CN115373959A - 一种数据采集方法、装置、电子设备及介质 - Google Patents
一种数据采集方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN115373959A CN115373959A CN202211017282.7A CN202211017282A CN115373959A CN 115373959 A CN115373959 A CN 115373959A CN 202211017282 A CN202211017282 A CN 202211017282A CN 115373959 A CN115373959 A CN 115373959A
- Authority
- CN
- China
- Prior art keywords
- task execution
- current
- execution strategy
- target
- score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 137
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 238000013441 quality evaluation Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013523 data management Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3495—Performance evaluation by tracing or monitoring for systems
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种数据采集方法、装置、电子设备及介质。包括:根据当前所采集数据和当前任务执行策略确定目标分数,当前设定算法为上一次得到的优化后的设定算法;根据目标分数、当前任务执行策略以及设定任务执行策略,确定目标任务执行策略;基于目标任务执行策略优化当前设定算法得到优化后的设定算法,优化后的设定算法用于生成下一次的任务执行策略。该方法通过当前所采集数据、当前任务执行策略和设定任务执行策略,能够确定用于优化当前设定算法的目标任务执行策略,使得优化后的当前设定算法用于下一次任务执行策略的生成,从而不断优化了下一次数据的采集,进而提高了数据采集的效率和可靠性。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种数据采集方法、装置、电子设备及介质。
背景技术
近年来,随着大数据、人工智能、云计算等的快速发展,无人化和智能化的设备也随之出现。这些设备的研制或者研发过程中,需要采集大量的测试数据以进行研究。
目前,数据采集的方法是根据数据使用人员所输入的任务需求直接进行采集,数据采集方法相对比较单一,从而导致所采集的数据可能会出现冗余或者数据不合格等现象,数据重复使用率较低,进而造成了数据采集资源的浪费问题,影响了数据采集的效率和可靠性。
发明内容
本发明实施例提供了一种数据采集方法、装置、电子设备及介质,以提高数据采集的效率和可靠性。
根据本发明实施例的一方面,提供了一种数据采集方法,包括:
根据当前所采集数据和当前任务执行策略确定目标分数,其中,所述目标分数为所述当前任务执行策略对应的质量评估分数,所述当前任务执行策略为通过当前设定算法所生成的任务执行策略,所述当前所采集数据为基于所述当前任务执行策略采集的数据,所述当前设定算法为上一次得到的优化后的设定算法;
根据所述目标分数、所述当前任务执行策略以及设定任务执行策略,确定目标任务执行策略;
基于所述目标任务执行策略优化所述当前设定算法,得到优化后的设定算法,所述优化后的设定算法用于生成下一次的任务执行策略。
根据本发明实施例的另一方面,提供了一种数据采集装置,包括:
分数确定模块,用于根据当前所采集数据和当前任务执行策略确定目标分数,其中,所述目标分数为所述当前任务执行策略对应的质量评估分数,所述当前任务执行策略为通过当前设定算法所生成的任务执行策略,所述任务执行策略用于采集数据;
策略确定模块,用于根据所述目标分数、所述当前任务执行策略以及设定任务执行策略,确定目标任务执行策略;
优化模块,用于基于所述目标任务执行策略优化所述当前设定算法,得到优化后的设定算法,所述优化后的设定算法用于生成下一次的任务执行策略。
根据本发明实施例的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的数据采集方法。
