数据处理方法、预测模型训练方法、电子设备及程序产品与流程

1.本公开涉及数据处理技术领域，具体涉及一种数据处理方法、预测模型训练方法、电子设备及程序产品。


背景技术：

2.poi(point of interest，兴趣点)在电子地图领域中可以指公司、饭店等现实世界中存在的实体，是用户使用电子地图时较为关注的数据。由于poi的位置信息来源复杂，其位置可能存在错误，从而影响路线规划、导航等应用的准确性。因此，在海量的地图数据中识别出可能存在错误的poi位置信息对于改进电子地图及相关服务的准确度具有重要意义。


技术实现要素：

3.为了解决相关技术中的问题，本公开实施例提供一种数据处理方法、预测模型训练方法、电子设备及程序产品。
4.第一方面，本公开实施例中提供了一种数据处理方法。
5.具体地，所述数据处理方法，包括：
6.获取兴趣点的位置信息；
7.根据所述兴趣点的位置信息，获取位于所述兴趣点周围第一预设范围内的指定对象的位置信息和拍摄范围覆盖所述兴趣点及其周围第二预设范围内地物要素的图像；
8.基于所述兴趣点的位置信息、所述指定对象的位置信息，以及所述图像，使用训练好的预测模型，预测所述兴趣点的位置信息是否准确。
9.结合第一方面，本公开在第一方面的第一种实现方式中，所述位于所述兴趣点周围第一预设范围内的指定对象的位置信息，包括以下至少一项：
10.位于所述兴趣点周围第一预设范围内的建筑物的位置信息；
11.位于所述兴趣点周围第一预设范围内的道路的位置信息；
12.位于所述兴趣点周围第一预设范围内的水系的位置信息；
13.位于所述兴趣点周围第一预设范围内的其他兴趣点的位置信息；
14.位于所述兴趣点周围第一预设范围内与所述兴趣点相关联的对象的位置信息。
15.结合第一方面的第一种实现方式，本公开在第一方面的第二种实现方式中，其中：
16.所述建筑物的位置信息包括围绕所述建筑物的水平轮廓的多个采样点的位置信息；
17.所述道路的位置信息包括沿所述道路的多个采样点的位置信息；
18.所述水系的位置信息包括沿所述水系的多个采样点的位置信息；
19.所述与所述兴趣点相关联的对象的位置信息包括以下任意一种：导航目的地的位置信息、接入所述兴趣点的本地网络的设备定位位置信息、与所述兴趣点关联的地址的位置信息。
20.结合第一方面，本公开在第一方面的第三种实现方式中，所述基于所述兴趣点的位置信息、所述指定对象的位置信息，以及所述图像，使用训练好的预测模型，预测所述兴趣点的位置信息是否准确，包括：
21.根据所述指定对象的位置信息与所述兴趣点的位置信息，提取用于表征所述指定对象和所述兴趣点的相对位置关系的地理位置特征；
22.从所述图像中，提取用于表征所述兴趣点与其周边地物要素的相对位置关系的图像位置特征；
23.将所述地理位置特征和图像位置特征输入所述训练好的预测模型，以预测所述兴趣点的位置信息是否准确。
24.结合第一方面，本公开在第一方面的第四种实现方式中，所述方法还包括：
25.获取样本兴趣点的位置信息和所述样本兴趣点的位置信息是否准确的判别信息；
26.根据所述样本兴趣点的位置信息，获取位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息和拍摄范围覆盖所述样本兴趣点及其周围第二预设范围内的样本图像；
27.基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预测模型。
28.第二方面，本公开实施例中提供了一种预测模型训练方法，包括：
29.获取样本兴趣点的位置信息和所述样本兴趣点的位置信息是否准确的判别信息；
30.根据所述样本兴趣点的位置信息，获取位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息和拍摄范围覆盖所述样本兴趣点及其周围第二预设范围内的样本图像；
31.基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预测模型。
32.结合第二方面，本公开在第二方面的第一种实现方式中，所述位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息，包括以下至少一项：
33.位于所述样本兴趣点周围第一预设范围内的建筑物的位置信息；
34.位于所述样本兴趣点周围第一预设范围内的道路的位置信息；
35.位于所述样本兴趣点周围第一预设范围内的水系的位置信息；
36.位于所述样本兴趣点周围第一预设范围内的其他兴趣点的位置信息；
37.位于所述样本兴趣点周围第一预设范围内与所述样本兴趣点相关联的对象的位置信息。
