价格预测模型创建方法、装置、电子设备及可读存储介质

技术领域

本申请涉及价格预测领域，具体而言，涉及一种价格预测模型创建方法、装置、电子设备及可读存储介质。

背景技术

价格的预测是市场预测分析与生产销售决策的基础，是市场预测领域中的一个重要问题，在商品生产、销售等很多问题中起着关键作用。例如，碳交易价格，在碳排放总量的约束下，不同企业由于减排成本不同，可通过市场手段进行碳排放权交易，通过出售或者购买各自排放量，从而达到以较低成本控制排放总量的目的。作为碳交易市场的核心部分，碳交易价格指导企业进行碳交易的决策。由于碳交易价格的影响因素较多，加之碳交易市场的不成熟、碳交易价格数据的非线性以及碳交易参与者的主观随意性等因素，在进行碳交易价格预测时，常会存在碳交易价格预测结果不准确的问题。

发明内容

有鉴于此，本申请实施例的目的在于提供一种价格预测模型创建方法、装置、电子设备及可读存储介质，能够提高价格预测结果的准确性。

第一方面，本申请实施例提供了一种价格预测模型创建方法，包括：对原始数据进行序列化处理，所述原始数据为待预测物在预设时间段内对应的待预测数据；根据处理后的原始数据构建灰色预测模型；通过求解所述灰色预测模型确定出价格预测模型，所述价格预测模型用于对所述待预测物的价格进行预测。

在上述实现过程中，通过对原始数据进行处理后，基于该原始数据构建灰色预测模型，并通过原始数据对该灰色预测模型进行求解，得到针对该原始数据的灰色预测模型，进而通过该灰色预测模型进行价格预测。由于灰色预测模型可以基于待预测物过去和现在的发展规律对该待预测物的发展趋势和状态进行分析，形成科学的假设和判断。因而，基于灰色理论的价格预测模型可在少量、不规律的样本基础上，完成不同期限的预测目标，能够在减少计算工作量的同时提高结果准确度。

在一个实施例中，所述通过求解所述灰色预测模型确定出价格预测模型，包括：根据所述灰色预测模型构建数据矩阵；计算所述数据矩阵，以得到所述灰色预测模型的待识别的发展灰数和内生控制量；通过所述待识别的发展灰数和所述内生控制量确定出所述价格预测模型。

在一个实施例中，所述通过求解所述灰色预测模型确定出价格预测模型之后，所述方法还包括：根据所述价格预测模型确定出周期响应函数；对所述周期响应函数进行离散化处理以确定出时间序列响应函数；还原所述时间序列响应函数，并通过还原后的时间序列相应函数对所述待预测物的价格进行预测，以得到价格预测结果。

在上述实现过程中，在求解出灰色预测模型后，基于求解后的灰色预测模型进行价格预测时，由于在建模前对原始数据进行了预处理，则在确定出模拟数据序列后，进行相应的变换，以还原为原始数据序列，提高了该模型预测的准确性。另外，通过时间序列将待预测物在时间上的变化大小进行预测，能够增加预测期限的灵活性。

在一个实施例中，所述通过还原后的时间序列相应函数对所述待预测物的价格进行预测，以得到价格预测结果之后，所述方法还包括：根据所述价格预测结果判断所述价格预测模型的预测精度是否达到精度阈值。

在上述实现过程中，在价格预测模型创建好后，根据该价格预测模型的价格预测结果和精度阈值判断该价格预测模型的预测精度，以确定出该价格预测模型的精度，保证该价格预测模型在精度阈值范围内，提高价格预测模型进行价格预测的精度。

在一个实施例中，所述方法还包括：若所述价格预测模型的预测精度未达到所述精度阈值，通过残差修正模型优化所述价格预测模型的预测结果。

在上述实现过程中，在价格预测模型的预测精度没有达到精度阈值时，通过残差修正模型对该价格预测模型进行优化，使得该价格预测模型的预测精度能够达到精度阈值，提高了价格预测模型的预测精度。

在一个实施例中，所述通过残差修正模型优化所述价格预测模型的预测结果之前，所述方法还包括：根据所述时间序列响应函数确定残差序列的时间序列响应函数；将所述残差序列的时间序列响应函数还原为原始残差序列，以通过所述原始残差序列优化所述价格预测模型的预测结果。

