一种时空轨迹生成方法、装置、计算机设备及存储介质

技术领域

本申请属于地理信息系统技术领域，特别涉及一种时空轨迹生成方法、装置、计算机设备以及存储介质。

背景技术

人类日常活动的出行轨迹可以被定义为一个时间序列T＝[x

个体轨迹生成问题可以定义为给定一个真实世界的轨迹数据集T＝[x

其中，θ是生成模型G的参数。

在目前的轨迹生成问题研究主要包括两种方案。第一种方案是根据空间连续性、时间周期性等人类流动性规律进行建模的机理模型，这种模型通过定量统计大量人类时空行为事件，发现其中隐含的统计规律，进而提出机制假设对个体移动过程进行建模。然而，当前机理模型中的空间选择行为机制考虑空间异质性和空间相关性的方式也仅限于人口分布和距离衰减，过于抽象简略，没有较好地刻画复杂地理环境对个体移动过程的影响以及人地交互关系，不能够较好的捕捉到轨迹数据中复杂的非线性关系。为了解决第一种方案的不足，伴随着近年来机器学习领域的兴起，便衍生出了第二种建模方案，即用深度神经网络捕捉人类流动性中难以观察和探寻到的规律。在目前的研究中，大多数方案都采用生成对抗网络(Generative Adversarial Network，简称GAN)或变分自编码器(VariationalAutoencoders，简称VAE)来解决此类问题，通过利用深度神经网络学习真实数据中的分布，在统计层面上生成与真实数据具有相同分布的合成轨迹数据。然而，该方法没有学习人类群体流动性中的先验知识，从而导致生成轨迹的质量低下。虽然目前已经有研究将先验知识注入到模型当中，但仍然是通过神经网络学习真实数据的分布来进行采样，以这种方式生成的轨迹很难符合人类日常出行模式。

发明内容

本申请提供了一种时空轨迹生成方法、装置、计算机设备以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种时空轨迹生成方法，包括：

获取研究区域内真实的城市轨迹数据，对所述城市轨迹数据进行多空间尺度划分及预处理，生成包含街道ID、社区ID以及个体活动类型的出行轨迹序列；

对所述出行轨迹序列进行嵌入表示和位置编码，并采用Transformer模型提取所述出行轨迹序列的时空信息；

将所述出行轨迹序列的时空信息输入到生成对抗网络，通过所述生成对抗网络生成多尺度时空轨迹数据；其中，所述多尺度时空轨迹数据包括街道层面的时空轨迹数据以及社区层面的时空轨迹数据。

本申请实施例采取的技术方案还包括：所述城市轨迹数据格式为[经度,纬度，时间戳t]，所述获取研究区域内真实的城市轨迹数据，对所述城市轨迹数据进行多空间尺度划分及预处理具体为：

将所述研究区域在空间上划分为街道层面和社区层面两种粒度的空间单元；

针对每条城市轨迹数据，根据设定时间段对个体活动地点进行标记，并根据标记结果对个体活动类型进行分类，生成每条城市轨迹数据对应的个体活动类型序列，将每条城市轨迹数据表示为具有设定时间间隔且包含街道ID、社区ID以及个体活动类型的出行轨迹序列。

本申请实施例采取的技术方案还包括：所述根据标记结果对个体活动类型进行分类，生成每条城市轨迹数据对应的个体活动类型序列具体为：

基于日常活动规律，将个体在不同时间段内的活动地点分别标记为居住地点、工作地点或其他，将居住地点对应的个体活动类型标记为"家(H)"，将工作地点对应的个体活动类型标记为"工作(W)"；如果工作地点与居住地点位于同一空间单元，则个体活动类型序列为"家"，将除"家(H)"和"工作(W)"以外的个体活动类型标记为"其他"，并根据活动发生时间将同一个体在不同地点的"其他"活动类型标记为"其他1"、"其他2"。

本申请实施例采取的技术方案还包括：对所述出行轨迹序列进行嵌入表示和位置编码，并采用Transformer模型提取所述出行轨迹序列的时空信息具体为：

将时间戳t、个体活动类型、街道ID和社区ID四种数据作为编码器的输入数据，并通过四个不同的嵌入层分别提取四种输入数据的时空信息，得到四个嵌入向量，将四个嵌入向量进行合并，得到时空信息的稠密向量表示e

