数据处理方法、装置、电子设备和存储介质与流程

1.本公开涉及数据处理领域中的物联网、智能交通领域，尤其涉及一种数据处理方法、装置、电子设备和存储介质。


背景技术：

2.近年来，随着数据处理领域的不断发展完善以及实际应用需求的逐年增加，针对车辆轨迹的相似度研判引起了越来越多的关注。车辆轨迹的相似度研判能用于追踪定位的车辆的轨迹，可以方便知道一些车辆的相关的行程以及挖掘热点路段，在各个方面具有十分重要的作用。
3.目前主要是根据监控点抓拍的经纬度作为车辆轨迹序列，通过车辆轨迹序列的直接比较，如果在一定的时间序列内都经过相同的抓拍点，则判定轨迹是相似的。但这种车辆轨迹序列直接比较的方法准确性不够，不能处理复杂路径下的路径匹配问题。


技术实现要素：

4.本公开提供了一种数据处理方法、装置、电子设备和存储介质。
5.根据第一方面，提供了一种数据处理方法，包括：获取车辆轨迹对应的地理位置数据，根据所述地理位置数据生成地理位置时序序列，以及根据所述地理位置时序序列基于快速动态时间规整算法，计算车辆轨迹相似度，其中，所述快速动态时间规整算法为结合了探索空间限制和数据抽象的动态时间规整算法。
6.根据第二方面，提供了一种数据处理装置，包括：获取模块，用于获取车辆轨迹对应的地理位置数据；生成模块，用于根据所述地理位置数据生成地理位置时序序列；以及计算模块，用于根据所述地理位置时序序列基于快速动态时间规整算法，计算车辆轨迹相似度，其中，所述快速动态时间规整算法为结合了探索空间限制和数据抽象的动态时间规整算法。
7.根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开第一方面所述的数据处理方法。
8.根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据本公开第一方面所述的数据处理方法。
9.根据第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本公开第一方面所述的数据处理方法。
10.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
11.附图用于更好地理解本方案，不构成对本公开的限定。其中：
12.图1是根据本公开第一实施例的数据处理方法的流程示意图；
13.图2是传统的动态时间规整dtw算法的原理示意图一；
14.图3是传统的动态时间规整dtw算法的原理示意图二；
15.图4是传统的动态时间规整dtw算法的原理示意图三；
16.图5是传统的动态时间规整dtw算法的探索空间示意图；
17.图6是结合了探索空间限制的动态时间规整dtw算法的探索空间示意图；
18.图7是结合了数据抽象的动态时间规整dtw算法的时间复杂度示意图；
19.图8是根据本公开第二实施例的数据处理方法的流程示意图；
20.图9是快速动态时间规整fastdtw算法的原理示意图；
21.图10是根据本公开第一实施例的数据处理装置的框图；
22.图11是根据本公开第二实施例的数据处理装置的框图；
23.图12是用来实现本公开实施例的数据处理方法的电子设备的框图。
具体实施方式
24.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
25.数据处理(data processing，简称dp)是对数据的采集、存储、检索、加工、变换和传输。数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。数据处理是系统工程和自动控制的基本环节。数据处理贯穿于社会生产和社会生活的各个领域。数据处理技术的发展及其应用的广度和深度，极大地影响了人类社会发展的进程。
26.物联网(internet of things，简称iot)即“万物相连的互联网”，是互联网基础上的延伸和扩展的网络，将各种信息传感设备与网络结合起来而形成的一个巨大网络，实现在任何时间、任何地点，人、机、物的互联互通。物联网是新一代信息技术的重要组成部分，信息科技行业又叫：泛互联，意指物物相连，万物万联。由此，“物联网就是物物相连的互联网”。这有两层意思：第一，物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络；第二，其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信。因此，物联网的定义是通过射频识别、红外感应器、全球定位系统、激光扫描器等信息传感设备，按约定的协议，把任何物品与互联网相连接，进行信息交换和通信，以实现对物品的智能化识别、定位、跟踪、监控和管理的一种网络。
