路况识别模型训练方法、装置、电子设备和存储介质与流程

1.本技术实施例涉及数据处理技术，尤其涉及一种路况识别模型训练方法、装置、电子设备和存储介质。


背景技术：

2.车辆行驶道路路况的分类研究是车辆研究的重要基础，可以分路况对车辆性能、油耗等指标进行更加合理的评价。
3.现有技术中，通常基于经纬度对路况识别模型进行训练。但是，基于经纬度的路况识别模型对路况识别的准确率低。


技术实现要素：

4.本技术提供一种路况识别模型训练方法、装置、电子设备和存储介质，以提高路况识别模型对路况识别的准确性。
5.第一方面，本技术实施例提供了一种路况识别模型训练方法，该路况识别模型训练方法包括：
6.获取车辆在不同道路上行驶时生成的发动机运行数据；
7.对发动机运行数据进行特征提取，得到运行特征数据；
8.根据运行特征数据和所行驶道路的路况标签，对预先构建的分类模型进行训练，得到目标路况识别模型。
9.第二方面，本技术实施例还提供了一种路况识别模型训练装置，该路况识别模型训练装置包括：
10.数据获取模块，用于获取车辆在不同道路上行驶时生成的发动机运行数据；
11.特征提取模块，用于对发动机运行数据进行特征提取，得到运行特征数据；
12.模型训练模块，用于根据运行特征数据和所行驶道路的路况标签，对预先构建的分类模型进行训练，得到目标路况识别模型。
13.第三方面，本技术实施例还提供了电子设备，该电子设备包括：
14.一个或多个处理器；
15.存储装置，用于存储一个或多个程序；
16.当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本技术实施例提供的任意一种路况识别模型训练方法。
17.第四方面，本技术实施例还提供了一种包括计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行如本技术实施例提供的任意一种路况识别模型训练方法。
18.本技术通过获取车辆在不同道路上行驶时生成的发动机运行数据，对发动机运行数据进行特征提取，得到运行特征数据，根据运行特征数据和所行驶道路的路况标签，对预先构建的分类模型进行训练，得到目标路况识别模型。发动机运行数据是表征车辆行驶特
征的重要数据，车辆在不同的道路上行驶时，发动机运行数据对应不同的特征。通过对发动机运行数据进行特征提取，提取发动机运行数据中的有效特征，可以提高对预先构建的分类模型进行训练的速度，以及分类模型的准确性，使得得到的目标路况识别模型的准确率更高。因此通过本技术的技术方案，解决了基于经纬度的路况识别模型对路况识别的准确率低的问题，达到了提高路况识别模型对路况识别准确性的效果。
附图说明
19.图1是本技术实施例一中的一种路况识别模型训练方法的流程图；
20.图2是本技术实施例二中的一种路况识别模型训练方法的流程图；
21.图3是本技术实施例三中的一种路况识别模型训练方法的流程图；
22.图4是本技术实施例四中的一种路况识别模型训练装置的结构示意图；
23.图5是本技术实施例五中的一种电子设备的结构示意图。
具体实施方式
24.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
25.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.实施例一
27.图1为本技术实施例一提供的一种路况识别模型训练方法的流程图，本实施例可适用于对路况识别模型进行训练的情况，该方法可以由路况识别模型训练装置执行，该装置可以采用软件和/或硬件实现，并具体配置于电子设备中。
28.参见图1所示的路况识别模型训练方法，具体包括如下步骤：
29.s110、获取车辆在不同道路上行驶时生成的发动机运行数据。
30.不同道路可以为车辆行驶的道路类别，用于对发动机运行数据进行标记。示例性的，不同道路可以为高速、国道和山区等，本技术对此不做具体限定。不同道路可以为不同类型的道路。道路为路况中的重要参数，可以根据对不同的道路中车辆的发动机运行数据参数的分析，得到车辆在不同道路上行驶的特征，进而对车辆行驶道路进行识别。
