资金运营的风险预测方法、电子设备及计算机存储介质

技术领域

本申请涉及金融领域，具体涉及一种资金运营的风险预测方法、电子设备及计算机存储介质。

背景技术

资金运营是通过投资将所形成的各项资产予以利用、调配、经营及运作、回收的过程，是企业筹资、投资和资金融资等活动的总称。在现有的资金运营过程中，资金的风险防护只能对已经发生的资金风险进行分级分类，且资金的风险识别系统只能对资金融资过程中产生的资金风险进行评估。

发明内容

本申请提出一种资金运营的风险预测方法、电子设备及计算机存储介质，能够对资金运营过程中即将发生的资金风险及对资金运营过程中产生的资金风险进行预测。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种资金运营的风险预测方法，该风险预测方法包括：获取资金运营过程中的财务数据，并对财务数据进行风险识别，得到财务数据中的风险数据；对风险数据进行分级分类识别，得到风险数据的风险分级分类，以实现财务数据的风险预测。

其中，在获取资金运营过程中的财务数据，并对财务数据进行风险识别，得到财务数据中的风险数据之前，风险预测方法还包括：构建分类器；获取资金运营过程中的历史财务数据，并对历史财务数据进行风险标注，其中风险标注包括有风险及无风险；利用进行风险标注后的历史财务数据对分类器进行训练；对财务数据进行风险识别，得到财务数据中的风险数据，包括：利用训练后的分类器对财务数据进行风险识别，得到财务数据中的风险数据。

其中，在对风险数据进行分级分类识别之前，风险预测方法还包括：构建风险分级分类模型；获取资金运营过程中的历史风险数据，并对历史风险数据进行风险分级分类标注，其中风险分级分类标注包括四大类财务风险及其明细、十小类财务风险及其明细、64个明细分类财务风险及其明细；利用进行风险分级分类标注后的历史风险数据对风险分级分类模型进行训练；对风险数据进行分级分类识别，得到风险数据的风险分级分类，包括：利用训练后的风险分级分类模型对风险数据进行风险识别，得到风险数据中的风险分级分类。

其中，风险预测方法还包括：基于财务数据及其风险预测结果确定财务数据的风险预测精准度；基于风险预测精准度大于或等于阈值的财务数据及其风险数据对训练后的分类器进行再次训练。

其中，风险预测方法还包括：基于风险预测精准度大于或等于阈值的财务数据对应的风险数据及风险分级分类对训练后的风险分级分类模型进行再次训练。

其中，风险预测方法还包括：对风险预测精准度小于阈值的财务数据进行再次标注；利用再次标注后的财务数据对分类器及风险分级分类模型进行再次训练。

其中，风险预测方法还包括：XGBoost决策树。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种资金运营的风险预测装置，该风险预测装置包括：风险识别模块，用于获取资金运营过程中的财务数据，并对财务数据进行风险识别，得到财务数据中的风险数据；风险分级分类模块，用于对风险数据进行分级分类识别，得到风险数据的风险分级分类，以实现财务数据的风险预测。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种电子设备，该电子设备包括处理器以及与处理器连接的存储器，其中，存储器中存储有程序数据，处理器执行存储器存储的程序数据，以执行实现上述风险预测方法。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机可读存储介质，其内部存储有程序指令，程序指令被执行以实现上述风险预测方法。

本申请的有益效果是：区别于现有技术的情况，本申请获取资金运营过程中的财务数据，并对财务数据进行风险识别，得到财务数据中的风险数据；对风险数据进行分级分类识别，得到风险数据的风险分级分类，以实现财务数据的风险预测。通过这种方式，本申请先对资金运营过程中的财务数据进行风险识别，获取存在风险的财务数据，即风险数据，然后将风险数据进行分级分类识别，获取风险数据的风险分级分类，能够对资金运营过程中即将发生的资金风险进行预测，及对资金运营过程中已产生的资金风险进行识别。

附图说明

图1是本申请资金运营的风险预测方法一实施例的流程示意图；

图2是本申请资金运营的风险预测方法另一实施例的流程示意图；

图3是本申请资金运营的风险预测方法又一实施例的流程示意图；

图4是本申请资金运营的风险预测方法又一实施例的流程示意图；

图5是本申请资金运营的风险预测装置一实施例的结构示意图；

图6是本申请资金运营的风险预测装置另一实施例的结构示意图；

图7是本申请一实施例的电子设备的结构示意图；

图8是本申请一实施例的计算机可读存储介质的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请首先提出一种资金运营的风险预测方法，如图1所示，图1是本申请资金运营的风险预测方法一实施例的流程示意图，本实施例资金运营的风险预测方法具体包括以下步骤：

