一种飞行器燃油消耗的预测方法、计算设备及存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种飞行器燃油消耗的预测方法、计算设备及存储介质。


背景技术：

2.对于飞机的燃油来说，每次起飞前，飞机都需要携带满足飞行全程要求的燃油以及一些备用油量，重量可能多达几十吨。飞机如果正常抵达目的地时，燃油往往消耗的差不多，此时飞机重量符合降落标准，如果燃油携带过多，到达目的时仍未使用完毕，此时降落则可能引发重着陆问题，也就是飞机在下降过程中由于重量大、速度快、飞机角度问题而引发的安全问题。为了避免出现降落时的伤亡，飞机需要降落前进行空中放油，这样做除了大大增加航空公司的成本外，还会对环境造成污染。


技术实现要素：

3.本技术的多个方面提供一种飞行器燃油消耗的预测方法、计算设备及存储介质，用以能够更加精准地对飞机的燃油消耗量进行预测。
4.本技术实施例提供一种飞行器燃油消耗的预测方法，包括：针对同一类型的飞行器，获取对应的飞行数据；根据飞行器的不同航行阶段，将所述对应的飞行数据进行划分；针对平稳航行阶段的飞行器性能数据，创建第一燃油消耗模型，用于预测平稳航行阶段的燃油消耗量；根据非平稳航行阶段的飞行数据，创建第二燃油消耗模型，用于预测非平稳航行阶段的燃油消耗量；根据第一燃油消耗模型和第二燃油消耗模型，对飞行器燃油消耗量进行预测。
5.本技术实施例还提供一种飞行器燃油消耗的预测方法，包括：获取待测飞行器的飞行数据以及性能数据；根据待测飞行器的不同航行阶段，将所述对应的飞行数据进行划分；根据待测飞行器的类型，确定对应的第一燃油消耗模型以及第二燃油消耗模型；根据所述性能数据以及对应的第一燃油消耗模型，确定待测飞行器在平稳航行阶段的第一燃油消耗量；根据待测飞行器的飞行数据以及对应的第二燃油消耗模型，确定待测飞行器在非平稳航行阶段的第二燃油消耗量；确定所述第一燃油消耗量和第二燃油消耗量的燃油消耗量之和，作为待测飞行器最终的燃油消耗量。
6.本技术实施例还提供一种计算设备，包括：存储器以及处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述计算机程序，以用于：针对同一类型的飞行器，获取对应的飞行数据；根据飞行器的不同航行阶段，将所述对应的飞行数据进行划分；针对平稳航行阶段的飞行器性能数据，创建第一燃油消耗模型，用于预测平稳航行阶段的燃油消耗量；根据非平稳航行阶段的飞行数据，创建第二燃油消耗模型，用于预测非平稳航行阶段的燃油消耗量；根据第一燃油消耗模型和第二燃油消耗模型，对飞行器燃油消耗量进行预测。
7.本技术实施例还提供一种计算设备，包括：存储器以及处理器；所述存储器，用于
存储计算机程序；所述处理器，用于执行所述计算机程序，以用于：获取待测飞行器的飞行数据以及性能数据；根据待测飞行器的不同航行阶段，将所述对应的飞行数据进行划分；根据待测飞行器的类型，确定对应的第一燃油消耗模型以及第二燃油消耗模型；根据所述性能数据以及对应的第一燃油消耗模型，确定待测飞行器在平稳航行阶段的第一燃油消耗量；根据待测飞行器的飞行数据以及对应的第二燃油消耗模型，确定待测飞行器在非平稳航行阶段的第二燃油消耗量；确定所述第一燃油消耗量和第二燃油消耗量的燃油消耗量之和，作为待测飞行器最终的燃油消耗量。
8.本技术实施例还提供一种燃油消耗的预测方法，包括：针对同一类型的可燃油消耗的交通工具，获取对应的行程数据；根据所述交通工具的不同行程阶段，将所述对应的行程数据进行划分；针对平稳行程阶段的交通工具性能数据，创建第一燃油消耗模型，用于预测平稳行程阶段的燃油消耗量；根据非平稳行程阶段的行程数据，创建第二燃油消耗模型，用于预测非平稳行程阶段的燃油消耗量；根据第一燃油消耗模型和第二燃油消耗模型，对交通工具燃油消耗量进行预测。
9.本技术实施例还提供一种计算设备，包括：存储器以及处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述计算机程序，以用于：针对同一类型的可燃油消耗的交通工具，获取对应的行程数据；根据所述交通工具的不同行程阶段，将所述对应的行程数据进行划分；针对平稳行程阶段的交通工具性能数据，创建第一燃油消耗模型，用于预测平稳行程阶段的燃油消耗量；根据非平稳行程阶段的行程数据，创建第二燃油消耗模型，用于预测非平稳行程阶段的燃油消耗量；根据第一燃油消耗模型和第二燃油消耗模型，对交通工具燃油消耗量进行预测。
10.本技术实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器实现上述方法中的步骤。
11.在本技术实施例中，针对同一类型的飞行器，获取对应的飞行数据；根据飞行器的不同航行阶段，将对应的飞行数据进行划分；针对平稳航行阶段的飞行器性能数据，创建第一燃油消耗模型，用于预测平稳航行阶段的燃油消耗量；根据非平稳航行阶段的飞行数据，创建第二燃油消耗模型，用于预测非平稳航行阶段的燃油消耗量；根据第一燃油消耗模型和第二燃油消耗模型，对飞行器燃油消耗量进行预测。
12.由于通过划分不同航行阶段，根据不同航行阶段来创建对应的预测模型，使得对不同航行阶段预测燃油消耗量，从而确定出完整航行阶段的燃油消耗量。由于不同航行阶段对应飞行情况不同，如，发动机功率变化和周围环境变化不同。采用了不同的预测模型进行预测，能够针对这种不同的飞行情况，来更加精准地对不同航行阶段的燃油消耗进行预测。
附图说明
13.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
14.图1为本技术一示例性实施例的飞行器燃油消耗的预测系统的结构示意图；
