具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本申请一些实施例所示的自动驾驶车辆的调度系统的应用场景示意图。调度系统100可以是用于运输服务的在线运输服务平台。例如，网约车服务、出租车呼叫服务、货物运送服务、接驳服务等。如图1所示，自动驾驶车辆的调度系统100可以包括服务器110、网络120、请求者终端130、车辆140、存储器150和定位系统160。

服务器110可以处理从系统100的至少一个组件(例如，请求者终端130、车辆140、存储器150和定位系统160)或外部数据源(例如，云数据中心)获取的数据和/或信息。例如，服务器110可以从请求者终端130接受服务订单。又例如，服务器110还可以从存储器150获取历史数据。又例如，服务器110可以从车辆140获取车辆的实时位置。

在一些实施例中，服务器110可以包括处理设备112。处理设备112可以处理与自动驾驶车辆的调度的系统相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如，处理设备112可以基于运力情况确定调度指令，并将调度指令发送至目标自动驾驶车辆，指示目标调度车辆从非热点区域行驶至热点区域。

网络120可以提供信息交换的渠道。在一些实施例中，网络120可以包括一个或多个网络接入点。系统100的一个或多个部件可以通过接入点连接到网络120以交换数据和/或信息。在一些实施例中，系统100中的至少一个组件可以经由网络120访问存储在存储器150中的数据或指令。

请求者终端130可以指用户所使用的一个或多个终端设备或软件。请求者终端130可以处理与服务订单相关联的信息和/或数据来执行在本说明书中揭示的一个或者多个功能。例如，服务请求者可以通过请求者终端130向服务器110发送服务请求订单。在一些实施例中，请求者终端130可以包括移动装置、平板计算机、膝上型计算机、在机动车辆中之内置装置等中的一种或多种组合。

车辆140是指可用于调度系统100的运输服务的自动驾驶车辆。在本申请中，自动驾驶车辆可以指通过车内计算机系统自动控制车辆完成特定操作(例如，行驶、泊车、灯光控制等)的智能汽车。在本申请中，车辆140可以包括全自动驾驶车辆和/或无人驾驶和有人驾驶两用车辆。在一些实施例中，车辆140可以接收服务器110发出的指令，并依照指令完成对应的任务，例如，加油、充电、送修、接单、被调度等任务。车辆140可以包括任意类型的汽车，例如，轿车、越野车、商务车、货车、大巴车等或其任意组合。

在一些实施例中，存储器150可以存储处理设备112可以执行或使用以完成本说明书描述的示例性方法的数据和/或指令。例如，存储器150可以存储车辆140的位置信息、历史热力图、调度指令、车辆140的车辆信息等。又例如，存储器150可以存储用于生成热力图和/或调度指令的程序和/或软件。在一些实施例中，存储器150可以作为后端存储器直接连接到服务器110。在一些实施例中，存储器150可以是服务器110、请求者终端130和/或车辆140的一部分。

定位系统160可以确定车辆140的当前位置。在一些实施例中，定位系统160可以包括全球定位系统(GPS)、全球导航卫星系统(GLONASS)、北斗导航系统、伽利略定位系统(Galileo)、准天顶卫星系统(QAZZ)等中的一种或多种的组合。在一些实施例中，定位系统可以包括一个或多个人造卫星，例如，卫星160-1，卫星160-2，卫星160-3。定位系统160可以通过，例如，无线连接，将车辆140的当前位置发送至网络120或车辆140。

图2是根据本申请一些实施例所示的示例性处理设备的模块图。如图2所示，该系统200可以包括：位置信息获取模块210、确定模块220、车辆信息获取模块230、选择模块240、调度模块250。