38.结合第二方面，本公开在第二方面的第二种实现方式中，所述基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预测模型，包括：
39.根据所述样本指定对象的位置信息与所述样本兴趣点的位置信息，提取用于表征该类型的样本指定对象和所述样本兴趣点的相对位置关系的样本地理位置特征；
40.从所述样本图像中，提取用于表征所述样本兴趣点与其周边地物要素的相对位置关系的样本图像位置特征；
41.将所述样本地理位置特征和样本图像位置特征输入所述预测模型，以最小化所述
预测模型的输出与所述判别信息之间的损失函数为目标，训练所述预测模型。
42.第三方面，本公开实施例中提供了一种数据处理装置。
43.具体地，所述数据处理装置，包括：
44.第一获取模块，被配置为获取兴趣点的位置信息；
45.第二获取模块，被配置为根据所述兴趣点的位置信息，获取位于所述兴趣点周围第一预设范围内的指定对象的位置信息和拍摄范围覆盖所述兴趣点及其周围第二预设范围内地物要素的图像；
46.预测模块，被配置为基于所述兴趣点的位置信息、所述指定对象的位置信息，以及所述图像，使用训练好的预测模型，预测所述兴趣点的位置信息是否准确。
47.结合第三方面，本公开在第三方面的第一种实现方式中，所述位于所述兴趣点周围第一预设范围内的指定对象的位置信息，包括以下至少一项：
48.位于所述兴趣点周围第一预设范围内的建筑物的位置信息；
49.位于所述兴趣点周围第一预设范围内的道路的位置信息；
50.位于所述兴趣点周围第一预设范围内的水系的位置信息；
51.位于所述兴趣点周围第一预设范围内的其他兴趣点的位置信息；
52.位于所述兴趣点周围第一预设范围内与所述兴趣点相关联的对象的位置信息。
53.结合第三方面的第一种实现方式，本公开在第三方面的第二种实现方式中，其中：
54.所述建筑物的位置信息包括围绕所述建筑物的水平轮廓的多个采样点的位置信息；
55.所述道路的位置信息包括沿所述道路的多个采样点的位置信息；
56.所述水系的位置信息包括沿所述水系的多个采样点的位置信息；
57.所述与所述兴趣点相关联的对象的位置信息包括以下任意一种：导航目的地的位置信息、接入所述兴趣点的本地网络的设备定位位置信息、与所述兴趣点关联的地址的位置信息。
58.结合第三方面，本公开在第三方面的第三种实现方式中，所述基于所述兴趣点的位置信息、所述指定对象的位置信息，以及所述图像，使用训练好的预测模型，预测所述兴趣点的位置信息是否准确，包括：
59.根据所述指定对象的位置信息与所述兴趣点的位置信息，提取用于表征所述指定对象和所述兴趣点的相对位置关系的地理位置特征；
60.从所述图像中，提取用于表征所述兴趣点与其周边地物要素的相对位置关系的图像位置特征；
61.将所述地理位置特征和图像位置特征输入所述训练好的预测模型，以预测所述兴趣点的位置信息是否准确。
62.结合第三方面，本公开在第三方面的第四种实现方式中，所述装置还包括：
63.第三获取模块，被配置为获取样本兴趣点的位置信息和所述样本兴趣点的位置信息是否准确的判别信息；
64.第四获取模块，被配置为根据所述样本兴趣点的位置信息，获取位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息和拍摄范围覆盖所述样本兴趣点及其周围第二预设范围内的样本图像；
65.训练模块，被配置为基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预测模型。
66.第四方面，本公开实施例中提供了一种预测模型训练装置，包括：
67.第三获取模块，被配置为获取样本兴趣点的位置信息和所述样本兴趣点的位置信息是否准确的判别信息；
68.第四获取模块，被配置为根据所述样本兴趣点的位置信息，获取位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息和拍摄范围覆盖所述样本兴趣点及其周围第二预设范围内的样本图像；
69.训练模块，被配置为基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预测模型。
70.结合第四方面，本公开在第四方面的第一种实现方式中，所述位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息，包括以下至少一项：
71.位于所述样本兴趣点周围第一预设范围内的建筑物的位置信息；
72.位于所述样本兴趣点周围第一预设范围内的道路的位置信息；
73.位于所述样本兴趣点周围第一预设范围内的水系的位置信息；
74.位于所述样本兴趣点周围第一预设范围内的其他兴趣点的位置信息；
75.位于所述样本兴趣点周围第一预设范围内与所述样本兴趣点相关联的对象的位置信息。