其中，j依次表示四种输入数据，e

采用正余弦函数对向量表示e

上述公式中，W

本申请实施例采取的技术方案还包括：所述将所述出行轨迹序列的时空信息输入到生成对抗网络，通过所述生成对抗网络生成多尺度时空轨迹数据之前，还包括：

将所述出行轨迹序列的时空信息输入生成对抗网络进行预训练；其中，所述生成对抗网络包括生成器和判别器，所述生成对抗网络的预训练训练包括生成器预训练和判别器预训练；

所述生成器预训练过程包括：使用下一个轨迹点预测的任务，比较生成器生成的时空轨迹数据和真实的城市轨迹数据的一致性对生成器进行预训练，在预训练过程中，所述生成器采用多任务训练的方式进行时空轨迹数据生成，首先生成个体活动类型，然后通过所述个体活动类型分别进行街道层面的时空轨迹数据生成以及社区层面的时空轨迹数据生成，并通过NLL损失函数对个体活动类型、街道层面的时空轨迹数据和社区层面的时空轨迹数据三个生成任务同时进行训练，对三个训练任务分别进行梯度更新，加强数据生成过程的时空约束；

所述判别器预训练过程包括：设计二分类任务预训练判别器，对所述真实的城市轨迹数据和生成器生成的时空轨迹数据分别进行真伪标签标记，将标记后的数据作为所述判别器的输入，真伪标签作为所述判别器的输出对判别器进行预训练，并通过NLL损失函数对所述判别器进行优化。

本申请实施例采取的技术方案还包括：所述将所述出行轨迹序列的时空信息输入生成对抗网络进行预训练之后，还包括：

将所述出行轨迹序列的时空信息输入预训练完成后的生成对抗网络进行对抗训练，并利用空间一致性损失函数对所述生成对抗网络进行优化，得到训练好的生成对抗网络。

本申请实施例采取的技术方案还包括：所述生成对抗网络的对抗训练包括生成器对抗训练和判别器对抗训练，所述生成器对抗训练过程包括：将所述生成器的时空轨迹数据生成过程视为马尔科夫决策过程，将所述生成器视为智能体，在对抗训练过程中，遵循REINFORCE算法利用策略梯度对所述生成器进行更新：

其中，x为状态，即当前生成器生成的时空轨迹数据，R(x)为对抗训练阶段的损失函数，θ为生成器G的参数，根据策略梯度

本申请实施例采取的另一技术方案为：一种时空轨迹生成装置，包括：

数据获取模块：用于获取研究区域内真实的城市轨迹数据，对所述城市轨迹数据进行多空间尺度划分及预处理，生成包含街道ID、社区ID以及个体活动类型的出行轨迹序列；

信息提取模块：用于对所述出行轨迹序列进行嵌入表示和位置编码，并采用Transformer模型提取所述出行轨迹序列的时空信息；

轨迹生成模块：用于将所述出行轨迹序列的时空信息输入到生成对抗网络，通过所述生成对抗网络生成多尺度时空轨迹数据；其中，所述多尺度时空轨迹数据包括街道层面的时空轨迹数据以及社区层面的时空轨迹数据。

本申请实施例采取的又一技术方案为：一种计算机设备，所述计算机设备包括处理器、与所述处理器耦接的存储器，其中，

所述存储器存储有用于实现所述时空轨迹生成方法的程序指令；

所述处理器用于执行所述存储器存储的所述程序指令以控制时空轨迹生成方法。

本申请实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述时空轨迹生成方法。

相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的时空轨迹生成方法、装置、计算机设备以及存储介质通过对个体活动类型进行分类，再根据个体活动类型进行时空轨迹数据生成，有助于捕捉到个体出行特性，使生成的时空轨迹数据更加符合人类日常出行模式。在时空轨迹数据生成过程中，利用多空间尺度生成方式先在较大的街道层面上生成时空轨迹数据，再根据街道层面上的时空轨迹数据在较小的社区层面上生成时空轨迹数据，从而使得生成的时空轨迹数据更具有连续性。在时空轨迹数据生成过程中，通过空间一致性损失函数加强空间约束，以确保时空轨迹数据生成过程中的空间一致性，使生成的时空轨迹数据更加真实。

附图说明

图1是本申请第一实施例的时空轨迹生成方法的流程图；

图2是本申请第二实施例的时空轨迹生成方法的流程图；

图3为本申请实施例中多空间尺度划分后的街道层面和社区层面人口分布图，其中，(a)为街道层面人口分布，(b)为社区层面人口分布；

图4是本申请实施例的Transformer模型结构示意图；

图5为本申请实施例的时空轨迹生成装置结构示意图；

图6为本申请实施例的计算机设备结构示意图；

图7为本申请实施例的存储介质的结构示意图。

具体实施方式

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，所描述的实施例仅是本申请的一部分实施例，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。

本申请中的术语“第一”、“第二”、“第三”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”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。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、产品或计算机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、产品或计算机设备固有的其它步骤或单元。

