基于AI的教学管理方法、装置、设备与存储介质与流程

基于ai的教学管理方法、装置、设备与存储介质
技术领域
1.本发明涉及教学管理技术领域，尤其涉及基于ai的教学管理方法、装置、设备与存储介质。


背景技术：

2.随着全国高考试点改革的推进，各省份相继开始实行新高考政策，新高考改革下设计的3 3新高考选科模式，赋予了学生充分的自由选择权，可以自主决定科目组合，但具体怎么选科，怎样的选科既适合学生，又可以在赋分中取得好成绩，则需要综合考量。然而，当前没有一套标准的选科方法或方式，以供学生参考，使得学生在选科时的不确定性因素较多，存在盲目性，导致选科结果和预期结果相差较大，不利于学生学习和学校教学管理。


技术实现要素：

3.本发明的主要目的在于提供一种基于ai的教学管理方法、装置、设备与存储介质，旨在增加新高考中学生选科的确定性，以提高教学管理效率。
4.为实现上述目的，本发明提供一种基于ai的教学管理方法，所述基于ai的教学管理方法包括步骤：
5.获取选科中的必选科目和可选科目，其中，可选科目包括至少一个学科；
6.获取所述至少一个学科对应的影响因素，基于预设的学科预测模型和所述影响因素，确定每个学科的选科数值；
7.根据数值由大至小的顺序，从至少一个选科数值中选取预设数目的选科数值，确定选取的所述选科数值对应的学科，得到自选科目；
8.基于所述必选科目和所述自选科目，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考。
9.优选地，所述获取选科中的必选科目和可选科目步骤，包括：
10.获取目标学生的学生信息，所述学生信息中包括地区信息；
11.根据所述地区信息，获取所述地区信息的必选科目和可选科目。
12.优选地，所述获取所述至少一个学科对应的影响因素，基于预设的学科预测模型和所述影响因素，确定每个学科的选科数值步骤，包括：
13.获取所述至少一个学科对应的影响因素和所述影响因素的相关数据；
14.对所述影响因素和所述相关数据进行归一化处理，得到每个影响因素的影响权重；
15.基于预设的学科预测模型、所述影响因素和所述影响权重，确定每个学科的选科数值。
16.优选地，所述基于预设的学科预测模型、所述影响因素和所述影响权重，确定每个学科的选科数值步骤，包括：
17.获取所述学科预测模型；
18.根据所述影响因素和所述影响权重，生成数据矩阵；
19.将所述数据矩阵输入至所述学科预测模型中，得到每个学科的所述选科数值。
20.优选地，所述基于所述必选科目和所述自选科目，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考步骤，包括：
21.基于所述必选科目和所述自选科目，确定个人学习计划；
22.根据至少一个学生的个人学习计划，确定教学计划，结合所述教学计划和所述教学目标，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考。
23.优选地，所述根据至少一个学生的个人学习计划，确定教学计划，结合所述教学计划和所述教学目标，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考步骤之后，所述方法包括：
24.在满足预设条件时，获取基于所述教学管理报告进行教学管理的教学成果；
25.若所述教学成果不满足所述教学目标时，则根据所述教学成果对所述教学管理进行调整优化。
26.优选地，其特征在于，所述影响因素包括所述至少一个学科的学科绩点、学生的学习技能、所述学习技能与所述至少一个学科之间的适应度、学生的学习主动性、学科前景、报考院校与所述至少一个学科之间的关联度中至少一项。
27.此外，为实现上述目的，本发明还提供一种基于ai的教学管理装置，所述装置包括：
28.第一获取模块，获取选科中的必选科目和可选科目，其中，可选科目包括至少一个学科；
29.第二获取模块，获取所述至少一个学科对应的影响因素，基于预设的学科预测模型和所述影响因素，确定每个学科的选科数值；
30.确定模块，根据数值由大至小的顺序，从至少一个选科数值中选取预设数目的选科数值，确定选取的所述选科数值对应的学科，得到自选科目；
31.生成模块，基于所述必选科目和所述自选科目，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考。
32.此外，为实现上述目的，本技术还提供一种基于ai的教学管理设备，所述基于ai的教学管理设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于ai的教学管理程序，所述基于ai的教学管理程序被所述处理器执行时实现如上所述的基于ai的教学管理方法的步骤。
33.此外，为实现上述目的，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于ai的教学管理程序，所述基于ai的教学管理程序被处理器执行时实现如上所述的基于ai的教学管理方法的步骤。
