一种模型训练方法及相关设备与流程

本申请涉及人工智能领域和机器学习领域，尤其涉及一种模型训练方法及相关设备。
背景技术：
：随着经济的发展，家用汽车的拥有量的持续正常。然而汽车拥有量的增加导致交通密度增大，与此同时非职业驾驶人员也急剧增加，导致交通事故发生量逐年上升。大量交通事故带来的财产损失和社会负担是难以用金钱衡量的，而根据国内外关于人、车、路所造成交通事故原因统计结果，人为因素约占92％。因此，为了保障交通安全，对驾驶员的驾驶模式(如加速驾驶、疲劳驾驶)进行预测和监控对于预防由人的因素造成交通事故的发生是十分重要的。目前，基于人工智能实现的驾驶模式的识别方法，通常需要实时获取训练样本对人工智能模型(如神经网络)进行训练来得到相应的驾驶模式模型。这种模型训练方式的灵活性差，而且目前针对多种驾驶模式的评估指标缺乏理论基础，导致训练得到的模型的可信度低。技术实现要素：本申请实施例提供了一种模型训练方法及相关设备。可以提高模型训练的灵活性和可信度。本申请实施例第一方面公开了一种模型训练方法，包括：获取多种驾驶行为信息，所述多种驾驶行为信息包括车辆跑偏信息、车速信息、车辆位置信息、油门信息、方向转角信息、车灯信息、离合信息以及刹车信息中的至少一种；确定所述多种驾驶行为信息中每种驾驶行为信息在每种驾驶模式中的权重系数；根据所述权重系数，构造训练样本输入到待训练模型进行训练。其中，所述获取多种驾驶行为信息包括：统计每种驾驶行为在多种驾驶模式中的执行概率；根据所述执行概率，获取所述多种驾驶行为信息。其中，所述根据所述权重系数，构造训练样本输入到待训练模型进行训练包括：根据所述权重系数，确定所述多种驾驶行为信息所属的驾驶模式；将所述多种驾驶行为信息和所述驾驶模式输入到所述待训练模型进行训练得到驾驶模式识别模型，所述驾驶模式识别模型用于识别多种驾驶模式。其中，所述确定所述多种驾驶行为信息中每种驾驶行为信息在每种驾驶模式中的权重系数包括：确定所述每种驾驶行为信息在所述每种驾驶模式中的重要等级；将所述多种驾驶行为信息中每两种驾驶行为信息的所述重要等级进行比较；根据所述重要等级的比较结果，确定所述权重系数。其中，所述根据所述重要等级的比较结果，确定所述权重系数包括：根据所述比较结果，生成判断矩阵，所述判断矩阵中的每个元素为所述每两种驾驶行为信息的所述比较结果对应的比例标度；根据所述判断矩阵，确定所述权重系数。其中，所述根据所述判断矩阵，确定所述权重系数包括：确定所述判断矩阵的特征向量；对所述特征向量进行归一化处理得到识别向量；将所述识别向量中的元素作为所述权重系数。其中，所述确定所述判断矩阵的特征向量包括：对所述判断矩阵进行归一化处理得到归一化矩阵；将所述归一化矩阵中的元素按行进行累乘得到每行元素的累乘结果；根据所述累乘结果，确定所述特征向量。其中，所述对所述特征向量进行归一化处理得到识别向量包括：对所述特征向量进行得到归一化向量；根据所述归一化向量，确定所述特征向量对应的特征值；根据所述特征值和所述判断矩阵的阶数，确定所述判断矩阵的一致性校验值；当所述一致性校验值小于预设阈值时，将所述归一化向量作为所述识别向量。本申请实施例第二方面公开了一种模型训练装置，包括：获取模块，用于获取多种驾驶行为信息，所述多种驾驶行为信息包括车辆跑偏信息、车速信息、车辆位置信息、油门信息、方向转角信息、车灯信息、离合信息以及刹车信息中的至少一种；确定模块，确定所述多种驾驶行为信息中每种驾驶行为信息在每种驾驶模式中的权重系数；训练模块，用于根据所述权重系数，构造训练样本输入到待训练模型进行训练。其中，所述获取模块还用于：统计每种驾驶行为在多种驾驶模式中的执行概率；根据所述执行概率，获取所述多种驾驶行为信息。