一种信息处理方法、装置及设备

技术领域

本发明涉及通信技术领域，尤其涉及一种信息处理方法、装置及设备。

背景技术

传统的时序预测方法通常是基于自回归方法对每个单指标进行单独建模，该类方法在少量指标的情况下预测效果较好、效率较高，但是该方法仅针对单指标预测，无法建模其他指标的影响因素，导致准确率受限，并且难以实现上万数量级别的指标建模工作。基于线性回归的方法无法捕捉多变量间复杂的非线性关系、高斯过程的复杂度是指标数量的三次方、回声状态网络超参数需要人工经验进行设置且对噪声过于敏感，导致这些方法难以广泛应用于多元时间序列预测领域。近年来，有学者引入时空图神经网络进行多指标预测，但是多指标间的结构信息通常是固定的，而实际应用中多维变量间的关系是动态变化的，导致其准确性有限，且基于图神经网络的预测方法复杂度高、对资源要求高。此外，基于图神经网络的方法通常只能提取短期时间。

由上可知，现有的时序预测方法存在以下几点不足：

1.大多针对单指标预测，无法考量其他指标的复杂非线性影响，预测结果不精准。

2.面对上万数量级的指标数据预测任务，开发工作量大，调参难，时间成本和开发成本较高。

3.模型复杂度高，鲁棒性较差。

具体的，现有技术中针对时序预测的信息处理方案存在预测精准度低、效率低、实现成本高、复杂度高等问题。

发明内容

本发明的目的在于提供一种信息处理方法、装置及设备，以解决现有技术中针对时序预测的信息处理方案预测精准度低、效率低、实现成本高、复杂度高的问题。

为了解决上述技术问题，本发明实施例提供一种信息处理方法，包括：

获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；

根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；

利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值。

可选的，所述获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征，包括：

将所述至少两个指标参数的历史数据，按照第一时长，划分为Y个样本；

通过主成分分析技术PCA，获取各样本的主成分嵌入数据；

通过神经网络中零填充的卷积层，获取各样本的短期融合特征；

其中，Y为大于1的整数。

可选的，所述通过神经网络中零填充的卷积层，获取各样本的短期融合特征，包括：

使用神经网络中零填充的卷积层，获取所述样本的第一融合特征；所述第一融合特征是指在第二时长内的融合特征；

使用无池化、最大值池化以及平均值池化，对所述第一融合特征分别进行处理，得到三类的融合特征；

将所述三类的融合特征，按照通道维度进行拼接，得到所述样本的短期融合特征；

其中，所述第二时长小于第一阈值。

可选的，所述根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：

将所述主成分嵌入数据和短期融合特征进行拼接后，通过神经网络中的两层扩张卷积层提取长期特征；

将所述长期特征，输入所述神经网络的全连接层中，得到所述至少两个指标参数分别在第一时刻的预测值；

根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型；

其中，所述长期特征是在第三时长内的融合特征；所述第三时长大于第二阈值。

可选的，所述根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：

根据第一损失函数、所述预测值以及对应的真实值，获取损失值收敛时对应的、能够对所述至少两个指标参数进行联合预测的预测模型。

本发明实施例还提供了一种信息处理装置，包括：

第一获取模块，用于获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；

第一处理模块，用于根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；

第二获取模块，用于利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值。

可选的，所述获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征，包括：

将所述至少两个指标参数的历史数据，按照第一时长，划分为Y个样本；

通过主成分分析技术PCA，获取各样本的主成分嵌入数据；

通过神经网络中零填充的卷积层，获取各样本的短期融合特征；

其中，Y为大于1的整数。

可选的，所述通过神经网络中零填充的卷积层，获取各样本的短期融合特征，包括：

使用神经网络中零填充的卷积层，获取所述样本的第一融合特征；所述第一融合特征是指在第二时长内的融合特征；

使用无池化、最大值池化以及平均值池化，对所述第一融合特征分别进行处理，得到三类的融合特征；

将所述三类的融合特征，按照通道维度进行拼接，得到所述样本的短期融合特征；

其中，所述第二时长小于第一阈值。

可选的，所述根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：

将所述主成分嵌入数据和短期融合特征进行拼接后，通过神经网络中的两层扩张卷积层提取长期特征；

将所述长期特征，输入所述神经网络的全连接层中，得到所述至少两个指标参数分别在第一时刻的预测值；

根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型；

其中，所述长期特征是在第三时长内的融合特征；所述第三时长大于第二阈值。

可选的，所述根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：