34.本发明实施例提出了一种基于ai的教学管理方法、装置、设备与存储介质，获取选科中的必选科目和可选科目，其中，可选科目包括至少一个学科；获取所述至少一个学科对应的影响因素，基于预设的学科预测模型和所述影响因素，确定每个学科的选科数值；根据数值由大至小的顺序，从至少一个选科数值中选取预设数目的选科数值，确定选取的所述选科数值对应的学科，得到自选科目；基于所述必选科目和所述自选科目，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考；也即，通过学科的影响因素
和学科预测模型，预测每个学科的选科数值，选科数值越大，则该学科与目标学生之间的适应度越高，为目标学生选科提供合理性和准确性的参考，确定自选科目，同时，根据学生的自选科目，生成教学管理报告，为管理者教学管理提供参考，以提高教学管理效率。
附图说明
35.图1是本发明实施例方案涉及的硬件运行环境的终端\装置结构示意图；
36.图2为本发明基于ai的教学管理方法一实施例的流程示意图；
37.图3为本发明基于ai的教学管理装置较佳实施例的功能模块示意图。
38.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
39.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
40.本发明实施例的主要解决方案是：
41.当前没有一套标准的选科方法或方式，以供学生参考，使得学生在选科时的不确定性因素较多，存在盲目性，导致选科结果和预期结果相差较大，不利于学生学习和学校教学管理。
42.本发明提供一种解决方案，通过学科的影响因素和学科预测模型，预测每个学科的选科数值，选科数值越大，则该学科与目标学生之间的适应度越高，为目标学生选科提供合理性和准确性的参考，确定自选科目，同时，根据学生的自选科目，生成教学管理报告，为管理者教学管理提供参考，以提高教学管理效率。
43.如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
44.本发明实施例终端可以是pc，也可以是智能手机、平板电脑、电子书阅读器、mp3(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)播放器、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面3)播放器、便携计算机等具有显示功能的可移动式终端设备。
45.如图1所示，该终端可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
46.可选地，终端还可以包括摄像头、rf(radio frequency，射频)电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配
置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
47.本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
48.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于ai的教学管理程序。
49.在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于ai的教学管理程序，并执行以下操作：
50.获取选科中的必选科目和可选科目，其中，可选科目包括至少一个学科；
51.获取所述至少一个学科对应的影响因素，基于预设的学科预测模型和所述影响因素，确定每个学科的选科数值；
52.根据数值由大至小的顺序，从至少一个选科数值中选取预设数目的选科数值，确定选取的所述选科数值对应的学科，得到自选科目；
53.基于所述必选科目和所述自选科目，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考。
54.进一步地，处理器1001可以调用存储器1005中存储的基于ai的教学管理程序，还执行以下操作：
55.获取目标学生的学生信息，所述学生信息中包括地区信息；
56.根据所述地区信息，获取所述地区信息的必选科目和可选科目。
57.进一步地，处理器1001可以调用存储器1005中存储的基于ai的教学管理程序，还执行以下操作：
58.获取所述至少一个学科对应的影响因素和所述影响因素的相关数据；
59.对所述影响因素和所述相关数据进行归一化处理，得到每个影响因素的影响权重；
60.基于预设的学科预测模型、所述影响因素和所述影响权重，确定每个学科的选科数值。
61.进一步地，处理器1001可以调用存储器1005中存储的基于ai的教学管理程序，还执行以下操作：
62.获取所述学科预测模型；
63.根据所述影响因素和所述影响权重，生成数据矩阵；
64.将所述数据矩阵输入至所述学科预测模型中，得到每个学科的所述选科数值。