15.图2为本技术一示例性实施例的飞行器燃油消耗的预测方法的流程示意图；
16.图3为本技术又一示例性实施的飞行器燃油消耗的预测方法的流程示意图；
17.图4为本技术又一示例性实施例提供的飞行器燃油消耗的预测装置的结构示意图；
18.图5为本技术又一示例性实施例提供的飞行器燃油消耗的预测装置的结构示意图；
19.图6为本技术一示例性实施例提供的计算设备的结构示意图；
20.图7为本技术又一示例性实施例提供的计算设备的结构示意图。
具体实施方式
21.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅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做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。
22.目前飞行器的燃油消耗研究上，多是采用单一的算法进行计算，没有很好的结合飞机飞行过程中的姿态和发动机功率变化情况进行估算，具有一定的局限性。
23.实际上，飞行器的发动机在不同的功率情况下，其燃油消耗情况变化很大，单一的模型并不能很好的描述燃油需求情况。
24.本技术实施例提出了一种方法，将飞行过程划分为不同的航行阶段，对于不同的航行阶段，针对发动机功率变化和周围环境变化情况，分别采用不同的对应预测模型进行预测，进而求出全航行阶段飞行过程中燃油消耗情况，能够更好地刻画燃油消耗。
25.以下结合附图，详细说明本技术各实施例提供的技术方案。
26.图1为本技术一示例性实施例提供的一种飞行器燃油消耗的预测系统的结构示意图。如图1所示，该系统100可以包括：第一设备101以及第二设备102。
27.其中，第一设备101可以是有一定计算能力的设备，可以实现向第二设备102发送数据的功能，并从第二设备102获取到响应数据。第一设备101的基本结构可以包括：至少一个处理器。处理器的数量可以取决于具有一定计算能力装置的配置和类型。具有一定计算能力装置也可以包括存储器，该存储器可以为易失性的，例如ram，也可以为非易失性的，例如只读存储器(read-only memory，rom)、闪存等，或者也可以同时包括两种类型。存储器内通常存储有操作系统(operating system，os)、一个或多个应用程序，也可以存储有程序数据等。除了处理单元和存储器之外，具有一定计算能力装置还包括一些基本配置，例如网卡芯片、io总线、显示组件以及一些外围设备等。可选地，一些外围设备可以包括，例如键盘、输入笔等。其它外围设备在本领域中是众所周知的，在此不做赘述。可选地，第一设备101可以为智能终端，例如，手机、台式电脑、笔记本、平板电脑等。
28.第二设备102是指可以在网络虚拟环境中提供计算处理服务的设备，可以是指利用网络进行数据处理且进行飞行器燃油消耗量的预测的设备。在物理实现上，第二设备102可以是任何能够提供计算服务，响应服务请求，并返回数据处理结果，例如可以是云服务器、云主机、虚拟中心、常规服务器等等。第二设备102的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类似。
29.在本技术实施例中，第二设备102，针对同一类型的飞行器，获取对应的飞行数据；根据飞行器的不同航行阶段，将对应的飞行数据进行划分；针对平稳航行阶段的飞行器性
能数据，创建第一燃油消耗模型，用于预测平稳航行阶段的燃油消耗量；根据非平稳航行阶段的飞行数据，创建第二燃油消耗模型，用于预测非平稳航行阶段的燃油消耗量；根据第一燃油消耗模型和第二燃油消耗模型，对飞行器燃油消耗量进行预测。
30.第一设备101可以向第二设备发送待测飞行器的飞行数据以及性能数据。第二设备102接收到这些数据后，根据航行阶段进行数据的划分。将性能数据输入至创建后的第一燃油消耗模型中，得到平稳航行阶段的燃油消耗量。将非平稳航行阶段的飞行数据输入至第二燃油消耗模型中，非平稳航行阶段的燃油消耗量。将两个阶段的燃油消耗量相加，得到该待测飞行器的燃油消耗量。
31.需要说明的是，第二设备102可以针对多个不同的飞行器类型，创建对应的第一燃油消耗模型以及第二燃油消耗模型。第二设备102接收到第一设备101发送的数据后，可以针对该待测飞行器的类型，选择对应的模型，进行预测。
32.在本技术实施例的应用场景中，用户通过第一设备101，如电脑，向第二设备102，如云服务器，发送数据，如待测飞机的性能数据以及飞行数据。云服务器接收到这些数据后。根据该待测飞机的类型，如机型，选择对应的预测模型，可以包括对应的用于预测平稳航行阶段的燃油消耗量的bada(base of aircraft data，飞机性能数据库)模型以及对应的用于预测非平稳航行阶段的燃油消耗量的lstm(长短期记忆网络，long short-term memory)模型。服务器将待测飞机的性能数据输入至对应的bada模型中，得到平稳航行阶段的燃油消耗量，如滑入阶段的燃油消耗量、滑出阶段的燃油消耗量以及巡航阶段的燃油消耗量。再将待测飞机的飞行数据进行航行阶段的划分，得到非稳航行阶段的飞行数据，如爬升阶段的飞行数据以及下降阶段的飞行数据。将得到的这些飞行数据输入至latm模型中，得到非平稳航行阶段的燃油消耗量。将平稳航行阶段的燃油消耗量与非平稳航行阶段的燃油消耗量相加，得到总的燃油消耗量，作为该待测飞机的燃油消耗量。第二设备102将该总的燃油消耗量返回至第一设备101，以提供给用户。
