任务量的预测方法、装置、电子设备及存储介质与流程

1.本公开涉及计算机技术领域，尤其涉及一种任务量的预测方法、装置、电子设备及存储介质。


背景技术：

2.随着机器人以及人工智能的迅速发展，通过使用机器人来代替人工完成一些任务，这种业务方式已经在各个领域中得到广泛普及，比如以线下的酒店业务为例，利用设置在酒店内的机器人执行送物、迎宾、巡游等任务。由于机器人所提供的服务以及使用效果与客户(比如酒店客户)的任务量密切相关，因此如何对客户在未来时间内的任务量进行精准预测，这对机器人使用效果的评估具有重要意义。
3.以酒店行业中的机器人使用场景为例，传统方式中在对酒店任务量进行预测时，首先通过人工方式统计全部酒店在一段时间内的整体任务量，再将统计得到的整体任务量除以酒店的数量得到每一家酒店在若干天内的总任务量，再基于总任务量进一步计算该酒店在每一天中的任务量。但是这种简单的通过总任务量求平均数的方式，无法准确预测出酒店在未来时间内可能产生的任务量，并且计算结果与实际任务量之间差距较大，导致客户的体验降低，影响企业发展。


技术实现要素：

4.有鉴于此，本公开实施例提供了一种任务量的预测方法、装置、电子设备及存储介质，以解决现有技术存在的无法准确预测客户的任务量，计算结果与实际任务量之间差距较大，导致客户体验降低的问题。
5.本公开实施例的第一方面，提供了一种任务量的预测方法，包括：获取任务对象在历史运行过程中产生的历史任务数据，根据历史任务数据中所包含的关联对象的标识信息，获取与关联对象相对应的属性数据；根据历史任务数据中的任务信息确定任务对象在历史时间内产生的任务量，将历史时间内的任务量作为模型训练的类别标签；根据历史任务数据、属性数据以及类别标签生成样本数据集，利用样本数据集对预设的分类模型进行训练，得到训练后的分类模型；确定用于进行任务量预测的预测对象，获取预测对象的特征信息，将特征信息输入到训练后的分类模型中，利用训练后的分类模型对预测对象在未来预设时间内的任务量进行预测。
6.本公开实施例的第二方面，提供了一种任务量的预测装置，包括：获取模块，被配置为获取任务对象在历史运行过程中产生的历史任务数据，根据历史任务数据中所包含的关联对象的标识信息，获取与关联对象相对应的属性数据；确定模块，被配置为根据历史任务数据中的任务信息确定任务对象在历史时间内产生的任务量，将历史时间内的任务量作为模型训练的类别标签；训练模块，被配置为根据历史任务数据、属性数据以及类别标签生成样本数据集，利用样本数据集对预设的分类模型进行训练，得到训练后的分类模型；预测模块，被配置为确定用于进行任务量预测的预测对象，获取预测对象的特征信息，将特征信
息输入到训练后的分类模型中，利用训练后的分类模型对预测对象在未来预设时间内的任务量进行预测。
7.本公开实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。
8.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。
9.本公开实施例采用的上述至少一个技术方案能够达到以下有益效果：
10.通过获取任务对象在历史运行过程中产生的历史任务数据，根据历史任务数据中所包含的关联对象的标识信息，获取与关联对象相对应的属性数据；根据历史任务数据中的任务信息确定任务对象在历史时间内产生的任务量，将历史时间内的任务量作为模型训练的类别标签；根据历史任务数据、属性数据以及类别标签生成样本数据集，利用样本数据集对预设的分类模型进行训练，得到训练后的分类模型；确定用于进行任务量预测的预测对象，获取预测对象的特征信息，将特征信息输入到训练后的分类模型中，利用训练后的分类模型对预测对象在未来预设时间内的任务量进行预测。本公开能够对任务量进行准确预估，降低预测结果与实际任务量之间的差距，提高预测结果的准确性，从而提升客户体验。
附图说明
11.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。
12.图1是本公开实施例提供的任务量的预测方法的流程示意图；
13.图2是本公开实施例提供的任务量的预测装置的结构示意图；