76.结合第四方面，本公开在第四方面的第二种实现方式中，所述基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预测模型，包括：
77.根据所述样本指定对象的位置信息与所述样本兴趣点的位置信息，提取用于表征该类型的样本指定对象和所述样本兴趣点的相对位置关系的样本地理位置特征；
78.从所述样本图像中，提取用于表征所述样本兴趣点与其周边地物要素的相对位置关系的样本图像位置特征；
79.将所述样本地理位置特征和样本图像位置特征输入所述预测模型，以最小化所述预测模型的输出与所述判别信息之间的损失函数为目标，训练所述预测模型。
80.第五方面，本公开实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如第一方面至第二方面第二种实现方式中任一项所述的方法。
81.第六方面，本公开实施例中提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面至第二方面第二种实现方式中所述的方法。
82.第七方面，本公开实施例中提供了一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行时实现如第一方面至第二方面第二种实现方式中所述的方法。
83.根据本公开实施例提供的技术方案，获取兴趣点的位置信息；根据所述兴趣点的位置信息，获取位于所述兴趣点周围第一预设范围内的指定对象的位置信息和拍摄范围覆
盖所述兴趣点及其周围第二预设范围内地物要素的图像；基于所述兴趣点的位置信息、所述指定对象的位置信息，以及所述图像，使用训练好的预测模型，预测所述兴趣点的位置信息是否准确。根据本公开的实施例，预测模型是基于样本兴趣点的位置信息、位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息和拍摄范围覆盖所述样本兴趣点及其周围第二预设范围内地物要素的样本图像对预测模型训练得到的，由预测模型学习判断规则，不需要用户具有强领域知识来制造特征，同时，输入预测模型的数据相比于原始数据精度损失较小，解决了在特征制造过程中的精度下降问题。
84.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
85.结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
86.图1示出根据本公开的实施例的数据处理方法的流程图。
87.图2a-2f示出了根据本公开实施例的指定对象和兴趣点的相对位置关系的示意图。
88.图3示出根据本公开的实施例的预测模型训练方法的流程图。
89.图4示出根据本公开实施例的数据处理方法的流程示意图。
90.图5a示出根据本公开的实施例的数据处理装置的结构框图。
91.图5b示出根据本公开的实施例的预测模型训练装置的结构框图。
92.图6示出根据本公开的实施例的电子设备的结构框图。
93.图7示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
具体实施方式
94.下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。
95.在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
96.另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
97.在本公开中，对用户信息或用户数据的获取均为经用户授权、确认，或由用户主动选择的操作。
98.如上所述，由于poi的位置信息来源复杂，因此其位置可能存在错误，影响路线规划、导航等应用的准确性。在海量的地图数据中识别出可能存在错误的poi位置信息对于改进电子地图的准确度具有重要意义。
99.本公开实施例提供了一种数据处理方法，包括：获取兴趣点的位置信息；根据所述兴趣点的位置信息，获取位于所述兴趣点周围第一预设范围内的指定对象的位置信息和拍摄范围覆盖所述兴趣点及其周围第二预设范围内地物要素的图像；基于所述兴趣点的位置
信息、所述指定对象的位置信息，以及所述图像，使用训练好的预测模型，预测所述兴趣点的位置信息是否准确。
100.已有的判断兴趣点位置信息是否准确的方式包括利用地图领域知识总结判断规则，例如poi不能位于水中、道路上等，对poi位置的准确性进行判断。或者，可以利用机器学习，使用坐标聚类算法和空间拓扑算法生成特征，然后利用svm(support vector machine，支持向量机)、gbdt(gradient boosting decision tree，梯度提升决策树)等机器学习算法发现错误的poi位置信息。这些判断方式存在以下问题。首先，特征制造困难，建立完备的特征需要特征提取人有强领域知识。其次，特征生成时需要对原始数据加工，包括但不限于聚合、融合等，这些操作造成数据精度下降。
