基于大数据的报警定位处理方法及系统与流程

1.本技术涉及大数据技术领域，具体而言，涉及一种基于大数据的报警定位处理方法及系统。


背景技术：

2.当前，移动终端通常会内置报警求助的sdk或小程序，当用户拨打求助电话时，移动终端检测到该电话为报警求助电话，则立刻启动内嵌sdk的app或小程序，上报该移动终端的实时定位数据至报警求助中心系统，报警求助中心系统将实时定位数据发送给救助人员，救助人员就可以按照该上报的实时定位数据及时救助求助人员。发送的位置分两种，一种是室外地址，其中室外地址可以通过卫星及移动通信基站联合定位；另一种是室内地址，需要大量人员去现场测绘，测绘后将各种定位大数据（如无线杂波信号和地磁信号等）上传到平台，就能帮助移动终端在室内完成定位。然而，在紧急情况下，用户无法较为完善地反映具体报警原因或者报警缘由，导致救助人员获得的参考信息较少，无法精确决策救助方案，也即相关技术中仅依据实时定位数据进行报警参考的方案还存在进一步优化的空间。


技术实现要素：

3.为了至少克服现有技术中的上述不足，本技术的目的在于提供一种基于大数据的报警定位处理方法及系统。
4.第一方面，本技术提供一种基于大数据的报警定位处理方法，应用于基于大数据的报警定位处理系统，该方法包括：获取目标移动终端发送的报警请求数据，并基于所述报警请求数据获取所述目标移动终端所对应的实时定位数据，并调取所述实时定位数据所对应的实时时间节点之前的历史定位数据以及所述目标移动终端所对应的每个线上注册账号在所述实时时间节点之前的最近访问活动数据；基于所述目标移动终端所对应的实时定位数据和所述实时定位数据所对应的时间节点之前的历史定位数据确定所述目标移动终端对应于所述实时时间节点的目标轨迹数据；判断所述最近访问活动数据中是否存在与所述目标轨迹数据存在关联的目标访问活动数据，如果所述最近访问活动数据中存在与所述目标轨迹数据存在关联的目标访问活动数据，则从预先进行可靠性认证的历史报警大数据库中确定与所述目标访问活动数据关联的至少一个历史报警数据，并将所述历史报警数据中的报警意图对象作为所述目标移动终端发送的报警请求数据的报警辅助参考依据进行输出。
5.第二方面，本技术实施例还提供一种基于大数据的报警定位处理系统，该基于大数据的报警定位处理系统包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现前述的基于大数据的报警定位处理方法。
6.按照上述任意一个方面，结合目标移动终端对应于实时时间节点的目标轨迹数据以及实时时间节点之前的最近访问活动数据，以在最近访问活动数据中存在与目标轨迹数据存在关联的目标访问活动数据时，从预先进行可靠性认证的历史报警大数据库中确定与目标访问活动数据关联的至少一个历史报警数据，并将历史报警数据中的报警意图对象作为目标移动终端发送的报警请求数据的报警辅助参考依据进行输出，从而结合了轨迹维度和最近访问活动维度，从可靠性认证的历史报警大数据库中进行报警辅助参考依据输出，以便于提供更多可能的细节报警特征供相关人员参考。
附图说明
7.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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，还可以基于这些附图获得其它相关的附图。
8.图1为本技术实施例提供的基于大数据的报警定位处理方法的流程示意图；图2为本技术实施例提供的用于实现上述的基于大数据的报警定位处理方法的基于大数据的报警定位处理系统的结构示意框图。
具体实施方式
9.以下描述是为了使本领域的普通技术人员能够实施和利用本技术，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本技术的原则和范围的情况下，本技术中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本技术并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
10.本技术中所使用的术语仅用于描述特定的示例性实施例，并不限制本技术的范围。如本技术使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本技术说明书中，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其它特征、整体、步骤、操作、组件、部件和/或其组合的情况。
