数据分析预测方法及装置

技术领域

本发明涉及大数据技术领域，尤其涉及一种数据分析预测方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

由于股价市场易受到多种因素影响，对股票进行预测十分困难，现有的股票预测方法包括基本面分析、技术分析和时间序列分析等，都无法及时掌握金融投资信息，对股票数据的分析预测效率和准确性都有待提高，用户体验不佳。

因此，如何提供一种新的方案，能够解决上述技术问题是本领域亟待解决的技术难题。

发明内容

本发明实施例提供一种数据分析预测方法，用以提高股票数据分析预测的效率和准确性，改善用户体验，该方法包括：

建立金融新闻数据集，所述金融新闻数据集包括多条金融新闻数据；

采用BERT模型对所述金融新闻数据集进行无监督语料预训练，得到预训练模型；

根据各条金融新闻数据对应股票的收益率为各条金融新闻数据建立数据标签；

用已建立数据标签的金融新闻数据对预训练模型进行有监督训练的二分类训练，得到新闻情感分类模型；

将目标金融新闻数据输入新闻情感分类模型，得到情绪指标，所述情绪指标表明目标金融新闻数据被判定为正向情绪或负面情绪；

建立股票样本数据集，所述股票样本数据集包括多个分别与所述金融新闻数据集中多条金融新闻数据对应的股票样本数据；

利用所述股票样本数据集构建用于预测股票趋势的LSTM模型；

将目标金融新闻数据对应的目标股票数据输入LSTM模型，得到趋势预测值，所述趋势预测值表明目标股票被预测为上涨或下跌；

在趋势预测值表明目标股票被预测为上涨，并且情绪指标表明目标金融新闻数据被判定为正向情绪时，发出建议买入或继续持有目标股票的提示信息。

本发明实施例还提供一种数据分析预测装置，用以提高股票数据分析预测的效率和准确性，改善用户体验，该装置包括：

金融新闻数据集建立模块，用于建立金融新闻数据集，所述金融新闻数据集包括多条金融新闻数据；

预训练模块，用于采用BERT模型对所述金融新闻数据集进行无监督语料预训练，得到预训练模型；

数据标签建立模块，用于根据各条金融新闻数据对应股票的收益率为各条金融新闻数据建立数据标签；

二分类训练模块，用于用已建立数据标签的金融新闻数据对预训练模型进行有监督训练的二分类训练，得到新闻情感分类模型；

情绪指标获得模块，用于将目标金融新闻数据输入新闻情感分类模型，得到情绪指标，所述情绪指标表明目标金融新闻数据被判定为正向情绪或负面情绪；

股票样本数据集建立模块，用于建立股票样本数据集，所述股票样本数据集包括多个分别与所述金融新闻数据集中多条金融新闻数据对应的股票样本数据；

LSTM模型构建模块，用于利用所述股票样本数据集构建用于预测股票趋势的LSTM模型；

趋势预测值获得模块，用于将目标金融新闻数据对应的目标股票数据输入LSTM模型，得到趋势预测值，所述趋势预测值表明目标股票被预测为上涨或下跌；

提示模块，用于在趋势预测值表明目标股票被预测为上涨，并且情绪指标表明目标金融新闻数据被判定为正向情绪时，发出建议买入或继续持有目标股票的提示信息。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述数据分析预测方法。

本发明实施例还提供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执行上述数据分析预测方法的计算机程序。

