一种天气场景的搭建方法、装置及电子设备与流程

1.本技术涉及自动驾驶场景搭建技术领域，尤其涉及一种天气场景的搭建方法、装置及电子设备。


背景技术：

2.天气环境作为自然场景中的重要部分，对自动驾驶的影响很大，会改变自动驾驶车辆识别的方式。例如：相机在大雾、大雨或大雪中基本上是无用的，因为激光雷达相机对这几种情况都会呈现反射作用，以至于无法辨识。
3.而自动驾驶仿真场景中，天气环境作为一个重要仿真环境，对其准确搭建是至关重要的，目前搭建的天气仿真场景都是基于经验编写，编写效率低，且无法保证覆盖度。


技术实现要素：

4.有鉴于此，本技术的目的在于至少提供一种天气场景的搭建方法、装置及电子设备，通过决策树对天气功能点进行提取并组合形成有效天气场景，有效提升天气场景的搭建效率以及覆盖度。
5.本技术主要包括以下几个方面：第一方面，本技术实施例提供一种天气场景的搭建方法，方法包括：获取原始场景数据集，原始场景数据集包括多个天气场景，每个天气场景包括多个天气功能点；利用随机森林法对原始场景数据集进行采样，根据采样结果构建多个决策树模型；根据多个决策树模型，确定每个天气功能点对应的重要性指数；根据每个天气功能点对应的重要性指数，从多个天气功能点中提取得到多个目标天气功能点；利用多个目标天气功能点，搭建形成多个有效天气场景。
6.在一种可能的实施方式中，采样结果包括多个场景训练集，其中，利用随机森林法对原始场景数据集进行采样，根据采样结果构建多个决策树模型的步骤包括：对原始场景数据集进行多次采样，针对每次采样：随机有放回的从原始场景数据集中选取多个训练天气场景，由多个训练天气场景生成该次采样对应的场景训练集；针对每个场景训练集，利用决策树算法和该场景训练集对应的多个训练天气场景计算每个天气功能点对应的信息增益，根据每个天气功能点对应的信息增益，构建该场景训练集对应的决策树模型。
7.在一种可能的实施方式中，每个天气场景携带场景类型标签，场景类型标签用于指示天气场景对应的场景类型，场景类型包括自然场景和非自然场景，其中，通过以下方式创建每个场景训练集对应的决策树模型：根据该场景训练集中的每个训练天气场景所携带的场景类型标签，确定每个训练天气场景对应的场景类型；根据该场景训练集中每个训练天气场景对应的场景类型，计算该场景训练集对应的信息熵；计算每个天气功能点对应的条件熵；针对每个天气功能点，计算信息熵与该天气功能点对应的条件熵之间的差值，并将差值确定为该天气功能点对应的信息增益；将最大信息增益对应的天气功能点作为特征分裂点，构建该场景训练集对应的决策树模型。
8.在一种可能的实施方式中，通过以下公式计算每个场景训练集对应的信息熵：在该公式中，表示场景训练集对应的信息熵，表示自然场景在场景训练集中的占比，表示非自然场景在场景训练集中的占比，其中，，表示场景训练集中训练天气场景的总数，表示场景训练集中属于自然场景的训练天气场景的数量，，表示场景训练集中属于非自然场景的训练天气场景样本的数量，表示场景类型标签，表示自然场景，表示非自然场景。
9.在一种可能的实施方式中，针对每个场景训练集，通过以下公式计算每个功能点对应的条件熵：其中，表示第个天气功能点在场景训练集中的条件熵，表示天气功能点在场景训练集中的不同取值，表示天气功能点取值时在场景训练集中的占比，表示天气功能点在场景训练集对应的不同场景类型下的占比之和，其中，其中，表示场景类型对应的取值，包括自然场景和非自然场景，表示天气功能点取值时在属于场景类型y的多个训练天气场景中的占比。
