高耗能企业综合降碳的分析方法、装置及计算机存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种高耗能企业综合降碳的分析方法、装置、电子设备及计算机存储介质。

背景技术

随着全球气候变化和环境污染问题的日益严重，碳减排已成为各国政府和企业的共同责任，高耗能企业作为能源消耗和碳排放的主要来源，其碳减排工作显得尤为重要；目前，国内外已有一些关于高耗能企业碳排的研究，如基于能源流分析的碳减排评估方法、基于生命周期评价的碳减排放方法等，但这些方法多为单一维度的分析，且分析准确度低。

发明内容

为了解决上述提出的至少一个技术问题，本发明提供一种高耗能企业综合降碳的分析方法、装置、电子设备及计算机存储介质。

请参阅图1，第一方面，提供了一种高耗能企业综合降碳的分析方法，包括如下步骤：

获取待分析企业的能耗数据和碳排放数据；

对能耗数据的能耗结构和碳排放数据的碳排放结构进行综合分析；

基于所述综合分析的结果确定待分析企业的降碳模式；其中，所述降碳模式的能耗数据和降碳模式的碳排放数据低于所述待分析企业的能耗数据和碳排放数据。

在该方面中，通过综合分析企业能耗数据、碳排放数据、环境政策等多个维度进行综合分析，并对企业进行能耗结构、碳排放结构、碳减排潜力等方面的分析，实现对待分析企业的降碳需求和降碳模式进行精确分析，能够精准匹配企业当前所需，为降碳需求的识别和个性化方案的制定提供全面的数据支持，提供碳减排方案和可行性分析，以实现企业碳减排目标。

在一种可能实现的方式中，所述获取待分析企业的能耗数据和碳排放数据，包括：

对待分析企业的能耗设备和排放源进行数据采集；

对采集到的数据进行清洗、整理和归类中的一种或多种，得到所述待分析企业的能耗数据和碳排放数据。

在该种可能实现的方式中，对收集到的数据进行整理和分析。比较不同时期或不同部门之间的能耗和碳排放情况，或，针对不同的能够设备和排放源进行数据采集，并通过对采集的数据进行预处理，从而加强分析、评估的稳定性，以实现精确查看整体趋势和差异；其中，预处理包括数据去重、缺失值填充、异常值处理等，通过对数据进行预处理确保数据质量和完整性。

在一种可能实现的方式中，所述对能耗数据的能耗结构和碳排放数据的碳排放结构进行综合分析，包括：

利用数据分析和机器学习算法对所述能耗数据和所述碳排放数据进行综合分析，并输出能源消耗的主要来源和碳排放来源；

基于所述能耗数据和所述碳排放数据对待分析企业的技术状况进行评估，得到所述综合分析的结果。

在该种可能实现的方式中，通过机器学习算法和数据分析整合能耗数据和碳排放数据，输出能源消耗的主要来源和碳排放来源。并基于能耗数据和所述碳排放数据对企业进行技术状况进行评估，从而得到综合分析的结果，通过对能耗数据和碳排放数据进行关联，提高分析精确度。