步骤S11：获取资金运营过程中的财务数据，并对财务数据进行风险识别，得到财务数据中的风险数据。

获取资金运营过程中的财务数据，并对财务数据进行风险识别，可以将财务数据分类为有风险数据及无风险数据，从而得到财务数据中的风险数据。

本实施例可以采用分类器等模型或者算法对财务数据进行风险识别。

步骤S12：对风险数据进行分级分类识别，得到风险数据的风险分级分类，以实现财务数据的风险预测。

确定风险数据的风险分级分类，即对风险数据进行分级分类识别，得到风险数据的风险分级分类，在资金运营的全过程中，能够对资金运营全过程中产生的资金风险及风险数据进行自动识别，且对资金运营全过程中产生的风险数据进行定位，并能够根据历史数据对即将要产生的风险数据进行预测，以实现财务数据的风险预测。

区别于现有技术，本申请获取资金运营过程中的财务数据，并对财务数据进行风险识别，得到财务数据中的风险数据；对风险数据进行分级分类识别，得到风险数据的风险分级分类，以实现财务数据的风险预测。通过这种方式，本申请先对资金运营过程中的财务数据进行风险识别，获取存在风险的财务数据，即风险数据，然后将风险数据进行分级分类识别，获取风险数据的风险分级分类，能够对资金运营过程中即将发生的资金风险进行预测，及对资金运营过程中已产生的资金风险进行识别。

本申请进一步提出一种资金运营的风险预测方法，如图2所示，图2是本申请资金运营的风险预测方法另一实施例的流程示意图，本实施例资金运营的风险预测方法具体包括以下步骤：

步骤S21：构建分类器。

构建分类器的初始模型。

例如，初始模型在初始运行时将每个财务数据样本赋予相同的权重，该权重为：

再进行m轮迭代，第m轮产生一个弱分类器G

在进行m轮迭代的过程中，先采用使分类器错误率最低的方法找到最佳的切分点，形成弱分类器G

其中，分类错误率e

计算G

当

更新每一个财务数据样本的权重，在下一轮迭代中：

Z是归一化因子，Z用于确保所有财务数据样本的权重之和为1，财务数据样本i被错误分类时y

最终得到分类器：

该分类器G(x)能够将资金运营过程中产生的财务数据进行简单分类，且能够将有风险的财务数据，即风险数据进行筛选。实现资金运营全封闭系统的财务数据分流，增加财务数据中风险数据分类的准确性。通过数据的滚动更新，对分类器进行加强训练，使分类器不断进行加强学习，以提高分类器预测的准确度。

可选地，分类器G(x)可以是二分类分类器，也可以是其它类型的分类器。

步骤S22：获取资金运营过程中的历史财务数据，并对历史财务数据进行风险标注。

其中，风险标注包括有风险及无风险。

例如，获取资金运营过程中的历史财务数据后，将历史财务数据标注为有风险数据及无风险数据。

步骤S23：利用进行风险标注后的历史财务数据对分类器进行训练。

例如，对历史财务数据中的有风险数据及无风险数据进行人工标注，将人工标注后的有风险数据及无风险数据导入分类器，对分类器进行训练，以实现满足财务数据风险识别精度的分类器。

步骤S24：利用训练后的分类器对财务数据进行风险识别，得到财务数据中的风险数据。

利用训练完成的分类器对财务数据进行风险识别，得到财务数据中有风险的数据，即通过训练完成的分类器实现上述步骤S11。

可选地，本实施例的方法还可以包括步骤S25至步骤S27。

步骤S25：构建风险分级分类模型。

例如，风险分级分类模型利用决策树来构建目标函数和剪枝策略函

数。构建目标函数：

Obj(θ)＝L(θ)+Ω(θ)

其中，Obj(θ)为目标函数，L(θ)为误差函数，Ω(θ)为正则化项。误差函数L(θ)用于确定风险分级分类模型拟合数据的程度，正则化项Ω(θ)用于惩罚复杂的风险分级分类模型。