10.在一种可能的实施方式中，根据多个决策树模型，确定每个天气功能点对应的重要性指数的步骤包括：针对每个决策树模型，执行以下处理：确定该决策树模型对应的袋外数据集，袋外数据集包括多个验证天气场景，袋外数据集为原始场景数据集与该决策树模型对应的场景训练集之间的差集；分别将多个验证天气场景输入该决策树模型，获取决策树模型输出的每个验证天气场景对应的第一分类结果；根据每个验证天气场景对应的第一分类结果，确定该决策树模型对应的第一袋外数据误差；针对每个天气功能点，在每个验证天气场景对应的该天气功能点处加入噪声干扰，将加入该天气功能点对应的噪声干扰后的多个验证天气场景输入该决策树模型，获取决策树模型输出的每个验证天气场景对应的第二分类结果；根据每个验证天气场景对应的第二分类结果，确定该决策树模型对应的第二袋外数据误差；针对每个天气功能点，计算该天气功能点在每个决策树模型中对应的误差差值之间的和值，将和值与决策树模型的数量之间的比值确定为该天气功能点对应的重要性指数，误差差值为第一袋外数据误差和第二袋外数据误差之间的差值。
11.在一种可能的实施方式中，分类结果指示决策树模型识别出的验证天气场景对应的预测场景类型，其中，通过以下方式确定每个决策树模型对应的第一袋外数据误差：根据该决策树模型对应的每个验证天气场景的场景类型标签，确定每个验证天气场景对应的实
际场景类型；针对该决策树模型对应的每个验证天气场景，将该验证天气场景对应的预测场景类型与实际场景类型进行验证比较，获取比较结果；统计该决策树模型中预测场景类型与实际场景类型之间的比较结果不一致的验证天气场景的数量值；将数量值与该决策树模型对应的验证天气场景总数之间的比值确定为该决策树模型对应的第一袋外数据误差。
12.在一种可能的实施方式中，通过以下方式搭建形成多个有效天气场景：对每个天气功能点对应的重要性指数进行降序排序，选取排序结果中前预设个数的天气功能点，确定为多个目标天气功能点；以多个目标天气功能点为场景训练集，构建目标决策树模型；对多个目标天气功能点进行遍历取值，构建多个候选天气场景并输入目标决策树模型进行场景类型分类；针对每个候选天气场景，若目标决策树模型输出的该候选天气场景对应的场景类型为自然场景，则将该候选天气场景确定为有效天气环境场景。
13.第二方面，本技术实施例还提供一种天气场景的搭建装置，装置包括：获取模块，用于获取原始场景数据集，原始场景数据集包括多个天气场景，每个天气场景包括多个天气功能点；构建模块，用于利用随机森林法对原始场景数据集进行采样，根据采样结果构建多个决策树模型；确定模块，用于根据多个决策树模型，确定每个天气功能点对应的重要性指数；提取模块，用于根据每个天气功能点对应的重要性指数，从多个天气功能点中提取得到多个目标天气功能点；搭建模块，用于利用多个目标天气功能点，搭建形成多个有效天气场景。
14.第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，存储器存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储器之间通过总线进行通信，机器可读指令被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中的天气场景的搭建方法的步骤。
15.本技术实施例提供的一种天气场景的搭建方法、装置及电子设备，方法包括：获取原始场景数据集，原始场景数据集包括多个天气场景，每个天气场景包括多个天气功能点；利用随机森林法对原始场景数据集进行采样，根据采样结果构建多个决策树模型；根据多个决策树模型，确定每个天气功能点对应的重要性指数；根据每个天气功能点对应的重要性指数，从多个天气功能点中提取得到多个目标天气功能点；利用多个目标天气功能点，搭建形成多个有效天气场景。本技术通过决策树对天气功能点进行提取并组合形成有效天气场景，有效提升天气场景的搭建效率以及覆盖度。
16.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
17.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