根据第一损失函数、所述预测值以及对应的真实值，获取损失值收敛时对应的、能够对所述至少两个指标参数进行联合预测的预测模型。

本发明实施例还提供了一种信息处理设备，包括：处理器和收发机；

所述处理器，用于获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；

根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；

利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值。

可选的，所述获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征，包括：

将所述至少两个指标参数的历史数据，按照第一时长，划分为Y个样本；

通过主成分分析技术PCA，获取各样本的主成分嵌入数据；

通过神经网络中零填充的卷积层，获取各样本的短期融合特征；

其中，Y为大于1的整数。

可选的，所述通过神经网络中零填充的卷积层，获取各样本的短期融合特征，包括：

使用神经网络中零填充的卷积层，获取所述样本的第一融合特征；所述第一融合特征是指在第二时长内的融合特征；

使用无池化、最大值池化以及平均值池化，对所述第一融合特征分别进行处理，得到三类的融合特征；

将所述三类的融合特征，按照通道维度进行拼接，得到所述样本的短期融合特征；

其中，所述第二时长小于第一阈值。

可选的，所述根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：

将所述主成分嵌入数据和短期融合特征进行拼接后，通过神经网络中的两层扩张卷积层提取长期特征；

将所述长期特征，输入所述神经网络的全连接层中，得到所述至少两个指标参数分别在第一时刻的预测值；

根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型；

其中，所述长期特征是在第三时长内的融合特征；所述第三时长大于第二阈值。

可选的，所述根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：

根据第一损失函数、所述预测值以及对应的真实值，获取损失值收敛时对应的、能够对所述至少两个指标参数进行联合预测的预测模型。

本发明实施例还提供了一种信息处理设备，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程序；所述处理器执行所述程序时实现上述的信息处理方法。

本发明实施例还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的信息处理方法中的步骤。

本发明的上述技术方案的有益效果如下：

上述方案中，所述信息处理方法通过获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值；能够实现基于深度学习的多指标预测方案，具体的，同时对多指标进行统一建模，自适应提取主成分(即主要影响成分，可过滤冗余信息)以及短期融合特征(可自适应挖掘多指标时序间复杂的非线性影响关系，方便调参，效率高，节省时间成本)，从而实现多指标的同时预测任务，可提高预测准确率，且鲁棒性较强、复杂度较低、泛化能力强；很好的解决了现有技术中针对时序预测的信息处理方案预测精准度低、效率低、实现成本高、复杂度高的问题。

附图说明

图1为本发明实施例的信息处理方法流程示意图；

图2为本发明实施例的信息处理方法具体实现流程示意图；

图3为本发明实施例的信息处理装置结构示意图；

图4为本发明实施例的信息处理设备结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的技术中针对时序预测的信息处理方案预测精准度低、效率低、实现成本高、复杂度高的问题，提供一种信息处理方法，如图1所示，包括：

步骤11：获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；

步骤12：根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；

步骤13：利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值。

其中，所述短期融合特征是指第四时长内的融合特征；第四时长可以小于第一阈值。

本发明实施例提供的所述信息处理方法通过获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值；能够实现基于深度学习的多指标预测方案，具体的，同时对多指标进行统一建模，自适应提取主成分(即主要影响成分，可过滤冗余信息)以及短期融合特征(可自适应挖掘多指标时序间复杂的非线性影响关系，方便调参，效率高，节省时间成本)，从而实现多指标的同时预测任务，可提高预测准确率，且鲁棒性较强、复杂度较低、泛化能力强；很好的解决了现有技术中针对时序预测的信息处理方案预测精准度低、效率低、实现成本高、复杂度高的问题。

其中，所述获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征，包括：将所述至少两个指标参数的历史数据，按照第一时长，划分为Y个样本；通过主成分分析技术PCA，获取各样本的主成分嵌入数据；通过神经网络中零填充的卷积层，获取各样本的短期融合特征；其中，Y为大于1的整数。

关于历史数据的划分，可理解为：历史数据存在对应的时刻，在时间维度上，把历史数据(指标值)划分为多组；其中，是将每一个指标参数的历史数据都划分样本，最后的样本是一个多维的矩阵。

