时序数据预测方法、装置、计算机设备及介质与流程

1.本公开涉及能源数据处理技术领域，尤其涉及时序数据预测方法、装置、计算机设备及介质。


背景技术：

2.随着数据处理技术的飞速发展，能源领域产生越来越多的数据处理需求。在一些情况下，由于当前数据的限制或数据的敏感性，可以获得的数据很少，不同源的数据异构问题较大，导致数据预测的精度较低。


技术实现要素：

3.有鉴于此，本公开实施例提供了时序数据预测方法、装置、计算机设备及介质，以解决现有技术中由于获得的数据很少，不同源的数据异构问题较大，导致数据预测的精准度较低的问题。
4.本公开实施例的第一方面，提供了一种时序数据预测方法，包括：获取基准数据集和至少一个补充测试集；基于预设的数据集分解方式对基准数据集和补充测试集中的元数据进行处理，得到基准趋势子集、基准周期子集、补充趋势子集和补充周期子集；通过基准趋势子集和补充趋势子集，对初始趋势模型进行训练，生成目标趋势模型；通过基准周期子集和补充周期子集，对初始周期模型进行训练，生成目标周期模型；基于预设的计算策略、基准趋势子集、基准周期子集、目标趋势模型和目标周期模型，生成目标预测数据。
5.本公开实施例的第二方面，提供了一种时序数据预测装置，包括：获取模块，被配置为获取基准数据集和至少一个补充测试集；分解模块，被配置为基于预设的数据集分解方式对基准数据集和补充测试集中的元数据进行处理，得到基准趋势子集、基准周期子集、补充趋势子集和补充周期子集；趋势训练模块，被配置为通过基准趋势子集和补充趋势子集，对初始趋势模型进行训练，生成目标趋势模型；周期训练模块，被配置为通过基准周期子集和补充周期子集，对初始周期模型进行训练，生成目标周期模型；生成模块，被配置为基于预设的计算策略、基准趋势子集、基准周期子集、目标趋势模型和目标周期模型，生成目标预测数据。
6.本公开实施例的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
7.本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
8.本公开实施例与现有技术相比存在的有益效果至少包括：本公开实施例通过获取基准数据集和至少一个补充测试集；基于预设的数据集分解方式对基准数据集和补充测试集中的元数据进行处理，得到基准趋势子集、基准周期子集、补充趋势子集和补充周期子集；通过基准趋势子集和补充趋势子集，对初始趋势模型进行训练，生成目标趋势模型；通
过基准周期子集和补充周期子集，对初始周期模型进行训练，生成目标周期模型；基于预设的计算策略、基准趋势子集、基准周期子集、目标趋势模型和目标周期模型，生成目标预测数据，可以大大提高数据的预测精度。
附图说明
9.为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
10.图1是本公开实施例的一种联合学习的架构示意图；
11.图2是本公开实施例提供的一种时序数据预测方法的流程图；
12.图3是本公开实施例提供的一种时序数据预测方法具体实施例的流程图；
13.图4是本公开实施例提供的一种时序数据预测装置的框图；
14.图5是本公开实施例提供的计算机设备的示意图。
具体实施方式
15.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
16.下面将参考附图并结合实施例来详细说明本公开。
17.联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种ai(artificial intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：
18.(1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。
19.(2)在不同应用场景下，利用筛选和/或组合ai算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。
20.(3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。
21.(4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。
22.基于上述方式，可以建立基于联合学习的ai技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。
23.下面将结合附图来详细说明本公开。
