小区网络流量预测方法及装置

摘要

本发明实施例公开一种小区网络流量预测方法及装置，能提高小区网络流量预测的精度和准确度。方法包括：获取待预测小区历史一段时间内的流量数据，根据所述流量数据生成流量时间序列；将所述流量时间序列输入预先训练好的预测模型，得到所述待预测小区的流量预测结果，其中，所述预测模型为单整自回归移动平均模型、灰色预测模型和小波神经网络模型的加权组合，所述加权组合的权重根据人工蜂群算法确定。

权利要求

1.一种小区网络流量预测方法，其特征在于，包括：

获取待预测小区历史一段时间内的流量数据，根据所述流量数据生成流量时间序列，其中，所述流量时间序列包括按时间顺序从前到后排列的多个流量值，所述多个流量值中的每一个流量值均对应一个时间点，所述多个流量值中的第一个流量值为所述待预测小区在第一时间段内的流量数据的总量，所述第一时间段为该第一个流量值对应的时间点与初始时间点之间的时间段，所述初始时间点在所述第一时间点之前，所述第一时间段的时长为第一时长，对于所述多个流量值中除所述第一个流量值外的其它每一个流量值，该流量值为所述待预测小区在该流量值对应的时间点与所述多个流量值对应的时间点中该时间点前一个时间点之间的时间段内流量数据的总量，所述多个流量值对应的时间点中每两个相邻的时间点之间的时长为所述第一时长；

将所述流量时间序列输入预先训练好的预测模型，得到所述待预测小区的流量预测结果，其中，所述预测模型为单整自回归移动平均模型、灰色预测模型和小波神经网络模型的加权组合，所述加权组合的权重根据人工蜂群算法确定。

2.根据权利要求1所述的方法，其特征在于，所述将所述流量时间序列输入预先训练好的预测模型，包括：对所述流量时间序列进行归一化处理；

将归一化处理后的所述流量时间序列输入所述预测模型。

3.根据权利要求2所述的方法，其特征在于，所述人工蜂群算法使用的适应度函数为在所述权重属于对应的取值范围的条件下，最小化所述预测模型的预测误差。

4.根据权利要求1所述的方法，其特征在于，所述小波神经网络模型的小波基函数使用Morlet母小波基函数。

5.一种小区网络流量预测装置，其特征在于，包括：

生成单元，用于获取待预测小区历史一段时间内的流量数据，根据所述流量数据生成流量时间序列，其中，所述流量时间序列包括按时间顺序从前到后排列的多个流量值，所述多个流量值中的每一个流量值均对应一个时间点，所述多个流量值中的第一个流量值为所述待预测小区在第一时间段内的流量数据的总量，所述第一时间段为该第一个流量值对应的时间点与初始时间点之间的时间段，所述初始时间点在所述第一时间点之前，所述第一时间段的时长为第一时长，对于所述多个流量值中除所述第一个流量值外的其它每一个流量值，该流量值为所述待预测小区在该流量值对应的时间点与所述多个流量值对应的时间点中该时间点前一个时间点之间的时间段内流量数据的总量，所述多个流量值对应的时间点中每两个相邻的时间点之间的时长为所述第一时长；

预测单元，用于将所述流量时间序列输入预先训练好的预测模型，得到所述待预测小区的流量预测结果，其中，所述预测模型为单整自回归移动平均模型、灰色预测模型和小波神经网络模型的加权组合，所述加权组合的权重根据人工蜂群算法确定。

6.根据权利要求5所述的装置，其特征在于，所述预测单元，具体用于：

对所述流量时间序列进行归一化处理；

将归一化处理后的所述流量时间序列输入所述预测模型。

7.根据权利要求6所述的装置，其特征在于，所述人工蜂群算法使用的适应度函数为在所述权重属于对应的取值范围的条件下，最小化所述预测模型的预测误差。

8.根据权利要求5所述的装置，其特征在于，所述小波基函数使用Morlet母小波基函数。

9.一种电子设备，其特征在于，包括：处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序；

其中，所述处理器，存储器通过所述总线完成相互间的通信；

所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的方法。

说明书

小区网络流量预测方法及装置

技术领域

[0001] 本发明实施例涉及通信技术领域，具体涉及一种小区网络流量预测方法及装置。

背景技术

[0002] 小区流量是表示小区忙闲程度的一个重要指标，它是指在一段时间内，经过该小区的所有数据量的总和。小区流量的变化，表现了该小区内用户使用数据业务的变化情况，且成正相关。为了掌握网络流量动态变化趋势，为异常流量安全监控、网络资源分配规划以及优化网络协议性能提供依据，需要对小区流量进行预测。

