一种基于疫情的多因素交通枢纽运营方法和系统与流程

1.本发明涉及交通运输技术领域，特别涉及一种基于疫情的多因素条件下交通枢纽运营方法和系统。


背景技术：

2.现有的交通运输不仅仅需要考虑到天气、节假日和人流量等因素，同时也要综合考虑疫情相关的因素，并且为了防范疫情的扩散，对于不同风险地区来人需要进行隔离，以及通过相关部门控制风险区域乘客的人流量。在风险部门控制人流量后，相关地区的交通枢纽也会有一定的变化，这些变化仍然需要考虑进运营方面的数据中。由于现有技术中对于交通枢纽运营方式仅仅是通过人流量和天气等相关参数进行综合计算后得到运营压力指数，使得上述运营压力指数在疫情条件下会存在失真的问题，不利于对交通枢纽运营的综合管控。


技术实现要素：

3.本发明其中一个发明目的在于提供一种基于疫情的多因素条件下交通枢纽运营方法和系统，所述方法和系统通过收集疫情相关的参数，计算生成疫情对于交通枢纽的运营压力指数，从而使得可以交通枢纽的压力指数充分兼顾疫情带来的压力变化，便于综合调整交通枢纽的运营方式。
4.本发明另一个发明目的在于提供一种基于疫情的多因素条件下交通枢纽运营方法和系统，所述方法和系统以火车人流量为基础，分析不同交通工具人流量和火车之间的数据关系，将不同交通工具的人流量转化为对应火车的运营压力相关的指数，用于提供交通枢纽的运营方面的数据支持。
5.本发明另一个发明目的在于提供一种基于疫情的多因素条件下交通枢纽运营方法和系统，所述方法和系统兼顾天气等环境影响因素，因此可以使得所述交通枢纽运营方法更加合理准确。
6.为了实现至少一个上述发明目的，本发明进一步提供一种基于疫情的多因素条件下交通枢纽运营方法，所述方法包括：获取历史数据和疫情管理策略，根据所述历史数据和疫情管理策略配置发车数据的归一化系数和每一个疫情因素的正则化系数；根据疫情信息配置疫情峰值可变权值、均值可变权值和标准差可变权值；获取交通枢纽的运营数据，计算日常压力指数和疫情下的工作人员健康异常指数；根据发车数据的归一化系数、每一个疫情因素的正则化系数、疫情峰值可变权值、均值可变权值、标准差可变权值、日常压力指数和日常压力指数计算疫情指数；获取天气数据和客流量数据，分别计算生成归一化和正则化处理的天气指数和客流量指数，根据所述疫情指数、天气指数和客流量指数计算交通枢纽的运营压力指数，用于
指导交通枢纽运营调度。
7.根据本发明其中一个较佳实施例，所述疫情因素包括不同区域范围的疫情，具体为省内疫情，省外疫情和市内疫情，且所述疫情因素还包括抗疫策略的重点人员、转运移交人员和中高风险来本地人员，对所述每一疫情因素计算对应的指数。
8.根据本发明另一个较佳实施例，所述不同区域范围的疫情因素指数计算包括：本省疫情指数=（当日交通枢纽到发客流总数/归一化系数（110000） 本省是否高风险省*40 本省是否中风险省*20 省内高风险市数量*20 省内中风险市数量*10 省内新增确诊人数*1 省内现存确诊人数/50 省内新增无症状感染者人数*0.5）*0.5，其中若存在高风险或中风险区域，则所有高风险和中风险区域对应的值为1，若否，对应值为0，除归一化系数外的数值为本省疫情因素相关的正则化系数。
9.根据本发明另一个较佳实施例，所述不同区域范围的疫情因素指数计算包括：本市疫情指数=当日交通枢纽到发客流总数/归一化系数（110000） 本市是否高风险市*60 本市是否中风险市*40 本市新增确诊人数*3 本市现存确诊人数/20 本市新增无症状感染者人数*3，其中若存在高风险或中风险区域，则所有高风险和中风险区域对应的值为1，若否，对应值为0，除归一化系数外的数值为本市疫情因素相关的正则化系数。
10.根据本发明另一个较佳实施例，所述不同区域范围的疫情因素指数计算包括：省外疫情形势指数 = （当日火车到发客流总数/归一化系数（110000） 省外高风险省数量*5 省外中风险省数量*3 省外高风险市数量*3 省外中风险市数量*1 省外新增确诊人数*0.5 省外现存确诊人数/100 省外新增无症状感染者人数*0.5）*0.4；其中若存在高风险或中风险区域，则所有高风险和中风险区域对应的值为1，若否，对应值为0，除归一化系数外的数值为省外因此因素相关的正则化系数。