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。

请参阅图1，是本申请第一实施例的时空轨迹生成方法的流程图。本申请第一实施例的时空轨迹生成方法包括以下步骤：

S100：获取研究区域内真实的城市轨迹数据，对所述城市轨迹数据进行多空间尺度划分及预处理，生成包含街道ID、社区ID以及个体活动类型的出行轨迹序列；

S110：对所述出行轨迹序列进行嵌入表示和位置编码，并采用Transformer模型提取所述出行轨迹序列的时空信息；

S120：将所述出行轨迹序列的时空信息输入到生成对抗网络，通过所述生成对抗网络生成多尺度时空轨迹数据；其中，所述多尺度时空轨迹数据包括街道层面的时空轨迹数据以及社区层面的时空轨迹数据。

请参阅图2，是本申请第二实施例的时空轨迹生成方法的流程图。本申请第二实施例的时空轨迹生成方法包括以下步骤：

S200：获取研究区域内真实的城市轨迹数据，并对城市轨迹数据进行多空间尺度划分及预处理，生成包含街道ID、社区ID以及个体活动类型的出行轨迹序列；

本步骤中，获取的城市轨迹数据格式为[经度,纬度，时间戳t]，对城市轨迹数据进行的多空间尺度划分及预处理过程包括：

S201：将研究区域在空间上划分为街道层面和社区层面两种粒度的空间单元；具体如图3所示，为本申请实施例中多空间尺度划分后的街道层面和社区层面人口分布图，其中，(a)为街道层面人口分布，(b)为社区层面人口分布。

S202：针对每条城市轨迹数据，根据设定时间段对个体活动地点进行标记，并根据标记结果对个体活动类型进行分类，生成每条城市轨迹数据的个体活动类型序列，将每条城市轨迹数据表示为如下表1所示的具有设定时间间隔(Time Slot)且包含街道ID(Township ID)、社区ID(Community ID)以及个体活动类型(Activity Type)的出行轨迹序列；其中，个体活动类型分类方式为：基于日常活动规律，将个体在不同时间段内的活动地点分别标记为居住地点、工作地点或娱乐等，将居住地点对应的个体活动类型标记为"家(H)"，将工作地点对应的个体活动类型标记为"工作(W)"，如果工作地点与居住地点位于同一空间单元，则个体活动类型序列被识别为"家"类型。例如，将个体在设定时间段21:00至次日6:00期间逗留时间最长的活动地点标记为居住地点，对应的个体活动类型被标记为"家(H)"；将个体在设定时间段9:00至18:00期间逗留时间最长的非居住地点标记为工作地点，对应的个体活动类型被标记为"工作(W)"。由于购物和娱乐等其他活动类型难以从城市轨迹数据中准确识别，为便于区分，本申请实施例将除"家(H)"和"工作(W)"以外的个体活动类型标记为"其他"，并根据活动发生时间将同一个体在不同地点的"其他"活动类型标记为"其他1(O1)"、"其他2(O2)"等。

表1.出行轨迹序列示例

其中，本申请实施例设定时间间隔(Time Slot)为1小时，具体可根据实际应用场景进行设置。

S210：对出行轨迹序列进行嵌入表示和位置编码，并采用Transformer模型提取出行轨迹序列的时空信息；

本步骤中，为了能够捕捉到人类流动性中复杂的转换规律，本申请实施例采用Transformer模型中的Encoder(编码器)提取出行轨迹序列中的时空信息。具体如图4所示，是本申请实施例的Transformer模型结构示意图。基于Transformer模型的嵌入表示具体为：首先，将时间戳t、个体活动类型a、街道ID s和社区IDc四种数据作为输入数据，并通过四个不同的嵌入层分别提取四种数据的时空信息，得到四个嵌入向量；然后，将四个嵌入向量进行合并，得到时空信息的稠密向量表示e

其中，j依次表示四种输入数据，e

由于在Transformer模型中没有递归运算，无法识别出行轨迹序列中的时空信息。因此，如图4所示，在将向量表示e

公式(3)中，W

S220：将出行轨迹序列的时空信息输入生成对抗网络进行预训练，通过生成对抗网络生成时空轨迹数据；

本步骤中，如图4所示，生成对抗网络包括生成器(Generator)和判别器(Discriminator)两部分，本申请实施例通过对生成器和判别器分别进行预训练，以保证两者具有基本的生成和判别能力。具体的，本申请实施例采用Transformer模型的Encoder作为生成器，生成器预训练过程包括：使用下一个轨迹点预测的任务，通过比较生成的时空轨迹数据和真实的城市轨迹数据的一致性对生成器进行预训练。在预训练过程中，生成器采用多任务训练的方式进行时空轨迹数据生成，首先生成个体活动类型(Activity Type)，然后通过个体活动类型分别进行街道层面(Township)的时空轨迹数据以及社区层面(Community)的时空轨迹数据生成。并通过NLL(Negative Log Likelihood Loss，负对数似然损失，简称NLL)损失函数对个体活动类型(Activity Type)、街道层面(Township)的时空轨迹数据和社区层面(Community)的时空轨迹数据三个生成任务同时进行训练，对三个训练任务分别进行梯度更新以加强数据生成过程的时空约束。

