海上漂移轨迹预测方法及系统

技术领域

本发明涉及物体运动轨迹追踪领域，更具体地说，涉及一种海上漂移轨迹预测方法及系统。

背景技术

随着人类对海洋的开发规模越来越大，海洋运输、海洋渔业等海事活动越来越频繁，海难事故越来越受到人们的关注，海上救援或海上物体搜寻工作的频次日益增加。对海上搜救工作来说，时间是最宝贵的。搜救方向和搜救区域的准确，能够有效的提高海上搜救的效率。

海洋中影响海洋漂移物的方向和速度的因素错综复杂，海上漂移物的漂移主要受到海面风力、海流、重力、浮力、波浪的作用。其中重力和浮力平衡，对物体水平运动的影响可以忽略，所以在水平方向上，主要受到风、海流和海浪的作用，风和海流的作用力只有在漂移物和风及流之间产生相对运动时才会产生，波浪对漂移物存在激励作用。

目前的海上漂移物轨迹预测方法，往往是定性的考虑一种或者几种海洋因素，缺乏定量的计算。同时，由于是对单一位置的单一漂移物的计算，没有经过大量粒子模拟后概率学上的统计，具有较大的不确定性。因此，需要一种海上漂移轨迹预测方法，能够全面考虑各种海洋因素，通过大量粒子进行模拟统计的，准确计算海上漂移物漂移方向和速度，从而有效的缩短海上搜救工作的时间，提高海上搜救工作效率，节省消耗的人力物力。

发明内容

有鉴于此，本发明的目的在于提供一种海上漂移轨迹预测方法及系统，用以解决现有技术中无法根据海洋各种因素的影响，快速准确的确定海洋漂移物的运动轨迹，从而贻误海上搜救时机的问题。

为了解决上述技术问题，现提出的方案如下：

一种海上漂移轨迹预测方法，包括：

获取漂移物的初始位置；

根据所述初始位置确定所述漂移物所在海洋区域的海洋参数；

基于所述海洋参数计算特定时刻所述漂移物的漂移位置；

其中，所述海洋参数包括以下至少一个：湍流涡动、海表流场漂移、风导漂移、三维流场漂移或海浪。

优选的，所述根据所述初始位置确定所述漂移物所在海洋区域的海洋参数，具体包括：

根据所述漂浮物的初始位置，确定其所在海洋区域的湍流涡动产生的随机运动距离、海表流场漂移速度，以及风导漂移速度。

优选的，所述漂移物在湍流涡动作用下产生的随机运动距离Δα由以下公式计算：

其中，Δα为α方向上的随机运动距离，α代表x轴、y轴或z轴方向；R为[-1， 1]之间的均匀分布随机数，K

优选的，计算所述漂移物在湍流涡动作用下产生的随机运动距离时，采用多粒子模拟漂移轨迹的方式确定扰动系数K

获取以所述漂移物的初始位置为圆心，以预设距离为半径的多个具有不同初始位置的粒子；

分别将所述扰动系数K

基于预设的置信水平值和多个所述粒子的位置，确定所述置信水平值的所述粒子的置信区间；

基于所述漂移物的位置判断所述漂移物在所述置信区间的保证率；

基于所述保证率确定最优的所述扰动系数K

优选的，所述海表流场漂移速度基于地波雷达观测数据和/或ROMS三维流场预报获取。

优选的，采用四维变分数据同化方法，将ROMS三维流场观测资料处理转化为以动力模式为约束的泛函极小化，通过调整控制变量，得到指定时间窗口内与所述观测资料之间偏差最小的ROMS三维流场预报。