14.图3是本公开实施例提供的电子设备的结构示意图。
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.通过任务运行过程中产生的历史数据来对未来一段时间的任务量进行预测，这种任务量的预测结果能够反映客户未来任务量的变化趋势，从而有利于客户对自身业务情况做出分析并为后续任务的执行做出决策。下面以酒店服务行业中使用机器人执行一些任务的场景为例，对酒店客户未来对机器人任务量的需求进行预测的过程进行详细说明，具体可以包括以下内容：
17.当酒店客户在使用机器人执行一些任务的时候，首先需要对机器人的使用效果做一个整体的评估，通过对工作量进行整体评估可以预计计算机器人能够代替多少个人进行作业，或者使酒店客户可以明确知道一个机器人的未来送物情况。由此可见，由于机器人所提供的服务以及使用效果与酒店客户的任务量密切相关，因此如何对客户在未来时间内的
任务量进行精准预测，这对机器人使用效果的评估具有重要意义。
18.目前现有的技术方案是通过系统的整体任务量除以酒店数量得到一些用于预测任务量的信息。例如通过总的任务量除以酒店数量，可以得到一家酒店在若干天的总的任务量，再通过总的任务量计算每家酒店单天的任务量。然而实际场景中，每家酒店的任务量并不均匀，因此单纯通过总量计算平均任务量的方式无法得到精确的结果，或者与酒店实际的平均业务量有很大的差别，造成酒店客户的体验降低，甚至遭到酒店客户人员的投诉和不满，影响企业的发展。
19.鉴于以上现有技术中的问题，本公开提出一种全新的基于机器学习算法的未来任务量的预测方法，本公开的任务量预测方法中通过机器人在酒店的任务执行过程中产生的历史任务数据，以及酒店自身的特征属性，利用这两方面的数据进行机器学习模型的训练，利用训练好的机器学习模型对酒店在未来一段时间内的任务量进行预测，从而生成酒店在未来一段时间的任务趋势，通过该趋势，有利于客户了解自身的任务情况，而且有利于企业进行精准营销。本公开实施例解决了无法对酒店任务量进行准确预估的问题。
20.需要说明的是，本公开实施例在实际应用场景中所涉及的任务量预测系统，在该任务量预测系统中至少包含三个模块，即存储记录模块、算法训练模块和预测计算模块。其中，存储记录模块，用于记录机器人所在地点下的任务数量，维护任务和地点之间的对应关系；算法训练模块，用于通过酒店特征属性和历史任务数据对任务训练建立算法模型；预测计算模块，用于通过训练好的模型，将需要进行任务量预测的客户特征信息作为输入，利用模型输出对任务量的预测结果。
21.本公开以下实施例是以酒店任务场景为例，以酒店中的机器人执行任务的任务量作为预测目标，通过利用酒店的属性数据以及机器人的历史任务数据对模型进行训练，达到对酒店未来的任务量进行预测的目的。但是本公开实施例不限于以上应用场景，即本公开实施例不限于对酒店中的任务量进行预测的场景，也不限于将机器人作为任务执行主体时的预测场景，其他任何需要对未来任务量进行预测的场景均适用于本方案，例如对门店订单任务量的预测场景以及对公司工作任务量的预测场景等。因此，本公开以下实施例中的应用场景不构成对本公开技术方案的限定。
22.图1是本公开实施例提供的任务量的预测方法的流程示意图。图1的任务量的预测方法可以由服务器执行。如图1所示，该任务量的预测方法具体可以包括：
23.s101，获取任务对象在历史运行过程中产生的历史任务数据，根据历史任务数据中所包含的关联对象的标识信息，获取与关联对象相对应的属性数据；
24.s102，根据历史任务数据中的任务信息确定任务对象在历史时间内产生的任务量，将历史时间内的任务量作为模型训练的类别标签；
25.s103，根据历史任务数据、属性数据以及类别标签生成样本数据集，利用样本数据集对预设的分类模型进行训练，得到训练后的分类模型；
26.s104，确定用于进行任务量预测的预测对象，获取预测对象的特征信息，将特征信息输入到训练后的分类模型中，利用训练后的分类模型对预测对象在未来预设时间内的任务量进行预测。
27.具体地，本公开实施例的任务对象是指酒店机器人，关联对象是指与酒店机器人相对应的关联酒店，而预测对象则是实际进行任务量预测的预测酒店。本公开以下实施例
