气象数据插补方法、装置、电子设备及存储介质与流程

1.本技术涉及气象监测领域，具体而言，涉及一种气象数据插补方法、装置、电子设备及存储介质。


背景技术：

2.温度是农业、生态系统研究非常重要的观测量，在农业作物生长的模拟、农业气象灾害监测、生态系统模拟中都必须考虑温度的因素，由于农业以及生态模拟的精细化，在检测温度时要求更高的精度，但温度观测数据一般通过野外气象观测站获取，由于设备故障、恶劣环境或是人为操作失误等原因，小气象观测容易会出现数据缺失的情况，影响温度观测数据的精度。因此目前的温度观测技术存在温度观测数据精度低的问题。


技术实现要素：

3.本技术实施例的目的在于提供一种气象数据插补方法、装置、电子设备及存储介质，用以解决目前温度观测数据精度低的问题。
4.第一方面，本技术实施例提供一种气象数据插补方法，包括：
5.基于获取的自动观测数据得到缺失气温片段；
6.以获取的人工观测数据为真值，根据训练完成的气象数据插补模型对所述缺失气温片段进行插补，以得到完整高频时序气象数据。
7.在上述实现过程中，本技术实施例提供的气象数据插补方法可以基于人工观测数据以气象数据插补模型对自动观测数据中缺失的气温片段进行插补，从而得到完整的高精度频率的温度观测数据，提高数据准确度和完整性，从而能够解决目前温度观测数据精度低的问题。
8.可选的，在所述将所述缺失气温片段数据输入气象数据插补模型之前，所述方法还包括：
9.构建气象数据插补初始模型；
10.基于模型数据集对所述气象数据插补初始模型进行训练，以得到气象数据插补模型，所述模型数据集包括训练数据集、验证数据集和测试数据集，所述训练数据集和所述验证数据集用于训练所述气象数据插补初始模型，所述测试数据集用于验证经训练后的所述气象数据插补初始模型的泛化能力；所述气象数据插补初始模型为bilstm
‑
i模型，所述构建气象数据插补初始模型包括：基于seq2seq和encoder
‑
decode架构构建所述气象数据插补初始模型。
11.在上述实现过程中，本技术实施例提供的气象数据插补模型对缺失气温片段进行插补，能够提升数据插补精度和鲁棒性，从而应对由于设备故障、恶略环境等原因造成气象站数据缺失的情况。
12.可选的，所述气象数据插补初始模型包括编码部分，所述编码部分的结构为lstm
‑
i结构，描述所述lstm
‑
i结构的内部单元联结过程的公式为：
[0013][0014][0015][0016][0017]
其中，为估计向量，h
t
‑1为上一个lstm单元的隐状态，w
x
和b
x
为模型参数，为缺失值，x
t
为输入向量，m
t
为掩码向量，h
t
为预测状态，l
t
为估计误差。
[0018]
在上述实现过程中，本技术实施例提供的长短期记忆(long short
‑
term memory，lstm)结构，通过门控状态控制传输状态，有选择性地进行记忆，记住需要长时间记忆的气象数据，遗忘不重要的数据，能够提升插补气象数据的准确性。
[0019]
可选的，所述气象数据插补初始模型还包括解码部分，描述所述解码部分解码过程的公式为：
[0020]
s
t
＝lstm(h
t
，s
t
‑1)
[0021]
y
t
＝w
y
s
t
b
y
[0022][0023]
其中，s为输出状态序列，y为输出插补结果序列，w
y
和b
y
为模型参数，l
y
为解码层的插补结果误差。
[0024]
在上述实现过程中，本技术实施例提供的长短期记忆(long short
‑
term memory，lstm)结构，通过门控状态控制传输状态，有选择性地进行记忆，记住需要长时间记忆的气象数据，遗忘不重要的数据，能够提升插补气象数据的准确性。
[0025]
可选的，所述构建所述气象数据插补初始模型包括：
[0026]
基于双向编码的lstm
‑
i神经网络构成所述气象数据插补初始模型的所述编码部分，所述编码部分的输出序列包括前向隐状态序列和后向隐状态序列，将所述前向隐状态序列和所述后向隐状态序列进行拼接，作为所述编码部分的输出序列，以使所述解码部分接收所述输出序列，产生插补后的输出插补结果序列。
[0027]
在上述实现过程中，采用lstm结构解决在模型训练过程中的梯度消失或梯度爆炸的问题，相较于普通的循环神经网络(recurrent neural network，rnn)结构而言，更适合长序列的模型训练过程，因此，采用lstm结构的气象数据插补模型能够提升长序列气象数据插补的准确性。
[0028]
可选的，计算所述气象数据插补初始模型的估计误差的公式为：
[0029][0030]
其中，为与所述前向隐状态序列对应的估计误差，为与所述后向隐状态序列对应的估计误差。
[0031]
在上述实现过程中，采用bilstm
‑
i的结构双向编码，能够更准确地判断需要长时间记忆的气象数据，提高气象插补数据的准确性。
