路径信息生成模型的训练方法、路径信息生成方法及装置与流程

1.本技术实施例涉及物流技术领域，特别涉及一种路径信息生成模型的训练方法、路径信息生成方法及装置。


背景技术：

2.随着物流技术的飞速发展，需要配送的物品越来越多，而每一个待配送的物品均需要从一个地点配送至另一个地点。由于待配送的物品较多，需要配送到多个目标地点，因此，需要基于多个目标地点生成配送路径的路径信息，以按照配送路径对物品进行配送。目前，可以利用路径信息生成模型生成包含多个目标地点的配送路径的路径信息，因此，如何训练得到路径信息生成模型成为一个重要的话题。


技术实现要素：

3.本技术提供了一种路径信息生成模型的训练方法、路径信息生成方法及装置，可用于解决相关技术中的问题，所述技术方案包括如下内容。
4.一方面，提供了一种路径信息生成模型的训练方法，所述方法包括：
5.获取第一样本路径信息和多个样本地点的第一相关信息，所述第一样本路径信息用于描述包含所述多个样本地点的路径，且用于描述配送所需资源小于资源阈值的真实配送路径；
6.控制神经网络模型基于各个样本地点的第一相关信息生成第二样本路径信息，所述第二样本路径信息是通过预测得到的且用于描述包含所述多个样本地点的路径；
7.获取所述第一样本路径信息的被推荐值，控制所述神经网络模型确定所述第二样本路径信息的被推荐值；
8.基于所述第一样本路径信息的被推荐值和所述第二样本路径信息的被推荐值，对所述神经网络模型进行训练得到路径信息生成模型。
9.另一方面，提供了一种路径信息生成方法，所述方法包括：
10.获取路径信息生成模型和多个目标地点的第一相关信息，所述路径信息生成模型是按照上述任一项所述的路径信息生成模型的训练方法训练得到的，所述目标地点的第一相关信息包括所述目标地点的位置信息；
11.控制所述路径信息生成模型对各个目标地点的第一相关信息进行特征提取，得到所述各个目标地点的第一相关特征；
12.控制所述路径信息生成模型对所述各个目标地点的第一相关特征进行排序，得到排序后的各个目标地点的第一相关特征；
13.控制所述路径信息生成模型基于所述排序后的各个目标地点的第一相关特征生成目标路径信息，所述目标路径信息用于描述包含所述多个目标地点的路径。
14.另一方面，提供了一种路径信息生成模型的训练装置，所述装置包括：
15.获取模块，用于获取第一样本路径信息和多个样本地点的第一相关信息，所述第
一样本路径信息用于描述包含所述多个样本地点的路径，且用于描述配送所需资源小于资源阈值的真实配送路径；
16.生成模块，用于控制神经网络模型基于各个样本地点的第一相关信息生成第二样本路径信息，所述第二样本路径信息是通过预测得到的且用于描述包含所述多个样本地点的路径；
17.确定模块，用于获取所述第一样本路径信息的被推荐值，控制所述神经网络模型确定所述第二样本路径信息的被推荐值；
18.训练模块，用于基于所述第一样本路径信息的被推荐值和所述第二样本路径信息的被推荐值，对所述神经网络模型进行训练得到路径信息生成模型。
19.另一方面，提供了一种路径信息生成装置，所述装置包括：
20.获取模块，用于获取路径信息生成模型和多个目标地点的第一相关信息，所述路径信息生成模型是按照上述任一项所述的路径信息生成模型的训练方法训练得到的，所述目标地点的第一相关信息包括所述目标地点的位置信息；
21.特征提取模块，用于控制所述路径信息生成模型对各个目标地点的第一相关信息进行特征提取，得到所述各个目标地点的第一相关特征；
22.排序模块，用于控制所述路径信息生成模型对所述各个目标地点的第一相关特征进行排序，得到排序后的各个目标地点的第一相关特征；
23.生成模块，用于控制所述路径信息生成模型基于所述排序后的各个目标地点的第一相关特征生成目标路径信息，所述目标路径信息用于描述包含所述多个目标地点的路径。
24.另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以使所述电子设备实现上述任一所述的路径信息生成模型的训练方法或者路径信息生成方法。
25.另一方面，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中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使电子设备实现上述任一所述的路径信息生成模型的训练方法或者路径信息生成方法。
26.另一方面，还提供了一种计算机程序或计算机程序产品，所述计算机程序或计算机程序产品中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使电子设备实现上述任一所述的路径信息生成模型的训练方法或者路径信息生成方法。
27.本技术提供的技术方案至少带来如下有益效果：
28.本技术提供的技术方案中，一方面，获取用于描述包含多个样本地点的路径的第一样本路径信息和第一样本路径信息的被推荐值，其中，第一样本路径信息还用于描述配送所需资源小于资源阈值的真实配送路径。另一方面，利用神经网络模型生成用于描述包含多个样本地点的路径的第二样本路径信息和第二样本路径信息的被推荐值。通过第一样本路径信息和第二样本路径信息的被推荐值对神经网络模型进行训练，使得神经网络模型生成的第二样本路径信息不断逼近于配送所需资源小于资源阈值的真实配送路径的信息，提高第二样本路径信息的准确性，且第二样本路径信息的被推荐值不断逼近于真实配送路径的信息的被推荐值，提高对第二样本路径信息的推荐，从而提高了路径信息生成模型的
准确性。
附图说明
29.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
30.图1是本技术实施例提供的一种路径信息生成模型的训练方法或者路径信息生成方法的实施环境示意图；
31.图2是本技术实施例提供的一种路径信息生成模型的训练方法的流程图；
32.图3是本技术实施例提供的一种第一网络的结构示意图；
33.图4是本技术实施例提供的一种第二网络的结构示意图；
34.图5是本技术实施例提供的一种第三网络的结构示意图；
35.图6是本技术实施例提供的一种神经网络模型的结构示意图；
36.图7是本技术实施例提供的一种路径信息生成方法的流程图；
37.图8是本技术实施例提供的一种路径信息生成模型的训练装置的结构示意图；
38.图9是本技术实施例提供的一种路径信息生成装置的结构示意图；
39.图10是本技术实施例提供的一种终端设备的结构示意图；
40.图11是本技术实施例提供的一种服务器的结构示意图。
具体实施方式
41.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
42.图1是本技术实施例提供的一种路径信息生成模型的训练方法或者路径信息生成方法的实施环境示意图，如图1所示，该实施环境包括终端设备101和服务器102。其中，本技术实施例中的路径信息生成方法可以由终端设备101执行，也可以由服务器102执行，或者由终端设备101和服务器102共同执行。
