预测道路通行速度的方法、装置、计算机设备及存储介质与流程

1.本技术涉及交通数据分析技术领域，尤其涉及一种预测道路通行速度的方法、装置、计算机设备及存储介质。


背景技术：

2.随着经济的发展，城市居民机动车保有的数量不断地增加，道路交通网的负荷也在逐渐上升。当前通过智能交通系统对道路通行速度进行预测，解决高负荷带来的交通问题。但交通流有着复杂的时空依赖和时空异质性关系，除了预测数据本身包含复杂的时间序列特性，其还受多种意外因素的影响，从而导致了数据的不稳定变化，使得相关任务极具挑战性。
3.现有的道路通行速度预测方式，只是强调空间异质性和时空依赖性，针对每条道路作为单独的预测任务，而且对预测任务中的各项变量因素都默认为相同的权重，从而导致预测结果准确率不足。


技术实现要素：

4.本技术提供一种预测道路通行速度的方法、装置、计算机设备及存储介质，解决了现有的道路通行速度预测方式预测任务单一，外部影响变量考虑不足，而导致预测结果准确率不足的问题。
5.第一方面，本技术实施例提供了一种预测道路通行速度的方法，包括：
6.获取待预测道路的所在区域的历史交通数据作为道路时空数据集；
7.利用互相关函数基于所述待预测道路对所述道路时空数据集进行数据分解，得到与所述待预测道路对应的邻近道路视图、道路周期视图以及道路趋势视图；所述邻近道路视图用于描述与所述待预测道路相关道路的通行状况；所述道路周期视图用于描述所述待预测道路的周期通行规律；所述道路趋势视图用于描述所述待预测道路的通行趋势；
8.根据训练后的预测模型匹配所述邻近道路视图的第一视图权重、所述道路周期视图的第二视图权重以及所述道路趋势视图的第三视图权重；所述第一视图权重、所述第二视图权重以及所述第三视图权重用于加权得到第一预测结果；
9.获取所述待预测道路的所在区域内所有道路的外部影响因素作为因素变量，利用地理加权回归模型将所述因素变量进行加权回归运算，得到第二预测结果；
10.所述第一预测结果与所述第二预测结果进行加权求和，得到预测道路通行速度结果。
11.第二方面，本技术实施例还提供了一种实现预测道路通行速度的装置，包括：
12.采集模块，获取待预测道路的所在区域的历史交通数据作为道路时空数据集；
13.分类模块，利用互相关函数基于所述待预测道路对所述道路时空数据集进行数据分解，得到与所述待预测道路对应的邻近道路视图、道路周期视图以及道路趋势视图；所述邻近道路视图用于描述与所述待预测道路相关道路的通行状况；所述道路周期视图用于描
述所述待预测道路的周期通行规律；所述道路趋势视图用于描述所述待预测道路的通行趋势；
14.视图分析模块，根据训练后的预测模型匹配所述邻近道路视图的第一视图权重、所述道路周期视图的第二视图权重以及所述道路趋势视图的第三视图权重；所述第一视图权重、所述第二视图权重以及所述第三视图权重用于加权得到第一预测结果；
15.道路通行速度预测模块，获取所述待预测道路的所在区域内所有道路的外部影响因素作为因素变量，利用地理加权回归模型将所述因素变量进行加权回归运算，得到第二预测结果；所述第一预测结果与所述第二预测结果进行加权求和，得到预测道路通行速度结果。
16.第三方面，本技术实施例还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所述处理器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上述实现预测道路通行速度的方法的步骤。
17.第四方面，本技术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存储有计算机程序，所述计算机程序被处理器执行时实现上述实现预测道路通行速度的方法的步骤。
18.本技术提供的预测道路通行速度的方法、装置、计算机设备及存储介质，通过获取待预测道路所在区域中的道路历史交通数据，利用互相关函数分解为待预测道路对应的邻近道路视图、道路周期视图以及道路趋势视图，根据以上三种视图进行更加全面的预测，重视道路通行速度预测中个道路之间的关联性；将邻近道路视图、道路周期视图以及道路趋势视图的预测结果进行加权求和，得到第一预测结果；再获取外部影响因素，提高外部影响因素对道路通行速度预测影响的权重，并将各个外部影响因素进行加权求和，得到第二预测结果；结合第一预测结果和第二预测结果得到预测道路通行速度结果，在重视道路通行速度预测中个道路之间的关联性的同时，结合外部影响因素对道路通行速度预测的影响，从而提高了预测道路通行速度的准确性。
附图说明