65.进一步地，处理器1001可以调用存储器1005中存储的基于ai的教学管理程序，还执行以下操作：
66.基于所述必选科目和所述自选科目，确定个人学习计划；
67.根据至少一个学生的个人学习计划，确定教学计划，结合所述教学计划和所述教学目标，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考。
68.进一步地，处理器1001可以调用存储器1005中存储的基于ai的教学管理程序，还执行以下操作：
69.在满足预设条件时，获取基于所述教学管理报告进行教学管理的教学成果；
70.若所述教学成果不满足所述教学目标时，则根据所述教学成果对所述教学管理进行调整优化。
71.参照图2，本发明基于ai的教学管理方法、装置、设备与存储介质第一实施例提供一种基于ai的教学管理方法，所述基于ai的教学管理方法包括：
72.步骤s10，获取选科中的必选科目和可选科目，其中，可选科目包括至少一个学科；
73.在本实施例中，新高考中考试科目分为两类，一类为必选科目，一类为可选科目，其中，必选科目是每个学生必须学习和举行考试的科目，通常为语文、数学和外语，必选科目是学生可以根据自身情况进行选择学习和考试的科目，可选科目包括至少一个学科，通常必选科目有历史、地理、政治、物理、化学、生物、通信技术和通用技术等，根据不同地区的考试制度，在可选科目中选择一定数量的科目组织考试，以实现教学的均衡和价值。需要说明的是，必选科目和可选科目根据不同地区的教学管理包括有不同的学科，并不局限于上述列举的科目，在此不做具体限定。
74.进一步地，获取选科中的必选科目和可选科目，包括以下步骤s11-s12：
75.步骤s11，获取目标学生的学生信息，所述学生信息中包括地区信息；
76.步骤s12，根据所述地区信息，获取所述地区信息的必选科目和可选科目。
77.在本实施例中，获取目标学生的学生信息，其中，目标学生是指需要选科的学生，学生信息包括地区信息，根据学生的地区不同，获取目标学生所在地区的教学管理安排，在教学管理安排中有该地区的必选的学科和可选的学科，由此，根据目标学生以及目标学生所在地区，确定目标学生的必选科目和可选科目。
78.需要说明的是，学生信息中还包括其他与选科有关的信息，如考试制度信息，可以理解，不同的省份或学习阶段的考试制度不同，在确定学生的信息便可以确定该学生的考试制度，根据考试制度中的选科信息，确定必选科目和可选科目。
79.步骤s20，获取所述至少一个学科对应的影响因素，基于预设的学科预测模型和所述影响因素，确定每个学科的选科数值；
80.在本实施例中，获取至少一个学科对应的影响因素，其中，影响因素是指影响学生在可选科目中选科的因素，也即，不同学生在选科时的不同需求或参考因素，会选择不同的学科。在确定影响因素后，基于预设的学科预测模型和影响因素，确定每个学科的选科数值，其中，选科数值是指每个学科和目标学生之间的合适度数值，选科数值越高，表示该学科既适合目标学生，又可以使目标学生在赋分中取得好成绩。
81.需要说明的是，所述影响因素包括所述至少一个学科的学科绩点、学生的学习技能、所述学习技能与所述至少一个学科之间的适应度、学生的学习主动性、学科前景、报考院校与所述至少一个学科之间的关联度中至少一项。其中，学科绩点是指评估学习成绩的一种方法，通用的计算方法是(学科学分*学科分数)/总学科学分；学生的学习技能是指学生的思维方式、学习方式等信息，其中，思维方式包括主动思维、形象思维、抽象思维、创新思维等，知识接受程度包括理解力、知识接受度等。学习技能与所述至少一个学科之间的适应度是指目标学生所拥有的学习技能在可选科目中每一个学科的符合程度，由于不同的学科需要的学习技能不同，若是学生恰好具有符合某一学科的学习技能，则该学生对该学科的学习有较高的接受度和学习效率，由此，该学科既适合目标学生，又可以使目标学生在赋分中取得好成绩。可以理解，若目标学生的学习技能是抽象思维、主动性较高，该学习技能
与理工科(如物理)之间的适应度最高，则目标学生选择物理属于最好的选择，当然，得到的学科结果只是为目标学生选科提供参考，不做具体限定。针对学科前景、报考院校与所述至少一个学科之间的关联度的具体实施方式基本相同，在此不再赘述。
82.进一步地，获取所述至少一个学科对应的影响因素，基于预设的学科预测模型和所述影响因素，确定每个学科的选科数值，包括以下步骤s21-s23：
83.步骤s21，获取所述至少一个学科对应的影响因素和所述影响因素的相关数据；
84.步骤s22，对所述影响因素和所述相关数据进行归一化处理，得到每个影响因素的影响权重；
85.步骤s23，基于预设的学科预测模型、所述影响因素和所述影响权重，确定每个学科的选科数值。