24.图1是本公开实施例的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。
25.在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送
至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，参与方102、参与方103和参与方104上传的数据为模型参数，本地数据并不会上传至服务器101，且所有参与方可以共享最终的模型参数，因此可以在保证数据隐私的基础上实现共同建模。需要说明的是，参与方的数量不限于如上所述的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。
26.图2是本公开实施例提供的一种时序数据预测方法的流程图。图2的时序数据预测方法可以由图1的终端设备或服务器2执行。如图2所示，该时序数据预测方法包括：
27.s201，获取基准数据集和至少一个补充测试集。
28.基准数据集和补充测试集包括多个元数据组成的数据集，其中元数据指的是由一种或多种特征数据组成的数据结构，特征数据可以是基础的数值单位，例如可以为“平均温度：35.4”、“日用气量：55.65”等。
29.s202，基于预设的数据集分解方式对基准数据集和至少一个补充测试集中的元数据进行处理，得到基准趋势子集、基准周期子集、至少一个补充趋势子集和至少一个补充周期子集。
30.数据集分解方式可以是将数据集分解为多个与该数据集结构相同的多个子数据集的方式，其中，结构相同可以指两个或两个以上数据集中元数据的特征数据个数、类别等各方面均相同，趋势子集指的是基于趋势变化分解得到的数据子集，周期子集指的是基于周期变化分解得到的数据子集。趋势变化指的是一段时期内持续变化的一种趋向或状态。例如，当预测值在一段时间内随着时间有向上或者向下变化的趋势时，则认为具有趋势性。
31.s203，通过基准趋势子集和至少一个补充趋势子集，对初始趋势模型进行训练，生成目标趋势模型。
32.初始趋势模型指的是与趋势变化相关的现有的或自己设置的数学式，数学式的参数可以为常数、数组、向量等。对初始趋势模型进行训练可以指基于获取的基准趋势子集以及补充趋势子集的数据经过一系列步骤或方法，确定模型参数的过程，最终获得满足要求的目标趋势模型。
33.s204，通过基准周期子集和至少一个补充周期子集，对初始周期模型进行训练，生成目标周期模型。
34.初始周期模型可以指预先设置的模型，其模型的参数为初始默认值。基于基准周期子集和补充周期子集的数据对该模型进行训练，可以对其参数进行优化，以获得经过训练的目标周期模型。
35.s205，基于预设的计算策略、基准趋势子集、基准周期子集、目标趋势模型和目标周期模型，生成目标预测数据。
36.本公开实施例通过获取基准数据集和至少一个补充测试集；基于预设的数据集分
解方式对基准数据集和至少一个补充测试集中的元数据进行处理，得到基准趋势子集、基准周期子集、至少一个补充趋势子集和至少一个补充周期子集；通过基准趋势子集和至少一个补充趋势子集，对初始趋势模型进行训练，生成目标趋势模型；通过基准周期子集和至少一个补充周期子集，对初始周期模型进行训练，生成目标周期模型；基于预设的计算策略、基准趋势子集、基准周期子集、目标趋势模型和目标周期模型，生成目标预测数据，可以大大提高数据的预测精度。
37.在一些实施例中，获取基准数据集和至少一个补充测试集，包括：获取原始数据集，其中，原始数据集包括至少一个元数据；基于基础数据处理策略对原始数据集中至少一个元数据进行处理，生成至少一个基础处理过的元数据，得到基准数据集；获取至少一个原始补充集；基于补充处理策略对至少一个原始补充集中的每个原始补充集进行处理，生成至少一个补充处理后的原始补充集，得到至少一个补充测试集。
38.原始数据集可以指获取的原始元数据构成的数据结构。原始元数据可以指指获取的原始格式的数据组成的数据结构。时间戳数据可以指元数据中代表时间的数据，时间戳数据的格式可以根据需要进行设置，在此不做具体限制。基础数据处理策略可以指对原始格式的数据进行加工，使得该数据可以用于对模型进行处理的步骤或方法。补充处理策略可以指将至少一个补充测试集中的数据按照一定方式进行处理的步骤或方法。
39.在一些实施例中，基础数据处理策略包括：将获取到的至少一个元数据进行异常处理，获取异常处理后的元数据，元数据的数量可以为一个或多个；将异常处理后的元数据进行平滑处理，获取平滑处理后的元数据，以构建平滑数据集；基于拆分处理策略对平滑数据集进行处理，得到处理过的元数据。