11.根据本发明另一个较佳实施例，所述重点人员、转运移交人员和中高风险来本地人员相关指数计算方法分别为：重点人员指数=（当日交通枢纽到发客流总数/50000 发现重点人员人数/2 发现发热人数*5 发现红码人数*3 发现无码人数*3 发现黄码人数*1 发现次密接人数*1）*0.1；转运移交指数=当日火车到发客流总数/60000 转运移交人数/2 两区一通道人数/5；中高风险来本地区指数=（当日火车到发客流总数/50000 中高风险来本地区人次*1 未来1小时内高风险地区来本地区火车列次*3 未来1小时内中风险地区来本地区火车列次*1）*0.007。
12.根据本发明另一个较佳实施例，所述疫情指数f3的计算方法包括：;其中f3为疫情指数，z1为本市疫情形势指数，z2为省内疫情形势指数，z3为省外疫情形势指数，z4为重点人员指数，z5为转运移交指数，z6为中高风险来本地区指数，z7为工作
人员健康指数，z8为日常压力指数。疫情指数峰值可变权数、均值可变权数和标准差可变权数分别为0.8、0.15和0.05。
13.根据本发明另一个较佳实施例，基于疫情的多因素条件运营压力指数f的计算方法包括：;f为运营压力指数，x1为客流指数，x2为天气指数，x3为疫情指数，运营压力指数峰值可变权数、均值可变权数和标准差可变权数分别为0.8、0.15和0.05。
14.为了实现至少一个上述发明目的，本发明进一步提供一种基于疫情的多因素条件下交通枢纽运营系统，所述系统执行上述一种基于疫情的多因素条件下交通枢纽运营方法。
15.本发明进一步提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，所述计算机程序可被处理器执行所述一种基于疫情的多因素条件下交通枢纽运营方法。
附图说明
16.图1显示的是本发明一种基于疫情的多因素条件下交通枢纽运营方法流程示意图。
17.图2显示的是本发明中火车到发人数的时间分布图。
18.图3显示的是本发明中各类交通工具的关系示意图。
19.图4是本发明中火车到发人数和天气因素的相关性图。
20.图5是本发明中火车到达人数和天气因素的相关性图。
21.图6是本发明中火车发送人数和天气因素的相关性图。
22.图7是本发明中“安比”台风对火车到发人数的影响图。
23.图8是本发明中“利奇马”台风对火车到发人数的影响图。
24.图9是本发明中“烟花”台风对火车到发人数的影响图。
25.图10是本发明中“灿都”台风对火车到发人数的影响图。
26.图11是本发明中火车到发人数与疫情现有确诊人数的关系图。
27.图12是本发明中火车到发人数与全国现有确诊人数相关系数图。
28.图13是本发明中火车到发人数与本省确诊人数相关系数图。
29.图14是本发明中火车到发人数邻省确诊人数的相关系数图。
30.图15是本发明中火车到发人数与每日新增确诊人数关系图。
31.图16是本发明中火车到发人数与全国新增确诊人数相关系数图。
32.图17是本发明中火车到发人数与本省新增确诊人数相关系数图。
33.图18是本发明中火车到发人数与邻省新增确诊人数的相关系数图。
具体实施方式
34.以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
35.可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。
36.请结合图1-图18，本发明公开了一种基于疫情的多因素条件下交通枢纽运营方法和系统，所述方法主要包括如下步骤：获取历史数据，其中所述历史数据包括历史发车数据、历史客流量数据、不同交通工具的转乘数据、历史天气数据以及历史疫情数据等，本发明主要在结合历史疫情数据的基础上结合多因素的历史数据计算交通枢纽的运营压力，从而可以预测得到更加符合疫情状态下交通枢纽的真实运营压力状态，从而可以为对应的交通管理部门提供发车调整和运营维护调整的数据依据。