[0032]
可选的，所述基于获取的自动观测数据得到缺失气温片段包括：
[0033]
采用卡尔曼平滑的方法对所述自动观测数据和所述人工观测数据中低于预设时间阈值的数据缺口进行数据插补，以得到所述缺失气温片段数据。
[0034]
在上述实现过程中，对气象数据的时间序列中偶尔或短时间的数据缺口先采用卡尔曼平滑的方法进行数据插补，能够消除短时间的数据缺口，使模型更注重长时间序列的气象数据插补，能够提高气象数据插补的准确性。
[0035]
第二方面，本技术实施例还提供一种气象数据插补装置，该装置包括：
[0036]
数据获取模块，用于基于获取的自动观测数据得到缺失气温片段。
[0037]
数据插补模块，用于以获取的人工观测数据为真值，根据训练完成的气象数据插补模型对所述缺失气温片段进行插补，以得到完整高频时序气象数据。
[0038]
在上述实现过程中，气象数据插补装置可以通过低频的温度观测数据获取完整的高精度频率的温度观测数据，对存在缺失值的温度数据进行数据插补，能够解决目前温度观测数据精度低的问题。
[0039]
可选的，气象数据插补装置还可以包括：
[0040]
初始模型构建模块，用于在将所述缺失气温片段数据输入气象数据插补模型之前，构建气象数据插补初始模型。
[0041]
模型训练模块，用于基于模型数据集对所述气象数据插补初始模型进行训练，以得到气象数据插补模型，所述模型数据集包括训练数据集、验证数据集和测试数据集，所述训练数据集和所述验证数据集用于训练所述气象数据插补初始模型，所述测试数据集用于验证经训练后的所述气象数据插补初始模型的泛化能力；所述气象数据插补初始模型可以为bilstm
‑
i模型，所述构建气象数据插补初始模型包括：基于seq2seq和encoder
‑
decode架构构建所述气象数据插补初始模型。
[0042]
在上述实现过程中，气象数据插补模型对缺失气温片段数据进行插补，能够提升数据插补精度和鲁棒性。能够应对由于设备故障、恶略环境等原因造成气象站数据缺失的情况。
[0043]
可选的，模型训练模块还可用于基于双向编码的lstm
‑
i神经网络构成所述气象数据插补初始模型的所述编码部分，所述编码部分的输出序列包括前向隐状态序列和后向隐状态序列，将所述前向隐状态序列和所述后向隐状态序列进行拼接，作为所述编码部分的输出序列，以使所述解码部分接收所述输出序列，产生插补后的输出插补结果序列。
[0044]
在上述实现过程中，采用lstm结构，能够解决在模型训练过程中的梯度消失或梯度爆炸的问题，相较于普通的循环神经网络(recurrent neural network，rnn)结构而言，更适合长序列的模型训练过程，因此，采用lstm结构的气象数据插补模型能够提升长序列气象数据插补的准确性。
[0045]
可选的，数据获取模块还可用于：
[0046]
采用卡尔曼平滑的方法对所述自动观测数据和所述人工观测数据中低于预设时间阈值的数据缺口进行数据插补，以得到所述缺失气温片段数据。
[0047]
在上述实现过程中，通过对气象数据的时间序列中偶尔或短时间的数据缺口先采用卡尔曼平滑的方法进行数据插补，能够消除短时间的数据缺口，使模型更注重长时间序列的气象数据插补，能够提高气象数据插补的准确性。
[0048]
第三方面，本技术实施例还提供了一种电子设备，所述电子设备包括存储器和处
理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行上述任一实现方式中的步骤。
[0049]
第四方面，本技术实施例还提供了一种存储介质，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一实现方式中的步骤。
附图说明
[0050]
为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0051]
图1为本技术实施例提供的一种气象数据插补方法的示意图；
[0052]
图2为本技术实施例提供一种构建气象数据插补模型的步骤示意图；
[0053]
图3为本技术实施例提供的气象数据插补装置的示意图。
具体实施方式
[0054]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。请参看图1，图1为本技术实施例提供的一种气象数据插补方法的示意图，该方法包括：
[0055]
在步骤s12中，基于获取的自动观测数据得到缺失气温片段。
[0056]
在步骤s14中，以获取的人工观测数据为真值，根据训练完成的气象数据插补模型对所述缺失气温片段进行插补，以得到完整高频时序气象数据。
[0057]
其中，自动观测数据可以是气象仪器每隔预设时间观测得到的温度数据，人工观测数据可以是人为每天观测固定次数的温度数据。
[0058]