31.发动机运行数据可以为车辆运行过程中发动机相关参数的数据，用于为后续路况识别模型的训练提供数据基础。发动机为车辆中的动力装置，可以为车辆的行驶提供动力。不同的道路上的行驶方式具有不同的特征，需要发动机提供的动力不同。因此，根据发动机
运行数据可以区分车辆所行驶的道路。近年来，随着车联网技术的普及与发展，发动机大数据平台积累了大量发动机运行数据。因此可以从发动机大数据平台获取发动机运行数据。
32.s120、对发动机运行数据进行特征提取，得到运行特征数据。
33.特征提取可以为基于发动机专业知识对发动机运行数据进行特征提取，得到可以表征车辆在不同道路上行驶时发动机运行特征的数据，也即得到运行特征数据，以便于通过运行特征数据训练路况识别模型。示例性的，发动机运行数据可以包括转速、扭矩和档位等。示例性的，特征提取可以为对发动机运行数据的概率分布的统计、标准差的计算和均值的计算等，本技术对此不做具体限定。示例性的，不同的发动机运行数据可以分别进行不同种类的特征提取。例如，提取转速的概率分布，提取扭矩的标准差。示例性的，不同的发动机运行数据也可以进行相同种类的特征提取。例如，分别提取转速和扭矩的概率分布和标准差。也即，运行特征数据可以是对不同发动机运行数据进行同一特征提取得到的，也可以是对不同发动机运行数据进行不同特征提取得到的，本技术对此不做具体限定。
34.s130、根据运行特征数据和所行驶道路的路况标签，对预先构建的分类模型进行训练，得到目标路况识别模型。
35.路况标签可以为对道路类型进行标记的标签，用于对预先构建的分类模型进行有监督训练。具体的，路况标签可以是通过车辆行驶仪记录的视频、经纬度和地图等确定的。在确定车辆所行驶的道路后，为运行特征数据添加所行驶道路的路况标签。
36.在一个可选实施例中，路况标签包括高速、国道和山区中的至少一种。
37.高速、国道和山区为车辆行驶中道路中的常见道路类型，尤其是长途行驶车辆在行驶过程中可能会经历高速、国道和山区这三种道路的交替出现。
38.通过设置高速、国道和山区三种路况标签，可以为后续预先构建的分类模型的训练提供带标签数据，为预先构建的分类模型进行有监督训练提供数据基础。同时，可以使得的目标路况识别模型识别高速、国道和山区，及时对车辆的驾驶员进行道路提醒。
39.预先构建的分类模型为预先构建的待训练分类模型，用于得到目标路况识别模型。示例性的，预先构建的分类模型可以为k近邻分类算法(knn，k-nearest neighbor)。knn是机器学习算法中的一种实现简单，效率高的分类算法。
40.目标路况识别模型可以为预先构建的分类模型经过有监督训练得到的路况识别模型，用于对车辆所行驶道路进行识别。具体的，根据运行特征数据和所行驶道路的路况标签，形成带标签的训练数据集，将数据集作为预先构建的分类模型的输入，对预先构建的分类模型进行有监督的训练，得到目标路况识别模型。对训练后的分类模型的路况识别结果进行验证，将路况识别效果最好的分类模型作为目标路况识别模型。
41.本实施例的技术方案，通过获取车辆在不同道路上行驶时生成的发动机运行数据，对发动机运行数据进行特征提取，得到运行特征数据，根据运行特征数据和所行驶道路的路况标签，对预先构建的分类模型进行训练，得到目标路况识别模型。发动机运行数据是表征车辆行驶特征的重要数据，车辆在不同的道路上行驶时，发动机运行数据对应不同的特征。通过对发动机运行数据进行特征提取，提取发动机运行数据中的有效特征，可以提高对预先构建的分类模型进行训练的速度，以及分类模型的准确性，使得得到的目标路况识别模型的准确率更高。因此通过本技术的技术方案，解决了基于经纬度的路况识别模型对路况识别的准确率低的问题，达到了提高路况识别模型对路况识别准确性的效果。
42.实施例二
43.图2为本技术实施例二提供的一种路况识别模型训练方法的流程图方法的流程图，本实施例的技术方案在上述技术方案的基础上进一步细化。
44.进一步地，将“对发动机运行数据进行特征提取，得到运行特征数据”，细化为：“根据发动机运行数据的统计数据，确定运行特征数据”，以有效提取运行特征数据。
45.参见图2所示的一种路况识别模型训练方法，包括：
46.s210、获取车辆在不同道路上行驶时生成的发动机运行数据。
47.s220、根据发动机运行数据的统计数据，确定运行特征数据。
