耗电量预测方法、装置、存储介质及电子设备

技术领域

本公开涉及数据处理技术领域，具体而言，涉及一种耗电量预测方法、耗电量预测装置、电子设备以及计算机可读存储介质。

背景技术

为了满足用户对无线网络通信服务的需要，需大力建设包括5G等制式的通信机房,用电规模随之迅速增长，对用电管理要求也进一步提升。传统方案通常采用“手工作坊式”的基站用电管理模式，存在梳理工作效率低、信息核对难、依赖人工主观判断等问题。

为了解决上述问题，相关技术主要采用专家系统、模糊逻辑方法和人工神经网络等方法预测机房耗电量，存在算法复杂度高、计算成本大，应用不便等问题。

发明内容

本公开的目的在于提供一种耗电量预测方法、耗电量预测装置、电子设备以及计算机可读存储介质，从而在一定程度上解决了相关技术存在的算法复杂度高、计算成本大，应用不便等问题。

根据本公开的第一方面，提供一种耗电量预测方法，包括：依据预设拆分规则对各机房中的用电设备进行拆分，得到各所述用电设备的设备业务量；依据所述机房的历史用电数据及各所述用电设备的设备业务量建立线性方程组；确定所述线性方程组的拟合曲线，并计算所述拟合曲线的拟合系数矩阵，其中，所述拟合系数矩阵包括常数行及常数列，所述常数行及所述常数列为影响耗电量的各影响因子构成的可变常数项；基于所述拟合曲线预测所述机房的耗电量。

在本公开的一种示例性实施例中，所述用电设备包括基站设备、空调设备及蓄电池组；所述依据预设拆分规则对机房中的用电设备进行拆分，包括：依据品牌、载频、覆盖区域对所述基站设备进行拆分；依据品牌、使用时间、制冷量对所述空调设备进行拆分；依据品牌、使用时间、单组容量、单组电池个数对所述蓄电池组进行拆分。

在本公开的一种示例性实施例中，所述依据所述机房的历史用电数据及各所述用电设备的设备业务量建立线性方程组，包括：从所述历史用电数据中获取各所述机房的历史总耗电量；将各所述用电设备的用电量作为未知系数，与对应的所述设备业务量相乘，得到各所述用电设备的用电量表达式；将各所述机房内的各所述用电设备的用电量表达式作为加数，将对应的所述机房的所述历史总耗电量作为和，建立所述线性方程组。

在本公开的一种示例性实施例中，所述通过非负最小二乘法计算所述拟合曲线的拟合系数矩阵，包括：将各所述机房中所述用电设备的所述设备业务量及对应的所述机房的所述历史总耗电量作为样本点，并基于非负最小二乘法，通过所述样本点确定所述拟合曲线的所述拟合系数矩阵。

在本公开的一种示例性实施例中，所述方法还包括：当所述拟合系数矩阵满足预设条件时，将所述拟合系数矩阵的主对角元素均加上一个预设常数，其中，所述预设条件为所述拟合系数矩阵不是列满秩，或者，存在列之间的线性相关性达到预设阈值的列。

在本公开的一种示例性实施例中，所述预设常数通过岭回归算法确定。

在本公开的一种示例性实施例中，所述方法还包括：获取测试数据集；基于所述拟合曲线确定所述测试数据集中各所述机房的耗电量预测值；基于各所述机房的历史用电数据及所述耗电量预测值对所述拟合曲线的拟合系数矩阵进行修正。

根据本公开的第二方面，提供一种耗电量预测装置，包括：设备拆分模块，用于依据预设拆分规则对各机房中的用电设备进行拆分，得到各所述用电设备的设备业务量；方程组建立模块，用于依据所述机房的历史用电数据及各所述用电设备的设备业务量建立线性方程组；拟合系数确定模块，用于确定所述线性方程组的拟合曲线，并计算所述拟合曲线的拟合系数矩阵，其中，所述拟合系数矩阵包括常数行及常数列，所述常数行及所述常数列为影响耗电量的各影响因子构成的可变常数项；预测模块，用于基于所述拟合曲线预测所述机房的耗电量。

在本公开的一种示例性实施例中，所述拟合系数确定模块具体用于：将各所述机房中所述用电设备的所述设备业务量及对应的所述机房的所述历史总耗电量作为样本点，并基于非负最小二乘法，通过所述样本点确定所述拟合曲线的所述拟合系数矩阵。

在本公开的一种示例性实施例中，所述拟合系数确定模块还用于：当所述拟合系数矩阵满足预设条件时，将所述拟合系数矩阵的主对角元素均加上一个预设常数，其中，所述预设条件为所述拟合系数矩阵不是列满秩，或者，存在列之间的线性相关性达到预设阈值的列。