19.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。
20.图1是本技术一实施例提供的预测道路通行速度的方法的应用环境示意图；
21.图2是本技术一实施例提供的预测道路通行速度的方法的实现流程图；
22.图3是本技术另一实施例提供的预测道路通行速度的预测模型的训练步骤s61
‑
s64的流程图；
23.图4是本技术一实施例提供的预测道路通行速度的装置的结构示意图；
24.图5是本技术一实施例提供的计算机设备的示意图。
具体实施方式
25.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清楚、完
整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
26.本技术实施例提供的实现预测道路通行速度的方法，可应用在如图1示出的应用环境中。如图1所示，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
27.本实施例提供的预测道路通行速度的方法可以由服务端执行，例如，用户通过客户端将待预测道路的所在区域的历史交通数据发送至服务端，服务端基于该待预测道路的所在区域的历史交通数据，执行本实施例提供的预测道路通行速度的方法，进而得到预测道路通行速度结果，最后还可以将该预测道路通行速度结果发送至客户端。
28.在图1之外的一些场景中，还可以是由客户端执行该预测道路通行速度的方法，直接根据待预测道路的所在区域的历史交通数据，通过执行本实施例提供的预测道路通行速度的方法，得到预测道路通行速度结果，然后将该预测道路通行速度结果发送至服务端进行存储。
29.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。
30.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。
31.图2示出了本技术一实施例提供的预测道路通行速度的方法的实现流程图。如图2所示，提供一种预测道路通行速度的方法，其技术方案主要包括以下步骤s10
‑
s50：
32.s10、获取待预测道路的所在区域的历史交通数据作为道路时空数据集。
33.在步骤s10中，获取待预测道路所在区域内，各个道路历史所统计的历史交通数据，并将该区域内的各个道路的历史交通数据作为道路时空数据集，利用历史交通数据可以训练用于预测道路通行速度的预测模型，提升所述预测模型的预测准确率。
34.在一实施例中，所述历史交通数据还包括时间维度和空间维度，其中时间维度为某一道路，影响该道路当前时刻的道路通行速度的历史交通数据的时间窗口的长度，例如当前a路段结束拥堵，该拥堵状态从一个小时前开始，拥堵状态影响时长为一个小时，该一小时就为a路段的时间维度示例。
35.空间维度为会对某一道路的交通状态产生影响的其他邻近道路，例如当路段a和路段b处于车流量较大的状态，路段a和路段b交汇与路段c，会影响路段c造成的拥堵，路段c的空间维度就是与路段a与路段b的关联性。
36.s20、利用互相关函数基于所述待预测道路对所述道路时空数据集进行数据分解，
得到与所述待预测道路对应的邻近道路视图、道路周期视图以及道路趋势视图。
37.在步骤s20中，所述道路时空数据集基于所述待预测道路利用互相关函数进行分类分解，其中，当需要测试某一道路时，就以该道路为主分解所述道路时空数据集。本实施例中将道路时空数据集分为三种视图，分别为待预测道路对应的邻近道路视图、道路周期视图以及道路趋势视图，通过多个视图提高道路通行速度预测的准确率。其中，邻近道路视图用于描述与待预测道路相关道路的通行状况，道路周期视图用于描述待预测道路的周期通行规律，道路趋势视图用于描述待预测道路的通行趋势。
38.可以理解地，互相关函数是信号分析里的概念，表示的是两个时间序列之间的相关程度，即描述信号x(t)，y(t)在任意两个不同时刻t1，t2的取值之间的相关程度。互相关函数给出了在频域内两个信号是否相关的一个判断指标，把两测点之间信号的互谱与各自的自谱联系了起来。它能用来确定输出信号有多大程度来自输入信号，对修正测量中接入噪声源而产生的误差非常有效。
39.在一实施例中，组成道路时空数据集的历史交通数据中包括有时间维度和空间维度，利用互相关函数根据待预测道路的所在区域选取一道路假设为a道路，根据待预测道路和a道路的时间维度，计算其相关程度，当待预测道路和a道路相关时，则将该a道路作为邻近道路之一，获取邻近道路作为邻近道路视图。道路周期视图表示待预测路段的周期性，道路周期性产期都有类似的状况，例如工作日的早高峰、晚高峰，又或者节假日归家的拥堵状态。道路趋势视图则表示待预测道路根据现有技术所预测的道路通行趋势，将现有技术的预测作为道路趋势视图。