与现有技术中基本面分析、技术分析和时间序列分析等方法不同，在本发明实施例中，建立金融新闻数据集，所述金融新闻数据集包括多条金融新闻数据；采用BERT模型对所述金融新闻数据集进行无监督语料预训练，得到预训练模型；根据各条金融新闻数据对应股票的收益率为各条金融新闻数据建立数据标签；用已建立数据标签的金融新闻数据对预训练模型进行有监督训练的二分类训练，得到新闻情感分类模型；将目标金融新闻数据输入新闻情感分类模型，得到情绪指标，所述情绪指标表明目标金融新闻数据被判定为正向情绪或负面情绪；建立股票样本数据集，所述股票样本数据集包括多个分别与所述金融新闻数据集中多条金融新闻数据对应的股票样本数据；利用所述股票样本数据集构建用于预测股票趋势的LSTM模型；将目标金融新闻数据对应的目标股票数据输入LSTM模型，得到趋势预测值，所述趋势预测值表明目标股票被预测为上涨或下跌；在趋势预测值表明目标股票被预测为上涨，并且情绪指标表明目标金融新闻数据被判定为正向情绪时，发出建议买入或继续持有目标股票的提示信息，可以结合由金融新闻数据得到的情绪指标和由LSTM模型得到的趋势预测值，有针对性地对目标股票发出相应提示信息，可以提高股票数据分析预测的效率和准确性，帮助用户降低投资风险，改善用户体验。

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。在附图中：

图1为本发明实施例中数据分析预测方法的处理流程图；

图2为本发明实施例的数据分析预测方法中金融新闻数据的一具体处理流程图；

图3为本发明实施例的数据分析预测方法中股票样本数据的一具体处理流程图；

图4为本发明实施例中数据分析预测装置的结构示意图；

图5为本发明实施例中数据分析预测装置的一具体实例结构示意图；

图6为本发明一实施例的计算机设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

图1为本发明实施例中数据分析预测方法的处理流程图。如图1所示，本发明实施例中数据分析预测方法可以包括：

步骤101、建立金融新闻数据集，所述金融新闻数据集包括多条金融新闻数据；

步骤102、采用BERT模型对所述金融新闻数据集进行无监督语料预训练，得到预训练模型；

步骤103、根据各条金融新闻数据对应股票的收益率为各条金融新闻数据建立数据标签；

步骤104、用已建立数据标签的金融新闻数据对预训练模型进行有监督训练的二分类训练，得到新闻情感分类模型；

步骤105、将目标金融新闻数据输入新闻情感分类模型，得到情绪指标，所述情绪指标表明目标金融新闻数据被判定为正向情绪或负面情绪；

步骤106、建立股票样本数据集，所述股票样本数据集包括多个分别与所述金融新闻数据集中多条金融新闻数据对应的股票样本数据；

步骤107、利用所述股票样本数据集构建用于预测股票趋势的LSTM模型；

步骤108、将目标金融新闻数据对应的目标股票数据输入LSTM模型，得到趋势预测值，所述趋势预测值表明目标股票被预测为上涨或下跌；

步骤109、在趋势预测值表明目标股票被预测为上涨，并且情绪指标表明目标金融新闻数据被判定为正向情绪时，发出建议买入或继续持有目标股票的提示信息。

由图1所示流程可以得知，本发明实施例中数据分析预测方法与现有技术中基本面分析、技术分析和时间序列分析等方法不同，可以结合由金融新闻数据得到的情绪指标和由LSTM模型得到的趋势预测值，有针对性地对目标股票发出相应提示信息，对目标股票数据进行分析预测，提高股票预测的准确性，降低投资风险。

新闻是信息传播的重要途径，随着互联网的发展，每天都会产生大量与金融投资相关的新闻，不同的新闻情绪可以对投资产生重要的影响。股票价格易受业绩和估值的驱动，金融新闻中体现的正负面情绪可以影响中短期的估值水平，也可以反应市场对未来业绩的预判，把握新闻情感分类对股票价格预测具有重要影响，可以根据金融新闻的情感分类对股票投资市场进行分析。并且，新闻一般是对客观事务的报道，具备相对客观性，不同于人的主观感受或预测，分析新闻的情绪指标，可以提高股票数据分析预测的准确性。

在一个实施例中，首先可以建立金融新闻数据集，金融新闻数据可以包括：新闻发布时间、新闻标题、新闻内容、新闻来源、新闻对应公司的股票代码其中之一或任意组合。具体实施时，例如可以通过Wind金融终端、雪球、格隆汇等软件获取大量金融新闻，可以以2018年12月到2020年5月期间的金融新闻数据为例建立金融新闻数据集，可以包括消费、科技、电器、半导体、通信、互联网、房地产、金融、保险、能源、汽车、基建、化工等行业的金融新闻数据，还可以根据发布时间对金融新闻进行划分，例如可以将发布时间在t-1日15:00以后，t日15:00之前的金融新闻作为t日的金融新闻数据。