33.此外，第二设备102在预测之前，还需要针对各个类型的飞行器，创建对应的用于预测平稳航行阶段的预测模型，以及创建对应的用于预测非平稳航行阶段的预测模型。如，云服务器，可以先从存储有多个不同类飞机的数据库中获取到对应的数据，如性能数据以及飞行数据。根据性能数据创建对应的bada模型。对各个类型的飞行器航行阶段进行划分，获取对应的飞行数据，根据非平稳航行阶段的飞行数据，创建lstm模型。根据这两个模型对对应的飞行器进行燃油消耗量预测。
34.需要说明的是，该系统100除了可以应用于飞行器外，也可以应用于其它交通工具，如，汽车和轮船等。具体的实现方式与前文所述相似，此处就不再赘述。
35.在上述本实施例中，第一设备101以及第二设备102进行网络连接，该网络连接可以是无线连接。若第一设备101以及第二设备102是通信连接，该移动网络的网络制式可以为2g(gsm)、2.5g(gprs)、3g(wcdma、td-scdma、cdma2000、utms)、4g(lte)、4g (lte )、wimax、5g等中的任意一种。
36.下面结合方法实施例，针对飞行器燃油消耗的预测进行详细说明。
37.图2为本技术一示例性实施例的一种飞行器燃油消耗的预测方法的流程示意图。本技术实施例提供的该方法200由计算设备执行，如，云服务器。该方法200包括以下步骤：
38.201：针对同一类型的飞行器，获取对应的飞行数据。
39.202：根据飞行器的不同航行阶段，将对应的飞行数据进行划分。
40.203：针对平稳航行阶段的飞行器性能数据，创建第一燃油消耗模型，用于预测平稳航行阶段的燃油消耗量。
41.204：根据非平稳航行阶段的飞行数据，创建第二燃油消耗模型，用于预测非平稳航行阶段的燃油消耗量。
42.205：根据第一燃油消耗模型和第二燃油消耗模型，对飞行器燃油消耗量进行预测。
43.以下针对上述步骤进行详细阐述：
44.201：针对同一类型的飞行器，获取对应的飞行数据。
45.其中，同一类型是指相同飞行器的机型、相同发动机参数和/或最大载重量。
46.飞行数据是指飞行器在飞行的过程中的数据，可以包括飞行时间、飞行高度、飞行速度等等。
47.获取飞行数据的方式可以为：获取多个飞行器的非结构化飞行数据；将非结构化飞行数据转化为结构化飞行数据；根据飞行器的类型，对飞行器以及对应的结构化飞行数据进行划分。
48.其中，非结构化飞行数据是指数据结构不规则或不完整，没有预定义的不可读的飞行数据。可以包括文本、图片、报表、音频、视频等等。而结构化飞行数据是指具有一定格式的飞行数据，具有可读性。
49.例如，根据前文所述，云服务器可以从航空公司的快速存储记录器(quick access recorder)中获取到针对多个民航飞机的机型，获取各个机型对应的历史飞行数据，如飞行时间、飞行高度、飞行速度等等。该历史飞行数据可以是设置在文本中。云服务器在获取到这些飞行数据后，通过预置的译码器，对获取到的这些飞行数据进行译码，得到可存储于云服务器数据库中的飞行数据。
50.云服务器在得到可存储于云服务器数据库中的飞行数据后，可以对该飞行数据进行预处理，如过滤掉其中的无效数据，查找飞行数据中的空值，并删除掉对应的这些数据。
51.202：根据飞行器的不同航行阶段，将对应的飞行数据进行划分。
52.其中，航行阶段是指飞行器在飞行的过程中不同飞行阶段。可以包括：飞行器的巡航阶段、滑入跑道的滑入阶段以及滑出跑道的滑出阶段，这三个阶段可以视为平稳航行阶段。航行阶段还可以包括：飞行器的爬升阶段以及下降阶段，这两个阶段可以视为非平稳航行阶段。
53.各个航行阶段是根据飞行器在预置时间内的垂直高度变化，来划分航行阶段。具体划分方式如下：
54.具体的，该方法200还包括：当垂直高度变化在阈值范围内，则将对应的航行阶段设置为平稳航行阶段；当垂直高度变化大于阈值，则将对应的航行阶段设置为非平稳航行阶段。
55.例如，根据前文所述，云服务器从飞行数据中获取到飞行时间以及飞行高度。以3s为预置采样时间，也可以称为预置时间，即每个3s获取一个飞行高度。则相邻采样时间在一定预置高度范围内，即确定为平稳航行阶段。更具体的可以是巡航阶段。可以通过下式1)确定巡航阶段：
56.|height(i 3)
–
height(i)|≤h
ꢀꢀꢀ
1)
57.其中，i为采样时间，i 3则隔3s进行采样的时间，应理解，i与i 3是相邻采样时间。h为垂直高度变化的阈值范围，height为垂直高度。需要说明的是，可以直接从飞行数据中的飞行高度获取到垂直高度，或者，飞行高度也可以就是垂直高度。
58.还需要说明的是，对于平稳航行阶段还具有滑入跑道的滑入阶段以及滑出跑道的滑出阶段。这两个阶段飞机是在跑道上上滑行，那么飞行的高度是一定的，可以是飞机自身的高度(也就是说，可以是垂直高度变化为0，在一定阈值范围内)。由此，来确定出滑出阶段和滑入阶段。
59.此外，针对非平稳航行阶段来说，例如，根据前文所述，在两个相邻采样时间对应的高度变化大于阈值，也可以等于阈值，则可以确定是非平衡航行阶段。更具体的可以在为爬升阶段，通过以下公式2)确定：
60.height(i 3)
–
height(i)≥h
ꢀꢀꢀ
2)还可以通过下式3)确定下降阶段：
61.height(i 3)-height(i)≤-h
ꢀꢀꢀ
3)即
62.height(i)-height(i 3)≥h
ꢀꢀꢀ
4)
63.应理解，在上式4)中是指相邻采样时间中靠后的采样时间i与靠前的采样时间i 3的直高度变化大于或等于阈值。
64.此外，更具体的，该方法200还可以包括：根据预置采样时间，从飞行数据获取对应的垂直高度；在相邻采样时间对应的垂直高度变化在垂直高度阈值范围内，则确定对应的飞行数据所属于巡航阶段。
65.此处前文已经阐述过了，就不再赘述。仅说明，该垂直高度阈值范围内可以是指上述h。