监督学习的神经网络需要一个函数来测度模型的输出值L(θ)和真实因变量值y之间的差异。当连续被变量时，风险分级分类模型可以使用误差函数为：

一般的，误差函数为：

其中，y

当风险分级分类模型完美时，其误差L(θ)为0。当风险分级分类模型存在问题时，误差L(θ)不论负值还是正值，都偏离0。误差L(θ)离0越近，则构建的风险分级分类模型越好。

在机器学习算法中，若只使用经验风险最小化去优化误差函数则很可能造成过拟合的问题，要在误差函数中加入一些描述风险分级分类模型复杂程度的正则化项，使得风险分级分类模型在拥有较好的预测能力的同时，不会因为风险分级分类模型过于复杂而产生过拟合现象，使其结构风险最小化。风险分级分类模型可以使用正则化项：

其中，γT为该算法中的叶子节点个数，

综上所述，使用叶子节点个数T、叶子节点值w

将原目标函数进行泰勒展开：

其中，Obj的值越小，可以确定树的预测准确程度越高，复杂度越低。

剪枝策略是解决决策树算法过拟合问题的核心方法，也是决策树算法的重要组成部分。风险分级分类模型采用剪枝策略函数：

其中，

该风险分级分类模型能够使财务数据识别后对有风险的财务数据进行分级分类，且可以利用数据库实现财务风险数据的自动分级分类存储。通过数据的滚动更新，对风险分级分类模型进行加强训练，使风险分级分类模型不断进行加强学习，以提高风险分级分类模型预测的准确度。

步骤S26：获取资金运营过程中的历史风险数据，并对历史风险数据进行风险分级分类标注。

其中，风险分级分类标注包括四大类财务风险及其明细、十小类财务风险及其明细、64个明细分类财务风险及其明细。

获取资金运营过程中的历史风险数据，对历史风险数据进行风险分级分类标注，风险分级分类标注包括四大类财务风险及其明细、十小类财务风险及其明细、64个明细分类财务风险及其明细。

四大类财务风险包括银行专户管理风险、资金存量管理风险、资金结算风险、融资风险。

其中，银行账户管理风险包括一个小类银行账户管理风险和5个明细分级分类，5个明细分级分类包括低效账户风险、外部账户数量超标风险、内部账户数量超标风险、未及时监控账户风险、账户状态异常风险。

其中，资金存量管理风险包括一个小类自己能存量管理风险和3个明细分级分类，3个明细分级分类包括大额现金余额监控风险、未归集资金监控风险、账户日限额监控。

其中，资金结算风险分为7个小类：大额支出、电子支付、异常行为、其他支付风险、票据承兑、银行对账及余额调节、其他非支付风险。大额支出包括6个明细分级分类，对公大额支出风险、对私大额支出风险、对外部独立账户大额支出风险、对外部供应商大额支出风险、大额现金收支监控、大额调户监控。电子支付包括两个明细分级分类，非电子支付风险、电子支付风险。异常行为包括13个明细分级分类，供应商支付异常风险、异常时间支出风险、付款申请异常风险、按账户支付金额异常风险、按业务类型支付金额异常风险、账户交易异常风险、电费账户异常支出风险、对外部独立账户转户风险、支付流程回退风险、付款单据传递及时性风险、应付款项余额异常风险、异常抵扣电费监控、超预算支付风险。其他支付风险包括17个明细分级分类风险，重复支出风险、超期末还备用金监控、大额备用金余额监控、备用金余额监控、账外账风险、内部转户风险、高风险支付风险、其他支出风险、关联交易风险、对外借出资金风险、零星供应商监控、内部封闭结算风险、日调度执行偏差风险、周平衡执行偏差风险、月预算执行偏差风险、首次交易账户风险、退票风险。票据承兑包括5个明细分级分类风险，应收票据未及时兑付风险、应付票据未及时兑付风险、商业承兑汇票收取不规范风险、新增应收票据单位风险、票据台账规范性监控风险。银行对账及余额调节包括6个明细分级分类，未达账项风险、外部账户日未达风险、未及时清理银行未达账项监控、对账风险、“收支余”监控、账户三方对账实时风险。其他非支付风险包括4个明细分级分类，线下支付制证风险、重点人员不相容岗位风险、用户异常风险、电费账户收入异常风险。