在一个实施例中，采用BERT模型对金融新闻数据集进行无监督语料预训练，得到预训练模型，可以包括：采用BERT模型对金融新闻数据集进行无监督语料预训练，学习金融新闻数据中字符级、词语级、语句级和句间关系的特征；根据学习到的金融新闻数据中字符级、词语级、语句级和句间关系的特征，得到预训练模型。

在一个实施例中，根据各条金融新闻数据对应股票的收益率为各条金融新闻数据建立数据标签，可以包括：在金融新闻数据对应股票的收益率超过第一阈值时，为金融新闻数据建立正样本的数据标签；其中，第一阈值为正值；在金融新闻数据对应股票的收益率低于第二阈值时，为金融新闻数据建立负样本的数据标签；其中，第二阈值为负值。

具体实施时，例如可以设置第一阈值为3％，第二阈值为-3％，即在金融新闻数据对应股票的收益率超过3％时，可以为金融新闻数据建立正样本的数据标签；在金融新闻数据对应股票的收益率低于-3％时，可以为金融新闻数据建立负样本的数据标签。

在一个实施例中，用已建立数据标签的金融新闻数据对预训练模型进行有监督训练的二分类训练，得到新闻情感分类模型，可以包括：用已建立数据标签的金融新闻数据对预训练模型进行有监督训练的二分类训练，为预训练模型添加输出层，得到新闻情感分类模型。

具体实施时，在BERT模型已训练完成的预训练模型上添加输出层，可以对金融新闻数据进行微调，生成精度更高的数据；利用已建立数据标签的金融新闻数据训练新闻情感分类模型，可以将新闻情感分类模型运用到其他未建立数据标签的新闻情感分类。

在一个实施例中，将目标金融新闻数据输入新闻情感分类模型，得到情绪指标，可以包括：将目标金融新闻数据输入新闻情感分类模型，得到情绪得分，所述情绪得分根据新闻情感分类模型输出值为正样本的概率确定；根据情绪得分判定目标金融新闻数据为正向情绪或负面情绪，得到情绪指标。

具体实施时，例如可以设置新闻情感分类模型输出值为正样本的概率为P1，情绪得分为T，情绪得分可按如下公式确定：T＝2*(P1-0.5)，可以以2018年12月到2020年5月时间内情绪得分的平均得分作为情绪指标，若计算情绪得分的平均得分小于0，判定目标金融新闻数据为负面情绪，可以记为“1”；若计算情绪得分的平均得分大于0，判定目标金融新闻数据为正面情绪，可以记为“-1”。

在一个实施例中，基于LSTM模型对股票趋势进行预测，首先可以建立股票样本数据集，股票样本数据集可以包括多个分别与金融新闻数据集中多条金融新闻数据对应的股票样本数据，例如也可以以2018年12月到2020年5月期间，消费、科技、电器、半导体、通信、互联网、房地产、金融、保险、能源、汽车、基建、化工等行业内，分别与金融新闻数据对应的股票样本数据为例建立股票样本数据集。

在一个实施例中，利用股票样本数据集构建用于预测股票趋势的LSTM模型之前，还可以对股票样本数据集进行数据预处理，数据预处理可以包括缺失值填充和/或数据标准化。

具体实施时，例如当股票样本数据中存在缺失值时，可以将缺失值对应股票所属行业均值或中位数作为填充，以去除极值影响；在对股票样本数据进行数据标准化处理时，例如可以通过z-score对股票样本数据进行标准化处理。

在一个实施例中，利用股票样本数据集构建用于预测股票趋势的LSTM模型，可以预设置如下LSTM模型参数中的至少一种：输入维度、输出维度、输入序列数目、隐藏层数、隐藏层神经元数、随机断开输入神经元比率、初始化权值方法、神经元激活函数、单个训练批次样本数、学习速率、损失函数；根据预设置的LSTM模型参数，利用所述股票样本数据集构建用于预测股票趋势的LSTM模型。