其中，所述训练模块还用于：根据所述权重系数，确定所述多种驾驶行为信息所属的驾驶模式；将所述多种驾驶行为信息和所述驾驶模式输入到所述待训练模型进行训练得到驾驶模式识别模型，所述驾驶模式识别模型用于识别多种驾驶模式。其中，所述确定模块还用于：确定所述每种驾驶行为信息在所述每种驾驶模式中的重要等级；将所述多种驾驶行为信息中每两种驾驶行为信息的所述重要等级进行比较；根据所述重要等级的比较结果，确定所述权重系数。其中，所述确定模块还用于：根据所述比较结果，生成判断矩阵，所述判断矩阵中的每个元素为所述每两种驾驶行为信息的所述比较结果对应的比例标度；根据所述判断矩阵，确定所述权重系数。其中，所述确定模块还用于：确定所述判断矩阵的特征向量；对所述特征向量进行归一化处理得到识别向量；将所述识别向量中的元素作为所述权重系数。其中，所述确定模块还用于：对所述判断矩阵进行归一化处理得到归一化矩阵；将所述归一化矩阵中的元素按行进行累乘得到每行元素的累乘结果；根据所述累乘结果，确定所述特征向量。其中，所述确定模块还用于：对所述特征向量进行归一化处理得到归一化向量；根据所述归一化向量，确定所述特征向量对应的特征值；根据所述特征值和所述判断矩阵的阶数，确定所述判断矩阵的一致性校验值；当所述一致性校验值小于预设阈值时，将所述归一化向量作为所述识别向量。本申请实施例第三方面公开了一种电子设备，包括：处理器、存储器、通信接口和总线；所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；所述存储器存储可执行程序代码；所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行本申请实施例第一方面公开的一种模型训练方法中的操作。相应地，本申请实施例公开了一种存储介质，其中，所述存储介质用于存储应用程序，所述应用程序用于在运行时执行本申请实施例第一方面公开的一种模型训练方法。相应地，本申请实施例公开了一种应用程序，其中，所述应用程序用于在运行时执行本申请实施例第一方面公开的一种模型训练方法。实施本申请实施例，首先获取多种驾驶行为信息，所述多种驾驶行为信息包括车辆跑偏信息、车速信息、车辆位置信息、油门信息、方向转角信息、车灯信息、离合信息以及刹车信息中的至少一种；接着确定所述多种驾驶行为信息中每种驾驶行为信息在每种驾驶模式中的权重系数；然后根据所述权重系数，构造训练样本输入到待训练模型进行训，可以达到通过离线样本训练驾驶模式识别模型的目的，提高模型训练的灵活性和可信度。附图说明为了更清楚地说明本申请实施例的技术方案，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，下面描述中的附图是本申请的一些实施例，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。图1是本申请实施例提供的一种模型训练方法的流程示意图；图2是本申请实施例提供的另一种模型训练方法的流程示意图；图3是本申请实施例提供的一种模型训练装置的结构示意图；图4是本申请实施例提供的一种电子设备的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。请参考图1，图1是本申请实施例提供的一种模型训练方法的流程示意图。如图所示，本申请实施例中的方法包括：s101，获取多种驾驶行为信息。其中，所述多种驾驶行为信息包括车辆跑偏信息、车速信息、车辆位置信息、油门信息、方向转角信息、车灯信息、离合信息以及刹车信息中的至少一种。