是以酒店作为预测对象，以设置在酒店中的机器人作为任务执行的主体，通过获取机器人在历史任务执行过程中产生的历史任务数据，以及与机器人所关联的酒店的属性数据作为模型训练的样本数据，对预设的机器学习算法模型进行训练，得到用于对后续预测酒店进行任务量预测的模型，并将其部署到线上的业务系统中进行预测。
28.进一步地，历史任务数据是指机器人在历史执行任务过程中所产生的一些与任务相关的数据，以酒店机器人为例，酒店客户可以使用酒店机器人为其执行送物、巡游、迎宾、订单派送等任务，因此历史任务数据是机器人在执行任务过程中，产生的带有机器人业务属性的数据，比如酒店名称、任务时间、任务详情信息等。与历史任务数据相对应的是机器人所完成的任务量，任务量可以认为是机器人所完成全部任务类型的总量，每一个任务可以对应一个订单，比如一次巡游任务就可以认为是一个任务订单，因此任务量可以认为是任务订单的总量。
29.进一步地，本公开实施例所采用的机器学习算法是决策树，即通过历史任务数据以及酒店属性数据来构建决策树，利用构建好的决策树对酒店未来的任务量进行预测。在这里，决策树是一个树结构(可以是二叉树或者非二叉树)，其每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点用于存放一个类别。但是应当理解的是，本公开实施例的机器学习模型不限于决策树，其他分类模型同样适用于本方案，例如多标签随机森林(multi-label random forests)、多标签梯度boosting(multi-label gradient boosting)等模型。
30.根据本公开实施例提供的技术方案，本公开通过获取任务对象在历史运行过程中产生的历史任务数据，根据历史任务数据中所包含的关联对象的标识信息，获取与关联对象相对应的属性数据；根据历史任务数据中的任务信息确定任务对象在历史时间内产生的任务量，将历史时间内的任务量作为模型训练的类别标签；根据历史任务数据、属性数据以及类别标签生成样本数据集，利用样本数据集对预设的分类模型进行训练，得到训练后的分类模型；确定用于进行任务量预测的预测对象，获取预测对象的特征信息，将特征信息输入到训练后的分类模型中，利用训练后的分类模型对预测对象在未来预设时间内的任务量进行预测。本公开能够对任务量进行准确预估，降低预测结果与实际任务量之间的差距，提高预测结果的准确性，从而提升客户体验。
31.在一些实施例中，任务对象包括酒店机器人，获取任务对象在历史运行过程中产生的历史任务数据，包括：从云平台数据库中获取酒店机器人在历史运行过程中产生的历史任务数据，其中，历史任务数据中包含关联对象的标识信息、任务时间、任务类型、以及任务信息。
32.具体地，本公开实施例是以酒店任务场景下的任务量预测为应用场景进行描述的，因此本公开实施例的任务对象(即任务执行主体)是指酒店机器人。在实际场景中，酒店机器人在执行历史任务过程中会产生一系列的历史任务数据，酒店机器人会将这些历史任务数据上报给云平台，其中酒店机器人所上报的历史任务数据中包含但不限于以下信息：酒店信息、任务时间、任务类型、任务信息等。酒店信息中可以包含酒店标识信息(如酒店名称)以及酒店的位置信息等，任务信息中可以包含所执行任务的详情信息。在进行模型构建之前，需要先从云平台数据库中获取与酒店机器人的历史任务相关的数据，并将这些数据作为样本数据中的一部分。
33.在一些实施例中，关联对象包括与酒店机器人相对应的关联酒店，根据历史任务数据中所包含的关联对象的标识信息，获取与关联对象相对应的属性数据，包括：根据历史任务数据中的关联酒店的标识信息，从云平台数据库中获取与标识信息相对应的关联酒店的属性数据，其中，属性数据中包含关联酒店的名称、位置信息、房间数量、入住率和房间均价。
34.具体地，本公开实施例的关联对象是指与酒店机器人相对应的关联酒店，即酒店机器人在执行历史任务时所在的酒店。在历史任务的执行过程中会建立酒店与机器人之间的关联关系，这样根据机器人的历史任务数据就可以查找到关联酒店的属性数据，例如酒店的名称、酒店的房间数量、酒店入住率、酒店房间均价等维度的数据。酒店的属性数据也可以认为是酒店对应的特征属性，即酒店具有哪些维度的特点。在后续进行模型构建时，将获取到的关联酒店的属性数据作为进行模型训练时的样本数据中的一部分。
