基于预测模型的数据预测方法、装置、计算机设备及介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种基于预测模型的数据预测方法、装置、计算机设备及介质。


背景技术：

2.随着科技的发展，人工智能技术得到了迅猛发展，在人工智能技术的使用过程中，数据预测的问题越来越受人们所重视，数据预测可以对整个国家或一个具体地区进行经济状态、人口状态或事项等状态的预测，为提高用户的使用体验，数据预测结果的准确性越来越受人们所重视。
3.现有的数据预测过程中，均是采用拟合方程的方式进行数据的预测，但由于拟合方程容易产生“过拟合”现象，进而导致数据预测准确性较低。


技术实现要素：

4.有鉴于此，本技术实施例提供了一种基于预测模型的数据预测方法、装置、计算机设备及介质，以解决现有的数据预测过程中，采用拟合方程的方式进行数据预测，导致数据预测准确性较低的现象。
5.本技术实施例的第一方面提供了一种基于预测模型的数据预测方法，包括：
6.根据待预测场景确定样本数据，并指示预先设置的至少一个数据预测模型对所述样本数据进行数据预测，得到样本预测结果；
7.根据所述样本预测结果对各数据预测模型进行样本回测，得到回测差值，所述回测差值用于表征相应数据预测模型的误差程度，并根据所述回测差值对各数据预测模型进行模型过滤，得到至少一个目标数据预测模型；
8.根据所述回测差值确定各目标数据预测模型的模型权重，并将所述待预测场景的场景数据输入各目标数据预测模型进行数据预测，得到数据预测结果；
9.根据各目标数据预测模型的模型权重和数据预测结果，生成所述待预测场景的数据预测值。
10.进一步地，所述根据待预测场景确定样本数据，包括：
11.确定所述待预测场景的场景标识，并将所述场景标识与预存储的指标查询表进行匹配，得到指标标识；
12.根据所述指标标识进行数据采集，得到采集数据，并对所述采集数据进行指标清洗，所述指标清洗用于对所述采集数据中的各指标标识对应的数据存储频率进行同频处理。
13.进一步地，所述根据所述样本预测结果对各数据预测模型进行样本回测，得到回测差值，包括：
14.查询所述样本数据的真实数据值，并确定同一所述样本数据的真实数据值与样本预测结果之间的绝对差值，得到所述回测差值。
15.进一步地，所述根据所述样本预测结果对各数据预测模型进行样本回测，得到回测差值之后，还包括：
16.根据所述回测差值确定相应数据预测模型的模型误差；
17.所述根据所述回测差值确定相应数据预测模型的模型误差所采用的计算公式为：
[0018][0019]
其中，mse为所述模型误差，yi为针对第i个样本数据的所述样本预测结果，为针对第i个样本数据的所述真实数据值，n为所述样本数据的样本数量。
[0020]
进一步地，所述根据所述回测差值确定各目标数据预测模型的模型权重所采用的公式为：
[0021]
w
n
＝d
n
/sum(d
n
)
[0022]
其中，w
n
为各目标数据预测模型的模型权重，d
n
为各目标数据预测模型的模型误差，sum(d
n
)为各目标数据预测模型之间模型误差的和。
[0023]
进一步地，所述对所述采集数据进行指标清洗，包括：
[0024]
分别确定各指标标识在所述采集数据中的数据存储频率，并分别确定各指标标识对应的数据存储频率与标准存储频率之间的频率比；
[0025]
根据所述频率比确定相应指标标识的指标清洗规则，并根据所述指标清洗规则对相应指标标识的数据存储频率进行指标清洗，所述指标清洗规则用于对相应指标标识的数据存储频率进行降频或增频。
[0026]
进一步地，所述根据待预测场景确定样本数据之后，还包括：
[0027]
对所述样本数据执行目标检测操作，所述目标检测操作包括以下至少一项：平稳性检测、白噪声检测；
[0028]
将所述样本数据中，执行目标检测操作后的、对应检测结果不合格的数据进行删除。
[0029]
本技术实施例的第二方面提供了一种数据预测装置，包括：
[0030]
样本数据确定单元，用于根据待预测场景确定样本数据，并指示预先设置的至少一个数据预测模型对所述样本数据进行数据预测，得到样本预测结果；
[0031]
样本回测单元，用于根据所述样本预测结果对各数据预测模型进行样本回测，得到回测差值，所述回测差值用于表征相应数据预测模型的误差程度，并根据所述回测差值对各数据预测模型进行模型过滤，得到至少一个目标数据预测模型；
[0032]
模型权重确定单元，用于根据所述回测差值确定各目标数据预测模型的模型权重，并将所述待预测场景的场景数据输入各目标数据预测模型进行数据预测，得到数据预测结果；
[0033]
数据预测单元，用于根据各目标数据预测模型的模型权重和数据预测结果，生成所述待预测场景的数据预测值。
[0034]
本技术实施例的第三方面提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在计算机设备上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面提供的基于预测模型的数据预测方法的各步骤。