40.具体地，异常数据可以指元数据中的某一个或某一些不符合预设要求的数据，异常处理可以包括检查数据一致性或处理无效值和缺失值等，并将元数据中的异常数据进行删除或者替换。无效值可以指空值、不符合数据类型要求的值或其他异常值，缺失值可以指现有数据集中某个或某些属性的值是不完全的。
41.平滑处理可以指将元数据的变化幅度降低，平滑处理可以使得数据的趋势更为明显。作为示例，平滑处理可以使用以下数学式：
42.f(t n)/2＝(f(t 1) f(t 1) f(t 1) ... f(t n))/n
43.其中，t表示数据编号，f(t n)表示第t n个编号的数据，其中，t和n为整数。
44.拆分处理策略表示基于该时间戳数据另外拆分出一个或多个特征数据的步骤或方法。作为示例，一个时间戳数据可以为“2017年09月04日”，可以将该时间戳数据另外拆分出以下任意一种数据：“星期：6”、“一年第几天：245”、“一年第几周：35”、“年度信息：2017”或“月度信息：09”。通过将时间戳拆分出另外的时间特征数据，可以增加数据维度，使得训练得到的结果更为精准。
45.在一些实施例中，基于拆分处理策略对平滑数据集进行处理，得到处理过的元数据，包括：获取至少一个拆分指标；基于拆分指标和平滑数据集中的每个元数据的时间戳数据，生成中间时间戳数据集；将平滑数据集中的每个时间戳数据，更新至平滑所数据集中的每个元数据，得到处理过的元数据。
46.在一些实施例中，基于拆分指标和平滑数据集中的每个元数据的时间戳数据，生成中间时间戳数据集，包括：获取拆分指标中未被标记为已拆分的其中一个指标，得到中间
指标；基于中间指标对平滑数据集中的每个元数据的时间戳数据进行处理，生成中间时间戳数据，得到中间时间戳数据集；将中间指标标记为已拆分；重复上述步骤，直至每个拆分指标被标记为已拆分，得到中间时间戳数据集。
47.在一些实施例中，补充处理策略包括：获取一个原始补充集，其中，所述原始补充集包括至少一个元数据；获取与所述原始补充集对应的转换系数；基于所述原始补充集中的至少一个元数据与所述转换系数，生成至少一个转换后的元数据；基于所述基础数据处理策略对所述至少一个转换后的元数据进行处理，生成至少一个基础处理过的元数据，得到所述补充处理后的原始补充集。
48.转换系数可以指将补充数据中的元数据进行转换处理的系数。由于补充集的数据与基准数据集存在差异，因此可以设定一定的转换系数，减少补充集的数据对模型进行训练的比重。该转换系数可以为人为经验指定，也可以通过一定方式计算得出。作为示例，统计目标为日用气量，基准数据集包含100个日用气量数据，将该100个用气量数据求和，得到基准数据和。一个补充数据集中包含200个数据，将该200个数据进行求和，得到补充数据和。则该系数可以为补充数据和/(基准数据和 补充数据和)。需要指出的是，上述计算方式只是一种使用方式，根据需要还可以设置其他使用方式，在此不做具体限制。
49.在一些实施例中，预设的数据集分解方式为stl加性数据集分解方式。
50.stl(seasonal and trend decomposition using loess以鲁棒局部加权回归作为平滑方法的时间序列分解方法)是一种基于局部加权回归的一种实现方法。其中loess(locally weighted scatterplot smoothing,lowess or loess)为局部多项式回归拟合，是对两维散点图进行平滑的常用方法，它结合了传统线性回归的简洁性和非线性回归的灵活性。stl加性数据集分解方式可以指将数据集分为三个数据子集：趋势子集、周期子集和残差子集。其中，趋势子集和周期子集参考上文所述，在此不再赘述。残差子集可以指基于残差现象分解出来的数据子集。残差现象可以指由于众多偶然因素对时间序列造成的影响。将趋势子集、周期子集和残差子集中每个对应的元数据相加，即可得到拆分前的数据。需要指出的是，由于残差的占比非常小，一般不超过1％，因此一般忽略残差子集。作为示例，初始数据为100，经过stl加性数据及分解方式进行处理，可以得到趋势值为60，周期值为40(残差值忽略)，则将趋势值与周期值相加，即可得到拆分前的初始数据100。
51.在一些实施例中，计算策略包括：将基准趋势子集导入目标趋势模型，得到趋势目标数据；将基准周期子集导入目标周期模型，得到周期目标数据；基于趋势目标数据和周期目标数据，得到目标预测数据。趋势目标数据可以指预测到的趋势值，周期目标数据可以指预测到的周期值。若数据集分解方式为stl加性数据集分解方式，将趋势值与目标值进行相加即可得到目标预测数据。