43.终端设备101可以是智能手机、游戏主机、台式计算机、平板电脑、膝上型便携计算机、智能电视、智能车载设备、智能语音交互设备、智能家电等。服务器102可以为一台服务器，或者为多台服务器组成的服务器集群，或者为云计算平台和虚拟化中心中的任意一种，本技术实施例对此不加以限定。服务器102可以与终端设备101通过有线网络或无线网络进行通信连接。服务器102可以具有数据处理、数据存储以及数据收发等功能，在本技术实施例中不加以限定。终端设备101和服务器102的数量不受限制，可以是一个或多个。
44.基于上述实施环境，本技术实施例提供了一种路径信息生成模型的训练方法，以图2所示的本技术实施例提供的一种路径信息生成模型的训练方法的流程图为例，该方法由电子设备执行，电子设备是图1中的终端设备101或者服务器102。如图2所示，该方法包括如下步骤。
45.步骤201，获取第一样本路径信息和多个样本地点的第一相关信息，第一样本路径信息用于描述包含多个样本地点的路径，且用于描述配送所需资源小于资源阈值的真实配
送路径。
46.本技术实施例中，可以从多个候选路径中鉴定出配送所需资源小于资源阈值的真实配送路径(也叫高效配送路径)。其中，配送所需资源包括但不限于配送所需时间、配送所需燃油量、配送所需花费等中的至少一项。资源阈值可以是设定的数据(如30分钟)，也可以基于真实配送路径的路径长度来确定，可选地，资源阈值与路径长度成正比。
47.在鉴定出真实配送路径之后，就可以得到第一样本路径信息。其中，真实配送路径中的各个真实地点可以作为各个样本地点，将一个真实配送路径中的各个真实地点视为样本地点集，第一样本路径信息用于描述由样本地点集中各个样本地点构成的路径。例如，样本地点集包括地点a至c，则第一样本路径信息可以描述出“地点b-地点a-地点c”的路径。
48.对于样本地点集中的各个样本地点，可以获取各个样本地点的第一相关信息。可选地，获取真实配送路径对应的样本对象的相关信息，样本对象的相关信息包括样本对象的位置信息(可以是经纬度的坐标信息，也可以是地区、街道等详细信息)、样本对象对应的配送运单信息、样本对象的配送速度、时间信息、天气信息等。可以从样本对象的相关信息中抽取得到多个样本地点的第一相关信息。
49.样本对象对应的配送运单信息中包括多个运单的信息，任一个运单的信息包括但不限于该运单对应的起始地、该运单对应的目的地，该运单对应的物品信息等。
50.在本示例性实施例中，任一个样本地点可以是至少一个第一运单对应的起始地，也可以是至少一个第二运单对应的目的地，还可以是至少一个第一运单对应的起始地，且是至少一个第二运单对应的目的地，其中，第一运单和第二运单是不同的运单，且第一运单和第二运单是样本对象对应的配送运单信息中的运单。
51.本技术实施例不对样本地点的第一相关信息的内容做限定。示例性地，样本地点的第一相关信息包括但不限于样本地点的位置信息、样本地点的类型(如起始地和/或目的地)、样本地点对应的运单的信息、样本地点对应的样本对象的位置信息等。
52.步骤202，控制神经网络模型基于各个样本地点的第一相关信息生成第二样本路径信息，第二样本路径信息是通过预测得到的且用于描述包含多个样本地点的路径。
53.本技术实施例中，将各个样本地点的第一相关信息输入神经网络模型，由神经网络模型输出第二样本路径信息，第二样本路径信息用于描述由样本地点集中各个样本地点构成的路径。例如，样本地点集包括地点a至c，则第一样本路径信息可以描述出“地点a-地点c-地点b”的路径。其中，本技术实施例不对神经网络模型的模型结构、模型大小等做限定。
54.在一种可能的实现方式中，步骤202中的“基于各个样本地点的第一相关信息生成第二样本路径信息”包括步骤2021至步骤2023。
55.步骤2021，对各个样本地点的第一相关信息进行特征提取，得到各个样本地点的第一相关特征。
56.本技术实施例中，神经网络模型包括第一网络，将各个样本地点的第一相关信息输入第一网络之后，由第一网络对各个样本地点的第一相关信息进行特征提取，得到各个样本地点的第一相关特征。
57.需要说明的是，任一个样本地点的第一相关特征用于表征该样本地点的第一相关信息。由于样本地点的第一相关信息较为零散、无序，通过利用样本地点的第一相关特征来
表征样本地点的第一相关信息，实现数据化样本地点的第一相关信息，便于后续的数据处理。
58.在一种可能的实现方式中，对各个样本地点的第一相关信息进行特征提取，得到各个样本地点的第一相关特征，包括：对各个样本地点的第一相关信息分别进行映射处理，得到各个样本地点的初始特征；对于任一个样本地点，将其他样本地点的初始特征与任一个样本地点的初始特征进行融合处理，得到任一个样本地点的第一相关特征，其他样本地点是多个样本地点中除任一个样本地点之外的至少一个样本地点，任一个样本地点的第一相关特征用于表征其他样本地点与任一个样本地点之间的关联关系。
59.本技术实施例中，任一个样本地点的第一相关信息由多个字符组成。可以将该样本地点的第一相关信息中的任一个字符映射成对应的字向量，从而得到该样本地点的第一相关信息中各个字符对应的字向量。任一个样本地点的初始特征包括该样本地点的第一相关信息中各个字符对应的字向量。
60.为了提高特征的表征能力，对于任一个样本地点，可以将其他样本地点的初始特征与任一个样本地点的初始特征进行融合处理，得到该样本地点对应的融合特征。基于该样本地点对应的融合特征确定该样本地点的第一相关特征。其中，其他样本地点是多个样本地点(即样本地点集)中除任一个样本地点之外的至少一个样本地点，示例性地，其他样本地点是样本地点集中除任一个样本地点之外的各个样本地点。
61.可选地，对于任一个样本地点，可以将其他样本地点的初始特征和该样本地点的初始特征进行拼接，得到第一拼接特征，并基于第一拼接特征确定至少一个子空间对应的键向量、查询向量和值向量。对于任一个子空间，基于该子空间对应的键向量、查询向量和值向量，确定该子空间对应的注意力特征。将至少一个子空间对应的注意力特征进行拼接，得到第二拼接特征，并对第二拼接特征进行线性映射处理，得到该样本地点的融合特征。
62.任一个样本地点对应的融合特征可以作为任一个样本地点的第一相关特征。或者，对任一个样本地点对应的融合特征进行特征处理(如线性映射处理和/或归一化处理等)，得到任一个样本地点的第一相关特征。
63.可选地，第一网络包括特征映射网络层和多头注意力网络层。将各个样本地点的第一相关信息输入第一网络之后，由特征映射网络层对各个样本地点的第一相关信息分别进行映射处理，得到各个样本地点的初始特征。对于任一个样本地点，由多头注意力网络层对将其他样本地点的初始特征与任一个样本地点的初始特征进行融合处理，得到该样本地点对应的融合特征。可以将该样本地点对应的融合特征作为该样本地点的第一相关特征，或者，第一网络还包括前馈网络层，由前馈网络层对该样本地点对应的融合特征进行线性映射处理，得到该样本地点的第一相关特征。