66.更具体的，根据预置采样时间，从飞行数据获取对应的移动轨迹；当移动轨迹在跑道上且对应的采样时间为起始飞行的时间范围内，则确定移动轨迹对应的飞行数据所属于滑出阶段。
67.此处前文已经阐述过了，就不再赘述。仅说明，该移动轨迹点可以是飞行时间和飞行高度组成的移动轨迹。该移动轨迹可以是跑道的轨迹点相同，也可以是具有一定误差的相同，即与跑道的轨迹点非常接近，在一定的误差阈值范围内，即该飞行器的移动轨迹在跑道上，且飞行时间为飞行开始的时间，则确定为滑出阶段。
68.更具体的，当移动轨迹在跑道上且对应的采样时间为结束飞行的时间范围内，则确定移动轨迹对应的飞行数据所属于滑入阶段。
69.此处前文已经阐述过了，就不再赘述。仅说明，滑入阶段和滑出阶段是相反的，那么这里可以通过飞行时间进行确定。在飞行时间为飞行结束时间段内，则确定为滑入阶段。
70.更具体的，对于爬升阶段而言，根据预置采样时间，从飞行数据获取对应的垂直高度；在相邻采样时间中靠后的采样时间与靠前的采样时间对应的垂直高度变化大于或等于垂直高度阈值范围内的最大值，则确定对应的飞行数据所属于爬升阶段。
71.此处前文已经阐述过了，就不再赘述。
72.更具体的，对于下降阶段而言，在相邻采样时间中靠后的采样时间与靠前的采样时间对应的垂直高度变化小于或等于垂直高度阈值范围内的最小值，则确定对应的飞行数据所属于下降阶段。
73.此处前文已经阐述过了，就不再赘述。
74.由此，云服务器在划分完各个航行阶段后，就可以划分出各个航行阶段对应的飞行数据。
75.203：针对平稳航行阶段的飞行器性能数据，创建第一燃油消耗模型，用于预测平稳航行阶段的燃油消耗量。
76.其中，性能数据是指飞行器的功能以及特性数据，可以包括：油耗参数、推力等级等等。可以从飞行器所属机型的性能参数表中获取到性能数据。
77.第一燃油创建模型可以是bada模型。即：
78.具体的，针对平稳航行阶段的飞行器性能数据，创建第一燃油消耗模型，包括：根据用于确定燃油消耗量的性能数据，创建bada模型。
79.该模型通过下式确定：
[0080][0081]
f＝ηcft
ꢀꢀꢀ
6)
[0082]
其中，η为单位推力的燃油消耗率，c
f1
和c
f2
为油耗参数，v为空气速度，f为燃油流量，cf为推力等级，t为时间。
[0083]
从而根据上式来确定平稳航行阶段中滑入阶段、滑出阶段以及巡航阶段的燃油流量，即燃油消耗量。
[0084]
需要说明的是，同一类型的飞行器而言，不同的空气速度得到的燃油消耗量不同，可以根据需求选择不同的空气速度。
[0085]
此外，对于飞行器的地面滑行阶段，即滑入阶段和滑出阶段而言，不考虑不同的飞行器类型的地面慢车推力的对于发动机推力对地面滑行状态的影响。
[0086]
不同类型的发动机均可以通过bada模型进行平稳航行阶段的燃油消耗量的计算。
[0087]
204：根据非平稳航行阶段的飞行数据，创建第二燃油消耗模型，用于预测非平稳航行阶段的燃油消耗量。
[0088]
其中，第二燃油消耗模型可以是神经网络模型，如lstm模型。
[0089]
具体的，根据非平稳航行阶段的飞行数据，创建第二燃油消耗模型，包括：根据飞行数据，确定训练数据；根据同一飞行航段对应的训练数据，训练初始lstm模型，生成最终的lstm模型。
[0090]
其中，lstm模型一种时间循环神经网络，不仅能够解决rnn(recurrent neural network，循环神经网络)无法处理长距离的依赖的问题，还能够解决神经网络中常见的梯度爆炸或梯度消失等问题，在处理序列数据方面非常有效。
[0091]
采用sigmod函数和tanh函数作为lstm模型的激活函数，采用批量梯度下降bgd(batch gradient descent)算法作为优化算法。损失函数采用均方误差mse(mean squared error)，利用bgd算法更新lstm模型网络权重，将预测燃油消耗量与实际燃油消耗量进行比较，求得模型的预测误差，然后反向计算lstm模型中每个神经元的误差，对lstm模型网络进行迭代训练。当迭代训练后mse不再下降或精度达到要求时，保存此时lstm模型的参数，迭代结束。从而可以训练出最终的lstm模型。
[0092]
具体的，根据同一飞行航段对应的训练数据，训练初始lstm模型，生成最终的lstm
模型，包括：根据批量梯度下降算法，以及同一飞行航段不同时间的航班对应的训练数据，对初始lstm模型进行迭代训练，确定初始lstm模型对应的多组参数；设置燃油消耗量的均方误差作为初始lstm模型的损失函数，并根据均方误差，从多组参数中选择满足模型训练要求的一组参数；根据选择的参数，生成最终的lstm模型。
[0093]
例如，根据前文所述，云服务器在获取到不同航行阶段对应的飞行数据后，针对爬升阶段的飞行数据以及下降阶段的飞行数据，来确定训练数据。挑取飞行航段相同(即相同飞行路线)的不同班次的航班的飞行数据。针对飞行航段相同的不同班次的航班的飞行数据，训练对应的lstm模型，训练方式如前文所述，此处就不再赘述。仅说明：在开始训练的时候，是针对初始lstm模型进行迭代训练的，初始lstm模型中设置有初始参数。通过迭代训练可以得到多组不同的参数。再通过损失函数选择一组符合需要的参数，如mse不再下降或精度达到要求时的参数，作为lstm模型最终的参数，生成最终的模型。
[0094]
需要说明的是，由于云服务器之前是针对同一类型的飞行器获取的对应的飞行数据，并进行航行阶段的划分，然后在挑选飞行航段相同的不同班次的航班的飞行数据。那么在最终，云服务器可以训练出多个类型的飞行器，不同航段对应的lstm模型。
[0095]
另，通过下式确定损失函数：
[0096][0097]
其中，m为数据个数，即采样个数。fi是真实燃油消耗量，fi是预测的燃油消耗量。