18.图1示出了本技术实施例所提供的一种天气场景的搭建方法的流程图；图2示出了本技术实施例提供的一种决策树模型创建流程图；图3示出了本技术实施例提供的一种天气场景搭建装置的结构示意图；
图4示出了本技术实施例所提供的一种电子设备的结构示意图。
具体实施方式
19.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中的附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本技术中使用的流程图示出了根据本技术的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
20.另外，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本技术保护的范围。
21.目前搭建仿真场景都是基于经验进行编写，编写效率低且无法保证覆盖度。
22.基于此，本技术实施例提供了一种天气场景的搭建方法、装置及电子设备，通过决策树对天气功能点进行提取并组合形成有效天气场景，有效提升天气场景的搭建效率以及覆盖度，具体如下：请参阅图1，图1示出了本技术实施例所提供的一种天气场景的搭建方法的流程图。如图1所示，本技术实施例提供的方法，包括以下步骤：s100、获取原始场景数据集。
23.原始场景数据集包括多个天气场景，每个天气场景包括多个天气功能点。
24.s200、利用随机森林法对原始场景数据集进行采样，根据采样结果构建多个决策树模型。
25.s300、根据多个决策树模型，确定每个天气功能点对应的重要性指数。
26.s400、根据每个天气功能点对应的重要性指数，从多个天气功能点中提取得到多个目标天气功能点。
27.s500、利用多个目标天气功能点，搭建形成多个有效天气场景。
28.在步骤s100中，原始场景数据集包括预先搭建好的多个天气场景，假设每个天气场景包括n个天气功能点，则每个天气场景可记为：其中，表示原始场景数据集中的第j个天气场景，表示第j个天气场景中的第个天气功能点，例如大雾、大雪、大雨和温度等，其中，对同一天气功能点，其在不同天气场景中可能存在不同取值，例如，对于大雾这一天气功能点，其在不同天气场景中取值表示不同雾气浓度，如果天气场景中某个天气功能点维度取值为零，则说明该天气功能点在天气场景中不存在。
29.在步骤s200中，采样结果包括多个场景训练集。
30.在一优选实施例中，步骤s200包括：对原始场景数据集进行多次采样，针对每次采样：随机有放回的从原始场景数据集中选取多个训练天气场景，由多个训练天气场景生成该次采样对应的场景训练集；针对每个场景训练集，利用决策树算法和该场景训练集对应的多个训练天气场景计算每个天气功能点对应的信息增益，根据每个天气功能点对应的信息增益，构建该场景训练集对应的决策树模型。
31.具体的，每次采样应用boosting方法随机有放回的可从原始场景数据集中选取多个天气场景，将每个选取出的天气场景确定为训练天气场景，每次采样都会形成一个场景训练集，例如进行n_tree次采样，即会得到n_tree个场景训练集，每个场景训练集内选取出的训练天气场景个数相同。
32.每个天气场景携带场景类型标签，场景类型标签用于指示天气场景对应的场景类型，场景类型包括自然场景和非自然场景，将自然场景定义为进行自动驾驶仿真训练的有效场景，将非自然场景定义为进行自动驾驶仿真训练的无效场景，例如，若用y表示场景类型标签，则当天气场景对应的场景类型标签y=1时，表示天气场景为自然场景，当天气场景对应的场景类型标签y=-1时，表示天气场景为非自然场景。
33.请参阅图2，图2示出了本技术实施例提供的一种决策树模型创建流程图。如图2所示，通过以下方式创建每个场景训练集对应的决策树模型：s2001、针对每个场景训练集，根据该场景训练集中的每个训练天气场景所携带的场景类型标签，确定每个训练天气场景对应的场景类型。