64.请参见图3，图3是本技术实施例提供的一种第一网络的结构示意图，第一网络包括特征映射网络层、多头注意力网络层和前馈网络层。将各个样本地点的第一相关信息输入第一网络之后，依次经过特征映射网络层、多头注意力网络层和前馈网络层之后，得到各个样本地点的第一相关特征。
65.其中，n1-n4分别表征四个样本地点的第一相关信息，特征映射网络层可以将样本地点的第一相关信息n1映射成该样本地点的初始特征h11。基于同样的原理，特征映射网络层可以分别将n2-n4映射成对应的h12-h14。h11-h14分别表征四个样本地点的初始特征。
66.多头注意力网络层可以将h12-h14与h11进行融合处理，得到样本地点对应的融合特征h21。基于同样的原理，多头注意力网络层可以将h11、h13-h14与h12进行融合处理得到h22，多头注意力网络层可以将h11-h12、h14与h13进行融合处理得到h23，多头注意力网络层可以将h11-h13与h14进行融合处理得到h24。h21-h24分别表征四个样本地点对应的融合特征。
67.前馈网络层用于对样本地点的融合特征h21进行线性映射处理，得到样本地点的第一相关特征hn1。基于同样的原理，前馈网络层可以对样本地点的融合特征h22-24分别进行线性映射处理，得到样本地点的第一相关特征hn2-hn4。hn1-hn4分别表征四个样本地点对应的第一相关特征。
68.步骤2022，对各个样本地点的第一相关特征进行排序，得到排序后的各个样本地点的第一相关特征。
69.本技术实施例中，神经网络模型包括第二网络，且第二网络串联在第一网络之后。各个样本地点的第一相关特征输入第二网络之后，由第二网络对各个样本地点的第一相关特征进行排序，得到排序后的各个样本地点的第一相关特征。
70.在一种可能的实现方式中，对各个样本地点的第一相关特征进行排序，得到排序后的各个样本地点的第一相关特征，包括：基于各个样本地点的第一相关特征和至少一个指定地点的第一相关特征，从各个剩余地点中选择第一地点，指定地点为多个样本地点中已排序的样本地点，剩余地点为多个样本地点中未排序的样本地点；将第一地点的第一相关特征排在已排序的最后一个样本地点的第一相关特征之后；响应于不存在未排序的样本地点，则得到排序后的各个样本地点的第一相关特征。
71.对于已排序的样本地点的第一相关特征来说，该第一相关特征对应的样本地点即为已排序的样本地点。同样地，对于未排序的样本地点的第一相关特征来说，该第一相关特征对应的样本地点即为未排序的样本地点。
72.任一个已排序的样本地点的第一相关特征对应一个序列号，该序列号也是已排序的样本地点的序列号。例如，对样本地点a至d的第一相关特征进行排序，得到样本地点a的第一相关特征、样本地点c的第一相关特征、样本地点d的第一相关特征和样本地点b的第一相关特征。则样本地点a-d均为已排序的样本地点，且样本地点a的第一相关特征(即样本地点a)的序列号为1，样本地点b的第一相关特征(即样本地点b)的序列号为4，样本地点c的第一相关特征(即样本地点c)的序列号为2，样本地点d的第一相关特征(即样本地点d)的序列号为3。
73.本技术实施例中，指定地点是已排序的至少一个样本地点，例如，指定地点包括已排序的第一个样本地点和已排序的最后一个样本地点。剩余地点是未排序的所有样本地点。
74.可以基于各个样本地点的第一相关特征和至少一个指定地点的第一相关特征，从各个剩余地点中选择第一地点。其中，当不存在已排序的样本地点时，可以将指定特征记为指定地点的第一相关特征，该指定特征可以是任意的字符(如空字符、特殊字符、英文字符等)或者设定的矩阵，且该指定特征可以看做已排序的第0个样本地点的第一相关特征，此时，指定地点为已排序的第0个样本地点。
75.可选地，基于各个样本地点的第一相关特征和至少一个指定地点的第一相关特
征，从各个剩余地点中选择第一地点，包括：基于各个样本地点的第一相关特征和至少一个指定地点的第一相关特征，确定各个剩余地点分别与至少一个指定地点之间的相关性；从各个剩余地点分别与至少一个指定地点之间的相关性中，选择满足条件的相关性；将满足条件的相关性所对应的剩余地点确定为第一地点。
76.可以将各个样本地点的第一相关特征和至少一个指定地点的第一相关特征进行拼接，得到第三拼接特征。对于任一个剩余地点，计算第三拼接特征和该剩余地点的第一相关特征之间的特征距离(如余弦距离)，基于该特征距离确定该剩余地点与至少一个指定地点之间的相关性。例如，将1减去第三拼接特征和任一个剩余地点的第一相关特征之间的特征距离，得到一个差值，该差值作为该剩余地点与至少一个指定地点之间的相关性。
77.通过上述方式，可以得到各个剩余地点分别与至少一个指定地点之间的相关性。接着，从各个剩余地点分别与至少一个指定地点之间的相关性中，选择满足条件的相关性。本技术实施例不对满足条件的相关性做限定。示例性地，满足条件的相关性为最大的相关性，或者，满足条件的相关性为大于参考相关性的相关性。其中，参考相关性可以是一个设定的值，也可以是对各个剩余地点分别与至少一个指定地点之间的相关性进行排序后的第目标数量个相关性(如第二个相关性)。
78.之后，将满足条件的相关性所对应的剩余地点确定为第一地点，并将第一地点的第一相关特征排在已排序的最后一个样本地点的第一相关特征之后。此时，第一地点可以看做已排序的样本地点。
79.响应于不存在未排序的样本地点，则得到排序后的各个样本地点的第一相关特征。
80.可选地，该方法还包括：响应于存在未排序的样本地点，则循环执行基于各个样本地点的第一相关特征和至少一个指定地点的第一相关特征，从各个剩余地点中选择第一地点、将第一地点的第一相关特征排在已排序的最后一个样本地点的第一相关特征之后，直至不存在未排序的样本地点，得到排序后的各个样本地点的第一相关特征。
81.响应于存在未排序的样本地点，则从“基于各个样本地点的第一相关特征和至少一个指定地点的第一相关特征，从各个剩余地点中选择第一地点”开始执行循环，直至不存在未排序的样本地点，得到排序后的各个样本地点的第一相关特征。
82.请参见图4，图4是本技术实施例提供的一种第二网络的结构示意图。hn1-hn4为四个样本地点的第一相关特征，将hn1-hn4输入第二网络，由第二网络对hn1-hn4进行排序得到s1-s4。其中，在本示例中，指定地点包括已排序的第一个样本地点和已排序的最后一个样本地点，将已排序的第一个样本地点的第一相关特征记为s1，将已排序的最后一个样本地点的第一相关特征记为si。