在本公开的一种示例性实施例中，所述预设常数通过岭回归算法确定。

在本公开的一种示例性实施例中，所述装置还包括修正模块，所述修正模块用于：获取测试数据集；基于所述拟合曲线确定所述测试数据集中各所述机房的耗电量预测值；基于各所述机房的历史用电数据及所述耗电量预测值对所述拟合曲线的拟合系数矩阵进行修正。

根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。

根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。

本公开示例性实施例可以具有以下部分或全部有益效果：

在本公开示例实施方式所提供的耗电量预测方法中，依据预设拆分规则对各机房中的用电设备进行拆分，得到各用电设备的设备业务量；依据机房的历史用电数据及各用电设备的设备业务量建立线性方程组；确定线性方程组的拟合曲线，并计算拟合曲线的拟合系数矩阵，其中，拟合系数矩阵包括常数行及常数列，常数行及常数列为影响耗电量的各影响因子构成的可变常数项；基于拟合曲线预测机房的耗电量。一方面，本公开通过机房内不同类型不同数量的用电设备配置及业务量等因素对通信类机房耗电量进行预测，具有广泛适用性。另一方面，本公开将影响耗电量的影响因子内化为拟合系数矩阵的可变常数项，简化了求解过程，降低了算法复杂度，节约了计算成本。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出了根据本公开的一个实施例的耗电量预测方法的流程示意图；

图2示意性示出了根据本公开的一个实施例的耗电量预测方法得到的拟合曲线图；

图3示意性示出了根据本公开的一个实施例的耗电量预测方法的修正拟合曲线的流程示意图；

图4示意性示出了根据本公开的一个实施例的耗电量预测装置的框图；

图5示出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

为了满足用户对无线网络通信服务的需要，各大电信运营商都在大力建设包括5G等制式的通信机房，企业用电规模迅速增长，对用电管理要求进一步提升。但是传统“手工作坊式”的基站用电管理模式，存在梳理工作效率低、信息核对难、依赖人工主观判断等问题。因此，快速简便的智能预测机房耗电量以及判断历史用电量的合理性就显得尤为重要。

相关技术中，对用电量的预测可通过专家系统、模糊逻辑方法和人工神经网络等方法实现。示例性地，上述预测用电量可通过以下方法实现：通过引入粒子群算法，求解所提出的改进最小二乘法方程组，得出变电站站用负荷电量的回归方程，最终预测变电站的站用负荷电量。

然而，上述方法存在以下问题：(1)该方案适用性单一，局限于必须要测量变量站所特定的电压、功率因子等因数，无法适用于运营商通信类机房能耗的预测，只能应用于预测电网公司所辖变电站的站用负荷电量；(2)通过引入粒子群算法去求解所提出的改进的最小二乘法方程组，使得最小二乘法方程组的求解过程复杂化，计算成本高，算法复杂度也高。

为了解决上述问题，本公开实施例提供了一种耗电量预测方法、耗电量预测装置、电子设备以及计算机可读存储介质。

下面，对本公开实施例进行详细的说明：

本示例实施方式首先提供了一种耗电量预测方法。参考图1所示，该耗电量预测方法，具体包括以下步骤：

步骤S110：依据预设拆分规则对各机房中的用电设备进行拆分，得到各用电设备的设备业务量；

步骤S120：依据机房的历史用电数据及各用电设备的设备业务量建立线性方程组；

步骤S130：确定线性方程组的拟合曲线，并计算拟合曲线的拟合系数矩阵，其中，拟合系数矩阵包括常数行及常数列，常数行及常数列为影响耗电量的各影响因子构成的可变常数项；

步骤S140：基于拟合曲线预测机房的耗电量。

本公开实施例所提供的耗电量预测方法，一方面，本公开通过机房内不同类型不同数量的用电设备配置及业务量等因素对通信类机房耗电量进行预测，具有广泛适用性。另一方面，本公开将影响耗电量的影响因子内化为拟合系数矩阵的可变常数项，简化了求解过程，降低了算法复杂度，节约了计算成本。

下面，在另一实施例中，对上述步骤进行更加详细的说明。

在步骤S110中，依据预设拆分规则对各机房中的用电设备进行拆分，得到各用电设备的设备业务量。

本公开实施例通过获取到的历史用电数据建立机房耗电量的线性方程组，并通过求解该线性方程组确定机房内各用电设备单个设备业务量的耗电量，从而实现对机房耗电量的预测。示例性地，上述用电设备可以包括基站设备、空调设备及蓄电池组等设备，上述设备业务量为各用电设备对应的业务量，例如，1号机房3G机柜的设备业务量为3，则证明3G机柜对应的业务量为3，该业务量乘以单个业务量的用电量即为该3G机柜的设备总用电量。