在一个实施例中，预设置LSTM模型参数，可以将LSTM模型参数预设置为：

输入维度：6，分别为开盘价、收盘价、最高价、最低价、成交金额、成交量；

输出维度：2，对应二分类；

输入序列数目：30；

隐藏层数：2层；

隐藏层神经元数：每层100个；

随机断开输入神经元比率：0.2；

初始化权值方法：使用正态分布初始化权值；

神经元激活函数：Tanh；

单个训练批次样本数：1000；

学习速率：0.001；

损失函数：categorical_crossentropy。

具体实施时，预设值LSTM模型参数可以通过如下方法进行设置：

输入维度(input_shape)：6。对应6个因子:[开盘价,收盘价,最高价,最低价,成交金额，成交量],[‘close’,‘open’,‘high’,‘low’,‘amount’,‘volume’]。

输出维度(units)：2，对应二分类。

输入序列数目(time_steps)：3。循环神经网络参数，预测当前时点输出所使用的历史输入序列数目。本方法因此设定为30，即预测股票的涨跌使用过去30天的数据作为输入。

隐藏层数：2层。1层隐藏层的LSTM预测能力有限，2层以上的LSTM预测能力较强。综合考虑模型的预测能力和较低复杂度，把隐藏层数目定为2层。

隐藏层神经元数(units)：每层都为100个。考虑到因子数目为6个，综合考虑模型的预测能力和低复杂度，选择100个隐藏层神经元。

随机断开输入神经元比率(dropout):0.2。该参数用于避免过拟合。

初始化权值方法(kernel_initializer)：RandomUniform。使用正态分布初始化权值。

神经元激活函数(activation)：Tanh。Tanh是LSTM中最常用的激活函数。

单个训练批次样本数(batch_size)：1000。

学习速率(learning_rate)：0.001。该速率综合考虑收敛速度和收敛稳定性。

损失函数(lossfunction)：categorical_crossentropy。该损失函数适合二分类情景。

在设置了以上参数后，LSTM网络模型的输入是一个30*6的向量，两个LSTM隐藏层都有100个神经元，每个隐藏层之后加一次dropout，最后加一个全连接层(Dense)输出。输出维度是2，对应二分类。

在一个实施例中，可以将目标金融新闻数据对应的目标股票数据输入LSTM模型，得到趋势预测值，趋势预测值可以表明目标股票被预测为上涨或下跌；在趋势预测值表明目标股票被预测为上涨，并且情绪指标表明目标金融新闻数据被判定为正向情绪时，可以发出建议买入或继续持有目标股票的提示信息。

具体实施时，将目标金融新闻数据对应的目标股票数据输入LSTM模型，若得到的趋势预测值小于0，可以表明目标股票被预测为下跌，例如记为“-1”，若得到的趋势预测值大于0，可以表明目标股票被预测为上涨，例如可以记为“1”。

在一个实施例中，还可以在趋势预测值表明目标股票被预测为下跌，或情绪指标表明目标金融新闻数据被判定为负面情绪时，发出建议卖出或继续空仓的提示信息。

本发明实施例充分考虑了股票数据的连续性和相关性，针对股票数据的差异性大、时效性强、高度非线性、模型复杂的特点，通过LSTM模型的非线性映射能力和自适应能力，可以提高股票趋势预测的准确度，并结合基于BERT新闻情感分类模型，考量了金融新闻反映的正负向情绪对股票趋势的重要影响，可以结合由金融新闻数据得到的情绪指标和由LSTM模型得到的趋势预测值，有针对性地对目标股票发出相应提示信息，可以提高股票数据分析预测的效率和准确性，帮助用户降低投资风险，改善用户体验。

图2为本发明实施例的数据分析预测方法中金融新闻数据的一具体处理流程图。如图2所示，仍以2018年12月到2020年5月期间的金融新闻数据为例，本发明实施例的数据分析预测方法中金融新闻数据的具体处理流程可以为：

