食品安全风险等级预测方法、装置及电子设备

技术领域

本发明涉及食品安全技术领域，尤其涉及一种食品安全风险等级预测方法、装置及电子设备。

背景技术

酱卤肉制品是我国传统的肉类食品之一，风味独特，具有较高的营养价值，深受消费者的喜爱，其安全问题直接影响到广大人民群众的健康问题。食品安全涉及食品供应链的整个过程，从原材料供应、食品生产加工、食品流通等各个环节都存在威胁食品安全的潜在因素，食品安全风险评估与监管需要综合考虑各个环节的风险因素。因此，非常有必要对这些因素进行挖掘分析，充分利用这些复杂数据，提炼出潜在的有价值的信息，根据不同的食品安全数据特点，识别出潜在的安全风险，实现综合性、动态性的预警研究，对问题食品或可能存在的风险及时发出预警，为食品安全风险监管部门进行风险控制提供技术支持。

目前对食品安全风险预测的主要研究方法为BP人工神经网络和支持向量机，但BP人工神经网络和支持向量机在食品安全预测方面存在训练时间长，网络训练效率不稳定，精度不高。监管机构对于海量的监督抽检数据，通常通过对食品安全历史抽检数据集进行简单的统计分析，得到该类食品的不合格率，然后利用该指标对该类食品安全状况进行评价，此方法为对食品安全状况的事后分析，然后，历年食品安全检测数据往往存在大量空值即表示某项目没有检测或者是检测后没有检测结果，数理统计方法不能在空值上进行风险评估且发现数据项之间的联系。

发明内容

针对现有技术存在的上述技术问题，本发明提供一种食品安全风险等级预测方法、装置及电子设备。

第一方面，本发明提供一种食品安全风险等级预测方法，包括：基于食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据；

基于Daubechies小波基(多贝西小波基)，对所述食品安全风险等级历史数据进行小波分解，得到多个食品安全风险等级历史数据分量；

将所述多个食品安全风险等级历史数据分量输入LSTM模型，对食品安全风险等级进行预测，得到食品安全风险等级的预测值。

可选地，所述将所述多个食品安全风险等级历史数据分量输入LSTM模型，对食品安全风险等级进行预测，得到食品安全风险等级的预测值，包括：

所述LSTM模型分别对所述多个食品安全风险等级历史数据分量进行预测，得到所述多个食品安全风险等级历史数据分量的预测结果；

对所述多个食品安全风险等级历史数据分量的预测结果进行重构，获得食品安全风险等级的预测值。

可选地，所述基于所述食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据，包括：

将所述食品安全历史检测数据进行去量纲化处理，获得去量纲化处理后的食品安全历史检测数据；

基于所述去量纲化处理后的食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据。

可选地，所述食品安全风险等级分为5级；

所述基于所述去量纲化处理后的食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据，具体为：

其中，Y

当Y

可选地，所述获取食品安全历史检测数据，基于所述食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据之后，所述方法还包括：

基于预设时间间隔，对所述食品安全风险等级历史数据进行数据分箱，得到数据分箱后的食品安全风险等级历史数据；

基于所述数据分箱后的食品安全风险等级历史数据，获取食品综合风险等级历史数据。

可选地，所述基于所述数据分箱后的食品安全风险等级历史数据，获取食品综合风险等级历史数据，采用如下公式计算：

level(A)＝argmax[w(i)*e

其中，level(A)为食品A的综合风险等级；i为食品A的风险等级，w(i)为风险等级i在食品A中的占比。

第二方面，本发明提供一种食品安全风险等级预测装置，包括：

风险等级划分模块，用于基于食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据；

分解模块，用于基于Daubechies小波基，对所述食品安全风险等级历史数据进行小波分解，得到多个食品安全风险等级历史数据分量；

处理模块，用于将所述多个食品安全风险等级历史数据分量输入LSTM模型，对食品安全风险等级进行预测，得到食品安全风险等级的预测值。

可选地，所述处理模块用于将所述多个食品安全风险等级历史数据分量输入LSTM模型，对食品安全风险等级进行预测，得到食品安全风险等级的预测值，具体为：

所述LSTM模型分别对所述多个食品安全风险等级历史数据分量进行预测，得到所述多个食品安全风险等级历史数据分量的预测结果；

对所述多个食品安全风险等级历史数据分量的预测结果进行重构，获得食品安全风险等级的预测值。

第三方面，本发明提供一种电子设备，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程序时实现如第一方面所提供的方法的步骤。