35.在一些实施例中，根据历史任务数据中的任务信息确定任务对象在历史时间内产生的任务量，将历史时间内的任务量作为模型训练的类别标签，包括：获取历史时间内的历史任务数据中的任务信息，以一天作为时间间隔对任务信息进行统计，根据统计结果确定酒店机器人在历史时间内的每一天对应的任务量，将每一天对应的任务量作为每条样本数据的类别标签，其中，任务量包括酒店机器人在每一天所执行任务的数量。
36.具体地，在获取了历史任务数据以及酒店的属性数据之后，需要进一步确定酒店每一天所对应的历史任务量，将每天的历史任务量数据作为对样本数据进行模型训练时的类别标签。在实际应用中，通过对历史任务数据中的任务信息进行分析和统计即可得到酒店在每一天的历史任务量，并将每一天的历史任务量作为每条样本数据对应的类别标签。
37.进一步地，由于任务信息中包含机器人在酒店执行历史任务时的详情信息，因此，根据任务信息就可以统计出机器人对应每家酒店的任务量，将酒店中全部机器人的任务量相加得到酒店对应每一天的历史任务量。在实际应用中，同一机器人可能在每一天执行多种不同的任务，因此每一个机器人对应的任务量是指该机器人在每一天所执行各种类型任务的总和，例如：机器人在某一天执行了50次巡游任务以及50次送餐任务，那么该机器人在这一天的任务量就是巡游任务次数与送餐任务次数的综合，即该机器人的任务量为100。
38.在一些实施例中，根据历史任务数据、属性数据以及类别标签生成样本数据集，包括：根据历史任务数据中的任务时间，将任务时间属于同一天的历史任务数据与属性数据进行拼接，得到历史时间内每一天对应的样本数据，并将每一天的任务量作为样本数据的类别标签，将样本数据与类别标签进行组合得到样本数据集。
39.具体地，在获取了机器人的历史任务数据、酒店的属性数据以及每一天的历史任务量之后，将这些数据以每天作为时间维度进行拼接得到样本数据集。在实际应用中，样本数据集中的每条数据可以由以下类型的数据组成，即酒店的特征维度(即属性数据) 历史任务数据 时间维度(即每天对应的日期) 机器人的任务维度(即历史任务量)，因此在样本数据集中每一天对应一条样本数据，样本数据集中包含若干天的历史时间内的样本数据。
40.在一些实施例中，分类模型采用决策树算法，利用样本数据集对预设的分类模型进行训练，得到训练后的分类模型，包括：根据预设的决策树算法，从属性数据中选择至少一个特征属性作为根节点，并沿着根节点依次形成非叶节点，并为每个非叶节点设置相应的分类条件和分类阈值，直至生成全部的叶子节点，以便得到用于对任务量进行预测的决
策树，其中，每个非叶节点对应一个特征属性，每个叶子节点对应一个分类结果。
41.具体地，决策树是一种机器学习的方法，决策树的生成算法有id3、c4.5、c5.0等。决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。其主要优点是模型具有可读性，分类速度快。在训练时，利用样本数据集，根据损失函数最小化的原则建立决策树模型；在预测时，对于新的属性数据，利用决策树模型进行分类。
42.进一步地，在获得上述样本数据集之后，将样本数据集作为决策树模型的输入，利用决策树的生成算法来构建决策树模型。在实际应用中，可以从酒店的属性数据中选取一个特征属性作为根节点，从根节点依次选取每个分支上的非叶节点，每个非叶节点中包含两个维度的数据，即酒店的特征属性(即具体的属性数据)以及日期数据，因此在决策树中每个不同的非叶节点对应不同维度的酒店特征，即每个非叶节点对应酒店的不同特征值，这里的非叶节点也可以认为是决策树中的子节点。
43.进一步地，在选取酒店的属性数据中的哪一个特征属性作为根节点以及非叶节点时，可以根据专家规则进行判断，在实际应用中，可以选取对预测结果影响比较大的特征属性作为非叶节点。在决策树中最终的叶子节点对应最终的分类值，即对应最终的标签，每个叶子节点对应某个预测日期的任务量。