86.在本实施例中，获取至少一个学科对应的影响因素和影响因素的相关数据，其中，相关数据是指影响因素的数值。由于各影响因素对应的计量单位是不同的，相互之间难于比较，由此影响因素的相关数据没有可比性，难于分析影响因素对选科的影响权重。因此，为了后面数据处理的方便，提高学科的准确性，需要对数据归一化处理，数据归一化处理是指将数据按比例缩放，去除数据的单位限制，将其转化为无量纲的纯数值，使之落入一个小的特定区间，便于不同单位或量级的指标能够进行比较和加权。例如，将数据归一化到一个小的特定区间，区间可以是[a-b]范围，则归一化的处理方法是，找到一个学科的各个影响因素的相关数据，形成数据组x，取数据组x中的最小值min及最大值max；根据公式如下公式计算系数：
[0087]
k＝(b-a)/(max-min)；
[0088]
根据计算系数得到归一化到[a-b]区间的数据y，
[0089]
y＝a k(x-min)或者y＝b k(x-max)。
[0090]
本发明可以将学科的影响因素的相关数据归一化处理得到的数据统一映射到[0-1]区间上，得到影响数据，基于交互信息数理论，分析影响数据的权重，以确定每个影响因素的影响权重。
[0091]
基于预设的学科预测模型、影响因素和影响权重，预测每个学科的选科数值，其中，学科预测模型是指一种神经网络，神经网络是一种类似于人脑神经细胞突触结构的信息处理数学模型，本发明基于dnn(deep neural network，深度神经网络)展开，充分的利用神经网络的优势，在搭建的网络中含有多个隐藏层，每个隐藏层通过不同神经网络区分，通过网络计算学科的影响因素的相关数据，对数据进行数学计算、变换，得到选科数值。
[0092]
进一步地，基于预设的学科预测模型、所述影响因素和所述影响权重，确定每个学科的选科数值，包括以下步骤s231-s233：
[0093]
步骤s231，获取所述学科预测模型；
[0094]
步骤s232，根据所述影响因素和所述影响权重，生成数据矩阵；
[0095]
步骤s233，将所述数据矩阵输入至所述学科预测模型中，得到每个学科的所述选科数值。
[0096]
在本实施例中，基于学科预测模型、影响因素和影响权重，确定每个学科的选科数值的过程中，根据影响因素的相关数据和影响权重，生成数据矩阵，将数据矩阵输入至学科预测模型中，计算得到每个学科的选科数值。
[0097]
步骤s30，根据数值由大至小的顺序，从至少一个选科数值中选取预设数目的选科数值，确定选取的所述选科数值对应的学科，得到自选科目；
[0098]
在本实施例中，根据数值由大至小的顺序，从至少一个选科数值中选取预设数目的选科数值，其中，预设数目是指根据地区考试制度中的可选科目需要选择的数目，不同的地区的可选科目和需选择的数目也是不同，根据地区考试制度或教学管理设定。由于选科数值越大，表示该学科与目标学生的匹配度越高，则该学科较为适合该目标学生学习，因此，从多个学科数值中选择数值预设数目的选科数值，获取所选取的选科数值对应的学科，得到自选科目。
[0099]
需要说明的是，根据选科数值得到的预设数目的学科，虽然是经过学科预测模型综合预测的，最适合目标学生的学科，但是，预设数目的学科只是为学生选择学科提供参考，目标学生可根据各学科的选科数值，自主选择学科，得到自选科目。
[0100]
步骤s40，基于所述必选科目和所述自选科目，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考。
[0101]
在本实施例中，基于必选科目和自选科目，生成教学管理报告，其中，教学管理报告是对教学计划管理、教学运行管理、教学质量管理与评价等的分析报告，学生的自选科目是教学计划管理中的重要因素，根据学生的自选科目以及自选科目的数量等信息，制定或生成较为合理的教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考。
[0102]
进一步地，基于所述必选科目和所述自选科目，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考，包括以下步骤s41-s42：
[0103]
步骤s41，基于所述必选科目和所述自选科目，确定个人学习计划；
[0104]
步骤s42，根据至少一个学生的个人学习计划，确定教学计划，结合所述教学计划和所述教学目标，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考。
[0105]
在本实施例中，基于目标学生的必选科目和自选科目，确定目标学生的个人学习计划，由于同校同学习阶段的目标同学有多个，因此，根据多个学生的个人学习计划，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考，以提高教学管理效率。
[0106]
进一步地，根据至少一个学生的个人学习计划，确定教学计划，结合所述教学计划和所述教学目标，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考之后，包括以下步骤s43-s44：
[0107]
步骤s43，在满足预设条件时，获取基于所述教学管理报告进行教学管理的教学成果；
[0108]