11.基于以下对附图的描述，本技术的这些和其它的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本技术说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本技术的范围。应当理解的是，附图并不是按比例绘制的。
12.本技术中使用了流程图用来说明基于本技术的一些实施例的系统所执行的操作。应当理解的是，流程图中的操作可以不按顺序执行。相反，可以按照倒序或同时处理各种步骤。此外，可以向流程图添加一个或以上其它操作。也可以从流程图中删除一个或以上操作。
13.下面依据说明书附图对本技术进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
14.图1是本技术一种实施例提供的基于大数据的报警定位处理方法的流程示意图，
下面对该基于大数据的报警定位处理方法进行详细介绍。
15.步骤s100，获取目标移动终端发送的报警请求数据，并基于所述报警请求数据获取所述目标移动终端所对应的实时定位数据，并调取所述实时定位数据所对应的实时时间节点之前的历史定位数据以及所述目标移动终端所对应的每个线上注册账号在所述实时时间节点之前的最近访问活动数据。
16.步骤s200，基于所述目标移动终端所对应的实时定位数据和所述实时定位数据所对应的时间节点之前的历史定位数据确定所述目标移动终端对应于所述实时时间节点的目标轨迹数据。
17.步骤s300，判断所述最近访问活动数据中是否存在与所述目标轨迹数据存在关联的目标访问活动数据，如果所述最近访问活动数据中存在与所述目标轨迹数据存在关联的目标访问活动数据，则从预先进行可靠性认证的历史报警大数据库中确定与所述目标访问活动数据关联的至少一个历史报警数据，并将所述历史报警数据中的报警意图对象作为所述目标移动终端发送的报警请求数据的报警辅助参考依据进行输出。
18.基于以上步骤，本技术实施例结合目标移动终端对应于实时时间节点的目标轨迹数据以及实时时间节点之前的最近访问活动数据，以在最近访问活动数据中存在与目标轨迹数据存在关联的目标访问活动数据时，从预先进行可靠性认证的历史报警大数据库中确定与目标访问活动数据关联的至少一个历史报警数据，并将历史报警数据中的报警意图对象作为目标移动终端发送的报警请求数据的报警辅助参考依据进行输出，从而结合了轨迹维度和最近访问活动维度，从可靠性认证的历史报警大数据库中进行报警辅助参考依据输出，以便于提供更多可能的细节报警特征供相关人员参考。
19.在上述步骤s300之后，本技术实施例所提供的方法还可以包括下述步骤，具体描述如下。
20.步骤s400，将每个所述目标移动终端的目标轨迹数据、目标访问活动数据以及所述历史报警数据中的报警意图对象，汇总作为一个范例报警学习数据，并基于开发指令确定每个所述范例报警学习数据所对应的报警意图标签，以获得由携带对应的报警意图标签的范例报警学习数据构成的范例报警学习数据集合；步骤s500，基于所述范例报警学习数据集合对初始化报警意图预测模型进行训练，获得训练完成的目标报警意图预测模型，其中，所述目标报警意图预测模型用于对任意移动终端所对应的候选报警数据进行报警意图预测。
21.下面进一步介绍该步骤s500中目标报警意图预测模型用于对任意移动终端所对应的候选报警数据进行报警意图预测的实施例，参见下述内容。
22.步骤a101：对所述候选报警数据进行报警特征字段挖掘，确定第一报警特征字段网络。
23.步骤a102：基于第一报警特征字段网络解析该候选报警数据中每个前向报警节点和每个后向报警节点。
24.其中，一个前向报警节点对应报警意图所对应的报警行为前置触发的节点，剩余的节点均可以作为后向报警节点。
25.步骤a103：基于每个前向报警节点和每个后向报警节点在该候选报警数据中的对应触发节点，在第一报警特征字段网络中确定每个前向报警节点和每个后向报警节点对应
的每个第一报警特征字段子网络。
26.第一报警特征字段网络中的每个报警特征字段可以构成一个知识图谱，也即第一报警特征字段网络用于表达每个报警特征字段之间的特征段关系，即每个报警特征字段分别用于描述候选报警数据中的一个报警特征。对于每个前向报警节点或后向报警节点来说，基于其在候选报警数据中的对应触发节点，就可在第一报警特征字段网络中确定其对应的那部分报警特征字段，由于该部分报警特征字段实际上属于第一报警特征字段网络的报警特征字段子网络，由此可以将该部分报警特征字段构建成对应的第一报警特征字段子网络。