优选的，所述风导漂移速度V

V

其中，W为海面上方10米处风速，k为风拖拽系数。

优选的，基于所述海浪的大小设置所述风拖拽系数k。

优选的，所述基于所述海洋参数计算特定时刻所述漂移物的漂移位置，具体包括：

使用如下公式计算所述漂移物的漂移位置：

其中，

优选的，所述基于所述海洋参数计算特定时刻所述漂移物的漂移位置，具体包括：

采用MapReduce模型计算所述漂移物的漂移位置。

优选的，所述采用MapReduce模型计算所述漂移物的漂移位置，具体包括：

在分布式文件系统HDFS中记录预测的多粒子信息；

将所述多粒子信息划分为M个数据片段，其中M为大于1的整数；

分配所述M个数据片段到MapReduce中不同的工作者Worker；

每一个所述工作者Worker根据所述海洋参数计算每一个粒子的漂移位置；

汇总所述每一个粒子的漂移位置，输出预测的漂移轨迹。

优选的，所述根据所述初始位置确定所述漂移物所在海洋区域的海洋参数，具体包括：

根据所述漂浮物的初始位置，确定其所在海洋区域的湍流涡动产生的随机运动距离以及三维流场引起的漂移。

一种海上漂移轨迹预测系统，包括：

初始位置获取装置，用于获取漂移物的初始位置；

海洋参数采集装置，用于根据所述初始位置确定所述漂移物所在海洋区域的海洋参数；

大数据计算平台，用于基于所述海洋参数计算特定时刻所述漂移物的漂移位置；

其中，所述海洋参数包括以下至少一个：湍流涡动、海表流场漂移、风导漂移、三维流场漂移或海浪。

一种海上漂移轨迹预测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现海上漂移轨迹预测的方法步骤。

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程序，其特征在于，所述计算机程序被处理器执行时实现海上漂移轨迹预测的方法步骤。

从上述的技术方案可以看出，本申请实施例提供的海上漂移轨迹预测方法，通过获取漂移物的初始位置，根据初始位置确定漂移物所在海洋区域的海洋参数，基于海洋参数计算特定时刻漂移物的漂移位置，解决了现有技术中无法快速准确的确定海洋漂移物的运动轨迹的问题，有效的缩短海上搜救时间，提高海上搜救效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。

图1是本发明的海上漂移轨迹预测方法的流程图之一。

图2是本发明的海上漂移轨迹预测方法的流程图之二。

图3是本发明的风导系数对漂移轨迹预报的影响分析示意图。

图4是本发明的粒子的密度分布及95％置信区间示意图。

图5是本发明的地波雷达部署及探测区域示意图。

图6是本发明的四维变分同化示意图。

图7是本发明的大数据平台漂移轨迹预测模式流程示意图。

图8是本发明的海上漂移轨迹预测系统的结构示意图。

图9是本发明的海上漂移轨迹预测装置的结构示意图。

具体实施方式

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，都属于本发明保护的范围。

本发明提供的海上漂移轨迹预测方法适用于物体运动轨迹追踪领域。

海上漂移物的漂移主要受到海面风力、海流、重力、浮力、波浪的作用。其中重力和浮力平衡，对物体水平运动的影响可以忽略，所以在水平方向上，主要受到风、海流和海浪的作用，风和海流的作用力只有在漂移物和风及流之间产生相对运动时才会产生，波浪对漂移物的作用尚不完全清楚，但波浪对水上漂移物存在激励作用。通常认为在波长较漂移物尺寸较大时，可以忽略波浪的影响。

如图1和2所示，本发明提供的海上漂移轨迹预测方法，具体包括：

步骤101，获取漂移物的初始位置。

假定初始位置为

步骤102，根据初始位置确定漂移物所在海洋区域的海洋参数。

海洋参数主要包括以下参数：湍流涡动、海表流场漂移、风导漂移、三维流场漂移或海浪。

本发明的一个实施例中，根据漂浮物的初始位置，确定其所在海洋区域的湍流涡动产生的随机运动距离、海表流场漂移速度，以及风导漂移速度。

风导漂移，指由拖拽或风动压力产生的漂移物漂移，风动压力是指处于一定运动状态下的漂移物水面上所受的空气压力。其风导漂流速度V

V

式中W为海面上方10米处风速，k为风拖拽系数，随着漂移物的不同，排水状态以及漂移物的浸没比例等因素变化而不同。当漂移物为船舶和浮标之时，k介于0.01～0.05之间。一般取0.01～0.03，如是人员落水取0.01，救生筏取0.03，无动力船只取0.02。

