基于Prophet-BIGRU的燃气日负荷预测方法与流程

基于prophet-bigru的燃气日负荷预测方法
技术领域
1.本发明涉及利用机器学习技术进行燃气负荷预测的技术领域，具体涉及 基于prophet-bigru的燃气日负荷预测方法。


背景技术：

2.随着我国社会经济的不断发展，城市燃气的需求和建设力度不断增加， 保障城市燃气供应成为了一项重大课题。科学、准确的预测燃气负荷成为城 市燃气运营公司面临的一项重要任务，特别是在城市燃气运营公司与上游签 订“照付不议”合同的前提下，准确的负荷预测技术就显得极其重要。城市 燃气负荷受多种因素共同影响，包括气候条件、人口规模、季节变化、节假 日、经济状况和突发事件等。随着近些年计算机科学技术的迅猛发展，人工 智能逐渐和负荷预测领域相结合，燃气负荷预测的算法结构更加复杂，出现 了更加先进的智能算法模型，对人工智能模型进行优化的组合预测模型凭借 其更高的预测精度和稳定性成为了研究的重点。prophet是一种时间序列预测 模型，整合了建模和评估两大模块，能出色地适应数据的变化趋势和节日效 应，且相较于传统的滑动预测模型，prophet模型的参数较为直观易懂，并且 可以对数据中的异常值及缺失值进行处理，具有很强的鲁棒性，但prophet 模型在学习长期历史数据中的隐藏特征方面存在不足，因此单一的prophet 模型会导致预测结果不稳定。递归神经网络(rnn)被提出用于处理时间序 列，但它很难记住长期信息，并且，当时间间隔较长时，会发生梯度消失和 爆炸；门控循环单元(gated recurrent unit,gru)神经网络有效地解决了这 一问题，gru网络使用更新门和重置门来有效地探索时间序列并提高预测精 度，在学习和挖掘长期历史数据中的隐藏非线性和非周期性等特征有独特的 优势，但gru网络只能从单个方向学习时间序列特征，即只能依靠过去时 间的特征数据进行预测，导致对时序数据的学习不够充分，预测结果不稳定。


技术实现要素：

3.根据本发明的实施例，提供了一种基于prophet-bigru的燃气日负荷预 测方案。
4.在本发明的第一方面，提供了一种基于prophet-bigru的燃气日负荷预 测方法。该方法包括：
5.获取燃气日负荷历史特征数据；
6.对所述燃气日负荷历史特征数据中的缺失值、异常值和噪声值进行预处 理，对处理后的结果进行标准化处理；
7.利用prophet算法构建燃气日负荷预测模型，对次日负荷进行预测，得 到第一预测结果；
8.结合燃气日负荷历史特征数据中的非时序特征进行相关性分析和特征 筛选，构建bigru网络模型，对次日负荷进行预测，得到第二预测结果；
9.对所述第一预测结果和第二预测结果进行线性重组，得到负荷预测结果。
10.进一步地，所述燃气日负荷历史特征数据包括时序特征数据和非时序特 征数据；其中，时序特征数据为日负荷量数据；非时序特征数据为负荷日的 最高温度、最低温度、日期类型、相似日负荷。
11.进一步地，所述对所述燃气日负荷历史特征数据中的缺失值、异常值和 噪声值进行预处理，对处理后的结果进行标准化处理，包括：
12.删除日负荷历史特征数据中的缺失值、数值小于0的异常值和负荷量突 变的噪声值；
13.利用min-max方法对所述日负荷历史特征数据中的时序特征数据以及 所述非时序特征数据中的最高温度、最低温度和相似日负荷进行归一化处理；
14.对所述非时序特征数据中的日期类型进行独热编码。
15.进一步地，所述prophet模型为：
16.y(t)＝g(t) s(t) h(t) ε
t
17.其中，g(t)为趋势项，表示时间序列上的非周期变化；
[0018][0019][0020]
式中，c(t)表示增长的饱和值；k为增长率；m为偏置参数；α(t)是指标 函数的向量；sj为第j个突变点时间位置；δ是突变点处增长率的变化值；γ为 sj处的平滑处理偏置量；α(t)
t
是α(t)的转置向量；
[0021]
s(t)为周期项，反映负荷序列的季节性变化趋势；
[0022][0023]
式中，t为周期长度；2n是周期个数；n是傅里叶变换的阶数；an、bn是 平滑参数；
[0024]
h(t)为节假日项，表示节假日前后一段时间影响的燃气负荷；节假日项 模型可表示为：
[0025]
h(t)＝z(t)κ
[0026]
z(t)＝[1(t∈d1)，1(t∈d2)，
…
1(t∈d
l
)]
[0027]
κ∈normal(0，θ2)
[0028]
式中，di为第i个节假日影响时间长度，i＝1，2，
…
，l；κ为节假日设定参数； θ为节假日影响力；
[0029]
ε
t
为误差项，表示随机波动。
[0030]
进一步地，所述燃气日负荷历史特征数据中的非时序特征进行相关性分 析和特征筛选，包括：
[0031]
对非时序特征数据进行相关性分析，筛选出皮尔逊相关系数大于阈值的 特征；其中，非时序特征数据表示为：
[0032]
xn＝{t
max
，t
min
，wn，q
n-1
，q
n-2
，q
n-3
，q
n-7
}
[0033]
其中，t
max
为预测第n日的最高温度，t
min
为预测第n日的最低温度，wn为 预测第n日
的日期类型；q
n-1
为预测第(n-1)日负荷量，q
n-2
为预测第(n-2) 日负荷量，q
n-3
为预测第(n-3)日负荷量，q
n-7
为预测第(n-7)日负荷量；
[0034]
皮尔逊相关系数表示为：
[0035][0036]
其中，p
x，y
为皮尔逊相关系数；x为历史数据中的非时序特征数据，包括xn中包含的特征；y为历史数据中的日负荷量序列；e(.)表示期望。
[0037]
进一步地，所述bigru网络模型，包含正向和反向两个gru网络结构， gru网络包括：
[0038]zt
＝σ(wz·
[h
t-1
，x
t
])
[0039]rt
＝σ(wr·
[h
t-1
，x
t
])
[0040][0041][0042]
式中，x
t
为gru网络模型的输入，z
t
为更新门，r
t
为重置门，h
t
为隐藏 层输出，包含过往状态h
t-1
和当前输入x
t
的候选记忆。
[0043]
进一步地，所述对所述第一预测结果和第二预测结果进行线性重组，得 到负荷预测结果，包括：
[0044]