第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。

本发明提供的食品安全风险等级预测方法、装置和电子设备，基于食品安全历史检测数据获取食品安全风险等级历史数据，将食品安全风险等级历史数据输入LSTM模型进行食品安全风险等级预测，有效实现食品风险等级的预测；并且，考虑到食品安全抽检数据是非平稳的离散时间序列，振幅较大，如果直接带入LSTM模型进行预测，学习效果较差，影响预测精度，因此在将食品安全历史检测数据带入LSTM模型进行预测之前，通过小波分解对食品安全历史检测数据进行平稳化预处理，从而进一步提高预测精度，为食品安全的防御和日常监测工作提供技术支持。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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。

图1是本发明提供的食品安全风险等级预测方法的流程示意图之一；

图2是本发明提供的小波分解结构示意图；

图3是本发明提供的LSTM模型的结构示意图；

图4是本发明提供的食品安全风险等级预测方法的流程示意图之二；

图5是本发明提供的食品安全风险等级预测装置的结构示意图；

图6是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了一种食品安全风险等级预测方法。需要说明的是，该方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本发明不作具体限定。

下面以计算机执行本发明提供的食品安全风险等级预测方法为例，详细说明本发明的技术方案。

图1为本发明提供的食品安全风险等级预测方法的流程示意图，如图1所示，该方法包括：

步骤101：基于食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据。

具体地，食品安全历史检测数据可以是有关机构(例如具有检测资质的公共机构、第三方食品检测机构等)公开(例如通过网络、期刊、论文等形式公开)的数据，也可以是有关机构内部保存的食品检测的历史数据。

下面以来源于某有关机构2014-2019年的酱卤肉制品检测数据作为食品安全历史检测数据为例，详细说明本发明提供的食品安全风险等级预测方法。

上述食品安全历史检测数据涵盖合格与不合格产品的品种、名称、生产日期、检验项目、检验结果、判定结果、判定依据、标准值等原始信息，所得到的部分数据如表1所示。

表1酱卤肉制品检测数据

由表1可知，不同年份各省酱卤肉制品抽检项目有所不同，为尽量全面反映酱卤肉制品的食品安全状况，最终将所有抽检的项目均纳入指标体系。以某省2014-2019年数据为例，包括28个检验项目(分别是酸性橙Ⅱ、克伦特罗、氯霉素、沙丁胺醇、莱克多巴胺、商业无菌、大肠菌群、菌落总数、单核细胞增生李斯特氏菌、苯并[a]芘、N-二甲基亚硝胺、亚硝酸盐残留量(以亚硝酸钠计)、山梨酸及其钾盐(以山梨酸计)、糖精钠(以糖精计)、脱氢乙酸及其钠盐(以脱氢乙酸计)、苯甲酸及其钠盐(以苯甲酸计)、胭脂红、苋菜红、新红、日落黄、柠檬黄、诱惑红、赤藓红、防腐剂混合使用时各自用量占其最大使用量的比例之和、总砷(以As计)、铅(以Pb计)、铬(以Cr计)、镉(以Cd计))作为评价指标，该评价指标包含8类：非食用物质、禁用兽药、其他微生物、致病性微生物、有机污染物、其他污染物、食品添加剂、重金属等元素污染物，见表2。

表2某省2014-2019年酱卤肉制品抽检项目

步骤102：基于Daubechies小波基，对所述食品安全风险等级历史数据进行小波分解，得到多个食品安全风险等级历史数据分量。

具体地，由于食品安全抽检数据是非平稳的离散时间序列，振幅较大，如果直接带入LSTM网络模型进行预测，学习效果较差，小波分解由于其小波基的特征，能获取其时域特征，更适合处理非平稳信号，因此，可采用小波分解对原始序列进行分解再重组，以此对原始序列进行平稳化处理。

小波分解能够将原始信息分解为不同精细度的信息，其中粗略信息能够代表原始信息的趋势，而细节信息反映的是原始信息的波动情况。由于食品安全抽检数据是离散时间序列，采用离散小波分解中，快速二进正交小波分解进行分解，分解示意图如图2所示，其主要特点是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节。

由于原始数据具有连续性及波动较大的特点，本发明在小波分解的过程中选择了光滑性较好的8阶Daubechies小波基，并根据数据的复杂程度将其分解为不同频率的子序列。每个子序列的长度与原始数据相同，反映的是原始序列中所包含的不同频率的信息。例如分解后的3，4，5级分解信息能够不同程度地反映原始数据部分的趋势特征。而其他的分解信息反映了不同的噪声干扰因素。最后采用Smooth模式进行重构。

