虚拟资源数据预测方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种虚拟资源数据预测方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

传统的时间序列分析模型有自回归模型(Auto Regression，AR)、移动平滑模型(Moving Average，MA)、自回移动模型(AutoRegression Moving Average，ARMA)或自回归积分滑动平均模型(Autoregressive Integrated Moving Average，ARIMA)，时间序列分析模型可以用来处理随时间移动而形成的数据序列，模型被建立后可以通过历史数据序列来预测未来值。该模型的思想本质上是从历史数据中学习到随时间变化的模式，利用学习到的知识去预测未来值，时间序列分析模型得益于对数据序列线性拟合的有效性和短期预测的准确性，近年来该模型被广泛应用于各个领域。

但是现有很多领域的数据序列通常既具有常规的线性规律又具有复杂多变的非线性规律，此时如果还是使用时间序列分析模型对未来数据进行预测，预测精确度很低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够虚拟资源数据预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种虚拟资源数据预测方法。所述方法包括：

获取历史数据序列，所述历史数据序列为按照数据采集时刻对虚拟资源数据进行排序所得到的数据序列；

将所述历史数据序列输入时间序列分析模型进行虚拟资源数据预测，得到预测数据序列；

基于所述历史数据序列与预测数据序列，确定残差序列；

将所述残差序列输入神经网络模型进行残差预测，得到残差预测序列，所述神经网络模型是由具有非线性规律的数据进行训练得到的模型；

基于所述残差预测序列和所述预测数据序列，得到虚拟资源数据预测结果。

在其中一个实施例中，所述时间序列分析模型是由具有线性规律的数据进行训练得到的模型。

在其中一个实施例中，所述将所述历史数据序列输入时间序列分析模型进行虚拟资源数据预测，得到预测数据序列，包括：

将所述历史数据序列输入所述时间序列分析模型；

通过所述时间序列分析模型对所述历史数据序列进行一阶差分处理，并对处理后的历史数据序列进行虚拟资源数据预测，得到所述预测数据序列。

在其中一个实施例中，所述神经网络模型的训练过程，包括：

获取多个残差样本，各残差样本具有对应的残差预测校准值；

将残差样本进行归一化处理；

将归一化后的残差样本输入到初始模型进行残差预测，并对预测结果进行反归一化处理，得到各残差样本对应的残差预测值；

基于各残差样本对应的残差预测值和残差预测校准值，对所述初始模型进行参数调节，直至所述残差预测值和残差预测校准值的误差在预设误差范围内，得到所述神经网络模型。

在其中一个实施例中，所述基于所述历史数据序列与预测数据序列，确定残差序列，包括：

确定所述历史数据序列中第一数据与所述预测数据序列中对应位置的第二数据间的差值；

基于所述差值得到所述残差数据序列。

在其中一个实施例中，所述历史数据序列中各第一数据包括多个维度的子数据；所述确定所述历史数据序列中第一数据与所述预测数据序列中对应位置的第二数据间的差值，包括：

针对各第一数据，从所述预测数据序列中确定对应位置的第二数据，

针对每一相对应的第一数据和第二数据，确定所述第一数据中各维度的子数据与所述数据中对应维度的子数据间的差值，将所述差值作为所述第一数据和第二数据之间的差值。

第二方面，本申请还提供了一种虚拟资源数据预测装置。所述装置包括：

获取模块，用于获取历史数据序列，所述历史数据序列为按照数据采集时刻对虚拟资源数据进行排序所得到的数据序列；

第一数据预测模块，用于将所述历史数据序列输入时间序列分析模型进行虚拟资源数据预测，得到预测数据序列；

残差确定模块，用于基于所述历史数据序列与预测数据序列，确定残差序列；

第二数据预测模块，用于将所述残差序列输入神经网络模型进行残差预测，得到残差预测序列，所述神经网络模型是由具有非线性规律的数据进行训练得到的模型；

第三数据预测模块，用于基于所述残差预测序列和所述预测数据序列，得到虚拟资源数据预测结果。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述虚拟资源数据预测的步骤。