这里，需要考虑海浪的影响，海浪大的地方，漂移物容易被海浪涌起，这时候的风拖拽系数可随之变大，公式中k的取值应该进行相应修改，基于海浪的大小设置风拖拽系数k。

漂移物在湍流涡动作用下产生的随机运动距离Δα由以下公式计算：

其中，Δα为α方向上的随机运动距离，α代表x轴、y轴或z轴方向；R为[-1， 1]之间的均匀分布随机数，K

如图3所示，在不考虑风导漂移及随机运动时，由小网格海流表层结果所计算的水质点轨迹与现场浮子轨迹大致吻合，漂浮物的漂流轨迹走向与中国台湾海峡夏季环流的运动趋势一致，由西南向东北漂移，同时，它又明显的体现出潮流往复运动的影响，轨迹迂回北上。

为比较分析不同风导系数影响下的模拟结果，本次试验分别选取风导系数为0、0.01、0.02和0.03。模拟结果与观测结果的平均误差分别为7.08、6.26、 9.01和13.409公里。通过比较发现，风导系数取0.01时，模拟效果最好。

为了考虑漂移物在湍流涡动作用下进行的随机运动，采用多粒子方法模拟漂移物漂移轨迹的多种可能性。湍流涡动的随机性，可以用蒙特卡罗方法进行恰当的描述。蒙特卡罗方法，又称随机抽样技巧或统计实验方法，当所要求解的问题是某种事件出现的概率，或者是某个随机变量的期望值时，可以通过某种实验的方法，得到这种时间出现的概率，或者这个随机变数的平均值。扰动使用的随机数，本文采用均匀随机数的方法，即产生的随机数是在 (-1，1)区间内均匀分布的随机变量的一组样本值。10000个粒子，在湍流涡动作用下，进行彼此独立的运动，能够更大范围的涵盖漂移物可能的轨迹。具体做法如下：在初始时刻，10000个粒子以现场漂移物位置为圆心，以10km 为半径列成圆形，在潮流、海流、风导漂移和湍流涡动的作用下粒子进行漂移运动，记录粒子的位置，每小时保存一次。对各次的结果按如下方法初次分析：设置一个置信水平95％，即9500个粒子落在的最小区间，如图4所示，以10000个粒子为例，密集度较高的9500个粒子所在的区域范围，并判断该时刻现场点是否在该置信区域内。如果在统计的时段内，现场点落在相应的置信区域内的几率，即保证率，大于70％，则K

表1列出不同K

表1不同K

海表流场漂移速度是基于地波雷达观测数据和ROMS三维流场预报获取的。

国家863计划研制的中程高频地波雷达，探测距离可达200公里。该雷达系统主要由紧凑天线阵(超方向天线技术)、高稳定接收通道和大功率全固态发射机等组成，具有对应于超方向天线技术的海洋表面流、浪高、风场反演能力。目前福建示范区已在龙海、东山建站，能有效地实时监测闽南沿海、中国台湾浅滩、澎湖水道、中国台湾西南部沿海海域范围内的海面风场、波浪场和流场。单站探测范围200km，每10分钟一组风、浪、流数据。

如图5所示，龙海站(LoHI)位置：118.14E 24.27N，东山站(DoSA)位置：117.48E23.66N，雷达法线为132度。经过与现场实测资料及其它资料对比，矢量流较可靠的区域为距离雷达50－100公里且与各法线交角小于60度的重叠区域。其中东山(DoSA)位置：117.48E，23.66N；龙海(LoHI)位置： 118.14E，24.27N。雷达法线为132度。

本发明所用的模型是由Regional Ocean ModelingSystem(ROMS)发展而来，ROMS是一个自由表面、静水力学和三维非线性斜压原始方程模型，此模型可以模拟不同尺度的运动，如全球尺度的环流模拟、中尺度由气象因素或是天文潮所引起的水位与流场变化，也可以计算小尺度河流渠道等流体运动；垂直方向采用S坐标系，垂向分层随着地形变化，水平方向采用正交曲线坐标系及Arakawa C差分网格；为提高计算效率，采用了模态分离法，将带自由表面的三维流动问题分成表面波的传播问题(外模态)和内波的传播问题(内模态)，对外模态仍用显式差分；计算涡动黏性系数和紊动扩散系数由2.5阶紊流模型(Mellorand Yamada，1982)确定，在一定程度上摆脱了人为因素的干扰，模型已经被广泛应用到了从区域到大洋环流不同尺度的数值模拟中去。

