一种煤炭销量数据预测方法、设备及介质与流程

1.本技术涉及数据分析技术领域，尤其涉及一种煤炭销量数据预测方法、设备及介质。


背景技术：

2.煤炭销量数据对于能源企业的采购计划指定、库存管理、资金周转、生产决策等有着至关重要的意义，人工预测往往难以把握数据的准确趋势变化，且主观性较强，对于决策人员的市场经验、战略眼光等有较高的要求。因此，数据预测算法在近年得以有迅速发展，而煤炭行业具有特殊的季节性特征，但是普通的数据预测算法不考虑时间序列中的趋势性因素和季节性因素，模型对于数据的拟合程度较低，从而使得对于煤炭销量数据的预测不够准确。并且，在获取的数据有缺失值的情况下，普通的数据预处理方法中多采用固定值、均值、中位数、众数等统计量对缺失值进行填充，不能准确反映缺失值的实际情况，从而降低了预测数据的可靠性。


技术实现要素：

3.本技术实施例提供了一种煤炭销量数据预测方法、设备及介质，用以解决现有的预测算法不能准确反映出煤炭销量的季节周期性变化，准确性不高的技术问题。
4.本技术实施例提供了一种煤炭销量数据预测方法，方法包括：从数据库中获取能源企业的历史煤炭销量数据，并通过指数平滑算法，对所述历史煤炭销量数据进行缺失值填充，以得到连续的煤炭销量时间序列数据；对所述煤炭销量时间序列数据进行平稳化处理，得到平稳时间序列数据；构建差分整合移动平均自回归模型，以及所述平稳时间序列数据的自相关图和偏自相关图，根据所述自相关图和所述偏自相关图，估计所述差分整合移动平均自回归模型的模型参数，以得到用于估计煤炭销量数据的乘积季节模型；将所述平稳时间序列数据输入至所述乘积季节模型中进行模型拟合，并调整所述模型参数；基于调整模型参数后的乘积季节模型，对煤炭销量数据进行预测。
5.在本技术的一种实现方式中，对所述煤炭销量时间序列数据进行平稳化处理，具体包括：对所述煤炭销量时间序列数据进行平稳性校验，确定所述煤炭销量时间序列数据是否为平稳序列；在所述煤炭销量时间序列数据为非平稳序列的情况下，对所述煤炭销量时间序列数据进行一阶差分，并对经过一阶差分的煤炭销量时间序列数据再次进行平稳性校验，以确定所述经过一阶差分的煤炭销量时间序列数据是否仍为非平稳序列；若所述煤炭销量时间序列数据仍为非平稳序列，则对所述煤炭销量时间序列数据进行二阶差分。
6.在本技术的一种实现方式中，方法还包括：通过对所述煤炭销量时间序列数据进行一阶差分，提取所述煤炭销量时间序列数据中的趋势效应信息；通过对所述煤炭销量时间序列数据进行二阶差分，提取所述煤炭销量时间序列数据中的季节效应信息；对经过一阶差分和二阶差分后的煤炭销量残差序列进行周期性分析，获取所述煤炭销量时间序列数据中的周期效应信息。
7.在本技术的一种实现方式中，构建差分整合移动平均自回归模型之前，所述方法还包括：对所述平稳时间序列数据进行纯随机性校验，判断所述平稳时间序列数据中的各序列值之间是否存在相关关系；在各序列值之间存在相关关系的情况下，确定所述平稳时间序列数据不为纯随机性序列，能够输入至所述乘积季节模型中进行模型拟合。
8.在本技术的一种实现方式中，根据所述自相关图和所述偏自相关图，估计所述差分整合移动平均自回归模型的模型参数，具体包括：根据所述自相关图和所述偏自相关图，估计所述自相关图对应的自相关系数，以及所述偏自相关图对应的偏自相关系数截尾的阶数；其中，所述阶数为所述差分整合移动平均自回归模型的模型参数。
9.在本技术的一种实现方式中，对所述煤炭销量时间序列数据进行平稳性校验，确定所述煤炭销量时间序列数据是否为平稳序列，具体包括：根据所述煤炭销量时间序列数据，构建相应的煤炭销量时间序列图；确定所述煤炭销量时间序列图中各序列值是否围绕一个常数值进行上下波动，以及各序列值的波动范围是否存在界限；在各所述序列值围绕一个常数值进行上下波动且波动范围存在界限的情况下，确定所述煤炭销量时间序列数据为平稳序列；或者确定所述煤炭销量时间序列数据的自相关图，根据所述自相关图中自相关系数的衰减速度，确定所述煤炭销量时间序列数据是否为平稳序列；或者判断所述煤炭销量时间序列数据是否存在单位根，若不存在单位根，则确定所述煤炭销量时间序列数据为平稳序列。
10.在本技术的一种实现方式中，通过指数平滑算法，对所述历史煤炭销量数据进行缺失值填充，具体包括：通过加法模型，计算所述历史煤炭销量数据的水平分量、趋势分量和季节分量；将所述水平分量、趋势分量和季节分量累加，预测得到连续的煤炭销量时间序列数据；或者通过乘法模型，计算所述历史煤炭销量数据的水平分量、趋势分量和季节分量；将所述水平分量、趋势分量和季节分量累乘，预测得到连续的煤炭销量时间序列数据。