第四方面，本申请还提供了一种计算机可读存储介质。所述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虚拟资源数据预测的步骤。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述虚拟资源数据预测的步骤。

上述虚拟资源数据预测方法、装置、计算机设备、存储介质和计算机程序产品，将历史数据序列输入时间序列分析模型进行数据预测，得到预测数据序列，时间序列分析模型能够对具有线性规律的数据进行准确预测，然后基于历史数据序列与预测数据序列，确定残差序列，残差可以衡量模型的误差，是由于数据具有非线性规律所带来的，因此残差序列可以表征历史数据序列的非线性规律，将残差序列输入神经网络模型进行残差预测，得到残差预测序列，神经网络模型由具有非线性规律的数据训练得到，通过神经网络模型能够对具有非线性规律的数据进行准确预测，基于残差预测序列和预测数据序列，得到最终的虚拟资源数据预测结果。本申请将时间序列分析模型和神经网络模型组合进行数据预测，能够综合两者分别在对具有线性规律的数据和非线性规律的数据这两方面的预测优势，实现对既具有线性规律又包含非线性规律的数据进行准确预测，提升了预测精确度。

附图说明

图1为一个实施例中虚拟资源数据预测方法的应用环境图；

图2为另一个实施例中虚拟资源数据预测方法的流程示意图；

图3为一个实施例中虚拟资源数据预测装置的结构框图；

图4为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请方法可用于计算机技术领域，需要说明的是，本发明虚拟资源数据预测的方法和装置可用于金融领域在存款数据的预测，也可用于除金融领域之外的任意领域，本发明虚拟资源数据预测的方法和装置的应用领域不做限定。·

在一个实施例中，如图1所示，提供了一种虚拟资源数据预测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：

步骤S101、获取历史数据序列，历史数据序列为按照数据采集时刻对虚拟资源数据进行排序所得到的数据序列；

终端获取历史数据序列，历史数据序列中每一虚拟资源数据都具有对应的数据采集时刻，按照数据采集时刻对虚拟资源数据进行排序形成数据序列，其数据采集时刻指的是当前时刻之前的时刻，所以形成的数据序列称之为历史数据序列；

历史数据序列为既具备线性规律又具备非线性规律的数据序列。

步骤S102、将历史数据序列输入时间序列分析模型进行虚拟资源数据预测，得到预测数据序列；

时间序列分析模型可以学习历史数据随时间变化的模型，利用学习到的知识去预测未来值，将历史数据序列输入到该时间序列分析模型中，预测未来时刻的虚拟资源数据，得到预测数据序列，该预测数据序列为预测的未来一段时间的虚拟资源数据，相当于通过时间序列分析模型学习历史数据序列的线性规律，从而进行虚拟资源数据的预测。

时间序列分析模型可以AR模型、MA模型、ARMA模型或ARIMA模型，这些模型可以对具有线性规律的数据进行准确预测。

由于时间序列分析模型只能对具有线性规律的数据进行精准预测，因此预测得到的预测数据序列实际上并不准确。

步骤S103、基于历史数据序列与预测数据序列，确定残差序列；

终端通过将历史数据序列与预测数据序列相减，得到残差序列。

步骤S104、将残差序列输入神经网络模型进行残差预测，得到残差预测序列，神经网络模型是由具有非线性规律的数据进行训练得到的模型；

该神经网络模型是由具有非线性规律的虚拟资源数据进行训练得到的模型，因此该神经网络模型对于具有非线性规律的虚拟资源数据的预测精确度较高，

残差可以衡量时间序列分析模型的误差，该误差是由于数据具有非线性规律所带来的，因此残差序列可以表征历史数据序列的非线性规律，将残差序列输入神经网络模型进行残差预测，可以得到残差预测序列，相当于通过神经网络模型学习历史数据序列的非线性规律，从而进行虚拟资源数据的预测。

