驾驶行为数据处理方法、设备、存储介质及系统与流程

本申请涉及数据处理技术领域，尤其涉及一种驾驶行为数据处理方法、设备、存储介质及系统。

背景技术：

近年来，随着汽车保有量逐年增加，汽车的安全驾驶越来越重要。驾驶员的驾驶行为的好坏，直接影响交通事故的发生率。

目前，没有一种有效对驾驶员行为进行全面评估的方法。

技术实现要素：

本申请的多个方面提供一种驾驶行为数据处理方法、设备、存储介质及系统，对脑电波数据、车联网数据和车险承保理赔数据三类数据融合对驾驶员的驾驶状态进行预估，全面准确的掌握驾驶员的行为状态，使风险提示和安全管理更高效。

本申请实施例提供一种驾驶行为数据处理方法，适用于服务器，包括：

接收车辆中的车联网设备提供的在车辆行驶过程中采集到的车联网数据；

接收佩戴于驾驶员头上的脑电波采集设备发送的驾驶员的脑电波数据；

接收保险信息管理设备上传的车险承保理赔数据；

结合脑电波数据、车联网数据和车险承保理赔数据对驾驶员的驾驶状态进行预估，得到驾驶员当前的驾驶状态；

若驾驶员当前的驾驶状态处于危险驾驶状态，向驾驶员使用的报警提示设备发送第一提醒指令，以供所述报警提示设备向所述驾驶员发出警示信息。

本申请实施例还提供一种驾驶行为监控系统，包括：处于车辆中的车联网设备和报警提示设备、佩戴在驾驶员头部的脑电波采集设备，以及保险信息管理设备和服务器；

车联网设备，用于在所述车辆行驶过程中采集所述车辆的行驶过程中的车联网数据，并提供给服务器；

脑电波采集设备，用于采集驾驶员在驾驶过程中的脑电波数据，并提供给服务器；

保险信息管理设备中存储有驾驶员的车险承保理赔数据，用于为所述服务器提供所述驾驶员的车险承保理赔数据；

所述服务器，用于接收车联网数据、脑电波数据以及车险承保理赔数据，结合脑电波数据、车联网数据和车险承保理赔数据对驾驶员的驾驶状态进行预估，得到驾驶员当前的驾驶状态；

若驾驶员当前的驾驶状态处于危险驾驶状态，向驾驶员使用的报警提示设备发送第一提醒指令，以供所述报警提示设备向所述驾驶员发出警示信息。

本申请实施例还提供一种服务器，包括：存储器、处理器以及通信组件；

所述存储器，用于存储计算机程序；

所述通信组件，用于数据通信；

所述处理器，用于执行所述计算机程序，以用于：

通过通信组件接收车辆中的车联网设备提供的在车辆行驶过程中采集到的车联网数据；

通过通信组件接收佩戴于驾驶员头上的脑电波采集设备发送的驾驶员的脑电波数据；

通过通信组件接收保险信息管理设备上传的车险承保理赔数据；

结合脑电波数据、车联网数据和车险承保理赔数据对驾驶员的驾驶状态进行预估，得到驾驶员当前的驾驶状态；

若驾驶员当前的驾驶状态处于危险驾驶状态，通过通信组件向驾驶员使用的报警提示设备发送第一提醒指令，以供所述报警提示设备向所述驾驶员发出警示信息。

本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器执行包括以下的动作：

接收车辆中的车联网设备提供的在车辆行驶过程中采集到的车联网数据；

接收佩戴于驾驶员头上的脑电波采集设备发送的驾驶员的脑电波数据；

接收保险信息管理设备上传的车险承保理赔数据；

结合脑电波数据、车联网数据和车险承保理赔数据对驾驶员的驾驶状态进行预估，得到驾驶员当前的驾驶状态；

若驾驶员当前的驾驶状态处于危险驾驶状态，向驾驶员使用的报警提示设备发送第一提醒指令，以供所述报警提示设备向所述驾驶员发出警示信息。

在本申请一些示例性实施例中，服务器分别结接收车辆中的车联网设备提供的在车辆行驶过程中采集到的车联网数据、佩戴于驾驶员头上的脑电波采集设备发送的驾驶员的脑电波数据以及保险信息管理设备上传的车险承保理赔数据；结合这三种司机过程中的数据对驾驶员的驾驶状态进行预估，得到驾驶员当前的驾驶状态；若驾驶员当前的驾驶状态处于危险驾驶状态，则服务器向驾驶员使用的报警提示设备发送第一提醒指令，报警提示设备向驾驶员发出警示信息，全面准确的掌握驾驶员的行为状态，使风险提示和安全管理更高效。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请一示例性实施例提供的驾驶行为监控系统的结构示意图；