11.在本技术的一种实现方式中，所述煤炭销量时间序列数据是以月为单位，由各月份对应的序列值所组成的连续序列；其中，所述序列值为煤炭销量数据。
12.本技术实施例还提供了一种煤炭销量数据预测设备，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：从数据库中获取企业的历史煤炭销量数据，并通过指数平滑算法，对所述历史煤炭销量数据进行缺失值填充，以得到连续的煤炭销量时间序列数据；对所述煤炭销量时间序列数据进行平稳化处理，得到平稳时间序列数据；构建差分整合移动平均自回归模型，及所述平稳时间序列数据的自相关图和偏自相关图，根据所述自相关图和所述偏自相关图，估计所述差分整合移动平均自回归模型的模型参数，以得到用于估计煤炭销量数据的乘积季节模型；将所述平稳时间序列数据输入至所述乘积季节模型中进行模型拟合，并调整所述模型参数；基于调整模型参数后的乘积季节模型，对煤炭销量数据进行预测。
13.本技术实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：从数据库中获取企业的历史煤炭销量数据，并通过指数平滑算法，对所述历史煤炭销量数据进行缺失值填充，以得到连续的煤炭销量时间序列数据；对所述煤炭销量时间序列数据进行平稳化处理，得到平稳时间序列数据；构建差分整合移动平均自回归模型，及所述平稳时间序列数据的自相关图和偏自相关图，
根据所述自相关图和所述偏自相关图，估计所述差分整合移动平均自回归模型的模型参数，以得到用于估计煤炭销量数据的乘积季节模型；将所述平稳时间序列数据输入至所述乘积季节模型中进行模型拟合，并调整所述模型参数；基于调整模型参数后的乘积季节模型，对煤炭销量数据进行预测。
14.本技术实施例提供的一种煤炭销量数据预测方法、设备及介质，通过预测算法对煤炭销量数据进行缺失值填充，能够准确反映出缺失值的实际情况，相较于人工预测和原始填充方法来说更为准确，且效率更高。对连续的煤炭销量时间序列数据进行平稳化处理，能够有效提取出时间序列中数据的各影响因素，且确保了煤炭销量时间序列的价值性，只有平稳的时间序列才能够针对历史趋势对未来做出预测。将平稳时间序列数据作为样本，构建相应的乘积季节模型并进行参数调整，在考虑到煤炭销量时间序列的趋势性因素和季节性因素的同时，也提高了模型的拟合程度，并且也提高了对应销量数据预测的准确性。
附图说明
15.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：
16.图1为本技术实施例提供的一种煤炭销量数据预测方法流程图；
17.图2为本技术实施例提供的煤炭销量原始数据填充实例图；
18.图3为本技术实施例提供的通过预测算法对煤炭销量数据填充后的时间序列实例图；
19.图4为本技术实施例提供的煤炭销量数据平稳化处理后的时间序列示意图；
20.图5为本技术实施例提供的煤炭销量时间序列数据因素分解图；
21.图6为本技术实施例提供的乘积季节模型的拟合曲线图；
22.图7为本技术实施例提供的煤炭销量预测数据示意图；
23.图8为本技术实施例提供的另一种煤炭销量数据预测方法流程图；
24.图9为本技术实施例提供的一种煤炭销量数据预测结构示意图。
具体实施方式
25.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。
26.下面通过附图对本技术实施例提出的技术方案进行详细的说明。
27.图1为本技术实施例提供的一种煤炭销量数据预测方法流程图。如图1所示，本技术实施例提供的一种煤炭销量数据预测方法可以主要包括以下步骤：
28.s101：服务器从数据库中获取企业的历史煤炭销量数据，并通过指数平滑算法，对历史煤炭销量数据进行缺失值填充，以得到连续的煤炭销量时间序列数据。
29.从数据库中获取到的历史煤炭销量数据不可避免的存在个别缺失值，服务器需保证得到的煤炭销量时间序列数据是连续不间断的，这样才能体现出完整、准确的序列数据特征，提高预测准确性。
30.在一个实施例中，服务器通过指数平滑算法，替代现有的固定值、均值、中位数、众数填充方法，以提高填充数据的可靠性。指数平滑算法分为三种形式，分别为一次指数平滑法、二次指数平滑法和三次指数平滑法。一次指数平滑法针对没有趋势和季节性的序列数据，二次指数平滑法针对有趋势但没有季节性的序列数据，三次指数平滑法针对有趋势也有季节性的序列数据。由于煤炭销量具有显著的季节性效应，本技术实施例采用holt-winters算法即三次指数平滑法对缺失值进行填充，从而确保填充后的连续时间序列是具有明显季节效应和趋势效应的，便于后续的模型拟合和特征提取。其中，填充缺失值后得到的煤炭销量时间序列数据是以月为单位，由各月份对应的序列值所组成的连续序列，序列值为煤炭销量数据。