具体实现中，可以通过统计每种驾驶行为在多种驾驶模式中的执行概率，然后根据该执行概率，获取多种驾驶行为信息。为了得到每种驾驶行为的执行率，可以首先设计问卷调查表，如表1所示，问卷调查表中可以包括是否频繁转动方向盘、油门踩踏、制动踏板踩踏等多种驾驶行为，以及包括疲劳驾驶、占道驾驶、跑偏驾驶、紧急转向、一般转向、加速驾驶、匀速驾驶和减速驾驶在内的多种驾驶模型；接着召集驾驶员填写该问卷调查表；然后利用统计分析软件(如spass软件)对驾驶员填写的问卷调查表进行统计，确定每种驾驶行为被勾选的概率，即每种驾驶行为在多种驾驶模式中的执行概率，例如：共收集到1000份驾驶员填写的问卷调查报告，其中，档位操作被勾选的次数为6000次(每份问卷调查表中档位操作最多可以被勾选8次)，则档位操作的执行概率为6000/8000＝0.75。在获取每种驾驶行为的执行概率后，根据该执行概率，获取多种驾驶行为信息，其中，可以获取执行概率排列在前面(如前6位)的几种驾驶行为对应的驾驶行为信息，还可以结合相关领域专家的打分确定所需获取的驾驶行为信息的种类。其中，驾驶行为信息可以包括车辆跑偏信息(如车辆自行向左或向右的偏向角)、车速信息(如60公里/小时)、车辆位置信息(如车辆与车道之间的夹角)、油门信息(如油门踏板被踩到底)、方向转角信息(如通过方向盘控制车辆向右转向的角度)、车灯信息(如转向灯是否打开)、离合信息(如离合踏板被踩到底)以及刹车信息中的至少一种。表1.问卷调查表s102，确定所述多种驾驶行为信息中每种驾驶行为信息在每种驾驶模式中的权重系数。具体实现中，可以首先确定每种驾驶行为信息在每种驾驶模式中的重要等级，并将所述多种驾驶行为信息中每两种驾驶行为信息的所述重要等级进行比较。其中，可以通过相关领域的专家根据每种信息参数的意义，预先确定每两种驾驶行为在每种驾驶模式中的相对重要程度，从而根据相对重要程度确定重要等级的比较结果，其中，当将驾驶行为信息1和驾驶行为信息2的重要等级进行比较时，比较结果可以是驾驶行为信息1和驾驶行为信息2同等重要，比较结果也可以是驾驶行为信息1比驾驶行为信息2稍微重要/明显重要/强烈重要/极端重要，比较结果还可以是驾驶行为信息1比驾驶行为信息2重要的程度介于稍微重要、明显重要、强烈重要和极端重要中任意相邻的两者之间。例如：在跑偏驾驶中，车辆跑偏信息比车辆位置信息稍微重要、车辆跑偏信息比油门信息、方向转角信息以及刹车信息重要的程度介于稍微重要和明显重要之间、车辆跑偏信息比车速信息重要的程度介于同等重要和稍微重要之间、车辆跑偏信息比车灯信息明显重要。相应的，每种比较结果所表示的驾驶行为信息之间的相对重要程度可以用一个比例标度来表示，如表2所示，同等重要、稍微重要、明显重要、强烈重要和极端重要对应的比例标度分别为1、3、5、7和9，介于同等重要和稍微重要之间的比例标度为2、介于稍微重要和明显重要之间的比例标度为4、介于明显重要和强烈重要之间的比例标度为6以及介于强烈重要和计算重要之间的比例标度为8。在本实施例中将“驾驶行为信息1和驾驶行为信息2进行比较”与“驾驶行为信息2和驾驶行为信息1进行比较”作为两种不同的情况进行处理。例如，因为驾驶行为信息1比驾驶行为信息2稍微重要，从而得到比例标度为3时，则当驾驶行为信息2与驾驶行为信息1进行比较时，得到的比例标度为3的倒数1/3。表2.比例标度在获得每两种驾驶行为信息在每种驾驶模式中的重要等级的比较结果之后，根据该比较结果确定权重系数。其中，可以首先根据所述比较结果，生成判断矩阵，该判断矩阵中的每个元素为所述每两种驾驶行为信息的所述比较结果对应的比例标度。