步骤s44，若所述教学成果不满足所述教学目标时，则根据所述教学成果对所述教学管理进行调整优化。
[0109]
在本实施例中，若学校管理者基于教学管理报告进行教学管理，则在满足预设条件下，获取基于教学管理报告进行教学管理的教学成果，其中，教学成果包括教学质量、教学氛围、教学奖励情况等，若教学成果满足在制定教学管理报告时的教学目标时，则表示该教学管理行之有效；反之，若教学成果不满足教学目标时，则根据教学成果对所述教学管理进行调整优化，可以理解，在教学成果不满足教学目标时，对教学管理中的教学安排、教学
时间、教学方式等进行调整优化，以提高教学质量。
[0110]
在本实施例中，获取选科中的必选科目和可选科目，其中，可选科目包括至少一个学科；获取所述至少一个学科对应的影响因素，基于预设的学科预测模型和所述影响因素，确定每个学科的选科数值；根据数值由大至小的顺序，从至少一个选科数值中选取预设数目的选科数值，确定选取的所述选科数值对应的学科，得到自选科目；基于所述必选科目和所述自选科目，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考；也即，通过学科的影响因素和学科预测模型，预测每个学科的选科数值，选科数值越大，则该学科与目标学生之间的适应度越高，为目标学生选科提供合理性和准确性的参考，确定自选科目，同时，根据学生的自选科目，生成教学管理报告，为管理者教学管理提供参考，以提高教学管理效率。
[0111]
参照图3，本发明基于ai的教学管理方法第一实施例提供一种基于ai的教学管理装置，基于上述图3所示的实施例，所述基于ai的教学管理装置包括：
[0112]
第一获取模块10，获取选科中的必选科目和可选科目，其中，可选科目包括至少一个学科；
[0113]
第二获取模块20，获取所述至少一个学科对应的影响因素，基于预设的学科预测模型和所述影响因素，确定每个学科的选科数值；
[0114]
确定模块30，根据数值由大至小的顺序，从至少一个选科数值中选取预设数目的选科数值，确定选取的所述选科数值对应的学科，得到自选科目；
[0115]
生成模块40，基于所述必选科目和所述自选科目，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提供参考。
[0116]
可选的，所述第一获取模块10包括：
[0117]
第一获取子模块，获取目标学生的学生信息，所述学生信息中包括地区信息；
[0118]
第二获取子模块，根据所述地区信息，获取所述地区信息的必选科目和可选科目。
[0119]
可选的，所述第二获取模块20包括：
[0120]
第三获取子模块，获取所述至少一个学科对应的影响因素和所述影响因素的相关数据；
[0121]
数据处理子模块，对所述影响因素和所述相关数据进行归一化处理，得到每个影响因素的影响权重；
[0122]
预测子模块，基于预设的学科预测模型、所述影响因素和所述影响权重，确定每个学科的选科数值。
[0123]
可选的，所述预测子模块包括：
[0124]
获取子单元，获取所述学科预测模型；
[0125]
生成子单元，根据所述影响因素和所述影响权重，生成数据矩阵；
[0126]
预测子单元，将所述数据矩阵输入至所述学科预测模型中，得到每个学科的所述选科数值。
[0127]
可选的，所述生成模块40包括：
[0128]
确定子模块，基于所述必选科目和所述自选科目，确定个人学习计划；
[0129]
生成子模块，根据至少一个学生的个人学习计划，确定教学计划，结合所述教学计划和所述教学目标，生成教学管理报告，以供管理者和学生查看，为所述管理者教学管理提
供参考。
[0130]
可选的，所述基于ai的教学管理装置还包括：
[0131]
第三获取模块，在满足预设条件时，获取基于所述教学管理报告进行教学管理的教学成果；
[0132]
优化模块，若所述教学成果不满足所述教学目标时，则根据所述教学成果对所述教学管理进行调整优化。
[0133]
此外，本技术还提供基于ai的教学管理设备。如图1所示，图1是本技术实施例方案涉及的硬件运行环境的结构示意图。
[0134]
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于ai的教学管理程序，所述基于ai的教学管理程序被处理器执行时实现如上所述的基于ai的教学管理方法的步骤。
[0135]
本技术计算机可读存储介质具体实施方式与上述基于ai的教学管理方法各实施例基本相同，在此不再赘述。
[0136]
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0137]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0138]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0139]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。