27.智能交通系统(intelligent traffic system，简称its)又称智能运输系统，是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
28.下面结合附图描述本公开实施例的数据处理方法、装置、电子设备和存储介质。
29.图1是根据本公开第一实施例的数据处理方法的流程示意图。
30.如图1所示，本公开实施例的数据处理方法具体可包括以下步骤：
31.s101，获取车辆轨迹对应的地理位置数据。
32.具体的，本公开实施例的数据处理方法的执行主体可为本公开实施例提供的数据处理装置，该数据处理装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的，执行主体可包括工作站、服务器，计算机、用户终端及其他设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
33.在本公开实施例中，车辆轨迹即目标车辆在道路上的全部行驶路径，地理位置数据即车辆的地理位置全球导航定位数据例如全球定位系统(global positioning system，gps)数据，根据车辆轨迹可获取对应的地理位置数据。其中，车辆轨迹可以通过对应设备、网路传输等方式获取。例如，当通过对应设备检测时，通过设备上的检测和记录等模块获取车辆的轨迹。或者，当采用网络传输的方式获取车辆轨迹时，设备上具有联网装置，可通过联网装置与其他设备或者服务器进行网络传输，这里不做过多限定。
34.s102，根据地理位置数据生成地理位置时序序列。
35.具体的，将步骤s101获取的车辆轨迹对应的地理位置数据按照时间顺序进行排列，以生成目标车辆的车辆轨迹对应的地理位置时序序列。
36.s103，根据地理位置时序序列基于快速动态时间规整算法，计算车辆轨迹相似度，其中，快速动态时间规整算法为结合了探索空间限制和数据抽象的动态时间规整算法。
37.具体的，根据步骤s102生成的地理位置时序序列基于预设的快速动态时间规整(fast dynamic time warping，简称fastdtw)算法，计算车辆轨迹相似度。其中，快速动态时间规整fastdtw算法为在传统的动态时间规整(dynamic time warping，简称dtw)算法的基础上，结合了探索空间限制和数据抽象来加速传统的dtw算法的计算，提高了计算效率。
38.dtw算法最初用于识别语音相似度。给定两个语音时间序列，经过一些算法，如果能将这两个序列”规整”对齐，那么就可以认为这两个语音时间序列要表达的意思相同。例如，一个单词发音为1
‑3‑2‑
4，有两个语音时间序列表示这个单词，如图2所示，发音a：1
‑1‑3‑3‑2‑
4，发音b：1
‑3‑2‑2‑4‑
4。
39.由于两个序列距离的越小，相似度越高，因此希望算出的距离越小越好，这样把两个序列识别为同一单词的概率就越大。先计算两个序列的欧几里得距离。距离之和＝|a(1)
‑
b(1)| |a(2)
‑
b(2)| |a(3)
‑
b(3)| |a(4)
‑
b(4)| |a(5)
‑
b(5)| |a(6)
‑
b(6)|＝|1
‑
1| |1
‑
3| |3
‑
2| |3
‑
2| |2
‑
4| |4
‑
4|＝6。如果允许一个序列的点可与另一序列的多个连续的点相对应，如图3所示，则此时的距离之和＝|a(1)
‑
b(1)| |a(2)
‑
b(1)| |a(3)
‑
b(2)| |a(4)
‑
b(2)| |a(5)
‑
b(3)| |a(5)
‑
b(4)| |a(6)
‑
b(5)| |a(6)
‑
b(6)|＝|1
‑
1| |1
‑
1| |3
‑
3| |3
‑
3| |2
‑
2| |2
‑
2| |4
‑
4| |4
‑
4|＝0。这种“可以把一个序列某个时刻的点跟另一序列多个连续时刻的点相对应”的算法称为时间规整(time warping)算法。
40.现在我们用一个6*6矩阵m表示序列a(1
‑1‑3‑3‑2‑
4)和序列b(1
‑3‑2‑2‑4‑
4)各个点之间的距离，m(i,j)表示a的第i个点和b的第j个点之间的距离，如图4所示，我们看到传统欧几里得距离里对应的点：a(1)
‑
b(1)、a(2)
‑
b(2)、a(3)
‑
b(3)、a(4)
‑
b(4)、a(5)
‑
b(5)和a(6)
‑
b(6)，它们正好构成了对角线，对角线上元素和为6。时间规整算法中，对应的点构成了
从左上角到右下角的另一条路径，路径上的元素和为0。因此，dtw算法的步骤为：1)计算两个序列各个点之间的距离矩阵。2)寻找一条从矩阵左上角到右下角的路径，使得路径上的元素和最小。
41.路径上的元素和即路径长度，dtw算法的目标是寻找长度最小的路径。通过分析，矩阵从左上角到右下角的路径长度有以下性质：
42.1)当前路径长度＝前一步的路径长度 当前元素的大小；
43.2)路径上的某个元素(i,j)，它的前一个元素只可能为以下三者之一：