为了达到更加准确的预测结果，考虑到品牌、载频、覆盖区域、制冷量等因素对耗电量的影响，本公开实施例依据预设拆分规则对不同的用电设备进行拆解，得到单一耗电设备表。示例性地，上述预设拆分规则可以包括：依据品牌、载频、覆盖区域对基站设备进行拆分；依据品牌、使用时间、制冷量对空调设备进行拆分；依据品牌、使用时间、单组容量、单组电池个数对蓄电池组进行拆分。需要说明的是，上述场景只是一种示例性说明，本公开实施例的保护范畴并不以此为限。例如，上述用电设备还可以包括其他设备，依据实际情况拆解用电设备的规则也可以依据其他因素设定。

在步骤S120中，依据机房的历史用电数据及各用电设备的设备业务量建立线性方程组。

在本公开实施例中，上述历史用电数据包括机房耗电量等历史数据。在通过步骤S110依据预设拆分规则对不同的用电设备进行拆解，得到单一耗电设备表后，可以依据上述历史用电数据及各用电设备的设备业务量建立线性方程组建立线性方程组。

示例性地，上述建立线性方程组的过程可以如下：从历史用电数据中获取各机房的历史总耗电量；将各用电设备的用电量作为未知系数，与对应的设备业务量相乘，得到各用电设备的用电量表达式；将各机房内的各用电设备的用电量表达式作为加数，将对应的机房的历史总耗电量作为和，建立线性方程组。

在一具体实施例中，上述依据预设拆分规则对不同的用电设备进行拆解得到的单一耗电设备表可以如下表1所示：

表1：

进一步地，可依据上述表1建立线性方程组如下：

在建立上述线性方程组后，通过求解该线性方程组可以得到每个设备业务量下对应的系数，既是：a,b,c，从而，进一步地，可以通过用电设备业务量乘以对应的系数，得到某个机房下对应的固定用电设备的用电量。

需要说明的是，上述场景只是一种示例性说明，本公开实施例的保护范畴并不以此为限。

在步骤S130中，确定线性方程组的拟合曲线，并计算拟合曲线的拟合系数矩阵，其中，拟合系数矩阵包括常数行及常数列，常数行及常数列为影响耗电量的各影响因子构成的可变常数项。

传统求解上述线性方程组的方法包括高斯消除法、雅克比迭代方法、高斯迭代方法等，然而上述方法均要求方程组必须有解或者方程组的系数矩阵必须为方阵，无法达到实际应用的需求，故本公开通过拟合曲线来求解上述线性方程组。示例性地，可以拟合上述线性方程组，得到对应的拟合曲线，并确定拟合曲线的拟合系数矩阵来求解方程组。

在本公开实施例中，可通过最小二乘法对上述线性方程组进行拟合，上述具体实施例中的线性方程组(1)可以拟合曲线y＝ax

在本公开实施例中，在拟合得到上述线性方程组的拟合曲线后，可进一步从历史用电数据中获取样本数据集，并基于样本数据集拟合得到拟合系数矩阵。示例性地，该过程可以实现如下：将各机房中用电设备的设备业务量及对应机房的历史总耗电量作为样本点，并基于非负最小二乘法，通过样本点确定拟合曲线的拟合系数矩阵。

例如，在上述具体实施例中，表1中的即为可选取的样本数据集。例如，可将(4,3,5,600)作为一个样本点。具体地，该具体实施例可通过以下过程拟合确定拟合系数矩阵：

根据得到的各个机房某个固定用电设备的耗电量，我们可以将单一设备流量、温度、湿度作为特征，构建回归模型，对设备未来的耗电量进行预测分析，如随机森林回归等。在该具体实施例中，所构建的最小二乘法的模型可以如下：

Y＝AX+ε (2)

其中，Y是机房耗电量；X是系数向量；ε是干扰项，包括温度、湿度等影响耗电量的因素。

在本公开实施例中，优选地，还可以将温度、湿度等外部因素对基站耗电量的影响内化在上述拟合系数矩阵中，作为上述可变常数项。通过将上述度、湿度等影响耗电量的因素内化在上述拟合曲线的拟合系数矩阵中，可以简化最小二乘法方程组的求解过程，降低算法复杂度，节约计算成本。示例性地，上述所构建的最小二乘法的模型可进一步简化为：

Y＝AX(3)

定义上述样本数据集中第k月份第m(m＝1,...,n)个设备的流量为a

目标函数为：

用最小二乘法可求得公式(3)的参数矩阵X，如下：

其中，Y是已知的机房耗电量。

当上述拟合系数矩阵A不是列满秩，或者某些列之间的线性相关性比较大时，A

该岭回归对最小二乘回归补充的过程可实现如下：当拟合系数矩阵满足预设条件时，将拟合系数矩阵的主对角元素均加上一个预设常数，其中，该预设条件即为上述拟合系数矩阵A不是列满秩，或者某些列之间的线性相关性比较大时，A