四维变分方法将观测资料处理转化为以动力模式为约束的泛函极小化，其目标是通过调整控制变量，使指定时间窗口内有控制变量得到的模式预报结果与实际观测资料之间的偏差达到最小。四维变分方法能够将不同时刻、不同地区、不同性质的观测资料，包括最优插值法很难应用的卫星、雷达等非常规观测资料作为一个整体进行考虑，从而得到与预报模式协调一致的初始场。

本发明采用四维变分数据同化方法，将ROMS三维流场观测资料处理转化为以动力模式为约束的泛函极小化，通过调整控制变量，得到指定时间窗口内与所述观测资料之间偏差最小的ROMS三维流场预报。

数据同化的统计基础：观测数据和模型结果这些信息都存在误差和某种形式的近似，因此在数据同化的过程中不能完全信任它们，需要做出某种方式的折中，以减小分析场和真实值之间的平均误差，因此需要定量考虑数据的不确定性。这种不确定性可以通过对误差概率的校准或假设进行分析，通过概率论的方法，可以把问题转换成一个最优化问题，希望能够不放大甚至能够缩小这种不确定性。

(1)模式状态向量和观测向量

模式中用于描述海洋状态的一系列要素组成了模式状态向量x，海洋真实状态向量和模式状态变量是有区别的，真实状态向量比模式状态向量的描述往往会更复杂。我们用x

x

分析的目标是希望得到的分析场x

观测资料和模式向量之间的偏差由以下公式给出：

d＝y

当使用背景场x

(2)误差模型

对海洋状态最好的估计是由先验的海洋信息(背景场)与观测资料来获得，为了最优地结合这些信息，需要有关这些信息误差的统计信息，建立描述这些向量和其真值之间误差的模型。无论是观测值还是模式计算结果都是含有误差的，与真实状态之差记为ε。假设能以严格相同的条件重复进行多次分析试验，则每次试验得到的ε都是不相同的。根据这种试验能够得到ε的一些统计量，如数学期望和方差。在任意一次分析时，并不能知道误差ε具体是多少，但至少能知道它的统计特性，一般流行的标量密度函数模型是高斯函数。

对于实际的数据同化分析来说，背景场和分析场维度的量级一般为10

误差协方差矩阵可以从一个向量误差

这里的上横线表示数学期望(即与E()相同)。对于一般的大小为n的误差向量，其协方差矩阵为n×n矩阵，是对称和正定的，其对角线元素是向量误差分量的方差

若

为了进行背景场和观测场误差估计，引入以下概念：

背景误差：ε

分析误差：ε

观测误差：ε

同时，我们假设观测和背景误差是不相关的：E(ε

从实现技术上看，四维变分方法是三维变分在时间维上的一个重要扩展，在观测资料处理、背景场误差物理、最优化算法等方面上处理的方法可以完全相同。两者主要不同在于四维变分考虑了多个时刻的观测资料以及模式场，因此需要在同化系统中引入正模式、切线模式和伴随模式。

(2)目标函数

四维变分方法目标是使得模式预报能够很好的拟合时间窗口内观测数据，由于模式预报是由模式初始场正向积分模式得到的，因此实际上是在寻找一个最优的初始场，使得模式预报能够最好拟合同化时间区间内的观测数据。采用数学公式表示四维变分同化就是要极小化关于初始场x(t

其中x

该目标函数只是针对模式的初始状态x

四维变分同化需要迭代求解正模式、切线模式和伴随模式，直接求解四维变分问题的计算量十分巨大。目标函数按照分析变量构造的，理想的情况下分析变量和模式变量取相同的分辨率，这对于高分辨率模式，无疑会使得极小化过程的计算成本变得很大。研究表明，不直接求解目标分析变量，而是求解分析增量，再利用分析增量来修正分析变量，可以大大减少计算开销。其基本思想是将目标函数表示为增量形式，在低分辨率下求解分析增量，然后再将低分辨率的分析增量转化为高分辨率下的分析场，分析增量可以看成是控制变量的一个扰动。由于分析增量的计算可以在较低的分辨率上进行，因此可以大大减少四维变分方法的计算开销。