48.统计数据可以为依据统计学知识对发动机运行数据进行统计计算后得到的数据，用于提供发动机运行数据的统计特征。示例性的，统计数据包括，发动机运行数据的均值、标准差和占比(数据的某一取值在整体数据中所占比例)等。对大量的动机运行数据进行统计计算得到统计数据，确定为运行特征数据。可以使减少异常或错误数据的影响，提高运行特征数据的可靠性和稳定性。
49.需要说明的是，在根据发动机运行数据的统计数据，确定运行特征数据之前，对数据进行预处理，包括数据诊断、数据清洗以及数据更新。具体的，数据诊断可以为诊断数据时间缺失、数据变量缺失、数据信号超阈值、数据信号时序混乱等问题，为数据清洗做准备。数据清洗可以包括信号超阈值(上电时的信号突变，信号异常时的)和信号时序冲突的处理、数据时间缺失的处理、数据变量缺失的处理。
50.在一个可选实施例中，发动机运行数据包括转速、油耗、档位、车速、原地怠速和滑行中的至少一项。
51.转速、油耗、档位、车速、原地怠速和滑行为发动机运行数据的重要参数，可以用于提取车辆行驶中的速度和方向变化。
52.发动机数据包括转速、油耗、档位、车速、原地怠速和滑行等，可以获取发动机在不同道路上行驶时的速度和方向上的变化，提供更加全面的运行特征数据。
53.在一个可选实施例中，发动机运行数据包括速度关联数据和发动机基础数据，相应的，根据发动机运行数据的统计数据，确定运行特征数据，包括：根据速度关联数据的统计数据，确定第一单参数特征；以及，根据发动机基础数据的统计数据，确定第二单参数特征；根据第一单参数特征和第二单参数特征，确定运行特征数据。
54.速度关联数据可以为与速度相关联的数据，用于提取在速度维度上的运行特征数据。示例性的，速度关联数据可以包括车速、原地怠速、空挡滑行和带档滑行等。
55.相应的，第一单参数特征可以为与速度关联数据中的单个参数的特征。可以根据速度关联数据的统计数据，确定第一单参数特征。示例性的，速度关联数据的统计数据可以包括车速的平均值、车速大于70km/h(千米每小时，速度的单位)的占比、车速小于60km/h的占比、车速小于40km/h的占比、车速的标准差、原地怠速占比(车速为0，转速不为0)、带挡滑行占比(扭矩小于0)和空挡滑行占比等。
56.发动机基础数据可以为与发动机基础性能相关联的数据，用于提取在发动机基础数据维度上的运行特征数据。示例性的，发动机基础数据可以包括转速、扭矩、外特性、油耗和档位等。
57.相应的，第二单参数特征可以为与发动机基础数据关联数据中的单个参数的特
征。可以根据发动机基础数据的统计数据，确定第二单参数特征。示例性的，发动机基础数据的统计数据可以包括转速大于500r/min(转每分钟，转速单位)的转速的平均值、转速大于1500r/min的占比、怠速占比、转速的标准差、扭矩的平均值、扭矩大于1500n
·
m(牛米，扭矩单位)的占比、扭矩的标准差、低速运行点(转速小于750r/min，扭矩大于300n
·
m)的占比、外特性占比(扭矩大于1800n
·
m)、1300r/min以下外特性占比、最佳油耗工况的占比(扭矩大于300n
·
m小于1700n
·
m，转速大于1050r/min小于1350r/min)、低速大扭矩占比(扭矩大于1000n
·
m，车速小于20km/h)、12挡占比、11挡占比、10挡占比、挡位标准差和挡位平均值等。
58.在确定第一单参数特征和第二单参数特征后，可以确定至少两个单参数的联合占比。示例性的，联合占比可以是车速小于40km/h和转速大于500r/min的联合占比。也即，可以将第一单参数特征和第二单参数特征进行组合，得到组合的联合占比。根据至少两个单参数的联合占比可以确定特殊行驶状态。示例性的，根据车速和转速可以确定原地怠速的行驶状态；根据扭矩和车速可以确定低速大扭矩的行驶状态。车辆的特殊行驶状态可以用于区分不同的路况。具体的，在高速路况中行驶状态特点可以是车速较高、12档使用较多和大扭矩使用较少等；在国道路况中行驶状态特点可以是停车怠速多、车速低和大扭矩多等；在山区路况中行驶状态特点可以是带档滑行多和大扭矩多等。
59.将第一单参数特征、第二单参数特征以及基于第一单参数特征和第二单参数特征的联合占比，作为运行特征数据。