根据本发明实施例的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的数据采集方法。
本发明实施例的技术方案,首先根据当前所采集数据和当前任务执行策略确定目标分数,其中,目标分数为当前任务执行策略对应的质量评估分数,当前任务执行策略为通过当前设定算法所生成的任务执行策略,当前所采集数据为基于当前任务执行策略采集的数据,当前设定算法为上一次得到的优化后的设定算法;然后根据目标分数、当前任务执行策略以及设定任务执行策略,确定目标任务执行策略;最后基于目标任务执行策略优化当前设定算法,得到优化后的设定算法,优化后的设定算法用于生成下一次的任务执行策略。该方法通过当前所采集数据、当前任务执行策略和设定任务执行策略,能够确定用于优化当前设定算法的目标任务执行策略,使得优化后的当前设定算法用于下一次任务执行策略的生成,从而不断优化了下一次数据的采集,进而提高了数据采集的效率和可靠性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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为本发明实施例一提供的一种数据采集方法的流程图;
图2为本发明实施例二提供的一种数据采集方法的流程图;
图3为本发明实施例三提供的一种数据采集装置的结构示意图;
图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“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,以便这里描述的本发明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、***、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。
实施例一
图1为本发明实施例一提供的一种数据采集方法的流程图,本实施例可适用于对数据进行采集,以提高数据采集的效率和可靠性的情况,该方法可以由数据采集装置来执行,该数据采集装置可以采用硬件和/或软件的形式实现,该数据采集装置可配置于电子设备中,在本实施例中电子设备包括但不限于:台式计算机、笔记本电脑和服务器等设备。如图1所示,该方法包括:
S110、根据当前所采集数据和当前任务执行策略确定目标分数,其中,所述目标分数为所述当前任务执行策略对应的质量评估分数,所述当前任务执行策略为通过当前设定算法所生成的任务执行策略,所述当前所采集数据为基于所述当前任务执行策略采集的数据,所述当前设定算法为上一次得到的优化后的设定算法。
本实施例中,当前所采集数据可理解为基于当前任务执行策略所采集的数据;此处对当前所采集数据不作具体限定,如可以包括图像数据、视频数据、天气数据、温度数据以及所使用设备的自身参数数据等。
当前任务执行策略可理解为通过当前设定算法所生成的任务执行策略,当前任务执行策略用于执行当前所输入的任务;任务执行策略可理解为用于执行所输入任务的策略,所输入任务可以为用户所输入的与采集数据所关联的任务,此处对所输入任务的具体内容不作具体限定,如可以是采集海洋某处的水质数据,或者是检测某设备(如无人船)自身的抖动情况数据等任务。此处对当前任务执行策略的具体内容也不作具体限定,如针对检测某设备(如无人船)自身的抖动情况数据任务,所对应的当前任务执行策略可以包括无人船型号、行驶路线、用于感知抖动的传感器型号以及传感器数量等。
当前设定算法可理解为上一次得到的优化后的设定算法。设定算法可理解为预先设定的已训练好的,用于生成任务执行策略的算法;此处对设定算法不作具体限定,如可以是基于深度学习的人工智能(Artificial Intelligence,AI)算法。可理解的是,在采集数据的过程中,可以基于当前所采集的数据和当前任务执行策略等信息来优化当前所采用的设定算法,以用于下一次数据的采集,故当前设定算法可以为上一次所得到的优化后的设定算法。需要说明的是,若是初次利用设定算法采集数据,则所使用的设定算法为初始时的已训练好的设定算法;在此基础上利用初始的设定算法采集数据,基于所采集数据等信息优化当前初始算法以得到下一次(即第二次)采集数据时所使用的设定算法,以此类推,每次所使用的设定算法可以为上一次优化后的设定算法。
目标分数可理解为当前任务执行策略所对应的质量评估分数;质量评估分数可理解为对基于当前任务执行策略采集数据的质量情况进行评估的分数;也就是说,可以根据当前任务执行策略所对应采集的数据的质量情况来确定当前任务执行策略的质量情况,如当前所采集数据质量较优,则当前任务执行策略的质量就较优。