[0098]
此外，训练数据的确定方式可以为：
[0099]
根据飞行数据，确定训练数据，包括：根据飞行数据中的航向角，确定转向角速度，并作为训练数据；根据飞行数据中的飞行高度，确定爬升率或下降率、爬升梯度或下降梯度，并作为训练数据；将飞行数据中的起飞时间、燃油消耗量以及飞行速度作为训练数据。
[0100]
其中，可以通过下式确定转向角速度：
[0101][0102]
其中，ω
′
表示t
′
时刻飞机的航向角，ω表示t时刻飞机的航向角。
[0103]
可以通过下式确定爬升率或下降率：
[0104][0105]
其中，h
′
表示t
′
时刻飞机的飞行高度，h表示t时刻飞机的飞行高度。爬升率或下降率用于描述飞行器上升或下降的快慢。
[0106]
可以通过下式确定爬升梯度或下降梯度：
[0107]
tanθ
ꢀꢀꢀ
10)
[0108]
其中，θ为飞机在单位时间内垂直飞行高度的变化与水平距离变化的比例，比如飞机在1分钟内垂直上升了3000米，水平飞了15公里，则tanθ＝3/15＝0.2。
[0109]
上述需要确定的这些参数可以描述飞机在单位时间内的位置变化情况，从而间接的描述出飞机发动机输出功率的变化情况。
[0110]
此外，云服务器可以根据上述方式确定出上述参数外，还可以直接从飞行数据中获取到起飞时间、燃油消耗量以及飞行速度，一并作为基础数据，然后，对这些基础数据进
行归一化处理，归一化处理的方式通过下式确定为：
[0111][0112]
其中，xi表示预置时间段的内的数据值，如起飞时间。minxi为该数据值的最小值，maxxi为该数据值的最大值。
[0113]
云服务器在归一化处理数据后，挑取飞行航段相同的不同班次的航班对应的数据，针对飞行航段相同的不同班次的航班的数据，还可以将这些数据中的80％的数据作为训练数据，20％作为测试数据。
[0114]
除了获取训练数据外，还可以获取测试数据，用于测试训练好的最终模型的精准性。获取方式可以为：
[0115]
具体的，该方法200还可以包括：根据飞行数据，确定测试数据；根据测试数据对最终的lstm模型进行测试。
[0116]
由于前文已经阐述过了，此处就不再赘述。仅说明：将测试数据输入至最终的模型中，确定预测值，如，预测燃油消耗量，并根据测试数据对应的真实值，如真实燃油消耗量，来确定真实值与预测值之间的误差，来确定模型的精准性。
[0117]
需要说明的是，本技术实施例可以针对航空飞行器在飞行过程中燃油要兼顾成本和安全的要求，针对不同的机型，可以选取长航班、中短航班、复飞航班等场景，根据飞行阶段的油耗特征，将其划分为5个航行阶段：滑出阶段、爬升阶段、巡航阶段、下降阶段、滑入阶段，对于不同的航段结合发动机功率变化和周围环境变化情况，分别采用不同的模型进行预估，进而求出全航段飞行过程中燃油消耗情况，比单一的模型能更好的刻画燃油消耗量。
[0118]
205：根据第一燃油消耗模型和第二燃油消耗模型，对飞行器燃油消耗量进行预测。
[0119]
云服务器在创建完上述模型后，就可以针对不同的飞行器进行燃油消耗量的预测了。
[0120]
具体的，根据第一燃油消耗模型和第二燃油消耗模型，对飞行器燃油消耗量进行预测，包括：获取待测飞行器的飞行数据以及性能数据；根据待测飞行器的类型，确定对应的第一燃油消耗模型以及第二燃油消耗模型；根据性能数据以及对应的第一燃油消耗模型，确定待测飞行器在平稳航行阶段的第一燃油消耗量；根据待测飞行器的飞行数据以及对应的第二燃油消耗模型，确定待测飞行器在非平稳航行阶段的第二燃油消耗量；确定第一燃油消耗量和第二燃油消耗量的燃油消耗量之和，作为待测飞行器最终的燃油消耗量。
[0121]
例如，根据前文所述，云服务器在创建完对应的模型后，可以从用户的智能终端，如电脑接收到预测请求，可以根据请求中携带的飞行的类型，以及飞行航段，确定对应的bada模型以及lstm模型。然后，还可以根据飞机的类型，获取对应的飞行数据以及性能数据，可以请求中直接携带该飞行数据以及性能数据。根据前述方式，将性能数据输入至对应的bada模型中，确定出来对应的燃油消耗量。再将飞行数据进行处理，得到所需的lstm模型的输入数据，并输入至lstm模型中，得到燃油消耗量，将两者进行相加，得到对应的总的燃油消耗量。并返回至用户的电脑即可。
[0122]
基于上述相似的发明构思，图3示出了本技术另一示例性实施例提供的一种飞行器燃油消耗的预测方法的流程示意图。本技术实施例提供的该方法300由上述服务器执行，
如图3所示，该方法300包括以下步骤：
[0123]
301：获取待测飞行器的飞行数据以及性能数据。
[0124]
302：根据待测飞行器的不同航行阶段，将对应的飞行数据进行划分。
[0125]
303：根据待测飞行器的类型，确定对应的第一燃油消耗模型以及第二燃油消耗模型。
[0126]
304：根据性能数据以及对应的第一燃油消耗模型，确定待测飞行器在平稳航行阶段的第一燃油消耗量。
[0127]
305：根据待测飞行器的飞行数据以及对应的第二燃油消耗模型，确定待测飞行器在非平稳航行阶段的第二燃油消耗量。
[0128]
306：确定第一燃油消耗量和第二燃油消耗量的燃油消耗量之和，作为待测飞行器最终的燃油消耗量。
[0129]
由于前文已经详细阐述过步骤301-306的具体实施方式，此处就不再赘述。
[0130]
另，本方法300未能详细描述的内容，还可以参照上述方法200中的各个步骤。
[0131]
图4为本技术一示例性实施例提供的一种飞行器燃油消耗的预测装置的结构框架示意图。该装置400可以应用于服务器。该装置400包括：获取模型401、划分模块402、创建模块403以及预测模块404；以下针对各个模块的功能进行详细的阐述：