在一种可能实现的方式中，所述数据分析包括描述性统计分析、相关性分析、聚类分析和回归分析中的一种或多种；

所述机器学习算法包括决策树算法、随机森林算法和神经网络算法。

在该种可能实现的方式中，根据具体情况选择适当的分析方式和算法，并依据数据的质量和特性进行实施，以提高综合分析结果的准确度；

其中，描述性统计分析包括：利用统计方法对数据进行总体特征分析，例如均值、方差、最大最小值等，以了解能源消耗和碳排放的基本特征。

相关性分析包括：通过计算变量之间的相关系数，确定各个变量之间的线性相关性，并找出与能源消耗和碳排放关联较大的因素。

聚类分析包括：将数据分成不同的群组，找出能源消耗和碳排放的主要来源。

回归分析包括：建立能源消耗和碳排放与其他因素之间的回归模型，例如多元线性回归、逻辑回归等，以确定各个因素对能源消耗和碳排放的影响程度。

决策树算法包括：通过构建决策树模型，识别能源消耗和碳排放的主要驱动因素。

随机森林算法包括：通过构建多个决策树的集成模型，分析各个特征对能源消耗和碳排放的重要性，并进行预测。

神经网络算法包括：建立神经网络模型，探索复杂的非线性关系，从而预测能源消耗和碳排放。

在一种可能实现的方式中，所述基于所述综合分析的结果确定待分析企业的降碳模式，包括：

根据所述综合分析的结果输出所述待分析企业的降碳需求；其中，所述待分析企业的降碳需求包括能源利用效率提升、清洁生产和节能减排中的一种或多种；

根据当前环境政策与所述待分析企业的降碳需求确定所述待分析企业的降碳模式；其中，所述降碳模式包括技术改造、改善生产工艺、设备优化和能源管理中的一种或多种。

在该种可能实现的方式中，根据综合分析的结果精确输出该待分析企业的降碳需求，并结合当前环境政策确定该待分析企业的降碳模式，从而实现精准的、合理的指定符合该待分析企业的降碳模式，具有灵活性、精确性、高效性；其中，政策环境是广义指决定或影响政策制定和实施的自然条件和社会条件的总和；包括公共政策系统以外的一切与之相关的因素；狭义指影响公共政策产生、存在和发展的一切自然因素和社会因素的总和。政策环境因素都具有复杂性、多样性、差异性、动态性的特征。自然环境、社会经济环境、制度与文化环境、国际环境等因素是最为重要的政策环境。

在一种可能实现的方式中，还包括：根据所述待分析企业的降碳模式确定所述待分析企业的排碳经济效益等级；

并基于所述待分析企业的排碳经济效益等级确定所述待分析企业的碳排放权策略。

在该种可能实现的方式中，通过待分析企业的降碳模式与待分析企业的排碳经济效益等级进行关联，并基于待分析企业的排碳经济效益等级确定待分析企业的碳排放权策略，从而实现匹配化、灵活化和精确化对企业做出精准的碳排放权策略。

在一种可能实现的方式中，所述能耗数据包括用电量、用水量和燃料消耗量，所述碳排放数据包括二氧化碳排放量。

在上述可能实现的方式中，通过收集能耗数据和碳排放数据，包括：从企业内部收集能耗数据和碳排放数据，包括用电量、用水量、燃料消耗量等能耗数据，以及二氧化碳排放量等碳排放数据，将企业的能耗和碳排放与指标和基准进行对比。如果企业的能耗和碳排放高于行业标准或规定，可能意味着技术状况需要改进，再根据评估结果，确定改进点并制定相应的改进措施，得到降碳模式。这可能涉及改善生产工艺、替换老旧设备、提高能源利用效率等方面，同时对制定的降碳模式进行评估，包括经济性、可行性、环境效益等方面，确保方案的有效性和可实施性，并将改进措施付诸实施，并跟踪监测其效果。通过逐步降低能耗和碳排放量，企业的技术状况将逐渐得到改善，从而实现基于多个维度进行综合分析，提供全方位的碳减排服务。

第二方面，提供了一种高耗能企业综合降碳的分析装置，所述装置包括：

采集模块，用于获取待分析企业的能耗数据和碳排放数据；

分析模块，用于对能耗数据的能耗结构和碳排放数据的碳排放结构进行综合分析；

确定模块，用于基于所述综合分析的结果确定待分析企业的降碳模式；其中，所述降碳模式的能耗数据和降碳模式的碳排放数据低于所述待分析企业的能耗数据和碳排放数据值。

第三方面，提供了一种电子设备，包括：处理器、发送装置、输入装置、输出装置和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述的高耗能企业综合降碳的分析方法。

第四方面，提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述的高耗能企业综合降碳的分析方法。

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，而非限制本公开。

附图说明

为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1为本申请实施例提供的一种高耗能企业综合降碳的分析方法的流程示意图；

图2为本申请实施例提供的一种高耗能企业综合降碳的分析装置的结构示意图；

图3为本申请实施例提供的一种高耗能企业综合降碳的分析装置的硬件结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分实施例，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。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

另外，为了更好地说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样能够实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本发明的主旨。

目前现有的企业的降碳分析方式单一，且高耗能企业的综合降碳服务面临着多个挑战，包括复杂的能耗结构、不同的排放来源、技术门槛高等。并不能很好地满足企业分析的需求，也没有考虑企业本身规模与当前环境政策的影响，因此，需要一种能够综合分析高耗能企业能耗、碳排放和环境政策等多个维度的方法，为高耗能企业提供全方位的碳减排服务。

基于此，有必有提供一种高耗能企业综合降碳的分析方法，包括如下步骤：

S100、获取待分析企业的能耗数据和碳排放数据；

S200、对能耗数据的能耗结构和碳排放数据的碳排放结构进行综合分析；

S300、基于所述综合分析的结果确定待分析企业的降碳模式；其中，所述降碳模式的能耗数据和降碳模式的碳排放数据低于所述待分析企业的能耗数据和碳排放数据。

在该方面中，通过综合分析企业能耗数据、碳排放数据、环境政策等多个维度进行综合分析，并对企业进行能耗结构、碳排放结构、碳减排潜力等方面的分析，实现对待分析企业的降碳需求和降碳模式进行精确分析，能够精准匹配企业当前所需，为降碳需求的识别和个性化方案的制定提供全面的数据支持，提供碳减排方案和可行性分析，以实现企业碳减排目标。