101.根据本公开的实施例，预测模型是基于样本兴趣点的位置信息、位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息和拍摄范围覆盖所述样本兴趣点及其周围第二预设范围内地物要素的样本图像对预测模型训练得到的，由预测模型学习判断规则，不需要用户具有强领域知识来制造特征，同时，输入预测模型的数据相比于原始数据精度损失较小，解决了在特征制造过程中的精度下降问题。
102.图1示出根据本公开的实施例的数据处理方法的流程图。如图1所示，所述数据处理方法包括以下步骤s101-s103：
103.在步骤s101中，获取兴趣点的位置信息；
104.在步骤s102中，根据所述兴趣点的位置信息，获取位于所述兴趣点周围第一预设范围内的指定对象的位置信息和拍摄范围覆盖所述兴趣点及其周围第二预设范围内地物要素的图像；
105.在步骤s103中，基于所述兴趣点的位置信息、所述指定对象的位置信息，以及所述图像，使用训练好的预测模型，预测所述兴趣点的位置信息是否准确。
106.根据本公开的实施例，兴趣点的位置信息、指定对象的位置信息可以从地图数据库和/或定位数据库获取。拍摄范围覆盖所述兴趣点及其周围第二预设范围内地物要素的图像可以是通过空中的卫星拍摄的卫星图像，卫星图像可以拍摄到地面地物要素，但清晰度和分辨率可能较低。或者，所述图像还可以是在地面上在兴趣点周边拍摄的图像，这些图像可以清楚地拍摄到兴趣点及其周边的地物要素。
107.根据本公开的实施例，第一预设范围可以与第二预设范围相同，也可以与第二预设范围不同。
108.地物要素是地面上各种有形物(如山川、森林、水系、道路、建筑物等)和无形物(如省、县界等)的总称，泛指地球表面上相对固定的物体。
109.根据本公开的实施例，预测模型例如可以包括lenet、alexnet、vggnet等中任意一种或多种卷积神经网络，或者可以包括改进的resnet神经网络。改进的resnet神经网络省略了resnet神经网络中的第三和第四级(stage)，将第二级的输出直接连接到输出级。
110.根据本公开的实施例，预测模型是基于样本兴趣点的位置信息、位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息和拍摄范围覆盖所述样本兴趣点及其周围第二预设范围内地物要素的样本图像对预测模型训练得到的，由预测模型学习判断规则，不需要用户具有强领域知识来制造特征，同时，输入预测模型的数据相比于原始数据精度损失较小，解决了在特征制造过程中的精度下降问题。
111.根据本公开的实施例，所述位于所述兴趣点周围第一预设范围内的指定对象的位置信息，包括以下至少一项：
112.位于所述兴趣点周围第一预设范围内的建筑物的位置信息；
113.位于所述兴趣点周围第一预设范围内的道路的位置信息；
114.位于所述兴趣点周围第一预设范围内的水系的位置信息；
115.位于所述兴趣点周围第一预设范围内的其他兴趣点的位置信息；
116.位于所述兴趣点周围第一预设范围内与所述兴趣点相关联的对象的位置信息。
117.根据本公开的实施例，位置信息例如可以包括坐标信息，例如经纬度等。
118.根据本公开的实施例，所述建筑物的位置信息包括围绕所述建筑物的水平轮廓的多个采样点的位置信息；
119.所述道路的位置信息包括沿所述道路的多个采样点的位置信息；
120.所述水系的位置信息包括沿所述水系的多个采样点的位置信息；
121.所述与所述兴趣点相关联的对象的位置信息包括以下任意一种：导航目的地的位置、接入所述兴趣点的本地网络的设备定位位置、与所述兴趣点关联的地址。
122.根据本公开的实施例，兴趣点一般应当位于建筑物内部，如果兴趣点位于建筑物外部，则兴趣点的位置有可能是错误的。
123.根据本公开的实施例，兴趣点一般不应当位于道路上，如果兴趣点位于道路上，则兴趣点的位置有可能是错误的。
124.根据本公开的实施例，兴趣点一般不应当位于水上，如果兴趣点位于水上，则兴趣点的位置有可能是错误的。
125.根据本公开的实施例，兴趣点与其他兴趣点的分布方式一般应当一致，如果兴趣点与其他兴趣点的分布方式不一致，则兴趣点的位置有可能是错误的。
126.根据本公开的实施例，与兴趣点相关联的对象的位置信息应当与兴趣点位置具有合理的关系。例如，如果导航目的地为所述兴趣点，则导航目的地的位置应当在兴趣点处或兴趣点附近。接入所述兴趣点的本地网络的设备的设备定位位置应当在兴趣点处或兴趣点附近。与所述兴趣点关联的地址的位置应当在兴趣点处或兴趣点附近。如果与兴趣点相关联的对象的位置信息与兴趣点位置的关系不合理，则兴趣点的位置有可能是错误的。