图2为本申请一示例性实施例提供的一种驾驶行为数据处理方法的方法流程图；

图3为本申请一示例性实施例提供的一种更加详细的驾驶行为数据处理方法的方法流程图；

图4为本申请一示例性实施例提供的一种服务器的结构框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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所有其他实施例，都属于本申请保护的范围。

针对目前没有一种有效对驾驶员行为进行评估的方法，在本申请一些示例性实施例中，服务器分别结接收车辆中的车联网设备提供的在车辆行驶过程中采集到的车联网数据、佩戴于驾驶员头上的脑电波采集设备发送的驾驶员的脑电波数据以及保险信息管理设备上传的车险承保理赔数据；结合这三种司机过程中的数据对驾驶员的驾驶状态进行预估，得到驾驶员当前的驾驶状态；若驾驶员当前的驾驶状态处于危险驾驶状态，则服务器向驾驶员使用的报警提示设备发送第一提醒指令，报警提示设备向驾驶员发出警示信息，全面准确的掌握驾驶员的行为状态，使风险提示和安全管理更高效。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本申请示例性实施例提供的一种驾驶行为监控系统10的结构示意图。如图1所示，该驾驶行为监控系统包括：处于车辆中的车联网设备10a和报警提示设备10b、佩戴在驾驶员头部的脑电波采集设备10c，以及保险信息管理设备10d和服务器10e；

在本实施例中，服务器10e可与报警提示设备10b、保险信息管理设备10d等报警提示设备连接，主要为报警提示设备提供数据支持、计算服务以及一些管理服务。在本实施例中，并不限定服务器10e的实现形态，例如服务器10e可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中，服务器10e设备的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类型。

在本实施例中，车联网设备10a，是指通过在车辆仪表台安装车载报警提示设备，实现对车辆所有工作情况和静、动态信息的采集、存储并发送，包括实时gps原始数据采集及基于gps(或三轴向加速度传感器)计算衍生变量的驾驶行为数据。

在本实施例中，报警提示设备10b是指供用户使用的，具有用户所需的计算、上网、通信等功能的计算机设备，其实现形式可以有多种，例如可以是智能手机、个人电脑、穿戴设备、平板电脑等。

在本实施例中，脑电波采集设备10c，可以为脑电波耳机、智能帽子等。

在本实施例中，保险信息管理设备10d为用于存储驾驶员的车险承保理赔数据，具有用户所需的计算、上网、通信等功能的计算机设备，其实现形式可以有多种，例如可以是智能手机、个人电脑、穿戴设备、平板电脑以及服务器等。

其中，车联网设备10a、报警提示设备10b、保险信息管理设备10d、脑电波采集设备10c可以通过与服务器10e建立通信连接。或者，车联网设备10a、报警提示设备10b、保险信息管理设备10d、脑电波采集设备10c也可以通过移动网络与服务器10b建立通信连接。其中，移动网络的网络制式可以为2g(gsm)、2.5g(gprs)、3g(wcdma、td-scdma、cdma2000、utms)、4g(lte)、4g+(lte+)、wimax等中的任意一种。

在本实施例中，车联网设备10a、脑电波采集设备10c可与报警提示设备10b通信连接，将采集到的车联网数据以及脑电波数据先上传至报警提示设备10b，最后通过报警提示设备10b上传至服务器。在本实施例中，车联网设备10a、脑电波采集设备10c可与报警提示设备10b通信连接可以是无线或有线连接。例如，车联网设备10a、脑电波采集设备10c设有信号输出接口，报警提示设备10b设有相应的信号输入接口，通过usb线等数据传输线进行互联。或者，车联网设备10a、脑电波采集设备10c与报警提示设备10b内部设有适配的无线通信模块，例如蓝牙模块，wifi模块，网卡等，则报警提示设备10a与机器人10b可以通过无线通信模块实现无线连接。

