基于用电特性分析的用户用电行为画像方法及装置

技术领域

本发明涉及电力大数据分析技术领域，尤其是涉及一种基于用电特性分析的用户用电行为画像方法及装置。

背景技术

随着电力市场的逐步开放和综合能源系统的不断发展，诸如用户能源消耗方式多样化和不当等问题日益突出，对用户用电行为的分析提出了更高的要求。居民用电行为分析是深度挖掘居民需求响应潜力，提升精准电力服务水平的基础。随着智能电表的普及，基于大量的用电数据，如何应用数据挖掘技术对居民用户用电数据进行分析，从而刻画用户用电行为画像，是电力公司重点关注的问题。

但是，对现有技术的研究与实践过程中，本发明的发明人发现，目前的研究大多集中在依据聚类算法将不同电力用户划分成不同类型的簇，这类研究多着眼于用户的分类，但其特征集的选取大多依赖于专家经验，并没有经过数据分析及优化选择，其用电行为特征集的有效性有待验证。而用户用电特征的选取是电力用户画像的基础，因此亟需选取一种满足精简性要求的同时最大化反映用户用电行为特征的用户用电特征分析与行为画像的技术方案。

发明内容

本发明的目的在于提供一种基于用电特性分析的用户用电行为画像方法及装置，旨在解决现有技术中的上述问题。

本发明提供一种基于用电特性分析的用户用电行为画像方法，包括：

对收集到的负荷数据进行预处理；

对预处理后的负荷数据采用k-shape聚类算法进行聚类分析，对用户用电行为进行簇别的划分；

采用随机森林方式进行用户用电行为的特征提取确定用户用电行为的特征标签；

根据所述用户用电行为的簇别和所述特征标签，获取用户用电行为画像。

本发明提供一种基于用电特性分析的用户用电行为画像装置，包括：

预处理模块，用于对收集到的负荷数据进行预处理；

聚类模块，用于对预处理后的负荷数据采用k-shape聚类算法进行聚类分析，对用户用电行为进行簇别的划分；

特征提取模块，用于采用随机森林方式进行用户用电行为的特征提取，确定用户用电行为的特征标签；

用电行为画像模块，用于根据所述用户用电行为的簇别和所述特征标签，获取用户用电行为画像。

本发明实施例还提供一种基于用电特性分析的用户用电行为画像装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述基于用电特性分析的用户用电行为画像方法的步骤。

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上存储有信息传递的实现程序，所述程序被处理器执行时实现上述基于用电特性分析的用户用电行为画像方法的步骤。

采用本发明实施例，应用数据挖掘技术对居民用户用电数据进行聚类分析，建立表征居民负荷用电特性的标签体系，对用户用电行为画像进行描绘，可以提高用户行为分析的准确性，从而反映用户的用电习惯和行为特性，来为需求响应决策提供依据。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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是本发明实施例的基于用电特性分析的用户用电行为画像方法的流程图；

图2是本发明实施例的是本发明实施例的基于用电特性分析的用户用电行为画像方法详细处理的流程图；

图3是本发明实施例的用户日负荷曲线聚类不同k值和对应总的簇内离差平方和的折线示意图；

图4是本发明实施例的用户日负荷曲线聚类分析结果的示意图；

图5是本发明实施例的用户用电行为时间特性可视化结果的示意图；

图6是本发明实施例的用户用电行为特征标签可视化结果的示意图；

图7是本发明装置实施例一的基于用电特性分析的用户用电行为画像装置的示意图；

图8是本发明装置实施例二的基于用电特性分析的用户用电行为画像装置的示意图。

具体实施方式

下面将结合实施例对本发明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，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”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。

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一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

方法实施例

根据本发明实施例，提供了一种基于用电特性分析的用户用电行为画像方法，图1是本发明实施例的基于用电特性分析的用户用电行为画像方法的流程图，如图1所示，根据本发明实施例的基于用电特性分析的用户用电行为画像方法具体包括：