44.a)左边的相邻元素(i,j
‑
1)
45.b)上面的相邻元素(i
‑
1,j)
46.c)左上方的相邻元素(i
‑
1,j
‑
1)
47.假设矩阵m，从矩阵左上角(1,1)到任一点(i,j)的最短路径长度为lmin(i,j)。那么可以用递归算法求最短路径长度，具体如下：
48.起始条件：
49.l
min
(1，1)＝m(1，1)
50.因为当前元素的最短路径是前一个元素的最短路径的长度加上当前元素的值。前一个元素有三个可能，取三个可能之中路径最短的那个即可，因此得到如下递归规则。
51.递推规则：
52.l
min
(i，j)＝min{l
min
(i，j
‑
1)，l
min
(i
‑
1，j)，l
min
(i
‑
1，j
‑
1)} m(i，j)
53.通过以上分析可知，传统的dtw算法，因为需要得到整个的矩阵l,才能求得最终的l
min
，因此传统的dtw算法的时间复杂度是o(n2)，其中n为时间序列的长度。
54.dtw算法的加速方法：
55.1)探索空间限制。即减少d的探索空间，如图5所示为传统的dtw算法的探索空间示意图，如图6所示为结合了探索空间限制的dtw算法的探索空间示意图，阴影部分为实际的探索空间，空白部分不进行探索。
56.2)数据抽象。即把之前的长度为n的时间序列规约成长度为m(m<n)的表述方式，如图7所示，把时间序列的维度降低为原来(1/1)的1/5进行dtw计算，再恢复为之前的维度(1/1)。这种方法能让dtw算法加上一个大的常数系数的加速，但是该方法还是需要在o(n2)的时间复杂度下运行。而且，随着抽象的等级的增加，计算两个时间序列之间的最短距离也越不准确。
57.本公开实施例中，采用在传统dtw算法的基础上结合探索空间限制和数据抽象的快速动态时间规整fastdtw算法，相比传统的dtw算法，可以将时间复杂度缩减为o(n)，提高了计算效率。
58.综上，本公开实施例的数据处理方法，获取车辆轨迹对应的地理位置数据，根据地理位置数据生成地理位置时序序列，根据地理位置时序序列基于快速动态时间规整算法，计算车辆轨迹相似度，其中，快速动态时间规整算法为结合了探索空间限制和数据抽象的动态时间规整算法。本公开的数据处理方法，解决了复杂路径下的路径匹配问题，提升了轨迹相似度的准确性，且相对于动态时间规整算法提升了相似度计算的效率。
59.图8是根据本公开第二实施例的数据处理方法的流程示意图。
60.如图8所示，在图1所示实施例的基础上，本公开实施例的数据处理方法具体可包
括以下步骤：
61.s801，获取车辆轨迹对应的地理位置数据。
62.具体的，本实施例中的步骤s801与上述实施例中的步骤s101相同，此处不再赘述。
63.s802，对地理位置数据进行数据清洗。
64.具体的，对步骤s801获取的地理位置数据进行数据清洗，以去除无效数据，本技术对数据清洗的具体方式不做过多限定。
65.s803，对地理位置数据进行预处理。
66.具体的，对步骤s802得到的数据清洗后的地理位置数据进行预处理，例如，对数据清洗后的地理位置数据进行坐标转换，将数据清洗后的地理位置数据转化为莫卡托坐标系下的地理位置数据；预先设置莫卡托坐标系的网格阈值，根据预设的网格阈值将莫卡托坐标系下的地理位置数据转化为网格化后的地理位置数据，当车辆的地理位置数据在网格时，可将其看做为某一个点，由此生成网格化后的地理位置数据。例如，以100米(m)作为一个网格值，将地理位置数据落在(100*100)的网格内的点都视为在同一个位置点，例如，12928000
‑
12928100，4846000
‑
4846100之内的点都视为在[129280,48460]这个网格点上。由此，可以将车辆的一组地理位置数据转化为网格化后的地理位置数据。
[0067]
s804，根据地理位置数据生成地理位置时序序列。
[0068]
具体的，本实施例中的步骤s804与上述实施例中的步骤s102相同，此处不再赘述。
[0069]
上述实施例中的步骤s803中的“根据地理位置时序序列基于快速动态时间规整算法，计算车辆轨迹相似度”具体可包括以下步骤s805
‑
s809。
[0070]
s805，对地理位置时序序列进行粗粒度化。
[0071]
具体的，对步骤s804生成的地理位置时序序列进行数据抽象，以对地理位置时序序列进行粗粒度化，例如对一个64维的地理位置时序序列，将其转化为8维的地理位置时序序列，这样计算的矩阵l由(64*64)变为(8*8)。
[0072]
其中，粗粒度化后的地理位置时序序列中的数据，具体可为初始细粒度的地理位置时序序列中对应的多个数据的平均值，本技术对此不做过多限定。
[0073]
s806，根据粗粒度化后的地理位置时序序列基于动态时间规整算法，确定最短路径长度对应的目标路径。
[0074]