31.具体地，holt-winters算法分为两种模式，分别是累加式和累乘式。服务器可通过加法模型，计算历史煤炭销量数据的水平分量、趋势分量和季节分量，具体通过以下公式实现：
[0032][0033][0034][0035]
其中，表示水平分量，表示趋势分量，表示季节分量，分别是通过一次指数平滑、二次指数平滑和三次指数平滑得到的。α为水平平滑系数，β为趋势平滑系数，γ为季节性平滑系数，t表示时期，π为季节性长度(本技术实施例中设为1月)。
[0036]
之后，通过以下公式，将一次平滑分量、趋势分量和季节分量累加，预测得到连续的序列数据：
[0037][0038]
其中，k为周期长度，h表示个数即第一个序列值后的第h个序列值。
[0039]
服务器还可以通过乘法模型，计算历史煤炭销量数据的一次平滑分量、趋势分量和季节分量，具体通过以下公式实现：
[0040][0041][0042][0043]
之后，通过以下公式，将一次平滑分量、趋势分量和季节分量累加，预测得到连续的序列数据：
[0044][0045]
需要说明的是，加法模型或乘法模型均可以预测得到具有趋势性和季节性的序列数据，对于选用何种模型去对历史煤炭销量数据进行缺失值填充，本技术对此不进行限定。
[0046]
图2、3分别为本技术实施例提供的煤炭销量原始数据填充实例图、通过预测算法对煤炭销量数据填充后的时间序列实例图。横坐标表示时间，纵坐标表示煤炭销量，如图2、3所示，通过原始的中位数、固定值填充方法得到的缺失值会过于简单，不能反映实际的销
量情况，而通过预测算法估计得到的连续时间序列兼顾了煤炭销量数据的季节性、趋势性和周期性，参考意义更大。
[0047]
s102：服务器对煤炭销量时间序列数据进行平稳化处理，得到平稳时间序列数据。
[0048]
服务器需对连续的煤炭销量时间序列数据时间序列数据进行平稳性校验，以判断时间序列数据是否具有平稳性。只有当一个时间序列数据的特征维持稳定，其数据分布趋势才是有迹可循的，才能基于历史数据对于未来煤炭销量数据的分布走势进行预测，从而为企业的煤炭采购提供参考。
[0049]
在一个实施例中，服务器能够通过时序图检验、自相关图检验和单位根检验方法对煤炭销量时间序列数据进行平稳性校验。对于时间序列数据{x
t
}的平稳性校验一般只需要保证其满足宽平稳即可：
[0050]
(1)任取t∈t，有表示在任意时刻随机变量的二阶矩阵都存在。
[0051]
(2)任取t∈t，有ex
t
＝μ，μ为常数，表示随机变量的一阶矩阵不随时间的推移而改变。
[0052]
(3)任取t，s，k∈t，且k s-t∈t，有γ(t，s)＝γ(k，k s-t)，表示两个时点的随机变量之间的自相关系数，只与这两个时点的时间差有关，而不随时间的推移而改变。
[0053]
当煤炭销量时间序列数据满足以上三个条件时，便可确定其为平稳序列。基于此，服务器根据煤炭销量时间序列数据，构建相应的煤炭销量时间序列图。图3为缺失值填充后的煤炭销量时间序列图，如图3所示，横坐标表示时间，纵坐标表示各月份对应的煤炭销量。服务器可根据煤炭销量时间序列图中各序列值是否围绕一个常数值进行上下波动，以及各序列值的波动范围是否存在界限，确定当前序列是否平稳。若各序列值围绕一个常数值进行上下波动且波动范围存在界限，则说明该煤炭销量时间序列具有明显的趋势和周期性，那么可确定煤炭销量时间序列数据为平稳序列。或者
[0054]
服务器可根据煤炭销量时间序列数据的自相关图，判断煤炭销量时间序列数据是否为平稳序列。这是由于平稳序列具有短期相关性，随着延迟期数的增加，自相关系数会迅速衰减为零，对于非平稳序列来说，其衰减速度会相对来说较慢一些。若自相关系数迅速衰减，则确定煤炭销量时间序列数据为平稳序列。其中，自相关系数用于描述时间序列数据中各序列值之间的相关关系，自相关图用于将自相关系数以图示的方式表现出来。或者
[0055]
服务器判断煤炭销量时间序列数据是否存在单位根，若不存在单位根，则确定煤炭销量时间序列数据为平稳序列。
[0056]
通过上述方法服务器能够实现对于煤炭销量时间序列数据的平稳性校验，若校验后的结果为非平稳序列，服务器还需对时间序列数据进行平稳化处理，以得到平稳时间序列数据，保证后续的模型拟合和数据预测的准确性。本技术实施例采用二阶差分的方法对时间序列数据进行平稳化处理。