[0035]
本技术实施例的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存储有计算机程序，所述计算机程序被处理器执行时实现第一方面提供的基于预测模型的数据预测方法的各步骤。
[0036]
本技术实施例提供的一种基于预测模型的数据预测方法、装置、计算机设备及介质，通过样本预测结果对各数据预测模型进行样本回测，得到回测差值，并根据回测差值对各数据预测模型进行模型过滤，能有效地删除预测误差较大的数据预测模型，提高了数据预测过程中目标数据预测模型选择的准确性，降低了数据预测过程中过拟合现象的发生，由于回测差值用于表征相应数据预测模型的误差程度，因此，基于回测差值能有效地判定相应目标数据预测模型的预测精度，通过回测差值确定各目标数据预测模型的模型权重，以达到基于各目标数据预测模型的预测精度进行模型权重分配的效果，基于各目标数据预测模型的模型权重和数据预测结果，以采用权重计算的方式生成待预测场景的数据预测值，降低了待预测场景的场景数据中，数据突变所导致的数据预测误差。本技术实施例通过采用多个数据预测模型进行数据预测的方式，提高了数据预测结果的鲁棒性，可满足多种待预测场景。
附图说明
[0037]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0038]
图1是本技术实施例提供的一种基于预测模型的数据预测方法的实现流程图；
[0039]
图2是本技术另一实施例提供的一种基于预测模型的数据预测方法的实现流程图；
[0040]
图3是本技术实施例提供的一种数据预测装置的结构框图；
[0041]
图4是本技术实施例提供的一种计算机设备的结构框图。
具体实施方式
[0042]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0043]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0044]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0045]
本技术实施例中，基于人工智能技术，以实现基于预测模型的数据预测方法，对待
预测场景进行数据预测。
[0046]
请参阅图1，图1示出了本技术实施例提供的一种基于预测模型的数据预测方法的实现流程图，该基于预测模型的数据预测方法应用于任一计算机设备，该计算机设备可以为服务器、手机、平板或可穿戴智能设备等，该基于预测模型的数据预测方法包括：
[0047]
步骤s10，根据待预测场景确定样本数据，并指示预先设置的至少一个数据预测模型对所述样本数据进行数据预测，得到样本预测结果；
[0048]
其中，不同待预测场景对应的样本数据不相同，由于数据预测模型对不同待预测场景的数据预测的准确性不相同，因此，该步骤中，通过查询与待预测场景相同场景对应的场景数据，以得到该样本数据，该场景数据可以为经济数据、人口状态数据或指定事项的数据，通过指示预先设置的至少一个数据预测模型对样本数据进行数据预测，以得到各数据预测模型对样本数据的样本预测结果。
[0049]
该步骤中，预先设置的数据预测模型的数量大于1个，该数据预测模型的数量可以根据需求进行设置，且确定到的样本数据的数量大于或等于1个，为了提高数据预测模型的适应性和健壮性，该数据预测模型包括单指标预测模型、多指标预测模型或不同的指标组合使用同一个多指标预测模型，该单指标预测模型包括自回归模型、移动平均模型和自回归移动平均模型等，该多指标预测模型包括深度学习长短期记忆模型或向量自回归模型。
[0050]
可选的，该步骤中，所述根据待预测场景确定样本数据之后，还包括：
[0051]
对所述样本数据执行目标检测操作，所述目标检测操作包括以下至少一项：平稳性检测、白噪声检测；
[0052]
将所述样本数据中，执行目标检测操作后的、对应检测结果不合格的数据进行删除；
[0053]
其中，通过对样本数据进行平稳性检测，以检测该样本数据中指标的平稳性，若样本数据中的指标不符合平稳性，则无法对该样本数据进行数据预测；通过对该样本数据进行白噪声检测，以检测该样本数据中的指标是否符合白噪声特性，即，检测该指标是否存在无序震荡的现象，若检测到指标存在无序震荡的现象，则判定该样本数据的白噪声检测不合格，该样本数据无法进行数据预测。
[0054]
步骤s20，根据所述样本预测结果对各数据预测模型进行样本回测，得到回测差值，并根据所述回测差值对各数据预测模型进行模型过滤，得到至少一个目标数据预测模型；
[0055]
其中，该回测差值用于表征相应数据预测模型的误差程度，基于样本数据，通过回测差值对各数据预测模型进行模型过滤，以去除数据预测模型中，针对待预测场景数据预测误差较大的模型，提高了对该待预测场景数据预测的准确性。
[0056]