[0003] 目前，有一种使用BP(Back Propagation，反向传播)神经网络模型的网络流量预测方法，主要包括如下步骤：通过小波包分解对原始网络流量时间序列信号数据进行预定层数序列分解得到子序列；根据子序列建立BP神经网络模型，并利用飞蛾纵横交叉捕焰算法自适应调整BP神经网络模型的阈值和权值；根据调整后的阈值和权值，利用BP神经网络模型对子序列进行优化，得到子序列预测值；将子序列预测值进行叠加重构得到网络流量的预测结果。该使用BP神经网络模型的预测方法，可以识别复杂的非线性系统，但模型中的参数具有很大的随机性，网络在训练时容易陷入局部最优导致模型逼近能力弱、预测精度不高。

发明内容

[0004] 针对现有技术存在的不足和缺陷，本发明实施例提供一种小区网络流量预测方法及装置。

[0005] 一方面，本发明实施例提出一种小区网络流量预测方法，包括：

[0006] S1、获取待预测小区历史一段时间内的流量数据，根据所述流量数据生成流量时间序列，其中，所述流量时间序列包括按时间顺序从前到后排列的多个流量值，所述多个流量值中的每一个流量值均对应一个时间点，所述多个流量值中的第一个流量值为所述待预测小区在第一时间段内的流量数据的总量，所述第一时间段为该第一个流量值对应的时间点与初始时间点之间的时间段，所述初始时间点在所述第一时间点之前，所述第一时间段的时长为第一时长，对于所述多个流量值中除所述第一个流量值外的其它每一个流量值，该流量值为所述待预测小区在该流量值对应的时间点与所述多个流量值对应的时间点中该时间点前一个时间点之间的时间段内流量数据的总量，所述多个流量值对应的时间点中每两个相邻的时间点之间的时长为所述第一时长；

[0007] S2、将所述流量时间序列输入预先训练好的预测模型，得到所述待预测小区的流量预测结果，其中，所述预测模型为单整自回归移动平均模型、灰色预测模型和小波神经网络模型的加权组合，所述加权组合的权重根据人工蜂群算法确定。

[0008] 另一方面，本发明实施例提出一种小区网络流量预测装置，包括：

[0009] 生成单元，用于获取待预测小区历史一段时间内的流量数据，根据所述流量数据生成流量时间序列，其中，所述流量时间序列包括按时间顺序从前到后排列的多个流量值，所述多个流量值中的每一个流量值均对应一个时间点，所述多个流量值中的第一个流量值为所述待预测小区在第一时间段内的流量数据的总量，所述第一时间段为该第一个流量值对应的时间点与初始时间点之间的时间段，所述初始时间点在所述第一时间点之前，所述第一时间段的时长为第一时长，对于所述多个流量值中除所述第一个流量值外的其它每一个流量值，该流量值为所述待预测小区在该流量值对应的时间点与所述多个流量值对应的时间点中该时间点前一个时间点之间的时间段内流量数据的总量，所述多个流量值对应的时间点中每两个相邻的时间点之间的时长为所述第一时长；

[0010] 预测单元，用于将所述流量时间序列输入预先训练好的预测模型，得到所述待预测小区的流量预测结果，其中，所述预测模型为单整自回归移动平均模型、灰色预测模型和小波神经网络模型的加权组合，所述加权组合的权重根据人工蜂群算法确定。

[0011] 第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序；

[0012] 其中，所述处理器，存储器通过所述总线完成相互间的通信；

[0013] 所述处理器执行所述计算机程序时实现上述方法。

[0014] 第四方面，本发明实施例提供一种非暂态计算机可读存储介质，所述存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述方法。

