一种供需预测方法、模型、设备及存储介质

技术领域

本公开涉及即时物流配送供需预测领域，尤其涉及一种供需预测方法、模型、设备及存储介质。

背景技术

在即时物流配送场景中，通常将配送覆盖到的地理范围按照预定方式划分为一个个网格，供给(配送运力量)和需求(运单量)是参与物流配送的两个维度，很大程度上关联到履约效率和用户体验。因此，因此若能预测每个网格未来一段时间内的供给和需求状况，可以帮助配送平台及时发现配送运力短缺和运单滞留问题，从而优化运力调配，提高履约质量和用户满意度。

相关技术中通常采用时间序列分析的方法或者传统机器学习方法对配送运力和运单的相关历史数据进行建模，得到能反映出每个网格供需情况的接起率的预测值。但在实际应用中，相关技术的方法的预测准确度并不高，与实际值偏差较大。

发明内容

有鉴于此，本公开提供一种供需预测方法、模型、设备及存储介质，以解决相关技术中的不足。

根据本发明实施例的第一方面，提供一种供需预测方法，用于预测配送区域的供需，所述配送区域按预定方式划分为若干个网格，包括：

当其中一个所述网格被选定为目标网格，获取所述目标网格产生的时间数据和空间数据；所述时间数据表征所述目标网格在第一预设时间窗口内产生的供需；所述空间数据表征所述目标网格的周围预定范围内包含的若干个网格中每个网格在所述第一预设时间窗口内产生的供需；

从所述时间数据中提取时间特征、从所述空间数据中提取空间特征；

基于所述时间特征、所述空间特征获取所述目标网格在第二预设时间窗口内产生的接起率以及运单量，并基于所述接起率以及所述运单量预测所述目标网格在所述第二预设时间窗口内的接起量。

可选的，所述时间数据包括所述目标网格在所述第一预设时间窗口内的运单量和配送运力总量；

所述空间数据包括所述目标网格的周围预定范围内包含的若干个网格中每个网格在所述第一预设时间窗口内的运单量和配送运力总量。

可选的，所述时间数据包括以下至少一种：

表征供需趋势变化的时间数据、表征供需周期变化的时间数据、表征供需季节变化的时间数据。

可选的，基于所述时间特征、所述空间特征获取所述目标网格在第二预设时间窗口内产生的接起率以及运单量包括：

将所述时间特征和所述空间特征输入神经网络模型，构建时空特征向量；所述神经网络模型中包括接起率预测子网络和运单量预测子网络，所述接起率预测子网络和所述运单量预测子网络以时空特征数据作为训练样本训练生成，所述时空特征数据携带有接起率标签、运单量标签以及接起量标签；

将所述时空特征向量作为所述接起率预测子网络的输入样本，预测所述目标网格在所述第二预设时间窗口内产生的所述接起率；

将所述时空特征向量作为所述运单量预测子网络的输入样本，预测所述目标网格在所述第二预设时间窗口内产生的所述运单量。

可选的，所述时间特征和所述空间特征均包含连续型特征和离散型特征；将所述时间特征和所述空间特征输入神经网络模型，构建时空特征向量包括：

基于所述连续型特征确定第一连续型向量；基于所述离散型特征确定第二连续型向量；

将所述第一连续型向量和所述第二连续型向量拼接成所述时空特征向量。

可选的，所述接起量为所述接起率与所述运单量的乘积。

可选的，所述接起率预测子网络的损失函数为接起率损失函数；所述运单量预测子网络的损失函数为运单量损失函数；所述神经网络模型的损失函数为接起率损失函数、运单量损失函数和接起量损失函数的加权和。