位置信息获取模块210可以用于通过网络(例如，网络120)获取目标区域内的至少一辆自动驾驶车辆(例如，车辆140)的位置信息。

确定模块220可以用于根据所述至少一辆自动驾驶车辆的位置信息，确定所述目标区域的热点区域和非热点区域。在一些实施例中，确定模块220可以对目标区域进行区域划分，将目标区域划分为多个分区。对于每个分区，确定模块220可以基于与该分区相关的可用自动驾驶车辆(简称“可用车辆”)数量和与该分区相关的待处理订单数量确定该分区的热度信息。根据热度信息，确定模块220可以确定该分区是热点区域还是非热点区域。在一些实施例中，确定模块210还可以用于：以蜂窝式热力图展示热点区域和非热点区域。

车辆信息获取模块230可以用于通过网络(例如，网络120)获取至少一辆候选自动驾驶车辆(简称“候选车辆”)的车辆信息，所述至少一辆候选自动驾驶车辆位于所述非热点区域。

选择模块240可以用于根据所述至少一辆候选自动驾驶车辆的车辆信息，在所述至少一辆候选自动驾驶车辆中确定至少一辆目标自动驾驶车辆(简称“目标车辆”)。在一些实施例中，选择模块240还可以用于：根据调度预设条件从所述至少一辆候选自动驾驶车辆中选择所述至少一辆目标自动驾驶车辆。在一些实施例中，对于每一辆所述候选车辆，选择模块240可以基于所述车辆信息，通过目标确定模型确定所述候选车辆的适合度。选择模块240可以根据至少一辆候选自动驾驶车辆的适合度，确定所述至少一辆目标自动驾驶车辆。在一些实施例中，对所述至少一辆目标自动驾驶车辆的每一辆，选择模块240可以基于位置信息和当前时间，确定所述目标车辆的可派单属性。

调度模块250可以用于向所述至少一辆目标自动驾驶车辆发送调度指令，所述调度指令可以指示所述至少一辆目标自动驾驶车辆从所述非热点区域行驶至所述热点区域。

图3是根据本申请一些实施例所示的自动驾驶车辆的调度方法的示例性流程图。在一些实施例中，流程300可以由服务器110(例如，处理设备112、处理器620和/或图2中描述的一个或多个模块)执行。

步骤310，通过网络(例如，网络120)获取目标区域内的至少一辆自动驾驶车辆(例如，车辆140)的位置信息。

目标区域可以指车辆140提供服务的地理范围。例如，目标区域可以包括一个或多个行政区域。作为示例，目标区域可以包括北京。作为又一示例，目标区域可以包括北京市海淀区。作为又一示例，目标区域可以包括北京和张家口。

所述位置信息可以包括由定位系统160定位到的车辆140的实时位置。车辆140可以通过网络120将位置信息发送到处理设备112。所述位置信息可以包括位置坐标(例如，可以用经纬度表示)、海拔、速度、加速度、方向，对应时间等中的一种或几种的组合。

步骤320，根据所述至少一辆自动驾驶车辆的位置信息，确定所述目标区域的热点区域和非热点区域。

在一些实施例中，可以对目标区域进行区域划分，将目标区域划分为多个分区。所述区域划分可以是均匀的划分、或是不均匀的划分。例如，将一个区域以长、宽均为1千米的网格进行均分。又例如，将面积较大的湖泊等车辆无法通行的地带划分为一个区域，将陆地部分进行均匀划分。再例如，一个区域可以有一个或多个中心，从一个中心向外不均匀地划分，靠近中心的部分间隔小，远离中心的部分间隔大。在一些实施例中，区域中的位置可以连续也可以不连续。例如，将由一条河流间隔的区域划入同一个分区，而该河流被划入另外一个分区。在一些实施例中，所述区域划分可以是一次完成，也可以是多次划分结果的综合。例如，在前一次划分结果的基础上，按照一些条件对区域进行合并或再划分。又例如，在使用划分结果的过程中，可以根据实际需要不断调整划分结果。区域的表示方法可以包括但不限于用坐标点进行描述、用经纬度进行描述和/或其他可以确定一个位置信息的方式进行描述。

