一种需求响应式公交路径规划方法、装置及存储介质

技术领域

本发明涉及智能交通领域，尤其涉及一种需求响应式公交路径规划方法、装置及存储介质。

背景技术

城市交通拥堵和公交线路载客率低是当前许多城市都面临的问题，这不仅影响了城市居民的出行体验和生活质量，还给城市环境和经济带来了负面影响。在这种背景下，需求响应型公共交通系统应运而生。需求响应公交系统是一种能够动态反馈乘客出行需求的公共交通系统。它可以通过实时收集乘客的出行需求信息，以及交通状况信息，实现灵活的路线和时间表设计，以更好地满足乘客的出行需求。与传统的公共交通相比，需求响应公交系统更加灵活高效，能够提高城市居民的出行体验和生活质量，减少交通拥堵和空气污染，从而有利于城市的可持续发展。

由于问题的组合特征，需求响应式交通的路线调度可以被认为是一个NP难问题，当设计区域广泛、站点数量众多时，没有确切的方法可以保证在合理的计算时间内找到最优路线，因此，除了精确求解外，更合适是的使用启发式和元启发式算法进行求解。一些已有的工作使用过的算法包括但不限于：变量邻域搜索，文化基因算法，贪婪随机自适应搜索，遗传算法，粒子群优化算法。其中，进化算法在面对复杂高维、多约束条件的问题时，表现优秀，虽然得到的解不一定是最优，但是却能在有限的时间内获得较高质量的解。

一般进化算法会认为评估候选解的过程是直接或者计算简单的，但是许多实际问题往往不能直接计算或者评估一次耗费代价高。在需求响应式交通的路线调度问题中，评估所有乘客在每条路线上的出行成本是极为耗时的，在快速计算这一成本上还有一定的提升空间。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种需求响应式公交路径规划方法、装置及存储介质。

本发明所采用的技术方案是：

一种需求响应式公交路径规划方法，包括以下步骤：

S1、设定非支配排序遗传算法的参数，初始化种群；

S2、随机生成一部分个体，对公交运行成本和乘客出行成本进行评估，根据评估结果构建乘客出行成本的代理模型；

S3、使用遗传算子对个体进行选择、交叉以及变异操作；

S4、选择个体使用局部搜索；

S5、对种群中的个体进行评估：使用真实目标函数评估公交运行成本，使用代理模型评估乘客出行成本；

S6、将父子代种群合并，进行快速非支配排序，筛选出进入下一代的个体；同时挑选出一部分个体，使用真实目标函数评估，根据评估结果对代理模型进行更新；

S7、当达到预设的迭代终止条件时，输出子代中非支配层级最低的集合；否则，重复执行步骤S3～S6。

进一步地，所述需求响应式公交路径规划方法，还包括以下步骤：

考虑预设范围的交通路网以及出行情况，预设范围内的关键节点使用v表示，有v∈V，V为预设范围内的交通路网的全部关键节点；

根据历史数据获取相邻节点之间的距离，获得所有节点之间的距离，使用Dis(v

获取乘客历史出行数据，对于乘客r

根据所述历史出行数据，规划N条公交线路，每条线路M个站点，使得这些线路在未来能够满足尽可能多的乘客的出行需求；所述N条公交线路，有公共的始发站点，出发时间可以不同，行驶时依次经过路线中的站点，最后返回始发站点；对于第i条路线，表示为：[p

进一步地，所述需求响应式公交路径规划方法的优化目标为：最小化公交运行成本和最小化乘客出行成本；

计算公交运行成本时，仅考虑公交在相邻站点之间的行驶距离；

计算乘客出行成本时，先考虑乘客的出行方式，乘客选择乘坐公交出行则加入集合RB，选择打车出行则加入集合RT，最后计算总的出行成本；其中，乘坐公交出行包含步行至站点、等车、乘车以及从站点步行至目的地的时间和固定的公交费用，打车出行仅包括打车费用；如果有多条公交线路符合出行，优先选择出行时间短的路线；