34.s2002、针对每个场景训练集，根据该场景训练集中每个训练天气场景对应的场景类型，计算该场景训练集对应的信息熵。
35.在另一优选实施例中，通过以下公式计算每个场景训练集对应的信息熵：在该公式中，表示场景训练集对应的信息熵，表示自然场景在场景训练集中的占比，表示非自然场景在场景训练集中的占比，其中，，表示场景训练集中训练天气场景的总数，表示场景训练集中属于自然场景的训练天气场景的数量，，表示场景训练集中属于非自然场景的训练天气场景样本的数量，表示场景类型标签，表示自然场景，表示非自然场景。
36.例如，若场景训练集中，包括个自然场景，个非自然场景，场景训练集中训练天气场景总数为2，则===，同理，，即场景训练集对应的信息熵为-。
37.s2003、针对每个场景训练集，计算每个天气功能点对应的条件熵。
38.在一优选实施例中，针对每个场景训练集，通过以下公式计算每个功能点对应的条件熵：
其中，表示第个天气功能点在场景训练集中的条件熵，表示天气功能点在场景训练集中的不同取值，表示天气功能点取值时在场景训练集中的占比，表示天气功能点在场景训练集对应的不同场景类型下的占比之和，其中，其中，表示场景类型对应的取值，包括自然场景和非自然场景，表示天气功能点取值时在属于场景类型y的多个训练天气场景中的占比。
39.具体的，以天气功能点为雾气举例说明，其在在场景训练集中存在三个取值：轻度、中度和重度，以轻度雾气举例，先计算轻度雾气在场景训练集中的占比，然后再计算轻度雾气对应的，在确定轻度雾气在场景训练集中的占比与轻度雾气对应的之间的乘积，同理，可分别计算出中度和重度雾气对应的，然后，轻度雾气、中度雾气和中度雾气对应的求和，即得到雾气在场景训练集中对应的条件熵。
40.s2004、针对每个场景训练集中的每个天气功能点，计算信息熵与该天气功能点对应的条件熵之间的差值，并将差值确定为该天气功能点对应的信息增益。
41.具体的，可以通过以下公式确定每个天气功能点对应的信息增益：其中，表示第i个天气功能点在场景训练集d中对应的信息增益。
42.s2005、针对每个场景训练集，将最大信息增益对应的天气功能点作为特征分裂点，构建该场景训练集对应的决策树模型。
43.在一优选实施例中，步骤s300包括：针对每个决策树模型，执行以下处理：确定该决策树模型对应的袋外数据集，袋外数据集包括多个验证天气场景，分别将多个验证天气场景输入该决策树模型，获取决策树模型输出的每个验证天气场景对应的第一分类结果，根据每个验证天气场景对应的第一分类结果，确定该决策树模型对应的第一袋外数据误差，针对每个天气功能点，在每个验证天气场景对应的该天气功能点处加入噪声干扰，将加入该天气功能点对应的噪声干扰后的多个验证天气场景输入该决策树模型，获取决策树模型输出的每个验证天气场景对应的第二分类结果，根据每个验证天气场景对应的第二分类结果，确定该决策树模型对应的第二袋外数据误差，针对每个天气功能点，计算该天气功能点在每个决策树模型中对应的误差差值之间的和值，将和值与决策树
模型的数量之间的比值确定为该天气功能点对应的重要性指数，误差差值为第一袋外数据误差和第二袋外数据误差之间的差值。
44.其中，袋外数据集为原始场景数据集与该决策树模型对应的场景训练集之间的差集，决策树模型用于对输入的天气场景进行分类，识别出天气场景是自然场景还是非自然场景，若原始数据集包括个天气场景，若其中一个决策树模型对应的场景训练集包括天气场景，则该决策树模型对应的袋外数据集中包括验证天气场景。
45.在具体实施中，分类结果指示决策树模型识别出的验证天气场景对应的预测场景类型，其中，通过以下方式确定每个决策树模型对应的第一袋外数据误差：根据该决策树模型对应的每个验证天气场景的场景类型标签，确定每个验证天气场景对应的实际场景类型，针对该决策树模型对应的每个验证天气场景，将该验证天气场景对应的预测场景类型与实际场景类型进行验证比较，获取比较结果，统计该决策树模型中预测场景类型与实际场景类型之间的比较结果不一致的验证天气场景的数量值，将数量值与该决策树模型对应的验证天气场景总数之间的比值确定为该决策树模型对应的第一袋外数据误差。