60.通过根据速度关联数据的统计数据，确定第一单参数特征；以及，根据发动机基础数据的统计数据，确定第二单参数特征；根据第一单参数特征和第二单参数特征，确定运行特征数据，可以实现对发动机运行数据的多维度特征提取，使得提取的运行特征数据更加全面。
61.在一个可选实施例中，根据速度关联数据的统计数据，确定第二单参数特征，包括：剔除发动机基础数据关联数据中的异常数据，以更新发动机基础数据关联数据；根据更新后的发动机基础数据关联数据的统计数据，确定第二单参数特征。
62.发动机基础数据关联数据中的异常数据可以为特殊工况或者错误数据。示例性的，异常数据可以包括车速为0、空挡滑行及带档滑行的特殊工况。剔除发动机基础数据关联数据中的异常数据，可以更新发动机基础数据关联数据。根据更新后的发动机基础数据关联数据的统计数据，例如，12挡占比，确定第二单参数特征。
63.通过剔除发动机基础数据关联数据中的异常数据，以更新发动机基础数据关联数据；并根据更新后的发动机基础数据关联数据的统计数据，确定第二单参数特征，可以避免异常数据对确定第二单参数特征的影响，提高第二单参数特征的准确性。
64.在一个可选实施例中，根据第一单参数特征和第二单参数特征，确定运行特征数据，包括：将第一单参数特征中的至少部分特征和第二单参数特征中的至少部分特征进行组合，得到多参数特征数据；对第一单参数特征、第二单参数特征和多参数特征进行归一化处理，得到运行特征数据。
65.第一单参数特征中的至少部分特征可以为第一单参数特征中的至少一个特征；第二单参数特征中的至少部分特征可以为第二单参数特征中的至少一个特征。多参数特征数据可以为将第一单参数特征中的至少部分特征和第二单参数特征中的至少部分特征进行
组合后得到的多特征的联合占比。
66.归一化处理可以为采用min-max标准化(min-max normalization，离差标准化)将第一单参数特征、第二单参数特征和多参数特征的数值映射到[0，1]区间，得到运行特征数据。
[0067]
具体的，min-max标准化公式为：
[0068]
x^＝(x-x_min)/(x_max-x_min)
[0069]
其中，x^为归一化后的参数特征，x为原始特征参数，x_min为x的最小值，x_max为x的最大值。
[0070]
通过将第一单参数特征中的至少部分特征和第二单参数特征中的至少部分特征进行组合，可以综合第一单参数特征中的至少部分特征和第二单参数特征中的至少部分特征，得到多参数特征数据，可以分析发动机运行数据的联合参数特征。车辆在行驶过程中第一单参数特征中的至少部分特征和第二单参数特征中的至少部分特征是存在关联关系的，通过获取多参数特征数据，可以提高特征的全面性。通过归一化处理可以避免量纲对预先构建的路况识别模型训练结果的影响，提高路况识别模型的准确性。
[0071]
s230、根据运行特征数据和所行驶道路的路况标签，对预先构建的分类模型进行训练，得到目标路况识别模型。
[0072]
本实施例的技术方案，通过根据发动机运行数据的统计数据，确定运行特征数据。通过对发动机运行数据的进行统计学计算得到统计数据，使得确定的运行特征数据可靠性更高，稳定性更强。可以为后续预先建立的分类模型的训练提供稳定的数据基础，可以提高模型训练的收敛性。
[0073]
实施例三
[0074]
图3为本技术实施例三提供的一种路况识别模型训练方法的流程图方法的流程图，本实施例的技术方案在上述技术方案的基础上进一步细化。
[0075]
进一步地，将“根据运行特征数据和所行驶道路的路况标签，对预先构建的分类模型进行训练，得到目标路况识别模型”，细化为：“将不同类型的运行特征数据进行组合，得到至少两组组合特征数据；针对各组组合特征数据，将该组组合特征数据作为训练样本，对预先构建的分类模型进行训练，得到该组组合特征数据对应的初始路况识别模型；根据各初始路况识别模型的模型评价结果，从各初始路况识别模型中选取目标路况识别模型”，以选取目标路况识别模型。
[0076]
参见图3所示的一种路况识别模型训练方法，包括：
[0077]
s310、获取车辆在不同道路上行驶时生成的发动机运行数据。
[0078]
s320、对发动机运行数据进行特征提取，得到运行特征数据。
[0079]
s330、将不同类型的运行特征数据进行组合，得到至少两组组合特征数据。