[0015] 本发明实施例提供的小区网络流量预测方法及装置，一方面，有效利用单整自回归移动平均模型、灰色预测模型和小波神经网络模型分别提供的有用信息，克服了这三种单项预测模型单独用来预测网络流量的局限性，规避了单项模型有时误差过大的影响，提高了预测精度和准确度；另一方面，在利用预测模型预测网络流量前，引入人工蜂群算法来优化预测模型中的权重，工作量较少，能保证所求权重恒大于零相较于背景技术的现有技术中提到的飞蛾纵横交叉捕焰算法，人工蜂群算法具备一些优良的性能，如算法的复杂度低，收敛速度快，鲁棒性强，且每次迭代都进行全局和局部搜索，从而避免了局部最优，增加了找寻最优极值的概率。综上，本发明实施例利用集成学习、组合预测的思想对各种单项预测模型进行加权集成、融合，克服了单项预测模型的缺陷，有效利用了各模型提供的有用信息，规避了单项模型误差过大的影响，能够有效提高预测精度和预测准确度，有利于更好的配置资源，实现资源的灵活分配和有效利用。

附图说明

[0016] 图1为本发明小区网络流量预测方法一实施例的流程示意图；

[0017] 图2为本发明小区网络流量预测方法另一实施例的部分流程示意图；

[0018] 图3为本发明小区网络流量预测装置一实施例的结构示意图；

[0019] 图4为本发明实施例提供的一种电子设备的实体结构示意图。

具体实施方式

[0020] 为使本发明实施例的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明实施例保护的范围。

[0021] 参看图1，本实施例公开一种小区网络流量预测方法，包括：

[0022] S1、获取待预测小区历史一段时间内的流量数据，根据所述流量数据生成流量时间序列，其中，所述流量时间序列包括按时间顺序从前到后排列的多个流量值，所述多个流量值中的每一个流量值均对应一个时间点，所述多个流量值中的第一个流量值为所述待预测小区在第一时间段内的流量数据的总量，所述第一时间段为该第一个流量值对应的时间点与初始时间点之间的时间段，所述初始时间点在所述第一时间点之前，所述第一时间段的时长为第一时长，对于所述多个流量值中除所述第一个流量值外的其它每一个流量值，该流量值为所述待预测小区在该流量值对应的时间点与所述多个流量值对应的时间点中该时间点前一个时间点之间的时间段内流量数据的总量，所述多个流量值对应的时间点中每两个相邻的时间点之间的时长为所述第一时长；

[0023] S2、将所述流量时间序列输入预先训练好的预测模型，得到所述待预测小区的流量预测结果，其中，所述预测模型为单整自回归移动平均模型、灰色预测模型和小波神经网络模型的加权组合，所述加权组合的权重根据人工蜂群算法确定。

[0024] 本实施例中，需要说明的是，如图2所示，在使用预测模型进行流量预测之前，需要训练预测模型，过程为：利用训练样本(取自根据某小区历史某一时间段内的流量数据生成的流量时间序列)训练组成预测模型的各个单项模型，即单整自回归移动平均模型(ARIMA模型)、灰色预测模型(GM模型)和小波神经网络模型(WNN模型)，然后将训练样本中的输入数据输入训练好的ARIMA模型、GM模型和WNN模型，得到训练样本中输入数据基于ARIMA模型、GM模型和WNN模型的预测输出数据，利用所述训练样本中输入数据基于ARIMA模型、GM模型和WNN模型的预测输出数据和所述训练样本中输入数据的期望输出数据，以期望输出和预测输出的误差最小为原则，采用人工蜂群算法确定所述权重，至此所述预测模型的训练过程完成。

[0025] 需要说明的是，训练样本的获得方法为：获取某小区历史某一时间段内的流量数据，然后根据所述流量数据生成流量时间序列，该过程为：每隔第一时长(比如15分钟)统计该时间段内的待预测小区的流量总量，可以得到多个流量值，该多个流量值构成所述训练样本。为了加快各个单项模型的训练速度，避免因数据相差太大影响各个单项模型的预测精度，可以对训练样本进行归一化处理，将其归一化到[0,1]区间，利用归一化后的训练样本进行训练。