37.具体而言，本发明根据当前时间段疫情发布平台获取疫情相关的数据，其中所述疫情相关数据包括省内疫情数据、省外疫情数据和本市内疫情数据，并且所述疫情数据的细分数据包括各个省和本市的新增确诊人数、总确诊人数和无症状感染人数，以及对应平台发布的各个地区的高风险地区、中风险地区等。上述疫情数据可以作为交通枢纽的运营压力的参考数据。
38.其中进一步计算各个疫情因素相互叠加状态下的疫情指数，所述疫情指数所需要计算的数据包括：基于不同区域疫情数据的本市疫情指数、本省内疫情指数和省外疫情指数，其中所述本市疫情指数的计算方式为：本市疫情指数=当日交通枢纽到发客流总数/归一化系数（110000） 本市是否高风险市*60 本市是否中风险市*40 本市新增确诊人数*3 本市现存确诊人数/20 本市新增无症状感染者人数*3；所述本省疫情指数的计算方法包括：本省内疫情指数=（当日交通枢纽到发客流总数/归一化系数（110000） 本省是否高风险省*40 本省是否中风险省*20 省内高风险市数量*20 省内中风险市数量*10 省内新增确诊人数*1 省内现存确诊人数/50 省内新增无症状感染者人数*0.5）*0.5；省外疫情指数=（当日交通枢纽到发客流总数/归一化系数（110000） 省外高风险省数量*5 省外中风险省数量*3 省外高风险市数量*3 省外中风险市数量*1 省外新增确诊人数*0.5 省外现存确诊人数/100 省外新增无症状感染者人数*0.5）*0.4；其中若确定本省、本市或邻省为高风险区域或中风险区域时，上述公式中对应风险区域的数值均为1，否则为0。需要说明的是，上述计算公式中，除了归一化系数外所有数值均为正则系数，其中所述正则系数表示对应子因素在疫情指数中的权重。上述正则系数的确定是基于历史数据获取确定，上述正则系数和归一化系数计算可以使得疫情指数最终在0-100范围内显示。
39.进一步的，所述疫情指数的还需要计算包括重点人员指数、转运移交指数、中高风险来本地区指数、员工人员健康异常指数和日常压力指数。其中所述重点人员指数=（当日
交通枢纽到发客流总数/50000 发现重点人员人数/2 发现发热人数*5 发现红码人数*3 发现无码人数*3 发现黄码人数*1 发现次密接人数*1）*0.1；转运移交指数=当日交通枢纽到发客流总数/60000 转运移交人数/2 两区一通道人数/5；中高风险来本地区指数=（当日交通枢纽到发客流总数/50000 中高风险来杭人次*1 未来1小时内高风险地区来本地区火车列次*3 未来1小时内中风险地区来本地区火车列次*1）*0.007；工作人员健康异常指数 = 1-（体温正常人员覆盖率*0.4 健康码正常人人员覆盖率*0.3 定期核酸检测定期覆盖率*0.3）；日常压力指数 = 50*预测当日交通枢纽到发人数/550000 20*预测当日地铁进出站人数/350000 8*预测当日出租车运送人数/36000 15*预测当日公交车运送人数/150000 5*预测当日网约车发送人数/25000 2*长运大巴预测当日发送/10000；需要说明的是，上述交通枢纽以火车站为例说明，上述公式中50000、60000、550000、350000、36000、150000、25000、10000等数值均为归一化系数，其中所述归一化系数的确定将根据本交通枢纽站点的历史数据统计后确定，该归一化系数将根据具体交通枢纽的类型和站点位置确定，本发明以杭州火车站举例说明。
40.在获取上述本市疫情指数、本省内疫情指数、省外疫情指数、重点人员指数、转运移交指数、中高风险来本地区指数、员工人员健康异常指数和日常压力指数后计算疫情指数f3：其中f3为疫情指数，z1为本市疫情形势指数，z2为省内疫情形势指数，z3为省外疫情形势指数，z4为重点人员指数，z5为转运移交指数，z6为中高风险来杭指数，z7为工作人员健康指数，z8为日常压力指数。疫情指数峰值可变权数、均值可变权数和标准差可变权数分别为0.8、0.15和0.05。