在本实施例中，神经网络模型指的是递归神经网络(LSTM，Long Short TermMemory)模型，LSTM模型可以对具有非线性规律的数据进行准确预测。

步骤S105、基于残差预测序列和预测数据序列，得到虚拟资源数据预测结果。

终端将残差预测序列和预测数据序列进行求和处理的，得到虚拟资源数据预测结果，该虚拟资源数据预测结果即预测得到的未来一段时间的虚拟资源数据。

在本实施例中，将历史数据序列输入时间序列分析模型进行数据预测，得到预测数据序列，时间序列分析模型能够对具有线性规律的数据进行准确预测，然后基于历史数据序列与预测数据序列，确定残差序列，残差可以衡量模型的误差，是由于数据具有非线性规律所带来的，因此残差序列可以表征历史数据序列的非线性规律，将残差序列输入神经网络模型进行残差预测，得到残差预测序列，神经网络模型由具有非线性规律的数据训练得到，通过神经网络模型能够对具有非线性规律的数据进行准确预测，基于残差预测序列和预测数据序列，得到最终的虚拟资源数据预测结果。本申请将时间序列分析模型和神经网络模型组合进行数据预测，能够综合两者分别在对具有线性规律的数据和非线性规律的数据这两方面的预测优势，实现对既具有线性规律又包含非线性规律的数据进行准确预测，提升了预测精确度。

在其中一个实施例中，时间序列分析模型是由具有线性规律的数据进行训练得到的模型。

时间序列分析模型由具有线性规律的虚拟资源数据进行训练得到，因此能对具有线性规律的虚拟资源数据进行准确预测。

在本实施例中，针对现有由LSTM模型单独对历史数据序列进行预测的情况，如果历史数据序列即具有线性规律又具备非线性规律，单一LSTM模型预测精确度依然很低，本申请通过将时间序列分析模型与LSTM模型组合进行虚拟资源数据，相对于单一LSTM模型，也可以提高预测精度。

在其中一个实施例中，将历史数据序列输入时间序列分析模型进行虚拟资源数据预测，得到预测数据序列，包括：

将历史数据序列输入时间序列分析模型；

通过时间序列分析模型对历史数据序列进行一阶差分处理，并对处理后的历史数据序列进行虚拟资源数据预测，得到预测数据序列。

在模型训练阶段，建立时间序列分析模型首先需要确定序列是否平稳，对原始序列进行一阶差分来消除非平稳性，序列平稳后，进入模型识别阶段，从而构建时间序列分析模型；

在模型使用阶段，也需要先将历史数据序列进行一阶差分处理消除非平稳性，再将处理后的历史数据序列进行虚拟资源数据的预测。

在本实施例中，通过对数据进行一阶差分消除非平稳性，可以提升时间序列分析模型预测精度。

在其中一个实施例中，神经网络模型的训练过程，包括：

获取多个残差样本，各残差样本具有对应的残差预测校准值；

将残差样本进行归一化处理；

将归一化后的残差样本输入到初始模型进行残差预测，并对预测结果进行反归一化处理，得到各残差样本对应的残差预测值；

基于各残差样本对应的残差预测值和残差预测校准值，对初始模型进行参数调节，直至所残差预测值和残差预测校准值的误差在预设误差范围内，得到神经网络模型。

为找出模型返回最高精准度的最优参数配置，在模型训练阶段，可以设置全部残差样本的80％为训练集，20％为测试集，先对残差样本进行归一化处理，将归一化后的残差样本中的80％训练集输入到初始模型中进行残差预测，并对预测结果进行反归一化处理，得到各残差样本对应的残差预测值，然后基于各残差样本对应的残差预测值和残差预测校准值，对初始模型进行参数调节，直至残差预测值和残差预测校准值的误差在预设误差范围内，从而得到神经网络模型；