例如：针对跑偏驾驶，车辆跑偏信息、车辆位置信息、油门信息、方向转角信息、车灯信息、离合信息以及刹车信息中的每两种信息的重要等级的比较结果对应的比例标度如表3所示，根据表3中的比较结果可以得到判断矩阵a，其中，表3.驾驶行为信息两两比较结果然后，根据判断矩阵，确定权重系数。其中，可以先确定判断矩阵的特征向量，进一步对特征向量进行归一化处理得到识别向量，并将识别向量中的元素作为权重系数，其中，可以通过将特征向量中的每个元素处于该特征向量的模来对将特征向量进行归一化。为了确定该特征向量，首先将判断矩阵进行归一化处理得到归一化矩阵，其中，可以但不限于将判断矩阵中的每列元素分别进行归一化；然后将所述归一化矩阵中的元素按行进行累乘得到每行元素的累乘结果；根据所述累乘结果，确定所述特征向量。例如，归一化矩阵为如式(1)所示，根据得到特征向量w。其中，w的第一行元素0.95等于的第一行元素的累乘结果1.1*0.87*0.75*1.04再开4次方的值、w的第二行元素0.98等于的第二行元素的累乘结果1.2*0.95*0.83*1再开4次方的值、w的第三行元素0.93等于的第三行元素的累乘结果0.95*1.12*0.71*1再开4次方的值以及w的第四行元素0.95等于的第四行元素的累乘结果0.85*1.08*0.81*1.12再开4次方的值。s103,根据所述权重系数，构造训练样本输入到待训练模型进行训练。具体实现中，可以首先根据权重系数，确定采集到的多种驾驶行为信息所述的驾驶模式，然后将所述多种驾驶行为信息和所述驾驶模式输入到所述待训练模型(如神经网络)进行训练得到驾驶模式识别模型，所述驾驶模式识别模型用于识别多种驾驶模式。其中，可以通过车载传感器采集多组传感数据，每组传感数据均包括车辆跑偏信息、车速信息、车辆位置信息、油门信息、方向转角信息、车灯信息、离合信息以及刹车信息，并确定每组传感数据所属的驾驶模式，并建立每组传感数据及其所属的驾驶模式的对应关系，再将多组传感数据和它们各自对应的驾驶模式作为训练样本输入神经网路，以便对该神经网进行训练得到驾驶模式识模型。例如：采集到一组驾驶行为信息包括：车辆跑偏角度为5度、车速为60公里/小时、车辆与车道之间的夹角为10度、油门信息为1，1表示油门踏板被踩到底、方向转角信息为30度、车灯信息为1，1表示转向灯被打开、离合信息为0，0表示离合器踏板未被踩到底被踩到底、刹车信息为1，1表示刹车踏板被踩到底。然后将每种信息与该信息在某种驾驶模式中的权重系数的乘积的和作为该组信息属于此种驾驶模式的隶属度，并确定该组信息属于隶属度最高的驾驶模式。比如：针对疲劳驾驶模式，计算车辆跑偏角度5度与权重系数0.16乘积5*0.16＝0.8、计算车速60公里/小时与权重系数0.13的乘积0.13*60＝7.8、计算车辆与车道之间的夹角10度与权重系数0.1的乘积10*0.1＝1、计算方向转角信息30度与权重系数0.1的乘积30*0.1＝3、计算油门信息1与权重系数0.35的乘积1*0.35＝0.35、计算车灯信息1与权重系数0.06的乘积1*0.06＝0.06、计算离合信息0与权重系数0.06的乘积0*0.06＝0、计算刹车信息1与权重系数0.15的乘积1*0.15＝0.15，然后将计算每个乘积的和0.8+7.8+1+3+0.35+0.06+0+0.15＝13.16，则将13.16确定为该组信息属于疲劳驾驶模式的隶属度。根据每种驾驶行为信息在加速驾驶模式、紧急转向模式中的权重系数，得到该组信息属于加速驾驶模式、紧急转向模式的隶属度分别为15.2和9.8。15.2大于13.16和9.8，因此确定该组信息属于加速驾驶模式。