一种空气质量预报的方法、系统、装置及存储介质

技术领域

本申请涉及气象预报领域，尤其涉及一种空气质量预报的方法、系统、装置及存储介质。

背景技术

空气质量预报是一项关键的环境监测任务，对于城市规划、公共健康和应急响应等方面具有重要意义。传统的空气质量监测方法主要依赖于有限数量的气象站点和传感器，其数据采集频率和空间分辨率有限，难以全面准确地反映城市内部的空气质量变化。近年来，随着深度学习和机器学习技术的飞速发展，人们开始利用大量的空气质量监测数据、气象数据和其他环境参数，通过训练模型建立空气质量与这些因素之间的复杂关系来实现预报。

常用传统的空气质量预报模型通常使用传感器数据、气象数据等来预报大气中的空气质量，而图神经网络可以考虑地理空间关系，从而更好地捕捉城市或地区内复杂的空气质量变化，优化空气质量的预报结果。

现有技术中，大多数用于空气质量预报的图神经网络(GNN)模型只是简单的把距离作为边的权重。距离仅仅是一个空间因素，而空气质量还受到复杂的气象、地理和人为因素的影响，简单地将距离作为权重无法充分捕捉这些复杂的空气传播机制，从而导致预报结果的准确性受到影响。

发明内容

本申请提供了一种空气质量预报的方法、系统、装置及存储介质，用于提高对多站点空气质量预报的准确性。

本申请第一方面提供了一种空气质量预报的方法，包括：

获取预报区域内各监测站点的经纬度信息和空气质量原始数据；

根据所述经纬度信息计算各节点间的距离相关系数；

根据所述空气质量原始数据计算每个节点的历史因子相关系数和影响因子相关系数；

根据所述距离相关系数、所述历史因子相关系数和所述影响因子相关系数，结合风速信息和风向信息构建图结构；

基于所述图结构建立图神经网络模型并进行训练，使用训练完成的模型和空气质量实时数据进行空气质量预报。

可选的，所述根据所述距离相关系数、所述历史因子相关系数和所述影响因子相关系数，结合风速信息和风向信息构建图结构，包括：

根据所述距离相关系数、所述历史因子相关系数和所述影响因子相关系数，结合预设权重计算临时边权；

根据所述临时边权、风速信息和风向信息计算目标边权；

根据监测站点的节点集合和所述目标边权构建表示图结构的邻接矩阵。

可选的，所述根据所述空气质量原始数据计算每个节点的历史因子相关系数，包括：

根据所述空气质量原始数据确定每个节点的历史目标数据；

计算所述历史目标数据之间的余弦相似度，根据计算结果确定每个节点的历史因子相关系数。

可选的，所述根据所述空气质量原始数据计算每个节点的影响因子相关系数，包括：

根据所述空气质量原始数据确定每个节点的影响因子矩阵，所述影响因子矩阵为在所述空气质量原始数据中剔除预报目标得到的特征矩阵；

通过目标公式计算所述影响因子矩阵的Pearson相关系数，根据计算结果确定每个节点的影响因子相关系数。

可选的，所述目标公式为：

cov(x

其中p

可选的，所述距离相关系数的计算公式为：

其中τ

可选的，所述空气质量原始数据包括：二氧化硫、二氧化氮、臭氧、一氧化碳、PM10、PM2.5、氮氧化合物、一氧化氮、风速、风向、气压、温度和湿度。

本申请第二方面提供了一种空气质量预报的系统，包括：

获取单元，用于获取预报区域内各监测站点的经纬度信息和空气质量原始数据；

第一计算单元，用于根据所述经纬度信息计算各节点间的距离相关系数；

第二计算单元，用于根据所述空气质量原始数据计算每个节点的历史因子相关系数和影响因子相关系数；

构建单元，用于根据所述距离相关系数、所述历史因子相关系数和所述影响因子相关系数，结合风速信息和风向信息构建图结构；

预报单元，用于基于所述图结构建立图神经网络模型并进行训练，使用训练完成的模型和空气质量实时数据进行空气质量预报。

可选的，所述构建单元具体用于：