步骤201、建立金融新闻数据集，包括2018年12月到2020年5月期间的多条金融新闻数据；

步骤202、采用BERT模型对金融新闻数据集进行无监督语料预训练，得到预训练模型；

步骤203、在金融新闻数据对应股票的收益率超过3％时，为金融新闻数据建立正样本的数据标签；在金融新闻数据对应股票的收益率低于-3％时，为金融新闻数据建立负样本的数据标签；

步骤204、用已建立数据标签的金融新闻数据对预训练模型进行有监督训练的二分类训练，得到新闻情感分类模型；

步骤205、将目标金融新闻数据输入新闻情感分类模型，得到情绪指标，将正向情绪记为“1”，将负面情绪记为“-1”，作为情绪指标，结束流程。

图3为本发明实施例的数据分析预测方法中股票样本数据的一具体处理流程图。如图3所示，仍以2018年12月到2020年5月期间，分别与金融新闻数据对应的股票样本数据为例，本发明实施例的数据分析预测方法中股票样本数据的具体处理流程可以为：

步骤301、建立股票样本数据集，包括2018年12月到2020年5月期间分别与金融新闻数据集中多条金融新闻数据对应的多个股票样本数据；

步骤302、对股票样本数据集进行缺失值填充和数据标准化的数据预处理；

步骤303、利用股票样本数据集构建用于预测股票趋势的LSTM模型；

步骤304、将目标金融新闻数据对应的目标股票数据输入LSTM模型，得到趋势预测值，表明目标股票被预测为上涨或下跌，结束流程。

本发明实施例中还提供了一种数据分析预测装置，如下面的实施例所述。由于该装置解决问题的原理与数据分析预测方法相似，因此该装置的实施可以参见数据分析预测方法的实施，重复之处不再赘述。