41.进一步的，本发明基于疫情的基础上计算天气因素的相关指数和客流因素相关指数，其中所述客流因素相关指数包括：铁路到发指数、市内交通运力饱和度指数、运力单位均衡极差指数、预测后续运力压力指数、周边交通拥堵指数、列车异常停运风险指数和旅客滞留风险指数。其中所述铁路到发指数=80*今日铁路到发总人数/550000 20*下个小时火车预测到发人数/历史峰值（55000）；市内交通运力饱和度=40*预测当日地铁进出站人数/350000 15*预测当日出租车运送人数/36000 30*预测当日公交车运送人数/150000 10*预测当日网约车发送人数/25000 5*长运大巴预测当日发送/10000；
运力单位均衡极差指数=max{50*预测当日火车到发人数/550000, 20*预测当日地铁进出站人数/350000, 8*预测当日出租车运送人数/36000, 15*预测当日公交车运送人数/150000, 5*预测当日网约车发送人数/25000, 2*长运大巴预测当日发送/10000}
ꢀ‑ꢀ
min{50*预测当日火车到发人数/550000, 20*预测当日地铁进出站人数/350000, 8*预测当日出租车运送人数/36000, 15*预测当日公交车运送人数/150000, 5*预测当日网约车发送人数/25000, 2*长运大巴预测当日发送/10000}；预测后续运力压力=（50*预测下一小时火车到发人数/550000 20*预测下一小时地铁进出站人数/350000 8*预测下一小时出租车运送人数/36000 15*预测下一小时公交车运送人数/150000 5*预测下一小时网约车发送人数/25000 2*长运大巴预测下一小时发送/10000）*12；周边交通拥堵指数=（80*当前周边道路平均速度/周边道路历史峰值 20*下个小时火车预测到发人数/火车到发小时历史峰值（25000））/3.5；列车异常停运风险指数=（即时异物挂网级别（异物挂网1小时以内：20；异物挂网1小时以上：40；异物挂网3小时以上：60） 10*即时列车晚点率 10*今日预测火车到发人数/历史峰值（550000））*10；旅客滞留风险指数=（10*今日铁路到发总人数/550000 max{（候车大厅人数-20000）/4000,0} max{（杭州东站整体人数-40000）/8000,0}）*5；需要说明的是，上述客流量因素相关指数中以杭州东站火车站为例，且公式中千位以上数值为归一化系数，其他数值均为正则化系数，其中所述归一化系数和正则化系数均根据交通枢纽的种类和站点位置的历史数据进行配置，本发明仅仅举例说明。在获取上述客流因素指数后可以计算得到客流指数f1：;f1为客流指数，x1为铁路到发指数，x2为市内交通运力饱和度，x3为运力单位均衡极差指数，x4为预测后续运力压力，x5为周边交通拥堵指数，x6为列车异常停运风险指数，x7为旅客滞留风险指数。客流指数峰值可变权数、均值可变权数和标准差可变权数分别为0.8、0.15和0.05。
42.进一步的，本发明在考虑疫情因素的基础上还考虑天气因素指数，其中所述天气因素指数包括：天气指数由人体舒适异常指数、雨汛风险指数、雪冻风险指数、台风风险指数、运力中断风险指数、外部气象风险指数、日常压力指数。具体指数计算方法包括：人体舒适异常指数=（80 当前天气状态值（晴20，阴15，雨10，雪5）-空气污染指数/10-｜当前体感温度(
°
c)-0.618*37
°
c｜*2
–
当前每小时降雨量（mm/h）/2）*0.5；雨汛风险指数=当前天气状态值（晴5，阴20，小雨（雪）30，中雨（雪）40，大雨（雪）50） (当前室外温度(
°
c) 5)/10 当前每小时降雨量（mm/h）/ 2 预警级别值（市气象台雨汛蓝色预警20；市气象台雨汛黄色预警40；市气象台雨汛橙色预警60；市气象台雨汛红色预