可选的，所述接起率损失函数为WMAE损失函数、所述运单量损失函数和接起量损失函数为WMAPE损失函数。

根据本发明实施例的第二方面，提供一种供需预测模型，用于预测配送区域的供需，所述配送区域按预定方式划分为若干个网格，所述供需预测模型包括：

输入层，用于当其中一个所述网格被选定为目标网格，获取所述目标网格产生的时间数据和空间数据；还用于从所述时间数据中提取时间特征、从所述空间数据中提取空间特征；其中，所述时间数据表征所述目标网格在第一预设时间窗口内产生的供需；所述空间数据表征所述目标网格的周围预定范围内包含的若干个网格中每个网格在所述第一预设时间窗口内产生的供需；

接起率及运单量预测层，用于基于所述时间特征、所述空间特征获取所述目标网格在第二预设时间窗口内产生的接起率以及运单量；

输出层，用于基于所述接起率以及所述运单量预测所述目标网格在所述第二预设时间窗口内的接起量。

可选的，所述接起率及运单量预测层包括接起率预测子网络和运单量预测子网络；

所述供需预测模型还包括预处理层，用于将所述输入层输出的所述时间特征和所述空间特征构建成时空特征向量，并分别输出给所述接起率预测子网络和所述运单量预测子网络；

所述接起率预测子网络，用于以所述时空特征向量为输入样本，预测所述目标网格在所述第二预设时间窗口内产生的所述接起率；

所述运单量预测子网络，用于以所述时空特征向量为输入样本，预测所述目标网格在所述第二预设时间窗口内产生的所述运单量。

可选的，所述时间特征和所述空间特征均包含连续型特征和离散型特征；

所述预处理层将所述输入层输出的所述时间特征和所述空间特征构建成时空特征向量包括：

基于所述连续型特征确定第一连续型向量、基于所述离散型特征确定第二连续型向量；

将所述第一连续型向量和所述第二连续型向量拼接成所述时空特征向量。

可选的，所述接起量为所述接起率与所述运单量的乘积。

可选的，所述接起率预测子网络的损失函数为接起率损失函数；所述运单量预测子网络的损失函数为运单量损失函数；所述供需预测模型的损失函数为接起率损失函数、运单量损失函数和接起量损失函数的加权和。

可选的，所述接起率损失函数为WMAE损失函数、所述运单量损失函数和接起量损失函数为WMAPE损失函数。

根据本发明实施例的第三方面，提供所述计算机设备包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：执行上述第一方面所述的供需预测方法。

根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的供需预测方法。

由以上技术方案可见，发明人经研究发现，目标网格中配送运力的接单范围可能还会覆盖到邻近甚至更远的网格，配送运力可以在网格之间流动，所以目标网格周边空间包含的网格产生的供需也会对目标网格的供需造成影响。因此，本公开的技术方案通过从目标网格的时间数据和空间数据中提取的时间特征和空间特征，来预测所述目标网格的接起量，考虑到了周边空间包含的网格的供需造成的影响，提高了预测目标网格供需的准确度。

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，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本公开的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本公开的原理。

图1是根据本说明书实施例示出的一种供需预测方法的流程图；

图2是根据本说明书实施例示出的配送区域的示意图；

图3是根据本说明书实施例示出的一种供需预测模型的示意图；

图4是根据本说明书实施例示出的另一种供需预测模型的示意图；

图5是根据本说明书实施例示出的一种供需预测模型的预处理层的示意图；

图6是根据本说明书实施例示出的一种计算机设备的硬件结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

在即时物流配送场景中，供给指在一定时间内，可用于配送的物流资源的数量，包括配送运力量；需求指在一定时间内，用户需要配送服务的数量，即运单量。配送区域的供需是指在配送区域中配送服务的供给量与需求量之间的相互作用关系。当供给量与需求量相等时，配送区域处于平衡状态，所有运单可以被及时配送；当供给量大于需求量时，配送区域处于供过于求状态，配送服务的价格和利润会下降，配送平台会减少配送资源的投入；当供给量小于需求量时，配送区域处于供不应求状态，配送服务的价格和利润会上升，配送平台会增加配送资源的投入，以满足更多的需求量。