(3)目标函数的增量形式

增量方法采用迭代过程，开始时将背景场作为迭代的起始值，

因此，目标函数可以改写为

将其中的预报积分模式

忽略其二阶项，有：

在之前的描述中，已经提到了观测算子H

将以上线性化处理代入目标函数，就可以得到如下的增量形式：

其中

这样就引入了非线性模式M的切线性模式L，其作用是得到t

模式计算

其中

切线性模式

求解四维变分同化，需要计算目标函数的梯度，即目标函数对初始扰动的偏导：

其中

在四维变分极小化过程的每一步迭代都要计算梯度，在向前积分过程中，对每个观测时间计算观测增量

目标函数的Hessian矩阵为：

在迭代的过程中，为了加快极小化迭代过程的收敛速度，可以通过“预处理”的方式来加速。引入预条件子来减少目标函数Hessian矩阵的预条件数。最佳的预条件子是使得Hessian矩阵为单位矩阵，但由于Hessian矩阵的观测项太复杂，在实际中一般使用B

δx

其中变换矩阵U为背景场误差协方差矩阵B的Cholesky分解，即满足 B＝UU

对应的梯度为：

对应的Hessian矩阵为：

引入预条件处理后，改变了控制变量不仅减少了条件数，而且避免了求解背景场协方差矩阵的逆，使得目标函数更“球面”，每一步迭代可以更加接近目标函数的最小值。

(4)四维变分同化计算流程

假设已经实现了切线性模式和伴随模式，四维变分的具体计算步骤如下：

1.在同化时间窗口内，利用模式的初始场，计算非线性模式；

2.若外循环条件满足，四维变分计算结束；

3.计算更新向量

4.将控制变量v

5.将切线性模式从t

6.利用观测算子将每个分析增量从模式空间转化到观测空间，计算

7.在观测空间中完成观测偏差的计算，即分析增量与更新向量的相加

8.将得到的模式空间中的观测偏差作为伴随模式的输入，反向积分伴随模式；

9.将伴随模式得到的结果和控制变量相加，得到关于控制变量的目标函数梯度

10.计算新的控制变量v

四维变分同化的计算流程分为外循环和内循环，外循环由更新向量和最优化两部分组成；内循环主要完成最优化算法的迭代步，通过切线性模式正向积分和伴随模式反向积分，求解目标函数及其梯度。

步骤103，基于海洋参数计算特定时刻漂移物的漂移位置。

使用如下公式计算所述漂移物的漂移位置：

其中，

此公式被称为拉格朗日追踪法。显然拉格朗日追踪法的核心就是求解

这里构成本发明的另一个实施例，根据所述漂浮物的初始位置，确定其所在海洋区域的湍流涡动产生的随机运动距离以及三维流场引起的漂移。在随机运动的时候考虑到垂向的随机运动，在海水下层后就只需要考虑底层海流信息，而不需要使用海表的风场和波浪的信息。

本发明的预测模型建立在海洋大数据平台基础上，将采用了Hadoop的分布式架构，在其上构架分布式文件系统HDFS，并运行其上的MapReduce计算引擎。Hadoop分布式文件系统(HDFS)被设计成适合运行在通用硬件 (commodity hardware)上的分布式文件系统。HDFS是一个高度容错性的系统，适合部署在廉价的机器上。HDFS能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。HDFS放宽了一部分POSIX约束，来实现流式读取文件系统数据的目的。

漂移轨迹预测算法拟采用MapReduce的计算方式，这是一种分布式大数据的编程模型，用于大规模数据集的分布式运算。MapReduce是一个使用简易的软件框架，基于它写出来的应用程序能够运行在由上千个商用机器组成的大型集群上，并以一种可靠容错的式并行处理上T级别的数据集。支持海量数据集并行计算管理，支持任务的状态、分布、执行、异常和消息同步管理，支持任务执行过程管理，支持通用的MapReduce模型执行，支持计算资源异常(计算节点跌机或者网络异常)，计算任务的异常容错,计算资源的动态可扩展性，计算资源的动态扩展,支持对计算任务输入和输出的常用压缩算法，如GZIP、ZIP、BIZP2、LZO、SNAPPY等算法。