其中，融资风险包括一个小的风险分级分类，该小的风险分级分类包括3个明细风险分级分类，逾期未还贷监控、融资台账规范性监控、融资台账完整性监控。

十小类财务风险包括银行账户管理风险、资金存量管理风险、大额支出、电子支付、异常行为、其他支付风险、票据承兑、银行对账及余额调节、其他非支付风险、融资风险。

64个明细分级分类财务风险包括低效账户风险、外部账户数量超标风险、内部账户数量超标风险、未及时监控账户风险、账户状态异常风险、账户状态异常风险、大额现金余额监控风险、未归集资金监控风险、账户日限额控制风险、对公大额支出风险、对私大额支出风险、对外部独立账户大额支出风险、对外部供应商大额支出风险、大额现金收支监控风险、大额调空监护风险、非电子支付风险、电子支付风险、供应商支付异常风险、异常时间支付风险、付款申请异常风险、按账户支付金额异常风险、按业务类型支付金额异常风险、账户交易异常风险、电费账户异常支出风险、对外部独立账户转户风险、支付流程回退风险、付款单据传递及时性风险、应付款项余额异常风险、异常抵扣电费监控、超预算支付风险、重复支出风险、超期末还备用金监控、大额备用金余额监控、备用金余额监控风险、帐外账风险、内部转户风险、高风险支付风险、其他支出风险、关联交易风险、对外借出资金风险、零星供应商监控风险、内部封闭结算风险、日调度执行偏差风险、周平衡执行偏差风险、月预算执行偏差风险、首次交易账户风险、退票风险、应收票据未及时兑付风险、应付票据未及时兑付风险、商业承兑汇票收取不规范风险、新增应收票据单位风险、票据台账规范性监控、未达账项风险、外部账户日未达风险、未及时清理银行未达风险、外部账户日未达风险、未及时清理银行未达账项监控、对账风险、“收支余”监控风险、电费账户三方对账实时风险、线下支付制证风险、重点人员不相容岗位风险、用户异常风险、电费账户收入异常风险、逾期未还贷款监控、融资台账规范性监控、融资台账完整性监控。

例如，在业务系统资金全闭环运营过程中，产生的主要业务信息包括：付款单位、付款账号、付款开户银行、累计支付金额、收款单位、收款开户金融机构、监控日期。产生的主要资金信息包括：付款单位、付款账号、付款开户银行、累计支付金额、收款单位、收款开户金融机构、监控日期。若对主要业务信息及主要资金信息中的某一项进行重复支付，则会将该风险识别出来，将该风险所产生的相关业务数据进行提取，进行风险分级分类标注，并将相关业务数据进行存储，以供查找。

其中，风险分级分类标注包括风险分级标注：四大类财务风险及其下一层分级、十小类财务风险及其下一层分级、64个明细分类财务风险；风险分级分类标注包括风险分类标注：各个风险分级标注下的明细。

步骤S27：利用进行风险分级分类标注后的历史风险数据对风险分级分类模型进行训练。

例如，对历史风险数据中的四大类财务风险、十小类财务风险、64个明细分级分类财务风险进行人工风险分级分类标注，将人工标注后的历史风险数据导入风险分级分类模型，并对风险分级分类模型进行训练，以实现满足财务数据风险识别精度的分级分类模型。

步骤S28：利用训练后的风险分级分类模型对风险数据进行风险识别，得到风险数据中的风险分级分类。

本实施例通过训练完成的风险分级分类模型实现上述步骤S12。

利用训练完成的风险分级分类模型对风险数据进行风险识别，得到风险数据中的风险分级分类，以实现数据流量分析。

例如，将风险分级分类模型接入实时资金运营数据库，接入司库体系运营数据库，对资金运营全过程产生的财务数据进行实时监控，将有风险的财务数据进行检测，并进行风险分级分类，利用数据库对其进行存储，以实现数据流量分析。

本申请不限定步骤S25至步骤S27与步骤S21至步骤S24的执行顺序。

可选地，本实施例风险预测方法进一步包括基于财务数据及其风险预测结果确定财务数据的风险预测精准度；基于风险预测精准度大于或等于阈值的财务数据及其风险数据对训练后的分类器进行再次训练。