根据当前所采集数据和当前任务执行策略可以确定目标分数。此处对如何确定目标分数不作限定;如可以是根据当前所采集数据对当前任务执行策略进行评分,得到一个对应的分数,具体如可以将当前所采集数据和当前任务执行策略作为输入数据,输入至一个用于对任务执行策略质量进行自动评分的,已训练好的学习模型(此处对该学习模型不作具体限定)中,以输出得到对应的分数;然后获取到一个人工评分分数(如可以是相关技术人员依据相关经验,基于当前所采集数据和当前任务执行策略所人工评分得到的分数);最后基于这个学习模型所得到的分数和所获取的人工评分分数得到对应的目标分数,如可以是将学习模型所得到的分数和人工评分分数进行加权求和计算得到目标分数,其中权重的设置可以根据实际需求进行灵活设置,此处对此不作限定。
S120、根据所述目标分数、所述当前任务执行策略以及设定任务执行策略,确定目标任务执行策略。
本实施例中,设定任务执行策略可理解为预先设定的与当前任务执行策略所关联的最优任务执行策略;此处对设定任务执行策略不作具体限定,如可以是基于当前任务执行策略自动生成的,也可以是基于当前用户所输入的关联信息所生成的(如用户对当前任务执行策略中多个任务执行策略参数进行修改后的信息,此处不作限定)。
目标任务执行策略可理解为优化后的任务执行策略。根据目标分数、当前任务执行策略以及设定任务执行策略,可以确定目标任务执行策略。
此处对如何确定目标任务执行策略不作具体限定。如可以是预先设定一个已训练好的,用于确定目标任务执行策略的神经网络(此处对所采用的神经网络不作限定,如可以是生成对抗网络);在此基础上,可以将目标分数、当前任务执行策略以及设定任务执行策略作为输入数据,输入至预先设定的生成对抗网络中,以得到对应的目标任务执行策略,此时可认为这个目标任务执行策略是无限逼近设定任务执行策略的任务执行策略,相当于是对当前任务执行策略进行了优化后得到的任务执行策略;此处对生成对抗网络如何生成目标任务执行策略的具体原理不作具体描述和限定。
S130、基于所述目标任务执行策略优化所述当前设定算法,得到优化后的设定算法,所述优化后的设定算法用于生成下一次的任务执行策略。
本实施例中,在确定目标任务执行策略之后,可以基于目标任务执行策略优化当前设定算法,以得到优化后的设定算法以用于生成下一次的任务执行策略。
此处对如何基于目标任务执行策略优化当前设定算法不作具体限定。如可以是将目标任务执行策略作为用于优化当前设定算法的输入数据,输入至当前设定算法中,以得到对应的衰减因子,衰减因子可理解为与训练网络算法的学习精度所关联的参数(如可以为0.1);将当前设定算法中用于生成任务执行策略所需的权重与衰减因子之间的乘积确定为一个权重,将当前设定算法中用于生成任务执行策略所需的权重替换为这个所确定的权重,得到优化后的设定算法。此处对当前设定算法如何基于所输入的目标任务执行策略得到衰减因子不作限定。
本发明实施例,首先根据当前所采集数据和当前任务执行策略确定目标分数,其中,目标分数为当前任务执行策略对应的质量评估分数,当前任务执行策略为通过当前设定算法所生成的任务执行策略,当前所采集数据为基于当前任务执行策略采集的数据,当前设定算法为上一次得到的优化后的设定算法;然后根据目标分数、当前任务执行策略以及设定任务执行策略,确定目标任务执行策略;最后基于目标任务执行策略优化当前设定算法,得到优化后的设定算法,优化后的设定算法用于生成下一次的任务执行策略。该方法通过当前所采集数据、当前任务执行策略和设定任务执行策略,能够确定用于优化当前设定算法的目标任务执行策略,使得优化后的当前设定算法用于下一次任务执行策略的生成,从而不断优化了下一次数据的采集,进而提高了数据采集的效率和可靠性。
实施例二
图2为本发明实施例二提供的一种数据采集方法的流程图,本实施例二在上述各实施例的基础上进行细化。在本实施例中,对根据当前所采集数据和当前任务执行策略确定目标分数的过程,根据所述目标分数、所述当前任务执行策略以及设定任务执行策略,确定目标任务执行策略的过程,以及基于所述目标任务执行策略优化所述当前设定算法,得到优化后的设定算法的过程进行了具体描述。需要说明的是,未在本实施例中详尽描述的技术细节可参见上述任意实施例。如图2所示,该方法包括:
S210、根据当前所采集数据对当前任务执行策略进行评分,得到第一分数。
本实施例中,第一分数可理解为根据当前所采集数据对当前任务执行策略的质量进行自动评分所得到的分数。
此处对如何根据当前所采集数据对当前任务执行策略进行评分,得到第一分数不作具体限定。如可以将当前所采集数据和当前任务执行策略作为输入数据,输入至一个用于对任务执行策略质量进行自动评分的,已训练好的学习模型(此处对该学习模型不作具体限定)中,以输出得到对应的第一分数。
S220、基于第一分数和第二分数确定目标分数,其中,第二分数为当前所采集数据对应的人工评分分数。
本实施例中,第二分数可理解为当前所采集数据对应的人工评分分数,也就是说基于当前所采集数据的质量对当前任务执行策略的质量进行的一个人工评分分数;第二分数可以为所获取的用户所输入的评分分数。
