预测类别为第二预设类别，对象在所述邻近历史周期的下一周期的真实类别以及预测类别均为所述第一预设类别；基于所述目标统计数量确定所述对象分类模型在所述当前周期的分类准确度。2.根据权利要求1所述的方法，其特征在于，所述对所述至少两个邻近历史周期分别对应的目标对象数量进行统计，得到目标统计数量，包括：对于所述至少两个邻近历史周期中的每个邻近历史周期，基于所述邻近历史周期与所述当前周期之间的周期间隔，确定所述邻近历史周期的权重；基于每一所述邻近历史周期各自对应的权重，对各所述邻近历史周期各自对应的目标对象数量进行统计，得到目标统计数量。3.根据权利要求1所述的方法，其特征在于，所述基于所述目标统计数量确定所述对象分类模型在所述当前周期的分类准确度，包括：对所述至少两个邻近历史周期分别对应的第一对象数量进行统计，得到第一统计数量；邻近历史周期对应的第一对象数量是指所述多个对象中满足第一类别条件的对象的数量，所述第一类别条件包括：对象在所述邻近历史周期的真实类别为所述第一预设类别，对象在所述邻近历史周期的预测类别为所述第二预设类别，对象在所述邻近历史周期的下一周期的真实类别为所述第二预设类别，对象在所述邻近历史周期的下一周期的预测类别为所述第一预设类别；基于所述目标统计数量以及所述第一统计数量，确定所述对象分类模型在所述当前周期的分类准确度。4.根据权利要求3所述的方法，其特征在于，所述基于所述目标统计数量以及所述第一统计数量，确定所述对象分类模型在所述当前周期的分类准确度，包括：根据所述目标统计数量确定正向统计值；所述正向统计值与所述目标统计数量成正相关关系；根据所述第一统计数量确定负向统计值；所述负向统计值与所述第一统计数量成正相关关系；基于所述正向统计值以及所述负向统计值，确定所述对象分类模型在所述当前周期的分类准确度；所述分类准确度与所述正向统计值成正相关关系，所述分类准确度与所述负向统计值成负相关关系。5.根据权利要求4所述的方法，其特征在于，所述根据所述目标统计数量确定正向统计值，包括：对所述至少两个邻近历史周期分别对应的第二对象数量进行统计，得到第二统计数量；邻近历史周期对应的第二对象数量是指所述多个对象中满足第二类别条件的对象的数
量，所述第二类别条件包括：对象在所述邻近历史周期的真实类别为所述第一预设类别，对象在所述邻近历史周期的预测类别为所述第二预设类别，对象在所述邻近历史周期的下一周期的真实类别为所述第一预设类别，对象在所述邻近历史周期的下一周期的预测类别为所述第二预设类别；对所述目标统计数量和所述第二统计数量进行统计，得到正向统计值；所述正向统计值与所述第二统计数量成正相关关系。6.根据权利要求5所述的方法，其特征在于，所述负向统计值包括第一负向统计值，所述分类准确度包括第一分类准确度；所述根据所述第一统计数量确定负向统计值，包括：对目标历史周期对应的目标对象数量进行统计，得到第三统计数量；所述目标历史周期为所述至少两个邻近历史周期中与所述当前周期之间的周期间隔小于周期间隔阈值的邻近历史周期；对所述第一统计数量、所述第二统计数量和所述第三统计数量进行统计，得到第一负向统计值；所述第一负向统计值与所述第二统计数量以及所述第三统计数量成正相关关系；所述基于所述正向统计值以及所述负向统计值，确定所述对象分类模型在所述当前周期的分类准确度，包括：基于所述正向统计值以及所述第一负向统计值，确定所述对象分类模型在所述当前周期的第一分类准确度。7.根据权利要求6所述的方法，其特征在于，所述对所述第一统计数量、所述第二统计数量和所述第三统计数量进行统计，得到第一负向统计值，包括：统计所述多...

【专利技术属性】
技术研发人员：钟子宏，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：