在上述实现过程中，在优化价格预测模型之前，先通过一系列计算确定出原始残差序列，以通过该原始残差序列对价格预测模型的预测结果进行优化。即在价格预测模型进行优化之前建立残差修正模型，以通过残差修正模型进行价格预测模型预测结果的优化，能够提高结果预测精度。

在一个实施例中，所述对原始数据进行序列化处理，包括：根据所述原始数据建立原始序列；对所述原始序列进行累加运算生成累加生成序列；通过所述累加生成序列生成邻均值序列。

在上述实现过程中，在构建模型前，先对原始数据进行序列化处理，可以使得原始数据中暗藏的积分性质逐渐呈现出来，进而从纷杂无序的现象中发现其潜在规律，使得价格预测模型能够较为准确度的待预测物在预测未来一段时间价格，实现了对不规则变化数据的预测，在降低了对变量选取要求的同时提高了价格预测的准确性。

第二方面，本申请实施例还提供一种价格预测模型创建装置，包括：处理模块，用于对原始数据进行序列化处理，所述原始数据为待预测物在预设时间段内的待预测数据；构建模块，用于据处理后的原始数据构建灰色预测模型；确定模块，用于通过求解所述灰色预测模型确定出价格预测模型，所述价格预测模型用于对所述待预测物的价格进行预测。

第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器，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，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式中的方法的步骤。

第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的任一种可能的实施方式中价格预测模型创建方法的步骤。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，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申请的某些实施例，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。

图1为本申请实施例提供的价格预测模型创建方法的流程图；

图2为本申请实施例提供的价格预测模型创建装置的功能模块示意图；

图3为本申请实施例提供的电子设备的方框示意图。

具体实施方式

下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

碳交易机制是以国际公约和法律为依据，以市场机制为手段，以温室气体排放权为交易对象的制度安排。碳交易即通过人为设定排放配额的盈缺来鼓励减排成本低的企业超额减排，把以此获得的配额盈余出售给减排成本高的企业的过程。一般会以配额的形式分配或出售给控排企业，碳市场的初期管控形式以强度管控，后期会逐步过渡为总量控制。因此，在碳排放总量的约束下，可根据不同企业的减排成本不同，进行碳排放权交易，从而实现低成本控制排放总量的目的。现在的碳交易价格受在多种外部因素的影响下，通常呈非线性变化，难以发现其变化规律，进而需要提前进行碳价格预测。

但是，在进行碳交易价格预测时，常会存在碳交易价格预测结果不准确的问题。

灰色理论是一门研究信息不完全并带有不确定性现象的应用数学学科。虽然，目前对一些信息比较贫乏的系统利用黑箱的方法也能进行相应的预测。但是，该方法对一些内部信息不完全的数据，却研究得很不充分。而灰色系统理论主要研究的就是“外延明确，内涵不明确”的“小样本，贫信息”的数据。

有鉴于此，本申请提出一种价格预测模型创建方法，通过根据处理后的原始数据进行灰色模型创建，并在对该灰色模型求解后确定出相应的价格预测模型，以进行价格预测。即基于灰色预测模型建立相应的价格预测模型，实现对待预测物的价格预测，并提高价格预测的准确性。

请参阅图1，是本申请实施例提供的价格预测模型创建方法的流程图。下面将对图1所示的具体流程进行详细阐述。

步骤201，对原始数据进行序列化处理。

这里的原始数据为待预测物在预设时间段内对应的待预测数据。该预设时间段可以是待预测物价格较为平稳的一段时间，也可以是待预测物价格较为波动的一段时间，还可以是随机的一段时间，该预设时间段可以根据实际情况进行选择，本申请不做具体限制。

上述的待预测数据可以是预设时间段内待预测物的每日平均价格、每周平均价格、每小时平均价格等。

例如，该待预测数据为预设时间段内待预测物的每日平均价格，则该原始数据可以为：

；

可以理解地，该原始数据为预设时间段内的多个数据，在对该原始数据进行处理时，可以对该原始数据进行序列化处理，在对原始数据进行序列化处理时可以是原始数据中暗藏的积分性质逐渐呈现出来，进而从纷杂无序的现象中发现其潜在规律。