后续，还可以基于20％的测试集对神经网络模型进一步进行测试，并进行参数调节，以得到模型的最优参数配置。

可以选定两层各50单元数的LSTM模型的预测值作为残差预测值。

在本实施例中，对神经网络模型进行归一化处理，可以加快模型求解速度。

在其中一个实施例中，基于历史数据序列与预测数据序列，确定残差序列，包括：

确定历史数据序列中第一数据与预测数据序列中对应位置的第二数据间的差值；

基于差值得到残差数据序列。

历史数据序列与预测数据序列中虚拟资源数据个数相同，历史数据序列中每一第一数据在预测数据序列中均存在对应位置的第二数据，终端可以将每一第一数据与对应的第二数据相减得到差值，然后基于得到的多个差值确定残差数据序列。

在其中一个实施例中，历史数据序列中各第一数据包括多个维度的子数据；确定历史数据序列中第一数据与预测数据序列中对应位置的第二数据间的差值，包括：

针对各第一数据，从预测数据序列中确定对应位置的第二数据，

针对每一相对应的第一数据和第二数据，确定第一数据中各维度的子数据与数据中对应维度的子数据间的差值，将差值作为第一数据和第二数据之间的差值。

历史数据序列中每一第一数据包括多个维度的子数据，例如对于金融数据序列，每一第一数据中包括存款、贷款、以及取款等三个维度的子数据；则由历史数据序列预测得到的预测数据序列中，预测数据序列的每一第二数据中也包括多个相同维度的子数据，例如每一第二数据中也包括存款、贷款、以及取款等三个维度的子数据；

金融行业的部分数据有规律，每月基本不会有浮动，例如工资发放，贷款归还，宝宝成长基金，个人养老保险金的缴纳等等，但是个人存款、贷款以及取款的规律就不那么鲜明稳定，既具有线性规律，也具有非线性规律。

针对每一相对应的第一数据和第二数据：终端确定同一维度上的第一数据中的子数据与第二数据中的子数据之间的差值，例如分别计算第一数据中存款数据与第二数据中存款数据之间的差值，计算第一数据中贷款数据与第二数据中贷款数据之间的差值，计算第一数据中取款数据与第二数据中取款数据之间的差值，将所计算得到的差值作为第一数据和对应的第二数据之间的差值；

可见，由于历史数据序列中每一第一数据包括多个维度的子数据，本申请所得到的残差数据序列中每一残差值也包括多个维度的子残差值，例如包括存款、贷款、以及取款等三个维度的子残差值。

在本实施例中，历史数据序列中的每一第一数据包括多个维度的虚拟资源数据，通过对多个维度的虚拟资源数据同时进行预测，提高虚拟资源数据预测效率。

本申请方案主要应用于金融领域的虚拟资源数据预测，金融机构存款余额金融机构的主要功能是融通资金和汇集资本，金融机构存款余额指的是金融机构一段时间内的存款金额。随着创新型存款产品的增多和大众金融意识的增强，储蓄热度持续升高，研究金融机构存款余额发展趋势,，对制定宏观经济战略、财政货币政策，指导金融部门运作与经营,保持国民经济健康发展等具有重要的现实意义。

如图2所示，本申请方案具体概述如下：

金融领域的历史数据序列Yt即具有线性规律也具有非线性规律；

首先，通过ARIMA模型对历史数据序列Yt的线性规律进行学习，预测得到L’t，L’t即为预测数据序列，历史数据序列Yt与预测数据序列L’t的残差序列Nt可以表征历史数据序列的非线性规律，残差序列Nt＝Yt-L’t；

通过LSTM模型对残差序列Nt进行预测，得到残差预测序列N’t，然后虚拟资源数据预测结果Y’t＝L’t+N’t。

历史数据序列Yt可以是存款数据序列，包括多个存款数据，最终得到的虚拟资源数据预测结果Y’t是存款数据的预测结果。

历史数据序列Yt中每一数据也可以包括存款数据、贷款数据、取款数据等多个维度的子数据，例如Yt＝[数据1，数据2，数据3]，数据1包括存款数据、贷款数据、和取款数据，同样的数据2和数据3也包括存款数据、贷款数据、和取款数据。对应的预测得到的预测数据序列L’t＝[数据4，数据5，数据6]，数据4(或数据5或数据6)也包括存款数据、贷款数据、和取款数据，求得的残差序列Nt＝[残差1，残差2，残差3]，残差1(或残差2或残差3)也包括存款数据残差、贷款数据残差、和取款数据残差，同样的残差预测序列N’t＝[残差4，残差5，残差6]，残差4(或残差5或残差6)也包括存款数据残差、贷款数据残差、和取款数据残差；