此处对如何基于第一分数和第二分数确定目标分数不作具体限定。如可以分别为第一分数和第二分数,预先设定一个对应的权重,按照所对应权重对第一分数和第二分数进行加权求和以得到对应的目标分数。
可选的,基于第一分数和第二分数确定目标分数,包括:按照设定权重对第一分数和第二分数进行加权求和,得到目标分数。
本实施例中,设定权重可理解为预先设定的权重;此处对设定权重不作具体限定,如第一分数和第二分数所对应的权重可以是相同的,也可以是不同的。
S230、将目标分数、当前任务执行策略以及设定任务执行策略作为输入数据,输入至设定生成对抗网络中,得到对应的目标任务执行策略。
本实施例中,生成对抗网络可认为是一个基于深度学习的神经网络;是指用于生成无限逼近所输入设定样本的结果的神经网络。设定生成对抗网络可理解为预先训练好的用于生成目标任务执行策略的神经网络;其中设定任务执行策略可认为是所输入设定样本,目标任务执行策略可认为是以当前任务执行策略为基础的无限逼近于设定任务执行策略的任务执行策略。
将目标分数、当前任务执行策略以及设定任务执行策略作为输入数据,输入至设定生成对抗网络中,可以得到对应的目标任务执行策略。此处对如何生成目标任务执行策略不作具体限定,如将目标分数、当前任务执行策略以及设定任务执行策略作为输入数据,输入至设定生成对抗网络中之后,由于设定任务执行策略其中可包含对应的分数(如100分),目标分数(如80分)低于设定任务执行策略对应的分数,基于两分数之间的差值可以得知优化当前任务执行策略的逼近程度,在此基础上,可以以当前任务执行策略为基础,不断的处理当前任务执行策略,以使得处理后的当前任务执行策略无限逼近设定任务执行策略,以得到目标任务执行策略。
S240、将目标任务执行策略作为输入数据输入至当前设定算法中,得到衰减因子。
本实施例中,将所确定的目标任务执行策略作为输入数据输入至当前设定算法中,可以得到对应的衰减因子。此处对如何得到衰减因子不作具体限定,如当前设定算法已提前训练好如何基于一个输入的任务执行策略生成一个衰减因子(此处对如何训练当前设定算法不作限定),当目标任务执行策略作为输入数据输入至当前设定算法时,可以生成对应的衰减因子。
S250、基于衰减因子和当前设定算法确定优化后的设定算法。
本实施例中,对如何基于衰减因子和当前设定算法确定优化后的设定算法不作具体限定。如可以将当前设定算法中用于生成任务执行策略所需的权重与衰减因子之间的乘积确定为一个权重,将当前设定算法中用于生成任务执行策略所需的权重替换为这个所确定的权重,以得到优化后的设定算法。优化后的设定算法可以用于生成下一次的任务执行策略。
可选的,基于衰减因子和所当前设定算法确定优化后的设定算法,包括:将当前设定算法中生成任务执行策略所需的权重与衰减因子的乘积确定为目标权重;将当前设定算法中生成任务执行策略所需的权重替换为目标权重,以得到优化后的设定算法。
本实施例中,目标权重可理解为优化后的生成任务执行策略所需的权重。可以将当前设定算法中生成任务执行策略所需的权重与衰减因子的乘积确定为目标权重;在此基础上,可以将当前设定算法中生成任务执行策略所需的权重替换为目标权重,以得到优化后的设定算法,即优化后的设定算法中生成任务执行策略所需的权重变为了目标权重。
本实施例,具体化了根据当前所采集数据和当前任务执行策略确定目标分数的过程,根据所述目标分数、所述当前任务执行策略以及设定任务执行策略,确定目标任务执行策略的过程,以及基于所述目标任务执行策略优化所述当前设定算法,得到优化后的设定算法的过程。该方法通过当前所采集数据和当前任务执行策略可以确定目标分数,根据目标分数、当前任务执行策略和设定任务执行策略,能够确定用于优化当前设定算法的目标任务执行策略,使得优化后的当前设定算法用于下一次任务执行策略的生成,从而不断优化了下一次数据的采集,进而提高了数据采集的效率和可靠性。
可选的,根据当前所采集数据和当前任务执行策略确定目标分数,包括:根据当前任务执行策略采集数据,得到当前所采集数据;对当前所采集数据进行数据清洗处理,得到处理后的当前所采集数据;基于处理后的当前所采集数据和当前任务执行策略确定目标分数。
本实施例中,数据清洗处理可理解为对数据进行重新审查和校验等的处理过程,目的在于删除重复信息、纠正存在的错误等,并提供数据一致性。
根据当前任务执行策略采集数据,可以得到当前所采集数据;此处对如何根据当前任务执行策略采集数据不作具体限定,如可以根据当前任务执行策略控制对应的设备(如海上无人驾驶设备以及设备上的传感器等)等实现数据的采集。对当前所采集数据进行数据清洗处理,得到处理后的当前所采集数据;在此基础上,可以基于处理后的当前所采集数据和当前任务执行策略确定目标分数。