在本技术实施例中，自动观测数据可以为气象仪器每半小时观测一次得到的温度数据，人工观测数据可以为每天固定三次的观测数据，对高频的自动观测数据进行检索，以得到带有数据缺口的缺失气温片段。
[0059]
在缺失气温片段数据中存在自动观测数据无缺失值的日期以及缺失自动观测数据的日期，将缺失气温片段数据代入气象数据插补模型，对缺失气温片段数据的温度观测时间序列进行插补，得到完整的气温时间序列数据。
[0060]
由此可见，本技术实施例提供的气象数据插补方法可以基于人工观测数据以气象数据插补模型对自动观测数据中缺失的气温片段进行插补，从而得到完整的高精度频率的温度观测数据，提高数据准确度和完整性，从而能够解决目前温度观测数据精度低的问题。
[0061]
应当理解的是，在采用气象数据插补模型进行数据插补之前，还需要构建气象数据插补模型。
[0062]
可选的，请参看图2，图2为本技术实施例提供一种构建气象数据插补模型的步骤示意图，针对步骤s14，在所述根据训练完成的气象数据插补模型对所述缺失气温片段进行插补之前，还可以包括如下步骤：
[0063]
在步骤s131中，构建气象数据插补初始模型。
[0064]
在步骤s132中，基于模型数据集对所述气象数据插补初始模型进行训练，以得到
气象数据插补模型。
[0065]
所述模型数据集包括训练数据集、验证数据集和测试数据集，所述训练数据集和所述验证数据集用于训练所述气象数据插补初始模型，所述测试数据集用于验证经训练后的所述气象数据插补初始模型的泛化能力。
[0066]
示例性的，所述气象数据插补初始模型可以为bilstm
‑
i模型，所述构建气象数据插补初始模型包括：
[0067]
基于seq2seq和encoder
‑
decode架构构建所述气象数据插补初始模型。
[0068]
其中，将获取到的自动观测数据和人工观测数据进行数据检查，将两种数据进行时间匹配与掩码制作，并采用滚动窗口的方式进行样本采样，从而得到模型数据集。
[0069]
示例性的，通过对自动观测数据和人工观测数据进行时间匹配，确定需要进行数据插补的片段，使用掩码能够明确强制模型忽略某些值，例如对插补元素的注意，防止对损失函数的影响导致模型学习过程出错，采用滚动窗的方法，基于以天为分段的时间序列为模型训练构建样本集，能够增强模型对不同缺失值窗口的泛化能力。
[0070]
由此可见，本技术实施例提供的气象数据插补模型对缺失气温片段进行插补，能够提升数据插补精度和鲁棒性，从而应对由于设备故障、恶略环境等原因造成气象站数据缺失的情况。
[0071]
具体的，所述气象数据插补初始模型包括编码部分，所述编码部分的结构为lstm
‑
i结构，描述所述lstm
‑
i结构的内部单元联结过程的公式为：
[0072][0073][0074][0075][0076]
其中，为估计向量，h
t
‑1为上一个lstm单元的隐状态，w
x
和b
x
为模型参数，为缺失值，x
t
为输入向量，m
t
为掩码向量，h
t
为预测状态，l
t
为估计误差。
[0077]
示例性的，编码部分的基本结构是lstm
‑
i，其中的循环神经网络单元直接采用了长短期记忆单元，在式子中，把上一个lstm单元的隐状态h
t
‑1转化为估计向量
[0078]
在式子中，通过运用掩码向量m
t
，把输入向量x
t
中的缺失值替换为估计向量对应的值；
[0079]
在式子中，通过lstm网络单元把和隐状态h
t
‑1产生预测状态h
t
；
[0080]
在式子中计算lstm
‑
i单元的估计误差，估计误差为缺失值位置上观测值与估计值绝对差的累计量。
[0081]
由此可见，本技术实施例提供的长短期记忆(long short
‑
term memory,lstm)结
构，通过门控状态控制传输状态，有选择性地进行记忆，记住需要长时间记忆的气象数据，遗忘不重要的数据，能够提升插补气象数据的准确性。
[0082]
进一步地，所述气象数据插补初始模型还包括解码部分，描述所述解码部分解码过程的公式为：
[0083]
s
t
＝lstm(h
t
，s
t
‑1)
[0084]
y
t
＝w
y
s
t
b
y
[0085][0086]
其中，s为输出状态序列，y为输出插补结果序列，w
y
和b
y
为模型参数，l
y
为解码层的插补结果误差。
[0087]
其中，s
t
＝lstm(h
t
，s
t
‑1)表示解码层底部是一个标准的lstm网络，该网络综合编码输出序列为h，产生包含更丰富信息输出状态序列s＝{s1,s2,
…
,sn}。在y
t
＝w
y
s
t
b
y
式中表示由于温度值是连续值，解码层顶部采用线性全连接层，输出插补结果序列y。是解码层的插补结果误差。
[0088]