127.根据本公开的实施例，所述基于所述兴趣点的位置信息、所述指定对象的位置信息，以及所述图像，使用训练好的预测模型，预测所述兴趣点的位置信息是否准确，包括：
128.根据所述指定对象的位置信息与所述兴趣点的位置信息，提取用于表征所述指定对象和所述兴趣点的相对位置关系的地理位置特征；
129.从所述图像中，提取用于表征所述兴趣点与其周边地物要素的相对位置关系的图像位置特征；
130.将所述地理位置特征和图像位置特征输入所述训练好的预测模型，以预测所述兴趣点的位置信息是否准确。
131.图2a-2f示出了根据本公开实施例的指定对象和兴趣点的相对位置关系的示意图。
132.在图2a-2f中，圆点表示兴趣点的位置，方点表示指定对象的位置，虚线和文字用于辅助说明的目的。
133.如图2a-2f所示，对于各种类型的指定对象，根据所述指定对象的位置信息与所述兴趣点的位置信息，确定所述指定对象和所述兴趣点的相对位置关系。
134.在图2a中，对于指定对象“建筑物”，在兴趣点周围第一预设范围内具有建筑物a和建筑物b，图中示出围绕建筑物a和建筑物b的水平轮廓的多个采样点。从图片可以看出，兴趣点位于建筑物a和建筑物b之外，因此，该兴趣点的位置有可能是错误的。
135.在图2b中，对于指定对象“道路”，在兴趣点周围第一预设范围内具有道路c，图中示出沿道路c的多个采样点。从图片可以看出，兴趣点位于道路c中，因此，该兴趣点的位置有可能是错误的。
136.在图2c中，对于指定对象“河流”(属于“水系”类型)，在兴趣点周围第一预设范围内具有河流d，图中示出沿河流d的多个采样点。从图片可以看出，兴趣点位于河流d中，因此，该兴趣点的位置有可能是错误的。
137.在图2d中，对于指定对象“其他兴趣点”，在兴趣点周围第一预设范围内具有沿建筑物e的外周分布的其他兴趣点a～h。从图中可以看出，兴趣点的分布方式与其他兴趣点不同，兴趣点分布在建筑物e的中央，因此，该兴趣点的位置有可能是错误的。
138.在图2e中，对于指定对象“与兴趣点相关联的对象”，对象的位置和兴趣点都在建筑物f中，因此，该兴趣点的位置有可能是正确的。
139.在图2f中，对于指定对象“与兴趣点相关联的对象”，对象的位置和兴趣点分别在建筑物h和建筑物g中，因此，该兴趣点的位置有可能是错误的。
140.根据本公开的实施例，从所述图像中，提取用于表征所述兴趣点与其周边地物要素的相对位置关系的图像位置特征，例如可以根据图像的拍摄范围和比例尺确定图像中的地物要素位置，并进而得到兴趣点与所述兴趣点周边的地物要素的相对位置关系。
141.将所述地理位置特征和图像位置特征输入所述训练好的预测模型，从预测模型输出兴趣点的位置是否准确的判断结果。由于指定对象的位置信息也有可能存在错误，且训练样本中的样本指定对象的位置与兴趣点的位置关系不一定能覆盖实际中所有的可能情况，因此，将从兴趣点周围第二预设范围内的图像提取的图像位置特征也输入预测模型，可以与兴趣点周围第一预设范围内的指定对象的位置信息互为补充，从而得到更准确的判断结果。
142.图3示出根据本公开的实施例的预测模型训练方法的流程图。如图3所示，所述预测模型训练方法包括以下步骤s301
–
s303：
143.在步骤s301中，获取样本兴趣点的位置信息和所述样本兴趣点的位置信息是否准确的判别信息；
144.在步骤s302中，根据所述样本兴趣点的位置信息，获取位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息和拍摄范围覆盖所述样本兴趣点及其周围第二预设范围内的样本图像；
145.在步骤s303中，基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预测模型。
146.根据本公开的实施例，基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预测模型，由预测模型学习判断规则，不需要用户具有强领域知识来制造特征，同时，输入预
测模型的数据相比于原始数据精度损失较小，解决了在特征制造过程中的精度下降问题。
147.根据本公开的实施例，所述位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息，包括以下至少一项：
148.位于所述样本兴趣点周围第一预设范围内的建筑物的位置信息；
149.位于所述样本兴趣点周围第一预设范围内的道路的位置信息；
150.位于所述样本兴趣点周围第一预设范围内的水系的位置信息；
151.位于所述样本兴趣点周围第一预设范围内的其他兴趣点的位置信息；