[0057]
具体地，服务器对非平稳的煤炭销量时间序列数据进行一阶差分，一阶差分即是将时间序列数据中后一个序列值减去上一个序列值。然后对经过一阶差分的煤炭销量时间序列数据再次进行平稳性校验，若仍为非平稳序列，则需对一阶差分后的煤炭销量时间序列数据进行二阶差分，经过二阶差分后的时间序列数据即为平稳时间序列数据。
[0058]
如图4所示的煤炭销量数据平稳化处理后的时间序列示意图，图4相较于图3，数据较为平稳，且有一定的趋势和周期性，不同月份的煤炭销量也因季节的不同存在较大波动。
[0059]
在一个实施例中，服务器通过对煤炭销量时间序列数据进行差分，可以提取出时间序列的趋势效应、季节效应和周期效应。通过对煤炭销量时间序列数据进行一阶差分，能够提取煤炭销量时间序列数据中的趋势效应信息。通过对煤炭销量时间序列数据进行二阶差分，能够提取煤炭销量时间序列数据中的季节效应信息。通过对经过一阶差分和二阶差分后的煤炭销量残差序列进行周期性分析，能够获取煤炭销量时间序列数据中的周期效应信息。对煤炭销量时间序列数据进行影响因素分解，可以在获取复杂效应信息的基础上，选择合适的模型对时间序列数据进行建模。
[0060]
图5为本技术实施例提供的煤炭销量时间序列数据因素分解图。在图5中，由上至下第一张图为平稳时间序列数据，第二张图为煤炭销量时间序列数据的趋势效应图，第三张为季节效应图，第四张为经过二阶差分的残差序列示意图。根据趋势效应图可以得知随着年份的增加、生活水平的不断提高，煤炭销量整体是呈上升趋势的。根据季节效应图，可得知煤炭销量具有周期性和季节性，冬季销量峰值显著大于其他季节。根据残差序列示意图，可得知经过一阶差分和二阶差分后的残差序列为平稳序列，各序列值上下波动较小，基本稳定于一固定值。
[0061]
在一个实施例中，服务器在得到煤炭销量的平稳时间序列数据后，还需对其进行纯随机性校验，以确定平稳时间序列数据中的各序列值之间是否存在相关关系。若是存在相关关系，则说明当前的平稳时间序列数据不是纯随机性序列，各序列值之间是具有密切关系的。只有序列值彼此之间具有相关性，时间序列数据才具有分析价值，历史数据才能对未来的数据走势产生影响。平稳时间序列数据并不一定具有分析价值，在对其进行建模之前进行纯随机性校验，可直接确定出当前时间序列是否有继续分析的必要，从而避免了无用的数据处理，减少了计算机资源的浪费。
[0062]
s103：服务器构建差分整合移动平均自回归模型，以及平稳时间序列数据的自相关图和偏自相关图，根据自相关图和偏自相关图，估计差分整合移动平均自回归模型的模型参数，以得到用于估计煤炭销量数据的乘积季节模型。
[0063]
服务器在获取到平稳时间序列后，考虑到时间序列的趋势效应、季节效应和随机波动之间的复杂交互关系，选用乘积季节模型对该煤炭销量平稳时间序列进行建模，以提高预测的准确性。
[0064]
首先，服务器构建差分整合移动平均自回归模型(autoregressive integratedmoving average mode，arima)：
[0065][0066]
其中，p为自回归系数，q为移动平均系数，d为差分次数，φ(b)＝1-φ1b
‑…‑
φ
pbp
为arima(p，q)模型的自回归系数多项式，θ(b)＝1-θ1b
‑…‑
θ
qbp
为arima(p，q)模型的移动平均系数多项式，x
t
为序列值。
[0067]
之后，服务器构建平稳时间序列数据的自相关图和偏自相关图，确定自相关图和偏自相关图中的自相关系数和偏自相关系数截尾的阶数，阶数便是差分整合移动平均自回归模型的模型参数即p、q。至此，便完成了模型的构建，通过确定arima模型中的未知参数得
到了用于估计煤炭销量数据的乘积季节模型。该模型可基于时间序列数据的复杂效应信息，对未来煤炭销量做出准确预测。
[0068]
s104：服务器将平稳时间序列数据输入至乘积季节模型中进行模型拟合，并调整模型参数。
[0069]
服务器将煤炭销量对应的平稳时间序列数据作为样本数据，将其输入至s103中得到的乘积季节模型中进行模型拟合，在拟合过程中不断调整模型参数，从而最终得到预测效果最佳的乘积季节模型。
[0070]
图6为本技术实施例提供的乘积季节模型的拟合曲线图。由图6可知，预测曲线和实际曲线相差无几，乘积季节模型的拟合程度较高。
[0071]
s105：服务器基于调整模型参数后的乘积季节模型，对煤炭销量数据进行预测。
[0072]