由此可见，本技术实施例采用lstm结构，能够解决在模型训练过程中的梯度消失或梯度爆炸的问题，相较于普通的循环神经网络(recurrent neural network，rnn)结构而言，更适合长序列的模型训练过程，因此，采用lstm结构的气象数据插补模型能够提升长序列气象数据插补的准确性。
[0089]
可选的，针对步骤s131，所述构建所述气象数据插补初始模型包括：
[0090]
基于双向编码的lstm
‑
i神经网络构成所述气象数据插补初始模型的所述编码部分，所述编码部分的输出序列包括前向隐状态序列和后向隐状态序列，将所述前向隐状态序列和所述后向隐状态序列进行拼接，作为所述编码部分的输出序列，以使所述解码部分接收所述输出序列，产生插补后的输出插补结果序列。
[0091]
示例性的，在双向编码的过程中，一个从时间序列的开始到结束读取输入，产生前向隐状态向量序列另一个从时间序列的结束到开始反向读取输入，产生后向隐状态序列将前向和后向隐状态序列进行拼接，构成编码层的编码输出其中，向量h
i
可以表示为：
[0092][0093]
进一步地，双向编码lstm
‑
i编码网络误差包括正向和逆向估计误差两部分。计算所述气象数据插补初始模型的估计误差的公式为：
[0094][0095]
其中，为与所述前向隐状态序列对应的估计误差，为与所述后向隐状态序列对应的估计误差。
[0096]
由此可见，本技术实施例通过采用bilstm
‑
i的结构双向编码，能够更准确地判断需要长时间记忆的气象数据，提高气象插补数据的准确性。
[0097]
可选的，针对步骤s12，所述基于获取的自动观测数据和人工观测数据得到缺失气温片段数据包括：
[0098]
采用卡尔曼平滑的方法对所述自动观测数据和所述人工观测数据中低于预设时间阈值的数据缺口进行数据插补，以得到所述缺失气温片段数据。
[0099]
由此可见，本技术实施例通过对气象数据的时间序列中偶尔或短时间的数据缺口先采用卡尔曼平滑的方法进行数据插补，能够消除短时间的数据缺口，使模型更注重长时间序列的气象数据插补，能够提高气象数据插补的准确性。
[0100]
进一步地，本技术实施例以某野外科学观测研究站的气象温度观测数据为例，在该观测研究站中，自动观测数据每半小时更新一次，人工观测数据每天三次，其中自动观测数据既有短时间温度缺失，也有长时间温度缺失，缺失长度为两个月。
[0101]
首先对数据进行预处理，采用卡尔曼平滑的方法消除数据中短时间的温度数据缺失，进行预处理后的数据中只存在一次两个月时间长度的缺口，以天为单位将每一天的温度时间序列记为d，则人工观测和机器观测均无缺失值的日期记为将只包含人工三次观测而无机器观测数据的日期记为以天为分段，将气象数据的时间序列表示为：
[0102][0103]
该序列表示长度为n天温度时间序列中，确实窗口宽度为m天。该序列数据长度为48n，其中存在一段数据长度为48m的数据缺口。为了表示该序列中缺失值的位置，对长度为l(即48n)的半小时自动观测数据采样温度时间序列构建相应长度为l的掩码时间序列其中，掩码序列表示如下：
[0104][0105]
以天为单位，对长度为l的半小时掩码序列进行分段，没有缺失值的掩码每天分段记为和只包含人工观测数据三次观测值的掩码每天分段，记为以此建立与前述气象数据的时间序列对应的以天为分段的掩码序列：
[0106][0107]
采用滚动窗的方法，基于以天为分段的时间序列为气象数据插补模型训练构建样本集。对长度为m(天)的缺失值进行插补，构建样本滚动窗口的长度大于m，并且在m的两端各保留长度为s(天)的观测数据，这样滚动窗口长度w为(m 2s)天。以seq2seq的训练方法构建模型数据集，对长度为w的训练输入样本中温度观测序列为：
[0108][0109]
通过训练形成如下的时间序列结果输出：
[0110]
[0111]
在上述序列中，为对缺失值插补后，某一天每半小时的自动观测数据值的完整分段。在构建训练样本时，按照观测值与掩码序列以天为顺序对应关系，构建长度为w(天)的掩码序列，作为样本的另一个输入。
[0112]
本技术实施例以上述示例数据为例，以某月缺失值窗口左侧的观测数据构建训练集，右侧的观测数据构建验证集。同时为了验证模型的泛化能力，构建两种测试样本，一种缺失值时间窗口设定为30天，另一种缺失值时间窗口设定为60天，这两种训练样本缺失值窗口前后连续观测值均设定为14天。
[0113]
在构建上述模型训练集后，可以采用pytorch深度学习框架进行模型构建，将训练数据集和验证数据集用于对模型的训练，使用测试数据集对模型的泛化能力进行测试。具体方法为用缺失值窗口为30天的模型对缺失值为60天时间温度观测时间序列进行插补，然后用缺失值窗口为60天的模型对缺失值为30天时间温度观测时间序列进行插补。
[0114]
最后将时间长度为两个月的数据缺失片段按照输入数据结构进行构造，并带入已完成训练和测试的模型进行计算，最终得到完整的气温时间序列数据。