40.s30、根据训练后的预测模型匹配所述邻近道路视图的第一视图权重、所述道路周期视图的第二视图权重以及所述道路趋势视图的第三视图权重；所述第一视图权重、所述第二视图权重以及所述第三视图权重用于加权得到第一预测结果。
41.在步骤s30中，根据已测算出的权重系数结合多个视图得到更加准确地预测道路通行速度，利用经过训练后的预测模型，匹配实施例中邻近道路视图、道路周期视图以及道路趋势视图所对应的权重系数。其中，邻近道路视图匹配对应的第一视图权重、道路周期视图匹配对应的第二视图权重以及道路趋势视图匹配对应的第三视图权重。
42.在一实施例中，利用多个视图进行第一预测结果的计算中，每个视图对于第一预测结果的影响比重不同，所以将所述邻近道路视图、所述道路周期视图和所述道路趋势视图根据自身所对应的所述视图权重进行加权回归运算，以提高第一预测结果的准确性。其中，加权回归运算方式如下：
43.xint＝waya wbyb wcyc b
44.其中，xint表示由三个视图加权求和之后得出的第一预测结果，wa为所述邻近道路视图的第一视图权重的系数，wb为所述道路周期视图的第二视图权重的系数，wc为所述道路周期视图的第三视图权重的系数，ya为所述邻近道路视图的预测结果，yb为所述道路周期视图的预测结果，yc为所述道路周期视图的预测结果，b为常数项，通过预测模型根据该区域的历史交通数据训练后得出对应的常数项。
45.s40、获取所述待预测道路的所在区域内所有道路的外部影响因素作为因素变量，利用地理加权回归模型将所述因素变量进行加权回归运算，得到第二预测结果。
46.在步骤s40中，现有技术中对于外部影响因素考虑较少，通过增加外部影响因素对
与道路通行速度预测的权重，从而提高道路通行速度预测的准确率。通过利用独热编码将所述外部影响因素转化为离散值作为因素变量，并利用地理加权回归模型将多个所述因素变量进行加权回归运算，得到第二预测结果。
47.在一实施例中，利用独热编码将多个外部影响因素进行转化，示例如下：昼夜特征：["昼","夜"]，按照n位状态寄存器来对n个状态进行编码的原理：
[0048]
昼夜特征：["昼"，"夜"](这里n＝2)昼＝>10，夜＝>01；
[0049]
假日特征：["工作日"，"普通假日，"节假日"](这里n＝3)：工作日＝>100，普通假日＝>010，节假日＝>001；
[0050]
天气特征：["晴朗"，"降雨"，"降雪"，"大雾"，"大风"](这里n＝5)：晴朗＝>10000，降雨＝>01000，降雪＝>00100，大雾＝>00010，大风＝>00001。
[0051]
当最终的外部影响因素的特征为["夜","工作日","大雾"]的时候，独热编码(one
‑
hot encoding)的结果为：[0，1，1，0，0，0，0，0，1，0]。
[0052]
在一实施例中，根据不同的外部影响因素利用地理加权回归模型计算第二预测结果，所述的外部影响因素根据实际需求决定，如某道路不需要考虑昼夜的影响，其中，多个所述因素变量进行加权回归运算方式如下：
[0053]
xext＝wn(u,v)*mn*xn wn 1(u,v)*mn 1*xn 1
[0054]
其中，wn(u,v)表示经纬度为(u,v)的道路权重，mn表示系数，xn表示变量因素，n表示不同的事件。
[0055]
在另一实施例中，常见的外部影响因素包括气状况、建筑类型、温度、节假日，当外部影响因素为以上变量时，根据以上外部影响因素的权重，计算第二预测结果，其因素变量进行加权回归运算方式如下：
[0056]
xext＝wweather(u,v)*mweather*xweather wpoi(u,v)*mpoi*xpoi wdem(u,v)*mdem*xdem wtemp(u,v)*mtemp*xtemp
[0057]
weather表示天气数据，poi表示待预测道路附近的建筑类型，edm表示节假日、temp表示温度数据。
[0058]
可以理解地，独热编码(one
‑
hot encoding)，又称一位有效编码，其方法是使用n位状态寄存器来对n个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。即只有一位是1，其余都是零值。独热编码解决了分类器不好处理属性数据的问题，在一定程度上起到了扩充特征的作用。它的值只有0和1，不同的类型存储在垂直的空间。