基于s104过程中得到的预测效果最佳的乘积季节模型，将不同能源企业的煤炭销量时间序列数据输入至该模型中，即可对该企业未来的煤炭销量数据进行预测，从而为煤炭的采购计划、资金分配、生产决策提供参考。
[0073]
图7为本技术实施例提供的煤炭销量预测数据示意图。如图7所示，实际的煤炭销量时间序列图和预测的煤炭销量时间序列图较为相近，这表明当前使用的乘积季节模型预测效果最优。
[0074]
图8为本技术实施例提供的另一种煤炭销量数据预测方法流程图，如图8所示，首先，获取历史煤炭销量数据，然后通过指数平滑算法，对历史煤炭销量数据进行缺失值填充，从而得到连续的时间序列数据。之后，对连续的煤炭销量数据进行平稳性处理，并对时间序列数据进行趋势效应、周期效应和季节性效应的分解。然后，基于预先构建的arima模型，通过时间序列数据的自相关图和偏自相关图，预估该模型的未知参数，从而构建出预测模型即乘积季节模型。之后，将煤炭销量时间序列数据作为样本，对乘积季节模型进行拟合，并调整其模型参数，以便得到最佳的预测模型。最终，通过调整好的模型对煤炭销量进行预测，得到最终的销量预测数据。
[0075]
图9为本技术实施例提供的一种煤炭销量数据预测设备结构示意图结构示意图。如图9所示，设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：从数据库中获取企业的历史煤炭销量数据，并通过指数平滑算法，对历史煤炭销量数据进行缺失值填充，以得到连续的煤炭销量时间序列数据；对煤炭销量时间序列数据进行平稳化处理，得到平稳时间序列数据；构建差分整合移动平均自回归模型，及平稳时间序列数据的自相关图和偏自相关图，根据自相关图和所述偏自相关图，估计差分整合移动平均自回归模型的模型参数，以得到用于估计煤炭销量数据的乘积季节模型；将平稳时间序列数据输入至乘积季节模型中进行模型拟合，并调整模型参数；基于调整模型参数后的乘积季节模型，对煤炭销量数据进行预测。
[0076]
本技术的一些实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：从数据库中获取企业的历史煤炭销量数据，并通过指数平滑算法，对历史煤炭销量数据进行缺失值填充，以得到连续的煤炭销量时间序列数据；对煤炭销量时间序列数据进行平稳化处理，得到平稳时间序列数据；构建差分整合移动平均自回归模型，及平稳时间序列数据的自相关图和偏自相关图，根据自相关图和所述偏自相关
图，估计差分整合移动平均自回归模型的模型参数，以得到用于估计煤炭销量数据的乘积季节模型；将平稳时间序列数据输入至乘积季节模型中进行模型拟合，并调整模型参数；基于调整模型参数后的乘积季节模型，对煤炭销量数据进行预测。
[0077]
本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0078]
本技术实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
[0079]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术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。
[0080]
本技术是参照根据本技术实施例的方法、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。
[0081]
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。
[0082]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，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。
[0083]
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。
[0084]
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。
[0085]
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。
[0086]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0087]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。