27.步骤a104：分别对每个前向报警节点和每个后向报警节点对应的每个第一报警特征字段子网络进行第一报警字段权重更新，确定第一报警字段权重更新后的各第二报警特征字段子网络。
28.步骤a105：基于该各第二报警特征字段子网络进行报警意图特征预测，确定该候选报警数据中各个目标报警意图特征。
29.步骤a106：基于该各个目标报警意图特征在该候选报警数据中的对应触发节点，在第一报警特征字段网络中确定各个目标报警意图特征对应的每个第一报警特征字段子网络，将所有目标报警意图特征对应的每个第一报警特征字段子网络融合生成第三报警特征字段网络。
30.对于每个目标报警意图特征，基于该目标报警意图特征在候选报警数据中的对应触发节点，就可在第一报警特征字段网络中确定该目标报警意图特征对应的那部分报警特征字段，该部分报警特征字段称为该目标报警意图特征对应的第一报警特征字段子网络。
31.步骤a107：对第一报警特征字段网络进行频繁模式字段网络挖掘，确定第四报警特征字段网络；其中，第四报警特征字段网络的网络格式与第三报警特征字段网络相同。
32.步骤a108：将第四报警特征字段网络与第三报警特征字段网络进行特征融合，确定第五报警特征字段网络。
33.步骤a109：基于第五报警特征字段网络进行报警意图预测，确定该候选报警数据对应的目标报警意图标签。
34.采用以上步骤，通过将候选报警数据中各个目标报警意图特征对应的局部特征字段网络（第三报警特征字段网络）和从候选报警数据中提取的全局特征字段网络（第四报警特征字段网络）特征融合后，进行报警意图预测，细化了报警意图预测的报警意图标签范围，并提高了报警意图预测的准确性。
35.针对一些示例性的设计思路而言，步骤a101、a102、a105和a109可通过目标报警意图预测模型实现，该目标报警意图预测模型主要由报警特征字段挖掘单元、报警节点解析单元、报警意图特征预测单元和报警意图预测单元。
36.下面介绍本技术另一个实施例中，包括以下步骤：步骤a201：将候选报警数据加载至目标报警意图预测模型的报警特征字段挖掘单元进行报警特征字段挖掘，确定第一报警特征字段网络。
37.步骤a202：将第一报警特征字段网络加载至该目标报警意图预测模型的报警节点解析单元中来解析该候选报警数据中每个前向报警节点和每个后向报警节点。
38.步骤a203：基于每个前向报警节点和每个后向报警节点在该候选报警数据中的对
应触发节点，在第一报警特征字段网络中确定每个前向报警节点和每个后向报警节点对应的每个第一报警特征字段子网络。
39.步骤a204：分别对每个前向报警节点和每个后向报警节点对应的每个第一报警特征字段子网络进行第一报警字段权重更新，确定第一报警字段权重更新后的各第二报警特征字段子网络。
40.步骤a205：将各第二报警特征字段子网络加载至目标报警意图预测模型的报警意图特征预测单元进行报警意图特征预测，确定该候选报警数据中各个目标报警意图特征。
41.步骤a206：基于该各个目标报警意图特征在该候选报警数据中的对应触发节点，在第一报警特征字段网络中确定各个目标报警意图特征对应的每个第一报警特征字段子网络，将所有目标报警意图特征对应的每个第一报警特征字段子网络融合生成第三报警特征字段网络。
42.步骤a207：对第一报警特征字段网络进行频繁模式字段网络挖掘，确定第四报警特征字段网络；其中，第四报警特征字段网络的网络格式与第三报警特征字段网络相同。
43.步骤a208：将第四报警特征字段网络与第三报警特征字段网络进行特征融合，确定第五报警特征字段网络。
44.步骤a209：将第五报警特征字段网络加载至该目标报警意图预测模型的报警意图预测单元进行报警意图预测，确定该候选报警数据对应的目标报警意图标签。
45.针对一些示例性的设计思路而言，步骤a106之后、步骤a108之前，或者步骤a206之后、步骤a208之前，进一步包括：对第三报警特征字段网络进行报警特征字段衍生处理，确定第三报警特征字段网络中每个报警特征字段的衍生报警特征字段，将第三报警特征字段网络中的每个报警特征字段分别与其衍生报警特征字段进行关联融合，确定第三报警特征字段网络的衍生报警特征字段网络；其中，步骤a108或步骤a208中，将第四报警特征字段网络与第三报警特征字段网络进行特征融合，包括：将第四报警特征字段网络与第三报警特征字段网络的衍生报警特征字段网络进行特征融合。