83.可选地，第二网络先将hn1-hn4进行拼接，得到特征hn1 hn2 hn3 hn4。将指定特征作为已排序的第一个样本地点的第一相关特征s1和已排序的最后一个样本地点的第一相关特征si，并将hn1 hn2 hn3 hn4、s1和si进行拼接，得到第三拼接特征。此时，剩余地点的第一相关特征为hn1-hn4。计算第三拼接特征分别与hn1-hn4之间的特征距离，基于第三拼接特征分别与hn1-hn4之间的特征距离，确定各个剩余地点与至少一个指定地点之间的相关性，并将最大相关性对应的剩余地点的第一相关特征作为已排序的第一个样本地点的第一相关性特征s1。其中，s1是hn1-hn4中的一个，示例性地，s1是hn2。
84.此时，已排序的第一个样本地点的第一相关性特征为s1，且已排序的最后一个样本地点的第一相关特征si也为s1。将hn1 hn2 hn3 hn4、s1和si进行拼接，得到第三拼接特征。此时，剩余地点的第一相关特征为hn1、hn3和hn4。计算第三拼接特征分别与hn1、hn3和hn4之间的特征距离，基于第三拼接特征分别与hn1、hn3和hn4之间的特征距离，确定各个剩余地点与至少一个指定地点之间的相关性，并将最大相关性对应的剩余地点的第一相关特征作为已排序的第二个样本地点的第一相关性特征s2。其中，s2是hn1、hn3和hn4中的一个，示例性地，s2是hn1。
85.此时，已排序的第一个样本地点的第一相关性特征为s1，已排序的最后一个样本地点的第一相关特征si为s2。将hn1 hn2 hn3 hn4、s1和si进行拼接，得到第三拼接特征。此时，剩余地点的第一相关特征为hn3和hn4。计算第三拼接特征分别与hn3和hn4之间的特征距离，基于第三拼接特征分别与hn3和hn4之间的特征距离，确定各个剩余地点与至少一个指定地点之间的相关性，并将最大相关性对应的剩余地点的第一相关特征作为已排序的第三个样本地点的第一相关性特征s3。其中，s3是hn3和hn4中的一个，示例性地，s3是hn3。
86.基于同样的原理，可以得到已排序的第三个样本地点的第一相关性特征s4，且s4是hn4。自此，第二网络完成了对hn1-hn4的排序，得到s1-s4，即得到hn2-hn1-hn3-hn4。
87.步骤2023，基于排序后的各个样本地点的第一相关特征生成第二样本路径信息。
88.在确定了排序后的各个样本地点的第一相关特征之后，相当于确定了排序后的各个样本地点。基于排序后的各个样本地点，生成第二样本路径信息，以利用第二样本路径信息描述包含各个样本地点的路径。
89.需要说明的是，第二网络可以输出至少一种排序后的各个样本地点的第一相关特征。对于任一种排序后的各个样本地点的第一相关特征，均可以生成对应的第二样本路径信息，因此，第二样本路径信息的数量为至少一个。
90.本技术实施例中，通过对包含样本地点的位置信息的第一相关信息进行特征提取，得到用于表征样本地点的位置的第一相关特征。通过对各个样本地点的第一相关特征进行排序，实现了基于样本地点的位置来确定样本地点的优先级。通过基于排序后的各个样本地点的第一相关特征生成第二样本路径信息，实现了按照样本地点的优先级来确定第二样本路径信息，从而提高第二样本路径信息的准确性。
91.步骤203，获取第一样本路径信息的被推荐值，控制神经网络模型确定第二样本路径信息的被推荐值。
92.本技术实施例中，可以人工对第一样本路径信息进行标注，得到第一样本路径信息的被推荐值。其中，第一样本路径信息的被推荐值用于表征第一样本路径信息是否被推荐。示例性地，若第一样本路径信息被推荐，则第一样本路径信息的被推荐值为第一数据(如1)，若第一样本路径信息不被推荐，则第一样本路径信息的被推荐值为第二数据(如0)。
93.神经网络模型包括第三网络。将第二样本路径信息输入第三网络，由第三网络确定并输出第二样本路径信息的被推荐值。其中，第二样本路径信息的被推荐值用于表征第二样本路径信息被推荐的概率，第二样本路径信息的被推荐值越大，表明第二样本路径信息越有可能被推荐。
94.在一种可能的实现方式中，确定第二样本路径信息的被推荐值，包括：获取第二样本路径信息中各个样本地点的第二相关信息；对于第二样本路径信息中的任一个样本地
点，基于任一个样本地点的第二相关信息，确定任一个样本地点的被推荐值；基于第二样本路径信息中各个样本地点的被推荐值，确定第二样本路径信息的被推荐值。
95.可以从样本对象的相关信息中抽取得到多个样本地点的第二相关信息。其中，任一个样本地点的第二相关信息可以和该样本地点的第一相关信息相同，也可以不同，还可以一部分相同，另一部分不同，在此不做限定。
96.对于任一个第二样本路径信息，该第二样本路径信息包括各个样本地点的第二相关信息。本技术实施例不对任一个样本地点的第二相关信息做限定，示例性地，任一个样本地点的第二相关信息包括但不限于样本地点的位置信息、样本地点对应的运单的信息、样本地点对应的样本对象的位置信息、样本对象到达样本地点所需的时间信息等。
97.对于任一个样本地点，可以基于该样本地点的第二相关信息，确定该样本地点的被推荐值。可选地，任一个样本地点的第二相关信息包括多个维度的信息；基于任一个样本地点的第二相关信息，确定任一个样本地点的被推荐值，包括：对于任一个维度的信息，基于任一个维度的信息，确定任一个维度对应的被推荐值；基于多个维度对应的被推荐值，确定任一个样本地点的被推荐值。
98.本技术实施例不对任一个样本地点的第二相关信息所包括的多个维度的信息做限定。示例性地，任一个维度的信息可以是样本地点的位置信息，或者样本地点对应的运单信息，或者样本地点对应的样本对象的位置信息，或者样本对象到达样本地点所需的时间信息等。
99.由于任一个样本地点的第二相关信息包括多个维度的信息，因此，将多个维度的信息输入第三网络，第三网络可以基于多个维度的信息，确定该样本地点的被推荐值。
100.请参见图5，图5是本技术实施例提供的一种第三网络的结构示意图。信息1至信息n表征一个样本地点的第二相关信息所包括的n个维度的信息，也就是说，信息1是一个维度的信息，信息2是另一个维度的信息，信息n是又一个维度的信息。将信息1至信息n输入第三网络，由第三网络根据信息1至信息n确定并输出这个样本地点的被推荐值。
101.可选地，第三网络可以按照如下所示的公式(1)，先基于各个维度的信息，确定各个维度对应的被推荐值，再基于多个维度对应的被推荐值，确定任一个样本地点的被推荐值。
[0102][0103]
其中，表征任一个样本地点的被推荐值。σ表征求和函数的函数符号。ωi表征第i个维度对应的路径推荐网络的网络参数。φi(s,a)表征第i个维度的信息。ωiφi(s,a)表征第i个维度对应的被推荐值。ω
t
表征路径推荐网络的网络参数，φ(s,a)表征任一个样本地点的第二相关信息。
[0104]
在确定了任一个样本地点的被推荐值之后，可以按照如下所示的公式(2)，对任一个第二样本路径信息中各个样本地点的被推荐值进行相加，得到任一个第二样本路径信息的被推荐值。
[0105][0106]
其中，表征任一个第二样本路径信息的被推荐值。σ表征求和函数的函数
符号。表征第j个样本地点的被推荐值，j表征该第二样本路径信息对应的样本地点的数量。