[0059]
可以理解地，地理加权回归(geographically weighted regression,gwr)是一种空间分析技术，广泛应用于地理学及涉及空间模式分析的相关学科。gwr通过建立空间范围内每个点处的局部回归方程，来探索研究对象在某一尺度下的空间变化及相关驱动因素，并可用于对未来结果的预测。由于它考虑到了空间对象的局部效应，因此其优势是具有更高的准确性。
[0060]
s50、所述第一预测结果与所述第二预测结果进行加权求和，得到预测道路通行速度结果。
[0061]
在步骤s50中，结合多种视图的道路通行速度的第一预测结果以及外部影响因素所造成影响的第二预测结果进行加权求和，可得到更为准确的道路通行速度的预测道路通
行速度结果。
[0062]
在一实施例中，第一预测结果与第二预测结果进行加权求和公式如下：
[0063]
f＝axint bxext，其中f为预测道路通行速度结果，a为第一预测结果的权重系数，b为第一预测结果的权重系数，以上权重系数根据训练后的预测模型测算得出。
[0064]
在一实施例中，预测道路通行速度结果可以发送至智能交通管理平台，所述智能交通管理平台利用所述预测道路通行速度结果引导交通流走向，为交通管理者提供有力的交通决策依据，同时也可以让驾驶员选择更为畅通的道路出行，进而避免或缓解交通拥堵的状况。
[0065]
图3是本技术另一实施例提供的预测道路通行速度的预测模型的训练的流程图。如图3所示，与图2示出的实施例不同的是，在步骤s30、在根据训练后的预测模型匹配所述邻近道路视图的第一视图权重、所述道路周期视图的第二视图权重以及所述道路趋势视图的第三视图权重；所述第一视图权重、所述第二视图权重以及所述第三视图权重用于加权得到第一预测结果的之前还包括步骤s61～s64，具体地：
[0066]
s61、基于所述邻近道路视图、所述道路周期视图和所述道路趋势视图对所述预测模型进行预先训练。
[0067]
在步骤s61中，获取某区域的道路时空数据集，根据互相关函数所分解道路时空数据集样本得出邻近道路视图、道路周期视图以及道路趋势视图，利用以上视图对预测模型进行预先训练，从而提升预测模型所预测结果的精确度。
[0068]
在一实施例中，某区域的道路时空数据集中，可以分别以各个道路作为待预测道路进行分解，并利用分解后的多个视图进行预测模型的预先训练。
[0069]
s62、利用所述邻近道路视图和所述道路周期视图输入时空残差网络进行训练，得到邻近道路视图预测结果和道路周期视图预测结果。
[0070]
在步骤s62中，所述邻近道路视图、所述道路周期视图所输入的所述时空残差网络包括多个时空模块和全连接层，所述时空模块用于挖掘不同道路交通状况的时间关联性和空间关联性，利用全连接层融合所述时间关联性和所述空间关联性，从而得到所述邻近道路视图预测结果和所述道路周期视图预测结果。
[0071]
在一实施例中，所述时空模块包括时空注意力模块和时空卷积模块，其中，时空注意力模块利用线性变换矩阵挖掘不同道路交通状况的时间关联性和空间关联性。时空卷积模块用于保证所述时间关联性和所述空间关联性在挖掘中的线性变换矩阵达到相同。
[0072]
可以理解地，残差时空网络(rstn)为一种用于短期旅行需求预测的深度结构，由全卷积神经网络(fcns)和extended conv
‑
lstm(ce
‑
lstm)组成的混合模块组成，该模块通过调整conv
‑
lstm、卷积神经网络(cnns)和传统lstm的超参数，实现卷积操作和lstm单元的平衡。这些模块通过残差连接进行组合，以捕获旅行需求的空间、时间和外部因素依赖关系。端到端可训练的rstn将传统的预测问题重新定义为一个关于每个时间区间内旅行密度的学习残差函数。在此基础上，提出了一种基于动态请求向量dynamic request vector(drv)的数据表示方案，该方案能够捕捉到需求趋势的内在特征和变化，提高了预测的性能。
[0073]
s63、利用所述道路趋势视图输入时空knn模型，得到近期交通模式预测结果。
[0074]
在步骤s63中，利用时空knn模型通过对所述道路趋势视图的时间维度和空间维度
进行分析，并得到近期交通模式预测结果，可以提高近期交通模式预测结果的准确性。
[0075]
在一实施例中，时空knn模型进行道路趋势预测具有一定的成熟性，预测模型利用时空knn模型对道路趋势视图进行预测。
[0076]
可以理解地，时空knn(st
‑
knn)模型为一种对地理位置和时间信息的knn邻近算法的st