基于财务数据及其风险预测结果确定财务数据的风险预测精准度，若风险预测精准度大于或等于阈值，则将该财务数据及其风险数据直接用于再次训练，对训练后的分类器进行再次训练。能够增加分类器识别财务风险数据的准确率。

可选地，本实施例风险预测方法进一步包括基于风险预测精准度大于或等于阈值的财务数据对应的风险数据及风险分级分类对训练后的风险分级分类模型进行再次训练。

基于财务数据及其风险预测结果确定财务数据的风险预测精准度，若风险预测精准度大于或等于阈值，则将该财务数据对应的风险数据及风险分级分类直接用于再次训练，对训练后的风险分级分类模型进行再次训练。能够增加风险分级分类模型识别财务风险数据的准确率。

可选地，本实施例风险预测方法进一步包括对风险预测精准度小于阈值的财务数据进行再次标注；利用再次标注后的财务数据对分类器及风险分级分类模型进行再次训练。

基于财务数据及其风险预测结果确定财务数据的风险预测精准度，若风险预测精准度小于阈值，则进行再次标注，将再次标注后的财务数据对训练后的分类器及风险分级分类模型进行再次训练。能够增加分类器及风险分级分类模型识别财务风险数据的准确率。

可选地，本实施例风险预测方法进一步包括XGBoost决策树。

其中，上述风险预测方法中的风险分级分类模型可以利用XGBoost决策树来构建目标函数和剪枝策略函数。XGBoost是一种经典的集成式提升算法框架，经常被应用于用户行为预判、用户标签预测、用户信用评分等项目中，训练效率高、预测效果好、可控参数多、使用方便。

在XGBoost决策树中，通过叶子节点个数、树的深度、叶子节点值来控制模型复杂度。XGBoost决策树是分级分类与回归决策树CART(Classification and RegressionTrees)。由于CART是二叉树，控制叶子节点个数等同于控制了树的深度。因此，可以使用叶子节点个数来评估树的复杂度，即叶子节点个数越多，树的深度越深，决策树结构越复杂。对于叶子节点值，由于叶子节点值越大，相当于样本预测值分布在较少的几颗决策树的叶子节点上，这样容易出现过拟合。如果叶子节点值越小，相当于预测值分布在较多的决策树叶子节点上，每颗决策树参与预测其中的一小部分，过拟合的风险被分散。因此，叶子节点值越大，模型越容易过拟合，等同于决策树的复杂度越高。

例如，使用叶子节点个数T、叶子节点值w

在一应用场景中，如图3所示，图3是本申请资金运营的风险预测方法又一实施例的流程示意图，本实施例的风险预测方法包括：对数据库及业务系统进行实时数据采集，其中，数据库中的数据可以与业务系统中的数据进行互通，业务系统中的数据可以与其它业务系统中的数据进行互通。将数据库及业务系统中的数据实时采集后，提取出数据主体，并将数据进行分级分类，数据主体及分级分类后的数据用于数据汇总及数据统计。数据进行实时采集后，经过数据过滤，将过滤后的数据进行数据汇总。分级分类后的数据进行数据关联，将关联的数据进行数据汇总。

可选地，本实施例风险预测方法进一步包括将分类器及风险分级分类模型进行封装。

如图4所示，图4是本申请资金运营的风险预测方法又一实施例的流程示意图，本实施例的风险预测方法包括：获取历史数据，并对历史数据进行风险识别，可以将历史数据分级分类为有风险数据及无风险数据，有风险数据即风险数据，将历史数据中的风险数据进行人工标签，人工标签的风险数据的类别包括银行账户风险等四大类、银行账户风险等十小类、低效账户监控等64个明细分类，历史数据还可以用于进行分类器及风险分级分类模型的训练，经阈值筛选后，历史数据中的高分旧数据不进行训练，历史数据中的剩余数据进行分类器及风险分级分类模型的训练。