赋予所述第一预测结果和第二预测结果相应权重，设所述第一预测结果 的权重为α，所述第二预测结果的权重为β；
[0045]
使用最小二乘法求取最优权重值：
[0046][0047]
式中，p
t-i
为prophet模型第(t-i)天的预测值，g
t-i
为bigru模型第 (t-i)天的预测值，y
t-i
为第(t-i)天的真实负荷值，n为历史天数；
[0048]
对f(α，β)取极小值，则可得下列方程组：
[0049][0050]
求取方程组的解，即可获取α、β的最优权重值；
[0051]
最终，通过加权求和得到负荷预测结果：y＝αp(t) βg(t)。
[0052]
在本发明的第二方面，提供了一种基于prophet-bigru的燃气日负荷预 测装置。该装置包括：
[0053]
获取模块，用于获取燃气日负荷历史特征数据；
[0054]
预处理模块，用于对所述燃气日负荷历史特征数据中的缺失值、异常值 和噪声值进行预处理，对处理后的结果进行标准化处理；
[0055]
第一预测模块，用于利用prophet算法构建燃气日负荷预测模型，对次 日负荷进行预测，得到第一预测结果；
[0056]
第二预测模块，用于结合燃气日负荷历史特征数据中的非时序特征进行 相关性分析和特征筛选，构建bigru网络模型，对次日负荷进行预测，得 到第二预测结果；
[0057]
重组模块，用于对所述第一预测结果和第二预测结果进行线性重组，得 到负荷预测结果。
[0058]
在本发明的第三方面，提供了一种电子设备。该电子设备至少一个处理 器；以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被 所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以 使所述至少一个处理器能够执行本发明第一方面的方法。
[0059]
在本发明的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读 存储介质，所述计算机指令用于使所述计算机执行本发明第一方面的方法。
[0060]
本发明实施例具有以下有益效果：
[0061]
本发明实施例能够准确预测燃气日负荷，从而提高燃气公司的运营效率， 降低采购成本。
附图说明
[0062]
结合附图并参考以下详细说明，以便更清楚地说明本发明实施例的技术 方案，其中：
[0063]
图1示出了根据本发明的实施例的基于prophet-bigru的燃气日负荷预 测方法的流程图；
[0064]
图2示出了根据本发明的实施例的prophet模型预测流程示意图；
[0065]
图3示出了根据本发明的实施例的单向gru网络原理示意图；
[0066]
图4示出了本发明的实施例的基于prophet-bigru的燃气日负荷预测装 置的方框图；
[0067]
图5示出了能够实施本发明的实施例的示例性电子设备的方框图；
[0068]
其中，400为装置、410为获取模块、420为预处理模块、430为第一预 测模块、440为第二预测模块、450为重组模块、500为电子设备、501为计 算单元、502为rom、503为ram、504为总线、505为i/o接口、506为 输入单元、507为输出单元、508为存储单元、509为通信单元。
具体实施方式
[0069]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发 明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。 显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获 得的全部其他实施例，都属于本发明保护的范围。
[0070]
本发明中，以某市燃气日负荷历史数据为例，收集了2019-2021年共36 个月的燃气日负荷历史数据，采用前34个月的数据为训练集，最后2个月为 测试集进行分析和仿真实验。
[0071]
本发明实施例提供的一种基于prophet-bigru的燃气日负荷预测方法， 如图1所
示，方法包括以下步骤：
[0072]
s101、获取燃气日负荷历史特征数据。所述燃气日负荷历史特征数据包 括时序特征数据和非时序特征数据。
[0073]
具体的，时序特征数据为日负荷总量数据；非时序特征数据为负荷日的 最高温度、最低温度、日期类型(节假日、工作/休息日)、相似日(负荷第 n日，则相似日为第n-1日、第n-2日、第n-3日、星期相似日第n-7日)负 荷。
[0074]
s102、对所述日负荷历史特征数据中的缺失值、异常值和噪声值进行预 处理，然后进行标准化处理。
[0075]
具体的，对日负荷历史特征数据集中的缺失值、数值小于0的异常值和 负荷量突变的噪声值剔除；对日负荷历史特征数据中的时序特征数据(日负 荷量)使用min-max归一化方法进行处理。
[0076]
对非时序特征数据中的最高温度、最低温度和相似日负荷数据使用 min-max归一化方法处理。
[0077]
对非时序特征数据中的日期类型数据进行独热编码。
[0078]
s103、利用prophet算法构建燃气日负荷预测模型，对次日负荷进行预 测，得到第一预测结果。
[0079]
在本实施例中，针对燃气日负荷的增长趋势、季节变化、节假日影响等 因素，构建prophet模型建模并评估，如图2所示，预测第一预测结果，即 次日负荷结果p(t)。
[0080]
具体的，prophet模型将燃气日负荷序列分解为四个部分，分解函数公式 表示为：y(t)＝g(t) s(t) h(t) ε
t
，其中：
[0081]
g(t)是燃气日负荷序列增长趋势，表示日负荷的非周期变化，本发明中 使用分段逻辑回归增长模型拟合日负荷序列中的增长趋势，在日负荷序列中 加入s个突变点，突变点时间位置为sj(1≤j≤s)，负荷序列在每一段的趋 势会随突变点时间位置改变，基本形式为：
[0082][0083][0084]
式中，c(t)表示增长的饱和值；k为增长率；m为偏置参数；α(t)是指标 函数的向量；sj为第j个突变点时间位置；δ是突变点处增长率的变化值；γ为 sj处的平滑处理偏置量；α(t)
t
是α(t)的转置向量。
[0085]
s(t)是燃气日负荷周期变化项，反映燃气日负荷序列的周、月、年等季 节性变化趋势，基于傅里叶级数构造周期项模型，具体形式为：