[0132]
获取模型401，用于针对同一类型的飞行器，获取对应的飞行数据。
[0133]
划分模块402，用于根据飞行器的不同航行阶段，将对应的飞行数据进行划分。
[0134]
创建模块403，用于针对平稳航行阶段的飞行器性能数据，创建第一燃油消耗模型，用于预测平稳航行阶段的燃油消耗量。
[0135]
创建模块403，用于根据非平稳航行阶段的飞行数据，创建第二燃油消耗模型，用于预测非平稳航行阶段的燃油消耗量。
[0136]
预测模块404，用于根据第一燃油消耗模型和第二燃油消耗模型，对飞行器燃油消耗量进行预测。
[0137]
此外，获取模型401，还用于获取多个飞行器的非结构化飞行数据；该装置400还包括：转换模块，用于将非结构化飞行数据转化为结构化飞行数据；划分模块402，还用于根据飞行器的类型，对飞行器以及对应的结构化飞行数据进行划分。
[0138]
此外，划分模块402，还用于根据飞行器在预置时间内的垂直高度变化，来划分航行阶段。
[0139]
此外，该装置400还包括：确定模块，用于当垂直高度变化在阈值范围内，则将对应的航行阶段设置为平稳航行阶段；当垂直高度变化大于阈值，则将对应的航行阶段设置为非平稳航行阶段。
[0140]
其中，平稳航行阶段包括：飞行器的巡航阶段、滑入跑道的滑入阶段以及滑出跑道的滑出阶段。
[0141]
此外，获取模型401，还用于根据预置采样时间，从飞行数据获取对应的垂直高度。确定模块，还用于在相邻采样时间对应的垂直高度变化在垂直高度阈值范围内，则确定对应的飞行数据所属于巡航阶段。获取模型401，还用于根据预置采样时间，从飞行数据获取对应的移动轨迹。确定模块，还用于当移动轨迹在跑道上且对应的采样时间为起始飞行的时间范围内，则确定移动轨迹对应的飞行数据所属于滑出阶段。确定模块，还用于当移动轨
迹在跑道上且对应的采样时间为结束飞行的时间范围内，则确定移动轨迹对应的飞行数据所属于滑入阶段。
[0142]
具体的，创建模块403，用于根据用于确定燃油消耗量的性能数据，创建bada模型。
[0143]
其中，非平稳航行阶段包括：飞行器的爬升阶段以及下降阶段。
[0144]
此外，获取模型401，还用于根据预置采样时间，从飞行数据获取对应的垂直高度。确定模块，还用于在相邻采样时间中靠后的采样时间与靠前的采样时间对应的垂直高度变化大于或等于垂直高度阈值范围内的最大值，则确定对应的飞行数据所属于爬升阶段。确定模块，还用于在相邻采样时间中靠后的采样时间与靠前的采样时间对应的垂直高度变化小于或等于垂直高度阈值范围内的最小值，则确定对应的飞行数据所属于下降阶段。
[0145]
具体的，创建模块403，包括：第一确定单元，用于根据飞行数据，确定训练数据；训练单元，用于根据同一飞行航段对应的训练数据，训练初始lstm模型，生成最终的lstm模型。
[0146]
此外，确定模块，还用于根据飞行数据，确定测试数据；该装置400还包括：测试模块，用于根据测试数据对最终的lstm模型进行测试。
[0147]
具体的，训练单元，用于根据批量梯度下降算法，以及同一飞行航段不同时间的航班对应的训练数据，对初始lstm模型进行迭代训练，确定初始lstm模型对应的多组参数；设置燃油消耗量的均方误差作为初始lstm模型的损失函数，并根据均方误差，从多组参数中选择满足模型训练要求的一组参数；根据选择的参数，生成最终的lstm模型。
[0148]
具体的，第一确定单元，用于根据飞行数据中的航向角，确定转向角速度，并作为训练数据；根据飞行数据中的飞行高度，确定爬升率或下降率、爬升梯度或下降梯度，并作为训练数据；将飞行数据中的起飞时间、燃油消耗量以及飞行速度作为训练数据。
[0149]
具体的，预测模块404，包括：获取单元，用于获取待测飞行器的飞行数据以及性能数据；第二确定单元，用于根据待测飞行器的类型，确定对应的第一燃油消耗模型以及第二燃油消耗模型；根据性能数据以及对应的第一燃油消耗模型，确定待测飞行器在平稳航行阶段的第一燃油消耗量；根据待测飞行器的飞行数据以及对应的第二燃油消耗模型，确定待测飞行器在非平稳航行阶段的第二燃油消耗量；确定第一燃油消耗量和第二燃油消耗量的燃油消耗量之和，作为待测飞行器最终的燃油消耗量。
[0150]
图5为本技术一示例性实施例提供的一种飞行器燃油消耗的预测装置的结构框架示意图。该装置500可以应用于服务器。该装置500包括获取模块501、划分模块502、确定模块503；以下针对各个模块的功能进行详细的阐述：
[0151]
获取模块501，用于获取待测飞行器的飞行数据以及性能数据。
[0152]
划分模块502，用于根据待测飞行器的不同航行阶段，将对应的飞行数据进行划分。
[0153]
确定模块503，用于根据待测飞行器的类型，确定对应的第一燃油消耗模型以及第二燃油消耗模型。
[0154]
确定模块503，用于根据性能数据以及对应的第一燃油消耗模型，确定待测飞行器在平稳航行阶段的第一燃油消耗量。
[0155]
确定模块503，用于根据待测飞行器的飞行数据以及对应的第二燃油消耗模型，确定待测飞行器在非平稳航行阶段的第二燃油消耗量。
[0156]
确定模块503，用于确定第一燃油消耗量和第二燃油消耗量的燃油消耗量之和，作为待测飞行器最终的燃油消耗量。
[0157]
需要说明的是，对于装置500未能提及的部分内容，可以参照上述装置400的内容。
[0158]
以上描述了图4所示的装置400的内部功能和结构，在一个可能的设计中，图4所示的装置400的结构可实现为计算设备，如，服务器。如图6所示，该设备600可以包括：存储器601以及处理器602；
[0159]
存储器601，用于存储计算机程序。