根据所述距离相关系数、所述历史因子相关系数和所述影响因子相关系数，结合预设权重计算临时边权；

根据所述临时边权、风速信息和风向信息计算目标边权；

根据监测站点的节点集合和所述目标边权构建表示图结构的邻接矩阵。

可选的，所述第二计算单元具体用于：

根据所述空气质量原始数据确定每个节点的历史目标数据；

计算所述历史目标数据之间的余弦相似度，根据计算结果确定每个节点的历史因子相关系数。

可选的，所述第二计算单元具体还用于：

根据所述空气质量原始数据确定每个节点的影响因子矩阵，所述影响因子矩阵为在所述空气质量原始数据中剔除预报目标得到的特征矩阵；

通过目标公式计算所述影响因子矩阵的Pearson相关系数，根据计算结果确定每个节点的影响因子相关系数。

可选的，所述目标公式为：

cov(x

其中ρ

可选的，所述距离相关系数的计算公式为：

其中τ

可选的，所述空气质量原始数据包括：二氧化硫、二氧化氮、臭氧、一氧化碳、PM10、PM2.5、氮氧化合物、一氧化氮、风速、风向、气压、温度和湿度。

本申请第三方面提供了一种空气质量预报的装置，所述装置包括：

处理器、存储器、输入输出单元以及总线；

所述处理器与所述存储器、所述输入输出单元以及所述总线相连；

所述存储器保存有程序，所述处理器调用所述程序以执行第一方面以及第一方面中任一项可选的空气质量预报的方法。

本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上保存有程序，所述程序在计算机上执行时执行第一方面以及第一方面中任一项可选的空气质量预报的方法。

从以上技术方案可以看出，本申请具有以下优点：

距离相关系数的引入能够考虑到不同监测站点之间的地理位置关系，有效捕捉空气污染物在空间上的传播趋势。历史因子相关系数的引入能够充分利用过去时期的空气质量数据，更好地捕捉空气质量的季节性、周期性等时间动态特征。影响因子相关系数的引入能够更全面地考虑与空气质量相关的各种因素。基于此，在建模时结合距离相关系数、历史因子相关系数、影响因子相关系数，再结合风速和风向信息对图结构的边进行赋权，构建出综合考虑多个影响因素的图结构，从而在图神经网络模型中更全面地捕捉空气质量的影响因素。这种综合赋权的图结构为神经网络提供了更丰富的信息输入，使得模型能够更好地拟合空气质量的复杂变化规律，从而提高对多站点空气质量预报的准确性和鲁棒性。

附图说明

为了更清楚地说明本申请中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请提供的空气质量预报的方法一个实施例流程示意图；

图2为本申请提供的空气质量预报的方法另一个实施例流程示意图；

图3为本申请提供的图神经网络模型架构示意图；

图4为本申请提供的空气质量预报的系统一个实施例结构示意图；

图5为本申请提供的空气质量预报的装置一个实施例结构示意图。

具体实施方式

本申请提供了一种空气质量预报的方法、系统、装置及存储介质，用于提高对多站点空气质量预报的准确性。

需要说明的是，本申请提供的空气质量预报的方法，可以应用于终端，还可以应用于服务器上，例如终端可以是智能手机或电脑、平板电脑、智能电视、智能手表、便携计算机终端也可以是台式计算机等固定终端。为方便阐述，本申请中以终端为执行主体进行举例说明。

请参阅图1，图1为本申请提供的空气质量预报的方法的一个实施例，该方法包括：

101、获取预报区域内各监测站点的经纬度信息和空气质量原始数据；

终端首先需要获取预报区域内各监测站点的经纬度信息和空气质量原始数据，该空气质量原始数据为监测站点相关仪器数据中的二氧化硫、二氧化氮、臭氧、一氧化碳、PM10、PM2.5、氮氧化合物、一氧化氮、风速、风向、气压、温度、湿度等数据。

