一种电力负载预测模型及其构建方法、装置及应用

技术领域

本申请涉及人工智能领域，特别是涉及一种电力负载预测模型及其构建方法、装置及应用。

背景技术

电力负载预测是电力系统管理和运营中的重要任务之一，它涉及预测未来一段时间内电力系统中的负荷需求，以便宜有效地规划和管理电力供应，这对于电力公司、能源市场、电网规划以及可再生能源集成等领域都具有重要意义。

目前现有技术总体使用两类预测方法进行电力负载预测，一类是通过时序信息进行时间序列的预测，另一种是通过机器学习的回归预测方法，时间序列分析是一种基于历史负载数据的方法，用于识别和建模负载的周期性和趋势性变化。常见的时间序列模型包括自回归移动平均模型(ARMA)、自回归积分移动平均模型(ARIMA)以及季节性自回归积分移动平均模型(SARIMA)等。这些模型主要采用的是线性的预测方法，通过提取出时间序列数据中的长期趋势和季节趋势后进行随机游程模拟，且该系列方法仅可完成单变量的时间序列预测任务，无法进行多变量的时间序列预测，这也使更多的特征信息被遗漏。循环神经网络(RNN)和长短时记忆网络(LSTM)等深度学习也适用于时间序列数据，但由于这类神经网络的记忆细胞结构过于简单而无法记忆长期信息。基于Transformer的时间序列预测方法被广泛应用，其中包含Informer，Autoformer等，这些模型通过自注意力机制和编码器和解码器的架构取得了不错的效果。但是普通的Transformer解码器以自回归的方式输出序列，导致推理速度过慢和误差累计，并不适用于长期预测。

而回归分析则是通过建立与其他变量(如天气、假日等)之间的关系来预测负载。多元线性回归、岭回归、lasso回归等是常用的回归方法。机器学习技术可以从历史数据中学习负载与其他变量之间的复杂关系，以预测未来负载。常用的机器学习算法包括决策树、随机森林、支持向量机等。尽管回归分析在许多情况下都可以用于时间序列预测，但在某些情况下，它可能存在一些弊端，特别是在处理具有强烈季节性、趋势性和周期性变化的时间序列数据时，回归分析通常假设自变量之间是独立的，然而时间序列数据中的观测值之间往往存在时间相关性，回归分析未能捕捉时间依赖性可能导致模型对于趋势、季节性和周期性等变化的预测能力不足。

发明内容

本申请实施例提供了一种电力负载预测模型及其构建方法、装置及应用，本方案通过对历史观测数据进行自身的交叉特征计算，从而准确的得到电力负载的预测结果。

第一方面，本申请实施例提供了一种电力负载预测模型的构建方法，所述方法包括：

构建电力负载预测模型，获取表示电力负载情况的历史观测数据，将所述历史观测数据输入到所述电力负载预测模型中；

所述电力负载预测模型包括特征学习层、交叉特征投影层以及时间投影层组成，将所述历史观测数据输入到特征学习层得到特征学习结果；

将所述特征学习结果输入到所述交叉特征投影层，所述交叉特征投影层由线性投影层、协相关映射层以及混合层顺序串联，将所述特征学习结果输入到所述线性投影层，所述线性投影层对所述特征学习结果进行映射得到映射特征集合，根据所述映射特征集合构建对比集合和查询集合，将所述对比集合和查询集合送入协相关映射层中进行交叉注意力的学习得到对比协相关特征和查询协相关特征，将所述对比协相关特征和查询协相关特征在混合层进行交叉混合得到对比交叉注意力特征和查询交叉注意力特征，计算所述对比集合的对比特征均值，计算查询集合的查询特征均值，使用所述对比交叉注意力特征与所述对比特征均值进行残差连接得到残差对比结果，会用所述查询交叉注意力特征与所述查询特征均值进行残差连接得到残差查询结果，所述残差对比结果与所述残差查询结果为交叉特征投影层的输出结果；

将残差对比结果与残差查询结果进行合并拼接后送入时间投影层进行输出得到电力负载预测结果，基于所述电力负载预测结果构建损失函数对所述电力负载预测模型的参数进行调整得到训练好的电力负载预测模型。

第二方面，本申请实施例提供了一种电力负载预测方法，所述方法包括：

获取表示电力负载情况的历史观测数据并将其输入到第一方面训练好的电力负载预测模型中得到电力负载预测结果。

第三方面，本申请实施例提供了一种电力负载预测模型的构建装置，包括：

构建模块：构建电力负载预测模型，获取表示电力负载情况的历史观测数据，将所述历史观测数据输入到所述电力负载预测模型中；

特征学习模块：所述电力负载预测模型包括特征学习层、交叉特征投影层以及时间投影层组成，将所述历史观测数据输入到特征学习层得到特征学习结果；

交叉特征投影模块：将所述特征学习结果输入到所述交叉特征投影层，所述交叉特征投影层由线性投影层、协相关映射层以及混合层顺序串联，将所述特征学习结果输入到所述线性投影层，所述线性投影层对所述特征学习结果进行映射得到映射特征集合，根据所述映射特征集合构建对比集合和查询集合，将所述对比集合和查询集合送入协相关映射层中进行交叉注意力的学习得到对比协相关特征和查询协相关特征，将所述对比协相关特征和查询协相关特征在混合层进行交叉混合得到对比交叉注意力特征和查询交叉注意力特征，计算所述对比集合的对比特征均值，计算查询集合的查询特征均值，使用所述对比交叉注意力特征与所述对比特征均值进行残差连接得到残差对比结果，会用所述查询交叉注意力特征与所述查询特征均值进行残差连接得到残差查询结果，所述残差对比结果与所述残差查询结果为交叉特征投影层的输出结果；

时间投影模块：将残差对比结果与残差查询结果进行合并拼接后送入时间投影层进行输出得到电力负载预测结果，基于所述电力负载预测结果构建损失函数对所述电力负载预测模型的参数进行调整得到训练好的电力负载预测模型。

第四方面，本申请实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行一种电力负载预测模型的构建方法或一种电力负载预测方法。

第五方面，本申请实施例提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括一种电力负载预测模型的构建方法或一种电力负载预测方法。

本发明的主要贡献和创新点如下：

本申请实施例通过全连接层作为电力负载模型的预测层来捕获更多的时间依赖性，本方案通过在进行特征学习时使用时间混频器和特征混频器进行特征学习来更好的提取不同维度的信息；本方案在通过构造对比集合和查询集合并通过交叉特征投影层进行混频交叉注意力机制的计算，通过对对比集合和查询集合中错位的时间节点中进行学习从而学习到更多有用的特征；本方案中的电力负载模型为一个端到端的模型，所以复用性高，通过简单的训练即可投入使用且需要的算力开销小。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种电力负载预测模型及其构建方法的流程图；

图2是根据本申请实施例的特征学习层的结构示意图；

图3是根据本申请实施例的时间混频器的结构示意图；

图4是根据本申请实施例的时间全连接层的结构示意图；

图5是根据本申请实施例的特征混频器的结构示意图；

图6是根据本申请实施例的特征全连接层的结构示意图；

图7是根据本申请实施例的交叉特征投影层的结构示意图；

图8是根据本申请实施例的时间投影层的结构示意图；

图9是根据本申请实施例的一种电力负载预测模型的构建装置的结构框图；

图10是根据本申请实施例的电子装置的硬件结构示意图。

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一个或多个实施例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、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。

需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。

实施例一

本申请实施例提供了一种电力负载预测模型及其构建方法，具体地，参考图1，所述方法包括：

构建电力负载预测模型，获取表示电力负载情况的历史观测数据，将所述历史观测数据输入到所述电力负载预测模型中；

所述电力负载预测模型包括特征学习层、交叉特征投影层以及时间投影层组成，将所述历史观测数据输入到特征学习层得到特征学习结果；

将所述特征学习结果输入到所述交叉特征投影层，所述交叉特征投影层由线性投影层、协相关映射层以及混合层顺序串联，将所述特征学习结果输入到所述线性投影层，所述线性投影层对所述特征学习结果进行映射得到映射特征集合，根据所述映射特征集合构建对比集合和查询集合，将所述对比集合和查询集合送入协相关映射层中进行交叉注意力的学习得到对比协相关特征和查询协相关特征，将所述对比协相关特征和查询协相关特征在混合层进行交叉混合得到对比交叉注意力特征和查询交叉注意力特征，计算所述对比集合的对比特征均值，计算查询集合的查询特征均值，使用所述对比交叉注意力特征与所述对比特征均值进行残差连接得到残差对比结果，会用所述查询交叉注意力特征与所述查询特征均值进行残差连接得到残差查询结果，所述残差对比结果与所述残差查询结果为交叉特征投影层的输出结果；

将残差对比结果与残差查询结果进行合并拼接后送入时间投影层进行输出得到电力负载预测结果，基于所述电力负载预测结果构建损失函数对所述电力负载预测模型的参数进行调整得到训练好的电力负载预测模型。

在本方案中，所述特征学习层的结构如图2所示，所述特征学习层由至少一个时间序列混频器串联组成，所述时间序列混频器由时间混频器和特征混频器组成，将所述历史观测数据输入到第一个时间序列混频器中的时间混频器中得到时间混频结果，再将所述时间混频结果输入到与时间混频器相连的特征混频器中得到特征混频结果，将所述特征混频结果作为下一个时间序列混频器的输入，最后一个时间序列混频器的输出为所述特征学习结果。

进一步的，所述时间混频器的结构如图3所示，所述时间混频器由时间标准化层、第一时间转置层、时间全连接层以及第二时间转置层顺序串联，所述时间混频器的输入顺序通过时间标准化层、第一时间转置层、时间全连接层以及第二时间转置层得到第二时间转置结果后再与对应时间混频器的输入进行残差连接得到时间混频结果，其中第一个时间序列混频器中时间混频器的输入为历史观测数据，其余的时间混频器的输入为前一个时间序列混频器中的特征混频结果。

具体的，所述标准化层用来标准化数据，所述第一时间转置层以及第二时间转置层可以对矩阵数据进行转置操作，更加便于数据的分析和处理。

所述时间全连接层的结构如图4所示，所述时间全连接层由时间全连接模块、时间激活函数模块以及时间丢弃模块顺序串联，所述时间全连接模块用来根据输入数据进行预测，所述时间激活函数模块用来输出预测结果，添加所述时间丢弃模块的目的是增加模型的泛化性。

具体的，所述时间激活函数模块使用ReLU激活函数，所述时间丢弃模块通过Dropout操作进行丢弃。

进一步的，所述特征混频器的结构如图5所示，所述特征混频器由特征标准化层、特征全连接层顺序连接，所述时间混频结果通过特征标准化层与特征全连接层后得到特征全连接结果，所述特征全连接结果再与对应的时间混频结果进行残差连接得到特征混频结果，对应的时间混频结果为当前特征混频器的输出。

具体的，所述标准化层用来标准化数据。

所述特征全连接层的结构如图6所示，所述特征全连接层由第一特征全连接模块、特征激活函数模块、第一特征丢弃模块、第二特征全连接模块以及第二特征丢弃模块顺序串联，所述第一特征全连接模块和第二特征全连接模块用来根据输入数据进行预测，所述特征激活函数模块用来输出预测结果，添加所述第一特征丢弃模块和第二特征丢弃模块的目的是增加模型的泛化性。

特征全连接层和时间全连接层的区别在于，所述特征全连接层中通过两个全连接模块和丢弃模块来学习到特征之间的交叉信息从而得到更好的预测结果，特征激活函数模块使用ReLU激活函数，第一特征丢弃模块、第二特征丢弃模块通过Dropout操作进行丢弃。

在本方案中，所述交叉特征投影层的结构如图7所示，本方案通过交叉特征投影层进行混频交叉注意力机制的计算进行特征的学习。

进一步的，在“所述线性投影层对所述特征学习结果进行映射得到映射特征集合，根据所述映射特征集合构建对比集合和查询集合”步骤中，通过一个全连接层将特征学习结果中每一个时间节点上的特征进行映射得到映射特征集合，所述对比集合中的特征数量与所述查询集合中的特征数量相同，对于对比集合中的任意特征都存在比其时间步多一的对应特征在查询集合中。

具体的，本方案将所述特征学习结果中的每一行作为一个时间节点，所述全连接层通过将所述特征学习结果中的每个时间节点的特征映射到w×d的维度得到映射特征集合。

示例性的，本方案构建的映射特征集合为{h

具体的，在本方案中，查询集合Q中的时间步b要对比比集合C中的时间步a多1的考虑的是时间序列的序列性，可以从错位的时间节点中学习到更多的信息。

在本方案中，在“将所述对比集合和查询集合送入协相关映射层中进行交叉注意力的学习得到对比协相关特征和查询协相关特征”步骤中，在所述协相关映射层中计算对比集合中的每一特征与查询集合的全局向量之间的相关特征得到对比协相关特征，计算查询集合中的每一特征与对比集合的全局向量之间的相关特征得到查询相关特征。

具体的，查询集合的全局向量与对比集合的全局向量指的是查询集合和对比集合中的所有特征，也就是说查询集合中的任意一个特征都要与对比集合中的每一特征进行计算，对比集合中的任意一个特征都要与查询集合中的每一特征进行计算从而得到对比集合和查询集合之间的交叉注意力信息。

具体的，所述协相关映射层中进行计算的计算公式如下：

其中，c

在本方案中，在“将所述对比协相关特征和查询协相关特征在混合层进行交叉混合得到对比交叉注意力特征和查询交叉注意力特征”步骤中，计算所述对比协相关特征中每一元素的线性组合特征并分别与所述查询协相关特征进行计算得到对比交叉注意力特征，计算所述查询协相关特征中每一元素的线性组合特征并分别与所述对比协相关特征进行计算得到查询交叉注意力特征。

具体的，本方案通过可学习的组合系数和偏置来计算对比协相关特征和查询协相关特征中每一元素的线性组合特征，以对比协相关特征中每一元素的线性组合特征为例得到计算具体公式如下：

其中，r

其中，

进一步的，在“计算所述对比集合的对比特征均值，计算查询集合的查询特征均值”步骤中，所述对比特征均值的计算公式为

进一步的，在“使用所述对比交叉注意力特征与所述对比特征均值进行残差连接得到残差对比结果，会用所述查询交叉注意力特征与所述查询特征均值进行残差连接得到残差查询结果”步骤中，将所述对比交叉注意力特征投影为与所述对比特征均值大小相同的特征后进行残差连接，将所述查询交叉注意力特征投影为与所述查询特征均值大小相同的特征后进行残差连接。

具体的，本方案对对比交叉注意力特征和查询交叉注意力特征进行投影来使特征在同一维度下进行残差连接从而得到更准确的计算结果。

进一步的，本方案残差连接的方式为：先将所述对比交叉注意力特征与所述对比特征均值进行特征相乘后再与所述对比特征均值进行特征相加得到残差对比结果，先将所述查询交叉注意力特征与所述查询特征均值进行特征相乘后再与所述查询特征均值进行特征相加得到残差查询结果。

在本方案中，在“将残差对比结果与残差查询结果进行合并拼接后送入时间投影层进行输出得到电力负载预测结果”步骤中，所述时间投影层的结构如图8所示，所述时间投影层由第一时间投影转置模块、时间投影全连接模块以及第二时间投影转置模块顺序串联。

其中，所述第一时间投影转置模块与所述第二时间投影转置模块对特征进行转置操作，所述时间投影全连接模块以线性变换的方式对输入特征进行预测。

具体的，所述时间投影层不仅学习时间模式，同时将输入数据由原始长度L投影到预测长度T，当数据进入该模块时先通过第一时间投影转置模块进行一次转置操作，随后传入时间投影全连接模块，所述时间投影全连接模块会将原始序列进行线性变换至预测序列，之后再通过第二时间投影转置进行一次转置操作即可完成预测得到电力负载预测结果。

在一些实施例中，本方案在进行单变量预测任务时将输入数据输入到所述时间投影层即可得到预测结果，在进行多变量预测任务时将输入数据输入到所述电力负载预测模型中进行预测得到预测结果。

在一些实施例中，当将未来特征与所述历史观测数据一同输入到所述电力负载预测模型中时，将所述未来特征与所述历史观测数据进行数据对齐后合并，再输入到电力负载预测模型中。

具体的，对所述未来特征与所述历史观测数据进行数据对齐后合并是为了让两部分数据在同样的尺寸下，方便计算。

具体的，所述未来特征为对预测电力负载有帮助的相关特征，如天气情况，节假日信息等。

在一些具体实施例中，本方案训练好的电力负载预测模型是一个端到端的模型，所以复用性高、训练时间短，算力开销小，并且本方案在多个多个数据集上的预测效果均达到最优，其中单变量预测的MSE为0.3左右，多变量预测的MSE为0.4左右。

实施例二

本申请实施例提供了一种电力负载预测方法，具体地，包括：

获取表示电力负载情况的历史观测数据并将其输入到实施例一训练好的电力负载预测模型中得到电力负载预测结果。

实施例三

基于相同的构思，参考图9，本申请还提出了一种电力负载预测模型的构建装置，包括：

构建模块：构建电力负载预测模型，获取表示电力负载情况的历史观测数据，将所述历史观测数据输入到所述电力负载预测模型中；

特征学习模块：所述电力负载预测模型包括特征学习层、交叉特征投影层以及时间投影层组成，将所述历史观测数据输入到特征学习层得到特征学习结果；

交叉特征投影模块：将所述特征学习结果输入到所述交叉特征投影层，所述交叉特征投影层由线性投影层、协相关映射层以及混合层顺序串联，将所述特征学习结果输入到所述线性投影层，所述线性投影层对所述特征学习结果进行映射得到映射特征集合，根据所述映射特征集合构建对比集合和查询集合，将所述对比集合和查询集合送入协相关映射层中进行交叉注意力的学习得到对比协相关特征和查询协相关特征，将所述对比协相关特征和查询协相关特征在混合层进行交叉混合得到对比交叉注意力特征和查询交叉注意力特征，计算所述对比集合的对比特征均值，计算查询集合的查询特征均值，使用所述对比交叉注意力特征与所述对比特征均值进行残差连接得到残差对比结果，会用所述查询交叉注意力特征与所述查询特征均值进行残差连接得到残差查询结果，所述残差对比结果与所述残差查询结果为交叉特征投影层的输出结果；

时间投影模块：将残差对比结果与残差查询结果进行合并拼接后送入时间投影层进行输出得到电力负载预测结果，基于所述电力负载预测结果构建损失函数对所述电力负载预测模型的参数进行调整得到训练好的电力负载预测模型。

实施例四

本实施例还提供了一种电子装置，参考图10，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

具体地，上述处理器402可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecificIntegratedCircuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器(HardDiskDrive，简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性(Non-Volatile)存储器。在特定实施例中，存储器404包括只读存储器(Read-OnlyMemory，简称为ROM)和随机存取存储器(RandomAccessMemory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory，简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory，简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory，简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory，简称SDRAM)等。

存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。

处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种电力负载预测模型的构建方法。

可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。

传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是历史观测数据、未来特征等，输出的信息可以是电力负载预测结果等。

可选地，在本实施例中，上述处理器402可以被设置为通过计算机程序执行以下步骤：

S101、构建电力负载预测模型，获取表示电力负载情况的历史观测数据，将所述历史观测数据输入到所述电力负载预测模型中；

S102、所述电力负载预测模型包括特征学习层、交叉特征投影层以及时间投影层组成，将所述历史观测数据输入到特征学习层得到特征学习结果；

S103、将所述特征学习结果输入到所述交叉特征投影层，所述交叉特征投影层由线性投影层、协相关映射层以及混合层顺序串联，将所述特征学习结果输入到所述线性投影层，所述线性投影层对所述特征学习结果进行映射得到映射特征集合，根据所述映射特征集合构建对比集合和查询集合，将所述对比集合和查询集合送入协相关映射层中进行交叉注意力的学习得到对比协相关特征和查询协相关特征，将所述对比协相关特征和查询协相关特征在混合层进行交叉混合得到对比交叉注意力特征和查询交叉注意力特征，计算所述对比集合的对比特征均值，计算查询集合的查询特征均值，使用所述对比交叉注意力特征与所述对比特征均值进行残差连接得到残差对比结果，会用所述查询交叉注意力特征与所述查询特征均值进行残差连接得到残差查询结果，所述残差对比结果与所述残差查询结果为交叉特征投影层的输出结果；

S104、将残差对比结果与残差查询结果进行合并拼接后送入时间投影层进行输出得到电力负载预测结果，基于所述电力负载预测结果构建损失函数对所述电力负载预测模型的参数进行调整得到训练好的电力负载预测模型。

需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。

本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图10中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。

本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。