46.上述实施例中，通过计算第三报警特征字段网络中每个报警特征字段的衍生报警特征字段，可以对候选报警数据中的目标报警意图特征对应的报警特征字段进行衍生，从而提高报警意图预测的准确性。
47.下面介绍本技术另一个实施例中，包括以下步骤：步骤a301：获取范例报警学习数据集合，在各个范例报警学习数据中添加每个目标报警意图特征及对应的报警意图标签。
48.为了与后续步骤a306中的模糊报警意图特征进行区分，将本步骤a301中携带的每个目标报警意图特征称为范例报警意图特征；为了与后续步骤a306和a311中的模糊报警意图标签进行区分，将本步骤a301中携带的报警意图标签称为报警意图标签。
49.步骤a302：从范例报警学习数据集合中分别抽取一个范例报警学习数据加载至目标报警意图预测模型的报警特征字段挖掘单元进行报警特征字段挖掘，确定加载的范例报警学习数据的第一报警特征字段网络。
50.步骤a303：将第一报警特征字段网络加载至目标报警意图预测模型的报警节点解析单元，确定加载的范例报警学习数据中每个前向报警节点和每个后向报警节点。
51.步骤a304：基于每个前向报警节点和每个后向报警节点在加载的范例报警学习数据中的对应触发节点，在第一报警特征字段网络中确定每个前向报警节点和每个后向报警节点对应的每个第一报警特征字段子网络。
52.步骤a305：分别对每个前向报警节点和每个后向报警节点对应的每个第一报警特征字段子网络进行第一报警字段权重更新，确定第一报警字段权重更新后的各第二报警特征字段子网络。
53.步骤a306：将各第二报警特征字段子网络加载至目标报警意图预测模型的报警意图特征预测单元，确定加载的范例报警学习数据中每个模糊报警意图特征及各模糊报警意图特征的模糊报警意图标签。
54.模糊报警意图特征即，目标报警意图预测模型的报警意图特征预测单元在加载的范例报警学习数据中检测到的目标报警意图特征。
55.步骤a307：基于各模糊报警意图特征及各模糊报警意图特征的模糊报警意图标签与在加载的范例报警学习数据中携带的每个范例报警意图特征和报警意图标签，基于在先指定配置的第一报警意图预测能力函数进行预测能力评估，确定第一报警意图预测能力评估值。
56.这里，由于报警意图特征预测单元输出两个参数：模糊报警意图特征和模糊报警意图标签，因此分别对这两个参数进行报警意图预测能力评估，这两个参数基于的报警意图预测能力函数可以相同，也可以不同，例如：对模糊报警意图特征基平滑l1损失函数，对模糊报警意图标签基于交叉熵函数，最后将模糊报警意图特征对应的报警意图预测能力评估值和模糊报警意图标签对应的报警意图预测能力评估值相加，确定第一报警意图预测能力评估值。
57.步骤a308：基于各模糊报警意图特征在加载的范例报警学习数据中的对应触发节点，在第一报警特征字段网络中确定各模糊报警意图特征对应的每个第一报警特征字段子网络，将所有模糊报警意图特征对应的每个第一报警特征字段子网络融合生成第三报警特征字段网络。
58.步骤a309：对第一报警特征字段网络进行频繁模式字段网络挖掘，确定第四报警特征字段网络；其中，第四报警特征字段网络的网络格式与第三报警特征字段网络相同。
59.步骤a310：将第四报警特征字段网络与第三报警特征字段网络进行特征融合，确定第五报警特征字段网络。
60.步骤a311：将第五报警特征字段网络加载至目标报警意图预测模型的报警意图预测单元，确定加载的范例报警学习数据中涵盖的模糊报警意图标签。
61.步骤a312：基于报警意图预测单元输出的模糊报警意图标签与在加载的范例报警学习数据中携带的每个报警意图标签，基于在先指定配置的第二报警意图预测能力函数进行预测能力评估，确定第二报警意图预测能力评估值。
62.第二报警意图预测能力函数可基于交叉熵函数。
63.步骤a313：对第一报警意图预测能力评估值和第二报警意图预测能力评估值进行加权融合计算，基于该加权融合评估值更新所述目标报警意图预测模型的模型函数权重信息。
64.例如：可基于该加权融合评估值基于随机梯度下降算法更新所述目标报警意图预
测模型的模型函数权重信息。
65.步骤a314：如果分析到所述目标报警意图预测模型满足训练终止条件时，将满足训练终止条件输出的目标报警意图预测模型作为开发部署的目标报警意图预测模型。