[0107]
步骤204，基于第一样本路径信息的被推荐值和第二样本路径信息的被推荐值，对神经网络模型进行训练得到路径信息生成模型。
[0108]
基于第一样本路径信息的被推荐值和各个第二样本路径信息的被推荐值，按照如下所示的公式(3)，确定神经网络模型的损失值。其中，这里的第一样本路径信息和各个第二样本路径信息对应同一个样本地点集，因此，神经网络模型的损失值也是该样本地点集对应的神经网络模型的损失值。
[0109][0110][0111]
其中，ρ(τ)表征任一个样本地点集对应的神经网络模型的损失值。exp表征以自然常数e为底的指数函数。表征第一样本路径信息的被推荐值。表征第i个第二样本路径信息的被推荐值，其中，i的取值为大于等于1且小于等于n的正整数，n为正整数，n表征第二样本路径信息的数量，n表征由正整数1至n构成的集合。z为一个超参数。σ表征求和函数的函数符号。
[0112]
通过上述方式，可以确定出各个样本地点集对应的神经网络模型的损失值。之后，采用梯度下降的方式，基于各个样本地点集对应的神经网络模型的损失值对神经网络模型的网络参数进行调整，得到调整后的神经网络模型。可选的，按照如下所示的公式(4)，基于各个样本地点集对应的神经网络模型的损失值对神经网络模型的网络参数进行调整。
[0113][0114]
其中，表征神经网络模型的网络参数。max为最大值函数的函数符号。σ表征求和函数的函数符号。ρ(τ)表征第τ个样本地点集对应的神经网络模型的损失值。log为对数函数的函数符号。d表征样本地点集的数量。
[0115]
若满足训练结束条件，则将调整后的神经网络模型作为路径信息生成模型。若不满足训练结束条件，则将调整后的神经网络模型作为下一次训练的神经网络模型，按照步骤201至步骤204的方式，再次对神经网络模型进行调整，直至满足训练结束条件，得到路径信息生成模型。
[0116]
本技术实施例不对满足训练结束条件做限定。示例性地，满足训练结束条件为达到设定的训练次数(如500次)。
[0117]
请参见图6，图6是本技术实施例提供的一种神经网络模型的结构示意图，该神经网络模型包括第一网络、第二网络和第三网络。将多个样本地点的第一相关信息输入神经网络模型之后，由第一网络对各个样本地点的第一相关信息进行特征提取，得到各个样本地点的第一相关特征。由第二网络对各个样本地点的第一相关特征进行排序，得到排序后的各个样本地点的第一相关特征。
[0118]
其中，第二网络在对各个样本地点的第一相关特征进行排序时，基于各个样本地点的第一相关特征和至少一个指定样本地点的第一相关特征，从各个剩余样本地点中选择
第一样本地点，指定样本地点为已排序的样本地点，剩余样本地点为未排序的样本地点。此时，第一样本地点记为第i个样本地点，将第i个样本地点的第一相关特征排在已排序的最后一个样本地点的第一相关特征之后。响应于存在未排序的样本地点的第一相关特征，则从基于各个样本地点的第一相关特征和至少一个指定样本地点的第一相关特征，从各个剩余样本地点中选择第一样本地点开始执行循环，直至不存在未排序的样本地点的第一相关特征；响应于不存在未排序的样本地点的第一相关特征，则得到排序后的各个样本地点的第一相关特征。
[0119]
之后，基于排序后的各个样本地点的第一相关特征生成第二样本路径信息，此外，还可以获取第一样本路径信息和第一样本路径信息的被推荐值。第三网络用于确定第二样本路径信息的被推荐值。之后，基于第一样本路径信息的被推荐值和第二样本路径信息的被推荐值，对神经网络模型进行调整，得到路径信息生成模型。
[0120]
需要说明的是，本技术所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号，均为经用户授权或者经过各方充分授权的，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如，本技术中涉及到的样本地点的第一相关信息、样本地点的第二相关信息等信息都是在充分授权的情况下获取的。
[0121]
上述方法中，一方面，获取用于描述包含多个样本地点的路径的第一样本路径信息和第一样本路径信息的被推荐值，其中，第一样本路径信息还用于描述配送所需资源小于资源阈值的真实配送路径。另一方面，利用神经网络模型生成用于描述包含多个样本地点的路径的第二样本路径信息和第二样本路径信息的被推荐值。通过第一样本路径信息和第二样本路径信息的被推荐值对神经网络模型进行训练，使得神经网络模型生成的第二样本路径信息不断逼近于配送所需资源小于资源阈值的真实配送路径的信息，提高第二样本路径信息的准确性，且第二样本路径信息的被推荐值不断逼近于真实配送路径的信息的被推荐值，提高对第二样本路径信息的推荐，从而提高了路径信息生成模型的准确性。
[0122]
基于上述实施环境，本技术实施例提供了一种路径信息生成方法，以图7所示的本技术实施例提供的一种路径信息生成方法的流程图为例，该方法可由电子设备执行，电子设备是图1中的终端设备101或者服务器102。如图7所示，该方法包括如下步骤。
[0123]
步骤701，获取路径信息生成模型和多个目标地点的第一相关信息，目标地点的第一相关信息包括目标地点的位置信息。
[0124]
其中，路径信息生成模型是按照与图2相关的路径信息生成模型的训练方法训练得到的，在此不再赘述。
[0125]
本技术实施例中，将多个目标地点视为目标地点集。可以获取目标对象的相关信息，可以从目标对象的相关信息中抽取得到多个目标地点的第一相关信息，其中，目标对象的相关信息与上文中“样本对象的相关信息”相类似，目标地点的第一相关信息与上文中“样本地点的第一相关信息”的获取方式相类似，在此不再赘述。
[0126]
步骤702，控制路径信息生成模型对各个目标地点的第一相关信息进行特征提取，得到各个目标地点的第一相关特征。
[0127]
本技术实施例中，路径信息生成模型包括特征提取网络，将各个目标地点的第一相关信息输入特征提取网络之后，由特征提取网络对各个目标地点的第一相关信息进行特
征提取，得到各个目标地点的第一相关特征。其中，特征提取网络是通过对上文中的第一网络进行训练得到的，目标地点的第一相关特征与上文中“样本地点的第一相关特征”的确定方式相类似，在此不再赘述。
[0128]
步骤703，控制路径信息生成模型对各个目标地点的第一相关特征进行排序，得到排序后的各个目标地点的第一相关特征。
[0129]
本技术实施例中，路径信息生成模型包括特征排序网络，且特征排序网络串联在特征提取网络之后。各个目标地点的第一相关特征输入特征排序网络之后，由特征排序网络对各个目标地点的第一相关特征进行排序，得到排序后的各个目标地点的第一相关特征。其中，特征排序网络是对上文提及的第二网络进行训练得到的，排序后的各个目标地点的第一相关特征的确定方式与上文中“排序后的各个样本地点的第一相关特征”的确定方式相类似，在此不再赘述。