具体的，将步骤s805生成的粗粒度化后的地理位置时序序列进行投影，运行传统的动态时间规整dtw算法，确定最短路径长度对应的路径为目标路径。例如，对粗粒度化后的8维的地理位置时序序列进行传统的dtw算法，获得粗粒度化后的目标路径。
[0075]
s807，对粗粒度化后的地理位置时序序列进行细粒度化。
[0076]
具体的，将步骤s806中获取的在较粗的粒度上得到的规整的目标路径，经过方格的进一步细粒度化到较细粒度的地理位置时序序列上。
[0077]
s808，将目标路径基于细粒度化后的地理位置时序序列向外扩展预设的粒度。
[0078]
具体的，将步骤s806中获取的粗粒度化后的目标路径，在较细粒度的空间内向外扩展预设的粒度，例如k个粒度，其中，k为半径参数，一般选择1或者2。例如，对这个8维的粗粒度化后的目标路径，增加扩展的2个粒度的路径，剩余的没有覆盖到的矩阵值则不参与计算，缩减了探索空间。
[0079]
s809，根据扩展后的目标路径计算车辆轨迹相似度。
[0080]
具体的，根据步骤s808中得到的扩展后的目标路径计算车辆轨迹相似度。
[0081]
通过上述的快速动态时间规整算法，如图9所示，根据粗粒度化后的8维的地理位置时序序列，得到粗粒化(1/8)后的目标路径，对粗粒度化后的8维的地理位置时序序列进行细粒度化，得到细粒度化(1/4)后的目标路径，并将粗粒化后的目标路径基于细粒度化后的地理位置时序序列向外扩展预设的粒度(1/2、1/1)，可以将时间复杂度缩减为o(n)，提高了计算效率。
[0082]
综上，本公开实施例的数据处理方法，获取车辆轨迹对应的地理位置数据，对地理位置数据进行数据清洗，对地理位置数据进行预处理，对地理位置时序序列进行粗粒度化，根据粗粒度化后的地理位置时序序列基于动态时间规整算法，确定最短路径长度对应的目标路径，对粗粒度化后的所述地理位置时序序列进行细粒度化，将目标路径基于细粒度化后的地理位置时序序列向外扩展预设的粒度，根据扩展后的目标路径计算车辆轨迹相似度。本公开的数据处理方法，解决了复杂路径下的路径匹配问题，提升了轨迹相似度的准确性，且相对于动态时间规整算法提升了相似度计算的效率，通过数据清洗去除了冗余的无效数据，通过预处理降低了数据的维度，提高了计算效率。
[0083]
图10是根据本公开第一实施例的数据处理装置的框图。
[0084]
如图10所示，本公开实施例的数据处理装置1000，包括：获取模块1001、生成模块1002和计算模块1003。
[0085]
获取模块1001，用于获取车辆轨迹对应的地理位置数据。
[0086]
生成模块1002，用于根据地理位置数据生成地理位置时序序列。
[0087]
计算模块1003，用于根据地理位置时序序列基于快速动态时间规整算法，计算车辆轨迹相似度。其中，快速动态时间规整算法为结合了探索空间限制和数据抽象的动态时间规整算法。
[0088]
需要说明的是，上述对数据处理方法实施例的解释说明，也适用于本公开实施例的数据处理装置，具体过程此处不再赘述。
[0089]
综上，本公开实施例的数据处理装置，获取车辆轨迹对应的地理位置数据，根据地理位置数据生成地理位置时序序列，根据地理位置时序序列基于快速动态时间规整算法，计算车辆轨迹相似度，其中，快速动态时间规整算法为结合了探索空间限制和数据抽象的动态时间规整算法。本公开的数据处理装置，解决了复杂路径下无法处理的路径匹配问题，提升了轨迹相似度的准确性，且相对于动态时间规整算法提升了相似度计算的效率，通过数据清洗去除了冗余的无效数据，通过预处理降低了数据的维度，提高了计算效率。
[0090]
图11是根据本公开第二实施例的数据处理装置的框图。
[0091]
如图11所示，本公开实施例的数据处理装置1100，包括：获取模块1101、生成模块1102、计算模块1103。
[0092]
其中，获取模块1101与上一实施例中的获取模块1001具有相同的结构和功能，生成模块1102与上一实施例中的生成模块1002具有相同的结构和功能，计算模块1103与上一实施例中的计算模块1003具有相同的结构和功能。
[0093]
进一步的，计算模块1103具体可包括：粗粒度化单元，用于对地理位置时序序列进行粗粒度化；确定单元，用于根据粗粒度化后的地理位置时序序列基于动态时间规整算法，确定最短路径长度对应的目标路径；细粒度化单元，用于对粗粒度化后的地理位置时序序
列进行细粒度化；扩展单元，用于将目标路径基于细粒度化后的地理位置时序序列向外扩展预设的粒度；计算单元，用于根据扩展后的目标路径计算车辆轨迹相似度。
[0094]
进一步的，粗粒度化后的地理位置时序序列中的数据，为地理位置时序序列中对应的多个数据的平均值。
[0095]
进一步的，本公开实施例的数据处理装置1100还可包括：清洗模块1104，用于对地理位置数据进行数据清洗。
[0096]