以下对本发明进行示例性说明。
第一部分:无人船数据采集的终端节点,其中包含以下模块:
数据采集端:水下声呐模块、水上激光雷达模块、水上毫米波雷达模块、被动式红外相机模块、被动式环境光学相机模块、以及双目视觉模块;
终端控制端:包含多源传感器数据的收集模块;上述数据采集端的各个模块的开关、频率等控制模块,电源、路径规划以及动力***的控制模块,数据的本地化缓存和远程数据共享的数据缓存模块。
第二部分:是数据采集流程。主要可以解决数据采集过程中避免出现大量无效数据采集任务而导致的人力资源和财力资源的双重浪费。在进行首次执行数据采集任务时,需要进行初始化配置、路径规划以及数据采集端中各个模块的激活设置等操作,从而完成对数据的初步采集。采集完成后,相关技术人员可以对相关测试人员所采集的数据进行不同维度的人工评价打分(即第二分数);以便于在后续非首次的数据采集过程中,在定义任务属性和任务内容(即相关技术人员所输入的与数据采集所关联的任务信息)后,通过AI学习能力(即设定算法),推荐出尽可能合理、高效的数据采集地点、采集温度、采集天气以及采集路线等用于数据采集的执行策略(即任务执行策略)。
第三部分:本发明实施例提供了一种数据采集***,该***可以用于与海上无人船驾驶(即海驾)所关联数据的采集,可包括:海驾测试结果提交模块(测试结果可理解为与海驾测试所关联的采集数据)、海驾测试内容分发模块、海驾测试数据清洗模块、海驾测试评价模块和海驾测试策略模块,以用于解决数据采集人员、数据管理人员以及数据使用人员之间的低效的数据采集与处理流程,提高整个数据采集和使用的运转效率。海驾测试结果提交模块可以用于供数据测试人员明确海驾测试内容,测试场景,测试时长以及测试路线等(即可认为是明确任务执行策略的具体内容)。海驾测试分发模块可以用于供数据使用人员提供任务输入(如供数据使用人员提交海驾测试的相关任务信息)和获取所采集数据的接口;还可以用于基于预先设定的AI算法和数据使用人员所输入的任务信息,智能化确定所对应的任务执行策略。海驾测试清洗模块可以用于对所采集的数据进行数据清洗处理,如可以对所采集的数据进行合理化分割、按照一定的定义规则去做冗余处理等,使数据使用人员所最终拿到的数据较大的符合所对应任务的需求。海驾测试策略模块可以用于是对任务执行策略进行学习和优化,以得到优化后的设定算法用于后续的任务执行策略的生成。
本发明通过将数据采集的终端、数据需求处理的终端以及数据管理的终端三者之间进行联合,进行数据(如海驾数据)的智能化采集;降低了数据采集的人力和物力资源的浪费,提高的数据采集的质量,打破了传统点对点数据采集的模式,将数据采集过程互联互通,实现了数据共享等。
实施例三
图3为本发明实施例三提供的一种数据采集装置的结构示意图。如图3所示,该装置包括:
分数确定模块310,用于根据当前所采集数据和当前任务执行策略确定目标分数,其中,所述目标分数为所述当前任务执行策略对应的质量评估分数,所述当前任务执行策略为通过当前设定算法所生成的任务执行策略,所述任务执行策略用于采集数据;
策略确定模块320,用于根据所述目标分数、所述当前任务执行策略以及设定任务执行策略,确定目标任务执行策略;
优化模块330,用于基于所述目标任务执行策略优化所述当前设定算法,得到优化后的设定算法,所述优化后的设定算法用于生成下一次的任务执行策略。
本发明实施例,首先通过分数确定模块310,根据当前所采集数据和当前任务执行策略确定目标分数,其中,目标分数为当前任务执行策略对应的质量评估分数,当前任务执行策略为通过当前设定算法所生成的任务执行策略,当前所采集数据为基于当前任务执行策略采集的数据,当前设定算法为上一次得到的优化后的设定算法;然后通过策略确定模块320,根据目标分数、当前任务执行策略以及设定任务执行策略,确定目标任务执行策略;最后通过优化模块330,基于目标任务执行策略优化当前设定算法,得到优化后的设定算法,优化后的设定算法用于生成下一次的任务执行策略。该装置通过当前所采集数据、当前任务执行策略和设定任务执行策略,能够确定用于优化当前设定算法的目标任务执行策略,使得优化后的当前设定算法用于下一次任务执行策略的生成,从而不断优化了下一次数据的采集,进而提高了数据采集的效率和可靠性。
可选的,分数确定模块310,包括:
评分单元,用于根据所述当前所采集数据对所述当前任务执行策略进行评分,得到第一分数;
分数确定单元,用于基于所述第一分数和第二分数确定目标分数,其中,所述第二分数为所述当前所采集数据对应的人工评分分数。
可选的,分数确定单元,包括:
加权子单元,用于按照设定权重对所述第一分数和所述第二分数进行加权求和,得到目标分数。
可选的,策略确定模块320,包括:
策略确定单元,用于将所述目标分数、所述当前任务执行策略以及设定任务执行策略作为输入数据,输入至设定生成对抗网络中,得到对应的目标任务执行策略。