步骤202，根据处理后的原始数据构建灰色预测模型。

其中，灰色预测是一种对含有不确定因素的系统进行预测的方法。灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。其用等时距观测到的反映预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征量的时间。

在构建灰色预测模型时，可以先建立灰色预测模型GM(1，1)的微分方程：

；

其中，

步骤203，通过求解灰色预测模型确定出价格预测模型。

这里的价格预测模型用于对待预测物的价格进行预测。

可以理解地，该灰色预测模型中的

在上述实现过程中，通过对原始数据进行处理后，基于该原始数据构建灰色预测模型，并通过原始数据对该灰色预测模型进行求解，得到针对该原始数据的灰色预测模型，进而通过该灰色预测模型进行价格预测。由于灰色预测模型可以基于待预测物过去和现在的发展规律对该待预测物的发展趋势和状态进行分析，形成科学的假设和判断。因而，基于灰色理论的价格预测模型可在少量、不规律的样本基础上，完成不同期限的预测目标，能够在减少计算工作量的同时提高结果准确度。

在一种可能的实现方式中，步骤203，包括，根据灰色预测模型构建数据矩阵；计算数据矩阵，以得到灰色预测模型的待识别的发展灰数和内生控制量；通过待识别的发展灰数和内生控制量确定出价格预测模型。

由于建立的灰色预测模型中的待识别的发展灰数

解得该数据矩阵为：

û=

其中，

Y=

根据上述公式（1）和公式（2）求解得到

可选地，上述的数据矩阵可以通过最小二乘法进行计算。

在一种可能的实现方式中，步骤203之后，该方法还包括，根据价格预测模型确定出周期响应函数；对周期响应函数进行离散化处理以确定出时间序列响应函数；还原时间序列响应函数，并通过还原后的时间序列相应函数对待预测物的价格进行预测，以得到价格预测结果。

在求解出待识别的发展灰数

；

将该周期响应函数进行离散化处理可得相应的时间序列响应函数为：

；

将该模拟数据序列还原为原始数据序列：

；

其中，

上述的将模拟数据序列还原为原始数据序列可以通过叠减法处理。

可以理解地，在确定出上述原始数据序列和模拟数据序列的关系后，可以根据基于该关系通过原始数据对模拟数据进行预测，即通过原始数据对待预测物的价格进行预测，以得到价格预测结果。

在上述实现过程中，在求解出灰色预测模型后，基于求解后的灰色预测模型进行价格预测时，由于在建模前对原始数据进行了预处理，则在确定出模拟数据序列后，进行相应的变换，以还原为原始数据序列，提高了该模型预测的准确性。另外，通过时间序列将待预测物在时间上的变化大小进行预测，能够增加预测期限的灵活性。

在一种可能的实现方式中，通过还原后的时间序列相应函数对待预测物的价格进行预测，以得到价格预测结果之后，该方法还包括：根据价格预测结果判断价格预测模型的预测精度是否达到精度阈值。

可选地，可以通过相对残差检验法、方差比检验法、小误差概率检验法等方法对价格预测模型的预测精度进行判断。

其中，相对残差检验法为：

设实际数据序列为

;

其相对误差为：

；

方差比检验法：

设残差序列为

；

小误差概率检验法：

设小误差概率为

；

则

可以理解地，在上述相对残差检验法、方差比检验法以及小误差概率检验法等判定方法检验模型精度，相对误差、小误差概率检验法和方差比的数值越小，精度越高。

在一些实施例中，可以通过设置模型精度判断表来确定预测模型的精度级别，并根据该价格预测的使用场景以及需要达到的效果确定出精度阈值。

可选地，该精度阈值可以是一级、二级、三级等，该精度阈值可以根据实际情况进行确定。例如，对价格预测精度较高的场景，该精度阈值可以设置为一级。对价格预测精度中等的场景，该精度阈值可以设置为二级。对价格预测精度较低的场景，该精度阈值可以设置为四级。

可以理解地，上述的精度级别及相应的精度划分值仅是示例性地，该精度级别可以根据实际情况增加或减少，该精度划分值可以根据实际情况确定，本申请不做具体限制。

示例性地，该相对残差检验法的模型精度判断表可以如表1所示：

表1：

在上述实现过程中，在价格预测模型创建好后，根据该价格预测模型的价格预测结果和精度阈值判断该价格预测模型的预测精度，以确定出该价格预测模型的精度，保证该价格预测模型在精度阈值范围内，提高价格预测模型进行价格预测的精度。

