电动汽车充电网络调整方法、装置及非易失性存储介质与流程

1.本发明涉及计算机领域，具体而言，涉及一种电动汽车充电网络调整方法、装置及非易失性存储介质。


背景技术：

2.在全国加快发展电动汽车推动传统燃油替代的政策背景下，新能源汽车产业发展迅速，强有力地支撑本市充电桩市场需求。国家和地方层面先后制定充电桩专项规划和文件，为城市充电设施系统发展具有指导性作用。根据关于加快电动汽车充电基础设施建设的指导意见，对充电桩建设发展的总体要求、主要举措、服务体系、保障措施做了顶层设计。是发展新能源汽车作为缓解能源和环境压力、推动汽车产业转型升级的重要战略举措，建设运营新能源汽车充电桩是支撑新能源汽车发展的重要基础设施保障。全国连续几年出台鼓励政策，编制了相关专项规划，目前已成为全球应用新能源汽车规模大的市场，建成了全球最大的城市充电桩网络，并构建了公共桩、专用桩、私人桩均衡发展的充电桩体系。可知，全国充电桩市场潜力大、顶层设计合理、运营模式逐步成熟,充电桩行业规模和布局能够支撑新能源汽车发展需要，但是同时充电桩行业运营还存在总体使用效率不高、桩群闲置率高、充电量过于集中等问题。
3.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种电动汽车充电网络调整方法、装置及非易失性存储介质，以至少解决相关技术的电动汽车充电过程中，存在的充电设备使用率不高、闲置率高的技术问题。
5.根据本发明实施例的一个方面，提供了一种电动汽车充电网络调整方法，包括：获取当前时间段内的第一电动汽车网络状态；将所述第一电动汽车网络状态输入状态预测模型，预测得到当前时间段的下一时间段的第二电动汽车网络状态；将所述第二电动汽车网络状态输入策略生成模型，生成充电网络策略。
6.可选地，所述充电网络策略包括：电动汽车在充电网络中各个充电桩的价格策略。
7.可选地，所述第一电动汽车网络状态，所述第二电动汽车网络状态包括：电动汽车在地理位置网络的分布状态。
8.可选地，在将所述第一电动汽车网络状态输入状态预测模型，预测得到当前时间段的下一时间段的第二电动汽车网络状态之前，还包括：通过第一预定仿真系统获取第一样本数据，其中，所述第一样本数据包括：第一时间段的电动汽车网络状态，第二时间段的电动汽车网络状态，所述第二时间段为所述第一时间段的下一时间段；基于所述第一样本数据进行机器训练，得到所述状态预测模型。
9.可选地，在将所述第二电动汽车网络状态输入策略生成模型，生成充电网络策略之前，还包括：通过第二预定仿真系统获取第二样本数据，其中，所述第二样本数据包括：电
动汽车网络状态，与该电动汽车网络状态对应的充电网络策略；基于所述第二样本数据进行机器训练，得到所述充电网络策略。
10.可选地，所述充电网络策略用于引导充电网络中各个充电桩的使用趋于平均。
11.根据本发明实施例的另一个方面，提供了一种电动汽车充电网络调整装置，包括：获取模块，用于获取当前时间段内的第一电动汽车网络状态；预测模块，用于将所述第一电动汽车网络状态输入状态预测模型，预测得到当前时间段的下一时间段的第二电动汽车网络状态；生成模块，用于将所述第二电动汽车网络状态输入策略生成模型，生成充电网络策略。
12.可选地，所述充电网络策略包括：电动汽车在充电网络中各个充电桩的价格策略。
13.根据本发明实施例的另一个方面，提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行任意一项所述电动汽车充电网络调整方法。
14.根据本发明实施例的另一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一项所述电动汽车充电网络调整方法。
15.在本发明实施例中，通过状态预测模型预测下一时间段的电动汽车网络状态，并且采用将该电动汽车网络状态输入至策略生成模型生成充电网络策略的方式，达到了调整充电网络策略的目的，进而解决了相关技术的电动汽车充电过程中，存在的充电设备使用率不高、闲置率高技术问题。
附图说明
16.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
17.图1是根据本发明实施例的电动汽车充电网络调整方法；
18.图2是根据本发明可选实施方式的充电策略模型的示意图；
19.图3是根据本发明可选实施方式的深度确定性策略梯度算法的示意图；
20.图4是根据本发明实施例的电动汽车充电网络调整装置的结构框图。
具体实施方式
21.根据本发明实施例，提供了一种电动汽车充电网络调整方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