[0160]
处理器602，用于执行计算机程序，以用于：针对同一类型的飞行器，获取对应的飞行数据；根据飞行器的不同航行阶段，将对应的飞行数据进行划分；针对平稳航行阶段的飞行器性能数据，创建第一燃油消耗模型，用于预测平稳航行阶段的燃油消耗量；根据非平稳航行阶段的飞行数据，创建第二燃油消耗模型，用于预测非平稳航行阶段的燃油消耗量；根据第一燃油消耗模型和第二燃油消耗模型，对飞行器燃油消耗量进行预测。
[0161]
此外，处理器602，还用于：获取多个飞行器的非结构化飞行数据；将非结构化飞行数据转化为结构化飞行数据；划根据飞行器的类型，对飞行器以及对应的结构化飞行数据进行划分。
[0162]
此外，处理器602，还用于：根据飞行器在预置时间内的垂直高度变化，来划分航行阶段。
[0163]
此外，处理器602，还用于：当垂直高度变化在阈值范围内，则将对应的航行阶段设置为平稳航行阶段；当垂直高度变化大于阈值，则将对应的航行阶段设置为非平稳航行阶段。
[0164]
其中，平稳航行阶段包括：飞行器的巡航阶段、滑入跑道的滑入阶段以及滑出跑道的滑出阶段。
[0165]
此外，处理器602，还用于：根据预置采样时间，从飞行数据获取对应的垂直高度；在相邻采样时间对应的垂直高度变化在垂直高度阈值范围内，则确定对应的飞行数据所属于巡航阶段；根据预置采样时间，从飞行数据获取对应的移动轨迹；当移动轨迹在跑道上且对应的采样时间为起始飞行的时间范围内，则确定移动轨迹对应的飞行数据所属于滑出阶段；当移动轨迹在跑道上且对应的采样时间为结束飞行的时间范围内，则确定移动轨迹对应的飞行数据所属于滑入阶段。
[0166]
具体的，处理器602，具体用于：根据用于确定燃油消耗量的性能数据，创建bada模型。
[0167]
其中，非平稳航行阶段包括：飞行器的爬升阶段以及下降阶段。
[0168]
此外，处理器602，还用于：根据预置采样时间，从飞行数据获取对应的垂直高度；在相邻采样时间中靠后的采样时间与靠前的采样时间对应的垂直高度变化大于或等于垂直高度阈值范围内的最大值，则确定对应的飞行数据所属于爬升阶段；在相邻采样时间中靠后的采样时间与靠前的采样时间对应的垂直高度变化小于或等于垂直高度阈值范围内的最小值，则确定对应的飞行数据所属于下降阶段。
[0169]
具体的，处理器602，具体用于：根据飞行数据，确定训练数据；根据同一飞行航段对应的训练数据，训练初始lstm模型，生成最终的lstm模型。
[0170]
此外，处理器602，还用于：根据飞行数据，确定测试数据；根据测试数据对最终的
lstm模型进行测试。
[0171]
具体的，处理器602，具体用于：根据批量梯度下降算法，以及同一飞行航段不同时间的航班对应的训练数据，对初始lstm模型进行迭代训练，确定初始lstm模型对应的多组参数；设置燃油消耗量的均方误差作为初始lstm模型的损失函数，并根据均方误差，从多组参数中选择满足模型训练要求的一组参数；根据选择的参数，生成最终的lstm模型。
[0172]
具体的，处理器602，具体用于：根据飞行数据中的航向角，确定转向角速度，并作为训练数据；根据飞行数据中的飞行高度，确定爬升率或下降率、爬升梯度或下降梯度，并作为训练数据；将飞行数据中的起飞时间、燃油消耗量以及飞行速度作为训练数据。
[0173]
具体的，处理器602，具体用于：获取待测飞行器的飞行数据以及性能数据；根据待测飞行器的类型，确定对应的第一燃油消耗模型以及第二燃油消耗模型；根据性能数据以及对应的第一燃油消耗模型，确定待测飞行器在平稳航行阶段的第一燃油消耗量；根据待测飞行器的飞行数据以及对应的第二燃油消耗模型，确定待测飞行器在非平稳航行阶段的第二燃油消耗量；确定第一燃油消耗量和第二燃油消耗量的燃油消耗量之和，作为待测飞行器最终的燃油消耗量。
[0174]
另外，本发明实施例提供了一种计算机存储介质，计算机程序被一个或多个处理器执行时，致使一个或多个处理器实现图2方法实施例中一种飞行器燃油消耗的预测方法的步骤。
[0175]
以上描述了图5所示的装置500的内部功能和结构，在一个可能的设计中，图5所示的装置500的结构可实现为计算设备，如，服务器。如图7所示，该设备700可以包括：存储器701以及处理器702；
[0176]
存储器701，用于存储计算机程序；
[0177]
处理器702，用于执行计算机程序，以用于：获取待测飞行器的飞行数据以及性能数据；根据待测飞行器的不同航行阶段，将对应的飞行数据进行划分；根据待测飞行器的类型，确定对应的第一燃油消耗模型以及第二燃油消耗模型；根据性能数据以及对应的第一燃油消耗模型，确定待测飞行器在平稳航行阶段的第一燃油消耗量；根据待测飞行器的飞行数据以及对应的第二燃油消耗模型，确定待测飞行器在非平稳航行阶段的第二燃油消耗量；确定第一燃油消耗量和第二燃油消耗量的燃油消耗量之和，作为待测飞行器最终的燃油消耗量。
[0178]
另外，本发明实施例提供了一种计算机存储介质，计算机程序被一个或多个处理器执行时，致使一个或多个处理器实现图3方法实施例中一种飞行器燃油消耗的预测方法的步骤。
[0179]
基于上述相似的发明构思，本技术另一示例性实施例还提供的一种燃油消耗的预测方法。本技术实施例提供的该方法800由上述服务器执行，该方法800包括以下步骤：
[0180]
801：针对同一类型的可燃油消耗的交通工具，获取对应的行程数据。
[0181]
802：根据交通工具的不同行程阶段，将对应的行程数据进行划分。
[0182]
803：针对平稳航行阶段的交通工具性能数据，创建第一燃油消耗模型，用于预测平稳航行阶段的燃油消耗量。
[0183]
804：根据非平稳航行阶段的行程数据，创建第二燃油消耗模型，用于预测非平稳航行阶段的燃油消耗量。