44.在一些实施例中，预测对象包括作为任务量预测对象的预测酒店，获取预测对象的特征信息，将特征信息输入到训练后的分类模型中，利用训练后的分类模型对预测对象在未来预设时间内的任务量进行预测，包括：获取预测酒店对应的特征信息，并对特征信息进行处理得到预测酒店的属性数据，利用决策树中的每个非叶节点对预测酒店的属性数据进行测试，直至测试过程到达叶子节点，将叶子节点对应的分类结果作为预测酒店对应任务量的预测结果，其中，预测结果中包含预测酒店在未来预设时间内的每一天所对应的任务量。
45.具体地，在利用样本数据集对决策树模型进行训练完成之后，可以将训练好的决策树模型部署到线上的业务系统中去，当客户通过在线服务或者机器人服务进行咨询的时候，获取客户填写的酒店名称，利用云端系统调用第三方软件去搜索酒店信息，并将酒店信息输入到业务系统的分析模块中去，利用分析模块对该酒店内机器人的任务量进行预测，得到未来一段时间内该酒店内的机器人每天可能的任务量。
46.进一步地，在利用决策树模型进行任务量预测时，首先对输入的预测酒店对应的特征信息进行处理得到预测酒店的属性数据，从决策树中的根节点开始，沿决策树的分支依次测试待分类项中对应的特征属性，并按照每个非叶节点的值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为最终的预测结果。
47.进一步地，在利用决策树得到酒店在未来一段时间内的任务量之后，根据未来时间内每天的任务量绘制出用于展示未来任务量变化趋势的报表，例如将未来一年内每一天对应的任务量，采用直方图或者折线图等方式进行绘制，得到酒店在未来一年内的任务量变化趋势的报表，在报表中横轴表示未来的时间，纵轴表示任务量。通过该报表可以对酒店未来一段时间内的任务量的变化情况加以分析，从而判断酒店在未来时间内所需要的机器人的数量以及机器人未来所承担的任务量。
48.根据本公开实施例提供的技术方案，本公开提出一种全新的基于决策树的未来任务量的预测方法，本公开的任务量预测方法中通过机器人在酒店的任务执行过程中产生的历史任务数据，以及酒店自身的特征属性，利用这两方面的数据构建决策树模型。利用决策树模型对酒店在未来一段时间内的任务量进行预测，从而绘制酒店在未来一段时间的任务量的变化趋势报表，通过该变化趋势报表，有利于了解酒店客户未来的任务量，从而实现对酒店客户的精准营销。
49.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。
50.图2是本公开实施例提供的任务量的预测装置的结构示意图。如图2所示，该任务量的预测装置包括：
51.获取模块201，被配置为获取任务对象在历史运行过程中产生的历史任务数据，根据历史任务数据中所包含的关联对象的标识信息，获取与关联对象相对应的属性数据；
52.确定模块202，被配置为根据历史任务数据中的任务信息确定任务对象在历史时间内产生的任务量，将历史时间内的任务量作为模型训练的类别标签；
53.训练模块203，被配置为根据历史任务数据、属性数据以及类别标签生成样本数据集，利用样本数据集对预设的分类模型进行训练，得到训练后的分类模型；
54.预测模块204，被配置为确定用于进行任务量预测的预测对象，获取预测对象的特征信息，将特征信息输入到训练后的分类模型中，利用训练后的分类模型对预测对象在未来预设时间内的任务量进行预测。
55.在一些实施例中，任务对象包括酒店机器人，图2的获取模块201从云平台数据库中获取酒店机器人在历史运行过程中产生的历史任务数据，其中，历史任务数据中包含关联对象的标识信息、任务时间、任务类型、以及任务信息。
56.在一些实施例中，关联对象包括与酒店机器人相对应的关联酒店，图2的获取模块201根据历史任务数据中的关联酒店的标识信息，从云平台数据库中获取与标识信息相对应的关联酒店的属性数据，其中，属性数据中包含关联酒店的名称、位置信息、房间数量、入住率和房间均价。
57.在一些实施例中，图2的确定模块202获取历史时间内的历史任务数据中的任务信息，以一天作为时间间隔对任务信息进行统计，根据统计结果确定酒店机器人在历史时间内的每一天对应的任务量，将每一天对应的任务量作为每条样本数据的类别标签，其中，任务量包括酒店机器人在每一天所执行任务的数量。