在图1所示的驾驶行为监控系统10中，如图1所示，该驾驶行为监控系统的车联网设备10a用于在车辆行驶过程中采集车辆的行驶过程中的车联网数据，脑电波采集设备10c用于采集驾驶员在驾驶过程中的脑电波数据，以及保险信息管理设备10d中存储有驾驶员的车险承保理赔数据；车联网设备10a和脑电波采集设备10c将采集到的车联网数据以及脑电波数据先上传至报警提示设备10b，最后通过报警提示设备10b上传至服务器10e；保险信息管理设备10d的车险承保理赔数据上传至服务器10e；服务器10e结合脑电波数据、车联网数据和车险承保理赔数据对驾驶员的驾驶状态进行预估，得到驾驶员当前的驾驶状态；若驾驶员当前的驾驶状态处于危险驾驶状态，向驾驶员使用的报警提示设备10b发送第一提醒指令，以供报警提示设备10b向驾驶员发出警示信息。

下面结合图1所示的驾驶行为监控系统10，从服务器10e角度对上述示例性实施方式进行说明。

如图2所示，从服务器10e角度进行描述，本申请一示例性实施例给出的一种驾驶行为数据处理方法，包括以下步骤：

s211：接收车辆中的车联网设备提供的在车辆行驶过程中采集到的车联网数据；

s212：接收佩戴于驾驶员头上的脑电波采集设备发送的驾驶员的脑电波数据；

s213：接收保险信息管理设备上传的车险承保理赔数据；

s214：结合脑电波数据、车联网数据和车险承保理赔数据对驾驶员的驾驶状态进行预估，得到驾驶员当前的驾驶状态；

s215：若驾驶员当前的驾驶状态处于危险驾驶状态，向驾驶员使用的报警提示设备发送第一提醒指令，以供报警提示设备向驾驶员发出警示信息。

在本实施例中，服务器在接收到车联网数据、脑电波数据和车险承保理赔数据后，结合脑电波数据、车联网数据和车险承保理赔数据对驾驶员的驾驶状态进行预估，得到驾驶员当前的驾驶状态。可选地，结合脑电波数据、车联网数据和车险承保理赔数据对驾驶员的驾驶状态进行预估，得到驾驶员当前行程的行程风险值和危险驾驶行为规则；根据驾驶员当前行程的行程风险值和危险驾驶行为规则，确定驾驶员当前的驾驶状态为危险驾驶状态；若驾驶员当前行程的行程风险值大于等于预设的风险阈值，则确定驾驶员当前的驾驶状态为危险驾驶状态。

可选地，结合脑电波数据、车联网数据和车险承保理赔数据对驾驶员的驾驶状态进行预估，得到驾驶员当前行程的行程风险值。一种可选实施例为，对脑电波数据、车联网数据、车险承保理赔数据进行融合，生成融合后的驾驶行为数据；利用评分卡模型，结合融合后的驾驶行为数据对驾驶员的驾驶状态进行预估，得到驾驶员当前行程的行程风险值。

此外，在对脑电波数据、车联网数据、车险承保理赔数据进行融合之前，需要对脑电波数据、车联网数据、车险承保理赔数据进行预处理。

a，对脑电波数据进行预处理；

脑电波耳机采集的脑电波数据，对于不同数据指标分别进行预处理及指标计算(详见下附表1)。

(1)通过rawdata进行眨眼识别：利用滑窗和pearson相关方法识别眨眼信号，并计算每分钟的眨眼次数。

(2)通过rawdata计算近似熵和复杂度指标：由于原始信号中存在眨眼信号的影响，首先基于眨眼识别算法剔除眼电伪迹的影响，然后进行近似熵和复杂度计算。

(3)对eeg功率谱进行标准化：为保证不同驾驶者及不同驾驶行程之间的功率谱可比，每次采集前30s数据的平均值作为基线，对8个eeg功率谱指标进行标准化，如：

(4)在eeg功率谱基础上衍生一系列r值指标：r值由对不同波段功率谱或功率谱的线性组合的比值产生的，如：等，基于8个eeg功率谱可以衍生近百个r值，根据r值间的相关性及指标本身反映意义进行指标初步筛选及剔除。