警80）；雪冻风险指数=（6小时积雪量（cm/6h）/归一化系数（7.5） |当前室外温度(
°
c)-40|/归一化系数（20） |今日最低气温-30|/归一化系数（15） 预警级别值（市气象台雪冻蓝色预警20；市气象台雪冻黄色预警40；市气象台雪冻橙色预警60；市气象台雪冻红色预警80））*4；台风风险指数 =20*预警级别值（市气象台台风蓝色预警20；市气象台台风黄色预警40；市气象台台风橙色预警60；市气象台台风红色预警80）；运力中断风险指数=max{（候车大厅人数-20000）/4000,0} max{（东站整体人数-40000）/8000,0} max{（当日火车到发客流总数-200000）/40000 ,0}；外部气象风险指数=60*（是否有一小时范围内枢纽遭遇极端天气） 20*（是否有三小时范围内枢纽遭遇极端天气） 10*（是否有三小时外范围内枢纽遭遇极端天气） (当前室外温度(
°
c) 10)/ 归一化系数（5） 当前每小时降雨量（mm/h）/归一化系数（5） （风速(m/s)）/归一化系数（1.8）；日常压力指数=（50*预测当日火车到发人数/550000 20*预测当日地铁进出站人数/350000 8*预测当日出租车运送人数/36000 15*预测当日公交车运送人数/150000 5*预测当日网约车发送人数/25000 2*长运大巴预测当日发送/10000）*0.8。上述具体数值是根据杭州东站作为举例样本在遍历了历史天气数据后进行具体的归一化系数和正则化系数赋值，所述天气因素的正则化系数为不同天气因素对整体天气指数的权重，归一化系数可以使得计算的指数在0-100范围内。
43.当计算获得天气因素相关参数后，得到如下天气指数f2:;f2为天气指数，y1为人体舒适异常指数，y2为雨汛风险指数，y3为雪冻风险指数，y4为台风风险指数，y5为运力中断风险指数，y6为外部气象风险指数，y7为日常压力指数。天气指数峰值可变权数、均值可变权数和标准差可变权数分别为0.8、0.15和0.05。
44.值得一提的是，在获取疫情指数f3、天气指数f2和客流指数f1后，进一步计算总的交通枢纽运营压力指数，其中所述交通枢纽总运营压力指数f计算方法为：;
f为运营压力指数，f1为客流指数，f2为天气指数，f3为疫情指数，运营压力指数峰值可变权数、均值可变权数和标准差可变权数分别为0.8、0.15和0.05。
45.为了更好的说明本发明的技术效果，本发明提供数据图表说明运营压力指数和疫之间的关系：请参考图2显示的火车站到发人数时间分布示意图，从2018年1月开始到2020年1月，火车站到发人数稳步上升，在2019年5月4日到达峰值（劳动节），当天火车到发总客流为550,926人次。随后由于疫情影响，火车到发总客流于2020年1月22日起发生骤降，并于低谷发生在2020年2月12日，当天火车到发总客流为16,104人次。之后，火车到发逐步回升，于2020年10月5日达到2020年峰值，当天火车到发总客流为459,570人次。受到疫情政策影响，2021年2月12日火车到发总客流再一次降到低谷，当天火车到发总客流为24,709人次，随后，客流量维持稳定上升的趋势。
46.2020年全年的火车到发人数与前两年呈现较大差异。首先，在1月20日之前，客流与同期相比有较大提升。但1月20日新冠肺炎的“人传人”确认以后，火车到发人数迅速下滑，直到春节后2月12日达到谷底。随后开始缓慢恢复，至7月20日左右恢复到2018年的水平。而到国庆期间，火车到发一度超越2018年水平，但仍未达到2019年水平。国庆过后，火车到发维持在2018年水平。2021年全年的火车到发人数如图2所示，也与三年呈现较大差异。首先，从元旦开始，火车到发客流开始下滑，到2月12日春节期间到达谷底。随后迅速回升，至3月1日前后恢复并维持在2019年水平。随后，清明节、五一节、端午节都维持在2019年水平。但7月20日起由于受到江苏疫情影响，火车到发下滑到20万左右，随便开始缓慢恢复。至中秋节与国庆节期间，火车到发恢复到了2019水平并保持稳定。