其中，公交运行成本的计算方式为：

其中，N为规划的公交线路数，M为每条公交线路上的站点数，每条线路上站点按照0到M-1依次编号，p

乘客出行成本的计算方式为：

其中，||RB||表示乘坐公交的人数，price

其中，dis

进一步地，所述需求响应式公交路径规划方法还包括确定约束条件的步骤：

1)确定公交运行中车辆容量约束，保证车上的乘客数不超过最大载客量；

2)确定站点间隔约束：

dis

其中，dis

3)确定乘客乘车时间窗口约束，对于某一乘坐公交的乘客，上车时应满足：

t

t

其中，t

4)确定乘客步行时间约束：

dis

其中，dis

其他约束为上下车人数一致以及所有乘客都能使用且仅使用一种方式(公交或者打车)够完成出行需求。

进一步地，所述步骤S1，包括：

若需要规划N条公交线路，每条线路M个站点，则个体的编码长度为N×M+1，编码格式为X＝(x

进一步地，在步骤S2中，采用以下方式随机生成一部分个体：

使用||V||表示节点个数，则每个个体编码的前N×(M-1)+1位为从||V||个不同节点中取出N×(M-1)+1个节点的一个组合；后N位为N个随机的某一确定范围内表示时间偏移量的数；其中，节点和时间均使用整数表示。

进一步地，步骤S2中代理模型的构建和更新方式如下：

构建代理模型时，有以下两种方式，使用时仅选取一种作为代理模型使用；两种方式具体如下：

1)使用RBFN(径向基函数网络)作为代理模型，具体如下：将原始数据随机打乱顺序，分成多份，每一份训练一个RBFN，在利用该代理模型进行预测时，分别使用多个RBFN进行预测，对这些结果取均值作为最终的预测结果；更新RBFN代理模型时，考虑到RBFN训练速度快的特点，直接用原始数据和新输入的数据一起重新训练即可；

2)使用GCN(图卷积网络)作为代理模型，具体如下：将每个个体的编码重构成路线序列的形式，并在每个序列尾部插入路线对应的时间得到新的序列，然后用这些序列作为节点组成图信息，该图信息作为GCN的输入；堆加多层GCN，层与层间使用批标准化处理，以保证数据分布的一致性，同时，考虑到乘客出行成本的非负性，使用ReLU作为层间的激活函数，GCN的最后利用全连接层输出；更新GCN代理模型时，每次仅将新数据输入网络训练一轮，进行增量更新，减少重新训练的时间。

进一步地，所述步骤S3，包括：

S31、选择操作：使用二元锦标赛法进行选择，对比的依据是非支配层级的大小，其次考虑拥挤度；

S32、交叉操作：对编码的前N×(M-1)+1位使用部分匹配交叉，对编码的后N位使用单点交叉，再组合这两部分；

S33、变异操作，变异的个体和发生变异的位置以预设概率随机生成，对编码的前N×(M-1)+1位进行变异时，保证在取值范围内且不产生重复值，对编码的后N位进行变异时，保证在取值范围内即可。

进一步地，所述步骤S4，包括：

S41、选取一个个体，转化为对应的多条路线的序列，选取其中一条路线；

S42、计算该路线两两站点之间的距离，如果存在超过约束中的最大距离T

S43、选择路线中上下车人数的绝对值之和最小的站点，删除该站点及其之后全部站点，若出现最小绝对值对应多个站点时，从多个站点中随机选取一个站点；

S44、操作后的路线长度如果小于原始路线长度一半，找出当前路线的最后一站能到达的符合约束的全部站点，分别计算这部分站点中，每处的需求数与到达该处站点的距离之比，选取值最大的对应站点进行插入；若多个值相同，随机选取；重复执行步骤S44直到插入新站点后路线达到原始路线长度一半或无合适站点进行插入；

S45、操作后的路线长度如果小于原始路线长度，假设在时间窗口内能够满足当前全部站点的出行需求，对这部分需求的终点站，分别计算每处站点对应的需求数与当前路线的最后一站到该处的距离之比，选取值最大的对应站点进行插入；若多个值相同，随机选取；若无合适站点，则随机选取一个约束范围中的站点进行插入；若多个值相同，随机选取；重复执行步骤S45直到插入新站点后路线达到原始路线长度或无合适站点进行插入；

S46、操作后的路线长度如果小于原始路线长度，在当前路线的最后一站能到达的符合约束的全部站点中选择靠近出发点的站点进行插入；重复执行步骤S46直到路线长度等于原始路线长度；