[0130]
步骤704，控制路径信息生成模型基于排序后的各个目标地点的第一相关特征生成目标路径信息，目标路径信息用于描述包含多个目标地点的路径。
[0131]
在确定了排序后的各个目标地点的第一相关特征之后，相当于确定了排序后的各个目标地点。基于排序后的各个目标地点，生成目标路径信息，以利用目标路径信息描述包含各个目标地点的路径。
[0132]
需要说明的是，特征排序网络可以输出至少一种排序后的各个目标地点的第一相关特征。对于任一种排序后的各个目标地点的第一相关特征，均可以生成对应的目标路径信息，因此，目标路径信息的数量为至少一个。
[0133]
可选地，目标路径信息的数量为至少两个；基于排序后的各个目标地点的第一相关特征生成目标路径信息之后，还包括：对于任一个目标路径信息，获取任一个目标路径信息中各个目标地点的第二相关信息；对于任一个目标路径信息中的任一个目标地点，控制路径信息生成模型基于任一个目标地点的第二相关信息，确定任一个目标地点的被推荐值；控制路径信息生成模型基于任一个目标路径信息中各个目标地点的被推荐值，确定任一个目标路径信息的被推荐值；根据各个目标路径信息的被推荐值，从各个目标路径信息中选择参考路径信息进行推荐。
[0134]
路径信息生成模型还包括路径推荐网络。对于任一个目标路径信息，路径推荐网络用于基于该目标路径信息，确定该目标路径信息的被推荐值。其中，路径推荐网络是对上文的第三网络进行训练得到的。
[0135]
可以从目标对象的相关信息中抽取得到多个目标地点的第二相关信息。其中，任一个目标地点的第二相关信息可以和该目标地点的第一相关信息相同，也可以不同，还可以一部分相同，另一部分不同，在此不做限定。
[0136]
对于任一个目标路径信息，该目标路径信息包括各个目标地点的第二相关信息。本技术实施例不对任一个目标地点的第二相关信息做限定，示例性地，任一个目标地点的第二相关信息包括但不限于目标地点的位置信息、目标地点对应的运单的信息、目标地点对应的目标对象的位置信息、目标对象到达目标地点所需的时间信息等。
[0137]
对于任一个目标地点，可以基于该目标地点的第二相关信息，确定该目标地点的被推荐值。其中，目标地点的被推荐值的确定方式与上文中“样本地点的被推荐值”的确定方式相类似，在此不再赘述。在确定了各个目标地点的被推荐值之后，将各个目标地点的被
推荐值进行相加，得到任一个目标路径信息的被推荐值。
[0138]
通过上述方式，可以确定出至少两个目标路径信息的被推荐值。之后，从至少两个目标路径信息的被推荐值中，选择被推荐值不小于参考被推荐值的参考路径信息，并对参考路径信息进行推荐。
[0139]
可选地，参考被推荐值为一个设定的数值。或者，对至少两个目标路径信息的被推荐值进行排序，将排序后的第目标数量个被推荐值确定为参考被推荐值。或者，参考被推荐值是至少两个目标路径信息的被推荐值中的最大被推荐值。
[0140]
需要说明的是，本技术所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号，均为经用户授权或者经过各方充分授权的，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如，本技术中涉及到的目标地点的第一相关信息、目标地点的第二相关信息等信息都是在充分授权的情况下获取的。
[0141]
上述方法中基于与图2相关的路径信息生成模型，通过对包含目标地点的位置信息的第一相关信息进行特征提取，得到用于表征目标地点的位置的第一相关特征。通过对各个目标地点的第一相关特征进行排序，实现了基于目标地点的位置来确定目标地点的优先级。通过基于排序后的各个目标地点的第一相关特征生成目标路径信息，实现了按照目标地点的优先级来确定目标路径信息，提高了目标路径信息的准确性。
[0142]
图8所示为本技术实施例提供的一种路径信息生成模型的训练装置的结构示意图，如图8所示，该装置包括如下内容。
[0143]
获取模块801，用于获取第一样本路径信息和多个样本地点的第一相关信息，第一样本路径信息用于描述包含多个样本地点的路径，且用于描述配送所需资源小于资源阈值的真实配送路径；
[0144]
生成模块802，用于控制神经网络模型基于各个样本地点的第一相关信息生成第二样本路径信息，第二样本路径信息是通过预测得到的且用于描述包含多个样本地点的路径；
[0145]
确定模块803，用于获取第一样本路径信息的被推荐值，控制神经网络模型确定第二样本路径信息的被推荐值；
[0146]
训练模块804，用于基于第一样本路径信息的被推荐值和第二样本路径信息的被推荐值，对神经网络模型进行训练得到路径信息生成模型。
[0147]
在一种可能的实现方式中，生成模块802，用于对各个样本地点的第一相关信息进行特征提取，得到各个样本地点的第一相关特征；对各个样本地点的第一相关特征进行排序，得到排序后的各个样本地点的第一相关特征；基于排序后的各个样本地点的第一相关特征生成第二样本路径信息。
[0148]
在一种可能的实现方式中，生成模块802，用于对各个样本地点的第一相关信息分别进行映射处理，得到各个样本地点的初始特征；对于任一个样本地点，将其他样本地点的初始特征与任一个样本地点的初始特征进行融合处理，得到任一个样本地点的第一相关特征，其他样本地点是多个样本地点中除任一个样本地点之外的至少一个样本地点。
[0149]
在一种可能的实现方式中，生成模块802，用于基于各个样本地点的第一相关特征和至少一个指定地点的第一相关特征，从各个剩余地点中选择第一地点，指定地点为多个
样本地点中已排序的样本地点，剩余地点为多个样本地点中未排序的样本地点；将第一地点的第一相关特征排在已排序的最后一个样本地点的第一相关特征之后；响应于不存在未排序的样本地点，则得到排序后的各个样本地点的第一相关特征。
[0150]
在一种可能的实现方式中，生成模块802，用于基于各个样本地点的第一相关特征和至少一个指定地点的第一相关特征，确定各个剩余地点分别与至少一个指定地点之间的相关性；从各个剩余地点分别与至少一个指定地点之间的相关性中，选择满足条件的相关性；将满足条件的相关性所对应的剩余地点确定为第一地点。
[0151]
在一种可能的实现方式中，生成模块802，还用于响应于存在未排序的样本地点，则循环执行基于各个样本地点的第一相关特征和至少一个指定地点的第一相关特征，从各个剩余地点中选择第一地点、将第一地点的第一相关特征排在已排序的最后一个样本地点的第一相关特征之后，直至不存在未排序的样本地点，得到排序后的各个样本地点的第一相关特征。
[0152]
在一种可能的实现方式中，确定模块803，用于获取第二样本路径信息中各个样本地点的第二相关信息；对于第二样本路径信息中的任一个样本地点，基于任一个样本地点的第二相关信息，确定任一个样本地点的被推荐值；基于第二样本路径信息中各个样本地点的被推荐值，确定第二样本路径信息的被推荐值。
