特征的筛选方法、装置、电子设备及存储介质制造方法及图纸

本公开涉及信息处理技术领域，尤其涉及一种特征的筛选方法、装置、电子设备及存储介质，所述筛选方法包括：获取多个特征字段、多个训练样本；利用每个训练样本，得到所述训练样本与每个特征字段分别对应的特征值，并基于所述多个特征字段、所述每个训练样本与所述每个特征字段对应的特征值确定目标样本；根据多个目标样本，对机器学习模型进行训练，得到训练后的机器学习模型；利用所述训练后的机器学习模型确定每个特征字段对应的权重；基于所述每个特征字段的权重，在所述特征字段中确定目标特征字段。本公开实施例提供的特征的筛选方法可筛选出更适配于用于训练车辆变道决策模型的特征字段，可提高训练后的车辆变道决策模型的准确率。准确率。准确率。

【技术实现步骤摘要】
特征的筛选方法、装置、电子设备及存储介质


[0001]本公开涉及信息处理
，尤其涉及一种特征的筛选方法、装置、电子设备及存储介质。

技术介绍

[0002]主动变道作为自动驾驶中的一个重要场景，对于提高无人驾驶的便捷程度、交通效率、乘客安全性都具有重要意义，相关技术中通常由车辆变道决策模型确定是否变道，不合理、不合时的变道往往是造成交通拥堵现象，甚至是发生交通事故的重要原因。而车辆变道决策模型的精度与其训练时所使用的特征相关，故如何更好地对车辆变道决策模型训练阶段所使用的特征进行筛选，是开发人员亟需解决的技术问题。