S47、使用搜索得到的路线替换原始个体中的对应部分生成新的解，利用步骤S42～S46的过程生成N个解(N为路线数)，使用真实目标函数评估，选择其中较优的个体加入种群中。

进一步地，步骤S6中采用以下策略采样个体：

根据非支配排序的结果，对各个层级进行分层采样，从层级越小的解集中挑选出的个体数越多(该比例可以人为设定)，采样所得的个体使用真实函数评估，并使用这部分结果对代理模型进行更新。

本发明所采用的另一技术方案是：

一种需求响应式公交路径规划装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述方法。

本发明所采用的另一技术方案是：

一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。

本发明的有益效果是：本发明权衡了公交运行成本与乘客出行成本之间的矛盾，解决需求响应式公交的路线的规划问题；同时，通过构建代理模型并用代理模型来对计算耗时较高的目标函数进行近似计算，大大提升了对计算成本高的问题的计算性能，节省了时间。

附图说明

为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。

图1是本发明实施例中一种需求响应式公交路径规划方法的流程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。

此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

需求响应式交通路线的规划可以看作是一类带时间窗口的车辆路径规划问题，属于是NP-hard问题。近年来，解决这一类问题一般采用贪心算法以及一些元启发式算法。

非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm-II,NSGA-II)是一种基于支配的多目标优化算法。算法根据非支配排序，将种群划分成为多个Pareto前沿，同时利用拥挤度排序方法保证Pareto最优解集的分布性和多样性。

一般进化算法会认为评估候选解的过程是直接或者计算简单的，但是许多实际问题往往不能直接计算或者评估一次耗费代价高，数据驱动进化算法对于这类问题会基于数据构造代理模型，利用代理模型对适应度函数近似，从而指导搜索。

本申请的一个或多个技术方案针对需求响应式公交路线的规划问题，从公交运行的角度和乘客出行的角度进行考虑，构建了多目标优化问题的数学模型；需求响应式公交路径规划方法基于NSGA-II算法进行改进，分别使用RBFN和GCN两种网络为所提出的模型中一个计算代价高的目标函数构建代理模型，可以组合为两种求解方法，所述方法分别记为NSGA-II-RBFN和NSGA-II-GCN。

如图1所示，本实施例提供一种需求响应式公交路径规划方法，包括以下步骤：

步骤1：进行初始化操作。

设定非支配排序遗传算法参数，初始化种群，若需要规划N条公交线路，每条线路M个站点，则个体的编码长度为N×M+1，编码格式为X＝(x

作为一种可选的实施方式，算法的参数可以设为：种群大小为200，交叉概率0.8，变异概率0.05，局部搜索概率0.2，迭代次数100；

路线方面，可以考虑5条路线，每条路线上20个站点，此时，编码长度为1+5×19+5＝101；

初始化种群具体为：随机生成200个个体，每个个体编码长度101，前96(101-5)个使用排列数生成，互不相同，保证不出现重复站点，后5个随机生成，对应时间取值范围正确即可。

步骤2：随机生成一部分个体，利用真实目标函数对公交运行成本和乘客出行成本进行评估，并利用结果构建乘客出行成本的代理模型。

其中，真实目标函数按照如下定义：

首先对所求问题模型进行说明：

考虑一定范围的交通路网以及出行情况，范围内的关键节点使用v表示，有v∈V，根据历史数据可知相邻节点之间的距离，进一步可以得到所有节点之间的距离，使用Dis(v

获取乘客历史出行数据，对于乘客r

问题的目的，是要依据所述出行数据，规划N条公交线路，每条线路M个站点，使得这些线路在未来能够满足尽可能多的乘客的出行需求。所述N条公交线路，有公共的始发站点，出发时间可以不同，行驶时依次经过路线中的站点，最后返回始发站点。对于第i条路线，可以表示为：[p