[0026] 在进行流量预测时，需要获取待预测小区历史一段时间内的流量数据，然后根据所述流量数据生成流量时间序列，该过程为：每隔第一时长统计该时间段内的待预测小区的流量总量，可以得到多个流量值，该多个流量值即为根据所述流量数据生成的流量时间序列。最后，将所述流量时间序列输入训练好的预测模型，即可得到所述待预测小区的流量预测结果，即未来一段时间内的流量时间序列。可以理解的是，未来一段时间内的流量时间序列指的是所述待预测小区在未来一段时间内每隔第一时长的流量总量的预测值。

[0027] 本发明实施例提供的小区网络流量预测方法，一方面，有效利用单整自回归移动平均模型、灰色预测模型和小波神经网络模型分别提供的有用信息，克服了这三种单项预测模型单独用来预测网络流量的局限性，规避了单项模型有时误差过大的影响，提高了预测精度和准确度；另一方面，在利用预测模型预测网络流量前，引入人工蜂群算法来优化预测模型中的权重，工作量较少，能保证所求权重恒大于零相较于背景技术的现有技术中提到的飞蛾纵横交叉捕焰算法，人工蜂群算法具备一些优良的性能，如算法的复杂度低，收敛速度快，鲁棒性强，且每次迭代都进行全局和局部搜索，从而避免了局部最优，增加了找寻最优极值的概率。综上，本发明实施例利用集成学习、组合预测的思想对各种单项预测模型进行加权集成、融合，克服了单项预测模型的缺陷，有效利用了各模型提供的有用信息，规避了单项模型误差过大的影响，能够有效提高预测精度和预测准确度，有利于更好的配置资源，实现资源的灵活分配和有效利用。

[0028] 在前述方法实施例的基础上，所述将所述流量时间序列输入预先训练好的预测模型，可以包括：

[0029] 对所述流量时间序列进行归一化处理；

[0030] 将归一化处理后的所述流量时间序列输入所述预测模型。

[0031] 在前述方法实施例的基础上，所述人工蜂群算法使用的适应度函数为在所述权重属于对应的取值范围的条件下，最小化所述预测模型的预测误差。

[0032] 本实施例中，在使用人工蜂群算法确定权重之前，首先需要通过网管平台对某小区的网络流量进行实时采集，并对获得的流量数据进行预处理，形成网络流量时间序列。比如通过网管平台获取某小区连续7天的流量数据，每隔15min记录一次该时间段内的流量值，共获得672个时间点的数据，将其分为训练集和测试集。其中训练集为前6天共576个网络流量的数据，测试集为第7天共96个网络流量的数据，其中，训练集用于训练模型，测试集用于测试训练得到的模型的的预测精度。

[0033] 然后利用网络流量时间序列分别训练ARIMA模型、GM模型和WNN模型三种模型，并分别进行预测分析，过程如下：

[0034] 1、训练ARIMA模型的具体步骤为：

[0035] (1)对网络流量时间序列数据进行平稳化处理；

[0036] (2)对平稳网络流量时间序列数据分别求得其自相关ACF图和偏自相关PACF图，通过对ACF图和PACF图的分析，得到最佳的阶层p和阶数q；

[0037] (3)利用p和q建立ARIMA模型，对建好的ARIMA模型进行诊断校验；

[0038] (4)在诊断校验通过后，利用建好的ARIMA模型进行预测分析。

[0039] 2、训练GM模型的具体步骤为：

[0040] (1)对原始数列进行累加，得到累加生成序列

[0041] 假设x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))为原始序列，对x(0)累加，生成一阶累加序列I-AGO：x(1)＝(x(1)(1),x(1)(2),…,x(1)(n))；

[0042] (2)利用一阶累加序列I-AGO构造矩阵B和矩阵Y：

[0043]

[0044] (3)利用下式求出特定参数a、u的值：

[0045]