技术实现思路

[0003]本公开提出了一种特征的筛选技术方案。
[0004]根据本公开的一方面，提供了一种特征的筛选方法，所述筛选方法包括：获取多个特征字段、多个训练样本；其中，各个所述特征字段为不同种类的字段；利用每个训练样本，得到所述训练样本与每个特征字段分别对应的特征值，并基于所述多个特征字段、所述每个训练样本与所述每个特征字段对应的特征值确定目标样本；根据多个目标样本，对机器学习模型进行训练，得到训练后的机器学习模型；利用所述训练后的机器学习模型确定每个特征字段对应的权重；基于所述每个特征字段的权重，在所述特征字段中确定目标特征字段；所述目标特征字段用于指示训练数据中的数据种类，所述训练数据用于训练得到车辆变道决策模型。
[0005]在一种可能的实施方式中，所述利用每个训练样本，得到所述训练样本与每个特征字段分别对应的特征值，包括：依次确定所述多个训练样本中的一个当前样本，确定所述多个特征字段中的一个当前特征字段，执行以下步骤：确定所述当前样本中的多个预设字段、所述当前样本中的每个预设字段对应的特征值；在所述当前特征字段与所述多个预设字段中的一个目标字段相同的情况下，将所述目标字段对应的特征值作为所述当前样本与所述当前特征字段对应的特征值。
[0006]在一种可能的实施方式中，所述利用每个训练样本，得到所述训练样本与每个特征字段分别对应的特征值，包括：依次确定所述多个训练样本中的一个当前样本，确定所述多个特征字段中的一个当前特征字段，执行以下步骤：确定所述当前样本中的多个预设字段、所述当前样本中的每个预设字段对应的特征值；在所述当前特征字段不同于所述多个预设字段中的任意一个预设字段的情况下，根据所述多个预设字段中至少两个预设字段与所述当前特征字段之间的预设转换关系、所述当前样本或所述当前样本以及所述预设转换关系所需的训练样本中的所述至少两个预设字段对应的至少两个特征值，确定所述当前样本与所述当前特征字段对应的特征值。
[0007]在一种可能的实施方式中，所述根据多个目标样本，对机器学习模型进行训练，得
到训练后的机器学习模型，包括：对多个目标样本中的每个目标样本进行平滑处理，得到平滑处理后的多个目标样本；根据所述多个训练样本对应的变道标签，确定所述平滑处理后的多个目标样本中每个目标样本的变道标签；其中，所述变道标签用以表示车辆是否变道；根据所述平滑处理后的多个目标样本、平滑处理后的多个目标样本中每个目标样本对应的变道标签，对机器学习模型进行训练，得到训练后的机器学习模型。
[0008]在一种可能的实施方式中，所述根据多个目标样本，对机器学习模型进行训练，得到训练后的机器学习模型，包括：将多个目标样本进行训练顺序重排，得到重排后的多个目标样本；其中，所述训练顺序用以表示训练样本输入至机器学习模型中的顺序；将所述重排后的多个目标样本以及所述重排后的多个目标样本中每个目标样本对应的变道标签输入至机器学习模型中，得到训练后的机器学习模型。
[0009]在一种可能的实施方式中，所述基于所述每个特征字段的权重，在所述特征字段中确定目标特征字段，包括：将所述多个特征字段按照权重由大到小的顺序排列，将排列后的多个特征字段的前预设数量的特征字段作为目标特征字段。
[0010]在一种可能的实施方式中，所述基于所述每个特征字段的权重，在所述特征字段中确定目标特征字段，包括：将所述多个特征字段按照权重由大到小的顺序排列，依次将排列后的多个特征字段的前不同数量的特征字段作为多组特征字段；其中，不同组特征字段中的特征字段总数不同；根据所述多组特征字段，对测试数据进行调整，得到每组特征字段对应的测试数据；将每组特征字段对应的测试数据输入至训练后的机器学习模型，得到每组特征字段对应的变道预测标签；根据每组特征字段对应的变道预测标签、变道真实标签，确定每组特征字段对应的准确率；根据每组特征字段对应的准确率，将所述多组特征字段中的一组特征字段作为目标特征字段。
[0011]在一种可能的实施方式中，所述根据每组特征字段对应的准确率，将所述多组特征字段中的一组特征字段作为目标特征字段，包括以下任意一项：将所述多组特征字段中的、准确率最高的一组特征字段，作为目标特征字段；或在所述多组特征字段中的、最高准确率对应至少两个特征字段的情况下，将特征字段数量最少的一组特征字段作为目标特征字段；或将所述多组特征字段按照准确率由大到小的顺序排列，将排列后的多组特征字段中的前两组特征字段分别作为第一特征字段组、第二特征字段组，根据所述第一特征字段组与所述第二特征字段组之间的准确率差距、所述第一特征字段组与所述第二特征字段组之间的特征字段的数量差距，将第一特征字段组或第二特征字段组作为目标特征字段。
[0012]在一种可能的实施方式中，所述特征字段包括以下至少两项：车辆与当前车道前方车辆的距离、车辆与目标车道前方车辆的距离、车辆与目标车道后方车辆的距离、车辆直行的速度、车辆侧向的速度、车辆的当前车道前方车辆的速度、车辆的目标车道前方车辆的速度、车辆的目标车道后方车辆的速度、车辆直行的加速度、车辆的当前车道前方车辆的加速度、车辆的目标车道前方车辆的加速度、车辆的目标车道后方车辆的加速度、车辆侧向的加速度。
[0013]根据本公开的一方面，提供了一种特征的筛选装置，所述筛选装置包括：字段及样本获取模块，用以获取多个特征字段、多个训练样本；其中，各个所述特征字段为不同种类的字段；目标样本确定模块，用以利用每个训练样本，得到所述训练样本与每个特征字段分别对应的特征值，并基于所述多个特征字段、所述每个训练样本与所述每个特征字段对应
的特征值确定目标样本；模型训练模块，用以根据多个目标样本，对机器学习模型进行训练，得到训练后的机器学习模型；权重确定模块，用以利用所述训练后的机器学习模型确定每个特征字段对应的权重；目标特征字段确定模块，用以基于所述每个特征字段的权重，在所述特征字段中确定目标特征字段；所述目标特征字段用于指示训练数据中的数据种类，所述训练数据用于训练得到车辆变道决策模型。
[0014]根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
[0015]根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种特征的筛选方法，其特征在于，所述筛选方法包括：获取多个特征字段、多个训练样本；其中，各个所述特征字段为不同种类的字段；利用每个训练样本，得到所述训练样本与每个特征字段分别对应的特征值，并基于所述多个特征字段、所述每个训练样本与所述每个特征字段对应的特征值确定目标样本；根据多个目标样本，对机器学习模型进行训练，得到训练后的机器学习模型；利用所述训练后的机器学习模型确定每个特征字段对应的权重；基于所述每个特征字段的权重，在所述特征字段中确定目标特征字段；所述目标特征字段用于指示训练数据中的数据种类，所述训练数据用于训练得到车辆变道决策模型。2.如权利要求1所述的筛选方法，其特征在于，所述利用每个训练样本，得到所述训练样本与每个特征字段分别对应的特征值，包括：依次确定所述多个训练样本中的一个当前样本，确定所述多个特征字段中的一个当前特征字段，执行以下步骤：确定所述当前样本中的多个预设字段、所述当前样本中的每个预设字段对应的特征值；在所述当前特征字段与所述多个预设字段中的一个目标字段相同的情况下，将所述目标字段对应的特征值作为所述当前样本与所述当前特征字段对应的特征值。3.如权利要求1所述的筛选方法，其特征在于，所述利用每个训练样本，得到所述训练样本与每个特征字段分别对应的特征值，包括：依次确定所述多个训练样本中的一个当前样本，确定所述多个特征字段中的一个当前特征字段，执行以下步骤：确定所述当前样本中的多个预设字段、所述当前样本中的每个预设字段对应的特征值；在所述当前特征字段不同于所述多个预设字段中的任意一个预设字段的情况下，根据所述多个预设字段中至少两个预设字段与所述当前特征字段之间的预设转换关系、所述当前样本或所述当前样本以及所述预设转换关系所需的训练样本中的所述至少两个预设字段对应的至少两个特征值，确定所述当前样本与所述当前特征字段对应的特征值。4.如权利要求1所述的筛选方法，其特征在于，所述根据多个目标样本，对机器学习模型进行训练，得到训练后的机器学习模型，包括：对多个目标样本中的每个目标样本进行平滑处理，得到平滑处理后的多个目标样本；根据所述多个训练样本对应的变道标签，确定所述平滑处理后的多个目标样本中每个目标样本的变道标签；其中，所述变道标签用以表示车辆是否变道；根据所述平滑处理后的多个目标样本、平滑处理后的多个目标样本中每个目标样本对应的变道标签，对机器学习模型进行训练，得到训练后的机器学习模型。5.如权利要求1所述的筛选方法，其特征在于，所述根据多个目标样本，对机器学习模型进行训练，得到训练后的机器学习模型，包括：将多个目标样本进行训练顺序重排，得到重排后的多个目标样本；其中，所述训练顺序用以表示训练样本输入至机器学习模型中的顺序；将所述重排后的多个目标样本以及所述重排后的多个目标样本中每个目标样本对应的变道标签输入至机器学习模型中，得到训练后的机器学习模型。
6.如权利要求1所述的筛选方法，其特征在于，所述基于所述每个特征字段的权重，在所述特征字段中确定目标特征字段，包括：将所述多个特征字段按照权重由大到小的顺序排列，将排列后的多个特征字段的前预设数量的特征字段作为目标特征字段。7.如权利要求...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：摩尔线程智能科技北京有限责任公司，
类型：发明
国别省市：