由此可见，供给(配送运力量)和需求(运单量)是参与物流配送的两个维度，很大程度上关联到履约效率和用户体验。通常配送区域会被按预定方式划分为若干个网格以方便管理，因此若能预测每个网格未来一段时间内的供给和需求状况，可以帮助配送平台及时发现配送运力短缺和运单滞留问题，从而优化运力调配，提高履约质量和用户满意度。

配送区域的供需可以通过每个网格的接起率、运单量和接起量来反映，接起率指网格在预定时间内产生的运单被配送运力接起的概率；运单量指网格在预定时间内产生的运单的数量；接起量指网格在预定时间内被配送运力接起的运单的数量。

相关技术中通常采用时间序列分析的方法，如ARIMA(AutoregressiveIntegrated Moving Average Model，差分整合移动平均自回归模型)、Prophet模型通过对网格的历史数据进行分析，并对网格的接起率进行建模，以预测网格预定时间范围内的接起率；或者采用传统机器学习方法，通过提取网格历史数据中的接起率的特征，比如接起率的均值，方差，最大值等特征，以及与接起率相关的骑手和运单的特征，采用回归模型或树模型对网格的接起率进行建模，以预测网格预定时间范围内的接起率。但在实际应用中，相关技术的方法的预测准确度并不高，与实际值的偏差较大。

发明人经研究发现，一个网格中配送运力的接单范围可能还会覆盖到邻近甚至更远的网格，配送运力可以在网格之间流动，所以该网格周边空间包含的网格产生的供需也会对该网格的供需造成影响。因此，可以通过基于表征目标网格产生的供需的数据和表征目标网格的周围预定范围内包含的若干个网格产生的供需的数据，来预测目标网格的供需，从而提高预测准确度。

图1是根据本说明书实施例示出的一种供需预测方法的流程图，所述供需预测方法用于预测配送区域的供需，所述配送区域按预定方式划分为若干个网格，包括：

步骤S101，当其中一个所述网格被选定为目标网格，获取所述目标网格产生的时间数据和空间数据；

步骤S102，从所述时间数据中提取时间特征；从所述空间数据中提取空间特征；

步骤S103，基于所述时间特征、所述空间特征获取所述目标网格在第二预设时间窗口内产生的接起率以及运单量；

步骤S104，基于所述接起率以及所述运单量预测所述目标网格在所述第二预设时间窗口内的接起量。

其中，配送区域可以被划分为若干个范围基本一致的网格，网格的形状可以为三角形、正方形、六边形等形状，网格的边长以及面积可以根据需求设置，本实施例并不对此进行限制。

在一实施例中，步骤S101中的时间数据表征目标网格在第一预设时间窗口内产生的供需，包括目标网格在第一预设时间窗口内的运单量和配送运力总量；空间数据所述目标网格的周围预定范围内包含的若干个网格中每个网格在第一预设时间窗口内产生的供需，包括目标网格的周围预定范围内包含的若干个网格中每个网格在第一预设时间窗口内的运单量和配送运力总量。

目标网格在未来一段时间范围的接起率、运单量和接起量会受到过去时间目标网格产生的供需的影响，并且过去时间目标网格产生的供需通常会呈现出趋势性、周期性和季节性的规律：比如过去一段时间受到不良天气因素影响，目标网格内配送运力数量减少，导致供给不足，使得未来一段时间的接起率和接起量呈下降趋势；比如近一周每天目标网格在同一时间段内的接起率、运单量和接起量呈现出相似的波动规律；比如在夏季时，用户下单次数会增加，需求旺盛，使得未来一段时间的运单量上升，接起率和接起量下降。

本实施例的配送运力是指具有配送能力的一方，包括但不限于配送人员，例如俗称的骑手，配送运力可以通过面向配送运力所使用的客户端与服务端通信；在其他例子中配送运力还可以包括无人配送设备，例如无人机、无人车等等。