[0046] (4)根据参数a、u建立如下GM模型：

[0047]

[0048] (5)利用建好的GM模型进行预测。

[0049] 3、训练WNN模型的具体步骤为：

[0050] (1)网络初始化。随机初始化第j个隐含层的小波基函数的伸缩因子aj、第j个隐含层的小波基函数的平移因子bj以及第i个输入层到第j个隐含层的连接权重ωij、第j个隐含层到第k个输出层的连接权重ωjk，设置网络学习速率η。

[0051] (2)预测输出。把训练集输入网络，计算网络预测输出并计算网络输出和期望输出的误差e：

[0052]

[0053] 其中，yn(k)为期望输出，y(k)为小波神经网络预测输出，且

[0054]

[0055] 其中，h(j)为第j个隐含层节点的输出；l为隐含层节点数；m为输出层节点数。

[0056]

[0057] Hj为小波基函数，可采用Morlet母小波基函数，数学公式为：

[0058] y＝cos(1.75x)e-x2/2。

[0059] (3)判断算法是否结束，若没有结束，执行步骤(4)，或者若结束，得到aj、bj以及ωij、ωjk，即完成WNN模型的训练。

[0060] (4)权值修正。根据误差修正网络权值和小波基函数参数，使网络预测值逼近期望值，并执行步骤(2)，其中，网络权值和小波基函数参数的修正公式如下：

[0061]

[0062]

[0063]

[0064]

[0065] 式中，上式中各个量的上标表示迭代次数，

[0066]

[0067]

[0068]

[0069]

[0070] 训练完ARIMA模型、GM模型和WNN模型后，需要以使样本点处组合预测误差et的绝对值最小为准则，建立如下预测模型：

[0071]

[0072] 其中，xs(t)和x(t)分别为第i个单项预测模型和组合预测模型在t时刻的预测值，ωs(t)表示第i个单项预测模型在t时刻的权重，n为预测模型输出数据对应的时间点的个数，且满足：

[0073]

[0074] 在建立完预测模型后，需要利用人工蜂群算法求解所述权重ωs(t)，具体步骤为：

[0075] 初始化。假设蜜蜂总数为Ns，其中采蜜蜂种群规模为Ne，观察蜂种群规模为Nu(一般定义Ne＝Nu)，个体向量的维度为D(D＝3)，最大搜索次数limit，最大迭代次数maxCycle。用X(0)代表初始采蜜蜂种群，X(n)代表第n代采蜜蜂种群。对于n＝0时刻，随机生成Ns个可行解(X1,X2,...,XNs)，具体随机产生的可行解Xp中第q个分量为：

[0076]

[0077] 式中，q取值于{1,2，…，D}，为D维解向量的某个分量， 和 分别为可行解中第q个分量可以取到的最大值和最小值。

[0078] 分别计算各可行解的适应度函数值，并根据函数值大小，将蜂群分为采蜜蜂和观察蜂，其中，人工蜂群算法的适应度函数为：

[0079]

[0080] 采蜜蜂在每个蜜源的附近局部搜索寻找新蜜源，并计算其适应度函数值(蜜源的花蜜量或者“收益度”)，若其收益度更高，则取代原蜜源；观察蜂按照与蜜源适应度函数值成比例的概率，选择一个蜜源，并在其附近进行采蜜，寻找其他蜜源，若其收益度更高，则观察蜂转换为采蜜蜂，取代原蜜源位置。在此过程中，蜜源位置的更新公式为：

[0081]

[0082] 式中，c取值于{1,2，…，Ne}，且c不等于p。其中c，q均随机生成，rand()为[-1,1]之间的随机数。

[0083] 若采蜜蜂、观察蜂搜寻次数超过限定次数limit，仍然没有找到更高适应度的蜜源，则放弃该蜜源，同时蜜蜂的角色由采蜜蜂或者观察蜂转化为侦查蜂，并随机产生一个新的蜜源，直至满足终止条件，即达到最大迭代次数maxCycle，输出最优蜜源，即收益度最大的蜜源作为最优解。