可选的，该步骤中，所述根据所述样本预测结果对各数据预测模型进行样本回测，得到回测差值，包括：
[0057]
查询所述样本数据的真实数据值，并确定同一所述样本数据的真实数据值与样本预测结果之间的绝对差值，得到所述回测差值；
[0058]
其中，当该场景数据为经济数据时，则该基于预测模型的数据预测方法用于对待预测场景进行经济预测，该真实数据值为样本数据的真实经济值，该真实经济值用于表征样本数据对应场景真实的经济发展程度，该步骤中，通过将该样本数据的数据标识与预存
储的经济值查询表进行匹配，以得到该样本数据的真实数据值，该经济值查询表中存储有不同样本数据的数据标识与对应真实数据值之间的对应关系。
[0059]
进一步地，该步骤中，所述根据所述样本预测结果对各数据预测模型进行样本回测，得到回测差值之后，还包括：根据所述回测差值确定相应数据预测模型的模型误差；
[0060]
其中，根据所述回测差值确定相应数据预测模型的模型误差所采用的计算公式为：
[0061][0062]
其中，mse为所述模型误差，yi为针对第i个样本数据的样本预测结果，为针对第i个样本数据的真实数据值，n为样本数据的样本数量，mse(均方误差)的计数结果，记为d
n
，d
n
值越大证明对应数据预测模型的回测精度越差。若任一数据预测模型的d
n
，远远的偏离其他数据预测模型的d
n
，则可以直接弃用相应数据预测模型，具体的，不同数据预测模型之间的偏离值上限，可以采用统计学方法或人为的方式进行设定。
[0063]
本实施例中，根据回测差值对各数据预测模型进行模型过滤的过滤条件可以根据需求进行设置，该过滤条件用于检测各数据预测模型的误差是否小于预设误差，即，当数据预测模型的回测差值满足过滤条件，则判定该数据预测模型的误差较小，当数据预测模型的回测差值不满足过滤条件，则判定该数据预测模型的误差较大，并删除误差较大的数据预测模型。
[0064]
步骤s30，根据所述回测差值确定各目标数据预测模型的模型权重，并将所述待预测场景的场景数据输入各目标数据预测模型进行数据预测，得到数据预测结果；
[0065]
其中，通过回测差值确定各目标数据预测模型的模型权重，以达到基于各目标数据预测模型的预测精度进行模型权重分配的效果。
[0066]
可选的，该步骤中，所述根据所述回测差值确定各目标数据预测模型的模型权重所采用的公式为：
[0067]
w
n
＝d
n
/sum(d
n
)
[0068]
其中，w
n
为各目标数据预测模型的模型权重，d
n
为各目标数据预测模型的模型误差，sum(d
n
)为各目标数据预测模型之间模型误差的和。
[0069]
步骤s40，根据各目标数据预测模型的模型权重和数据预测结果，生成所述待预测场景的数据预测值；
[0070]
其中，本实施例用于对对待预测场景进行经济状态的预测，该数据预测值为经济预测值，经济预测值用于表征待预测场景的经济发展程度，该步骤中，基于各目标数据预测模型的模型权重和数据预测结果，以采用权重计算的方式生成待预测场景的经济预测值，降低了待预测场景的场景数据中，数据突变所导致的经济预测误差。可选的，该步骤中，通过将该待预测场景的经济预测值与预存储的经济发展确认表进行匹配，以得到经济发展程度，该经济发展确认表中存储有不同经济发展值范围与对应经济发展程度之间的对应关系，例如，该经济发展确认表中存储a1经济发展值范围(
‑
100至0)
‑
负向发展、a2经济发展值范围(0至10)
‑
正向慢发展、a3经济发展值范围(10至30)
‑
正向快发展和a4经济发展值范围(30至100)
‑
正向快速发展，当待预测场景的经济预测值为20时，则判定该待预测场景的经
济发展程度为正向快发展。
[0071]
本实施例中，通过样本预测结果对各数据预测模型进行样本回测，得到回测差值，并根据回测差值对各数据预测模型进行模型过滤，能有效地删除预测误差较大的数据预测模型，提高了数据预测过程中目标数据预测模型选择的准确性，降低了数据预测过程中过拟合现象的发生，由于回测差值用于表征相应数据预测模型的误差程度，因此，基于回测差值能有效地判定相应目标数据预测模型的预测精度，通过回测差值确定各目标数据预测模型的模型权重，以达到基于各目标数据预测模型的预测精度进行模型权重分配的效果，基于各目标数据预测模型的模型权重和数据预测结果，以采用权重计算的方式生成待预测场景的数据预测值，降低了待预测场景的场景数据中，数据突变所导致的数据预测误差。本技术实施例通过采用多个数据预测模型进行数据预测的方式，提高了数据预测结果的鲁棒性，可满足多种待预测场景。
[0072]
请参阅图2，图2是本技术另一实施例提供的一种基于预测模型的数据预测方法的实现流程图。相对于图1实施例，本实施例提供的基于预测模型的数据预测方法用于对图1实施例中的步骤s10作进一步细化，包括：
[0073]
步骤s11，确定所述待预测场景的场景标识，并将所述场景标识与预存储的指标查询表进行匹配，得到指标标识；
[0074]