MapReduce的编程模型的原理是：利用一个输入key/value对集合来产生一个输出的key/value对集合。MapReduce库的用户用两个函数表达这个计算： Map和Reduce。用户自定义的Map函数接受一个输入的key/value对值，然后产生一个中间key/value对值的集合。MapReduce库把所有具有相同中间key 值的中间value值集合在一起后传递给Reduce函数。用户自定义的Reduce函数接受一个中间key的值和相关的一个value值的集合。Reduce函数合并这些 value值，形成一个较小的value值的集合。

如图7所示，MapReduce的计算流程是：

在分布式文件系统HDFS中记录预测的多粒子信息；

将所述多粒子信息划分为M个数据片段，其中M为大于1的整数；

分配所述M个数据片段到MapReduce中不同的工作者Worker；

每一个所述工作者Worker根据所述海洋参数计算每一个粒子的漂移位置；

汇总所述每一个粒子的漂移位置，输出预测的漂移轨迹。

具体来说，通过将Map调用的输入数据自动分割为M个数据片段的集合， Map调用被分布到多台机器上执行。输入的数据片段能够在不同的机器上并行处理。使用分区函数将Map调用产生的中间key值分成R个不同分区(例如，hash(key)mod R)，Reduce调用也被分布到多台机器上执行。分区数量 (R)和分区函数由用户来指定。

MapReduce漂移轨迹算法将输入数据(多个粒子的信息)自动分割为M 个数据片段的集合，Map调用被分布到多台机器上执行。输入的数据片段能够在不同的机器上并行处理。使用分区函数将Map调用产生的中间key值分成R个不同分区(例如，hash(key)mod R)，Reduce调用也被分布到多台机器上执行。分区数量(R)和分区函数由用户来指定。

综上所述，本发明为考虑随机运动对漂移轨迹造成的扰动，提高海上搜救的成功率，首次在大数据平台上实现了拉格朗日法和蒙特卡罗法联合应用模型算法，利用大数据平台可扩展分布式计算框架的能力，同时对海量的粒子进行漂移轨迹进行预测计算，在更大范围涵盖漂移物可能出现的概率，大幅提升多粒子概率预测算法的计算效率，相同计算能力情况下大数据漂移轨迹算法计算时长大幅减少；在紧急情况下，能够线性扩展计算资源，快速部署新的分布式计算节点，在足够算力的支持下，计算时长可成倍缩减，提高海上搜救效率。

基于本发明前文提供的一种海上漂移轨迹预测方法的相同构思，本发明还提供一种海上漂移轨迹预测系统，如图8所示，该装置包括：初始位置获取装置100、海洋参数采集装置200和大数据计算平台300。

初始位置获取装置100，用于获取漂移物的初始位置。

海洋参数采集装置200，用于根据初始位置确定漂移物所在海洋区域的海洋参数。

大数据计算平台300，用于基于海洋参数计算特定时刻漂移物的漂移位置。

其中，所述海洋参数包括以下至少一个：湍流涡动、海表流场漂移、风导漂移、三维流场漂移或海浪。

基于本发明前文提供的一种海上漂移轨迹预测方法的相同构思，本发明还提供一种海上漂移轨迹预测装置，如图9所示，该装置包括：存储器101、处理器102以及存储在所述存储器中并可在处理器102上运行的计算机程序。处理器102执行计算机程序时实现海上漂移轨迹预测的方法步骤。

最后，还需要说明的是，在本文中，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。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

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。

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。

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。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

附图中的流程图和框图显示了根据本发明的多个实施例的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图和框图中的每个方框可以代表一个模块、程序段或代码的一部分，包含一个或多个用于实现逻辑功能的计算机可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。也要注意的是，框图和流程图中的每个方框或方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。