步骤103：将所述多个食品安全风险等级历史数据分量输入LSTM模型，对食品安全风险等级进行预测，得到食品安全风险等级的预测值。

具体地，LSTM(长短期记忆)神经网络是建立在RNN(递归神经网络)上的一种新型的深度机器学习神经网络，在输入、反馈与防止梯度爆发之间建立了一个长时间的时滞。这个架构使得其在特殊记忆单元中的内部状态保持一个持续误差流，梯度既不会爆发也不会消失。

LSTM包含一个尝试将信息储存较久的存储单元，这个记忆单元是一个线型的神经元，有自体内部连接。具体来说就是在每一个神经元内部加入了三个门，分别是输入门、输出门和遗忘门，可以根据反馈的权值修正来选择性遗忘和部分或全部接受，这样就不会每个神经元都得到修改了，于是梯度不会多次消失，这样前面几层的权值也可以得到相应的修改，同时使误差函数随梯度下降得更快，更容易收敛到最优解，梯度无论传播多远，都不会出现完全消失的现象。输入门允许在输出值为1的时候，神经网络的其他部分读取记忆单元；输出门允许在输出值为1的时候，神经网络的其他部分将内容记入记忆单元。当遗忘门输出为1时，记忆单元将内容写入自身；当遗忘门输出为0时，记忆单元会清除之前的内容。以前传递为例，输入门来决定何时让激活状态传入存储单元，而输出门决定何时让激活传出存储单元，最后遗忘门用来学习是否记忆上一个神经元状态的全部(或部分)或完全遗忘。LSTM循环结构示意图如图3所示。

其中核心的部分是神经元C

C

其中C

(1)遗忘门f的表达式：

f＝Sigmoid(W

其中Sigmoid为Sigmoid激活层，使得输出结果为一个0-1的值，代表着对该信息的保留程度。W

(2)输入门i的表达式：

i＝Sigmoid(W

其中W

(3)神经元信息增量的表达式：

ΔC

其中tanh为tanh激活层，W

而最终的输出则是由神经元的状态C

O

其中O

将前n个酱卤肉制品的安全风险等级历史数据分量组成一个序列，输入LSTM网络模型中进行训练，模型会计算前n个酱卤肉制品的安全风险等级值对后面的酱卤肉制品的安全风险等级值的影响，同时在训练时也会考虑后面的安全风险等级对前面的影响。依据该影响来决定记忆或遗忘，并进行实时更新神经元状态。

可选地，本实施例使用的神经网络总共4层，将当前待预测风险等级的前20个等级作为输入特征，对应的输入层神经元个数为20；将当前待预测风险等级作为输出，对应的输出层神经元个数为1。中间的隐藏层分别为一个LSTM层和一个结点数为16的全连接层，训练集的其他相关参数如表3所示。

表3训练集相关参数

本发明提供的方法，基于食品安全历史检测数据获取食品安全风险等级历史数据，将食品安全风险等级历史数据输入LSTM模型进行食品安全风险等级预测，有效实现食品风险等级的预测；并且，考虑到食品安全抽检数据是非平稳的离散时间序列，振幅较大，如果直接带入LSTM模型进行预测，学习效果较差，影响预测精度，因此在将食品安全历史检测数据带入LSTM模型进行预测之前，通过小波分解对食品安全历史检测数据进行平稳化预处理，从而进一步提高预测精度，为食品安全的防御和日常监测工作提供技术支持。

可选地，基于上述实施例，所述将所述多个食品安全风险等级历史数据分量输入LSTM模型，对食品安全风险等级进行预测，得到食品安全风险等级的预测值，包括：

所述LSTM模型分别对所述多个食品安全风险等级历史数据分量进行预测，得到所述多个食品安全风险等级历史数据分量的预测结果；

对所述多个食品安全风险等级历史数据分量的预测结果进行重构，获得食品安全风险等级的预测值。

具体地，如图4所示，将划分食品安全风险等级后的食品安全历史检测数据，即食品安全风险等级历史数据，进行小波分解，得到多个分量，将所述各个分量输入LSTM模型，LSTM模型分别对所述多个分量进行预测，得到各个分量的预测结果，最后对各个分量的预测结果进行重构，输出最终的预测结果。