46.例如，以决策树模型对应的验证天气场景为为例，则分别获取验证天气场景对应的场景类型标签y，通过场景类型标签y确定验证天气场景分别对应的实际场景类型，同时，决策树模型对验证天气场景进行分类后会输出验证天气场景分别对应的预测场景类型，对于每个验证天气场景，将其对应的实际场景类型和预测场景类型进行比较，若比较结果一致，说明决策树模型对该验证天气场景所属场景类型预测正确，若比较结果不一致，说明决策树模型对该验证天气场景所属场景类型预测错误，统计预测错误的验证天气场景数量在袋外数据集中的占比，即可确定第一袋外数据误差。
47.然后对于同一天气功能点，针对每个决策树模型，为该决策树模型的袋外数据中的每个验证天气场景中的该天机功能点随机添加噪声干扰后，重新输入对应电热决策树模型，可确定第二袋外数据误差，第二袋外数据误差的确定方式与第一袋外数据误差的确定方式相同，在此不做赘述。
48.一示例中，可以通过以下公式计算每个天气功能点对应的重要性指数：在该公式中，表示决策树模型的数量，表示第i个天气功能点在第m个决策树对应的第一袋外数据误差，表示第i个天气功能点在第m个决策树对应的第二袋外数据误差。
49.在一优选实施例中，步骤s500包括：对每个天气功能点对应的重要性指数进行降序排序，选取排序结果中前预设个数的天气功能点，确定为多个目标天气功能点，以多个目标天气功能点为场景训练集，构建目
标决策树模型，对多个目标天气功能点进行遍历取值，构建多个候选天气场景并输入目标决策树模型进行场景类型分类，针对每个候选天气场景，若目标决策树模型输出的该候选天气场景对应的场景类型为自然场景，则将该候选天气场景确定为有效天气环境场景。
50.基于同一申请构思，本技术实施例中还提供了与上述实施例提供的天气场景搭建方法对应的天气场景搭建装置，由于本技术实施例中的装置解决问题的原理与本技术上述实施例的天气场景搭建方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
51.请参阅图3，图3示出了本技术实施例提供的一种天气场景搭建装置的结构示意图。如图3所示，装置包括：获取模块600，用于获取原始场景数据集，原始场景数据集包括多个天气场景，每个天气场景包括多个天气功能点。
52.构建模块610，用于利用随机森林法对原始场景数据集进行采样，根据采样结果构建多个决策树模型。
53.确定模块620，用于根据多个决策树模型，确定每个天气功能点对应的重要性指数。
54.提取模块630，用于根据每个天气功能点对应的重要性指数，从多个天气功能点中提取得到多个目标天气功能点。
55.搭建模块640，用于利用多个目标天气功能点，搭建形成多个有效天气场景。
56.优选的，采样结果包括多个场景训练集，构建模块610还用于：对原始场景数据集进行多次采样，针对每次采样：随机有放回的从原始场景数据集中选取多个训练天气场景，由多个训练天气场景生成该次采样对应的场景训练集；针对每个场景训练集，利用决策树算法和该场景训练集对应的多个训练天气场景计算每个天气功能点对应的信息增益，根据每个天气功能点对应的信息增益，构建该场景训练集对应的决策树模型。
57.优选的，每个天气场景携带场景类型标签，场景类型标签用于指示天气场景对应的场景类型，场景类型包括自然场景和非自然场景，构建模块610还用于：根据该场景训练集中的每个训练天气场景所携带的场景类型标签，确定每个训练天气场景对应的场景类型；根据该场景训练集中每个训练天气场景对应的场景类型，计算该场景训练集对应的信息熵；计算每个天气功能点对应的条件熵；针对每个天气功能点，计算信息熵与该天气功能点对应的条件熵之间的差值，并将差值确定为该天气功能点对应的信息增益；将最大信息增益对应的天气功能点作为特征分裂点，构建该场景训练集对应的决策树模型。