需要说明的是，上述例子中给出的只是根据权重系数构造训练样本的一种可能的方式，并不是唯一确定的方式。在车辆行驶过程中，采集车辆跑偏信息、车速信息、车辆位置信息、油门信息、方向转角信息、车灯信息、离合信息以及刹车信息，然后将采集到的信息输入该驾驶模式识模型即可确定驾驶员的驾驶模式，还可以结合相关领域专家对采集到的信息的分析对该模型确定的驾驶模型进行修正、或相关领域专家可以以该模型确定的驾驶模型为参考，进一步对驾驶员的驾驶倾向和驾驶模式进行判断。当该驾驶员的驾驶模式为疲劳驾驶、加速驾驶、加急转向等危险驾驶模式时，及时提醒驾驶员注意行车安全，避免交通事故的发生。在本申请实施实施例中，首先结合问卷调查的统计结果和相关领域专家的综合评估，提取各种驾驶模式中的主要驾驶行为信息，接着确定各种驾驶行为信息在每种驾驶模式中的权重系数，然后以此为理论基础，构造训练样本对待训练模型进行训练，达到了通过离线样本训练驾驶模式识别模型的目的、增强了训练样本构造的理论基础，从而可以提高模型训练的灵活性和可信度。请参考图2，图2是本申请实施例提供的另一种模型训练方法的流程示意图。如图所示，本申请实施例中的方法包括：s201，获取多种驾驶行为信息。其中，所述多种驾驶行为信息包括车辆跑偏信息、车辆位置信息、油门信息、方向转角信息、车灯信息、离合信息以及刹车信息中的至少一种。本步骤与上一实施例中的步骤s101相同，本步骤不再赘述。s202，根据每种驾驶行为信息在每种驾驶模式中的重要等级，确定判断矩阵。具体实现中，可以首先确定每种驾驶行为信息在每种驾驶模式中的重要等级，并将所述多种驾驶行为信息中每两种驾驶行为信息的所述重要等级进行比较。其中，可以通过相关领域的专家根据每种信息参数的意义，预先确定每两种驾驶行为在每种驾驶模式中的相对重要程度，从而根据相对重要程度确定重要等级的比较结果，其中，当将驾驶行为信息1和驾驶行为信息2的重要等级进行比较时，比较结果可以是驾驶行为信息1和驾驶行为信息2同等重要，比较结果也可以是驾驶行为信息1比驾驶行为信息2稍微重要/明显重要/强烈重要/极端重要，比较结果还可以是驾驶行为信息1比驾驶行为信息2重要的程度介于稍微重要、明显重要、强烈重要和极端重要中任意相邻的两者之间。相应的，每种比较结果所表示的驾驶行为信息之间的相对重要程度可以用一个比例标度来表示。在获得每两种驾驶行为信息在每种驾驶模式中的重要等级的比较结果之后，根据该比较结果确定权重系数。其中，可以首先根据所述比较结果，生成判断矩阵，该判断矩阵中的每个元素为所述每两种驾驶行为信息的所述比较结果对应的比例标度。s203，确定所述判断矩阵是否满足一致性。若是，则执行s204，若否，调整判断矩阵中的元素的值直到满足一致性。具体实现中，可以首先对该判断矩阵进行归一化处理得到归一化矩阵；接着将所述归一化矩阵中的元素按行进行累乘得到每行元素的累乘结果，并根据所述累乘结果确定该判断矩阵的特征向量；其次对该特征向量进行归一化处理后得到归一化向量；然后根据该归一化向量，确定该特征向量对应的特征值，其中，如式(2)所示，若判断将矩阵为a，归一化向量为w，则可以通过式(3)计算得到特征值λ。需要说明的是，根据上述方法计算得到的特征值和特征向量分别是判断矩阵的最大特征值的近似值和该最大特征值对应的特征向量的近似向量。然后根据该特征值λ和判断矩阵的阶数n，确定判断矩阵的一致性校验值ci，其中，判断矩阵的阶数为该矩阵的行数和列数，在本实施例中，判断矩阵的行数和列数相等。当该一致性校验值小于预设阈值(如0.1)时，确定判断矩阵满足一致性。