52.图3是本公开实施例提供的公司a在2021年日用气量预测方法的流程图。图3的公司a在2021年日用气量预测方法可以由图1服务器执行。如图3所示，该日用气量预测方法包括：
53.s301，获取公司a在2020年的原始日用气量数据集，其中，原始日用气量包括至少一个元数据。
54.s302，基于基础数据处理策略对原始日用气量数据集中至少一个元数据进行处理，生成至少一个基础处理过的元数据，得到基准日用气量数据集。
55.s303，获取公司b在2020年的补充日用气量数据集。
56.s304，获取补充日用气量数据集与原始日用气量数据集对应的转换系数。
57.s305，基于补充日用气量数据集中的每个元数据与转换系数，生成至少一个转换后的元数据，得到目标日用气量补充数据集。
58.s306，基于stl加性数据集分解方式分别对基准日用气量数据集和目标日用气量补充数据集中的元数据进行处理，得到基准趋势子集、基准周期子集、补充趋势子集和补充周期子集。
59.s307，通过基准趋势子集和补充趋势子集，对初始趋势模型进行训练，生成目标趋势模型。
60.s308，通过基准周期子集和补充周期子集，对初始周期模型进行训练，生成目标周期模型。
61.s309，将基准趋势子集导入目标趋势模型，得到公司a的趋势目标数据。
62.s310，将基准周期子集导入目标周期模型，得到公司a的周期目标数据。
63.s311，对该趋势目标数据和该周期目标数据求和，得到公司a的2021年的预测数据。
64.上述所有可选技术方案，可以采用任意结合形成本技术的可选实施例，在此不再一一赘述。
65.下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
66.图4是本公开实施例提供的时序数据预测装置的示意图。如图4所示，该时序数据预测装置包括：
67.获取模块401，被配置为获取基准数据集和至少一个补充测试集。
68.分解模块402，被配置为基于预设的数据集分解方式对基准数据集和至少一个补充测试集中的元数据进行处理，得到基准趋势子集、基准周期子集、至少一个补充趋势子集和至少一个补充周期子集。
69.趋势训练模块403，被配置为通过基准趋势子集和至少一个补充趋势子集，对初始趋势模型进行训练，生成目标趋势模型。
70.周期训练模块404，被配置为通过基准周期子集和至少一个补充周期子集，对初始周期模型进行训练，生成目标周期模型。
71.生成模块405，被配置为基于预设的计算策略、基准趋势子集、基准周期子集、目标趋势模型和目标周期模型，生成目标预测数据。
72.根据本公开实施例提供的技术方案，通过获取基准数据集和至少一个补充测试集；基于预设的数据集分解方式对基准数据集和至少一个补充测试集中的元数据进行处理，得到基准趋势子集、基准周期子集、至少一个补充趋势子集和至少一个补充周期子集；通过基准趋势子集和至少一个补充趋势子集，对初始趋势模型进行训练，生成目标趋势模型；通过基准周期子集和至少一个补充周期子集，对初始周期模型进行训练，生成目标周期模型；基于预设的计算策略、基准趋势子集、基准周期子集、目标趋势模型和目标周期模型，生成目标预测数据，可以大大提高数据的预测精度。
73.在一些实施例中，时序数据预测装置的获取模块401被进一步配置为：获取原始数
据集，其中，原始数据集包括至少一个元数据；基于基础数据处理策略对原始数据集中至少一个元数据进行处理，生成至少一个基础处理过的元数据，得到基准数据集；获取至少一个原始补充集；基于补充处理策略对至少一个原始补充集中的每个原始补充集进行处理，生成至少一个补充处理后的原始补充集，得到至少一个补充测试集。
74.在一些实施例中，基础数据处理策略包括：获取至少一个元数据中每个元数据的时间戳数据，得到至少一个时间戳数据；将获取到的至少一个元数据进行异常处理，得到异常处理后的至少一个元数据；将异常处理后的至少一个元数据进行平滑处理，得到平滑处理后的至少一个元数据，得到平滑数据集；基于拆分处理策略对平滑数据集进行处理，得到至少一个基础处理过的元数据。
75.在一些实施例中，基于拆分处理策略对平滑数据集进行处理，得到至少一个基础处理过的元数据，包括：获取至少一个拆分指标；基于至少一个拆分指标和平滑数据集中的每个元数据的时间戳数据，生成至少一个中间时间戳数据集；将平滑数据集中的每个时间戳数据，更新至平滑所数据集中的每个元数据，得到至少一个基础处理过的元数据。
76.在一些实施例中，基于拆分处理策略对平滑数据集进行处理，得到至少一个基础处理过的元数据，包括：获取至少一个拆分指标；基于至少一个拆分指标和平滑数据集中的每个元数据的时间戳数据，生成至少一个中间时间戳数据集；将平滑数据集中的每个时间戳数据，更新至平滑所数据集中的每个元数据，得到至少一个基础处理过的元数据。