58.优选的，构建模块610还用于通过以下公式计算每个场景训练集对应的信息熵：在该公式中，表示场景训练集对应的信息熵，表示自然场景在场景训练集中的占比，表示非自然场景在场景训练集中的占比，其中，，表示场景训练集中训练天气场景的总数，表示场景训练集中属于自然场景的训练天气场景的数量，，表示场景训练集中属于非自然场景的训练天气场景样本的数量，表示场景类型标签，表示自然场景，表示非自然场景。
59.优选的，构建模块610还用于: 针对每个场景训练集，通过以下公式计算每个功能点对应的条件熵：其中，表示第个天气功能点在场景训练集中的条件熵，表示天气功能点在场景训练集中的不同取值，表示天气功能点取值时在场景训练集中的占比，表示天气功能点在场景训练集对应的不同场景类型下的占比之和，其中，其中，表示场景类型对应的取值，包括自然场景和非自然场景，表示天气功能点取值时在属于场景类型y的多个训练天气场景中的占比。
60.优选的，确定模块620还用于：针对每个决策树模型，执行以下处理：确定该决策树模型对应的袋外数据集，袋外数据集包括多个验证天气场景，袋外数据集为原始场景数据集与该决策树模型对应的场景训练集之间的差集；分别将多个验证天气场景输入该决策树模型，获取决策树模型输出的每个验证天气场景对应的第一分类结果；根据每个验证天气场景对应的第一分类结果，确定该决策树模型对应的第一袋外数据误差；针对每个天气功能点，在每个验证天气场景对应的该天气功能点处加入噪声干扰，将加入该天气功能点对应的噪声干扰后的多个验证天气场景输入该决策树模型，获取决策树模型输出的每个验证天气场景对应的第二分类结果；根据每个验证天气场景对应的第二分类结果，确定该决策树模型对应的第二袋外数据误差；针对每个天气功能点，计算该天气功能点在每个决策树模型中对应的误差差值之间的和值，将和值与决策树模型的数量之间的比值确定为该天气功能点对应的重要性指数，误差差值为第一袋外数据误差和第二袋外数据误差之间的差值。
61.优选的，分类结果指示决策树模型识别出的验证天气场景对应的预测场景类型，确定模块620还用于：根据该决策树模型对应的每个验证天气场景的场景类型标签，确定每个验证天气场景对应的实际场景类型；针对该决策树模型对应的每个验证天气场景，将该验证天气场景对应的预测场景类型与实际场景类型进行验证比较，获取比较结果；统计该决策树模型中预测场景类型与实际场景类型之间的比较结果不一致的验证天气场景的数量值；将数量值与该决策树模型对应的验证天气场景总数之间的比值确定为该决策树模型对应的第一袋外数据误差。
62.优选的，搭建模块640还用于：对每个天气功能点对应的重要性指数进行降序排序，选取排序结果中前预设个数的天气功能点，确定为多个目标天气功能点；以多个目标天气功能点为场景训练集，构建目标决策树模型；对多个目标天气功能点进行遍历取值，构建多个候选天气场景并输入目标决策树模型进行场景类型分类；针对每个候选天气场景，若目标决策树模型输出的该候选天气场景对应的场景类型为自然场景，则将该候选天气场景
确定为有效天气环境场景。
63.基于同一申请构思，请参阅图4，图4示出了本技术实施例提供的一种电子设备的结构示意图。电子设备700包括：处理器710、存储器720和总线730，存储器720存储有处理器710可执行的机器可读指令，当电子设备700运行时，处理器710与存储器720之间通过总线730进行通信，机器可读指令被处理器710运行时执行如上述实施例中任一提供的天气场景的搭建方法的步骤。
64.基于同一申请构思，本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例提供的天气场景的搭建方法的步骤。