[0153]
上述装置中，一方面，获取用于描述包含多个样本地点的路径的第一样本路径信息和第一样本路径信息的被推荐值，其中，第一样本路径信息还用于描述配送所需资源小于资源阈值的真实配送路径。另一方面，利用神经网络模型生成用于描述包含多个样本地点的路径的第二样本路径信息和第二样本路径信息的被推荐值。通过第一样本路径信息和第二样本路径信息的被推荐值对神经网络模型进行训练，使得神经网络模型生成的第二样本路径信息不断逼近于配送所需资源小于资源阈值的真实配送路径的信息，提高第二样本路径信息的准确性，且第二样本路径信息的被推荐值不断逼近于真实配送路径的信息的被推荐值，提高对第二样本路径信息的推荐，从而提高了路径信息生成模型的准确性。
[0154]
图9所示为本技术实施例提供的一种路径信息生成装置的结构示意图，如图9所示，该装置包括如下内容。
[0155]
获取模块901，用于获取路径信息生成模型和多个目标地点的第一相关信息，路径信息生成模型是按照与图2相关的路径信息生成模型的训练方法训练得到的，目标地点的第一相关信息包括目标地点的位置信息；
[0156]
特征提取模块902，用于控制路径信息生成模型对各个目标地点的第一相关信息进行特征提取，得到各个目标地点的第一相关特征；
[0157]
排序模块903，用于控制路径信息生成模型对各个目标地点的第一相关特征进行排序，得到排序后的各个目标地点的第一相关特征；
[0158]
生成模块904，用于控制路径信息生成模型基于排序后的各个目标地点的第一相关特征生成目标路径信息，目标路径信息用于描述包含多个目标地点的路径。
[0159]
在一种可能的实现方式中，目标路径信息的数量为至少两个；
[0160]
获取模块901，还用于对于任一个目标路径信息，获取任一个目标路径信息中各个目标地点的第二相关信息；
[0161]
装置还包括：
[0162]
确定模块，用于对于任一个目标路径信息中的任一个目标地点，控制路径信息生成模型基于任一个目标地点的第二相关信息，确定任一个目标地点的被推荐值；
[0163]
确定模块，还用于控制路径信息生成模型基于任一个目标路径信息中各个目标地点的被推荐值，确定任一个目标路径信息的被推荐值；
[0164]
选择模块，用于根据各个目标路径信息的被推荐值，从各个目标路径信息中选择参考路径信息进行推荐。
[0165]
上述装置中基于路径信息生成模型，通过对包含目标地点的位置信息的第一相关信息进行特征提取，得到用于表征目标地点的位置的第一相关特征。通过对各个目标地点的第一相关特征进行排序，实现了基于目标地点的位置来确定目标地点的优先级。通过基于排序后的各个目标地点的第一相关特征生成目标路径信息，实现了按照目标地点的优先级来确定目标路径信息，从而提高目标路径信息的准确性。
[0166]
应理解的是，上述图8、9提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0167]
图10示出了本技术一个示例性实施例提供的终端设备1000的结构框图。该终端设备1000包括有：处理器1001和存储器1002。
[0168]
处理器1001可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1001可以采用dsp(digital signal processing，数字信号处理)、fpga(field-programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1001也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1001可以集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1001还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0169]
存储器1002可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1002还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1002中的非暂态的计算机可读存储介质用于存储至少一个计算机程序，该至少一个计算机程序用于被处理器1001所执行以实现本技术中方法实施例提供的路径信息生成模型的训练方法或者路径信息生成方法。
[0170]
在一些实施例中，终端设备1000还可选包括有：外围设备接口1003和至少一个外围设备。处理器1001、存储器1002和外围设备接口1003之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1003相连。具体地，外围设备包括：射频电路1004、显示屏1005、摄像头组件1006、音频电路1007和电源1008中的至少一种。
[0171]
外围设备接口1003可被用于将i/o(input/output，输入/输出)相关的至少一个外
围设备连接到处理器1001和存储器1002。在一些实施例中，处理器1001、存储器1002和外围设备接口1003被集成在同一芯片或电路板上；在一些其他实施例中，处理器1001、存储器1002和外围设备接口1003中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
[0172]
射频电路1004用于接收和发射rf(radio frequency，射频)信号，也称电磁信号。射频电路1004通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1004将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。射频电路1004可以通过至少一种无线通信协议来与其它终端进行通信。在一些实施例中，射频电路1004还可以包括nfc(near field communication，近距离无线通信)有关的电路，本技术对此不加以限定。
[0173]
显示屏1005用于显示ui(user interface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1005是触摸显示屏时，显示屏1005还具有采集在显示屏1005的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1001进行处理。此时，显示屏1005还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1005可以为一个，设置在终端设备1000的前面板；在另一些实施例中，显示屏1005可以为至少两个，分别设置在终端设备1000的不同表面或呈折叠设计；在另一些实施例中，显示屏1005可以是柔性显示屏，设置在终端设备1000的弯曲表面上或折叠面上。甚至，显示屏1005还可以设置成非矩形的不规则图形，也即异形屏。显示屏1005可以采用lcd(liquid crystal display，液晶显示屏)、oled(organic light-emitting diode，有机发光二极管)等材质制备。