在一些实施例中，可以按照网格进行区域划分。例如，可以将目标区域划分为等大小的正方形或正六边形(蜂窝形状)等。在一些实施例中，可以按照簇进行区域划分。例如，可以根据位置信息，将车辆140的实时位置进行聚类，以形成不同的分区。又例如，可以将目标区域的待分配订单的上车点进行聚类，以形成不同的分区。在一些实施例中，可以按照特定规则(例如，行政区域、地理信息)进行区域划分。其中，所述行政区域包括但不限于省、市、县、乡、镇、街道等中的一种或多种。例如，目标区域为北京，可以将海淀区划分为一个分区。所述地理信息可以包括但不限于地貌、气象、降水、地质、水文信息等中的一种或多种。例如，可以将平均海拔在特定阈值范围内的位置划分入一个分区。

以上对区域划分方法的描述仅仅是具体的示例，不应被视为是唯一可行的实施方案。显然，对于本领域的专业人员来说，在了解各种划分方法的基本原理后，可能在不背离这一原理的情况下，对划分方法的具体实施方式与步骤进行形式和细节上的各种修正和改变，但是这些修正和改变仍在以上描述的范围之内。例如，例如，可以采用随机的划分方式，随机选择一些位置划归入一个分区。又例如，可以直接采用其他系统中已经存在的区域划分方式等。

在一些实施例中，对于每个分区，可以基于与该分区相关的可用自动驾驶车辆(简称“可用车辆”)数量和与该分区相关的待处理订单数量确定该分区的热度信息。根据热度信息，可以确定该分区是热点区域还是非热点区域。

可用车辆可以包括有剩余容量(例如，剩余载客数量、剩余载货重量和/或体积)的可拼车车辆，尚未接单的车辆(空闲车辆)，第一预设时间段内(例如，1分钟，2分钟，5分钟，10分钟等)即将完成订单的车辆等中的一种或几种组合。与分区相关的可用车辆可以包括当前位于分区内的可用车辆、第二预设时间段(例如，1分钟，2分钟，5分钟，10分钟，20分钟，30分钟等)内将驶入分区的可用车辆、第三预设时间段(例如，1分钟，2分钟，5分钟，10分钟，20分钟，30分钟等)内将驶出分区的可用车辆等中的一种或几种的组合。与分区相关的可用车辆的数量可以根据所述位置信息确定。

待处理订单可以指尚未被接单的订单。与分区相关的待处理订单可以包括当前在分区内(例如，上车点位于分区内)的待处理订单的数量、第四预设时间段(例如，1分钟，2分钟，5分钟，10分钟，20分钟，30分钟等)内预估的将会被接单的订单数量、第五预设时间段(例如，1分钟，2分钟，5分钟，10分钟，20分钟，30分钟等)内预估的将会增加的待处理订单数量等中的一种或几种的组合。在一些实施例中，第一预设时间段、第二预设时间段、第三预设时间段、第四预设时间段、第五预设时间段为未来时间段。

在一些实施例中，热度信息＝与分区相关的可用车辆数量-与分区相关的待处理订单数量。如果该差值为正数，则可以认为该分区内运力充足，可以将该分区确定为非热点区域；如果该差值为负数，且绝对值小于或等于第一差值阈值(例如，0，10，20，50，100等)，则认为该分区运力充足，可以将该分区确定为非热点区域；如果该差值为负数，且绝对值大于所述第一差值阈值，则可以认为该分区运力有缺口，可以将该分区确定为热点区域。该负数差值越小(负数差值的绝对值越大)，则该分区的运力缺口越大。

在一些实施例中，热度信息＝与分区相关的可用车辆数量/与分区相关的待处理订单数量。如果该比值大于或等于第一比例阈值(例如，1，0.9，0.8，0.7，0.6，0.5等)，则可以认为该分区内运力充足，可以将该分区确定为非热点区域；如果该比值小于所述第一比例阈值，则可以认为该分区运力有缺口，可以将该分区确定为热点区域。该比值越小于所述第一比例阈值，则该分区的运力缺口越大。