进一步的，终端还需要对空气质量原始数据中的缺失值采用线性插值方法进行填补，即通过已知数据点之间的线性关系来估算缺失值，有助于在监测站点之间的空间关系上维持数据的连续性。而对于原始数据中可能存在的异常值，为确保数据的准确性，终端需要对可能的异常值进行识别和修正，以提高数据的可靠性。为了保证各种数据在模型训练过程中具有相近的尺度，终端还采用零均值标准化方法对数据进行归一化处理，有助于提高后续模型训练时的收敛速度，避免某些特征对模型训练的主导影响。通过以上步骤，终端能够在获得各监测站点的空气质量原始数据时，对数据进行了充分的预处理，确保了数据的完整性、准确性和可用性,为后续的模型训练提供了更为可靠的输入。

102、根据经纬度信息计算各节点间的距离相关系数；

终端根据各监测站点的经纬度信息确定各监测站点(即各节点)之间的实际距离，并计算各节点间的距离相关系数，该距离相关系数用于量化不同监测站点之间的空间关系，使得图结构能够反映真实的地理关系，以便更准确地表达不同监测站点之间的空间依赖性。

103、根据空气质量原始数据计算每个节点的历史因子相关系数和影响因子相关系数；

终端根据各监测站点的空气质量原始数据，计算每个节点的历史因子相关系数和影响因子相关系数，该历史因子相关系数用于反映不同监测站点之间在过去时期空气质量指标上的相似性或相关性，该影响因子相关系数用于反映不同监测站点之间在可能影响空气质量的外部因素上的关联程度。历史因子相关系数和影响因子相关系数的计算考虑了时间上的动态变化，可以帮助模型更好地理解不同站点之间的历史趋势和共同影响因素。

具体的，较高的历史因子相关系数表示不同站点在过去的观测数据上有更强的相似性，这可能是由于它们受到相似的气象条件或源自相似的排放源，有助于模型更好地捕捉空气质量的季节性和周期性变化。较高的影响因子相关系数表示不同站点在影响因子上有更强的关联性，即它们受到相似的外部影响，这有助于模型更全面地考虑到各种可能影响空气质量的因素，提高模型对环境变化的适应性。

104、根据距离相关系数、历史因子相关系数和影响因子相关系数，结合风速信息和风向信息构建图结构；

在构建图结构时，需要结合距离相关系数、历史因子相关系数、影响因子相关系数。其中距离相关系数的引入使得图结构更好地捕捉到各监测站点之间的空间关系，较近的站点具有较高的边权重，而较远的站点具有较低的边权重，有助于模型理解不同站点之间的地理依赖性，使得预报结果更贴近实际的空气质量分布。历史因子相关系数的引入使得图结构能够反映不同站点之间在过去时间段内的空气质量趋势，有助于模型更好地预报季节性和周期性的变化，提高模型对时间动态的理解。影响因子相关系数的引入使得图结构能够更全面地考虑到各种可能影响空气质量的因素，为模型提供更为丰富的背景信息，使其更全面地理解环境的影响。

此外，在构建图结构时还需要考虑风速信息和风向信息，风速和风向是影响空气质量的重要因素之一，将这两个因素融入图结构中，可以更好地考虑风的传播方向，从而更准确地捕捉空气污染物的传输路径，有助于模型更精准地预报不同站点之间的相互影响。

如果仅以节点之间的距离作为权重，描述出来的两个节点之间的相关性系数只会在(0,1)之间，但真实情况是可能存在节点负相关的情况，例如两个节点的风向相反，利于两地污染物都减少，而非从一节点传播到另一节点的关系，从而可以产生(-1,1)的相关系数。因此通过结合距离相关系数、历史因子相关系数、影响因子相关系数、风速和风向信息，终端可以构建一个更为综合、更具有时空动态特性的图结构，这种方式有助于弥补距离相关性的局限性，使得图结构更全面地反映节点之间的复杂关系，有助于模型更全面地学习空气质量的影响因素。

105、基于图结构建立图神经网络模型并进行训练，使用训练完成的模型和空气质量实时数据进行空气质量预报。

终端利用构建好的图结构作为输入，设计图神经网络的结构，并使用历史的空气质量原始数据作为训练集，经过多轮迭代的训练过程，优化模型参数，使得模型学习到节点之间的复杂关系，包括空间依赖性、时间动态性以及影响因子的综合作用。在实际使用过程中，终端将空气质量实时数据输入至已经训练好的模型中，模型则通过学习到的图结构，综合考虑节点之间的距离、历史趋势、影响因子、风速和风向等信息，输出对未来空气质量的预报结果。