47.对于疫情下的交通枢纽人流量关系请参考图11-图18，2020年至2021年的日火车到发人数与疫情现有确诊人数如图11所示。可以看到两者具有明显的相关关系。火车到发人数与全国现有确诊人数、本省确诊人数、邻省确诊人数的相关系数如图12-图14所示。2020年至2021年的日火车到发人数与每日新增确诊人数如图15所示。可以看到两者具有明显的相关关系。火车到发人数与全国新增确诊人数、本省新增确诊人数、邻省新增确诊人数的相关系数如图16-图18所示。可以看到，新增确诊人数与火车到发的相关性（绝对值）不如累计确诊人数与火车到发的相关性大（绝对值），这是因为一般来说从新增确诊人数并不能马上影响到火车到发的人数，而是有一段时滞。
48.本发明在客流量指数的计算中，还考虑了不同交通工具的关系示意图（如图3所示），其中图3显示的是相关系数矩阵热力图。例如第2行，第3列的方格代表火车到达人数和火车发送人数之间的相关性，通过计算历史上每一天他们两者的相关性为0.97，于是在热力图上显示得非常白。而灰色更深的方块表示对应两者的相关性比较低，例如第7行，第1列的方格显示历史上每一天的公交发车车次和火车车次几乎就不相关。另外，这张相关系数矩阵的对角线元素始终是1，因为自身与自身的相关性永远是1。上述矩阵可以看出不同的交通工具之间乘客选择的关系，从而可以充分考虑不同交通工具对交通数据人流量的影响。
49.本发明在天气指数的计算中获得天气因素对火车到发人数的相关性：火车到发、火车到达、火车发送人数与天气状况因素的相关性如图4-图6所示。计算斯皮尔曼秩相关系数可得，火车到发人数与星期因素的相关系数为0.12，火车到达人数与星期因素的相关系
数为0.09，而火车发送人数与星期因素的相关系数为0.14。其中2018年至2021年的强台风期间火车到发、火车到达和火车发送人数如图7-图10所示，可以看到如台风的极端天气对客流的影响是巨大的。
50.进一步的，如图所示2020年至2021年的日火车到发人数与疫情现有确诊人数是关系。可以看到两者具有明显的相关关系。火车到发人数与全国现有确诊人数、本省确诊人数、邻省确诊人数的相关系数如图12-图14所示。2020年至2021年的日火车到发人数与每日新增确诊人数如图15所示。可以看到两者具有明显的相关关系。火车到发人数与全国新增确诊人数、本省新增确诊人数、邻省新增确诊人数的相关系数如图16-图18所示。可以看到，新增确诊人数与火车到发的相关性（绝对值）不如累计确诊人数与火车到发的相关性大（绝对值），这是因为一般来说从新增确诊人数并不能马上影响到火车到发的人数，而是有一段时滞。
51.特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(cpu)执行时，执行本技术的方法中限定的上述功能。需要说明的是，本技术上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线段、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线段的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线段、电线段、光缆、rf等等，或者上述的任意合适的组合。
52.附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令
的组合来实现。
53.本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明，本发明的目的已经完整并有效地实现，本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。