[0174]
摄像头组件1006用于采集图像或视频。可选地，摄像头组件1006包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及vr(virtual reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1006还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
[0175]
音频电路1007可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1001进行处理，或者输入至射频电路1004以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端设备1000的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1001或射频电路1004的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1007还可以包括耳机插孔。
[0176]
电源1008用于为终端设备1000中的各个组件进行供电。电源1008可以是交流电、直流电、一次性电池或可充电电池。当电源1008包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。
[0177]
在一些实施例中，终端设备1000还包括有一个或多个传感器1009。该一个或多个传感器1009包括但不限于：加速度传感器1011、陀螺仪传感器1012、压力传感器1013、光学传感器1014以及接近传感器1015。
[0178]
加速度传感器1011可以检测以终端设备1000建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1011可以用于检测重力加速度在三个坐标轴上的分量。处理器1001可以根据加速度传感器1011采集的重力加速度信号，控制显示屏1005以横向视图或纵向视图进行用户界面的显示。加速度传感器1011还可以用于游戏或者用户的运动数据的采集。
[0179]
陀螺仪传感器1012可以检测终端设备1000的机体方向及转动角度，陀螺仪传感器1012可以与加速度传感器1011协同采集用户对终端设备1000的3d动作。处理器1001根据陀螺仪传感器1012采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变ui)、拍摄时的图像稳定、游戏控制以及惯性导航。
[0180]
压力传感器1013可以设置在终端设备1000的侧边框和/或显示屏1005的下层。当压力传感器1013设置在终端设备1000的侧边框时，可以检测用户对终端设备1000的握持信号，由处理器1001根据压力传感器1013采集的握持信号进行左右手识别或快捷操作。当压力传感器1013设置在显示屏1005的下层时，由处理器1001根据用户对显示屏1005的压力操作，实现对ui界面上的可操作性控件进行控制。
[0181]
光学传感器1014用于采集环境光强度。在一个实施例中，处理器1001可以根据光学传感器1014采集的环境光强度，控制显示屏1005的显示亮度。具体地，当环境光强度较高时，调高显示屏1005的显示亮度；当环境光强度较低时，调低显示屏1005的显示亮度。在另一个实施例中，处理器1001还可以根据光学传感器1014采集的环境光强度，动态调整摄像头组件1006的拍摄参数。
[0182]
接近传感器1015，也称距离传感器，通常设置在终端设备1000的前面板。接近传感器1015用于采集用户与终端设备1000的正面之间的距离。在一个实施例中，当接近传感器1015检测到用户与终端设备1000的正面之间的距离逐渐变小时，由处理器1001控制显示屏1005从亮屏状态切换为息屏状态；当接近传感器1015检测到用户与终端设备1000的正面之间的距离逐渐变大时，由处理器1001控制显示屏1005从息屏状态切换为亮屏状态。
[0183]
本领域技术人员可以理解，图10中示出的结构并不构成对终端设备1000的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
[0184]
图11为本技术实施例提供的服务器的结构示意图，该服务器1100可因配置或性能不同而产生比较大的差异，可以包括一个或多个处理器1101和一个或多个的存储器1102，其中，该一个或多个存储器1102中存储有至少一条计算机程序，该至少一条计算机程序由该一个或多个处理器1101加载并执行以实现上述各个方法实施例提供的路径信息生成模型的训练方法或者路径信息生成方法，示例性的，处理器1101为cpu。当然，该服务器1100还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器1100还可以包括其他用于实现设备功能的部件，在此不做赘述。
[0185]
在示例性实施例中，还提供了一种计算机可读存储介质，该存储介质中存储有至少一条计算机程序，该至少一条计算机程序由处理器加载并执行，以使电子设备实现上述任一种路径信息生成模型的训练方法或者路径信息生成方法。
[0186]
可选地，上述计算机可读存储介质可以是只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、只读光盘(compact disc read-only memory，cd-rom)、磁带、软盘和光数据存储设备等。
[0187]
在示例性实施例中，还提供了一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品中存储有至少一条计算机程序，该至少一条计算机程序由处理器加载并执行，以使电子设备实现上述任一种路径信息生成模型的训练方法或者路径信息生成方法。
[0188]
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0189]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0190]
以上所述仅为本技术的示例性实施例，并不用以限制本技术，凡在本技术的原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。