本发明实施例中，所述通过神经网络中零填充的卷积层，获取各样本的短期融合特征，包括：使用神经网络中零填充的卷积层，获取所述样本的第一融合特征；所述第一融合特征是指在第二时长内的融合特征；使用无池化、最大值池化以及平均值池化，对所述第一融合特征分别进行处理，得到三类的融合特征；将所述三类的融合特征，按照通道维度进行拼接，得到所述样本的短期融合特征；其中，所述第二时长小于第一阈值。

第一阈值可以是5分钟，对应的，第一融合特征就是5分钟以内的融合特征；关于“三类的融合特征”，就是使用的三种处理方式(无池化、最大值池化以及平均值池化)，每种方式得到一类融合特征，共得到三类的融合特征。关于通道维度，可以理解为卷积核的个数。

其中，所述根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：将所述主成分嵌入数据和短期融合特征进行拼接后，通过神经网络中的两层扩张卷积层提取长期特征；将所述长期特征，输入所述神经网络的全连接层中，得到所述至少两个指标参数分别在第一时刻的预测值；根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型；其中，所述长期特征是在第三时长内的融合特征；所述第三时长大于第二阈值。第二阈值大于或等于第一阈值。

这样结合神经网络能够准确快速的进行数据处理，进而得到精度较高的预测模型。

本发明实施例中，所述根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：根据第一损失函数、所述预测值以及对应的真实值，获取损失值收敛时对应的、能够对所述至少两个指标参数进行联合预测的预测模型。

这样能够训练得到性能较好的预测模型。关于第一损失函数具体可以是均方误差MSE函数，但并不以此为限。

下面对本发明实施例提供的所述信息处理方法进行举例说明。

针对上述技术问题，本发明实施例提供了一种信息处理方法，具体可实现为一种基于深度学习的多元时间序列预测方法，能够同时对多指标进行统一建模，自适应提取主成分、短期融合特征与长期特征，实现多指标的预测任务，提高预测准确率，且鲁棒性较强，复杂度低，方便调参，节省时间成本。

具体的，本发明实施例提供的方案涉及以下内容：

操作1.将原始多元时间序列(就是多个指标分别在多个时刻的指标值的序列，对应于上述至少两个指标参数的历史数据)按固定窗口大小w(对应于上述第一时长)在时间维度上滑动划分为M个样本，样本集合S＝{S

操作2.基于主成分分析技术PCA计算每个样本时间窗口内的主成分嵌入(数据)P

操作3.使用零填充zero-padding的卷积层提取多变量(就是操作1中的“多元”对应的变量)在短时间内的融合特征(对应于上述第一融合特征)，再分别使用无池化withoutpooling、最大值池化max pooling与平均值池化average pooling三种方式对融合特征进行处理，得到三类融合特征(对应于上述三类的融合特征)；然后将这三类融合特征按通道维度(对应于上述卷积核的个数)进行拼接，得到短期融合特征，具体参见以下公式(1)，其中，C为总通道数，即卷积核的个数。

H

公式中的H

操作4.将主成分特征(即上述主成分嵌入)P

其中，F

操作5.通过长期特征提取后，输入神经网络中的全连接层来预测每个变量(即指标)未来h时刻的指标值(对应于上述将所述长期特征，输入所述神经网络的全连接层中，得到所述至少两个指标参数分别在第一时刻的预测值)，h可根据实际需要进行设定，关于预测的计算公式为：

其中，

后续可根据预测值和对应的真实值，获取上述预测模型。

操作6.本方案中，可通过对神经网络模型进行多轮训练至loss收敛，得到多元时间序列预测模型，具体是确定神经网络模型的各参数权重；对应于上述根据第一损失函数、所述预测值以及对应的真实值，获取损失值收敛时对应的、能够对所述至少两个指标参数进行联合预测的预测模型。具体的，损失函数(对应于上述第一损失函数)可为均方误差MSE，计算公式如下：

其中，L表示L2损失的损失值，

操作7.将历史数据(对应于操作1中的样本)输入到所述多元时间序列预测模型中，可以得到未来某时刻多变量的预测结果(对应于上述利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值)。