22.图1是根据本发明实施例的电动汽车充电网络调整方法，如图1所示，该方法包括如下步骤：
23.步骤s102，获取当前时间段内的第一电动汽车网络状态；
24.步骤s104，将第一电动汽车网络状态输入状态预测模型，预测得到当前时间段的下一时间段的第二电动汽车网络状态；
25.步骤s106，将第二电动汽车网络状态输入策略生成模型，生成充电网络策略。
26.通过上述步骤，通过状态预测模型预测下一时间段的电动汽车网络状态，并且采
用将该电动汽车网络状态输入至策略生成模型生成充电网络策略的方式，达到了调整充电网络策略的目的，进而解决了相关技术的电动汽车充电过程中，存在的充电设备使用率不高、闲置率高技术问题。
27.作为一种可选的实施例，获取当前时段内的第一电动汽车网络状态，其中，电动汽车网络状态包括多种数据，例如，电动汽车行为数据，充电网络数据，交通路况信息，等等。在电动汽车行为数据中，可以包括很多有关电动汽车行为的数据，例如，电动汽车在地理位置网络的分布状态，电动汽车自身电量的消耗数据，电动汽车在某个充电站点进行充电行为的数据，等等，通过电动汽车的各种数据能够得到对电动汽车行为数据更全面的认知。在充电网络数据中，可以包括与充电策略相关的数据，例如，记录各时间段、各地段的充电桩的使用率，在各时间段设置不同的充电策略，在不同地段设置不同的充电策略，其中，充电策略可以包括价格调整，快充或慢充模式的调整，充电时长的调整，等等，通过细化充电网络数据中的各种类型的数据，可以根据交通场景的不同进行更加细节化的调整，能够更加精确地按需调整，提升用户为电动汽车充电的体验感。在交通路况信息中，可以包括各时段的交通路况信息，如早高峰，晚高峰，其他时期，等等，可以包括车辆行驶过路口的数量，路口的堵塞情况，堵塞时电动车辆的耗电量，需要说明的是，交通路况信息可以是基于各地理位置的实际交通路况信息，也可以是基于仿真环境的虚拟路况信息，其中，使用基于仿真环境的虚拟路况信息时，可以仿真各种地势、交通场景，模拟各种突发状况，仿真不同时间段、不同数量的车辆的情况，相较于基于各地理位置的实际交通路况信息，更具灵活性，能够对于交通的突发情况与交通的拥堵状况进行更好的处理。通过获取当前时段内的第一电动汽车的网络状态，即获取包括当前的一段时间范围内的电动汽车网络状态，可以有效地得知当前网络状态的状况。
28.作为一种可选的实施例，将第一电动汽车网络状态输入状态预测模型，预测得到当前时间段的下一时间段的第二电动汽车网络状态。通过当前时段的第一电动汽车网络状态预测下一时间段的第二电动汽车网络状态，使得预测得到的第二电动汽车网络状态是有据可依的，更具针对性、准确性。通过分析第一电动汽车网络的电动汽车行为数据、充电网络数据、交通路况信息等数据，预测得到下一阶段的电动汽车行为数据、交通路况信息等数据。能够使得预测得出的数据更加准确，更加真实。
29.作为一种可选的实施例，在将第一电动汽车网络状态输入状态预测模型，预测得到当前时间段的下一时间段的第二电动汽车网络状态之前，还包括：通过第一预定仿真系统获取第一样本数据，其中，第一样本数据包括：第一时间段的电动汽车网络状态，第二时间段的电动汽车网络状态，第二时间段为所第一时间段的下一时间段；基于第一样本数据进行机器训练，得到状态预测模型。采用第一样本数据进行机器训练之后的状态预测模型，由于第一样本数据是通过第一预定仿真系统获得的，可以模拟以便处理各种突发情况、交通状况的场景，而且由第一时间段与第二时间段的电动汽车网络状态进行机器训练获得，因此，后续采用机器训练得到的状态预测模型，能够适用于各种各样交通情况，有效避免无法处理意外情况，无法根据实时交通状况调节等问题，使得得到的第二电动汽车网络状态更为准确。
30.作为一种可选的实施例，将第二电动汽车网络状态输入策略生成模型，生成充电网络策略。其中，充电网络策略包括充电网络数据等信息，例如，记录各时间段、各地段的充
电桩的使用率，在各时间段设置不同的充电策略，在不同地段设置不同的充电策略，等等。充电网络策略可以包括价格调整，快充或慢充模式的调整，充电时长的调整，等等。对于在充电桩中正在充电或者准备充电的车辆，包括显示对该指定车辆预测的充电花费及充电时间，以及充电模式等等。在进行充电之前，用户也可以通过其他充电设备查看用户附近区域的充电设备的充电网络策略以进行选择，等等。
31.作为一种可选的实施例，在将第二电动汽车网络状态输入策略生成模型，生成充电网络策略之前，还包括：通过第二预定仿真系统获取第二样本数据，其中，第二样本数据包括：电动汽车网络状态，与该电动汽车网络状态对应的充电网络策略；基于第二样本数据进行机器训练，得到充电网络策略。采用第二样本数据进行机器训练之后的充电网络策略，由于第二样本数据是通过第二预定仿真系统获得的，而且由电动汽车网络状态与该电动汽车网络状态对应的充电网络策略模型进行机器训练获得，因此，后续采用机器训练得到的充电网络策略，能够适用于各式各样的充电应用场景，有效地调节各个时间段、各个地理位置下的充电策略，有效避免充电策略有偏差或者更新不及时，导致的充电桩利用率不平均，充电等待时间长，用户体验差的情况。