传统的基于距离的模型仅考虑了地理位置的相对关系，而本实施例中构建的图结构则综合了空间关系、历史趋势、外部影响因子以及风向风速等多个方面的信息，使得模型更全面地理解不同站点之间的关系，提高模型对复杂环境中各种因素的感知能力。并且图神经网络具有强大的非线性建模能力，能够更灵活地适应复杂的空气质量变化规律，通过综合考虑多个因素构建的图结构，提高了模型对不同站点之间关系的建模能力。

在本实施例中，距离相关系数的引入能够考虑到不同监测站点之间的地理位置关系，有效捕捉空气污染物在空间上的传播趋势。历史因子相关系数的引入能够充分利用过去时期的空气质量数据，更好地捕捉空气质量的季节性、周期性等时间动态特征。影响因子相关系数的引入能够更全面地考虑与空气质量相关的各种因素。基于此，在建模时结合距离相关系数、历史因子相关系数、影响因子相关系数，再结合风速和风向信息对图结构的边进行赋权，构建出综合考虑多个影响因素的图结构，从而在图神经网络模型中更全面地捕捉空气质量的影响因素。这种综合赋权的图结构为神经网络提供了更丰富的信息输入，使得模型能够更好地拟合空气质量的复杂变化规律，从而提高对多站点空气质量预报的准确性和鲁棒性。

下面对本申请提供的空气质量预报的方法进行详细说明，请参阅图2，图2为本申请提供的空气质量预报的方法的另一个实施例，该方法包括：

201、获取预报区域内各监测站点的经纬度信息和空气质量原始数据；

在本实施例中，步骤201与前述实施例步骤101类似，此处不再赘述。

202、根据经纬度信息计算各节点间的距离相关系数；

终端根据各监测站点的经纬度信息确定各监测站点(即各节点)之间的实际距离，通过如下公式确定各节点间的距离相关系数：

其中τ

即如果两个节点之间的实际距离小于预设阈值k，则距离相关系数会随着实际距离的减小而增加，表达了节点之间较近的地理关系。反之，如果实际距离大于等于预设阈值k，则距离相关系数为零，表示节点之间的关系不再以距离为主导。通过该方式计算得到的距离相关系数是动态的，对于较近的节点赋予较大的距离相关系数，对于较远的节点或者超过预设阈值的节点赋予较小或零的距离相关系数，从而构建出更能反映地理空间关系的图结构，同时避免了简单地以距离作为权重可能带来的预报偏差。

需要说明的是，在计算距离相关系数时，如果某两个节点之间的距离相关系数为0，则直接确定这两个节点的历史因子相关系数和影响因子相关系数为0。只有当两个节点之间的距离相关系数不为0时，才继续执行后续步骤203至步骤206以计算节点的历史因子相关系数和影响因子相关系数。也就是只有在两节点之间存在一定的空间关系时，才会进一步考虑其历史因子和影响因子的相关性，从而可以有效排除在地理上距离较远或者不具有实际联系的节点对，避免在模型中引入不必要的复杂性，提高模型的计算效率和预报准确性。

203、根据空气质量原始数据确定每个节点的历史目标数据；

在计算历史因子相关系数时，首先需要确定预报目标，再根据预报目标确定每个节点的历史目标数据。例如预报目标为SO2，则历史目标数据为空气质量原始数据集中的SO2特征项。

204、计算历史目标数据之间的余弦相似度，根据计算结果确定每个节点的历史因子相关系数；

终端计算每两个节点的历史目标数据之间的余弦相似度，衡量节点之间历史目标数据的相似程度，从而评估它们在历史趋势上的关联性，并根据计算结果确定每个节点的历史因子相关系数。具体采用如下公式进行计算：

其中δ

历史因子相关系数可以被看作是一个衡量节点之间历史空气质量趋势相似性的权重，反映了节点之间在过去时间段内的预报目标变化趋势的相似性。通过这种方式能够在历史因子的考虑中更好地捕捉节点之间的相似性，有助于构建图结构时更准确地反映节点之间的历史趋势关系，提高模型对时间动态性的理解。