[0080]
不同类型的运行特征数据可以为第一单参数特征、第二单参数特征和多参数特征中的至少两种特征的组合，用于得到至少两组训练数据样本。例如，组合特征数据可以为扭矩的平均值、车速的平均值以及车速小于40km/h和转速大于500r/min的联合占比。
[0081]
s340、针对各组组合特征数据，将该组组合特征数据作为训练样本，对预先构建的分类模型进行训练，得到该组组合特征数据对应的初始路况识别模型。
[0082]
分别将各组组合特征数据作为训练样本，输入到预先构建的分类模型，对预先构
建的分类模型进行训练。对预先构建的分类模型训练后得到该组组合特征数据对应的初始路况识别模型。需要说明的是，可以将各组组合特征数据的80％作为训练数据集，20％作为验证数据集，验证数据集可以用于对初始路况识别模型的准确率进行验证。
[0083]
s350、根据各初始路况识别模型的模型评价结果，从各初始路况识别模型中选取目标路况识别模型。
[0084]
评价结果可以为对初始路况识别模型评价的结果，用于选取目标路况识别模型。示例性的，评价结果可以是基于收敛速度和准确性确定的，例如，评价结果可以是模型评分，或者还可以是根据验证数据集得到的初始路况识别模型准确性。将评价结果最佳的初始路况识别模型确定为目标路况识别模型。
[0085]
本实施例的技术方案，通过将不同类型的运行特征数据进行组合，得到至少两组组合特征数据，对预先构建的分类模型进行训练，得到多组组合特征数据对应的初始路况识别模型，可以获得多组特征训练预先构建的分类模型得到的初始路况识别模型。不需要将所有特征都作为训练样本，可以提高预先构建的分类模型的训练速度，减少冗余特征对模型评价结果的影响。根据各初始路况识别模型的模型评价结果，从各初始路况识别模型中选取目标路况识别模型，进一步提高选取的目标路况识别模型的准确性。
[0086]
实施例四
[0087]
图4所示为本技术实施例四提供的一种路况识别模型训练装置的结构示意图，本实施例可适用于对路况识别模型进行训练的情况，该路况识别模型训练装置的具体结构如下：
[0088]
数据获取模块410，用于获取车辆在不同道路上行驶时生成的发动机运行数据；
[0089]
特征提取模块420，用于对发动机运行数据进行特征提取，得到运行特征数据；
[0090]
模型训练模块430，用于根据运行特征数据和所行驶道路的路况标签，对预先构建的分类模型进行训练，得到目标路况识别模型。
[0091]
本实施例的技术方案，通过数据获取模块获取车辆在不同道路上行驶时生成的发动机运行数据，通过特征提取模块对发动机运行数据进行特征提取，得到运行特征数据，通过模型训练模块根据运行特征数据和所行驶道路的路况标签，对预先构建的分类模型进行训练，得到目标路况识别模型。发动机运行数据是表征车辆行驶特征的重要数据，车辆在不同的道路上行驶时，发动机运行数据对应不同的特征。通过对发动机运行数据进行特征提取，提取发动机运行数据中的有效特征，可以提高对预先构建的分类模型进行训练的速度，以及分类模型的准确性，使得得到的目标路况识别模型的准确率更高。因此通过本技术的技术方案，解决了基于经纬度的路况识别模型对路况识别的准确率低的问题，达到了提高路况识别模型对路况识别准确性的效果。
[0092]
可选的，特征提取模块420，包括：
[0093]
运行特征数据确定单元，用于根据发动机运行数据的统计数据，确定运行特征数据。
[0094]
可选的，发动机运行数据包括速度关联数据和发动机基础数据，相应的，运行特征数据确定单元，包括：
[0095]
第一单参数特征确定子单元，用于根据速度关联数据的统计数据，确定第一单参数特征；
[0096]
第二单参数特征确定子单元，用于根据发动机基础数据的统计数据，确定第二单参数特征；
[0097]
运行特征数据确定子单元，用于根据第一单参数特征和第二单参数特征，确定运行特征数据。
[0098]
可选的，第二单参数特征确定子单元，具体用于：剔除发动机基础数据关联数据中的异常数据，以更新发动机基础数据关联数据；根据更新后的发动机基础数据关联数据的统计数据，确定第二单参数特征。
[0099]