在一些实施例中，可以基于第四预设时间段内预估的将会被接单的订单数，当前在分区内的待处理订单数量，以及第五预设时间段内预估的将会增加的待处理订单数量确定热度信息。例如，热度信息＝第四预设时间段内预估的将会被接单的订单数-(当前在分区内的待处理订单数量+第五预设时间段内预估的将会增加的待处理订单数量)。如果该差值绝对值小于或等于第二差值阈值(例如，0，10，20，50，100等)，则认为该分区运力充足，可以将该分区确定为非热点区域；如果该差值绝对值大于所述第二差值阈值，则可以认为该分区运力有缺口，可以将该分区确定为热点区域。该差值绝对值越大于第二差值阈值，则该分区的运力缺口越大。

又例如，热度信息＝第四预设时间段内预估的将会被接单的订单数/(当前在分区内的待处理订单数量+第五预设时间段内预估的将会增加的待处理订单数量)。如果该比值大于或等于第二比例阈值(例如，1，0.9，0.8，0.7，0.6，0.5等)，则认为该分区运力充足，可以将该分区确定为非热点区域；如果该比值小于所述第二比例阈值，则可以认为该分区运力有缺口，可以将该分区确定为热点区域。该比值越小于第二比例阈值，则该分区的运力缺口越大。

在一些实施例中，第一差值阈值、第二差值阈值、第一比例阈值、第二比例阈值可以是系统100的默认数值，也可以根据实际需求调整。例如，当前时间处于服务高峰期(例如，通勤高峰期7：00-9：00，17：00-19：00)时，待处理订单相对较多，可以设置较大的第一差值阈值(例如，50，100等)或第二差值阈值(例如，50，100等)，或者设置较小的第一比例阈值(例如，0.7，0.6，0.5等)或第二比例阈值(例如，0.7，0.6，0.5等)。又例如，当前时间处于服务空闲期(例如，10：00-16：00)时，待处理订单相对较少，可以设置较小的第一差值阈值(例如，0，10，20等)或第二差值阈值(例如，0，10，20等)，或者设置较大的第一比例阈值(例如，1，0.8，0.9等)或第二比例阈值(例如，1，0.8，0.9等)。

在一些实施例中，处理设备112可以显示热点区域和/或非热点区域。显示形式可以包括但不限于语音、文字、图形、视频等中的一种或多种的组合。例如，可以以不同颜色显示热点区域和非热点区域，其中，颜色越深的分区运力缺口越大。例如，以红色显示热点区域，以绿色显示非热点区域。

在一些实施例中，处理设备112(例如，输入/输出660)可以以蜂窝式热力图展示热点区域和非热点区域。具体的，目标区域的每个分区的形状是蜂窝形状(正六边形)，以红色显示热点区域，以绿色显示非热点区域。在一些实施例中，蜂窝式热力图还可以包括热点区域对应的柱状图，柱状图的柱体越高，该蜂窝所表示的热点区域运力缺口越大。蜂窝式热力图可以直观的展示热点区域和非热点区域，以使得调度人员实时辨别出热点区域和非热点区域。

步骤330，通过网络(例如，网络120)获取至少一辆候选自动驾驶车辆(简称“候选车辆”)的车辆信息，所述至少一辆候选自动驾驶车辆位于所述非热点区域。在一些实施例中，可以根据位置信息在非热点区域选择至少一辆可用车辆作为候选车辆。在一些实施例中，所述车辆信息可以包括用途(例如，出租车、快车、专车、顺风车、拼车、商务用车、租车、共享汽车等)、剩余能量(例如，油量，电量)、剩余容量(例如，剩余载客数量、剩余载货重量和/或体积)、接载状态(例如，有剩余容量，尚未接单，第一预设时间段内即将完成订单)、好评度、热点距离等中的一种或几种。

在一些实施例中，所述热点距离基于所述候选自动驾驶车辆与热点区域的至少一个参考点的计算距离确定。所述参考点包括热点区域的中心点或至少一个边界点中的至少一个。在一些实施例中，可以先确定候选车辆与所述至少一个参考点之间的计算距离，再根据所述至少一个计算距离确定所述候选车辆的热点距离。