在一种可能实现的方式中，所述获取待分析企业的能耗数据和碳排放数据，包括：

对待分析企业的能耗设备和排放源进行数据采集；

对采集到的数据进行清洗、整理和归类中的一种或多种，得到所述待分析企业的能耗数据和碳排放数据。

在该种可能实现的方式中，对收集到的数据进行整理和分析。比较不同时期或不同部门之间的能耗和碳排放情况，或，针对不同的能够设备和排放源进行数据采集，并通过对采集的数据进行预处理，从而加强分析、评估的稳定性，以实现精确查看整体趋势和差异；其中，预处理包括数据去重、缺失值填充、异常值处理等，通过对数据进行预处理确保数据质量和完整性。

在一种可能实现的方式中，所述对能耗数据的能耗结构和碳排放数据的碳排放结构进行综合分析，包括：

利用数据分析和机器学习算法对所述能耗数据和所述碳排放数据进行综合分析，并输出能源消耗的主要来源和碳排放来源；

基于所述能耗数据和所述碳排放数据对待分析企业的技术状况进行评估，得到所述综合分析的结果。

在该种可能实现的方式中，通过机器学习算法和数据分析整合能耗数据和碳排放数据，输出能源消耗的主要来源和碳排放来源。并基于能耗数据和所述碳排放数据对企业进行技术状况进行评估，从而得到综合分析的结果，通过对能耗数据和碳排放数据进行关联，提高分析精确度。

在一种可能实现的方式中，所述数据分析包括描述性统计分析、相关性分析、聚类分析和回归分析中的一种或多种；

所述机器学习算法包括决策树算法、随机森林算法和神经网络算法。

在该种可能实现的方式中，根据具体情况选择适当的分析方式和算法，并依据数据的质量和特性进行实施，以提高综合分析结果的准确度；

其中，描述性统计分析包括：利用统计方法对数据进行总体特征分析，例如均值、方差、最大最小值等，以了解能源消耗和碳排放的基本特征。

相关性分析包括：通过计算变量之间的相关系数，确定各个变量之间的线性相关性，并找出与能源消耗和碳排放关联较大的因素。

聚类分析包括：将数据分成不同的群组，找出能源消耗和碳排放的主要来源。聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。

回归分析包括：建立能源消耗和碳排放与其他因素之间的回归模型，例如多元线性回归、逻辑回归等，以确定各个因素对能源消耗和碳排放的影响程度。回归分析(regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。[1]按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。

决策树算法包括：通过构建决策树模型，识别能源消耗和碳排放的主要驱动因素。决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。

随机森林算法包括：通过构建多个决策树的集成模型，分析各个特征对能源消耗和碳排放的重要性，并进行预测。

样本随机：假设训练数据集共有M个对象的数据，从样本数据中采取有放回(Boostrap)随机抽取N个样本(因为是有放回抽取，有些数据可能被选中多次，有些数据可能不被选上)，每一次取出的样本不完全相同，这些样本组成了决策树的训练数据集；

特征随机：假设每个样本数据都有K个特征，从所有特征中随机选取k(k<＝K)个特征，选择最佳分割属性作为节点建立CART决策树，决策树成长期间k的大小始终不变(在Python中构造随机森林模型的时候，默认取特征的个数k是K的平方根，即K)；

重复前面的步骤，建立m棵CART树，这些树都要完全的成长且不被修剪，这些树形成了森林；

根据这些树的预测结果进行投票，决定样本的最后预测类别。(针对回归模型，是根据这些决策树模型的平均值来获取最终的结果)。模型准确率高：随机森林既可以处理分类问题，也可以处理回归问题，即使存在部分数据缺失的情况，随机森林也能保持很高的分类精度。

能够处理数量庞大的高维度的特征，且不需要进行降维(因为特征子集是随机选择的)；

能够评估各个特征在分类问题上的重要性：可以生成树状结构，判断各个特征的重要性；

对异常值、缺失值不敏感；

随机森林有袋外数据(OOB)，因此不需要单独划分交叉验证集。

袋外数据概率的计算：对于m个样本来说，一个样本被抽中的概率为1m，则不被抽中的概率为1-1m，则n次不被抽中的概率为(1-1m)n，当训练样本足够大的时候，即当m->+∞的时候，极限为e，则可以计算得到袋外数据的概率为36.8％。