在一种可能的实现方式中，该方法还包括：若价格预测模型的预测精度未达到精度阈值，通过残差修正模型优化价格预测模型的预测结果。

可以理解地，根据时间序列响应函数的数据进行叠减而得出的模拟数据，由于误差的存在，跟原始数据是有出入的。若该价格预测模型的预测精度未达到精度阈值，说明两者的误差较大。对此，可以通过用原始数据与模拟数据对比所产生的残差来进行修正，从而优化价格预测模型。

上述通过残差对价格预测模型进行优化可以通过残差修正模型来进行处理。

在一些实施例中，由于残差数据的序列数在模型中应为非负数，若该残差数据的序列数中存在负数，则需要先对残差数据序列进行正向处理，即在序列中的每一项数据中都加上一个合适的正值

在上述实现过程中，在价格预测模型的预测精度没有达到精度阈值时，通过残差修正模型对该价格预测模型进行优化，使得该价格预测模型的预测精度能够达到精度阈值，提高了价格预测模型的预测精度。

在一种可能的实现方式中，通过残差修正模型优化价格预测模型的预测结果之前，该方法还包括：根据时间序列响应函数确定残差序列的时间序列响应函数；将残差序列的时间序列响应函数还原为原始残差序列，以通过原始残差序列优化价格预测模型的预测结果。

这里的残差序列的时间序列响应函数为：

；

将残差序列的时间序列响应函数还原为原始数据的模拟正向残差序列：

；

进一步将原始数据的模拟正向残差序列还原成原始残差序列：

；

其中，

可选地，在将残差序列的时间序列响应函数还原为原始数据的模拟正向残差序列以及将原始数据的模拟正向残差序列还原成原始残差序列时可以采用叠减法。

在一些实施例中，若该残差数据的序列数中不存在负数，则该残差数据的序列数不需要进行正向处理，则在将残差序列的时间序列响应函数还原为原始残差序列时，可以直接将残差序列的时间序列响应函数还原为原始残差序列。

可以理解地，在确定出原始残差序列后，可以将该原始数据序列加上该原始残差序列，则得到价格预测模型的优化后的序列为：

；

上述优化后的序列即为该价格预测模型预测的结果。

在上述实现过程中，在优化价格预测模型之前，先通过一系列计算确定出原始残差序列，以通过该原始残差序列对价格预测模型的预测结果进行优化。即在价格预测模型进行优化之前建立残差修正模型，以通过残差修正模型进行价格预测模型预测结果的优化，能够提高结果预测精度。

在一种可能的实现方式中，步骤201包括，根据原始数据建立原始序列；对原始序列进行累加运算生成累加生成序列；通过累加生成序列生成邻均值序列。

若原始数据为：x（1）=Price（day1）；x（2）=Price（day2）；…x（n）=Price（dayn）。

则建立的原始序列可以为：

；

原始序列进行累加运算生成累加生成序列可以为：

；

；

；

可以理解地，为了减少原始数据的任意性，增强它的有序性，因此在构建模型中，根据灰色预测的思路对原始数据序列

在收集数据的时候，由于一些不易克服的困难导致数据序列出现空缺或无法使用的异常数据，可以通过使用邻均值生成对异常数据进行构造新数据、填补老数据空穴、生成新数列等处理。

通过累加生成序列生成的邻均值序列为：

；

在对原始数据进行处理时，可能会对原始数据进行累加处理，进行累加处理的原始序列的序列数必须为非负数，否则累加出的结果会造成正负数相抵消，从而实现不了累加序列潜在递增的规律。

在一些实施例中，该方法还包括：对原始序列进行级比检验处理。这里的对原始序列进行级比检验处理包括：计算级比；判断该级比是否在级比阈值范围内，若该级比在级比阈值范围内则通过该原始序列进行处理，以生成邻均值序列。若该级比不在级比阈值范围内则重新确定原始序列。