77.在一些实施例中，补充处理策略包括：获取一个原始补充集，其中，原始补充集包括至少一个元数据；获取与原始补充集对应的转换系数；基于原始补充集中的至少一个元数据与转换系数，生成至少一个转换后的元数据；基于基础数据处理策略对至少一个转换后的元数据进行处理，生成至少一个基础处理过的元数据，得到补充处理后的原始补充集。
78.在一些实施例中，预设的数据集分解方式为stl加性数据集分解方式。
79.在一些实施例中，计算策略包括：将基准趋势子集导入目标趋势模型，得到趋势目标数据；将基准周期子集导入目标周期模型，得到周期目标数据；基于趋势目标数据和周期目标数据，得到目标预测数据。
80.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
81.图5是本公开实施例提供的计算机设备500的示意图。如图5所示，该实施例的计算机设备500包括：处理器501、存储器502以及存储在该存储器502中并且可以在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503时实现上述各装置实施例中各模块/单元的功能。
82.示例性地，计算机程序503可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器502中，并由处理器501执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序503在计算机设备500中的执行过程。
83.计算机设备500可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备500可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是计算机设备500的示例，并不构成对计算机设备500的限定，可以包括比图示
更多或更少的部件，或者组合某些部件，或者不同的部件，例如，计算机设备还可以包括输入输出设备、网络接入设备、总线等。
84.处理器501可以是中央处理单元(central processing unit，cpu)，也可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
85.存储器502可以是计算机设备500的内部存储单元，例如，计算机设备500的硬盘或内存。存储器502也可以是计算机设备500的外部存储设备，例如，计算机设备500上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器502还可以既包括计算机设备500的内部存储单元也包括外部存储设备。存储器502用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器502还可以用于暂时地存储已经输出或者将要输出的数据。
86.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。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
87.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
88.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
89.在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
90.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单元来实现本实施例方案的目的。
91.另外，在本公开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。
92.集成的模块/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存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
93.以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，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公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。