步骤101，对收集到的负荷数据进行预处理；数据预处理具体过程如下：

步骤1011，对用户负荷数据进行数据清洗。

步骤1012，对用户负荷数据进行归一化。

步骤102，对预处理后的负荷数据采用k-shape聚类算法进行聚类分析，对用户用电行为进行簇别的划分；步骤102具体包括：

步骤1021，根据公式1进行相似度计算：

其中，相似度SBD(x，y)的取值范围为[0,2]，0表示两个序列最相似，x和y表示两个样本序列，max

步骤1022，根据得到的相似度，采用k-shape聚类算法进行聚类，根据公式2，基于拐点法，通过使簇内离差平方和总和最小来确定分组数k：

其中，SS表示离差的平方和，离差用于反映的是变量与数学期望偏离的程度，i表示簇内点的序号，n表示簇内点的个数，x

步骤1023，根据分组数k，进行基于k-shape算法的用户用电曲线聚类分析，首先随机将时间序列分配到各个簇中然后计算质心，细化成员，计算成员到各质心的距离，重新给成员分配簇并更新质心，反复迭代直到算法收敛或达到最大迭代次数。

步骤103，采用随机森林方式进行用户用电行为的特征提取，确定用户用电行为的特征标签；步骤103具体包括：

步骤1031，设定初始特征集，其中，表示初始特征集的用电特征具体包括：日用电量、日最大负荷、最小负荷、日平均负荷、日峰谷差、日负荷率、谷电系数、日峰谷差率、日内工作时间特性、日夜用电特性、早高峰特性、晚高峰特性、峰时耗电率、以及平时段用电百分比；

步骤1032，采用随机森林方法进行用户用电行为的特征提取，评估每个特征在随机森林中的每颗树上所作的贡献并取平均值，采用基尼指数比较特征之间的贡献大小：根据公式3-6，假设有C个特征X

其中，GI表示基尼指数，K表示有K个类别，p

其中，

步骤1033，如果特征X

步骤1034，假设共有n棵树，则：

步骤1035，根据公式6，将所有求得的重要性评分进行归一化处理：

其中，C表示特征个数。

步骤104，根据所述用户用电行为的簇别和所述特征标签，获取用户用电行为画像。

步骤104具体包括：

步骤1041，采用统计的方法来分析用户用电行为的时间特性，通过柱状图对用户用电行为的时间特性进行可视化表达；

步骤1042，采用打分制的方法来分析不同用电行为的特征标签，通过雷达图进行特征标签的可视化表达。

在步骤1042中，采用打分制的方法来分析不同用电行为的特征标签具体包括：

通过标签的得分表征不同用电行为的用电特性，根据公式8计算每类用电模式每个标签的得分：

其中，G

与现有技术相比，本发明实施例具有以下有益效果：

本发明实施例提出一种基于k-shape聚类算法的用户用电行为簇别分析方法，以及基于随机森林的特征提取方法来构建用户多维用电特征标签体系，能够结合实际居民用户用电数据对用户用电特征进行分析，并实现用户用电行为画像可视化，直观、方便。

以下对本发明实施例的上述技术方案进行详细说明。

为了解决如背景技术中所述的问题，本发明实施例提供一种基于用电特性分析的用户用电行为画像的方法，如图2所示，具体包括：

步骤1(S101)，对收集到的每小时用电数据进行预处理，包括数据清洗和归一化处理。

步骤2(S102)，基于k-shape聚类算法对用户用电行为进行簇别分析的方法，具体可采取：

步骤2.1，相似度计算。k-shape算法采用基于互相关的距离测度可以不受序列缩放和移动的影响。互相关测度互相关是一种统计度量，我们可以用它来确定x和y两个序列的相似性，即使它们没有正确对齐。为了实现平移不变性，计算互相关时保持y序列不变，并将x在y上滑动，计算x的每一个位移s的内积。这里，我们定义基于形状的距离(SBD)计算公式如下：

取值范围为[0,2]，0表示两个序列最相似。

步骤2.2，采用k-shape的方法进行聚类，通过拐点法确定分组数k。其思路是使簇内离差平方和总和最小。(随着簇的增加，离差平方和之和趋于稳定(波动小于阀值)，可以通过绘制各簇离差平方和之和与簇的个数之间的折线图，观察k值拐点变化的位置(斜率变化的点)。离差反映的是变量与数学期望偏离的程度，其平方和为：