66.针对一些示例性的设计思路而言，步骤a308之后、步骤a310之前，进一步包括：对第三报警特征字段网络进行报警特征字段衍生处理，确定第三报警特征字段网络中每个报警特征字段的衍生报警特征字段，将第三报警特征字段网络中的每个报警特征字段分别与其衍生报警特征字段进行关联融合，确定第三报警特征字段网络的衍生报警特征字段网络；且，步骤a310中，将第四报警特征字段网络与第三报警特征字段网络进行特征融合，包括：将第四报警特征字段网络与第三报警特征字段网络的衍生报警特征字段网络进行特征融合。
67.针对一些示例性的设计思路而言，在步骤a301中，进一步在各个范例报警学习数据中标注各报警意图对象的意图数据特征和类别，且，在步骤a308中的“在第一报警特征字段网络中确定各模糊报警意图特征对应的每个第一报警特征字段子网络”之后、步骤a313中的“对第一报警意图预测能力评估值和第二报警意图预测能力评估值进行加权融合计算”之前，进一步包括：分别对各第一报警特征字段子网络进行第二报警字段权重更新，确定第二报警字段权重更新后的各第六报警特征字段子网络；将各第六报警特征字段子网络加载至目标报警意图预测模型的意图数据特征分析单元，确定加载的范例报警学习数据中各个报警意图对象的意图数据特征和报警意图标签；基于意图数据特征分析单元得到的加载的范例报警学习数据中各个报警意图对象的意图数据特征和报警意图标签与在加载的范例报警学习数据中携带的各报警意图对象的意图数据特征和报警意图标签，基于在先指定配置的第三报警意图预测能力函数进行预测能力评估，确定第三报警意图预测能力评估值；这里，第三报警意图预测能力函数可以是交叉熵函数。其中，报警意图对象的意图数据特征为报警对象的真实意图数据特征。
68.且，步骤a313中，对第一报警意图预测能力评估值和第二报警意图预测能力评估值进行加权融合计算，包括：对第一报警意图预测能力评估值、第二报警意图预测能力评估值和第三报警意图预测能力评估值进行加权融合计算。
69.针对一些示例性的设计思路而言，本实施例还可以根据获取所述目标报警意图预测模型生成的各个候选报警数据的报警意图，构建对应的报警意图热力分布图，基于所述报警意图热力分布图确定对应的热点报警意图，并基于所述热点报警意图向各个目标移动终端推送对应的安全知识点信息。
70.例如，可以从所述报警意图热力分布图中确定热力值大于预设热力值的报警意图作为热点报警意图，然后获取所述热点报警意图所映射的安全问题，并获取所述安全问题所对应的安全知识点后，将所述安全知识点的源内容信息推送给各个目标移动终端。
71.图2示出了本技术实施例提供的用于实现上述的基于大数据的报警定位处理方法的基于大数据的报警定位处理系统100的硬件结构意图，如图2所示，基于大数据的报警定位处理系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
72.在一些实施例中，基于大数据的报警定位处理系统100可以是单个服务器，也可以是服务器组。该服务器组可以是集中式的，也可以是分布式的(例如，基于大数据的报警定位处理系统100可以是分布式的系统)。在一些实施例中，基于大数据的报警定位处理系统100可以是本地的，也可以是远程的。例如，基于大数据的报警定位处理系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，基于大数据的报警定位处理系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些实施例中，基于大数据的报警定位处理系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多个云等或其任意组合。
73.机器可读存储介质120可以储存数据和/或指令。在一些实施例中，机器可读存储介质120可以存储从外部终端该数据。在一些实施例中，机器可读存储介质120可以储存基于大数据的报警定位处理系统100用来执行或使用来完成本技术中描述的示例性方法的数据及/或指令。在一些实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(rom)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(ram)。示例性ram可包括主动随机存取存储器(dram)、双倍数据速率同步主动随机存取存储器(ddr sdram)、被动随机存取存储器(sram)、晶闸管随机存取存储器(t-ram)和零电容随机存取存储器(z-ram)等。示例性只读存储器可以包括掩模型只读存储器(mrom)、可编程只读存储器(prom)、可擦除可编程只读存储器(perom)、电可擦除可编程只读存储器(eeprom)、光盘只读存储器(cd-rom)和数字多功能磁盘只读存储器等。在一些实施例中，机器可读存储介质120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。