在一些实施例中，候选车辆与一个参考点的计算距离可以与以下一个或多个相关：直线距离、至少一个路线距离、至少一个行驶时间。所述行驶时间与路况相关。例如，候选车辆与所述参考点之间包括一个以上行驶路线。首先确定所述一个以上行驶路线的路线距离和行驶时间；然后对所述一个以上路线距离进行加权平均确定候选车辆与所述参考点的计算距离。每个路线距离的权重可以根据路线距离和对应的行驶时间确定。例如，计算距离可以反映候选车辆行驶至参考点的路程和时间，所以路线距离越大，对应的权重越大；行驶时间越长，对应的权重越大。

例如，如果所述至少一个参考点包括一个以上参考点，则需要确定一个以上计算距离。热点距离可以通过对所述一个以上计算距离进行算术平均或加权平均确定。每个计算距离对应的权重可以根据对应的计算距离数值确定。例如，热点距离可以反映候选车辆与热点区域之间的距离，因此，计算距离越大，对应的权重越大。

步骤340，根据所述至少一辆候选自动驾驶车辆的车辆信息，在所述至少一辆候选自动驾驶车辆中确定至少一辆目标自动驾驶车辆(简称“目标车辆”)。

在一些实施例中，可以根据调度预设条件从至少一辆候选自动驾驶车辆中选择至少一辆目标自动驾驶车辆，调度预设条件与车辆信息和调度需求相关。调度需求可以反映对目标车辆的车辆信息的需求和限制。例如，调度需求中要求目标车辆的好评度需要大于好评阈值(例如，30％，40％，50％，60％，70％，80％，90％，95％等)。又例如，调度需求中要求目标车辆用途为商务车。再例如，调度需求中要求目标车辆为空闲车辆。

在一些实施例中，对于每一辆所述候选车辆，可以基于所述车辆信息，通过目标确定模型确定所述候选车辆的适合度。所述适合度可以指所述候选车辆接受调度指令的概率或所述候选车辆根据调度指令行驶至热点区域后在第六预设时间内接单的概率。所述目标确定模型为预置参数的机器学习模型。在一些实施例中，机器学习模型可以包括神经网络模型。在一些实施例中，神经网络模型可以包括卷积循环神经网络(ConvolutionalRecurrent Neural Network，CRNN)、卷积神经网络(Convolutional neural networks，CNN)、深度卷积神经网络(Deep Convolutional Neural Networks，DCNN)、循环神经网络(Recurrent neural networks，RNN)或长短期记忆(Long/Short Term Memory，LSTM)模型等。在一些实施例中，可以将适合度大于适合度阈值(例如，30％，40％，50％，60％，70％，80％，90％，95％等)的候选车辆确定为目标车辆。目标确定模型的获取流程可以参见图4和图5的相关描述。

在一些实施例中，目标确定模型可以基于输入的车辆信息预估适合度。具体地，对于每一辆候选车辆，可以将该候选车辆的车辆信息编码为向量作为输入目标确定模型，经过目标确定模型中的每一层神经网络，最后一层神经网络输出该候选车辆的适合度。作为示例，输入的车辆信息可以包括：快车、剩余电量70％、剩余5个座位、尚未接单、好评度80％、热点距离5km。输出的结果为：适合度90％。

在一些实施例中，可以基于调度需求和所述至少一辆候选车辆的所述适合度确定所述至少一辆目标车辆。例如，可以先基于调度需求对候选车辆进行筛选，再利用目标确定模型确定筛选后的车辆的适合度，然后根据适合度确定目标车辆。又例如，可以先利用目标确定模型确定候选车辆的适合度，再基于调度需求和适合度对候选车辆进行筛选，确定目标车辆。