在一实施例中，步骤S101中的时间数据包括以下至少一种：

表征供需趋势变化的时间数据、表征供需周期变化的时间数据、表征供需季节变化的时间数据。容易理解，设计人员可以根据实际的预测需求，确定时间数据的类型，而并非局限于此处所列举的几种类型。

要预测目标网格的接起率、运单量和接起量三个目标值，相关技术的方案会对这三个目标值分别建模，这会导致模型数量较多，并且不利于维护。发明人经研究发现，可以通过建立一个模型对接起率、运单量和接起量三个目标值进行预测，提高开发效率的同时也方便维护。

在一实施例中，步骤S103中基于所述时间特征、所述空间特征获取所述目标网格在第二预设时间窗口内产生的接起率以及运单量包括：

将时间特征和空间特征输入神经网络模型，构建时空特征向量；神经网络模型中包括接起率预测子网络和运单量预测子网络，接起率预测子网络和运单量预测子网络以时空特征数据作为训练样本训练生成，时空特征数据携带有接起率标签、运单量标签以及接起量标签；

将时空特征向量作接起率预测子网络的输入样本，预测目标网格在所述第二预设时间窗口内产生的接起率；

将时空特征向量作为运单量预测子网络的输入样本，预测目标网格在所述第二预设时间窗口内产生的运单量。

其中，接起率预测子网络和运单量预测子网络可以基于DNN(Deep NeuralNetworks，深度神经网络)，或包含Attention(注意力机制)的神经网络，或ST-ResNet(DeepSpatio-Temporal Residual Networks，深度时空残差网络)等神经网络结构构建，本实施例并不对此进行限制。

在一实施例中，时间特征和空间特征均包含连续型特征和离散型特征；将时间特征和空间特征输入神经网络模型，构建时空特征向量包括：

基于连续型特征确定第一连续型向量；基于离散型特征确定第二连续型向量；

将第一连续型向量和第二连续型向量拼接成所述时空特征向量。

其中，基于连续型特征确定第一连续型向量包括对连续型特征进行缺失值填充，去除异常数据，以及通过归一化方法将连续型特征缩放至预设数值范围内并映射到向量空间中，得到第一连续型向量；基于离散型特征确定第二连续型向量包括通过Embedding(嵌入)技术将离散型特征映射为第二连续型向量，可以使用的Embedding技术的方法包括Word2vec算法、Item2vec算法、Node2vec算法等，本实施例并不对此进行限制。

在一实施例中，接起量可以是接起率与运单量的乘积。

在一实施例中，配送平台的服务端可以基于目标网格的接起量，判断是否调整目标网格的配送运力数量。因为服务端可以通过目标网格的接起量发现配送运力短缺和运单滞留问题，从而优化运力调配，提高履约质量和用户满意度。例如接起量大于预设值时，说明目标网格中供过于求，配送平台可以减少投入目标网格的配送运力数量。

在一实施例中，接起率预测子网络的损失函数为接起率损失函数；运单量预测子网络的损失函数为运单量损失函数；神经网络模型的损失函数为接起率损失函数、运单量损失函数和接起量损失函数的加权和。

其中，接起率损失函数、运单量损失函数和接起量损失函数可以均为MAE(MeanAbsolute Error，平均绝对误差)损失函数；

或接起率损失函数为WMAE损失函数(Weighted Mean Absolute Error，加权平均绝对误差),运单量损失函数和接起量损失函数为WMAPE(Weighted Mean AbsolutePercentage Error，加权平均绝对百分比误差)损失函数，

或接起率损失函数为WMAE损失函数,运单量损失函数和接起量损失函数为极大似然损失函数。

在本实施例中，接起率预测子网络和运单量预测子网络都以携带有接起率标签、运单量标签以及接起量标签的时空特征数据作为训练样本训练生成，输入样本同为时空特征向量，共享特征，并且接起量为接起率与运单量的乘积，考虑了三者的关联性，神经网络模型的损失函数为接起率损失函数、运单量损失函数和接起量损失函数的加权和，在根据损失函数优化神经网络模型的过程中，对接起率、运单量和接起量三个目标值同时优化，相比于相关技术对三个目标值单独建模的方案，本方案中的神经网络模型的预测准确度更好。