74.在具体实现过程中，多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于大数据的报警定位处理方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。
75.处理器110的具体实现过程可参见上述基于大数据的报警定位处理系统100执行的每个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
76.此外，本技术实施例还提供一种可读存储介质，该可读存储介质中预设有计算机可执行指令，当处理器执行该计算机可执行指令时，实现如上基于大数据的报警定位处理方法。
77.应当理解的是，以上描述仅出于说明的目的，并不旨在限制本技术的范围。对于本领域的普通技术人员来说，可以基于本技术的描述，做出多种修改和变化。然而，这些修改和变化不会背离本技术的范围。
78.上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明公开仅作为示例，并不构成对本技术的限制。虽然此处并没有明确说明，本领域技术人员可能会对本技术进行各种修改、改进和修正。该类修改、改进和修正在本技术中被建议，所以该类修改、改进、修正仍属于本技术示范实施例的精神和范围。
79.同时，本技术使用了特定词语来描述本技术的实施例。例如“一个实施例”、“一实
施例”、和/或“一些实施例”意指与本技术多个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外，本技术的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
80.此外，本领域的普通技术人员可以理解，本技术的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改良。相应地，本技术的每个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本技术公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
81.计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质等或其任意组合。
82.本技术各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写，包括面向主体编程语言如java、scala、smalltalk、eiffel、jade、emerald、c 、c#、vb.net、python等，常规程序化编程语言如c语言、visual basic、foropan 2003、perl、cobol 2002、php、abap，主动编程语言如python、ruby和groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。
83.此外，除非权利要求中明确说明，本技术所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本技术流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本技术实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
84.同理，应当注意的是，为了简化本技术披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本技术披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。