需求响应式交通主要从乘客的出行成本和公交的运行成本两个方面进行考虑。我们研究的内容涉及到打车出行和乘坐公交出行两种出行方式，当乘客的出行成本较低时，表明更多的人选择乘坐费用较低公交出行，而为了服务更多的乘客，需要考虑开设更多站点，或者行驶更远的距离为乘客提供服务，此时又增加了公交的运行成本；反过来，考虑公交运行成本较低的情况，一般是车次较少、路线较短等，这些情况下，对于出行需求变化的乘客更加难以满足，乘客会选择更加直接的打车出行，这样则增加了乘客的出行成本。分析来看，乘客和公交两方面存在着矛盾关系，符合一般多目标优化问题的特点，因此我们将之作为多目标优化问题进行求解。

问题的优化目标为，最小化公交运行成本和最小化乘客出行成本。计算公交运行成本时，仅考虑公交在相邻站点之间的行驶距离；计算乘客出行成本时，先考虑乘客的出行方式，乘客选择乘坐公交出行则加入集合RB与选择打车出行则加入集合RT，最后计算总的出行成本，前者包含步行至站点、等车、乘车以及从站点步行至目的地的时间和固定的公交费用，后者仅包括打车费用；如果有多条公交线路符合出行，优先选择出行时间短的路线。

其中，公交运行成本的计算方式为：

乘客出行成本的计算方式为：

其中，||RB||表示乘坐公交的人数，price

其中，dis

需求响应式公交路径规划的约束包含：

公交运行中车辆容量约束，保证车上的乘客数不超过最大载客量；

站点间隔约束：

dis

其中，dis

乘客乘车时间窗口约束，对于某一乘坐公交的乘客，上车时应满足：

t

t

其中，t

乘客步行时间约束：

dis

其中，dis

其他约束为上下车人数一致以及所有乘客都能使用且仅使用一种方式(公交或者打车)够完成出行需求。

作为一种可选的实施方式，所述目标函数和约束中涉及的参数可以设置为：转换参数μ为0.001，公交出行的固定费用price

步骤1中初始化种群和步骤2中，随机生成一部分个体的实现方式为：

使用||V||表示节点个数，则每个个体编码的前N×(M-1)+1位为从||V||个不同节点中取出N×(M-1)+1个节点的一个组合；后N位为N个随机的某一确定范围内表示时间偏移量的数；其中，节点和时间均使用整数表示；

步骤2中，代理模型的构建方式，可从以下二选一：

(1)使用RBFN作为代理模型，具体如下：将原始数据随机打乱顺序，分成多份，每一份训练一个RBFN，在利用该代理模型进行预测时，分别使用多个RBFN进行预测，对这些结果取均值作为最终的预测结果；更新RBFN代理模型时，考虑到RBFN训练速度快的特点，直接用原始数据和新输入的数据一起重新训练即可；

(2)使用GCN作为代理模型，具体如下：将每个个体的编码重构成路线序列的形式，并在每个序列尾部插入路线对应的时间得到新的序列，然后用这些序列作为节点组成图信息，该图信息作为GCN的输入；堆加多层GCN，层与层间使用批标准化处理，以保证数据分布的一致性，同时，考虑到乘客出行成本的非负性，使用ReLU作为层间的激活函数，GCN的最后利用全连接层输出；更新GCN代理模型时，每次仅将新数据输入网络训练一轮，进行增量更新，减少重新训练的时间；

作为可选地，使用(2)的GCN作为代理时，可以使用5层GCN网络，网络将输入数据变换为32维。

步骤3：判断终止条件，达到终止条件时，输出结果，结束流程；否则继续执行后续步骤。

步骤4：使用遗传算子进行选择、交叉以及变异操作。

其中，选择操作，使用二元锦标赛法进行选择，对比的依据是非支配层级的大小，其次考虑拥挤度，此处二元锦标赛法每次选出两个个体，先比较非支配层级，相同时再比较拥挤度，直到选出达到原种群数量的个体数。

交叉操作，对编码的前N×(M-1)+1位使用部分匹配交叉，对编码的后N位使用单点交叉，再组合这两部分，此处部分交叉匹配能够保证路线中不出现重复站点。

变异操作，变异的个体和发生变异的位置以一定概率随机生成，对编码的前N×(M-1)+1位进行变异时，由于路线中站点不考虑重复，除了需要保证在取值范围内，还需要不产生重复值，对编码的后N位进行变异时，仅保证在取值范围内即可。