步骤2.3，根据步骤2.2确定的分组数k，进行基于k-shape算法的用户用电曲线聚类分析。

进一步，本发明中的k-shape算法主要包括分配和细化两个阶段。首先随机将时间序列分配到各个簇中然后计算质心，接着细化成员，计算成员到各质心的距离，重新给成员分配簇并更新质心。反复迭代直到算法收敛或达到最大迭代次数。

聚类分析过程如下：

(1)首先采用拐点法确定分组数k，通过绘制各簇离差平方和之和与簇的个数之间的折线图(如图3所示)，观察k值拐点变化的位置(斜率变化的点)。离差反映的是变量与数学期望偏离的程度，其平方和为：

选取不同的分组数k，然后在不同的k值下计算簇内所有样本到其所属类的类中心的形状距离之和θ，使用所有k值与其对应θ值绘制横轴为k、纵轴为θ的曲线，选取曲线斜率绝对值变化程度最大的一个点，该点对应的k值即为应选择的分组数。基于形状的距离(SBD)计算公式定义如下：

其中，x和y表示两个样本序列，SBD的取值范围为[0,2]，0表示两个序列最相似。

(2)然后，根据(1)中得到的k值，采用k-shape的算法对用户用电负荷数据进行聚类分析，聚类结果如图4所示。典型用电模式行为特征分析如表1所示。

表1

步骤3(S103)，运用随机森林的算法从对多个常用的用户用电特征提取出若干关键特征标签，建立用户多维用电特征标签体系，具体可采取：

步骤3.1，设定初始特征集。初始特征集由14个常用的用电特征来表示，包括：日用电量、日最大负荷、最小负荷、日平均负荷、日峰谷差、日负荷率、谷电系数、日峰谷差率、日内工作时间特性、日夜用电特性、早高峰特性、晚高峰特性、峰时耗电率、平时段用电百分比。

步骤3.2，使用随机森林进行特征提取。

进一步，采用随机森林进行特征重要性评估的思想就是评估每个特征在随机森林中的每颗树上做多大的贡献，然后取平均值，最后比较特征之间的贡献大小。这里采用基尼指数(Gini index)作为评价指标来衡量[11]。我们将变量重要性评分(variableimportance measures)用VIM来表示，将基尼指数用GI来表示，假设有m个特征X

其中，K表示有K个类别，p

假设RF共有n棵树，那么

最后，把所有求得的重要性评分做一个归一化处理即可。

步骤3.3，把根据步骤3.2所求得的所有特征的重要性评估做一个归一化处理。

在本发明实施例的一个实例中，特征提取过程具体过程如下：

(1)使用14个常用的用电特征构造初始特征集，包括：日总负荷、日最大负荷、日最小负荷、日平均负荷、日峰谷差、日负荷率、谷功率系数、日峰谷差率、日间用电特征、夜间用电特征、早高峰特征，晚高峰特征、峰时耗电率、平时段用电百分比。

(2)运用随机森林算法进行特征重要性的评估。采用基尼指数(Gini index)作为评价指标来衡量。我们将变量重要性评分(variable importance measures)用VIM来表示，将基尼指数用GI来表示，假设有m个特征X

