本发明涉及地图渲染领域,尤其是基于深度学习的地图渲染天气效果技术。
背景技术:
1、在现代地图应用中,提供丰富的渲染效果和反馈对于提升用户体验至关重要。然而,在传统的地图应用中,对于天气变化,缺乏真实感,无法实现交互效果和反馈,使用户与地图之间的互动体验较为单一。现有技术中,一些方法可以实现天气模拟和交互效果的预测,然而,这些基于高精地图的天气交互效果和反馈中,存在一些问题:首先,现有方法缺乏对地图元素属性的考虑,无法提升天气交互效果和反馈的准确性和个性化程度。其次,现有方法往往缺乏对用户行为模式的深入分析和预测,无法根据用户的行为习惯提供精准的交互效果和反馈。
2、由于上述原因,现有技术导致预测结果的准确性和个性化程度有限。此外,传统方法对于大规模高精地图数据的处理效率较低,无法满足实时交互需求。
技术实现思路
1、为了解决上述技术缺陷,本申请实施例提供了一种基于深度学习的地图渲染天气效果的方法及装置,优化基于深度学习的高精地图中的天气交互效果和反馈。
2、本申请第一方面实施例提供一种基于深度学习的地图渲染天气效果的方法,包括步骤:
3、接收用户输入的目标位置;
4、从预存地图中提取所述目标位置的地图元素的属性;
5、根据所述目标位置当前天气状况,将所述目标位置的地图元素的属性与收集的用户的行为数据输入至预先构建的基于深度学习的神经网络模型,确定每个地图元素上的天气的属性效果;所述属性效果包括所述天气状况对应的以下至少之一:大小、密度、形状、颜色、运动路径和动态效果;
6、在所述地图上渲染出与所述目标位置和所述行为数据对应的天气的属性效果。
7、在其中一种可能的实现方式中,所述天气状况至少包括以下天气状况中的一种:刮风、降雨或降雪;
8、所述行为数据包括以下至少之一:用户的交互记录、行为模式、偏好信息。
9、在其中一种可能的实现方式中,所述方法还包括:
10、监测用户的交互动作,根据所述基于深度学习的神经网络模型的预测结果确定所述天气的属性效果对所述交互动作的反馈效果;
11、在所述天气的属性效果上叠加所述反馈效果确定每个地图元素上与所述交互动作对应的天气的属性效果;
12、在所述地图上渲染出与所述交互动作对应的天气的属性效果。
13、在其中一种可能的实现方式中,所述方法之前包括:
14、对所述基于深度学习的神经网络模型进行训练,所述基于深度学习的神经网络模型可以是以下模型中的任意一种:卷积神经网络、循环神经网络或深度生成网络模型;
15、对所述基于深度学习的神经网络模型进行训练包括:
16、从每个预存地图中获取对应的地图元素的属性,所述地图元素的属性包括:地形信息、道路网络信息和建筑物信息;
17、通过用户的交互记录或者其他交互手段收集多个用户的行为数据;
18、使用每个预存地图中获取对应的地图元素的属性和多个用户的行为数据对构建的基于深度学习的神经网络模型进行训练,通过反向传播算法优化所述基于深度学习的神经网络模型的参数,获得训练完成的基于深度学习的神经网络模型,以使所述基于深度学习的神经网络模型能够预测每种天气状况的属性效果。
19、在其中一种可能的实现方式中,确定每个地图元素上的天气的属性效果包括:
20、将所述目标位置当前天气状况、所述目标位置的地图元素的属性与收集的用户的行为数据输入至训练完成的基于深度学习的神经网络模型,通过前向传播算法获得所述基于深度学习的神经网络模型对每个地图元素上的天气的属性效果的预测结果。
21、在其中一种可能的实现方式中,获得所述基于深度学习的神经网络模型对每个地图元素上的天气的属性效果的预测结果包括以下之一:
22、当目标位置的天气状况为刮风时,根据用户的行为数据,以及当前风力大小及方向,确定每个地图元素对应的风力线的粗细、密度以及运动路径;
23、当目标位置的天气状况为降雨时,根据用户的行为数据,以及当前降雨量、风力大小及方向,确定每个地图元素对应的雨滴的大小、密度、下落方向、运动路径以及碰撞效果;
24、当目标位置的天气状况为降雪时,根据用户的行为数据,以及当前降雪量、风力大小及方向,确定每个地图元素对应的雪花的大小、密度、下落方向、运动路径。
25、在其中一种可能的实现方式中,所述方法还包括:
26、收集用户的反馈信息和行为数据,将其纳入到所述基于深度学习的神经网络模型的训练和优化过程中,更新所述基于深度学习的神经网络模型,以适应用户的行为数据。
27、本申请第二方面实施例还提供了一种基于深度学习的地图渲染天气效果的装置,包括:
28、输入模块,用于接收用户输入的目标位置;
29、显示模块,用于从预存地图中提取所述目标位置的地图元素的属性;
30、预测模块,用于根据所述目标位置当前天气状况,将所述目标位置的地图元素的属性与收集的用户的行为数据输入至预先构建的基于深度学习的神经网络模型,确定每个地图元素上的天气的属性效果;所述属性效果包括所述天气状况对应的以下至少之一:大小、密度、形状、颜色、运动路径和动态效果;
31、渲染模块,用于在所述地图上渲染出与所述目标位置和所述行为数据对应的天气的属性效果。
32、本申请第三方面实施例还提供了一种电子设备,包括:至少一个处理器和存储有计算机程序的存储器;当计算机程序被处理器读取并执行时,使得电子设备执行如上的基于深度学习的地图渲染天气效果的方法。
33、本申请第四方面实施例还提供了一种存储有计算机程序的可读存储介质,当计算机程序被电子设备读取并执行时,使得电子设备执行如上的基于深度学习的地图渲染天气效果的方法。
34、本申请实施例中提供的基于深度学习的地图渲染天气效果的方法及装置,利用深度学习技术进行天气状况模拟和交互效果的预测,对地图元素属性和用户行为模式的综合考虑,提升天气状况交互效果的准确性和个性化程度,同时提高大规模高精地图数据的处理效率。该方法结合地图元素属性和用户行为模式,利用深度学习技术进行天气状况交互效果的预测和反馈优化。
1.一种基于深度学习的地图渲染天气效果的方法,其特征在于,包括步骤:
2.如权利要求1所述的方法,其特征在于,所述天气状况至少包括以下天气状况中的一种:刮风、降雨或降雪;
3.如权利要求1或2所述的方法,其特征在于,所述方法还包括:
4.如权利要求2所述的方法,其特征在于,所述方法之前包括:
5.如权利要求4所述的方法,其特征在于,确定每个地图元素上的天气的属性效果包括:
6.如权利要求5所述的方法,其特征在于,获得所述基于深度学习的神经网络模型对每个地图元素上的天气的属性效果的预测结果包括以下之一:
7.如权利要求1或2所述的方法,其特征在于,所述方法还包括:
8.一种基于深度学习的地图渲染天气效果的装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括:
10.计算机可读存储介质,其特征在于,其上存储有计算机程序;所述计算机程序被处理器执行以实现如权利要求1至7中任一项所述的方法。