如图4所示，本申请实施例采用卷积神经网络(Convolutional Neural Network，简称CNN)作为判别器，用于判别数据的真伪。具体的，判别器预训练过程包括：设计二分类任务预训练判别器，对真实的城市轨迹数据和生成器生成的时空轨迹数据分别进行真伪标签标记，其中真实的城市轨迹数据标记为1，生成器生成的时空轨迹数据标记为0，将标记后的数据作为判别器的输入，真伪标签作为判别器的输出对判别器进行预训练，即判别为真则输出1，判别为假则输出0，并通过NLL损失函数对判别器进行优化。

S230：将出行轨迹序列的时空信息输入预训练完成后的生成对抗网络进行对抗训练，通过生成对抗网络生成时空轨迹数据，并利用空间一致性损失函数对生成对抗网络进行优化，得到训练好的生成对抗网络；

本步骤中，生成对抗网络的对抗训练包括生成器对抗训练和判别器对抗训练两个部分，其中，生成器对抗训练过程包括：将生成器的时空轨迹数据生成过程视为马尔科夫决策过程(Markov Decision Process，简称MDP)，将生成器视为智能体。在对抗训练时，遵循REINFORCE算法利用策略梯度对生成器进行更新：

其中，x为状态，即当前生成器生成的时空轨迹数据，R(x)为对抗训练阶段的损失函数，θ为生成器G的参数。根据策略梯度

在生成器对抗训练阶段，本申请实施例除使用判别器对生成的时空轨迹数据进行评估的序列损失函数(Sequential Loss)之外，还创新性设计了空间一致性损失函数(Spatial Consistency Loss)对多尺度生成过程加以约束，从而保证多空间尺度生成的真实性。具体地，一个街道中包含若干个社区，相应一个社区也会对应一个街道，基于此规则，本申请实施例通过建立{社区id：街道id}字典，通过该字典查询社区到街道的映射。在多任务生成过程中，生成器会分别生成街道层面的时空轨迹数据

其中，n为生成器生成的时空轨迹数据的长度，C

判别器对抗训练方式与S220中的判别器预训练方式一致，为避免冗余，此处不再赘述。

S240：对生成对抗网络生成的时空轨迹数据进行质量评估；

本步骤中，通过将本申请实施例的生成对抗网络分别与DITRAS、LSTM、SeqGAN和Movesim四种模型进行对比，以对生成对抗网络生成的时空轨迹数据进行质量评估。其中，DITRAS是用于分析人类移动性和行为的计算模型，被设计用于从大规模的位置数据中提取和识别个体的轨迹和移动行为模式，并揭示人类的流动性特征。LSTM是一种特殊的循环神经网络(Recurrent Neural Network，简称RNN)，用于处理和预测时间序列数据。SeqGAN通过将生成对抗网络(GAN)与强化学习(Reinforcement Learning，简称RL)相结合，使GAN能够进行离散数据的生成，为序列数据生成提供了一种创新框架。Movesim是一种将人口分布的先验知识和人类流动性规律与SeqGAN相结合。

具体的，在进行时空轨迹数据质量评估时，主要对比模型生成的时空轨迹数据和真实的城市轨迹数据的整体分布是否一致。本申请实施例采用等待时间、回转半径、移动步长、I-rank和G-rank五个可以反映人类流动性模式的指标对生成的时空轨迹数据进行质量评估，具体地：