65.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本技术所提供的几个实施例中，应所述理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
66.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
67.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
68.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（read-only memory，rom）、随机存取存储器（random access memory，ram）、磁碟或者光盘等各种可以存储程序代码的介质。
69.以上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种天气场景的搭建方法，其特征在于，所述方法包括：获取原始场景数据集，所述原始场景数据集包括多个天气场景，每个天气场景包括多个天气功能点；利用随机森林法对所述原始场景数据集进行采样，根据采样结果构建多个决策树模型；根据所述多个决策树模型，确定每个天气功能点对应的重要性指数；根据每个天气功能点对应的重要性指数，从所述多个天气功能点中提取得到多个目标天气功能点；利用所述多个目标天气功能点，搭建形成多个有效天气场景。2.根据权利要求1所述的方法，其特征在于，所述采样结果包括多个场景训练集，其中，所述利用随机森林法对所述原始场景数据集进行采样，根据采样结果构建多个决策树模型的步骤包括：对所述原始场景数据集进行多次采样，针对每次采样：随机有放回的从所述原始场景数据集中选取多个训练天气场景，由多个训练天气场景生成该次采样对应的场景训练集；针对每个场景训练集，利用决策树算法和该场景训练集对应的多个训练天气场景计算每个天气功能点对应的信息增益，根据每个天气功能点对应的信息增益，构建该场景训练集对应的决策树模型。3.根据权利要求2所述的方法，其特征在于，每个天气场景携带场景类型标签，所述场景类型标签用于指示天气场景对应的场景类型，所述场景类型包括自然场景和非自然场景，其中，通过以下方式创建每个场景训练集对应的决策树模型：根据该场景训练集中的每个训练天气场景所携带的场景类型标签，确定每个训练天气场景对应的场景类型；根据该场景训练集中每个训练天气场景对应的场景类型，计算该场景训练集对应的信息熵；计算每个天气功能点对应的条件熵；针对每个天气功能点，计算所述信息熵与该天气功能点对应的所述条件熵之间的差值，并将所述差值确定为该天气功能点对应的信息增益；将最大信息增益对应的天气功能点作为特征分裂点，构建该场景训练集对应的决策树模型。4.根据权利要求3所述的方法，其特征在于，通过以下公式计算每个场景训练集对应的信息熵：在该公式中，表示场景训练集对应的信息熵，表示自然场景在场景训练集中的占比，表示非自然场景在场景训练集中的占比，其中，，表示场景训练集中训练天气场景的总数，表示场景训练集中属于自然场景的训练天气场景的数量，，表示场景训练集中属于非自然场景的训练天气场景样本
的数量，表示场景类型标签，表示自然场景，表示非自然场景。5.根据权利要求4所述的方法，其特征在于，针对每个场景训练集，通过以下公式计算每个功能点对应的条件熵：其中，表示第个天气功能点在场景训练集中的条件熵，表示天气功能点在场景训练集中的不同取值，表示天气功能点取值时在场景训练集中的占比，表示天气功能点在场景训练集对应的不同场景类型下的占比之和，其中，其中，表示场景类型对应的取值，包括自然场景和非自然场景，表示天气功能点取值时在属于场景类型y的多个训练天气场景中的占比。6.