[0184]
805：根据第一燃油消耗模型和第二燃油消耗模型，对交通工具燃油消耗量进行预测。
[0185]
由于前文已经详细阐述过步骤801-805的具体实施方式，此处就不再赘述。仅说明：
[0186]
其中，可燃油消耗的交通工具是指以燃油消耗为驱动力的交通工具，如汽车、轮船以及飞机等等。其同一类型可以是指同一型号的汽车，或同一型号的轮船。
[0187]
行程数据是指交通工具在路程中的行驶数据，如行驶时间、行驶高度、行驶速度等等。
[0188]
非平稳航行阶段是指交通工具起步和终止的一段时间，例如，汽车起步行驶，至平稳行驶时间，可以是速度接近匀速的状态对应的时间，如在一定差异阈值内的速度。以及汽车刹车的这段时间。对于轮船而言，可以是轮船出港，且轮船进港的情况等。
[0189]
平稳航行阶段是指交通工具已经开始行使的过程中，如汽车平稳驾驶的阶段，如是速度接近匀速的驾驶。如轮船行使出港后到入港前的阶段。
[0190]
第一燃油消耗模型可以通过神经网络模型进行创建，根据交通工具的性能数据来训练该神经网络模型，由于训练过程前文已经阐述过了，此处就不再赘述。从而得到对应的燃油消耗。
[0191]
另，本方法800未能详细描述的内容，还可以参照上述方法200中的各个步骤。
[0192]
本技术一示例性实施例提供的一种燃油消耗的预测装置。该装置900可以应用于服务器。该装置900包括获取模块901、划分模块902、创建模块903以及预测模块904；以下针对各个模块的功能进行详细的阐述：
[0193]
获取模块901，用于针对同一类型的可燃油消耗的交通工具，获取对应的行程数据。
[0194]
划分模块902，用于根据交通工具的不同行程阶段，将对应的行程数据进行划分。
[0195]
创建模块903，用于针对平稳行程阶段的交通工具性能数据，创建第一燃油消耗模型，用于预测平稳行程阶段的燃油消耗量。
[0196]
创建模块903，用于根据非平稳行程阶段的行程数据，创建第二燃油消耗模型，用于预测非平稳行程阶段的燃油消耗量。
[0197]
预测模块904，用于根据第一燃油消耗模型和第二燃油消耗模型，对交通工具燃油消耗量进行预测。
[0198]
需要说明的是，对于装置900未能提及的部分内容，可以参照上述装置400的内容。
[0199]
以上描述了装置900的内部功能和结构，在一个可能的设计中，装置900的结构可实现为计算设备，如，服务器。该设备1000可以包括：存储器1001以及处理器1002；
[0200]
存储器1001，用于存储计算机程序。
[0201]
处理器1002，用于执行计算机程序，以用于：针对同一类型的可燃油消耗的交通工具，获取对应的行程数据；根据交通工具的不同行程阶段，将对应的行程数据进行划分；针对平稳行程阶段的交通工具性能数据，创建第一燃油消耗模型，用于预测平稳行程阶段的燃油消耗量；根据非平稳行程阶段的行程数据，创建第二燃油消耗模型，用于预测非平稳行程阶段的燃油消耗量；根据第一燃油消耗模型和第二燃油消耗模型，对交通工具燃油消耗量进行预测。
[0202]
另外，本发明实施例提供了一种计算机存储介质，计算机程序被一个或多个处理器执行时，致使一个或多个处理器实现方法800实施例中一种燃油消耗的预测方法的步骤。
[0203]
另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如201、202、203等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
[0204]
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0205]
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各实施方式可借助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和软件结合的方式来实现。基于这样的理解，上述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计算机产品的形式体现出来，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0206]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程多媒体数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程多媒体数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0207]
这些计算机程序指令也可存储在能引导计算机或其他可编程多媒体数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0208]
这些计算机程序指令也可装载到计算机或其他可编程多媒体数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0209]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0210]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0211]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0212]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。