58.在一些实施例中，图2的训练模块203根据历史任务数据中的任务时间，将任务时间属于同一天的历史任务数据与属性数据进行拼接，得到历史时间内每一天对应的样本数据，并将每一天的任务量作为样本数据的类别标签，将样本数据与类别标签进行组合得到样本数据集。
59.在一些实施例中，分类模型采用决策树算法，图2的训练模块203根据预设的决策树算法，从属性数据中选择至少一个特征属性作为根节点，并沿着根节点依次形成非叶节点，并为每个非叶节点设置相应的分类条件和分类阈值，直至生成全部的叶子节点，以便得到用于对任务量进行预测的决策树，其中，每个非叶节点对应一个特征属性，每个叶子节点对应一个分类结果。
60.在一些实施例中，预测对象包括作为任务量预测对象的预测酒店，图2的预测模块204获取预测酒店对应的特征信息，并对特征信息进行处理得到预测酒店的属性数据，利用决策树中的每个非叶节点对预测酒店的属性数据进行测试，直至测试过程到达叶子节点，将叶子节点对应的分类结果作为预测酒店对应任务量的预测结果，其中，预测结果中包含预测酒店在未来预设时间内的每一天所对应的任务量。
61.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。
62.图3是本公开实施例提供的电子设备3的结构示意图。如图3所示，该实施例的电子设备3包括：处理器301、存储器302以及存储在该存储器302中并且可以在处理器301上运行的计算机程序303。处理器301执行计算机程序303时实现上述各个方法实施例中的步骤。或者，处理器301执行计算机程序303时实现上述各装置实施例中各模块/单元的功能。
63.示例性地，计算机程序303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302中，并由处理器301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303在电子设备3中的执行过程。
64.电子设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备3可以包括但不仅限于处理器301和存储器302。本领域技术人员可以理解，图3仅仅是电子设备3的示例，并不构成对电子设备3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，电子设备还可以包括输入输出设备、网络接入设备、总线等。
65.处理器301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。
66.存储器302可以是电子设备3的内部存储单元，例如，电子设备3的硬盘或内存。存储器302也可以是电子设备3的外部存储设备，例如，电子设备3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302还可以既包括电子设备3的内部存储单元也包括外部存储设备。存储器302用于存储计算机程序以及电子设备所需的其它程序和数据。存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
67.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。
68.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。
69.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。
70.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。
71.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。
72.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。
73.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。
74.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。