神经网络算法包括：建立神经网络模型，探索复杂的非线性关系，从而预测能源消耗和碳排放。逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生的想法或解决问题的办法。这种思维方式的根本之点在于以下两点：1.信息是通过神经元上的兴奋模式分布存储在网络上；2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。

神经网络的结构：每层神经元与下一层神经元全部相连；同层神经元之间不存在连接；跨层神经元之间也不存在连接；

多层前馈神经网络有一下特点：掩藏层和输出层神经元都拥有激活函数；输入层接收外界输入信号，不进行激活函数处理；最终结果由输出层神经元给出。

隐藏层和输出层都需要激活函数

我们选用sigmod函数作为激活函数：

z(l)i＝∑j＝1nW(l-1)ija(l-1)j+b(l-1)izi(l)＝∑j＝1nWij(l-1)aj(l-1)+bi(l-1)；

f(z(l)i)＝11+e-z(l)if(zi(l))＝11+e-zi(l)。

a(l)i:表示第l层第i个单元的输出值ai(l):表示第l层第i个单元的输出值

W(l)ij:表示第l层第j单元和第l+1层第i单元之间的权重Wij(l):表示第l层第j单元和第l+1层第i单元之间的权重

b(l)i:表示第l+1层第i单元的偏置项bi(l):表示第l+1层第i单元的偏置项

z(l)i:表示第l层第i个单元输入加权和zi(l):表示第l层第i个单元输入加权和；

对于给定参数集合W,bW,b，我们的神经网络就可以按照函数hW,b(x)hW,b(x)来计算输出结果。神经网络的计算步骤如下：

a(2)1＝f(W(1)11x1+W(1)12x2+W(1)13x3+b(1)1)a1(2)＝f(W11(1)x1+W12(1)x2+W13(1)x3+b1(1))；

a(2)2＝f(W(1)21x1+W(1)22x2+W(1)23x3+b(1)1)a2(2)＝f(W21(1)x1+W22(1)x2+W23(1)x3+b1(1))；

a(2)3＝f(W(1)31x1+W(1)32x2+W(1)33x3+b(1)2)a3(2)＝f(W31(1)x1+W32(1)x2+W33(1)x3+b2(1))

hW,b(x)＝a(3)1＝f(W(1)11x1+W(1)12x2+W(1)13x3+b(1)1)hW,b(x)＝a1(3)＝f(W11(1)x1+W12(1)x2+W13(1)x3+b1(1))

上面的计算步骤叫做前向传播。

反向传播算法：

代价函数

C＝12n∑i＝1n||yi(x)-a(L)i(x)||2C＝12n∑i＝1n||yi(x)-ai(L)(x)||2

其中，x表示输入的样本，y表示实际的分类，a(L)表示预测的输出，L表示神经网络的最大层数。其中，x表示输入的样本，y表示实际的分类，a(L)表示预测的输出，L表示神经网络的最大层数。

公式及其推导

首先，将第l层第i个神经元中产生的错误(即实际值与预测值之间的误差)定义为：

通过上述一种或多种数据分析方式或算法对企业的碳排放和能耗进行计算，以精确输出相应降碳模式。

在一种可能实现的方式中，所述基于所述综合分析的结果确定待分析企业的降碳模式，包括：

根据所述综合分析的结果输出所述待分析企业的降碳需求；其中，所述待分析企业的降碳需求包括能源利用效率提升、清洁生产和节能减排中的一种或多种；

根据当前环境政策与所述待分析企业的降碳需求确定所述待分析企业的降碳模式；其中，所述降碳模式包括技术改造、改善生产工艺、设备优化和能源管理中的一种或多种。

在该种可能实现的方式中，根据综合分析的结果精确输出该待分析企业的降碳需求，并结合当前环境政策确定该待分析企业的降碳模式，从而实现精准的、合理的指定符合该待分析企业的降碳模式，具有灵活性、精确性、高效性；其中，政策环境是广义指决定或影响政策制定和实施的自然条件和社会条件的总和；包括公共政策系统以外的一切与之相关的因素；狭义指影响公共政策产生、存在和发展的一切自然因素和社会因素的总和。政策环境因素都具有复杂性、多样性、差异性、动态性的特征。自然环境、社会经济环境、制度与文化环境、国际环境等因素是最为重要的政策环境。

在一种可能实现的方式中，还包括：根据所述待分析企业的降碳模式确定所述待分析企业的排碳经济效益等级；

并基于所述待分析企业的排碳经济效益等级确定所述待分析企业的碳排放权策略。

在该种可能实现的方式中，通过待分析企业的降碳模式与待分析企业的排碳经济效益等级进行关联，并基于待分析企业的排碳经济效益等级确定待分析企业的碳排放权策略，从而实现匹配化、灵活化和精确化对企业做出精准的碳排放权策略。