具体的，首先计算ci＝(λ-n)/(n-1)，然而随着矩阵阶数的增加，判断矩阵的不一致性程度可能会增加，因此需引入平均随机一致性指标ri对ci加以修正得到修正后的一致性校验值cr，其中，cr＝ci/ri，ri与n关系如表4所示，然后cr将与预设阈值进行比较，确定判断矩阵的一致性。例如，若n＝8，计算cr＝ci/1.41，则只有当cr<0.1时，判断矩阵满足一致性。表4.随机一致性指标n1234567891011ri0.000.000.580.901.121.241.321.411.451.491.51s204，将特征向量进行归一化处理后得到的归一化向量作为识别向量，并将识别向量中的元素确定为权重系数。具体实现中，可以将特征向量中的每个元素除以该特征向量的模得到归一化向量。s205，根据所述权重系数，构造训练样本输入到待训练模型进行训练。本步骤与上一实施例中的s103相同，本步骤不再赘述。在本申请实施例中，首先结合问卷调查的统计结果和相关领域专家的综合评估，提取各种驾驶模式中的主要驾驶行为信息，接着确定各种驾驶行为信息在每种驾驶模式中的权重系数，然后以此为理论基础，构造训练样本对待训练模型进行训练，达到了通过离线样本训练驾驶模式识别模型的目的、增强了训练样本构造的理论基础，从而可以提高模型训练的灵活性和可信度。请参考图3，图3是本申请实施例提供的一种模型训练装置的结构示意图。如图所示，本申请实施例中的装置包括：获取模块301，用于获取多种驾驶行为信息。其中，所述多种驾驶行为信息包括车辆跑偏信息、车速信息、车辆位置信息、油门信息、方向转角信息、车灯信息、离合信息以及刹车信息中的至少一种。具体实现中，可以通过统计每种驾驶行为在多种驾驶模式中的执行概率，然后根据该执行概率，获取多种驾驶行为信息。为了得到每种驾驶行为的执行率，可以首先设计问卷调查表，如表1所示，问卷调查表中可以包括是否频繁转动方向盘、油门踩踏、制动踏板踩踏等多种驾驶行为，以及包括疲劳驾驶、占道驾驶、跑偏驾驶、紧急转向、一般转向、加速驾驶、匀速驾驶和减速驾驶在内的多种驾驶模型；接着召集驾驶员填写该问卷调查表；然后利用统计分析软件(如spass软件)对驾驶员填写的问卷调查表进行统计，确定每种驾驶行为被勾选的概率，即每种驾驶行为在多种驾驶模式中的执行概率，例如：共收集到1000份驾驶员填写的问卷调查报告，其中，档位操作被勾选的次数为6000次(每份问卷调查表中档位操作最多可以被勾选8次)，则档位操作的执行概率为6000/8000＝0.75。在获取每种驾驶行为的执行概率后，根据该执行概率，获取多种驾驶行为信息，其中，可以获取执行概率排列在前面(如前6位)的几种驾驶行为对应的驾驶行为信息，还可以结合相关领域专家的打分确定所需获取的驾驶行为信息的种类。其中，驾驶行为信息可以包括车辆跑偏信息(如车辆自行向左或向右的偏向角)、车速信息(如60公里/小时)、车辆位置信息(如车辆与车道之间的夹角)、油门信息(如油门踏板被踩到底)、方向转角信息(如通过方向盘控制车辆向右转向的角度)、车灯信息(如转向灯是否打开)、离合信息(如离合踏板被踩到底)以及刹车信息中的至少一种。确定模块302，用于确定所述多种驾驶行为信息中每种驾驶行为信息在每种驾驶模式中的权重系数。具体实现中，可以首先确定每种驾驶行为信息在每种驾驶模式中的重要等级，并将所述多种驾驶行为信息中每两种驾驶行为信息的所述重要等级进行比较。其中，可以通过相关领域的专家根据每种信息参数的意义，预先确定每两种驾驶行为在每种驾驶模式中的相对重要程度，从而根据相对重要程度确定重要等级的比较结果，其中，当将驾驶行为信息1和驾驶行为信息2的重要等级进行比较时，比较结果可以是驾驶行为信息1和驾驶行为信息2同等重要，比较结果也可以是驾驶行为信息1比驾驶行为信息2稍微重要/明显重要/强烈重要/极端重要，比较结果还可以是驾驶行为信息1比驾驶行为信息2重要的程度介于稍微重要、明显重要、强烈重要和极端重要中任意相邻的两者之间。