32.作为一种可选的实施例，策略生成模型可以包括多种，例如，可以包括以下至少之一：基于深度确定性策略梯度算法的策略生成模型。需要说明的是，上述所指的基于深度确定性策略梯度算法的策略生成模型仅仅为一种举例，其它没有一一举出的策略生成模型也可应用于本技术。基于深度确定性策略梯度算法的策略生成模型，通过机器训练，对第二电动汽车网络状态进行策略的生成。策略生成模型可以基于不同的机制，可以根据不同的需要选择，提供了选择不同方法的多样性，使用起来更加灵活，便捷，大大地提高了对第二电动汽车网络状态进行策略生成适用性。其中，充电策略生成准确度关系到后面许多的应用，通过策略生成模型依据电动汽车的网络状态生成对应的策略，可以强化不同场景下的功能运用，可以更灵活，准确地实现多种用途。
33.作为一种可选的实施例，在将第二电动汽车网络状态输入策略生成模型，生成充电网络策略之后，策略生成模型获取并分析依据调控充电网络数据之后的电动汽车网络状态，既可以包括电动车辆行为数据，优化策略生成模型。即依据充电网络策略的反馈结果，来进一步地优化该策略生成模型，保证了桩群平均使用效率，合理利用充电站资源。
34.作为一种可选的实施例，充电网络策略用于引导充电网络中各个充电桩的使用趋于平均。解决充电桩行业运营还存在的总体使用效率不高、桩群闲置率高、充电量过于集中等阶段问题。不仅节省了资源，而且保证了充电不过度集中，提升了用户使用电动汽车的体验感。
35.基于上述实施例及可选实施例，提供了一种可选实施方式，下面具体说明。
36.全国充电桩市场潜力大、顶层设计合理、运营模式逐步成熟,充电桩行业规模和布局能够支撑新能源汽车发展需要,但同时充电桩行业(不包括私人桩)运营还存在总体使用效率不高、桩群闲置率高、充电量过于集中等缺点。
37.在相关技术中，专利cn111397620a公开了快充/慢充模式下的电动汽车充电导航方法及系统，针对快充和慢充两种行为模式的差异，提出快充导航策略和慢充导航策略可供用户选择，以满足用户不同情况的用电需求，使得充电导航更为精准；针对目前的电动汽车充电导航策略对于时间的预测大多都是基于物理模型进行预计，对于交通的突发情况和
交通的拥塞情况没有很好的处理能力的问题。
38.鉴于此，为合理利用充电站资源，本发明可选实施方式中提供了一种充电策略模型，即利用人工智能机器学习领域中的“强化学习”方法，开发了一个“会调整充电桩服务费”的神经网络模型，叫做“充电策略模型”，也可以叫智能体(agent)。通过人工智能技术优化桩群平均使用效率，避免出现充电过度集中的现象，提升运营效益，促进产业良性发展。
39.图2是根据本发明可选实施方式的充电策略模型的示意图，如图2所示，对其中的充电策略模型进行详细介绍：
40.s1，获取车辆行为数据，充电网络数据，交通路况信息；
41.s2，根据充电网络数据，实时的规划充电网络策略，例如，充电网络的价格策略；
42.具体实时过程：经过训练的神经网络模型可以针对业务环境的变化自主选择相应的策略，也就是根据训练时的“经验”自主判断如何调控价格。在实际应用过程中神经网络模型会不断收集业务数据(车辆行为数据，充电网络数据，交通路况信息)，根据以往的训练时的“经验”对数据进行分析，并对下个时间段的电车辆行为数据，交通路况信息进行预测。最终通过调控价格试图影响未来电动汽车网络情况，以达到网络使用最佳状况的目标。
43.s3，获得充电网络策略对电动汽车用户充电行为产生的效果，并不断完善和优化策略，使充电桩使用率趋于平均，其中，完善与优化的行为可以利用神经网络完成。
44.需要说明的是，神经网络的完善与优化过程就是其训练的过程。采用反复学习的方式，通过为神经网络设计充电网络数据中的价格策略目标，并且不间断提供用户车辆行为数据为其充电网络数据中的策略分析和价格调控测试提供必要的试验环境，最终探索出用户车辆行为数据与充电网络数据之间潜在的规律。此种训练方式最大的优点在于使神经网络拥有自我完善和优化的能力，随着训练数据的多样性和数据量的增加，策略精准度也会不断修正与提升。
45.具体地：基于ddpg(deep deterministic policy gradient,深度确定性策略梯度算法)算法架构，图3是根据本发明可选实施方式的深度确定性策略梯度算法的示意图，如图3所示，下面进行详细介绍：该架构采用卷积神经网络作为策略函数μ和q函数的函数近似，即策略网络和q网络；然后使用深度学习的方法来训练上述神经网络。