具体的，关于本方案的总体流程图可如图2所示，包括：

步骤21：开始；

步骤22：获取对于按时间序列数据(对应于上述历史数据)；

步骤23：划分数据样本，对应于上述操作1；

步骤24：提取主成分嵌入；进入步骤26；

步骤25：提取短期融合特征；进入步骤26；

具体的是，划分数据样本后进入卷积层，然后执行无池化without pooling、maxpooling以及average pooling；

步骤26：执行扩张卷积层的操作；对应于上述操作4；

步骤27：进入(神经网络的)全连接层，对应于上述操作5；

步骤28：得到多元时间序列预测模型；对应于上述操作6。

下面对本发明实施例提供的方案进行具体举例说明。

本方案可适用于指标间无空间关联或难以量化指标间相关性的多元时间序列，尤其适用于波动较大的时序预测场景。例如互联网业务多IP的TCP(传输控制协议)请求次数、下行流量、TCP核心时延、TCP无线时延、HTTP(超文本传输协议)平均响应时延等，无线网元的业务流量、HTTP下载速率、用户数、上行流量等。

以某无线小区相关的100个指标预测任务为例，具体实现流程如下：

1.将原始多元时间序列数据按固定窗口大小24，在时间维度上划分为M个样本，S＝{S

2.利用PCA计算每个样本的主成分嵌入，比如取前5个主成分维度，得到主成分嵌入P

3.使用zero-padding、卷积核大小为100×3×10的卷积层提取多变量在短期内的融合特征，并使用三种pooling方式(without pooling、max pooling以及averagepooling)在通道维度进行拼接，得到短期融合特征H

4.将主成分特征P

5.通过全连接层来预测每个指标未来h时刻的值

6.结合优化算法Adam algorithm与损失函数对模型进行训练，得到最终的多元时间序列预测模型。

7.本方案与现有方式的预测结果对比如下：

由上可知，本发明实施例提供的方案涉及：基于深度学习的多指标预测方法，实现了多指标同时预测任务，且提出利用PCA算法自适应提取主要影响成分，过滤冗余信息，并结合神经网络提取多变量数据的短期融合特征，最后通过扩张卷积捕获长期特征，不但效率更高，而且准确率更高，泛化性强。

综上，本发明实施例提供的基于深度学习的多指标预测方法，相比于现有的技术方案，主要有以下优点：

1.对所有指标进行统一建模，自适应挖掘序列间复杂的非线性影响关系，方便调参，效率高；

2.工作量低，节省时间成本和研发成本；

3.模型复杂性低，泛化能力强。

本发明实施例还提供了一种信息处理装置，如图3所示，包括：

第一获取模块31，用于获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；

第一处理模块32，用于根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；

第二获取模块33，用于利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值。

本发明实施例提供的所述信息处理装置通过获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值；能够实现基于深度学习的多指标预测方案，具体的，同时对多指标进行统一建模，自适应提取主成分(即主要影响成分，可过滤冗余信息)以及短期融合特征(可自适应挖掘多指标时序间复杂的非线性影响关系，方便调参，效率高，节省时间成本)，从而实现多指标的同时预测任务，可提高预测准确率，且鲁棒性较强、复杂度较低、泛化能力强；很好的解决了现有技术中针对时序预测的信息处理方案预测精准度低、效率低、实现成本高、复杂度高的问题。

其中，所述获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征，包括：将所述至少两个指标参数的历史数据，按照第一时长，划分为Y个样本；通过主成分分析技术PCA，获取各样本的主成分嵌入数据；通过神经网络中零填充的卷积层，获取各样本的短期融合特征；其中，Y为大于1的整数。

本发明实施例中，所述通过神经网络中零填充的卷积层，获取各样本的短期融合特征，包括：使用神经网络中零填充的卷积层，获取所述样本的第一融合特征；所述第一融合特征是指在第二时长内的融合特征；使用无池化、最大值池化以及平均值池化，对所述第一融合特征分别进行处理，得到三类的融合特征；将所述三类的融合特征，按照通道维度进行拼接，得到所述样本的短期融合特征；其中，所述第二时长小于第一阈值。

其中，所述根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：将所述主成分嵌入数据和短期融合特征进行拼接后，通过神经网络中的两层扩张卷积层提取长期特征；将所述长期特征，输入所述神经网络的全连接层中，得到所述至少两个指标参数分别在第一时刻的预测值；根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型；其中，所述长期特征是在第三时长内的融合特征；所述第三时长大于第二阈值。