发明人发现，相关技术中存在一种ESMM(Entire Space Multi-Task Model，全空间多任务模型)，其中模型的输出为pCTCVR(Probability Click-Through&ConVersionRate，点击转化率)，为第一子任务网络输出的pCVR(Probability Conversion Rate，转化率)与第二子任务网络输出的pCTR(Probability Click-Through Rate，点击率)两者的乘积。但是ESMM模型是通过只包括pCTR的损失函数和pCTCVR的损失函数来训练整个模型，从而间接使第一子任务网络(输出pCVR)也在全样本空间训练，而并非原先在部分样本中训练，从而提高预测pCVR的准确度。

而本实施例的方案中接起率、运单量和接起量的预测本都在同一个样本空间下，神经网络模型的损失函数是包括接起率损失函数、运单量损失函数和接起量损失函数三者，并不需要间接使其中一个子网络在同一样本空间训练，并且ESMM模型预测的三个值都为概率值，不同与本方案预测一个概率值和两个数量值，说明模型中子网络的结构也不同，由此可见，发明人巧妙的将ESMM模型中点击率pCTR与转化率pCVR的乘积为点击及转化率pCTCVR的思想，应用到本公开所涉及的神经网络模型中，即将接起率与运单量的乘积作为接起量，并进一步对神经网络模型以及子网络的输入层以及内部其他隐藏层做了特殊设计，以配合本公共开场景下输出层对输出结果的特殊需求。

接下来结合图2对本实施例进行举例说明，如图2所示，将配送区域划分为若干个六边形网格，每个网格的边长为600米，将标号为0的网格选定为目标网格，预测目标网格在未来10分钟内的接起量的过程如下：

获取目标网格产生的时间数据和空间数据；

时间数据为目标网格中的运单量和配送运力总量随时间变化的时间序列数据；空间数据为目标网格周围每个标号为1的网格中的运单量和配送运力总量随时间变化的时间序列数据。

从时间数据中提取时间特征：

将目标网格产生的时间序列数据中表征供需趋势变化的时间数据：目标网格最近120分钟内的运单量和配送运力总量，表征供需周期变化的时间数据：目标网格近一周每天与预测时间段相同的时间段内的运单量和配送运力总量、表征供需季节变化的时间数据：目标网格近4周与预测时间段周同期的运单量和配送运力总量提取出来，作为时间特征。

从空间数据中提取空间特征：

将目标网格周围每个标号为1的网格中产生的时间序列数据中表征供需趋势变化的时间数据：目标网格最近120分钟内的运单量和配送运力总量，表征供需周期变化的时间数据：目标网格近一周每天与预测时间段相同的时间段内的运单量和配送运力总量、表征供需季节变化的时间数据：目标网格近4周与预测时间段周同期的运单量和配送运力总量提取出来，作为空间特征。

时间特征和空间特征均包含连续型特征和离散型特征，对连续型特征进行缺失值填充处理，去除异常数据，以及通过归一化方法将连续型特征缩放至预设数值范围内并映射到向量空间中，得到第一连续型向量；通过Embedding技术将离散型特征映射为第二连续型向量，将第一连续型向量和第二连续型向量拼接成所述时空特征向量。

将时空特征向量作为接起率预测子网络的输入样本，预测目标网格在未来10分钟内的接起率；

将时空特征向量作为运单量预测子网络的输入样本，预测目标网格在未来10分钟内的运单量。

通过接起量＝接起率*运单量的公式，得到目标网格在未来10分钟内的运单量的预测值。

图3是根据本说明书实施例示出的一种供需预测模型的示意图，所述供需预测模型用于预测配送区域的供需，所述配送区域按预定方式划分为若干个网格，所述供需预测模型30包括输入层310、接起率及运单量预测层320和输出层330：