这里的级比计算公式为：

；

其中，

上述的级比阈值范围可以为：

在上述实现过程中，在构建模型前，先对原始数据进行序列化处理，可以使得原始数据中暗藏的积分性质逐渐呈现出来，进而从纷杂无序的现象中发现其潜在规律，使得价格预测模型能够较为准确度的待预测物在预测未来一段时间价格，实现了对不规则变化数据的预测，在降低了对变量选取要求的同时提高了价格预测的准确性。

基于同一申请构思，本申请实施例中还提供了与价格预测模型创建方法对应的价格预测模型创建装置，由于本申请实施例中的装置解决问题的原理与前述的价格预测模型创建方法实施例相似，因此本实施例中的装置的实施可以参见上述方法的实施例中的描述，重复之处不再赘述。

请参阅图2，是本申请实施例提供的价格预测模型创建装置的功能模块示意图。本实施例中的价格预测模型创建装置中的各个模块用于执行上述方法实施例中的各个步骤。价格预测模型创建装置包括处理模块301、构建模块302、确定模块303；其中，

处理模块301用于对原始数据进行序列化处理，所述原始数据为待预测物在预设时间段内的待预测数据。

构建模块302用于根据处理后的原始数据构建灰色预测模型。

确定模块303用于通过求解所述灰色预测模型确定出价格预测模型，所述价格预测模型用于对所述待预测物的价格进行预测。

一种可能的实施方式中，确定模块303，还用于：根据所述灰色预测模型构建数据矩阵；计算所述数据矩阵，以得到所述灰色预测模型的待识别的发展灰数和内生控制量；通过所述待识别的发展灰数和所述内生控制量确定出所述价格预测模型。

一种可能的实施方式中，该价格预测模型创建装置还包括：预测模块，用于根据所述价格预测模型确定出周期响应函数；对所述周期响应函数进行离散化处理以确定出时间序列响应函数；还原所述时间序列响应函数，并通过还原后的时间序列相应函数对所述待预测物的价格进行预测，以得到价格预测结果。

一种可能的实施方式中，该价格预测模型创建装置还包括：判断模块，用于根据所述价格预测结果判断所述价格预测模型的预测精度是否达到精度阈值。

一种可能的实施方式中，该价格预测模型创建装置还包括：优化模块，用于若所述价格预测模型的预测精度未达到所述精度阈值，通过残差修正模型优化所述价格预测模型的预测结果。

一种可能的实施方式中，该价格预测模型创建装置还包括：还原模块，用于根据所述时间序列响应函数确定残差序列的时间序列响应函数；将所述残差序列的时间序列响应函数还原为原始残差序列，以通过所述原始残差序列优化所述价格预测模型的预测结果。

一种可能的实施方式中，处理模块301，还用于：根据所述原始数据建立原始序列；对所述原始序列进行累加运算生成累加生成序列；通过所述累加生成序列生成邻均值序列。

为便于对本实施例进行理解，下面对执行本申请实施例所公开的价格预测模型创建方法的电子设备进行详细介绍。

如图3所示，是电子设备的方框示意图。电子设备100可以包括存储器111和处理器113。本领域普通技术人员可以理解，图3所示的结构仅为示意，其并不对电子设备100的结构造成限定。例如，电子设备100还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。

上述的存储器111和处理器113相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行模块。

其中，存储器111可以是，但不限于，随机存取存储器（Random Access Memory，简称RAM），只读存储器（Read Only Memory，简称ROM），可编程只读存储器（ProgrammableRead-Only Memory，简称PROM），可擦除只读存储器（Erasable Programmable Read-OnlyMemory，简称EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-OnlyMemory，简称EEPROM）等。其中，存储器111用于存储程序，所述处理器113在接收到执行指令后，执行所述程序，本申请实施例任一实施例揭示的过程定义的电子设备100所执行的方法可以应用于处理器113中，或者由处理器113实现。

上述的处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本实施例中的电子设备100可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述价格预测模型创建方法的实现过程。

此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的价格预测模型创建方法的步骤。

本申请实施例所提供的价格预测模型创建方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的价格预测模型创建方法的步骤，具体可参见上述方法实施例，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也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，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，所述模块、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方式中，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，两个连续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。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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该技术方案的部分可以以软件产品的形式体现出来，该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）执行本申请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（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。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……”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。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。