[0084] 在确定出所述权重后，至此即完成预测模型的训练过程了。

[0085] 在前述方法实施例的基础上，所述小波基函数使用Morlet母小波基函数。

[0086] 参看图3，本实施例公开一种小区网络流量预测装置，包括：

[0087] 生成单元1，用于获取待预测小区历史一段时间内的流量数据，根据所述流量数据生成流量时间序列，其中，所述流量时间序列包括按时间顺序从前到后排列的多个流量值，所述多个流量值中的每一个流量值均对应一个时间点，所述多个流量值中的第一个流量值为所述待预测小区在第一时间段内的流量数据的总量，所述第一时间段为该第一个流量值对应的时间点与初始时间点之间的时间段，所述初始时间点在所述第一时间点之前，所述第一时间段的时长为第一时长，对于所述多个流量值中除所述第一个流量值外的其它每一个流量值，该流量值为所述待预测小区在该流量值对应的时间点与所述多个流量值对应的时间点中该时间点前一个时间点之间的时间段内流量数据的总量，所述多个流量值对应的时间点中每两个相邻的时间点之间的时长为所述第一时长；

[0088] 预测单元2，用于将所述流量时间序列输入预先训练好的预测模型，得到所述待预测小区的流量预测结果，其中，所述预测模型为单整自回归移动平均模型、灰色预测模型和小波神经网络模型的加权组合，所述加权组合的权重根据人工蜂群算法确定。

[0089] 具体地，所述生成单元1获取待预测小区历史一段时间内的流量数据，根据所述流量数据生成流量时间序列；所述预测单元2将所述流量时间序列输入预先训练好的预测模型，得到所述待预测小区的流量预测结果。

[0090] 本发明实施例提供的小区网络流量预测装置，一方面，有效利用单整自回归移动平均模型、灰色预测模型和小波神经网络模型分别提供的有用信息，克服了这三种单项预测模型单独用来预测网络流量的局限性，规避了单项模型有时误差过大的影响，提高了预测精度和准确度；另一方面，在利用预测模型预测网络流量前，引入人工蜂群算法来优化预测模型中的权重，工作量较少，能保证所求权重恒大于零相较于背景技术的现有技术中提到的飞蛾纵横交叉捕焰算法，人工蜂群算法具备一些优良的性能，如算法的复杂度低，收敛速度快，鲁棒性强，且每次迭代都进行全局和局部搜索，从而避免了局部最优，增加了找寻最优极值的概率。综上，本发明实施例利用集成学习、组合预测的思想对各种单项预测模型进行加权集成、融合，克服了单项预测模型的缺陷，有效利用了各模型提供的有用信息，规避了单项模型误差过大的影响，能够有效提高预测精度和预测准确度，有利于更好的配置资源，实现资源的灵活分配和有效利用。

[0091] 在前述装置实施例的基础上，所述预测单元，具体可以用于：

[0092] 对所述流量时间序列进行归一化处理；

[0093] 将归一化处理后的所述流量时间序列输入所述预测模型。

[0094] 在前述装置实施例的基础上，所述人工蜂群算法使用的适应度函数为在所述权重属于对应的取值范围的条件下，最小化所述预测模型的预测误差。

[0095] 在前述装置实施例的基础上，所述小波基函数使用Morlet母小波基函数。

[0096] 图4示出了本发明实施例提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器11、存储器12、总线13及存储在存储器12上并可在处理器11上运行的计算机程序；

[0097] 其中，所述处理器11，存储器12通过所述总线13完成相互间的通信；

[0098] 所述处理器11执行所述计算机程序时实现上述各方法实施例所提供的方法，例如包括：获取待预测小区历史一段时间内的流量数据，根据所述流量数据生成流量时间序列；将所述流量时间序列输入预先训练好的预测模型，得到所述待预测小区的流量预测结果。

[0099] 本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例所提供的方法，例如包括：获取待预测小区历史一段时间内的流量数据，根据所述流量数据生成流量时间序列；将所述流量时间序列输入预先训练好的预测模型，得到所述待预测小区的流量预测结果。

[0100] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

[0101] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0102] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0103] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0104] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

[0105] 本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。

[0106] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。