46.策略函数μ，即确定性行为策略，每一步的行为可以通过at＝μ(st)计算获得。
47.q函数:即action-value函数，定义在状态st下，采取动作at后，且如果持续执行策略μ的情况下所获得的rt期望值,用bellman等式来定义：
48.qμ(st,at)＝e[r(st,at) γqμ(st 1,μ(st 1))]
[0049]
q网络：ddpg中，使用卷积神经网络对q函数进行模拟即q网络，其参数为θq。
[0050]
衡量策略μ表现：用函数j来衡量，定义如下：
[0051]
jβ(μ)＝∫sρβ(s)qμ(s,μ(s))ds＝es～ρβ[qμ(s,μ(s))]
[0052]
其中，s是环境的状态是基于agent的behavior策略产生的，它们的分布函数(pdf)为ρβ，qμ(s,μ(s))是在每个状态下，如果都按照μ策略选择acton时，能够产生的q值。
[0053]
训练目标：最大化jβ(μ)，同时最小化q网络的loss。
[0054]
即本发明可选实施方式中介绍了一种充电策略模型，通过接收电动汽车网络状态，包括：车辆行为数据，充电网络数据，基于仿真环境的交通路况信息。输出预测得到的电动汽车网络状态与充电网络策略。即包括调控环节：分析上述电动汽车网络状态并预测下
一阶段电动汽车网络状态，例如，车辆行为数据，交通路况数据，根据预测下一阶段电动汽车网络状态实时调控充电网络策略。并包括了反馈环节：获取并分析依据调控充电网络策略之后的车辆行为数据，基于仿真环境的交通路况信息，优化网络。
[0055]
通过上述可选实施方式，可以达到至少以下几点有益效果：
[0056]
(1)自主获取仿真环境中的数据，自主提升对业务的理解能力，并自主调整充电的价格策略；
[0057]
(2)实现预设的目标，如充电桩使用率最平均，合理利用充电站资源。
[0058]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0059]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
[0060]
实施例2
[0061]
根据本发明实施例，还提供了一种用于实施上述电动汽车充电网络调整方法的装置，图4是根据本发明实施例的电动汽车充电网络调整装置的结构框图，如图4所示，该装置包括：获取模块402，预测模块404和生成模块406，下面对该装置进行详细说明。
[0062]
获取模块402，用于获取当前时间段内的第一电动汽车网络状态；预测模块404，连接于上述获取模块402，用于将第一电动汽车网络状态输入状态预测模型，预测得到当前时间段的下一时间段的第二电动汽车网络状态；生成模块406，连接于上述预测模块404，用于将第二电动汽车网络状态输入策略生成模型，生成充电网络策略。
[0063]
此处需要说明的是，上述获取模块402，预测模块404和生成模块406对应于实施例1中电动汽车充电网络调整方法中的步骤s102至步骤s106，多个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。
[0064]
实施例3
[0065]
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取当前时间段内的第一电动汽车网络状态；将第一电动汽车网络状态输入状态预测模型，预测得到当前时间段的下一时间段的第二电动汽车网络状态；将第二电动汽车网络状态输入策略生成模型，生成充电网络策略。
[0066]
可选的，上述处理器还可以执行如下步骤的程序代码：充电网络策略包括：电动汽车在充电网络中各个充电桩的价格策略。
[0067]
可选的，上述处理器还可以执行如下步骤的程序代码：第一电动汽车网络状态，第二电动汽车网络状态包括：电动汽车在地理位置网络的分布状态。
[0068]
可选的，上述处理器还可以执行如下步骤的程序代码：在将第一电动汽车网络状
态输入状态预测模型，预测得到当前时间段的下一时间段的第二电动汽车网络状态之前，还包括：通过第一预定仿真系统获取第一样本数据，其中，第一样本数据包括：第一时间段的电动汽车网络状态，第二时间段的电动汽车网络状态，第二时间段为第一时间段的下一时间段；基于第一样本数据进行机器训练，得到状态预测模型。
[0069]
可选的，上述处理器还可以执行如下步骤的程序代码：在将第二电动汽车网络状态输入策略生成模型，生成充电网络策略之前，还包括：通过第二预定仿真系统获取第二样本数据，其中，第二样本数据包括：电动汽车网络状态，与该电动汽车网络状态对应的充电网络策略；基于第二样本数据进行机器训练，得到充电网络策略。