例如：在跑偏驾驶中，车辆跑偏信息比车辆位置信息稍微重要、车辆跑偏信息比油门信息、方向转角信息以及刹车信息重要的程度介于稍微重要和明显重要之间、车辆跑偏信息比车速信息重要的程度介于同等重要和稍微重要之间、车辆跑偏信息比车灯信息明显重要。相应的，每种比较结果所表示的驾驶行为信息之间的相对重要程度可以用一个比例标度来表示，如表2所示，同等重要、稍微重要、明显重要、强烈重要和极端重要对应的比例标度分别为1、3、5、7和9，介于同等重要和稍微重要之间的比例标度为2、介于稍微重要和明显重要之间的比例标度为4、介于明显重要和强烈重要之间的比例标度为6以及介于强烈重要和计算重要之间的比例标度为8。在本实施例中将“驾驶行为信息1和驾驶行为信息2进行比较”与“驾驶行为信息2和驾驶行为信息1进行比较”作为两种不同的情况进行处理。例如，因为驾驶行为信息1比驾驶行为信息2稍微重要，从而得到比例标度为3时，则当驾驶行为信息2与驾驶行为信息1进行比较时，得到的比例标度为3的倒数1/3。在获得每两种驾驶行为信息在每种驾驶模式中的重要等级的比较结果之后，根据该比较结果确定权重系数。其中，可以首先根据所述比较结果，生成判断矩阵，该判断矩阵中的每个元素为所述每两种驾驶行为信息的所述比较结果对应的比例标度。然后根据判断矩阵，确定权重系数。其中，可以先确定判断矩阵的特征向量，进一步对特征向量进行归一化处理得到识别向量，并将识别向量中的元素作为权重系数。为了确定该特征向量，首先将判断矩阵进行归一化处理得到归一化矩阵，其中，可以但不限于将判断矩阵中每列元素分别进行归一化，然后将所述归一化矩阵中的元素按行进行累乘得到每行元素的累乘结果；根据所述累乘结果，确定所述特征向量。可选的，确定模块302还用于确定所述判断矩阵是否满足一致性。具体地，可以首先将特征向量进行归一化处理后得到归一化向量；接着根据该归一化向量，确定该特征向量对应的特征值，其中，如式(2)所示，若判断将矩阵为a，归一化向量为w，则可以通过式(3)计算得到特征值λ；然后根据该特征值λ和判断矩阵的阶数n，确定判断矩阵的一致性校验值ci，其中，判断矩阵的阶数为该矩阵的行数和列数，在本实施例中，判断矩阵的行数和列数相等。当该一致性校验值小于预设阈值(如0.1)时，确定判断矩阵满足一致性。具体的，首先计算ci＝(λ-n)/(n-1)，然而随着矩阵阶数的增加，判断矩阵的不一致性程度可能会增加，因此需引入平均随机一致性指标ri对一致性校验值ci加以修正得到修正后的一致性校验值cr，其中，cr＝ci/ri，ri与n关系如表4所示，然后cr将与预设阈值进行比较，确定判断矩阵的一致性。例如，若n＝8，计算cr＝ci/1.41，则只有当cr<0.1时，判断矩阵满足一致性。训练模块303，用于根据所述权重系数，构造训练样本输入到待训练模型进行训练。具体实现中，可以首先根据权重系数，确定采集到的多种驾驶行为信息所述的驾驶模式，然后将所述多种驾驶行为信息和所述驾驶模式输入到所述待训练模型(如神经网络)进行训练得到驾驶模式识别模型，所述驾驶模式识别模型用于识别多种驾驶模式。其中，可以通过车载传感器采集多组传感数据，每组传感数据均包括车辆跑偏信息、车速信息、车辆位置信息、油门信息、方向转角信息、车灯信息、离合信息以及刹车信息，并确定每组传感数据所属的驾驶模式，并建立每组传感数据及其所属的驾驶模式的对应关系，再将多组传感数据和它们各自对应的驾驶模式作为训练样本输入神经网路，以便对该神经网进行训练得到驾驶模式识模型。