最后预测得到的虚拟资源数据序列Y’t＝[数据4+残差4，数据5+残差5，数据6+残差6]。

本发明提出的方法利用ARIMA模型在时间序列预测上的线性优势和LSTM模型对非线性数据的挖掘能力,对银行的月度存款余额进行了预测。首先,利用ARIMA模型对历史存款数据建立模型,得出线性预测值与残差值，然后，采用LSTM神经网络对存款余额残差数据集建模和预测,得出存款余额残差值的拟合值，最后,将线性预测值和残差拟合值组合得出存款余额的预测值。

金融是现代经济的核心,是实体经济的血脉。银行存款余额的稳定增长显示出银行聚集资金的能力增强。依据金融时间序列分析的原理和方法判断数据的趋势变化研究具有一定的现实意义。就银行存款余额的预测来说,ARIMA和LSTM组合模型能够综合两者在线性和非线性方面的优势,充分利用自身强大的数据特征提取能力和学习能力,避免单一模型的不足。

应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的虚拟资源数据预测方法的虚拟资源数据预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个虚拟资源数据预测装置实施例中的具体限定可以参见上文中对于虚拟资源数据预测方法的限定，在此不再赘述。

在一个实施例中，如图3所示，提供了一种虚拟资源数据预测装置300，包括：

获取模块301，用于获取历史数据序列，历史数据序列为按照数据采集时刻对虚拟资源数据进行排序所得到的数据序列；

第一数据预测模块302，用于将历史数据序列输入时间序列分析模型进行虚拟资源数据预测，得到预测数据序列；

残差确定模块303，用于基于历史数据序列与预测数据序列，确定残差序列；

第二数据预测模块304，用于将残差序列输入神经网络模型进行残差预测，得到残差预测序列，神经网络模型是由具有非线性规律的数据进行训练得到的模型；

第三数据预测模块305，用于基于残差预测序列和预测数据序列，得到虚拟资源数据预测结果。

在其中一个实施例中，时间序列分析模型是由具有线性规律的数据进行训练得到的模型。

在其中一个实施例中，第一数据预测模块302，具体用于：

将历史数据序列输入时间序列分析模型；

通过时间序列分析模型对历史数据序列进行一阶差分处理，并对处理后的历史数据序列进行虚拟资源数据预测，得到预测数据序列。

在其中一个实施例中，神经网络模型的训练过程，包括：

获取多个残差样本，各残差样本具有对应的残差预测校准值；

将残差样本进行归一化处理；

将归一化后的残差样本输入到初始模型进行残差预测，并对预测结果进行反归一化处理，得到各残差样本对应的残差预测值；

基于各残差样本对应的残差预测值和残差预测校准值，对初始模型进行参数调节，直至残差预测值和残差预测校准值的误差在预设误差范围内，得到神经网络模型。

在其中一个实施例中，残差确定模块303，具体用于：

确定历史数据序列中第一数据与预测数据序列中对应位置的第二数据间的差值；

基于差值得到残差数据序列。

在其中一个实施例中，历史数据序列中各第一数据包括多个维度的子数据；残差确定模块303在确定历史数据序列中第一数据与预测数据序列中对应位置的第二数据间的差值时，具体用于：

针对各第一数据，从预测数据序列中确定对应位置的第二数据，

针对每一相对应的第一数据和第二数据，确定第一数据中各维度的子数据与数据中对应维度的子数据间的差值，将差值作为第一数据和第二数据之间的差值。

上述虚拟资源数据预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种虚拟资源数据预测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述虚拟资源数据预测的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述虚拟资源数据预测的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述虚拟资源数据预测的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。