[0086][0087]
式中，t为周期长度；2n是周期个数；n是傅里叶变换的阶数；an、bn是 平滑参数。
[0088]
h(t)是燃气日负荷的节假日趋势模型，燃气负荷往往受节假日因素影响， 且每个节假日的影响程度不同，因此，不同类型节假日可看成相互独立的模 型，并且可设置不同
的前后窗口值，表示该节假日会影响前后一段时间的燃 气负荷；节假日项模型可表示为：
[0089]
h(t)＝z(t)κ
[0090]
z(t)＝[1(t∈d1)，1(t∈d2)，
…
1(t∈d
l
)]
[0091]
κ∈normal(0，θ2)
[0092]
式中，di为第i个节假日影响时间长度，i＝1，2，
…
，l；κ为节假日设定参数； θ为节假日影响力，其值越大则该节假日影响越大。
[0093]
ε
t
为误差项，表示随机波动，一般认为其服从高斯分布。
[0094]
使用燃气日负荷训练集数据进行模型训练，测试集数据进行模型评估， 并对测试结果的参数调整，确定最终模型的趋势项g(t)、周期项s(t)、节假日 项h(t)和误差项ε
t
，以此来进行燃气日负荷序列变化的分析和预测。
[0095]
s104、结合燃气日负荷历史特征数据中的非时序特征进行相关性分析和 特征筛选，构建bigru网络模型，对次日负荷进行预测，得到第二预测结 果。
[0096]
在本实施例中，结合历史负荷、外部温度、日期类型、相似日负荷等非 时序特征，进行相关性分析和特征筛选，构建bigru网络模型，学习历史 负荷序列中的隐藏关系，对次日负荷进行预测，获取预测结果g(t)。
[0097]
双向门控循环单元(bigru)神经网络是由正向和反向两个gru神经 网络构成，能获取某一时刻前、后两个方向的数据信息并加以利用，使预测 值更加接近真实值。
[0098]
选取的燃气日负荷序列非时序特征集为：
[0099]
xn＝{t
max
，t
min
，wn，q
n-1
，q
n-2
，q
n-3
，q
n-7
}
[0100]
其中，t
max
为预测第n日的最高温度，t
min
为预测第n日的最低温度，wn为 预测第n日的日期类型；q
n-1
为预测第n-1日负荷量，q
n-2
为预测第n-2日负 荷量，q
n-3
为预测第n-3日负荷量，q
n-7
为预测第n-7日负荷量。
[0101]
对非时序特征数据进行相关性分析，筛选出皮尔逊相关系数大于阈值的 特征，皮尔逊相关系数表示为：
[0102][0103]
其中，p
x，y
为皮尔逊相关系数；x为历史数据中的非时序特征数据，包括xn中包含的特征；y为历史数据中的日负荷量序列；e(.)表示期望。
[0104][0105]
表1
[0106]
日负荷序列data的皮尔逊相关系数分析结果如表1所示，相关系数p
x，y
的 取值范围在[-1， 1]之间，越接近0相关性越弱，接近1或者-1相关性越强， 本方法中选取和日负荷序列data的相关性绝对值大于0.3的特征作为bigru 网络模型的输入特征。
[0107]
构建的bigru网络包含正向和反向两个gru网络结构，gru网络模 型包含更新门和重置门，如图3所示，学习和挖掘长期历史数据中的隐藏非 线性和非周期性等特征，gru网络模型相关计算公式如下：
[0108]zt
＝σ(wz·
[h
t-1
，x
t
])
[0109]rt
＝σ(wr·
[h
t-1
，x
t
])
[0110][0111][0112]
式中，z
t
为更新门，r
t
为重置门，h
t
为隐藏层输出，包含了x
t
和有针对 性地对(t-i)时刻的隐藏层状态h
t-1
的保留。
[0113]
bigru网络模型使用正向和反向两个gru网络结构对输入特征进行学 习，得到双向的输出特征，解决了gru网络只能单向学习的问题，与gru 模型相比提高了预测精度。
[0114]
s105、对所述第一预测结果和第二预测结果进行线性重组，得到负荷预 测结果。
[0115]
在本实施例中，对prophet模型和bigru模型的预测结果p(t)和g(t)进 行线性重组，分别赋予相应权重，设p(t)的权重为α，g(t)的权重为β，则加 权求和后最终的预测结果表示为：αp(t) βg(t)。
[0116]
使用最小二乘法求取最优的权重值，使模型的预测值与真实负荷值最接 近，则使下式取极小值：
[0117][0118]
式中，α、β为权重，p
t-i
为prophet模型第(t-i)天的预测值，g
t-i
为 bigru模型第(t-i)天的预测值，y
t-i
为第(t-i)天的真实负荷值，n为 历史天数；
[0119]
对f(α，β)取极小值，则可得下列方程组：
[0120][0121]
求取方程组的解，即可获取α、β的最优权重值，然后获取最终负荷预测 结果：y＝αp(t) βg(t)。
[0122]
通过本发明的实施例，弥补了单一模型对燃气日负荷预测结果不稳定的缺 点，分别使用prophet和bigru两种模型建模，prophet模型考虑负荷序列的周 期性、节假日特征和变化趋势，bigru网络模型使用正向和反向两个gru网 络学习负荷序列长期历史数据的特征，最后用最小二乘法赋予权重；能够准确 预测燃气日负荷，从而提高燃气公司的运营效率，降低采购成本。
[0123]
为验证本发明的实施例中预测模型的有效性，将本发明实施例提出的模 型与其他2种模型进行对比。
[0124]
为了评估预测模型的性能，选取均方根误差(rmse)，平均绝对误差 (mae)和平均绝对百分比误差(mape)来对模型的性能进行评价。评价 指标计算公式如下：
[0125][0126][0127][0128]
其中n表示样本点的数量，zw和分别表示实际负荷值和对应模型预测值。
[0129]
表2模型性能指标评价结果
[0130][0131]
根据仿真结果，表2列出了各模型的评价指标，可以看出单一模型gru、 bigru和prophet相较组合模型prophet-bigru，预测结果不稳定，偏差较 大；而双向的bigru模型相较单向gru模型，预测精度提高；prophet-bigru 组合模型，融合了bigru和prophet两个模型的优势，来减少预测误差，提 升了模型预测精度，取得了较好的预测效果。
[0132]