输入层310，当其中一个所述网格被选定为目标网格，获取目标网格产生的时间数据和空间数据；从时间数据中提取时间特征；从空间数据中提取空间特征。时间数据表征目标网格在第一预设时间窗口内产生的供需；空间数据表征目标网格的周围预定范围内包含的若干个网格中每个网格在第一预设时间窗口内产生的供需。

接起率及运单量预测层320，基于时间特征、空间特征获取目标网格在第二预设时间窗口内产生的接起率以及运单量。

输出层330，基于接起率以及运单量预测层320输出的接起率以及运单量预测目标网格在第二预设时间窗口内的接起量。

在一实施例中，如图4所示的另一种供需预测模型中，接起率及运单量预测层320包括接起率预测子网络3201和运单量预测子网络3202；

供需预测模型30还包括预处理层340。预处理层340将输入层310输出的时间特征和空间特征构建成时空特征向量，并分别输出给接起率预测子网络和运单量预测子网。

其中，接起率预测子网络3201，以时空特征向量为输入样本，预测目标网格在第二预设时间窗口内产生的接起率；运单量预测子网络3202，以时空特征向量为输入样本，预测目标网格在第二预设时间窗口内产生的运单量。

在一实施例中，如图5所示的预处理层340的示意图；时间特征和空间特征均包含连续型特征和离散型特征；

作为例子，预处理层340将输入层310输出的时间特征和空间特征构建成时空特征向量可以包括以下过程：基于连续型特征确定第一连续型向量、基于离散型特征确定第二连续型向量；将第一连续型向量和第二连续型向量拼接成时空特征向量。

其中，基于连续型特征确定第一连续型向量包括对连续型特征进行缺失值填充，去除异常数据，以及通过归一化方法将连续型特征缩放至预设数值范围内并映射到向量空间中，得到第一连续型向量；基于离散型特征确定第二连续型向量包括通过Embedding技术将离散型特征映射为第二连续型向量，可以使用的Embedding技术的方法包括Word2vec算法、Item2vec算法、Node2vec算法等，本实施例并不对此进行限制。

在一实施例中，接起量可以是接起率与运单量的乘积。

在一实施例中，接起率预测子网络的损失函数为接起率损失函数；运单量预测子网络的损失函数为运单量损失函数；神经网络模型的损失函数为接起率损失函数、运单量损失函数和接起量损失函数的加权和。

其中，接起率损失函数、运单量损失函数和接起量损失函数可以均为MAE损失函数；

或接起率损失函数为WMAE损失函数,运单量损失函数和接起量损失函数为WMAPE损失函数，

或接起率损失函数为WMAE损失函数,运单量损失函数和接起量损失函数为极大似然损失函数。

图6为根据本说明书实施例示出的一种计算机设备的硬件结构示意图。该计算机设备可包括处理器601、存储有机器可执行指令的机器可读存储介质602。处理器601与机器可读存储介质602可经由系统总线603通信。并且，通过读取并执行机器可读存储介质602中与供需预测逻辑对应的机器可执行指令，处理器601可执行上文描述的供需预测方法。

本文提到的机器可读存储介质602可以是任何电子、磁性、光学或其他物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，所述机器可读存储介质602可以包括如下至少一个种存储介质：易失存储器、非易失性存储器、其它类型存储介质。其中，易失性存储器可为RAM(Random Access Memory，随机存取存储器)，非易失性存储器可为闪存、存储驱动器(如硬盘驱动器)、固态硬盘、存储盘(如光盘、DVD等)。

基于上述任意实施例所述的方法，本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时可用于执行上述任意实施例所述的一种供需预测方法。

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。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该申请的保护范围内。

其中，“具体示例”、或“一些示例”等的描述意指结合所述实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。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例或示例。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例或示例中以合适的方式结合。

本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。