‑
knn模型，利用时空相似度对数据对象的地理位置变量和时间变量进行映射变换，将数据对象映射到新的三维空间中，用三维空间中两点之间的距离相似度来近似代替两个对象之间实际的时空相似度；然后，针对这个三维空间设计了一种st
‑
rtree(spatial temporal rtree)索引，该索引综合了空间因素和时间因素，保证在查询时每个对象至多遍历1次；最后，在该索引的基础上提出了一种精确的k近邻查询算法，并通过一次计算确定查询结果范围，从而找到前k个结果，保证了查询的高效性。
[0077]
可以理解地，knn(k nearest neighbors，邻近算法)为机器学习算法中的一种监督学习的算法，所谓k最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法。
[0078]
s64、通过道路时空数据集中的历史交通数据测算出近期交通模式预测结果、邻近道路视图预测结果和道路周期视图预测结果在预测中的所占权重。
[0079]
在步骤s64中，通过道路时空数据集中已经发生的历史交通数据，针对近期交通模式预测结果、邻近道路视图预测结果和道路周期视图预测结果进行线性回归计算，从而得出近期交通模式预测结果、邻近道路视图预测结果和道路周期视图预测结果在预测中的所占权重，以及在该区域的道路通行速度预测中的常数项的数值。
[0080]
在一另实施例中，根据已经发生的历史交通数据的以及外部影响因素，测算外部影响因素在预测道路通行速度的过程中，外部影响因素所占实际比重。其中测算方式包括利用线性回归算法、因子分析法和主成分法均。
[0081]
在一实施例中，提供一种预测道路通行速度的装置，该预测道路通行速度的装置与上述实施例中预测道路通行速度的方法一一对应。如图4所示，该预测道路通行速度的装置包括采集模块11、分类模块12、视图分析模块13和道路通行速度预测模块14，各功能模块详细说明如下：
[0082]
采集模块11，获取待预测道路的所在区域的历史交通数据作为道路时空数据集；
[0083]
分类模块12，利用互相关函数基于所述待预测道路对所述道路时空数据集进行数据分解，得到与所述待预测道路对应的邻近道路视图、道路周期视图以及道路趋势视图；所述邻近道路视图用于描述与所述待预测道路相关道路的通行状况；所述道路周期视图用于描述所述待预测道路的周期通行规律；所述道路趋势视图用于描述所述待预测道路的通行趋势；
[0084]
视图分析模块13，根据训练后的预测模型匹配所述邻近道路视图的第一视图权重、所述道路周期视图的第二视图权重以及所述道路趋势视图的第三视图权重；所述第一视图权重、所述第二视图权重以及所述第三视图权重用于加权得到第一预测结果；
[0085]
道路通行速度预测模块14，获取所述待预测道路的所在区域内所有道路的外部影响因素作为因素变量，利用地理加权回归模型将所述因素变量进行加权回归运算，得到第二预测结果；所述第一预测结果与所述第二预测结果进行加权求和，得到预测道路通行速度结果。
[0086]
关于预测道路通行速度的装置的具体限定可以参见上文中对于预测道路通行速度的方法的限定，在此不再赘述。上述预测道路通行速度的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0087]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端或者服务端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机程序和数据库。该内存储器为可读存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种预测道路通行速度的方法。
[0088]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中预测道路通行速度的方法。
[0089]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中预测道路通行速度的方法。
[0090]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0091]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
[0092]
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。