等待时间：由于训练数据和生成数据都是等间隔的，因此等待时间Δt不是直观上两个连续点之前的相隔时间，而是等效于在同一个位置的消耗时间。

回转半径.：用来描述个体在日常活动中的移动范围或行动半径，表示个体通常在多大的范围内进行活动、旅行或社交。

移动步长：表示为个体在移动过程中两个连续点所覆盖的距离或空间范围。

I-rank：基于个体的居住地点、出行距离、移动频率等特征和行为衡量个体在整个群体中的位置，根据个体在空间中的位置或移动行为对其进行排名或评级。

G-rank：是根据群体在空间中的分布或流动性对不同群体进行排名或评级的指标。它关注整个群体的集体行为和特征，例如不同区域的人口密度、人群流动的规模和方向等。

通过计算测试集与生成的时空轨迹数据集关于以上五个指标的KL散度来衡量两者之间的相似性，从而可以直观的看到量化后的结果。KL散度计算公式如下：

其中，P(x)表示测试集数据的分布，Q(x)表示生成的时空轨迹数据集的分布，KL散度通常情况下是非负的，KL散度值越接近0说明Q(x)越接近于P(x)。

具体如下表2所示，为本申请实施例的生成对抗网络与上述四种模型的性能比较，其中指标数值越小越好，加粗表示在五个模型中表现最优，下划线表示在五个模型中表现次优：

表2.本申请实施例与四种模型的性能比较

由表2可知，本申请实施例的生成对抗网络在等待时间、回转半径、移动步长和I-rank四项指标上均优于其他四种模型，G-rank仅次于LSTM，效果次优。

基于上述，本申请实施例的时空轨迹生成方法通过对个体活动类型进行分类，再根据个体活动类型进行时空轨迹数据生成，有助于捕捉到个体出行特性，使生成的时空轨迹数据更加符合人类日常出行模式。在时空轨迹数据生成过程中，利用多空间尺度生成方式先在较大的街道层面上生成时空轨迹数据，再根据街道层面上的时空轨迹数据在较小的社区层面上生成时空轨迹数据，从而使得生成的时空轨迹数据更具有连续性。在时空轨迹数据生成过程中，通过空间一致性损失函数加强空间约束，以确保时空轨迹数据生成过程中的空间一致性，使生成的时空轨迹数据更加真实。

请参阅图5，为本申请实施例的时空轨迹生成装置结构示意图。本申请实施例的时空轨迹生成装置40包括：

数据获取模块41：用于获取研究区域内真实的城市轨迹数据，对所述城市轨迹数据进行多空间尺度划分及预处理，生成包含街道ID、社区ID以及个体活动类型的出行轨迹序列；

信息提取模块42：用于对所述出行轨迹序列进行嵌入表示和位置编码，并采用Transformer模型提取所述出行轨迹序列的时空信息；

轨迹生成模块43：用于将所述出行轨迹序列的时空信息输入到生成对抗网络，通过所述生成对抗网络生成多尺度时空轨迹数据；其中，所述多尺度时空轨迹数据包括街道层面的时空轨迹数据以及社区层面的时空轨迹数据。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

本申请实施例提供的装置可以应用在前述方法实施例中，详情参见上述方法实施例的描述，在此不再赘述。

请参阅图6，为本申请实施例的计算机设备结构示意图。该计算机设备50包括：

存储有可执行程序指令的存储器51；

与存储器51连接的处理器52；

处理器52用于调用存储器51中存储的可执行程序指令并执行以下步骤：获取研究区域内真实的城市轨迹数据，对所述城市轨迹数据进行多空间尺度划分及预处理，生成包含街道ID、社区ID以及个体活动类型的出行轨迹序列；对所述出行轨迹序列进行嵌入表示和位置编码，并采用Transformer模型提取所述出行轨迹序列的时空信息；将所述出行轨迹序列的时空信息输入生成对抗网络，通过所述生成对抗网络生成多尺度时空轨迹数据；其中，所述多尺度时空轨迹数据包括街道层面的时空轨迹数据以及社区层面的时空轨迹数据。

其中，处理器52还可以称为CPU(Central Processing Unit，中央处理单元)。处理器52可能是一种集成电路芯片，具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

请参阅图7，为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现以下步骤的程序指令61：获取研究区域内真实的城市轨迹数据，对所述城市轨迹数据进行多空间尺度划分及预处理，生成包含街道ID、社区ID以及个体活动类型的出行轨迹序列；对所述出行轨迹序列进行嵌入表示和位置编码，并采用Transformer模型提取所述出行轨迹序列的时空信息；将所述出行轨迹序列的时空信息输入生成对抗网络，通过所述生成对抗网络生成多尺度时空轨迹数据；其中，所述多尺度时空轨迹数据包括街道层面的时空轨迹数据以及社区层面的时空轨迹数据。其中，该程序指令61可以以软件产品的形式存储在上述存储介质中，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，或者网络计算机设备等)或处理器(processor)执行本申请各个实施方式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-OnlyMemory)、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指令的介质，或者是计算机、服务器、手机、平板等终端计算机设备。其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

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，以上所描述的系统实施例仅仅是示意性的，例如，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。

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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。