[0115]
请参看图3，基于同一发明构思，本技术实施例还提供一种气象数据插补装置30，图3为本技术实施例提供的气象数据插补装置的示意图，该装置包括：
[0116]
数据获取模块31，用于基于获取的自动观测数据得到缺失气温片段。
[0117]
数据插补模块32，用于以获取的人工观测数据为真值，根据训练完成的气象数据插补模型对所述缺失气温片段进行插补，以得到完整高频时序气象数据。
[0118]
可选的，气象数据插补装置30还可以包括：
[0119]
初始模型构建模块，用于在将所述缺失气温片段数据输入气象数据插补模型之前，构建气象数据插补初始模型。
[0120]
模型训练模块，用于基于模型数据集对所述气象数据插补初始模型进行训练，以得到气象数据插补模型，所述模型数据集包括训练数据集、验证数据集和测试数据集，所述训练数据集和所述验证数据集用于训练所述气象数据插补初始模型，所述测试数据集用于验证经训练后的所述气象数据插补初始模型的泛化能力；所述气象数据插补初始模型可以为bilstm
‑
i模型，所述构建气象数据插补初始模型包括：基于seq2seq和encoder
‑
decode架构构建所述气象数据插补初始模型。
[0121]
可选的，模型训练模块还可用于基于双向编码的lstm
‑
i神经网络构成所述气象数据插补初始模型的所述编码部分，所述编码部分的输出序列包括前向隐状态序列和后向隐状态序列，将所述前向隐状态序列和所述后向隐状态序列进行拼接，作为所述编码部分的输出序列，以使所述解码部分接收所述输出序列，产生插补后的输出插补结果序列。
[0122]
可选的，数据获取模块31还可用于：
[0123]
采用卡尔曼平滑的方法对所述自动观测数据和所述人工观测数据中低于预设时间阈值的数据缺口进行数据插补，以得到所述缺失气温片段数据。
[0124]
第三方面，本技术实施例还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行上述任一实现方式中的步骤。
[0125]
第四方面，本技术实施例还提供了一种存储介质，所述可读取存储介质中存储有
计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一实现方式中的步骤。
[0126]
在本技术所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，又例如，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通信接口，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。
[0127]
例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0128]
所述存储介质可以是随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read
‑
only memory，prom)，可擦除只读存储器(erasable programmable read
‑
only memory，eprom)，电可擦除只读存储器(electric erasable programmable read
‑
only memory，eeprom)等各种可以存储程序代码的介质。其中，存储介质用于存储程序，所述处理器在接收到执行指令后，执行所述程序，本发明实施例任一实施例揭示的过程定义的电子终端所执行的方法可以应用于处理器中，或者由处理器实现。
[0129]
另外，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。
[0130]
再者，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0131]
需要说明的是，功能如果以软件功能模块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，本技术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)执行本技术各个实施例所述方法的全部或部分步骤。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另
一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。
[0132]
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0133]
以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。