205、根据空气质量原始数据确定每个节点的影响因子矩阵，影响因子矩阵为在空气质量原始数据中剔除预报目标得到的特征矩阵；

在计算影响因子相关系数时，终端对于每个节点，使用其空气质量原始数据中的所有特征项构成特征矩阵，这包括了各种监测数据，如二氧化硫、一氧化氮、臭氧、一氧化碳、PM10、PM2.5、氮氧化合物、风速、风向、气压、温度、湿度等。此后终端根据预报目标，例如预报目标为SO2，则从特征矩阵中剔除SO2，得到了非预报目标的特征矩阵，即影响因子矩阵。剔除预报目标的目的是确保在计算影响因子相关系数时不包含预报目标本身，以防止在建模中引入不必要的信息。

206、通过目标公式计算影响因子矩阵的Pearson相关系数，根据计算结果确定每个节点的影响因子相关系数；

终端对于每一对节点，计算其对应的影响因子矩阵的Pearson相关系数，该Pearson相关系数用于衡量两个变量之间的线性关系强度和方向。具体的，终端通过目标公式计算得到每个节点的影响因子相关系数，该目标公式为：

cov(x

其中ρ

207、根据距离相关系数、历史因子相关系数和影响因子相关系数，结合预设权重计算临时边权；

对于计算得到的距离相关系数、历史因子相关系数和影响因子相关系数，终端使用预设权重，对上述三种相关系数进行加权求和，得到临时的边权，该临时边权表示了节点之间的综合关联性，同时考虑了地理距离、历史趋势和外部因素等多个因素。该预设权重决定了各相关系数在图结构构建中的相对重要性，通过调整预设权重，可以使模型更加注重某些因素，以满足实际问题中对于关联性的不同侧重点，因此该预设权重可根据不同的应用需求作具体设定。

在一些具体的实施例中，设新的临时边权为

208、根据临时边权、风速信息和风向信息计算目标边权；

终端结合临时边权、风速信息和风向信息，计算最终的目标边权，使得边权能够综合考虑临时边权和气象因素对空气质量传播的影响。

具体的，设置风速为v，风向与边夹角为θ，终端可计算得到风相关系数ε

ε

再通过风相关系数ε

209、根据监测站点的节点集合和目标边权构建表示图结构的邻接矩阵；

终端首先确定所有监测站点的节点集合，即终端构建一个全为0的N*N的邻接矩阵，N代表节点数，每个监测站点对应图中的一个节点。将前述步骤计算得到的目标边权w

进一步的，终端将邻接矩阵压缩为三元组矩阵，矩阵为3*K，其中K为临界矩阵中不为0元素的个数。3分别代表起始节点i、结束节点j、边权。

210、基于图结构建立图神经网络模型并进行训练，使用训练完成的模型和空气质量实时数据进行空气质量预报。

在本实施例中，步骤210与前述实施例步骤105类似，此处不再赘述。

进一步的，在建立图神经网络模型时还需要构建监测时间序列数据和时间特征数据，下面进行详细说明：

构建监测时间序列数据：设置数据滑动步长为T，也为一个单位输入模型数据的时间长度。例如预报24小时将来的结果，需要用48个小时的数据，T为48。设置监测站点个数为S、监测数据特征个数为F。构建一个(T,S,F)的数组。再经过滑动窗口处理数据，生成可用于模型的数据集(N,T,S,F)，当中N为样本个数。

构建时间特征数据：获取监测数据所对应的时间。经处理，拆分出，月、日、星期、小时，构建一个K*4的矩阵，当中4代表月、日、星期、小时，K表示时间的样本个数。也经过滑窗处理，获得(N,K,4)的数组，N为样本个数。