在本申请实施例中，首先结合问卷调查的统计结果和相关领域专家的综合评估，提取各种驾驶模式中的主要驾驶行为信息，接着确定各种驾驶行为信息在每种驾驶模式中的权重系数，然后以此为理论基础，构造训练样本对待训练模型进行训练，达到了通过离线样本训练驾驶模式识别模型的目的、增强了训练样本构造的理论基础，从而可以提高模型训练的灵活性和可信度。请参考图4，图4是本申请实施例提出的一种电子设备的结构示意图。如图所示，该电子设备可以包括：至少一个处理器401，例如cpu，至少一个通信接口402，至少一个存储器403，至少一个总线404。其中，总线404用于实现这些组件之间的连接通信。其中，本申请实施例中电子设备的通信接口402是有线发送端口，也可以为无线设备，例如包括天线装置，用于与其他节点设备进行信令或数据的通信。存储器403可以是高速ram存储器，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器403可选的还可以是至少一个位于远离前述处理器401的存储装置。存储器403中存储一组程序代码，且处理器401用于调用存储器中存储的程序代码，用于执行以下操作：获取多种驾驶行为信息，所述多种驾驶行为信息包括车辆跑偏信息、车速信息、车辆位置信息、油门信息、方向转角信息、车灯信息、离合信息以及刹车信息中的至少一种；确定所述多种驾驶行为信息中每种驾驶行为信息在每种驾驶模式中的权重系数；根据所述权重系数，构造训练样本输入到待训练模型进行训练。其中，处理器401还用于执行如下操作步骤：统计每种驾驶行为在多种驾驶模式中的执行概率；根据所述执行概率，获取所述多种驾驶行为信息。其中，处理器401还用于执行如下操作步骤：根据所述权重系数，确定所述多种驾驶行为信息所属的驾驶模式；将所述多种驾驶行为信息和所述驾驶模式输入到所述待训练模型进行训练得到驾驶模式识别模型，所述驾驶模式识别模型用于识别多种驾驶模式。其中，处理器401还用于执行如下操作步骤：确定所述每种驾驶行为信息在所述每种驾驶模式中的重要等级；将所述多种驾驶行为信息中每两种驾驶行为信息的所述重要等级进行比较；根据所述重要等级的比较结果，确定所述权重系数。其中，处理器401还用于执行如下操作步骤：根据所述比较结果，生成判断矩阵，所述判断矩阵中的每个元素为所述每两种驾驶行为信息的所述比较结果对应的比例标度；根据所述判断矩阵，确定所述权重系数。其中，处理器401还用于执行如下操作步骤：确定所述判断矩阵的特征向量；对所述特征向量进行归一化处理得到识别向量；将所述识别向量中的元素作为所述权重系数。其中，处理器401还用于执行如下操作步骤：对所述判断矩阵进行归一化处理得到归一化矩阵；将所述归一化矩阵中的元素按行进行累乘得到每行元素的累乘结果；根据所述累乘结果，确定所述特征向量。其中，处理器401还用于执行如下操作步骤：对所述特征向量进行归一化处理得到归一化向量；根据所述归一化向量，确定所述特征向量对应的特征值；根据所述特征值和所述判断矩阵的阶数，确定所述判断矩阵的一致性校验值；当所述一致性校验值小于预设阈值时，将所述归一化向量作为所述识别向量。需要说明的是，本申请实施例同时也提供了一种存储介质，该存储介质用于存储应用程序，该应用程序用于在运行时执行图1和图2所示的一种模型训练方法中电子设备执行的操作。需要说明的是，本申请实施例同时也提供了一种应用程序，该应用程序用于在运行时执行图1和图2所示的一种模型训练方法中电子设备执行的操作。在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。当前第1页12