其中，不同待预测场景之间的场景标识不相同，该指标查询表中存储有不同场景标识与对应指标标识之间的对应关系，且一个场景标识可以对应多个不同的指标标识。该指标标识可以用于表征对应待预测场景的场景状态，例如，该指标标识包括“省会城市”、“旅游城市”、“乡村”或“金融区域”等。
[0075]
步骤s12，根据所述指标标识进行数据采集，得到采集数据，并对所述采集数据进行指标清洗；
[0076]
其中，该指标清洗用于对采集数据中的各指标标识对应的数据存储频率进行同频处理，该步骤中，通过对采集数据进行指标清洗，以达到对采集数据中指标标识的同频处理的效果。
[0077]
可选的，该步骤中，所述对所述采集数据进行指标清洗，包括：
[0078]
分别确定各指标标识在所述采集数据中的数据存储频率，并分别确定各指标标识对应的数据存储频率与标准存储频率之间的频率比；
[0079]
根据所述频率比确定相应指标标识的指标清洗规则，并根据所述指标清洗规则对相应指标标识的数据存储频率进行指标清洗；
[0080]
其中，该采集数据包括至少一个指标标识对应的数据，该数据存储频率为相应指标标识对应数据的数据更新周期的倒数，例如，该数据存储频率可以为“1天”、“1周”、“1个月”或“1年”等，指标清洗规则用于对相应指标标识的数据存储频率进行降频或增频。
[0081]
例如，将每日的采购经理指数(purchasing managers'index，pmi)降频到月度，取每个月的最大值或平均值作为本月的月度pmi指数，以此确保指标在一个“频次”内。同样的，还会对低频的样本数据进行升频处理，如工业增加值每个季度公布一次，那每个月的值就取临近2个季度的值进行“插值法”，那么就得到了每个月的工业增加值，实现了同频。
[0082]
本实施例中，通过确定待预测场景的场景标识，基于场景标识能有效地确定到待预测场景的指标标识，基于指标标识能有效地获取到与待预测场景相同场景对应的场景数
据，得到该样本数据，通过对采样数据进行指标清洗，以达到对采样数据中指标标识的同频处理的效果。
[0083]
请参阅图3，图3是本技术实施例提供的一种数据预测装置100的结构框图。本实施例中该数据预测装置100包括的各单元用于执行图1、图2对应的实施例中的各步骤。具体请参阅图1、图2以及图1、图2所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图3，数据预测装置100包括：样本数据确定单元10、样本回测单元11、模型权重确定单元12和数据预测单元13，其中：
[0084]
样本数据确定单元10，用于根据待预测场景确定样本数据，并指示预先设置的至少一个数据预测模型对所述样本数据进行数据预测，得到样本预测结果。
[0085]
其中，样本数据确定单元10还用于：确定所述待预测场景的场景标识，并将所述场景标识与预存储的指标查询表进行匹配，得到指标标识；
[0086]
根据所述指标标识进行数据采集，得到采集数据，并对所述采集数据进行指标清洗，所述指标清洗用于对所述采集数据中的各指标标识对应的数据存储频率进行同频处理。
[0087]
可选的，样本数据确定单元10还用于：分别确定各指标标识在所述采集数据中的数据存储频率，所述数据存储频率为相应指标标识对应数据的数据更新周期，并分别确定各指标标识对应的数据存储频率与标准存储频率之间的频率比；
[0088]
根据所述频率比确定相应指标标识的指标清洗规则，并根据所述指标清洗规则对相应指标标识的数据存储频率进行指标清洗，所述指标清洗规则用于对相应指标标识的数据存储频率进行降频或增频。
[0089]
进一步地，该样本数据确定单元10还用于：对所述样本数据执行目标检测操作，所述目标检测操作包括以下至少一项：平稳性检测、白噪声检测；
[0090]
将所述样本数据中，执行目标检测操作后的、对应检测结果不合格的数据进行删除。
[0091]
样本回测单元11，用于根据所述样本预测结果对各数据预测模型进行样本回测，得到回测差值，所述回测差值用于表征相应数据预测模型的误差程度，并根据所述回测差值对各数据预测模型进行模型过滤，得到至少一个目标数据预测模型。
[0092]
其中，样本回测单元11还用于：查询所述样本数据的真实数据值，并确定同一所述样本数据的真实数据值与样本预测结果之间的绝对差值，得到所述回测差值。
[0093]
进一步地，该样本回测单元11还用于：根据所述回测差值确定相应数据预测模型的模型误差；
[0094]
所述根据所述回测差值确定相应数据预测模型的模型误差所采用的计算公式为：
[0095][0096]
其中，mse为所述模型误差，yi为针对第i个样本数据的所述样本预测结果，为针对第i个样本数据的所述真实数据值，n为所述样本数据的样本数量。
[0097]
模型权重确定单元12，用于根据所述回测差值确定各目标数据预测模型的模型权重，并将所述待预测场景的场景数据输入各目标数据预测模型进行数据预测，得到数据预
测结果。
[0098]
其中，所述根据所述回测差值确定各目标数据预测模型的模型权重所采用的公式为：
[0099]
w
n
＝d
n