本发明实施例中，所述根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：根据第一损失函数、所述预测值以及对应的真实值，获取损失值收敛时对应的、能够对所述至少两个指标参数进行联合预测的预测模型。

其中，上述信息处理方法的所述实现实施例均适用于该信息处理装置的实施例中，也能达到相同的技术效果。

本发明实施例还提供了一种信息处理设备，如图4所示，包括：处理器41和收发机42；

所述处理器41，用于获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；

根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；

利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值。

本发明实施例提供的所述信息处理设备通过获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征；根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型；利用所述预测模型，获取所述至少两个指标参数中每一指标参数的预测值；能够实现基于深度学习的多指标预测方案，具体的，同时对多指标进行统一建模，自适应提取主成分(即主要影响成分，可过滤冗余信息)以及短期融合特征(可自适应挖掘多指标时序间复杂的非线性影响关系，方便调参，效率高，节省时间成本)，从而实现多指标的同时预测任务，可提高预测准确率，且鲁棒性较强、复杂度较低、泛化能力强；很好的解决了现有技术中针对时序预测的信息处理方案预测精准度低、效率低、实现成本高、复杂度高的问题。

其中，所述获取至少两个指标参数的历史数据的主成分嵌入数据以及短期融合特征，包括：将所述至少两个指标参数的历史数据，按照第一时长，划分为Y个样本；通过主成分分析技术PCA，获取各样本的主成分嵌入数据；通过神经网络中零填充的卷积层，获取各样本的短期融合特征；其中，Y为大于1的整数。

本发明实施例中，所述通过神经网络中零填充的卷积层，获取各样本的短期融合特征，包括：使用神经网络中零填充的卷积层，获取所述样本的第一融合特征；所述第一融合特征是指在第二时长内的融合特征；使用无池化、最大值池化以及平均值池化，对所述第一融合特征分别进行处理，得到三类的融合特征；将所述三类的融合特征，按照通道维度进行拼接，得到所述样本的短期融合特征；其中，所述第二时长小于第一阈值。

其中，所述根据所述主成分嵌入数据和短期融合特征，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：将所述主成分嵌入数据和短期融合特征进行拼接后，通过神经网络中的两层扩张卷积层提取长期特征；将所述长期特征，输入所述神经网络的全连接层中，得到所述至少两个指标参数分别在第一时刻的预测值；根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型；其中，所述长期特征是在第三时长内的融合特征；所述第三时长大于第二阈值。

本发明实施例中，所述根据所述预测值以及对应的真实值，得到能够对所述至少两个指标参数进行联合预测的预测模型，包括：根据第一损失函数、所述预测值以及对应的真实值，获取损失值收敛时对应的、能够对所述至少两个指标参数进行联合预测的预测模型。

其中，上述信息处理方法的所述实现实施例均适用于该信息处理设备的实施例中，也能达到相同的技术效果。

本发明实施例还提供了一种信息处理设备，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程序；所述处理器执行所述程序时实现上述的信息处理方法。

其中，上述信息处理方法的所述实现实施例均适用于该信息处理设备的实施例中，也能达到相同的技术效果。

本发明实施例还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的信息处理方法中的步骤。

其中，上述信息处理方法的所述实现实施例均适用于该可读存储介质的实施例中，也能达到相同的技术效果。

需要说明的是，此说明书中所描述的许多功能部件都被称为模块，以便更加特别地强调其实现方式的独立性。

本发明实施例中，模块可以用软件实现，以便由各种类型的处理器执行。举例来说，一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块，举例来说，其可以被构建为对象、过程或函数。尽管如此，所标识模块的可执行代码无需物理地位于一起，而是可以包括存储在不同位里上的不同的指令，当这些指令逻辑上结合在一起时，其构成模块并且实现该模块的规定目的。

实际上，可执行代码模块可以是单条指令或者是许多条指令，并且甚至可以分布在多个不同的代码段上，分布在不同程序当中，以及跨越多个存储器设备分布。同样地，操作数据可以在模块内被识别，并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集，或者可以分布在不同位置上(包括在不同存储设备上)，并且至少部分地可以仅作为电子信号存在于系统或网络上。

在模块可以利用软件实现时，考虑到现有硬件工艺的水平，所以可以以软件实现的模块，在不考虑成本的情况下，本领域技术人员都可以搭建对应的硬件电路来实现对应的功能，所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备，诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。

以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述原理前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。