可选的,优化模块330,包括:
因子确定单元,用于将所述目标任务执行策略作为输入数据输入至所述当前设定算法中,得到衰减因子;
优化单元,用于基于所述衰减因子和所述当前设定算法确定优化后的设定算法。
可选的,优化单元,包括:
权重确定子单元,用于将所述当前设定算法中生成任务执行策略所需的权重与所述衰减因子的乘积确定为目标权重;
优化子单元,用于将所述当前设定算法中生成任务执行策略所需的权重替换为所述目标权重,以得到优化后的设定算法。
可选的,分数确定模块310,包括:
采集单元,用于根据当前任务执行策略采集数据,得到当前所采集数据;
处理单元,用于对所述当前所采集数据进行数据清洗处理,得到处理后的当前所采集数据;
目标数确定单元,用于基于所述处理后的当前所采集数据和所述当前任务执行策略确定目标分数。
本发明实施例所提供的数据采集装置可执行本发明任意实施例所提供的数据采集方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如数据采集方法。
在一些实施例中,数据采集方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的数据采集方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据采集方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种数据采集方法,其特征在于,所述方法包括:
根据当前所采集数据和当前任务执行策略确定目标分数,其中,所述目标分数为所述当前任务执行策略对应的质量评估分数,所述当前任务执行策略为通过当前设定算法所生成的任务执行策略,所述当前所采集数据为基于所述当前任务执行策略采集的数据,所述当前设定算法为上一次得到的优化后的设定算法;
根据所述目标分数、所述当前任务执行策略以及设定任务执行策略,确定目标任务执行策略;
基于所述目标任务执行策略优化所述当前设定算法,得到优化后的设定算法,所述优化后的设定算法用于生成下一次的任务执行策略。
2.根据权利要求1所述的方法,其特征在于,所述根据当前所采集数据和当前任务执行策略确定目标分数,包括:
根据所述当前所采集数据对所述当前任务执行策略进行评分,得到第一分数;
基于所述第一分数和第二分数确定目标分数,其中,所述第二分数为所述当前所采集数据对应的人工评分分数。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一分数和第二分数确定目标分数,包括:
按照设定权重对所述第一分数和所述第二分数进行加权求和,得到目标分数。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标分数、所述当前任务执行策略以及设定任务执行策略,确定目标任务执行策略,包括:
将所述目标分数、所述当前任务执行策略以及设定任务执行策略作为输入数据,输入至设定生成对抗网络中,得到对应的目标任务执行策略。
5.根据权利要求1所述的方法,其特征在于,所述基于所述目标任务执行策略优化所述当前设定算法,得到优化后的设定算法,包括:
将所述目标任务执行策略作为输入数据输入至所述当前设定算法中,得到衰减因子;
基于所述衰减因子和所述当前设定算法确定优化后的设定算法。
6.根据权利要求5所述的方法,其特征在于,所述基于所述衰减因子和所述当前设定算法确定优化后的设定算法,包括:
将所述当前设定算法中生成任务执行策略所需的权重与所述衰减因子的乘积确定为目标权重;
将所述当前设定算法中生成任务执行策略所需的权重替换为所述目标权重,以得到优化后的设定算法。
7.根据权利要求1所述的方法,其特征在于,所述根据当前所采集数据和当前任务执行策略确定目标分数,包括:
根据当前任务执行策略采集数据,得到当前所采集数据;
对所述当前所采集数据进行数据清洗处理,得到处理后的当前所采集数据;
基于所述处理后的当前所采集数据和所述当前任务执行策略确定目标分数。
8.一种数据采集装置,其特征在于,所述装置包括:
分数确定模块,用于根据当前所采集数据和当前任务执行策略确定目标分数,其中,所述目标分数为所述当前任务执行策略对应的质量评估分数,所述当前任务执行策略为通过当前设定算法所生成的任务执行策略,所述任务执行策略用于采集数据;
策略确定模块,用于根据所述目标分数、所述当前任务执行策略以及设定任务执行策略,确定目标任务执行策略;