本发明提供的方法，在将食品安全历史检测数据带入LSTM模型进行预测之前，通过小波分解对食品安全历史检测数据进行平稳化预处理，从而进一步提高预测精度。

可选地，基于上述实施例，所述基于所述食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据，包括：

将所述食品安全历史检测数据进行去量纲化处理，获得去量纲化处理后的食品安全历史检测数据；

基于所述去量纲化处理后的食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据。

具体地，由于检测结果的随机性和不统一性，如果直接将检测结果的数值直接带入模型训练，学习曲线十分复杂，预测结果存在较大偏差。因此，将所述食品安全历史检测数据进行去量纲化处理，获得去量纲化处理后的食品安全历史检测数据；基于所述去量纲化处理后的食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据。

本发明提供的方法，对食品安全历史检测数据进行去量纲化处理，能够有效防止由于检测结果的随机性和不统一性对预测精度造成影响。

可选地，基于上述实施例，所述食品安全风险等级分为5级；

所述基于所述去量纲化处理后的食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据，具体为：

其中，Y

当Y

具体地，根据去量纲化的结果，将项目风险等级分为5级，其中1-4级符合国家标准，1级为无需预警，2级轻微预警，3级轻度预警，4级为中度预警，5级为不符合国家标准，为重度预警，食品安全风险等级如表4所示。

表4食品安全风险等级信息表

可选地，基于上述实施例，所述获取食品安全历史检测数据，基于所述食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据之后，所述方法还包括：

基于预设时间间隔，对所述食品安全风险等级历史数据进行数据分箱，得到数据分箱后的食品安全风险等级历史数据；

基于所述数据分箱后的食品安全风险等级历史数据，获取食品综合风险等级历史数据。

具体地，由于食品抽检采样存在随机性，并不是每天均有采样，若按天进行建模，存在较多缺省值，故需要对数据进行分箱处理。数据分箱时间间隔会影响LSTM输入点的个数和精度，若时间间隔太长(如以月为单位进行分箱处理)，LSTM输入点数太少，导致模型精度降低；若时间间隔太短，数据会存在较多缺省值，且学习曲线复杂，导致最终预测结果缺乏可信性。本实施例中数据分箱时间间隔进行优化，分别以时间间隔1天、4天、7天、15天、30天进行实验，详见表5。

表5时间间隔与准确率对照表

通过不同采用间隔的对比实验，可以发现，随着采样间隔的增大，预测的平均准确率在逐渐减小，同时数据集也在减小，对于原本数据量较少的城市则会造成数据集过小而无法满足神经网络训练的基本条件。另一方面，由于原始的食品安全数据在时间维度上存在许多缺省值，若采用间隔太小，则会采集到许多缺失值，使得采样数据失去代表性，对预测产生干扰，因此，在考虑到数据的有效性的同时，尽量减小采样间隔。本实施例将预设时间间隔设定为4天，即每4天为一个分箱。

本发明提供的方法，采用数据分箱对食品安全风险等级历史数据进行处理，进一步有效防止由于检测结果的随机性和不统一性对预测精度造成影响。

可选地，基于上述实施例，所述基于所述数据分箱后的食品安全风险等级历史数据，获取食品综合风险等级历史数据，采用如下公式计算：

level(A)＝argmax[w(i)*e

其中，level(A)为食品A的综合风险等级；i为食品A的风险等级，w(i)为风险等级i在食品A中的占比。

具体地，由于食品风险等级低的检测项目占大多数，而风险等级高的检测项目属于少数，但风险等级高的数据对最终的食品安全风险等级却有决定性的影响。因此，如果采用传统的加权平均法，会导致最终的食品风险等级都很低，不能反映出食品的真实风险等级。

因此，基于公式：level(A)＝argmax[w(i)*e

以某省2014-2019年酱卤肉制品数据的前2/3作为训练集，后1/3作为测试集以验证模型的预测准确性。计算预测准确率为0.97，具体为统计预测正确的风险等级数量占测试样本中真实风险等级的比重。使用类似的方法，将全国其他30个省市的酱卤肉制品数据带入LSTM模型训练并进行预测，均得到较好的效果，见表6，准确率最低的为X2省，准确率为0.89。平均准确率为0.95，标准偏差为0.029，说明整体准确率较高，并且准确率波动较小。表明建立的LSTM模型可以适用于酱卤肉制品综合风险等级的时序预测。

表6全国各省市酱卤肉制品预测准确率

经验模态分解(EMD)广泛运用于信号处理和数据分析中，它的设计思想是将一个频率不规则的信号波分解为不同单一频率的信号波和一个残差的形式。其中不同单一频率的信号波也叫本征模函数(Intrinsic Mode Functions，IMF)。EMD依据数据自身的时间尺度特征来进行信号分解，即局部平稳化，而无须预先设定任何基函数。这一点与建立在先验性假设的谐波基函数(或基频)和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别。