终端结合图结构、监测时间序列数据和时间特征数据构建图神经网络模型，请参阅图3，图3为本申请所构建的图神经网络模型架构示意图，其中模型输入特征包括图结构、监测时间序列数据和时间特征数据，模型输入层包括GNN层：用于处理图结构信息，对节点之间的关系进行学习；多层GRU：用于处理监测时间序列数据，GRU是一种循环神经网络(RNN)的变种，适合处理时间序列数据，有助于捕捉时间相关的动态模式；MLP_1：第一个MLP层用于处理时间特征数据，学习时间特征之间的非线性关系；MLP_2：第二个MLP层用于综合处理GNN输出、GRU输出和MLP_1输出，学习不同层之间的权重和非线性关系，以更综合地考虑各个数据来源。这样的结构充分利用了图神经网络(GNN)和循环神经网络(GRU)等模型的能力，结合了空间关系、时间序列和时间特征的信息，模型最后输出多站点的空气质量预报结果。

在本实施例中，通过将距离相关系数、历史因子相关系数和影响因子相关系数和预设权重相结合计算临时边权，以满足实际问题中对于关联性的不同侧重点，使模型更贴近实际情况，更好地反映不同因素对空气质量的影响程度。再使用临时边权结合风速和风向信息计算目标边权，通过目标边权对图结构的边进行赋权，这种综合赋权的方式使得模型能够更全面地考虑多个影响因素，不仅包括了空间关系、历史趋势和影响因子，还考虑了大气运动对空气质量传播的影响，由此构建出更为复杂和丰富的图结构。这样的图结构为神经网络提供了更丰富的信息输入，使得模型能够更好地拟合空气质量的复杂变化规律，从而提高对多站点空气质量预报的准确性和鲁棒性。

下面对本申请提供的空气质量预报的系统进行详细说明，请参阅图4，图4为本申请提供的空气质量预报的系统另一个实施例，该系统包括：

获取单元401，用于获取预报区域内各监测站点的经纬度信息和空气质量原始数据；

第一计算单元402，用于根据经纬度信息计算各节点间的距离相关系数；

第二计算单元403，用于根据空气质量原始数据计算每个节点的历史因子相关系数和影响因子相关系数；

构建单元404，用于根据距离相关系数、历史因子相关系数和影响因子相关系数，结合风速信息和风向信息构建图结构；

预报单元405，用于基于图结构建立图神经网络模型并进行训练，使用训练完成的模型和空气质量实时数据进行空气质量预报。

可选的，构建单元404具体用于：

根据距离相关系数、历史因子相关系数和影响因子相关系数，结合预设权重计算临时边权；

根据临时边权、风速信息和风向信息计算目标边权；

根据监测站点的节点集合和目标边权构建表示图结构的邻接矩阵。

可选的，第二计算单元403具体用于：

根据空气质量原始数据确定每个节点的历史目标数据；

计算历史目标数据之间的余弦相似度，根据计算结果确定每个节点的历史因子相关系数。

可选的，第二计算单元403具体还用于：

根据空气质量原始数据确定每个节点的影响因子矩阵，影响因子矩阵为在空气质量原始数据中剔除预报目标得到的特征矩阵；

通过目标公式计算影响因子矩阵的Pearson相关系数，根据计算结果确定每个节点的影响因子相关系数。

可选的，目标公式为：

cov(x

其中ρ

可选的，距离相关系数的计算公式为：

其中τ

可选的，空气质量原始数据包括：二氧化硫、二氧化氮、臭氧、一氧化碳、PM10、PM2.5、氮氧化合物、一氧化氮、风速、风向、气压、温度和湿度。

本实施例系统中，各单元的功能与前述图1或图2所示方法实施例中的步骤对应，此处不再赘述。

本申请还提供了一种空气质量预报的装置，请参阅图5，图5为本申请提供的空气质量预报的装置一个实施例，该装置包括：

处理器501、存储器502、输入输出单元503、总线504；

处理器501与存储器502、输入输出单元503以及总线504相连；

存储器502保存有程序，处理器501调用程序以执行如上任一空气质量预报的方法。

本申请还涉及一种计算机可读存储介质，计算机可读存储介质上保存有程序，其特征在于，当程序在计算机上运行时，使得计算机执行如上任一空气质量预报的方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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。

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单元来实现本实施例方案的目的。

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。

所述集成的单元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，本申请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全部或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)执行本申请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-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代码的介质。