(5)esense指数attention和mediation可直接应用，无须额外处理。下面附表1(表1中数据为神念科技的mindwavemobile脑电波耳机采集)：

b，对车联网数据进行预处理；

车联网设备采集的数据主要包括实时位置数据及事件类驾驶行为数据，数据采集、校验及事件定义标准参照中国保险学会发布的《机动车保险车联网数据采集规范》，此部分数据不是本发明的核心内容，不做详细阐述，只对流程中部分内容进行描述。

(1)经纬度数据加工：行程中的经纬度数据以固定频率采集上传(如1hz)，通过调用地图api接口数据可将实时的经纬度数据转换为行政区划、天气、道路类型数据，同时基于经纬度可计算速度指标。

(2)事件类数据加工：事件类数据只有在事件触发时才会采集上传，为保证与经纬度数据频率一致，通过汇总统计转换为对应经纬度数据时间窗内的各类事件发生次数。

c，对车险承保理赔数据进行预处理；

从车险理赔数据中提取静态数据指标，包括驾驶员相关信息(性别、年龄、驾龄、过去三年赔付率等)、车辆信息(车型、品牌车系、车龄、车价、使用性质等)。

在上述实施例中，对脑电波数据、车联网数据、车险承保理赔数据进行融合，生成融合后的驾驶行为数据。一种可选实施例为，对脑电波数据、车联网数据、车险承保理赔数据进行整合，形成标准序列数据；根据驾驶员id、行程id和预定规则，对标准序列数据进行变量衍生，得到衍生变量序列数据；对衍生变量序列数据中的衍生变量进行特征筛选，得到融合后的驾驶行为数据。下列以具体实施例作出说明：

(1)数据整合：将多模态数据进行数据按相同频率(当采集频率不同时，以固定频率最低的数据为准，其他数据进行统计汇总)整合并按时间戳对齐，形成标准的序列数据格式(下附表2，仅列部分字段作为示例)。

(2)指标衍生：以用户id+行程id为标识，根据预定规则，对标准的序列数据进行指标衍生，规则主要包括：连续变量：分段、差分(趋势衍生)、统计汇总(均值、方差、分位数、最大最小值、计数等)；分段变量：分段合并；变量组合：对不同变量进行交叉组合，衍生新变量(如高速路_雨天_attention_最大值、女性_近似熵_方差等)；

(3)特征筛选：对衍生的变量进行特征选择，减少特征的同时保留特征多样性。

可选地，对衍生变量序列数据中的衍生变量进行特征筛选，得到融合后的驾驶行为数据，一种可选实施例为，根据缺失率、方差及时间维度上的稳定性，对衍生变量进行特征筛选，得到第一候选衍生变量序列数据；根据衍生变量之间的关联度，从第一候选衍生变量序列数据中选择出第二候选衍生变量序列数据；从第二候选衍生变量序列数据中选择预测结果贡献度大于贡献阈值的衍生变量数据，作为融合后的驾驶行为数据。上述实施例仅仅为获取融合后的驾驶行为数据的一种实施例，上述实施例中的各步骤可以不分先后顺序进行特征筛选以获取融合后的驾驶行为数据。

在上述实施例中，根据衍生变量之间的关联度，从第一候选衍生变量序列数据中选择出第二候选衍生变量序列数据，包括但不限于下列两种实施例：

实施例一：行驶里程、时长和速度三个指标的选择：里程和时长正相关性很高，因此优先保留ubi定价更关心的里程、速度指标，舍弃行驶时长指标

实施例二：(eegpower相关指标的选择)：如pt、pal、pbl、pbh和pgm五个指标相关性较高，gamma通常反映了人的亢奋程度，因此单独保留，而为避免相关性影响的同时保留其他几个指标的信息，用组合r值形式代替，最后选取pgm、ral_t2bl和ral_t2bh三个指标。