152.位于所述样本兴趣点周围第一预设范围内与所述样本兴趣点相关联的对象的位置信息。
153.根据本公开的实施例，所述基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预测模型，包括：
154.根据所述样本指定对象的位置信息与所述样本兴趣点的位置信息，提取用于表征该类型的样本指定对象和所述样本兴趣点的相对位置关系的样本地理位置特征；
155.从所述样本图像中，提取用于表征所述样本兴趣点与其周边地物要素的相对位置关系的样本图像位置特征；
156.将所述样本地理位置特征和样本图像位置特征输入所述预测模型，以最小化所述预测模型的输出与所述判别信息之间的损失函数为目标，训练所述预测模型。
157.根据本公开的实施例，样本数据可以包括位置正确的样本兴趣点的数据和位置错误的样本兴趣点的数据，其中，位置错误的样本兴趣点的数据可以来自用户使用过程中反馈并经作业人员核实的错误数据，还可以包括电子地图服务提供商在例如酒店核实、餐馆核实等地图制图作业中发现的错误数据。
158.图4示出根据本公开实施例的数据处理方法的流程示意图。
159.如图4所示，预测模型的样本来源例如可以包括用户反馈的错误兴趣点和地图制图作业发现的错误兴趣点，还包括一部分正确的样本兴趣点。
160.从数据库中获取样本兴趣点的位置信息和样本兴趣点的位置周围第一预设范围内的样本指定对象的位置信息并生成表示所述样本指定对象与所述样本兴趣点的相对位置关系的样本地理位置特征。另外，获取样本兴趣点周围第二预设范围内的样本图像，从所述样本图像提取用于表征所述样本兴趣点与其周边地物要素的相对位置关系的样本图像位置特征。
161.使用样本数据(包括样本地理位置特征和样本图像位置特征)训练预测模型。在模型训练完毕后，获取待预测数据，所述待预测数据包括用于表征待预测兴趣点周围第一预设范围内的指定对象和所述待预测兴趣点的相对位置关系的地理位置特征，还包括从拍摄范围覆盖所述待预测兴趣点及其周围第二预设范围内地物要素的图像提取的，用于表征所述待预测兴趣点与其周边地物要素的相对位置关系的图像位置特征。使用训练好的预测模型，基于待预测数据对待预测兴趣点的位置信息是否准确进行预测。
162.图5a示出根据本公开的实施例的数据处理装置的结构框图。其中，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
163.如图5a所示，所述数据处理装置510包括第一获取模块511、第二获取模块512、预
测模块513。
164.第一获取模块511被配置为获取兴趣点的位置信息；
165.第二获取模块512被配置为根据所述兴趣点的位置信息，获取位于所述兴趣点周围第一预设范围内的指定对象的位置信息和拍摄范围覆盖所述兴趣点及其周围第二预设范围内地物要素的图像；
166.预测模块513被配置为基于所述兴趣点的位置信息、所述指定对象的位置信息，以及所述图像，使用训练好的预测模型，预测所述兴趣点的位置信息是否准确。
167.根据本公开的实施例，所述位于所述兴趣点周围第一预设范围内的指定对象的位置信息，包括以下至少一项：
168.位于所述兴趣点周围第一预设范围内的建筑物的位置信息；
169.位于所述兴趣点周围第一预设范围内的道路的位置信息；
170.位于所述兴趣点周围第一预设范围内的水系的位置信息；
171.位于所述兴趣点周围第一预设范围内的其他兴趣点的位置信息；
172.位于所述兴趣点周围第一预设范围内与所述兴趣点相关联的对象的位置信息。
173.根据本公开的实施例，其中：
174.所述建筑物的位置信息包括围绕所述建筑物的水平轮廓的多个采样点的位置信息；
175.所述道路的位置信息包括沿所述道路的多个采样点的位置信息；
176.所述水系的位置信息包括沿所述水系的多个采样点的位置信息；
177.所述与所述兴趣点相关联的对象的位置信息包括以下任意一种：导航目的地的位置信息、接入所述兴趣点的本地网络的设备定位位置信息、与所述兴趣点关联的地址的位置信息。
178.根据本公开的实施例，其中，所述基于所述兴趣点的位置信息、所述指定对象的位置信息，以及所述图像，使用训练好的预测模型，预测所述兴趣点的位置信息是否准确，包括：
179.根据所述指定对象的位置信息与所述兴趣点的位置信息，提取用于表征所述指定对象和所述兴趣点的相对位置关系的地理位置特征；
180.从所述图像中，提取用于表征所述兴趣点与其周边地物要素的相对位置关系的图像位置特征；
181.将所述地理位置特征和图像位置特征输入所述训练好的预测模型，以预测所述兴趣点的位置信息是否准确。
182.根据本公开的实施例，所述装置510还包括：