根据本发明的实施例，本发明实施例针对城市燃气负荷的特征进行分析， 提供了一种基于prophet-bigru的燃气日负荷预测方法。城市燃气负荷受气 候条件、人口规模、季节变化、节假日、经济状况和突发事件等多种因素影 响，随城市发展具有一定的增长趋势，且随季节变化具有一定周期性，同时 也具有非平稳、非线性的特点。prophet是一种时间序列预测模型，整合了建 模和评估两大模块，对于数据的趋势、周期和节假日变化有出色的表现。 bigru网络使用正向和反向两个gru网络来有效地探索时间序列并提高预 测精度，在学习和挖掘长期历史数据中的隐藏非线性和非周期性等特征有独 特的优势。本发明提出使用prophet-bigru组合模型，融合两个模型的优势， 来减少预测误差。根据本发明实施例提供的技术方案，采用该组合模型对燃 气日负荷进行预测，可以取得较高的准确率。
[0133]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表 述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描 述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同 时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属 于可选实施例，所涉及的动作和模块并不一定是本
发明所必须的。
[0134]
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方 案进行进一步说明。
[0135]
如图4所示，装置400包括：
[0136]
获取模块410，用于获取燃气日负荷历史特征数据；
[0137]
预处理模块420，用于对所述燃气日负荷历史特征数据中的缺失值、异 常值和噪声值进行预处理，对处理后的结果进行标准化处理；
[0138]
第一预测模块430，用于利用prophet算法构建燃气日负荷预测模型，对 次日负荷进行预测，得到第一预测结果；
[0139]
第二预测模块440，用于结合燃气日负荷历史特征数据中的非时序特征 进行相关性分析和特征筛选，构建bigru网络模型，对次日负荷进行预测， 得到第二预测结果；
[0140]
重组模块450，用于对所述第一预测结果和第二预测结果进行线性重组， 得到负荷预测结果。
[0141]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描 述的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。
[0142]
本发明的技术方案中，所涉及的用户个人信息的获取，存储和应用等， 均符合相关法律法规的规定，且不违背公序良俗。
[0143]
根据本发明的实施例，本发明还提供了一种电子设备和一种可读存储介 质。
[0144]
图5示出了可以用来实施本发明的实施例的电子设备500的示意性框图。 电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算 机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它 适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字 处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示 的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限 制本文中描述的和/或者要求的本发明的实现。
[0145]
设备500包括计算单元501，其可以根据存储在只读存储器(rom)502 中的计算机程序或者从存储单元508加载到随机访问存储器(ram)503中 的计算机程序，来执行各种适当的动作和处理。在ram 503中，还可存储设 备500操作所需的各种程序和数据。计算单元501、rom 502以及ram 503 通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
[0146]
设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如 键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元 508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线 通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/ 或各种电信网络与其他设备交换信息/数据。
[0147]
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。 计算单元501的一些示例包括但不限于中央处理单元(cpu)、图形处理单元 (gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算 法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、 微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方法 s101～s105。例如，在一些实施例中，方法s101～s105可被实现为计算机软件 程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中， 计算机程
序的部分或者全部可以经由rom 502和/或通信单元509而被载入和 /或安装到设备500上。当计算机程序加载到ram 503并由计算单元501执行 时，可以执行上文描述的方法s101～s105的一个或多个步骤。备选地，在其 他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固 件)而被配置为执行方法s101～s105。
[0148]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、 集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标 准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、 计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以 包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在 包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器 可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、 和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、 该至少一个输入装置、和该至少一个输出装置。
[0149]
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何 组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编 程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行 时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器 上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分 地在远程机器上执行或完全在远程机器或服务器上执行。
[0150]
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或 存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结 合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介 质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红 外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可 读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算 机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编 程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器 (cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0151]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术， 该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管) 或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者 轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它 种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是 任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且 可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户 的输入。
[0152]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如， 作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、 或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的 用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述 的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或 者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数 据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括： 局域网(lan)、广域网(wan)和互联网。
[0153]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并 且通常
通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客 户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是 云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0154]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删 除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也 可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文 在此不进行限制。
[0155]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人 员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子 组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进 等，均应包含在本发明保护范围之内。