图4为本发明实施例中数据分析预测装置的结构示意图。如图4所示，本发明实施例中数据分析预测装置具体可以包括：

金融新闻数据集建立模块401，用于建立金融新闻数据集，所述金融新闻数据集包括多条金融新闻数据；

预训练模块402，用于采用BERT模型对所述金融新闻数据集进行无监督语料预训练，得到预训练模型；

数据标签建立模块403，用于根据各条金融新闻数据对应股票的收益率为各条金融新闻数据建立数据标签；

二分类训练模块404，用于用已建立数据标签的金融新闻数据对预训练模型进行有监督训练的二分类训练，得到新闻情感分类模型；

情绪指标获得模块405，用于将目标金融新闻数据输入新闻情感分类模型，得到情绪指标，所述情绪指标表明目标金融新闻数据被判定为正向情绪或负面情绪；

股票样本数据集建立模块406，用于建立股票样本数据集，所述股票样本数据集包括多个分别与所述金融新闻数据集中多条金融新闻数据对应的股票样本数据；

LSTM模型构建模块407，用于利用所述股票样本数据集构建用于预测股票趋势的LSTM模型；

趋势预测值获得模块408，用于将目标金融新闻数据对应的目标股票数据输入LSTM模型，得到趋势预测值，所述趋势预测值表明目标股票被预测为上涨或下跌；

提示模块409，用于在趋势预测值表明目标股票被预测为上涨，并且情绪指标表明目标金融新闻数据被判定为正向情绪时，发出建议买入或继续持有目标股票的提示信息。

在一个实施例中，金融新闻数据包括：新闻发布时间、新闻标题、新闻内容、新闻来源、新闻对应公司的股票代码其中之一或任意组合。

在一个实施例中，预训练模块402具体用于：

采用BERT模型对所述金融新闻数据集进行无监督语料预训练，学习金融新闻数据中字符级、词语级、语句级和句间关系的特征；

根据学习到的金融新闻数据中字符级、词语级、语句级和句间关系的特征，得到预训练模型。

在一个实施例中，数据标签建立模块403具体用于：

在金融新闻数据对应股票的收益率超过第一阈值时，为金融新闻数据建立正样本的数据标签；其中，第一阈值为正值；

在金融新闻数据对应股票的收益率低于第二阈值时，为金融新闻数据建立负样本的数据标签；其中，第二阈值为负值。

在一个实施例中，二分类训练模块404具体用于：

用已建立数据标签的金融新闻数据对预训练模型进行有监督训练的二分类训练，为预训练模型添加输出层，得到新闻情感分类模型。

在一个实施例中，情绪指标获得模块405具体用于：

将目标金融新闻数据输入新闻情感分类模型，得到情绪得分，所述情绪得分根据新闻情感分类模型输出值为正样本的概率确定；

根据情绪得分判定目标金融新闻数据为正向情绪或负面情绪，得到情绪指标。

图5为本发明实施例中数据分析预测装置的一具体实例结构示意图。如图5所示，在实施例中，图4所示的数据分析预测装置还可以包括：

预处理模块501，用于在LSTM模型构建模块利用所述股票样本数据集构建用于预测股票趋势的LSTM模型之前，对所述股票样本数据集进行数据预处理，所述数据预处理包括缺失值填充和/或数据标准化。

在一个实施例中，LSTM模型构建模块407具体用于：

预设置如下LSTM模型参数中的至少一种：

输入维度、输出维度、输入序列数目、隐藏层数、隐藏层神经元数、随机断开输入神经元比率、初始化权值方法、神经元激活函数、单个训练批次样本数、学习速率、损失函数；

根据预设置的LSTM模型参数，利用所述股票样本数据集构建用于预测股票趋势的LSTM模型。

在一个实施例中，LSTM模型构建模块具体用于：将LSTM模型参数预设置为：

输入维度：6，分别为开盘价、收盘价、最高价、最低价、成交金额、成交量；

输出维度：2，对应二分类；

输入序列数目：30；

隐藏层数：2层；

隐藏层神经元数：每层100个；

随机断开输入神经元比率：0.2；

初始化权值方法：使用正态分布初始化权值；

神经元激活函数：Tanh；

单个训练批次样本数：1000；

学习速率：0.001；

损失函数：categorical_crossentropy。

在一个实施例中，提示模块409具体用于：

在趋势预测值表明目标股票被预测为下跌，或情绪指标表明目标金融新闻数据被判定为负面情绪时，发出建议卖出或继续空仓的提示信息。

基于前述发明构思，如图6所示，本发明还提出了一种计算机设备600，包括存储器610、处理器620及存储在存储器610上并可在处理器620上运行的计算机程序630，所述处理器620执行所述计算机程序630时实现前述数据分析预测方法。

基于前述发明构思，本发明实施例还提供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执行上述数据分析预测方法的计算机程序。

综上所述，与现有技术中基本面分析、技术分析和时间序列分析等方法不同，在本发明实施例中，建立金融新闻数据集，所述金融新闻数据集包括多条金融新闻数据；采用BERT模型对所述金融新闻数据集进行无监督语料预训练，得到预训练模型；根据各条金融新闻数据对应股票的收益率为各条金融新闻数据建立数据标签；用已建立数据标签的金融新闻数据对预训练模型进行有监督训练的二分类训练，得到新闻情感分类模型；将目标金融新闻数据输入新闻情感分类模型，得到情绪指标，所述情绪指标表明目标金融新闻数据被判定为正向情绪或负面情绪；建立股票样本数据集，所述股票样本数据集包括多个分别与所述金融新闻数据集中多条金融新闻数据对应的股票样本数据；利用所述股票样本数据集构建用于预测股票趋势的LSTM模型；将目标金融新闻数据对应的目标股票数据输入LSTM模型，得到趋势预测值，所述趋势预测值表明目标股票被预测为上涨或下跌；在趋势预测值表明目标股票被预测为上涨，并且情绪指标表明目标金融新闻数据被判定为正向情绪时，发出建议买入或继续持有目标股票的提示信息，可以结合由金融新闻数据得到的情绪指标和由LSTM模型得到的趋势预测值，有针对性地对目标股票发出相应提示信息，可以提高股票数据分析预测的效率和准确性，帮助用户降低投资风险，改善用户体验。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、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。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。