在上述具体实施例中，当A

求得参数为：

通过岭回归确定常数项的过程可以实现如下：

随着常数项b的增大，

需要说明的是，上述场景只是一种示例性说明，本公开实施例的保护范畴并不以此为限。

在步骤S140中，基于拟合曲线预测机房的耗电量。

在本公开实施例中，在确定上述拟合系数矩阵后，可基于所确定的拟合曲线预测机房的耗电量。具体地，可通过将求得的拟合系数带入各个机房建立的方程，得到对应设备的耗电量，进而拟合得出新的机房的耗电量预测值。

此外，在本公开的另一公开实施例中，为了提高预测值的准确度，还可以从历史用电数据中获取测试数据集，并通过测试数据集判断上述拟合曲线得到的耗电量预测值的合理性，并对拟合曲线进行修正。具体地，如图3所示，该过程可包括以下步骤：

在步骤S310中，获取测试数据集。

在步骤S320中，基于拟合曲线确定测试数据集中各机房的耗电量预测值。

在步骤S330中，基于各机房的历史用电数据及耗电量预测值对拟合曲线的拟合系数矩阵进行修正。

在上述具体实施例中，上述修正过程可以实现如下：

基于上述最小二乘法及岭回归动态拟合算法确定的拟合曲线预测机房耗电量。通过接入已发生的流量、用户数及天气数据，预测当月耗电量的预测值和判断历史用电量的合理性，解决对机房耗电量与耗电因素之间的相关性问题，从而辅助判断电量是否在合理区间。

判断历史用电量的合理性：

Y

其中，Y′是通过拟合曲线计算得出的历史用电量，可与真实的历史用电量对比，判断历史中哪个月份的用电量是不合理的，再针对性的进行原因分析。

进一步地，求得机房耗电量的预测值如下：

其中，

应当注意，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

对应地，本示例实施方式中，还提供了一种耗电量预测装置，参考图4所示，该耗电量预测装置400可以包括设备拆分模块410、方程组建立模块420、拟合系数确定模块430以及预测模块440，其中：

设备拆分模块410，可以用于依据预设拆分规则对各机房中的用电设备进行拆分，得到各用电设备的设备业务量；

方程组建立模块420，可以用于依据机房的历史用电数据及各用电设备的设备业务量建立线性方程组；

拟合系数确定模块430，可以用于确定线性方程组的拟合曲线，并计算拟合曲线的拟合系数矩阵，其中，拟合系数矩阵包括常数行及常数列，常数行及常数列为影响耗电量的各影响因子构成的可变常数项；

预测模块440，可以用于基于拟合曲线预测机房的耗电量。

在本公开的一种示例性实施例中，上述拟合系数确定模块具体用于：将各机房中用电设备的设备业务量及对应机房的历史总耗电量作为样本点，并基于非负最小二乘法，通过样本点确定拟合曲线的拟合系数矩阵。

在本公开的一种示例性实施例中，上述拟合系数确定模块还用于：当拟合系数矩阵满足预设条件时，将拟合系数矩阵的主对角元素均加上一个预设常数，其中，上述预设条件为拟合系数矩阵不是列满秩，或者，存在列之间的线性相关性达到预设阈值的列。其中，上述预设常数通过岭回归算法确定。

在本公开的一种示例性实施例中，上述装置还包括修正模块，该修正模块用于：获取测试数据集；基于拟合曲线确定测试数据集中各机房的耗电量预测值；基于各机房的历史用电数据及耗电量预测值对拟合曲线的拟合系数矩阵进行修正。

上述耗电量预测装置的具体实现细节在耗电量预测方法的对应位置已经进行详细说明，故在此不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

图5为本公开实施例中的一种电子设备的结构示意图。下面具体参考图5，其示出了适于用来实现本公开实施例中的电子设备500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来解释分类任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的耗电量预测方法。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码，从而实现如上所述的耗电量预测方法。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

依据预设拆分规则对各机房中的用电设备进行拆分，得到各用电设备的设备业务量；

依据机房的历史用电数据及各用电设备的设备业务量建立线性方程组；

确定线性方程组的拟合曲线，并计算拟合曲线的拟合系数矩阵，其中，拟合系数矩阵包括常数行及常数列，常数行及常数列为影响耗电量的各影响因子构成的可变常数项；

基于拟合曲线预测机房的耗电量。

可选的，当上述一个或者多个程序被该电子设备执行时，该电子设备还可以执行上述实施例所述的其他步骤。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法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，流程图或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，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。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。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操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。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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、或半导体系统、装置或设备，或者上述内容的任何合适组合。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。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。