在一些实施例中，对所述至少一辆目标自动驾驶车辆的每一辆，可以基于位置信息和当前时间，确定所述目标车辆的可派单属性，所述可派单属性可以用于确定当所述目标车辆处于第一预设区间时，可否向所述目标车辆派发订单。所述第一预设区间可以与时间和/或位置相关。例如，所述第一预设区间需要满足时间条件(例如，处于通勤高峰期7：00-9：00，17：00-19：00)和/或位置条件(例如，在目标车辆行驶至热点区域的过程中，目标车辆与热点区域的直线距离和/或行驶距离大于距离阈值(例如，2km，1.5km，1km，500m，400m，300m等))。又例如，可派单属性可以指示当所述目标车辆行驶至热点区域的过程中，全程允许或不允许向所述目标车辆派发订单。第一预设区间包括所述目标车辆行驶至热点区域的路程区间以及时间区间。

步骤350，向所述至少一辆目标自动驾驶车辆发送调度指令，所述调度指令指示所述至少一辆目标自动驾驶车辆从所述非热点区域行驶至所述热点区域。

在一些实施例中，调度指令可以包括调度位置，调度出发时间，调度到达时间，调度路线中的至少一个。例如，可以向一辆目标自动驾驶车辆，发送调度至中关村地铁站的调度指令。在一些实施例中，调度指令可以进一步包括所述目标自动驾驶车辆在第一预设区间是否被允许接单。

在一些实施例中，目标自动驾驶车辆接收调度指令后，车内计算机系统可以选择接受或拒绝调度指令。在一些实施例中，目标自动驾驶车辆接收调度指令后，不允许目标车辆拒绝调度指令，所述调度指令可以自动控制车内计算机系统执行调度指令，以行驶至调度位置。

针对传统服务车辆(例如，网约车、出租车等)的调度，一般是针对司机的调度。本申请中，针对的是自动驾驶车辆的调度。自动驾驶车辆接收调度指令后，车内计算机系统可以自动分析调度指令，选择接受或拒绝；或者自动驾驶车辆接收调度指令后，不允许自动驾驶车辆拒绝调度指令，所述调度指令可以自动控制车内计算机系统执行调度指令。通过本申请，解决了自动驾驶车辆的调度问题，可以实现对自动驾驶车辆的及时有效调度，提高自动驾驶车辆利用率。

图4是根据本说明书一些实施例所示的确定目标确定模型的示例性流程图。在一些实施例中，流程400可以由服务器110(例如，处理设备112、处理器620和/或图2中描述的一个或多个模块)或外部设备在线下执行。

步骤410，获取至少一个历史调度指令。

历史调度指令可以指已经发送给自动驾驶车辆的调度指令。在一些实施例中，可以从存储器150获取所述至少一个历史调度指令。

步骤420，标记所述至少一个历史调度指令，获取训练标签。

在一些实施例中，如果历史调度指令允许自动驾驶车辆拒绝所述历史调度指令，则将自动驾驶车辆接受或拒绝历史调度指令标记为训练样本的标签，例如，将自动驾驶车辆接受历史调度指令标记为“1”，将自动驾驶车辆拒绝历史调度指令标记为“0”。在一些实施例中，如果历史调度指令不允许自动驾驶车辆拒绝所述历史调度指令，历史调度指令发送至自动驾驶车辆后可以自动控制所述自动驾驶车辆行驶至热点区域，则将自动驾驶车辆被调度行驶至热点区域后在第六预设时间内(例如，1分钟，2分钟，5分钟，10分钟，20分钟，30分钟等)是否接到订单标记为训练样本的标签，例如，将自动驾驶车辆被调度行驶至热点区域后在第六预设时间内接到订单标记为“1”，未接到订单标记为“0”。