183.第三获取模块514，被配置为获取样本兴趣点的位置信息和所述样本兴趣点的位置信息是否准确的判别信息；
184.第四获取模块515，被配置为根据所述样本兴趣点的位置信息，获取位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息和拍摄范围覆盖所述样本兴趣点及其周围第二预设范围内的样本图像；
185.训练模块516，被配置为基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预
测模型。
186.图5b示出根据本公开的实施例的预测模型训练装置的结构框图。其中，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
187.如图5b所示，所述预测模型训练装置520包括第三获取模块514、第四获取模块515、训练模块516。
188.第三获取模块514被配置为获取样本兴趣点的位置信息和所述样本兴趣点的位置信息是否准确的判别信息；
189.第四获取模块515被配置为根据所述样本兴趣点的位置信息，获取位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息和拍摄范围覆盖所述样本兴趣点及其周围第二预设范围内的样本图像；
190.训练模块516被配置为基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预测模型。
191.根据本公开的实施例，其中，所述位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息，包括以下至少一项：
192.位于所述样本兴趣点周围第一预设范围内的建筑物的位置信息；
193.位于所述样本兴趣点周围第一预设范围内的道路的位置信息；
194.位于所述样本兴趣点周围第一预设范围内的水系的位置信息；
195.位于所述样本兴趣点周围第一预设范围内的其他兴趣点的位置信息；
196.位于所述样本兴趣点周围第一预设范围内与所述样本兴趣点相关联的对象的位置信息。
197.根据本公开的实施例，其中，所述基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预测模型，包括：
198.根据所述样本指定对象的位置信息与所述样本兴趣点的位置信息，提取用于表征该类型的样本指定对象和所述样本兴趣点的相对位置关系的样本地理位置特征；
199.从所述样本图像中，提取用于表征所述样本兴趣点与其周边地物要素的相对位置关系的样本图像位置特征；
200.将所述样本地理位置特征和样本图像位置特征输入所述预测模型，以最小化所述预测模型的输出与所述判别信息之间的损失函数为目标，训练所述预测模型。
201.本公开还公开了一种电子设备，图6示出根据本公开的实施例的电子设备的结构框图。
202.如图6所示，所述电子设备600包括存储器601和处理器602，其中，存储器601用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器602执行以实现根据本公开的实施例的方法。
203.本公开实施例提供了一种数据处理方法，包括：
204.获取兴趣点的位置信息；
205.根据所述兴趣点的位置信息，获取位于所述兴趣点周围第一预设范围内的指定对象的位置信息和拍摄范围覆盖所述兴趣点及其周围第二预设范围内地物要素的图像；
206.基于所述兴趣点的位置信息、所述指定对象的位置信息，以及所述图像，使用训练好的预测模型，预测所述兴趣点的位置信息是否准确。
207.根据本公开的实施例，其中，所述位于所述兴趣点周围第一预设范围内的指定对象的位置信息，包括以下至少一项：
208.位于所述兴趣点周围第一预设范围内的建筑物的位置信息；
209.位于所述兴趣点周围第一预设范围内的道路的位置信息；
210.位于所述兴趣点周围第一预设范围内的水系的位置信息；
211.位于所述兴趣点周围第一预设范围内的其他兴趣点的位置信息；
212.位于所述兴趣点周围第一预设范围内与所述兴趣点相关联的对象的位置信息。
213.根据本公开的实施例，其中：
214.所述建筑物的位置信息包括围绕所述建筑物的水平轮廓的多个采样点的位置信息；
215.所述道路的位置信息包括沿所述道路的多个采样点的位置信息；
216.所述水系的位置信息包括沿所述水系的多个采样点的位置信息；
217.所述与所述兴趣点相关联的对象的位置信息包括以下任意一种：导航目的地的位置信息、接入所述兴趣点的本地网络的设备定位位置信息、与所述兴趣点关联的地址的位置信息。
218.根据本公开的实施例，其中，所述基于所述兴趣点的位置信息、所述指定对象的位置信息，以及所述图像，使用训练好的预测模型，预测所述兴趣点的位置信息是否准确，包括：