进一步的，本公开实施例的数据处理装置1100还可包括：预处理模块1105，用于对地理位置数据进行预处理。
[0097]
进一步的，预处理模块具体可包括：转换单元，用于将地理位置数据转换为莫卡托坐标系下的地理位置数据；网格化单元，用于根据预设的网格阈值将莫卡托坐标系下的地理位置数据转化为网格化后的地理位置数据。
[0098]
需要说明的是，上述对数据处理方法实施例的解释说明，也适用于本公开实施例的数据处理装置，具体过程此处不再赘述。
[0099]
综上，本公开实施例的数据处理装置，获取车辆轨迹对应的地理位置数据，对地理位置数据进行数据清洗，对地理位置数据进行预处理，对地理位置时序序列进行粗粒度化，根据粗粒度化后的地理位置时序序列基于动态时间规整算法，确定最短路径长度对应的目标路径，对粗粒度化后的所述地理位置时序序列进行细粒度化，将目标路径基于细粒度化后的地理位置时序序列向外扩展预设的粒度，根据扩展后的目标路径计算车辆轨迹相似度。本公开的数据处理装置，解决了复杂路径下的路径匹配问题，提升了轨迹相似度的准确性，且相对于动态时间规整算法提升了相似度计算的效率，通过数据清洗去除了冗余的无效数据，通过预处理降低了数据的维度，提高了计算效率。
[0100]
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
[0101]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0102]
图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0103]
如图12所示，电子设备1200包括计算单元1201，其可以根据存储在只读存储器(rom)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(ram)1203中的计算机程序，来执行各种适当的动作和处理。在ram 1203中，还可存储电子设备1200操作所需的各种程序和数据。计算单元1201、rom 1202以及ram1203通过总线1204彼此相连。输入/输出(i/o)接口1205也连接至总线1204。
[0104]
电子设备1200中的多个部件连接至i/o接口1205，包括：输入单元1206，例如键盘、鼠标等；输出单元1209，例如各种类型的显示器、扬声器等；存储单元1208，例如磁盘、光盘等；以及通信单元1209，例如网卡、调制解调器、无线通信收发机等。通信单元1209允许电子
设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0105]
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理，例如图1至图9所示的数据处理方法。例如，在一些实施例中，数据处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1208。在一些实施例中，计算机程序的部分或者全部可以经由rom 1202和/或通信单元1209而被载入和/或安装到电子设备1200上。当计算机程序加载到ram 1203并由计算单元1201执行时，可以执行上文描述的数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据处理方法。
[0106]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0107]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0108]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0109]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0110]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据
服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、互联网以及区块链网络。
[0111]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0112]
根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现根据本公开上述实施例所示的数据处理方法。
[0113]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0114]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。