步骤430，提取所述至少一个历史调度指令的样本特征。

在一些实施例中，样本特征可以包括：接收历史调度指令的自动驾驶车辆的车辆信息(与图3中步骤340所述的“车辆信息”对应)以及历史调度指令的调度位置。

步骤440，获取初始模型。初始模型可以是未经过训练的模型。

步骤450，根据训练标签和样本特征训练初始模型，获得目标确定模型。

在一些实施例中，可以将训练标签和样本特征作为训练样本，对初始模型进行训练，得到目标确定模型。关于目标确定模型的训练过程可以参见图5及其相关说明。

图5是根据本说明书一些实施例所示的目标确定模型的训练过程的示例性流程图。

在一些实施例中，可以通过执行一次或多次迭代来训练初始模型。在一次或多次迭代之前，可以初始化初始模型的参数。例如，初始模型的节点的连接权重和/或节点的偏差矢量可以通过在-1到1范围内分配随机值来初始化。又例如，可以为初始模型的所有连接的权重分配一个相同的值，范围从-1到1，例如0。仍然作为示例，可以通过分配从0到1范围内的随机值来初始化初始模型中节点的偏差矢量。在一些实施例中，可以基于高斯随机算法、Xavier算法等来初始化初始模型的参数，然后可以执行一次或多次迭代来更新初始模型的参数，直到满足预设条件。

如图5所示，流程500包括如下步骤：

步骤510，将样本特征输入中间模型，获得样本适合度。如果当前迭代为所述训练过程的第一次迭代，所述中间模型包括所述初始模型。如果当前迭代不是所述训练过程的第一次迭代，所述中间模型包括上一次迭代生成的更新模型。

步骤520，根据训练标签和样本适合度确定损失函数。

在一些实施例中，可以将训练标签与样本适合度的差值确定损失函数。

步骤530，确定当前迭代是否满足预设条件。预设条件可以指示初始模型是否经过充分训练。例如，在当前迭代中，如果损失函数的值最小或小于第一阈值，则可以满足预设条件。又例如，如果损失函数的值收敛，则可以满足预设条件。如果两次或多次连续迭代中损失函数的值的变化小于第二阈值，则可以认为收敛。仍然作为示例，当在训练过程中执行指定次数或迭代次数时，可以满足预设条件。

步骤540，如果确认满足预设条件，将当前迭代的中间模型确定为目标确定模型。

步骤550，如果确认不满足预设条件，根据所述损失函数更新所述中间模型，然后，开启新一轮迭代，例如，重复步骤510-530，直到满足预设条件。

基于迭代中中间模型的测试值(例如，样本适合度)和期望值(例如，训练标签)之间的差异(也称为全局误差)，可以确定该次迭代中中间模型的损失函数的值。进一步地，可以基于损失函数的值判断该次迭代中损失函数结果是否满足预设条件。例如，如果损失函数的值在该次迭代中超过预设阈值，则该次迭代中的中间模型不满足预设条件。可以调整和/或更新中间模型的参数，以用于在下一迭代中。例如，可以通过执行反向传播机器学习训练算法(例如，随机梯度下降反向传播训练算法)来更新参数的值。如果该次迭代中的损失函数小于预设阈值，则可以判断满足预设条件，迭代过程可以终止，获取目标确定模型。在一些实施例中，学习完成之后，可以处理验证集以验证学习结果。

图6是根据本申请一些实施例所示的示例性计算设备的示例性硬件组件和/或软件组件的示意图。在一些实施例中，自动驾驶车辆的调度的系统100中的一个或多个元件可以在计算设备600上实现。例如，处理设备112可以在计算设备600上实现并被配置为实现本申请所披露的功能和/或方法。

计算设备600可以包括与网络120连接的通信端口650，用于实现数据通信。计算设备600可以包括处理器(例如，CPU)620，其可以以一个或多个处理器的形式执行程序指令。示例性的计算设备600还可以包括内部总线610，以及不同形式的程序存储器和数据存储器。例如，硬盘670、只读存储器(ROM)630或随机存储器(RAM)640可以用于存储由计算机处理和/或传输的各类数据文件。示例性的计算设备400可以包括存储在只读存储器630、随机存储器640和/或其他类型的非暂时性存储介质中的由处理器620执行的程序指令。本说明书的方法和/或流程可以以程序指令的方式实现。计算设备600也可以包括输入/输出部件660，用于支持电脑与其他部件之间的输入/输出。计算设备600也可以通过网络通讯接收本申请中的程序和数据。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。