/sum(d
n
)
[0100]
其中，w
n
为各目标数据预测模型的模型权重，d
n
为各目标数据预测模型的模型误差，sum(d
n
)为各目标数据预测模型之间模型误差的和。
[0101]
数据预测单元13，用于根据各目标数据预测模型的模型权重和数据预测结果，生成所述待预测场景的数据预测值。
[0102]
本实施例中，通过样本预测结果对各数据预测模型进行样本回测，得到回测差值，并根据回测差值对各数据预测模型进行模型过滤，能有效地删除预测误差较大的数据预测模型，提高了数据预测过程中目标数据预测模型选择的准确性，降低了数据预测过程中过拟合现象的发生，由于回测差值用于表征相应数据预测模型的误差程度，因此，基于回测差值能有效地判定相应目标数据预测模型的预测精度，通过回测差值确定各目标数据预测模型的模型权重，以达到基于各目标数据预测模型的预测精度进行模型权重分配的效果，基于各目标数据预测模型的模型权重和数据预测结果，以采用权重计算的方式生成待预测场景的数据预测值，降低了待预测场景的场景数据中，数据突变所导致的数据预测误差。本技术实施例通过采用多个数据预测模型进行数据预测的方式，提高了数据预测结果的鲁棒性，可满足多种待预测场景。
[0103]
图4是本技术另一实施例提供的一种计算机设备2的结构框图。如图4所示，该实施例的计算机设备2包括：处理器20、存储器21以及存储在所述存储器21中并可在所述处理器20上运行的计算机程序22，例如基于预测模型的数据预测方法的程序。处理器20执行所述计算机程序22时实现上述各个基于预测模型的数据预测方法各实施例中的步骤，例如图1所示的s10至s40，或者图2所示的s11至s12。或者，所述处理器20执行所述计算机程序22时实现上述图3对应的实施例中各单元的功能，例如，图3所示的单元10至13的功能，具体请参阅图3对应的实施例中的相关描述，此处不赘述。
[0104]
示例性的，所述计算机程序22可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器21中，并由所述处理器20执行，以完成本技术。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序22在所述计算机设备2中的执行过程。例如，所述计算机程序22可以被分割成样本数据确定单元10、样本回测单元11、模型权重确定单元12和数据预测单元13，各单元具体功能如上所述。
[0105]
所述计算机设备可包括，但不仅限于，处理器20、存储器21。本领域技术人员可以理解，图4仅仅是计算机设备2的示例，并不构成对计算机设备2的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机设备还可以包括输入输出设备、网络接入设备、总线等。
[0106]
所称处理器20可以是中央处理单元(centralprocessing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signalprocessor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field
‑
programmable gate array，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。
[0107]
所述存储器21可以是所述计算机设备2的内部存储单元，例如计算机设备 2的硬盘或内存。所述存储器21也可以是所述计算机设备2的外部存储设备，例如所述计算机设备2上配备的插接式硬盘，智能存储卡(smartmedia card， smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器21还可以既包括所述计算机设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储所述计算机程序以及所述计算机设备所需的其他程序和数据。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
[0108]
另外，在本技术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。
[0109]
集成的模块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存储介质中。其中，计算机可读存储介质可以是非易失性的，也可以是易失性的。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random accessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
[0110]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。