将人工标签后的风险数据导出至分类器及风险分级分类模型。分类器及风险分级分类模型可以用于识别导入的新数据。分类器及风险分级分类模型的训练过程包括模型选取、模型构建、模型检验、模型校正及确定模型。风险分级分类模型构建完成后，对分类器及风险分级分类模型进行封装。封装后的分类器及风险分级分类模型用于对风险数据进行预测及阈值筛选，对风险数据进行预测即预测风险数据的类别为银行账户风险等四大类、银行账户风险等十小类、低效账户监控等64个明细分类；阈值筛选即将风险数据分为高分数据及低分数据，其中，对高分数据进行高分采样，用于再次进行分类器及风险分级分类模型的训练，对低分数据进行低分采样，对低分采样后的低分数据进行人工标签，人工标签后的低分数据用于再次进行分类器及风险分级分类模型的训练。

其中，对构建好的分类器及风险分级分类模型进行检验与校验，通过进行可行性检验和校正，将可行性检验和校正完成后的分类器及风险分级分类模型进行封装。将封装好的分类器及风险分级分类模型接入实时资金运营风险数据库，对资金运营全过程进行封闭式监测，能够保证分类器及风险分级分类模型在资金运营过程中的完整性及安全性。

本申请进一步提出一种资金运营的风险预测装置，如图5所示，图5是本申请资金运营的风险预测装置一实施例的结构示意图。本实施例资金运营的风险预测装置包括：风险识别模块51，用于获取资金运营过程中的财务数据，并对财务数据进行风险识别，得到财务数据中的风险数据；风险分类模块52，用于对风险数据进行分级分类识别，得到风险数据的风险分级分类，以实现财务数据的风险预测。

其中，风险识别模块51用于实现上述分类器，风险分类模块52用于实现上述风险分级分类模型。

本实施例资金运营的风险预测装置还用于实现上述风险预测方法。

在另一实施例中，如图6所示，图6是本申请资金运营的风险预测装置另一实施例的结构示意图。本实施例资金运营的风险预测装置包括：显示器61、控制器62、数据集63、模型64及数据库65，其中，模型64包括上述风险识别模块51及风险分类模块52。

数据库65导出资金运营过程中的财务数据至模型64，模型64中的风险识别模块51获取资金运营过程中的财务数据，并对财务数据进行风险识别，得到财务数据中的风险数据。模型64中的风险分类模块52用于对风险数据进行分级分类识别，得到风险数据的风险分级分类。模型64对风险数据进行完善，将完善后的风险数据导出至数据集63，并将风险数据导出至控制器62。控制器62也可以直接从模型64中提取风险数据。数据集63中的数据可以用于训练模型64。控制器62将风险数据导出至显示器61，进行数据展示。在显示器61上能够显示风险数据。

风险识别模块51可采用上述分类器实现，风险分类模块52可采用上述风险分级分类模型实现。

可选地，数据库65可以是利用python实现的数据库，也可以是利用其它编程语言实现的数据库。

本实施例资金运营的风险预测装置还用于实现上述风险预测方法。

本申请进一步提出一种电子设备，如图7所示，图7是本申请电子设备一实施例的结构示意图，该电子设备200包括处理器201及与处理器201连接的存储器202。

处理器201还可以称为CPU(Central Processing Unit，中央处理单元)。处理器201可能是一种集成电路芯片，具有信号的处理能力。处理器201还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(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。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。

存储器202用于存储处理器201运行所需的程序数据。

处理器201还用于执行存储器202存储的程序数据以实现上述资金运营的风险预测方法。

本申请进一步提出一种计算机存储介质，如图8所示，图8是本申请计算机存储介质一实施例的结构示意图。计算机可读存储介质300内部存储有程序指令310，程序指令310被执行以实现上述资金运营的风险预测方法。

其中，程序指令310可以形成程序文件以软件产品的形式存储在上述存储介质中，以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式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，或者是计算机、服务器、手机、平板等终端设备。

本实施例计算机可读存储介质300可以是但不局限于U盘、SD卡、PD光驱、移动硬盘、大容量软驱、闪存、多媒体记忆卡、服务器等。

在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该电子设备执行上述各方法实施例中的步骤。

另外，上述功能如果以软件功能的形式实现并作为独立产品销售或使用时，可存储在一个移动终端可读取存储介质中，即，本申请还提供一种存储有程序数据的存储装置，所述程序数据能够被执行以实现上述实施例的方法，该存储装置可以为如U盘、光盘、服务器等。也就是说，本申请可以以软件产品的形式体现出来，其包括若干指令用以使得一台智能终端执行各个实施例所述方法的全部或部分步骤。

在本申请的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(可以是个人计算机，服务器，网络设备或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。