219.根据所述指定对象的位置信息与所述兴趣点的位置信息，提取用于表征所述指定对象和所述兴趣点的相对位置关系的地理位置特征；
220.从所述图像中，提取用于表征所述兴趣点与其周边地物要素的相对位置关系的图像位置特征；
221.将所述地理位置特征和图像位置特征输入所述训练好的预测模型，以预测所述兴趣点的位置信息是否准确。
222.根据本公开的实施例，所述方法还包括：
223.获取样本兴趣点的位置信息和所述样本兴趣点的位置信息是否准确的判别信息；
224.根据所述样本兴趣点的位置信息，获取位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息和拍摄范围覆盖所述样本兴趣点及其周围第二预设范围内的样本图像；
225.基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预测模型。
226.本公开实施例还提供了一种预测模型训练方法，包括：
227.获取样本兴趣点的位置信息和所述样本兴趣点的位置信息是否准确的判别信息；
228.根据所述样本兴趣点的位置信息，获取位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息和拍摄范围覆盖所述样本兴趣点及其周围第二预设范围内的样本图像；
229.基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，
以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预测模型。
230.根据本公开的实施例，所述位于所述样本兴趣点周围第一预设范围内的样本指定对象的位置信息，包括以下至少一项：
231.位于所述样本兴趣点周围第一预设范围内的建筑物的位置信息；
232.位于所述样本兴趣点周围第一预设范围内的道路的位置信息；
233.位于所述样本兴趣点周围第一预设范围内的水系的位置信息；
234.位于所述样本兴趣点周围第一预设范围内的其他兴趣点的位置信息；
235.位于所述样本兴趣点周围第一预设范围内与所述样本兴趣点相关联的对象的位置信息。
236.根据本公开的实施例，其中，所述基于所述样本兴趣点的位置信息、所述样本指定对象的位置信息、所述样本图像，以及所述样本兴趣点的位置信息是否准确的判别信息，训练所述预测模型，包括：
237.根据所述样本指定对象的位置信息与所述样本兴趣点的位置信息，提取用于表征该类型的样本指定对象和所述样本兴趣点的相对位置关系的样本地理位置特征；
238.从所述样本图像中，提取用于表征所述样本兴趣点与其周边地物要素的相对位置关系的样本图像位置特征；
239.将所述样本地理位置特征和样本图像位置特征输入所述预测模型，以最小化所述预测模型的输出与所述判别信息之间的损失函数为目标，训练所述预测模型。
240.图7示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
241.如图7所示，计算机系统700包括处理单元701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行上述实施例中的各种处理。在ram 703中，还存储有系统700操作所需的各种程序和数据。处理单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
242.以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。其中，所述处理单元701可实现为cpu、gpu、tpu、fpga、npu等处理单元。
243.特别地，根据本公开的实施例，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在计算机可读存储介质上的计算机程序，所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。
244.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用
于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
245.描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
246.作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
247.以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。