其中，K表示有K个类别，p

假设RF共有n棵树，那么

特征重要性归一化计算公式如下：

特征重要性评估的结果如表2所示，本实施例中选取重要性最高的4个特征：日用电量(1)、日平均负荷(4)、日峰谷差率(8)、峰时耗电率(13)。

表2

步骤4(S104)，应用簇别的划分结果及特征标签，对用户用电行为进行综合画像及可视化呈现，具体可采取：

步骤4.1，采用统计的方法来分析用户用电行为的时间特性，通过柱状图进行可视化。

步骤4.2，采用打分制的方法来分析不同用电行为模式的特征标签，通过雷达图进行可视化。

进一步，本发明采用的打分制，满分5分，由于不同特征的单位不同需要对不同特征进行统一。以标签的得分来表征该类型用电特性，每类用电模式每个标签的得分由下式得到：

式中，G

在一个实例中，行为画像过程的具体过程如下：

(1)将聚类分析得到的用电模式按照星期几进行统计分析，如图5所示。

(2)将聚类分析得到的用电模式进行特征选择。

通过标签的得分来表征该类型用电特性，每类用电模式每个标签的得分由下式得到：

式中，G

打分后的结果进行可视化展示，得到用户用电行为画像，如图6所示。典型用户用电行为画像特征描述如表3所示。

表3

综上所述，本发明实施例提出一种基于用电特性分析的用户用电行为画像的方法，基于k-shape的用户用电行为聚类分析，来提高簇别性能；引入了随机森林算法进行用户用电特征选取，从原始特征集中筛选出影响效果最显著的特征集，建立用户多维用电特征标签体系；基于聚类结果和特征标签，通过柱状图和雷达图的可视化的方式来对用户行为画像进行展示。本发明实施例可以实现有效聚类和用户用电特征的提取，从而构建用户的用电行为画像。

装置实施例一

根据本发明实施例，提供了一种基于用电特性分析的用户用电行为画像装置，图7是本发明实施例的基于用电特性分析的用户用电行为画像装置的示意图，如图7所示，根据本发明实施例的基于用电特性分析的用户用电行为画像装置，包括预处理模块、聚类模块、特征模块和画像模块，从而可以分析出用户的用电特性分析与行为画像，具体地，

预处理模块70，用于对收集到的负荷数据进行预处理；

聚类模块72，用于对预处理后的负荷数据采用k-shape聚类算法进行聚类分析，对用户用电行为进行簇别的划分；

特征提取模块74，用于采用随机森林方式进行用户用电行为的特征提取，确定用户用电行为的特征标签；所述特征提取模块74具体用于：

设定初始特征集，其中，表示初始特征集的用电特征具体包括：日用电量、日最大负荷、最小负荷、日平均负荷、日峰谷差、日负荷率、谷电系数、日峰谷差率、日内工作时间特性、日夜用电特性、早高峰特性、晚高峰特性、峰时耗电率、以及平时段用电百分比；

采用随机森林方法进行用户用电行为的特征提取，评估每个特征在随机森林中的每颗树上所作的贡献并取平均值，采用基尼指数比较特征之间的贡献大小：根据公式3-6，假设有C个特征X

其中，GI表示基尼指数，K表示有K个类别，p

其中，

如果特征X

假设共有n棵树，则：

根据公式6，将所有求得的重要性评分进行归一化处理：

其中，C表示特征个数。

用电行为画像模块76，用于根据所述用户用电行为的簇别和所述特征标签，获取用户用电行为画像。所述用电行为画像模块76具体用于：

采用统计的方法来分析用户用电行为的时间特性，通过柱状图对用户用电行为的时间特性进行可视化表达；

采用打分制的方法来分析不同用电行为的特征标签，通过雷达图进行特征标签的可视化表达；

所述聚类模块具体用于；

根据公式1进行相似度计算：

其中，相似度SBD(x，y)的取值范围为[0,2]，0表示两个序列最相似，x和y表示两个样本序列，max

根据得到的相似度，采用k-shape聚类算法进行聚类，根据公式2，基于拐点法，通过使簇内离差平方和总和最小来确定分组数k：

其中，SS表示离差的平方和，离差用于反映的是变量与数学期望偏离的程度，i表示簇内点的序号，n表示簇内点的个数，x

根据分组数k，进行基于k-shape算法的用户用电曲线聚类分析，首先随机将时间序列分配到各个簇中然后计算质心，细化成员，计算成员到各质心的距离，重新给成员分配簇并更新质心，反复迭代直到算法收敛或达到最大迭代次数；

用电行为画像模块76具体用于：

通过标签的得分表征不同用电行为的用电特性，根据公式8计算每类用电模式每个标签的得分：

其中，G

本发明实施例是与上述方法实施例对应的装置实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。

装置实施例二

本发明实施例提供一种基于用电特性分析的用户用电行为画像装置，如图8所示，包括：存储器80、处理器82及存储在所述存储器80上并可在所述处理82上运行的计算机程序，所述计算机程序被所述处理器82执行时实现如方法实施例中所述的步骤。

装置实施例三

本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传输的实现程序，所述程序被处理器82执行时实现如方法实施例中所述的步骤。

本实施例所述计算机可读存储介质包括但不限于为：ROM、RAM、磁盘或光盘等。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪30年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书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。

本说明书是参照根据本说明书实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。