根据权利要求2所述的方法，其特征在于，所述根据所述多个决策树模型，确定每个天气功能点对应的重要性指数的步骤包括：针对每个决策树模型，执行以下处理：确定该决策树模型对应的袋外数据集，所述袋外数据集包括多个验证天气场景，所述袋外数据集为原始场景数据集与该决策树模型对应的场景训练集之间的差集；分别将多个验证天气场景输入该决策树模型，获取决策树模型输出的每个验证天气场景对应的第一分类结果；根据每个验证天气场景对应的第一分类结果，确定该决策树模型对应的第一袋外数据误差；针对每个天气功能点，在每个验证天气场景对应的该天气功能点处加入噪声干扰，将加入该天气功能点对应的噪声干扰后的多个验证天气场景输入该决策树模型，获取决策树模型输出的每个验证天气场景对应的第二分类结果；根据每个验证天气场景对应的第二分类结果，确定该决策树模型对应的第二袋外数据误差；针对每个天气功能点，计算该天气功能点在每个决策树模型中对应的误差差值之间的和值，将所述和值与决策树模型的数量之间的比值确定为该天气功能点对应的重要性指数，所述误差差值为第一袋外数据误差和第二袋外数据误差之间的差值。7.根据权利要求6所述的方法，其特征在于，分类结果指示决策树模型识别出的验证天气场景对应的预测场景类型，其中，通过以下方式确定每个决策树模型对应的第一袋外数据误差：根据该决策树模型对应的每个验证天气场景的场景类型标签，确定每个验证天气场景对应的实际场景类型；针对该决策树模型对应的每个验证天气场景，将该验证天气场景对应的预测场景类型
与实际场景类型进行验证比较，获取比较结果；统计该决策树模型中预测场景类型与实际场景类型之间的比较结果不一致的验证天气场景的数量值；将所述数量值与该决策树模型对应的验证天气场景总数之间的比值确定为该决策树模型对应的第一袋外数据误差。8.根据权利要求1所述的方法，其特征在于，通过以下方式搭建形成多个有效天气场景：对每个天气功能点对应的重要性指数进行降序排序，选取排序结果中前预设个数的天气功能点，确定为多个目标天气功能点；以多个目标天气功能点为场景训练集，构建目标决策树模型；对多个目标天气功能点进行遍历取值，构建多个候选天气场景并输入目标决策树模型进行场景类型分类；针对每个候选天气场景，若目标决策树模型输出的该候选天气场景对应的场景类型为自然场景，则将该候选天气场景确定为有效天气环境场景。9.一种天气场景的搭建装置，其特征在于，所述装置包括：获取模块，用于获取原始场景数据集，所述原始场景数据集包括多个天气场景，每个天气场景包括多个天气功能点；构建模块，用于利用随机森林法对所述原始场景数据集进行采样，根据采样结果构建多个决策树模型；确定模块，用于根据所述多个决策树模型，确定每个天气功能点对应的重要性指数；提取模块，用于根据每个天气功能点对应的重要性指数，从所述多个天气功能点中提取得到多个目标天气功能点；搭建模块，用于利用所述多个目标天气功能点，搭建形成多个有效天气场景。10.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至8任一所述的天气场景的搭建方法的步骤。

技术总结
本申请提供了一种天气场景的搭建方法、装置及电子设备，涉及自动驾驶场景搭建技术领域，方法包括：获取原始场景数据集，原始场景数据集包括多个天气场景，每个天气场景包括多个天气功能点；利用随机森林法对原始场景数据集进行采样，根据采样结果构建多个决策树模型；根据多个决策树模型，确定每个天气功能点对应的重要性指数；根据每个天气功能点对应的重要性指数，从多个天气功能点中提取得到多个目标天气功能点；利用多个目标天气功能点，搭建形成多个有效天气场景。本申请通过决策树对天气功能点进行提取并组合形成有效天气场景，有效提升天气场景的搭建效率以及覆盖度。提升天气场景的搭建效率以及覆盖度。提升天气场景的搭建效率以及覆盖度。


技术研发人员：何丰 郝运泽 张旋 谭哲 陈旭中
受保护的技术使用者：北京赛目科技股份有限公司
技术研发日：2023.08.14
技术公布日：2023/9/13