将2014-2019年31个省市酱卤肉制品检测数据进行相同数据预处理后，经过EMD分解后，将分解得到的各个IMF作为LSTM的输入数据，计算准确率如表所示。准确率最低的为J3省，准确率为0.32，平均准确率为0.625，标准偏差为0.190，如表7所示。相对EMD-LSTM网络模型而言，小波分解-LSTM网络模型准确率更高。并且预测的准确率更加稳定。

实验表明，EMD-LSTM分解后的部分分量变化趋势仍然较复杂，如IMF[0]的预测误差较大，从而导致重构后的结果误差较大，而小波-LSTM则较好地克服了这一问题，因为小波-LSTM选择了光滑度较好的高阶消失矩的db小波基(Daubechies wavelets,多贝西小波基)，而非常用的Haar小波基，尽管这样会增加较大的计算量，但也使得分解后得到的各个分量都具有较好的光滑性，从而使得LSTM对各个分量都有较高的准确度。

表7 2014-2019年各省市酱卤肉制品检测数据准确率

下面对本发明提供的食品安全风险等级预测装置进行描述，下文描述的食品安全风险等级预测装置与上文描述的食品安全风险等级预测方法可相互对应参照。

基于上述任一实施例，图5为本发明实施例提供的食品安全风险等级预测装置的结构示意图，如图5所示，该食品安全风险等级预测装置包括风险等级划分模块501、分解模块502和处理模块503。

其中，风险等级划分模块501用于基于食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据；分解模块502用于基于Daubechies小波基，对所述食品安全风险等级历史数据进行小波分解，得到多个食品安全风险等级历史数据分量；处理模块503用于将所述多个食品安全风险等级历史数据分量输入LSTM模型，对食品安全风险等级进行预测，得到食品安全风险等级的预测值。

本发明提供的装置，基于食品安全历史检测数据获取食品安全风险等级历史数据，将食品安全风险等级历史数据输入LSTM模型进行食品安全风险等级预测，有效实现食品风险等级的预测；并且，考虑到食品安全抽检数据是非平稳的离散时间序列，振幅较大，如果直接带入LSTM模型进行预测，学习效果较差，影响预测精度，因此在将食品安全历史检测数据带入LSTM模型进行预测之前，通过小波分解对食品安全历史检测数据进行平稳化预处理，从而进一步提高预测精度，为食品安全的防御和日常监测工作提供技术支持。

可选地，基于上述任一实施例，所述处理模块用于将所述多个食品安全风险等级历史数据分量输入LSTM模型，对食品安全风险等级进行预测，得到食品安全风险等级的预测值，具体为：

所述LSTM模型分别对所述多个食品安全风险等级历史数据分量进行预测，得到所述多个食品安全风险等级历史数据分量的预测结果；

对所述多个食品安全风险等级历史数据分量的预测结果进行重构，获得食品安全风险等级的预测值。

可选地，基于上述任一实施例，所述基于所述食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据，包括：

将所述食品安全历史检测数据进行去量纲化处理，获得去量纲化处理后的食品安全历史检测数据；

基于所述去量纲化处理后的食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据。

可选地，基于上述任一实施例，所述食品安全风险等级分为5级；

所述基于所述去量纲化处理后的食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据，具体为：

其中，Y

当Y

可选地，基于上述任一实施例，所述获取食品安全历史检测数据，基于所述食品安全历史检测数据，划分食品安全风险等级，得到食品安全风险等级历史数据之后，还包括：

基于预设时间间隔，对所述食品安全风险等级历史数据进行数据分箱，得到数据分箱后的食品安全风险等级历史数据；

基于所述数据分箱后的食品安全风险等级历史数据，获取食品综合风险等级历史数据。

可选地，基于上述任一实施例，所述基于所述数据分箱后的食品安全风险等级历史数据，获取食品综合风险等级历史数据，具体为：

level(A)＝argmax[w(i)*e

其中，level(A)为食品A的综合风险等级；i为食品A的风险等级，w(i)为风险等级i在食品A中的占比。

本发明实施例的食品安全风险等级预测装置，可用于执行上述各食品安全风险等级预测处理方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communication interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，执行上述各方法实施例提供的步骤流程。

此外，上述的存储器630中的逻辑指令可以通过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。

另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例提供的步骤流程。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。