[0070]
可选的，上述处理器还可以执行如下步骤的程序代码：述充电网络策略用于引导充电网络中各个充电桩的使用趋于平均。在示例性实施例中，还提供了一种计算机程序产品，当计算机程序产品中的计算机程序由电子设备的处理器执行时，使得电子设备能够执行上述任一项的电动汽车充电网络调整方法。
[0071]
实施例4
[0072]
在示例性实施例中，还提供了一种包括指令的非易失性存储介质，当计算机可读存储介质中的指令由终端的处理器执行时，使得终端能够执行上述任一项的电动汽车充电网络调整方法。可选地，计算机可读存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0073]
可选地，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例所提供的电动汽车充电网络调整方法所执行的程序代码。
[0074]
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取当前时间段内的第一电动汽车网络状态；将第一电动汽车网络状态输入状态预测模型，预测得到当前时间段的下一时间段的第二电动汽车网络状态；将第二电动汽车网络状态输入策略生成模型，生成充电网络策略。
[0075]
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：充电网络策略包括：电动汽车在充电网络中各个充电桩的价格策略。
[0076]
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：第一电动汽车网络状态，第二电动汽车网络状态包括：电动汽车在地理位置网络的分布状态。
[0077]
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在将第一电动汽车网络状态输入状态预测模型，预测得到当前时间段的下一时间段的第二电动汽车网络状态之前，还包括：通过第一预定仿真系统获取第一样本数据，其中，第一样本数据包括：第一时间段的电动汽车网络状态，第二时间段的电动汽车网络状态，第二时间段为第一时间段的下一时间段；基于第一样本数据进行机器训练，得到状态预测模型。
[0078]
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在将第二电动汽车网络状态输入策略生成模型，生成充电网络策略之前，还包括：通过第二预定仿真系统获取第二样本数据，其中，第二样本数据包括：电动汽车网络状态，与该电动汽车网络状态对应的充电网络策略；基于第二样本数据进行机器训练，得到充
电网络策略。
[0079]
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：述充电网络策略用于引导充电网络中各个充电桩的使用趋于平均。在示例性实施例中，还提供了一种计算机程序产品，当计算机程序产品中的计算机程序由电子设备的处理器执行时，使得电子设备能够执行上述任一项的电动汽车充电网络调整方法。
[0080]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0081]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0082]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0083]
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。
[0084]
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。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。
[0085]
所述集成的单元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全部或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(可为个人计算机、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、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0086]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。