优化模块,用于基于所述目标任务执行策略优化所述当前设定算法,得到优化后的设定算法,所述优化后的设定算法用于生成下一次的任务执行策略。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的数据采集方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的数据采集方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211017282.7A CN115373959A (zh) | 2022-08-23 | 2022-08-23 | 一种数据采集方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211017282.7A CN115373959A (zh) | 2022-08-23 | 2022-08-23 | 一种数据采集方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115373959A true CN115373959A (zh) | 2022-11-22 |
Family
ID=84067372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211017282.7A Pending CN115373959A (zh) | 2022-08-23 | 2022-08-23 | 一种数据采集方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115373959A (zh) |
-
2022
- 2022-08-23 CN CN202211017282.7A patent/CN115373959A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114494776A (zh) | 一种模型训练方法、装置、设备以及存储介质 | |
CN115113528B (zh) | 神经网络模型的运行控制方法、装置、设备及介质 | |
CN114721345A (zh) | 基于强化学习的工业控制方法、装置、***和电子设备 | |
CN114065864A (zh) | 联邦学习方法、联邦学习装置、电子设备以及存储介质 | |
CN114818913A (zh) | 决策生成方法和装置 | |
CN113409884B (zh) | 排序学习模型的训练方法及排序方法、装置、设备及介质 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN113961765A (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN115373959A (zh) | 一种数据采集方法、装置、电子设备及介质 | |
CN115563507A (zh) | 可再生能源发电场景的生成方法、装置及设备 | |
CN113222414B (zh) | 模型稳定性的评估方法、装置、电子设备和存储介质 | |
CN114999665A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN111325350B (zh) | 可疑组织发现***和方法 | |
CN113326885A (zh) | 训练分类模型和数据分类的方法及装置 | |
CN112784912A (zh) | 图像识别方法及装置、神经网络模型的训练方法及装置 | |
US12038989B2 (en) | Methods for community search, method for training community search model, and electronic device | |
CN114547417B (zh) | 一种媒体资源排序方法及电子设备 | |
CN115858621A (zh) | 用户行为预测方法、装置、电子设备及存储介质 | |
CN114037058B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN116304314A (zh) | 资源召回方法、装置、电子设备及存储介质 | |
CN114926447A (zh) | 用于训练模型的方法、用于检测目标的方法和装置 | |
CN114912541A (zh) | 分类方法、装置、电子设备和存储介质 | |
CN116433984A (zh) | 分类模型训练、平稳分类方法、装置、设备、介质及产品 | |
CN117952709A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN115034509A (zh) | 数据处理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |