一种起点终点人口流动数据的生成方法及装置与流程

1.本发明涉及人口流动分析技术领域，具体而言，本发明涉及一种起点终点人口流动数据的生成方法及装置。


背景技术：

2.起点终点(od，origin-destination)人口流动数据(本文中也简称为od人流数据)，是人口在地理区域之间所作的各种各样短期的、重复的或周期性的运动。od人口流动数据被广泛应用于道路交通的管控和规划、出现路线的推荐以及公共安全服务等领域。
3.现有技术获取od人流数据主要有两种方式，其中：
4.一种方式利用重力模型进行获取。重力模型是广泛应用的一种出行分布模型，因其表述形态与牛顿重力定律相似而得名。重力模型将两个区域中人口的数量类比于引力定律中的两个物体的质量，将两个区域之间的人口流动类比于引力定律中两个物体之间的引力，认定两区域间的出行次数tp与出发区域的出行产生数成正比，与两个区域间的交通阻抗的某一乘方数成正比。重力模型将区域之间复杂的人口流动使用简单的万有引力来类比建模，因此其模型的表达能力不够，精准度较低，难以满足实际应用对精准度的要求。
5.现有技术的另一种获取od人流数据的方式是基于人口移动的轨迹数据生成od人流数据，具体的，通过使用卫星定位和公共无线网络的定位技术，收集人和车的实际移动位置信息，然后使用收集到的实际移动位置信息，生成所有个体的随时间变化的移动轨迹，进而统计得到区域之间的聚合的人口流动信息。上述方式能够获得高精准度的人流数据，但是上述方式对模型的输入数据要求严格，条件苛刻，需要获取到绝大多数个体的在所有时间的移动轨迹才能够获取人流数据，因此其模型实现成本高，不易于工程化实施。
6.由于现有技术存在着以上缺点，因此，因此，亟需一种能够生成较高精确度的人口流动数据，且易于工程化实施的方案。


技术实现要素：

7.本发明实施例要解决的技术问题是提供一种起点终点人口流动数据的生成方法及装置，以较低的实施成本，提高所生成的人口流动数据的质量。
8.为解决上述技术问题，根据本发明的一个方面，提供了一种起点终点人口流动的生成方法，包括：
9.构建目标地区对应的图模型，并根据所述图模型，建立图神经网络模型，其中，所述目标地区内的每个区域对应于所述图模型中的一个节点，两个区域之间物理上的可达度通过所述两个区域对应的节点之间的带权边表示；
10.利用所述目标地区内各区域的历史人口分布数据和起点终点人口流动数据，训练所述图神经网络模型，其中，所述图神经网络模型通过对两个节点对应区域的抽象特征进行融合，生成所述两个节点对应的区域之间的有向人流数据；所述节点的抽象特征为经过图神经网络计算后得到的融合了本节点和相邻节点的人口数量变化信息的抽象表达；
11.利用训练后得到的图神经网络模型，生成所述目标地区的人口流动数据
12.此外，根据本发明的至少一个实施例，每个节点的特征输入为多个时间段的历史人口数量，并使用基于注意力机制的卷进神经网络进行特征特提取，得到历史人口数量变化信息。
13.此外，根据本发明的至少一个实施例，每个节点在图神经网络计算的过程中收集相邻节点的历史人口数量变化信息，以使得每个节点的所述抽象特征中包含图的拓扑信息。
14.此外，根据本发明的至少一个实施例，对两个节点对应区域的抽象特征进行融合的步骤，包括：
15.对所述两个节点的抽象特征进行向量内积计算；或者，
16.对所述两个节点的抽象特征进行向量拼接，并将拼接得到的向量映射至一维。
17.此外，根据本发明的至少一个实施例，利用所述目标地区内各区域的历史人口分布数据和起点终点人口流动数据，训练所述图神经网络模型的步骤，包括：
18.利用训练数据重复执行以下训练，直至所述图神经网络模型满足预设的收敛条件，所述训练数据包括多个训练样本，每个训练样本包括所述目标地区内各区域的历史人口分布数据和对应的人口流动数据：
19.将所述样本中的历史人口分布数据输入至所述图神经网络模型，获得所述图神经网络模型输出的人口流动数据；
20.计算所述样本中的人口流动数据与所述图神经网络模型生成的人口流动数据之间的误差，根据所述误差，利用梯度下降算法调整所述图神经网络模型的模型参数。
21.此外，根据本发明的至少一个实施例，在利用训练后得到的图神经网络模型，生成所述目标地区的人口流动数据的步骤之前，所述方法还包括：
22.利用包括所述目标地区内各区域的历史人口分布数据和对应的人口流动数据的测试样本，对训练后得到的图神经网络模型进行测试，判断训练后得到的图神经网络模型是否满足预设的性能指标要求。
23.根据本发明的另一方面，还提供了一种起点终点人口流动的生成装置，包括：
24.建模单元，用于构建目标地区对应的图模型，并根据所述图模型，建立图神经网络模型，其中，所述目标地区内的每个区域对应于所述图模型中的一个节点，两个区域之间物理上的可达度通过所述两个区域对应的节点之间的带权边表示；
25.训练单元，用于利用所述目标地区内各区域的历史人口分布数据和起点终点人口流动数据，训练所述图神经网络模型，其中，所述图神经网络模型通过对两个节点对应区域的抽象特征进行融合，生成所述两个节点对应的区域之间的有向人流数据；所述节点的抽象特征为经过图神经网络计算后得到的融合了本节点和相邻节点的人口数量变化信息的抽象表达；
26.生成单元，用于利用训练后得到的图神经网络模型，生成所述目标地区的人口流动数据。
27.此外，根据本发明的至少一个实施例，每个节点的特征输入为多个时间段的历史人口数量，并使用基于注意力机制的卷进神经网络进行特征特提取，得到历史人口数量变化信息。
28.此外，根据本发明的至少一个实施例，每个节点在图神经网络计算的过程中收集相邻节点的历史人口数量变化信息，以使得每个节点的所述抽象特征中包含图的拓扑信息。
29.此外，根据本发明的至少一个实施例，所述图神经网络模型包括有一融合单元，用于按照以下方式对两个节点对应区域的抽象特征进行融合：
30.对所述两个节点的抽象特征进行向量内积计算；或者，
31.对所述两个节点的抽象特征进行向量拼接，并将拼接得到的向量映射至一维。
32.此外，根据本发明的至少一个实施例，所述训练单元，还用于：
33.利用训练数据重复执行以下训练，直至所述图神经网络模型满足预设的收敛条件，所述训练数据包括多个训练样本，每个训练样本包括所述目标地区内各区域的历史人口分布数据和对应的人口流动数据：
34.将所述样本中的历史人口分布数据输入至所述图神经网络模型，获得所述图神经网络模型输出的人口流动数据；
35.计算所述样本中的人口流动数据与所述图神经网络模型生成的人口流动数据之间的误差，根据所述误差，利用梯度下降算法调整所述图神经网络模型的模型参数。
36.此外，根据本发明的至少一个实施例，所述生成装置还包括：
37.验证单元，用于利用包括所述目标地区内各区域的历史人口分布数据和对应的人口流动数据的测试样本，对训练后得到的图神经网络模型进行测试，判断训练后得到的图神经网络模型是否满足预设的性能指标要求。
38.本发明实施例还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存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的人口流动数据的生成方法步骤。
39.与现有技术相比，本发明实施例提供的人口流动数据的生成方法及装置，至少具有以下有益效果：本发明实施例的生成方法能够基于较为容易采集的人口分布数据，生成较高精确度的人口流动数据，易于工程化实施，具有计算量较小，实施成本较低等优点。
附图说明
40.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，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。
41.图1为本发明实施例的od人口流动数据的生成装置的一种系统框图；
42.图2为本发明实施例所采用的一种算法框架的示意图；
43.图3为本发明实施例的图神经网络模型训练流程的示意图；
44.图4为本发明实施例利用图神经网络模型生成人口流动数据的示意图；
45.图5为本发明实施例提供的od人口流动的生成装置的一结构示意图；
46.图6为本发明实施例提供的od人口流动的生成装置的另一结构示意图。
具体实施方式
47.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。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
48.应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出行的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
49.在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
50.如背景技术所述的，现有技术的人口流动的生成方法，通常存在着实施成本低的方案存在着生成结果准确性差，而准确性较高的方案又存在着实施成本高的问题，为了解决以上问题中的至少一种，本发明实施例提供了一种人口流动的生成方法，该方法在实施成本和生成结果的准确性之间进行折衷处理，可以提高人口流动生成结果的准确性，降低人口流动数据生成的实现成本。
51.本发明实施例提供的一种人口流动的生成方法，可以生成某个目标地区内的各个区域之间的od人口流动数据。这里，所述目标地区具体可以是多个某个城市所辖地理范围，所述区域是城市所辖地理范围的一个子集，各个区域之间通常没有重叠部分，所述区域的面积和边界，则可以按照人口流动统计的需要进行划分。本发明实施例中，所述目标地区还可以是包括多个城市的更大地理范围，所述区域则可以是各个城市所辖地理范围，此时，人口流动反映出人口在各个城市之间的流动变化规律。请参照图1，本发明实施例提供的od人口流动的生成方法，包括：
52.步骤11，构建目标地区对应的图模型，并根据所述图模型，建立图神经网络模型，其中，所述目标地区内的每个区域对应于所述图模型中的一个节点，两个区域之间物理上的可达度通过所述两个区域对应的节点之间的带权边表示。
53.这里，本发明实施例在人口流动数据生成中引入了图模型，将各个区域作为图模型中的一个节点，并基于所述图模型构建了图神经网络模型，所述图神经网络模型包括有一图神经网络(gnn,graph neural networks)。该图模型中，任意两个节点之间的带权边(带有权重值的边)的信息，表示区域之间物理上的可达度。可达度与区域之间的距离和区域之间的交通网络相关，通常，距离越短，交通网络越密集，则具有更好的可达度。
54.步骤12，利用所述目标地区内各区域的历史人口分布数据和起点终点人口流动数据，训练所述图神经网络模型。
55.这里，所述图神经网络模型通过对两个节点对应区域的抽象特征进行融合，生成所述两个节点对应的区域之间的有向人流数据；所述节点的抽象特征为经过图神经网络计算后得到的融合了本节点和相邻节点的人口数量变化信息的抽象表达(向量表达)。在所述图神经网络计算前，每个节点的特征输入为相应区域的多个历史时间段(也可以称作为时
间片)的历史人口数量，本发明实施例可以使用基于注意力机制的卷进神经网络进行特征特提取，得到历史人口数量变化信息。
56.在所述图神经网络计算中，每个节点在图神经网络计算的过程中收集相邻节点的历史人口数量变化信息，以使得每个节点的所述抽象特征中包含图的拓扑信息。这样，每个节点通过整合本节点以及相邻节点的历史人口数量变化信息，生成了新的特征表达(即节点对应区域的抽象特征)，该特征表达包含了本节点对应区域的人口数量变化信息和相邻节点对应的其他区域的人口数量变化信息。节点之间的带权边的信息为物理上的可达度，可达度越高，权重越大，计算时通过该边所连接的相邻节点之间影响也就越大。
57.在步骤12中，本发明实施例利用预先收集的所述目标地区内各区域的历史人口分布数据和od人口流动数据，对所述图神经网络模型进行有监督的训练。这里，训练数据包括历史上收集的所述目标地区的多个样本，每个样本包括在某个历史时段内，所述目标地区内各区域的历史人口分布数据和对应的人口流动数据，所述对应的人口流动数据可以是通过人工统计或其他方式统计得到的。
58.具体的，在步骤12中，本发明实施例利用训练数据重复执行以下训练，直至所述图神经网络模型满足预设的收敛条件：
59.a)将所述样本中的历史人口分布数据输入至所述图神经网络模型，获得所述图神经网络模型输出的人口流动数据；
60.b)计算所述样本中的人口流动数据与所述图神经网络模型生成的人口流动数据之间的误差，根据所述误差，利用梯度下降算法调整所述图神经网络模型的模型参数
61.步骤13，利用训练后得到的图神经网络模型，生成所述目标地区的人口流动数据。
62.这里，在使用训练后得到的所述图神经网络模型生成人口流动数据时，可以将目标时间段内(如最近一次)收集的目标地区的人口分布数据，输入到所述图神经网络模型，然后根据所述图神经网络模型的输出，得到人口流动数据的生成结果。
63.通过以上步骤，本发明实施例将图模型和图神经网络模型引入到人口流动数据生成中，在模型算法实现中，基于区域的历史人口分布数据和人口流动数据进行模型的训练。由于模型训练不需要个体移动轨迹的相关数据，因此，本发明实施例能够简化训练数据的获取，降低对训练数据的要求，从而降低了模型的实现成本。并且，相比于传统的重力模型，本发明实施例的图模型和图神经网络模型引入了节点的属性特征和节点间的连通特征对模型进行训练，优化了图像对人口流动参数的表达能力，可以提高模型人流数据生成的质量。
64.根据本发明的至少一个实施例，在上述步骤12和13之间，本发明实施例还可以利用包括所述目标地区内各区域的历史人口分布数据和对应的人口流动数据的测试样本，对训练后得到的图神经网络模型进行测试，判断训练后得到的图神经网络模型是否满足预设的性能指标要求。如果未满足预设的性能指标要求，则可以利用更多的训练数据对模型作进一步的训练。
65.图2提供了本发明实施例的人口流动的生成装置所采用的算法框架的一个示例。如图2所示，存储单元存储有目标地区内各个区域的历史人口分布数据和od人口流动数据，这些数据中的一部分作为训练数据提供给模型训练使用，另一部分可以作为测试数据，用以测试和验证训练得到的模型的性能。如图2所示，本发明实施例基于目标区域内的区域间
的交通网络和区域间的距离，构建全连接的图模型，其中，每个节点代表一个区域，每个节点的特征输入为多个时间段的历史人口数量，并使用基于注意力机制的卷进神经网络进行特征特提取，得到历史人口数量变化信息。另外，每个节点在图神经网络计算的过程中收集相邻节点的历史人口数量变化信息，以使得每个节点的所述抽象特征中包含图的拓扑信息。这样，每个节点的抽象特征是经过图神经网络计算后得到的融合了本节点和相邻节点的人口数量变化信息的抽象表达。
66.图2中示出了基于多个历史时段，如t、t-1和t-2等的历史人口分布数据，生成每个节点的所述抽象特征(region embedding)，然后，通过遍历处理，对每两个节点之间的所述抽象特征进行融合，如，对所述两个节点的抽象特征进行向量内积计算；或者，对所述两个节点的抽象特征进行向量拼接，并将拼接得到的向量映射至一维，从而可以得到od对，每个od对可以反映出两个节点对应的区域之间的有向人口流动。
67.继续参照图2，在图神经网络模型训练好之后，本发明实施例可以利用测试样本对上述模型进行测试，即将测试样本中的历史人口分布数据输入至模型，然后比较模型输出结果与测试样本中的人口流动数据之间的误差，验证模型的性能。
68.请参照图3，本发明实施例在使用训练数据训练模型时，具体过程包括：
69.301，模型初始化，包括构建图模型和建立图神经网络模型，并初始化模型参数。
70.302～303，从输入的训练数据中采样出历史人口分布数据x及其对应的od人流数据y；
71.304～305，将x输入至图神经网络模型，得到模型生成的od人流数据计算模型的输出与真实数据y的误差loss，具体可以参照图2算法框架图右下角。
72.306，基于误差loss，利用梯度下降算法来调整图神经网络模型的神经网络相关参数。
73.307，判断误差loss是否收敛，若未收敛，则重复执行上述步骤304～306，直至误差loss低到一定程度并收敛为止。
74.308，保存训练完成的图神经网络模型。
75.另外，在步骤308之前，本发明实施例还可以将测试数据中的历史人口变化数据，输入至误差loss收敛后的图神经网络模型，并判断模型的输出与输入的测试数据对应的真实的od人流数据之间的误差，来判断模型的性能是否符合要求。
76.图4进一步给出了利用训练得到的模型生成人口流动数据的步骤，具体包括：
77.401，选择目标地区对应的图神经网络模型。
78.402，向上述模型输入人口分布数据。
79.403，由上述模型恢复出出od数据并输出od矩阵，所述od矩阵用于表示各个区域间的有向人口流动数据。
80.从以上所述可以看出，本发明实施例可以基于较为宽松的训练数据，获得较为准确的人口流动数据的生成结果，易于工程化实施，具有计算量较小，实施成本较低等优点。
81.基于以上的人口流动的生成方法，本发明实施例还提供了实施上述方法的装置。
82.请参照图5，本发明实施例提供的一种起点终点人口流动的生成装置50，包括：
83.建模单元51，用于构建目标地区对应的图模型，并根据所述图模型，建立图神经网络模型，其中，所述目标地区内的每个区域对应于所述图模型中的一个节点，两个区域之间
物理上的可达度通过所述两个区域对应的节点之间的带权边表示；
84.训练单元52，用于利用所述目标地区内各区域的历史人口分布数据和起点终点人口流动数据，训练所述图神经网络模型，其中，所述图神经网络模型通过对两个节点对应区域的抽象特征进行融合，生成所述两个节点对应的区域之间的有向人流数据；所述节点的抽象特征为经过图神经网络计算后得到的融合了本节点和相邻节点的人口数量变化信息的抽象表达；
85.生成单元53，用于利用训练后得到的图神经网络模型，生成所述目标地区的人口流动数据。
86.本发明实施例通过以上单元，可以基于较为容易获得的训练数据，生成较为准确的人口流动生成结果。
87.根据本发明的至少一个实施例，每个节点的特征输入为多个时间段的历史人口数量，并使用基于注意力机制的卷进神经网络进行特征特提取，得到历史人口数量变化信息。
88.根据本发明的至少一个实施例，每个节点在图神经网络计算的过程中收集相邻节点的历史人口数量变化信息，以使得每个节点的所述抽象特征中包含图的拓扑信息。
89.根据本发明的至少一个实施例，所述图神经网络模型包括有一融合单元，用于按照以下方式对两个节点对应区域的抽象特征进行融合：
90.对所述两个节点的抽象特征进行向量内积计算；或者，
91.对所述两个节点的抽象特征进行向量拼接，并将拼接得到的向量映射至一维。
92.根据本发明的至少一个实施例，所述训练单元，还用于：
93.利用训练数据重复执行以下训练，直至所述图神经网络模型满足预设的收敛条件，所述训练数据包括多个训练样本，每个训练样本包括所述目标地区内各区域的历史人口分布数据和对应的人口流动数据：
94.将所述样本中的历史人口分布数据输入至所述图神经网络模型，获得所述图神经网络模型输出的人口流动数据；
95.计算所述样本中的人口流动数据与所述图神经网络模型生成的人口流动数据之间的误差，根据所述误差，利用梯度下降算法调整所述图神经网络模型的模型参数。
96.根据本发明的至少一个实施例，所述生成装置还包括：
97.验证单元，用于利用包括所述目标地区内各区域的历史人口分布数据和对应的人口流动数据的测试样本，对训练后得到的图神经网络模型进行测试，判断训练后得到的图神经网络模型是否满足预设的性能指标要求。
98.如图6所示，本发明实施例还提供了另一种人口流动数据的生成装置60，该人口流动的生成装置6具体包括处理器61、存储器62、总线系统63、接收器64和发送器65。其中，处理器61、存储器62、接收器64和发送器65通过总线系统63相连，该存储器62用于存储指令，该处理器61用于执行该存储器62存储的指令，以控制接收器64接收信号，并控制发送器65发送信号；
99.其中，该处理器61，用于读取存储器中的程序，执行下列过程：
100.构建目标地区对应的图模型，并根据所述图模型，建立图神经网络模型，其中，所述目标地区内的每个区域对应于所述图模型中的一个节点，两个区域之间物理上的可达度通过所述两个区域对应的节点之间的带权边表示；
101.利用所述目标地区内各区域的历史人口分布数据和起点终点人口流动数据，训练所述图神经网络模型，其中，所述图神经网络模型通过对两个节点对应区域的抽象特征进行融合，生成所述两个节点对应的区域之间的有向人流数据；所述节点的抽象特征为经过图神经网络计算后得到的融合了本节点和相邻节点的人口数量变化信息的抽象表达；
102.利用训练后得到的图神经网络模型，生成所述目标地区的人口流动数据。
103.可理解的，本发明实施例中，所述程序被处理器51执行时可实现上述图1所示的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
104.应理解，在本发明实施例中，该处理器51可以是中央处理单元(central processing unit，简称为“cpu”)，该处理器51还可以是其他通用处理器、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、分立硬件组件等。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。
105.该存储器52可以包括只读存储器和随机存取存储器，并向处理器51提供指令和数据。存储器52的一部分还可以包括非易失性随机存取存储器。例如，存储器52还可以存储设备类型的信息。
106.该总线系统53除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都标为总线系统53。
107.在实现过程中，上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器52，处理器51读取存储器52中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
108.在本发明的一些实施例中，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时可以实现以下步骤：
109.构建目标地区对应的图模型，并根据所述图模型，建立图神经网络模型，其中，所述目标地区内的每个区域对应于所述图模型中的一个节点，两个区域之间物理上的可达度通过所述两个区域对应的节点之间的带权边表示；
110.利用所述目标地区内各区域的历史人口分布数据和起点终点人口流动数据，训练所述图神经网络模型，其中，所述图神经网络模型通过对两个节点对应区域的抽象特征进行融合，生成所述两个节点对应的区域之间的有向人流数据；所述节点的抽象特征为经过图神经网络计算后得到的融合了本节点和相邻节点的人口数量变化信息的抽象表达；
111.利用训练后得到的图神经网络模型，生成所述目标地区的人口流动数据。
112.该程序被处理器执行时能实现图1所示的人口流动的生成方法中的所有实现方式，且能达到相同的技术效果，为避免重复，此处不再赘述。
113.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出
本发明的范围。
114.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。
115.在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，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。
116.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发明实施例方案的目的。
117.另外，在本发明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。
118.所述功能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，本发明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)执行本发明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-only memory)、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。
119.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。