步骤5：以一定的比例选择个体使用局部搜索。

其中，步骤5又可细分为如下步骤：

步骤501：选取一个个体，转化为对应的多条路线的序列，选取其中每一条路线执行后续操作；

步骤502：计算该路线两两站点之间的距离，如果存在超过约束中的最大距离T

步骤503：选择路线中上下车人数的绝对值之和最小的站点，删除该站点及其之后全部站点，出现多个相同时，随机选取；

步骤504：操作后的路线长度如果小于原始路线长度一半，找出当前路线的最后一站能到达的符合约束的全部站点，分别计算这部分站点中，每处的出行需求数与到达该处站点的距离之比，选取值最大的对应站点进行插入；若多个值相同，随机选取；重复执行步骤504直到插入新站点后路线达到原始路线长度一半或无合适站点进行插入；

步骤505：操作后的路线长度如果小于原始路线长度，此时假设在时间窗口内能够满足当前全部站点的出行需求，对这部分需求的终点站，分别计算每处站点对应的需求数与当前路线的最后一站到该处的距离之比，选取值最大的对应站点进行插入；若多个值相同，随机选取；若无合适站点，则随机选取一个约束范围中的站点进行插入；若多个值相同，随机选取；重复执行步骤505直到插入新站点后路线达到原始路线长度或无合适站点进行插入；

步骤506：操作后的路线长度如果小于原始路线长度，在当前路线的最后一站能到达的符合约束的全部站点中选择靠近出发点的站点进行插入；重复执行S406直到路线长度等于原始路线长度或无合适站点进行插入；

步骤507：若搜索得到的路线长度等于原始路线长度，则使用搜索得到的路线替换原始个体中的对应部分生成新的解；否则直接跳转步骤502；

利用步骤502～步骤506的过程生成N个解(N为路线数)，使用真实函数评估，选择其中较优的加入种群中。

步骤6：对种群中的个体进行评估，使用真实目标函数评估公交运行成本，使用代理模型评估乘客出行成本。

步骤7：若迭代达到一定次数，此次对乘客出行成本的评估也使用真实目标函数，进行整个种群的更新。

可选地，可以设置每隔10代对整个种群进行更新。

步骤8：父子代种群合并，进行快速非支配排序，筛选出进入下一代的个体。

步骤9：同时挑选出一部分个体，使用真实函数评估，并使用这部分结果对代理模型进行更新。

其中，挑选方式为：

种群大小为200，每次采样10％的个体(20个)进行真值评估，当非支配层级数N大于20时，从非支配层级的低级到高级依次随机挑选一个；当非支配层级数N不大于20时，先从1～N层各随机选择一个，再从

步骤10：跳转步骤3；

综上所述，本实施例方法相对于现有技术，至少具有如下优点及有益效果：

(1)需求响应式公交作为一种新型公共交通方式，具有更高的服务水平，能满足个性化出行需求，使用需求响应式公交出行能够大大降低打车、私家车出行过程中能源的消耗，从而减轻汽车尾气排放，降低空气污染，同时通过减少车辆的出行，能够减轻道路出行负荷，提高通行能力，减缓交通拥堵。本发明方法能够有效助推需求响应式公交的发展。

(2)本发明所提出的方法，以最小化公交运行成本和出行成本为目标，能够在约束公交数和公交行驶路径的同时，尽最大程度的满足有需求的乘客的出行需求，在考虑乘客出行需求时，还顾及到出行时间、步行时间、等车时间等因素，符合一般乘客的出行体验，具有较好的适用性。

(3)本发明所提出的方法，通过构建代理模型并用代理模型来对计算耗时较高的目标函数进行近似计算，大大减少了使用真实函数评估的时间，同时，在效果上也表现良好。

本实施例还提供

一种需求响应式公交路径规划装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如图1所述方法。

本实施例的一种需求响应式公交路径规划装置，可执行本发明方法实施例所提供的一种需求响应式公交路径规划方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

本申请实施例还公开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介质中。计算机设备的处理器可以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，使得该计算机设备执行图1所示的方法。

本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种需求响应式公交路径规划方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

所述功能如果以软件功能单元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，本发明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)执行本发明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。

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(如基于计算机的系统、包括处理器的系统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。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。