在一种可能实现的方式中，所述能耗数据包括用电量、用水量和燃料消耗量，所述碳排放数据包括二氧化碳排放量。

在上述可能实现的方式中，通过收集能耗数据和碳排放数据，包括：从企业内部收集能耗数据和碳排放数据，包括用电量、用水量、燃料消耗量等能耗数据，以及二氧化碳排放量等碳排放数据，将企业的能耗和碳排放与指标和基准进行对比。如果企业的能耗和碳排放高于行业标准或规定，可能意味着技术状况需要改进，再根据评估结果，确定改进点并制定相应的改进措施，得到降碳模式。这可能涉及改善生产工艺、替换老旧设备、提高能源利用效率等方面，同时对制定的降碳模式进行评估，包括经济性、可行性、环境效益等方面，确保方案的有效性和可实施性，并将改进措施付诸实施，并跟踪监测其效果。通过逐步降低能耗和碳排放量，企业的技术状况将逐渐得到改善，从而实现基于多个维度进行综合分析，提供全方位的碳减排服务。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

上述详细阐述了本申请实施例的方法，下面提供了本申请实施例的装置。

第二方面，参见图2，图2为本申请实施例提供的一种高耗能企业综合降碳的分析装置的示意图。

提供了一种高耗能企业综合降碳的分析装置，所述装置包括：

采集模块100，用于获取待分析企业的能耗数据和碳排放数据；

分析模块200，用于对能耗数据的能耗结构和碳排放数据的碳排放结构进行综合分析；

确定模块300，用于基于所述综合分析的结果确定待分析企业的降碳模式；其中，所述降碳模式的能耗数据和降碳模式的碳排放数据低于所述待分析企业的能耗数据和碳排放数据值。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

第三方面，本申请还提供了一种处理器，所述处理器用于执行如上述任意一种可能实现的方式的方法。

第四方面，本申请还提供了一种电子设备，包括：处理器、发送装置、输入装置、输出装置和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述任意一种可能实现的方式的方法。

第五方面，本申请还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述任意一种可能实现的方式的方法。

第六方面，参见图3，图3为本申请实施例提供的一种高耗能企业综合降碳的分析装置的硬件结构示意图。

该自动化测试装置2包括处理器21，存储器24，输入装置22，输出装置23。该处理器21、存储器24、输入装置22和输出装置23通过连接器相耦合，该连接器包括各类接口、传输线或总线等等，本申请实施例对此不作限定。应当理解，本申请的各个实施例中，耦合是指通过特定方式的相互联系，包括直接相连或者通过其他设备间接相连，例如可以通过各类接口、传输线、总线等相连。

处理器21可以是一个或多个图形处理器(graphicsprocessingunit，GPU)，在处理器21是一个GPU的情况下，该GPU可以是单核GPU，也可以是多核GPU。可选的，处理器21可以是多个GPU构成的处理器组，多个处理器之间通过一个或多个总线彼此耦合。可选的，该处理器还可以为其他类型的处理器等等，本申请实施例不作限定。

存储器24可用于存储计算机程序指令，以及用于执行本申请方案的程序代码在内的各类计算机程序代码。可选地，存储器包括但不限于是随机存储记忆体(randomaccessmemory，RAM)、只读存储器(read-onlymemory，ROM)、可擦除可编程只读存储器(erasableprogrammablereadonlymemory，EPROM)、或便携式只读存储器(compactdiscread-onlymemory，CD-ROM)，该存储器用于相关指令及数据。

输入装置22用于输入数据和/或信号，以及输出装置23用于输出数据和/或信号。输出装置23和输入装置22可以是独立的器件，也可以是一个整体的器件。

可理解，本申请实施例中，存储器24不仅可用于存储相关指令，本申请实施例对于该存储器中具体所存储的数据不作限定。

可以理解的是，在实际应用中，自动化测试装置还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、存储器等，而所有可以实现本申请实施例的视频解析装置都在本申请的保护范围之内。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。所属领域的技术人员还可以清楚地了解到，本申请各个实施例描述各有侧重，为描述的方便和简洁，相同或类似的部分在不同实施例中可能没有赘述，因此，在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机存储介质中，或者通过所述计算机存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriberline，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(digitalversatiledisc，DVD))、或者半导体介质(例如固态硬盘(solidstatedisk，SSD))等。

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，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：只读存储器(read-onlymemory，ROM)或随机存储存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可存储程序代码的介质。