可选的，运行特征数据确定子单元，具体用于：将第一单参数特征中的至少部分特征和第二单参数特征中的至少部分特征进行组合，得到多参数特征数据；对第一单参数特征、第二单参数特征和多参数特征进行归一化处理，得到运行特征数据。
[0100]
可选的，模型训练模块430，包括：
[0101]
组合特征数据获取单元，用于将不同类型的运行特征数据进行组合，得到至少两组组合特征数据。
[0102]
初始路况识别模型训练单元，用于针对各组组合特征数据，将该组组合特征数据作为训练样本，对预先构建的分类模型进行训练，得到该组组合特征数据对应的初始路况识别模型。
[0103]
目标路况识别模型选取单元，用于根据各初始路况识别模型的模型评价结果，从各初始路况识别模型中选取目标路况识别模型。
[0104]
可选的，发动机运行数据包括转速、油耗、档位、车速、原地怠速和滑行中的至少一项。
[0105]
可选的，路况标签包括高速、国道和山区中的至少一种。
[0106]
本技术实施例所提供的路况识别模型训练装置可执行本技术任意实施例所提供的路况识别模型训练方法，具备执行路况识别模型训练方法相应的功能模块和有益效果。
[0107]
实施例五
[0108]
图5为本技术实施例五提供的一种电子设备的结构示意图，如图5所示，该电子设备包括处理器510、存储器520、输入装置530和输出装置540；电子设备中处理器510的数量可以是一个或多个，图5中以一个处理器510为例；电子设备中的处理器510、存储器520、输入装置530和输出装置540可以通过总线或其他方式连接，图5中以通过总线连接为例。
[0109]
存储器520作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本技术实施例中的路况识别模型训练方法对应的程序指令/模块(例如，数据获取模块410、特征提取模块420和模型训练模块430)。处理器510通过运行存储在存储器520中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的路况识别模型训练方法。
[0110]
存储器520可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器520可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器520可进一步包括相对于处理器510远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0111]
输入装置530可用于接收输入的字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
[0112]
实施例六
[0113]
本技术实施例六还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种路况识别模型训练方法，该方法包括：获取车辆在不同道路上行驶时生成的发动机运行数据；对发动机运行数据进行特征提取，得到运行特征数据；根据运行特征数据和所行驶道路的路况标签，对预先构建的分类模型进行训练，得到目标路况识别模型。
[0114]
当然，本技术实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本技术任意实施例所提供的路况识别模型训练方法中的相关操作。
[0115]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本技术可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0116]
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。
[0117]
注意，上述仅为本技术的较佳实施例及所运用技术原理。本领域技术人员会理解，本技术不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本技术的保护范围。因此，虽然通过以上实施例对本技术进行了较为详细的说明，但是本技术不仅仅限于以上实施例，在不脱离本技术构思的情况下，还可以包括更多其他等效实施例，而本技术的范围由所附的权利要求范围决定。