在上述实施例中，利用评分卡模型，结合融合后的驾驶行为数据对驾驶员的驾驶状态进行预估，得到驾驶员当前行程的行程风险值，包括：

将融合后的驾驶行为数据作为自变量，带入下述公式，计算驾驶员当前行程的行程风险值；

score＝a+blog(odds)

＝a+b{β0+β1χ1+β2χ2+…+βnχn}

其中，score表示驾驶员当前行程的行程风险值；odds为出险与未出险的比率，a和b是设定的转换系数，χi为各自变量，βi为拟合系数，i是自然数。

其中，输入评分卡模型的变量包括但不限于下列内容。

脑电波数据相关变量：平均眨眼频率、最高复杂度、最高近似熵、注意度高于基线值占比、pt、pal、pah、pbl、pbhral_t2bl和ral_t2bh的方差、均值等

车联网相关变量：最高速度、夜间行驶比例、急转弯次数、行程是否跨省、与上次行程间隔时间、行程天气、高速路行驶占比、城市内道路占比等

车险承保理赔数据相关变量：车龄、车型、驾驶人性别、年龄、新车购置价等。

以及三类数据组合变量：如通过时间和速度组合成夜间行驶平均速度、通过道路类型和脑电近似熵组合成高速路行驶平均近似熵等

在上述各实施例中，根据驾驶员在一定历史时期内每次行程中的行车状态，确定驾驶员长期驾驶行为状态；若驾驶员长期驾驶行为状态处于异常状态，向报警提示设备发送第二提醒指令，以供报警提示设备发出第二提示信息对驾驶员进行异常驾驶行为提醒。另一种实施例为，响应于用户在查看设备上的驾驶员长期驾驶行为的查看操作，在查看设备的显示屏上展示该用户的长期驾驶行为以供用户查看。

结合上述各实施例的描述，图3为本申请示例性实施例提供一种更加详细的驾驶行为数据处理方法，包括以下步骤：

s311：接收车辆中的车联网设备提供的在车辆行驶过程中采集到的车联网数据；

s312：接收佩戴于驾驶员头上的脑电波采集设备发送的驾驶员的脑电波数据；

s313：接收保险信息管理设备上传的车险承保理赔数据；

s314：结合脑电波数据、车联网数据和车险承保理赔数据对驾驶员的驾驶状态进行预估，得到驾驶员当前的驾驶状态；

s315：若驾驶员当前的驾驶状态处于危险驾驶状态，向驾驶员使用的报警提示设备发送第一提醒指令，以供报警提示设备向驾驶员发出警示信息；

s316：根据驾驶员在一定历史时期内每次行程中的行车状态，确定驾驶员长期驾驶行为状态；

s317：若驾驶员长期驾驶行为状态处于异常状态，向报警提示设备发送第二提醒指令。

在上述各驾驶行为数据处理方法实施例中，服务器分别结接收车辆中的车联网设备提供的在车辆行驶过程中采集到的车联网数据、佩戴于驾驶员头上的脑电波采集设备发送的驾驶员的脑电波数据以及保险信息管理设备上传的车险承保理赔数据；结合这三种司机过程中的数据对驾驶员的驾驶状态进行预估，得到驾驶员当前的驾驶状态；若驾驶员当前的驾驶状态处于危险驾驶状态，则服务器向驾驶员使用的报警提示设备发送第一提醒指令，报警提示设备向驾驶员发出警示信息，全面准确的掌握驾驶员的行为状态，使风险提示和安全管理更高效。

图4为本申请示例性实施例提供的一种服务器的结构框图，如图4所示，该服务器包括：存储器402、处理器401以及通信组件403；服务器还可以包括电源组件404等必要组件。

存储器402，用于存储计算机程序；

通信组件403，用于数据通信；

处理器401，用于执行计算机程序，以用于：接收车辆中的车联网设备提供的在车辆行驶过程中采集到的车联网数据；接收佩戴于驾驶员头上的脑电波采集设备发送的驾驶员的脑电波数据；接收保险信息管理设备上传的车险承保理赔数据；结合脑电波数据、车联网数据和车险承保理赔数据对驾驶员的驾驶状态进行预估，得到驾驶员当前的驾驶状态；若驾驶员当前的驾驶状态处于危险驾驶状态，向驾驶员使用的报警提示设备发送第一提醒指令，以供报警提示设备向驾驶员发出警示信息。

可选地，处理器401在结合脑电波数据、车联网数据和车险承保理赔数据对驾驶员的驾驶状态进行预估，得到驾驶员当前的驾驶状态时，具体用于：结合脑电波数据、车联网数据和车险承保理赔数据对驾驶员的驾驶状态进行预估，得到驾驶员当前行程的行程风险值和危险驾驶行为规则；根据驾驶员当前行程的行程风险值和危险驾驶行为规则，确定驾驶员当前的驾驶状态为危险驾驶状态。

可选地，处理器401在结合脑电波数据、车联网数据和车险承保理赔数据对驾驶员的驾驶状态进行预估，得到驾驶员当前行程的行程风险值时，具体用于：对脑电波数据、车联网数据、车险承保理赔数据进行融合，生成融合后的驾驶行为数据；利用评分卡模型，结合融合后的驾驶行为数据对驾驶员的驾驶状态进行预估，得到驾驶员当前行程的行程风险值。

可选地，处理器401在对脑电波数据、车联网数据、车险承保理赔数据进行融合，生成融合后的驾驶行为数据时，具体用于：对脑电波数据、车联网数据、车险承保理赔数据进行整合，形成标准序列数据；根据驾驶员id、行程id和预定规则，对标准序列数据进行变量衍生，得到衍生变量序列数据；对衍生变量序列数据中的衍生变量进行特征筛选，得到融合后的驾驶行为数据。

可选地，处理器401在对衍生变量序列数据中的衍生变量进行特征筛选，得到融合后的驾驶行为数据，具体用于：根据缺失率、方差及时间维度上的稳定性、衍生变量之间的关联度、衍生变量的预测结果贡献度对衍生变量序列数据中的衍生变量进行特征筛选，作为融合后的驾驶行为数据。

可选地，处理器401在利用评分卡模型，结合融合后的驾驶行为数据对驾驶员的驾驶状态进行预估，得到驾驶员当前行程的行程风险值，具体用于：将融合后的驾驶行为数据作为自变量，带入下述公式，计算驾驶员当前行程的行程风险值；

score＝a+blog(odds)

＝a+b{β0+β1χ1+β2χ2+…+βnχn}

其中，score表示驾驶员当前行程的行程风险值；odds为出险与未出险的比率，a和b是设定的转换系数，χi为各自变量，βi为拟合系数，i是自然数。

可选地，处理器401，还可用于：根据驾驶员在一定历史时期内每次行程中的行车状态，确定驾驶员长期驾驶行为状态；若驾驶员长期驾驶行为状态处于异常状态，向报警提示设备发送第二提醒指令，以供报警提示设备发出第二提示信息对驾驶员进行异常驾驶行为提醒。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质。当计算机可读存储介质存储计算机程序，且计算机程序被一个或多个处理器执行时，致使一个或多个处理器执行图2方法实施例中的各步骤。

在上述服务器实施例中，服务器分别结接收车辆中的车联网设备提供的在车辆行驶过程中采集到的车联网数据、佩戴于驾驶员头上的脑电波采集设备发送的驾驶员的脑电波数据以及保险信息管理设备上传的车险承保理赔数据；结合这三种司机过程中的数据对驾驶员的驾驶状态进行预估，得到驾驶员当前的驾驶状态；若驾驶员当前的驾驶状态处于危险驾驶状态，则服务器向驾驶员使用的报警提示设备发送第一提醒指令，报警提示设备向驾驶员发出警示信息，全面准确的掌握驾驶员的行为状态，使风险提示和安全管理更高效。

上述图4中的通信组件被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件还包括近场通信(nfc)技术、射频识别(rfid)技术、红外数据协会(irda)技术、超宽带(uwb)技术和蓝牙(bt)技术等，以促进短程通信。

上述图4中的电源组件，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。