天气交通可视化方法及装置与流程

本发明涉及空中交通管理技术领域，具体而言，涉及一种天气交通可视化方法及装置。

背景技术：

伴随着这些年气象技术的不断进步，民航的相关从业人员也跟进了气象可视化方面的研究和空管的自动化、信息化，减少人为因素造成的工作失误，避免飞行事故或飞行事故征候。由于实施的时间不久，现阶段的报告还不能高效的捕捉比较复杂的空中交通情况，也无法估计管制员的负荷。而恶劣天气的影响是包括了高容量的、交通情况复杂的空域的。现阶段，我国在气象方面应用最多的是航站天气预报，日常天气预报等报，此外还有通过雷达获取并分析得到的资料。在整合性方面做的还不够，不能做到系统的整合整个国家的空域里的气象数据，在气象和空中交通系统的结合上做的也还不够。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种天气交通可视化方法及装置，旨在解决上述问题。

第一方面，本发明实施例提供了一种天气交通可视化方法，所述方法包括：获取选定区域在选定时间段内的天气数据以及与所述天气数据在所述选定时间段内匹配的交通数据；基于所述天气数据、所述交通数据以及预设的天气交通指数计算规则，获得所述选定区域的天气交通指数数据；基于所述天气交通指数数据以及预设的标准化数据处理方法，获得所述天气交通指数数据的标准化数据；利用Ward法对所述天气交通指数数据的标准化数据进行聚类分析；根据聚类分析的结果，以可视化图像的形式显示所述天气数据与所述交通数据的相互关系。

第二方面，本发明实施例提供了一种天气交通可视化装置，所述装置包括：原始数据获取单元，用于获取选定区域在选定时间段内的天气数据以及与所述天气数据在所述选定时间段内匹配的交通数据；天气交通指数数据获取单元，用于基于所述天气数据、所述交通数据以及预设的天气交通指数计算规则，获得所述选定区域的天气交通指数数据；标准化数据获取单元，用于基于所述天气交通指数数据以及预设的标准化数据处理方法，获得所述天气交通指数数据的标准化数据；聚类分析单元，用于利用Ward法对所述天气交通指数数据的标准化数据进行聚类分析；可视化显示单元，用于根据所述聚类分析单元的结果，以可视化图像的形式显示所述天气数据与所述交通数据的相互关系。

本发明实施例提供了一种天气交通可视化方法及装置，所述方法包括通过选定区域在选定时间段内的天气数据以及与所述天气数据在所述选定时间段内匹配的交通数据；基于所述天气数据、所述交通数据以及预设的天气交通指数计算规则，获得所述选定区域的天气交通指数数据；基于所述天气交通指数数据以及预设的标准化数据处理方法，获得所述天气交通指数数据的标准化数据；利用Ward法对所述天气交通指数数据的标准化数据进行聚类分析；根据聚类分析的结果，以可视化图像的形式显示所述天气数据与所述交通数据的相互关系，从而解决了当前不能直观地解释天气与空中交通系统之间的相互关系的问题。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，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，还可以根据这些附图获得其他相关的附图。

图1为一种可应用于本申请实施例中的电子设备的结构框图；

图2为本发明第一实施例提供的天气交通可视化方法的流程图；

图3为本发明第一实施例提供的部分MATER报文的示意图；

图4为本发明第一实施例提供的首都机场12个月的1日的天气现象的示意图；

图5为本发明第一实施例提供的主要机场的日交通量的示意图；

图6为本发明第一实施例提供的天气交通指数数据的示意图；

图7为本发明第一实施例提供的平移标准差之后的部分WITI值的示意图；

图8为本发明第一实施例提供的平移极差之后的部分WITI值的示意图；

图9为本发明第一实施例提供的距离矩阵的结果示意图；

图10为本发明第一实施例提供的聚类树形图；

图11为本发明第一实施例提供的WITI散点图；

图12为本发明第一实施例提供的WITI对应的可视化示意图；

图13为本发明第一实施例提供的聚类分析结果的可视化示意图；

图14为本发明第二实施例提供的天气交通可视化装置。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参阅图1，图1示出了一种可应用于本申请实施例中的电子设备100的结构框图。该电子设备100可以作为用户终端，也可以是计算机或服务器，所述用户终端可以为手机或平板电脑。如图1所示，电子设备100可以包括存储器110、存储控制器111、处理器112和天气交通可视化装置。

存储器110、存储控制器111、处理器112各元件之间直接或间接地电连接，以实现数据的传输或交互。例如，这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。所述天气交通可视化方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器110中的软件功能模块，例如所述天气交通可视化装置包括的软件功能模块或计算机程序。

存储器110可以存储各种软件程序以及模块，如本申请实施例提供的天气交通可视化方法及装置对应的程序指令/模块。处理器112通过运行存储在存储器110中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本申请实施例中的天气交通可视化方法。存储器110可以包括但不限于随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

处理器112可以是一种集成电路芯片，具有信号处理能力。上述处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。

第一实施例

请参阅图2，本发明实例提供了一种天气交通可视化方法，所述方法包括：

步骤S200：获取选定区域在选定时间段内的天气数据以及与所述天气数据在所述选定时间段内匹配的交通数据；

考虑到现有条件很难满足对航路的天气数据的需求，在本发明实施例中，采用机场地区的天气交通指数来代表整个空域的天气交通指数。由于无法兼顾全国的所有机场，为了简化计算，本实施例从我国的11个飞行情报区中分别选出流量最大的机场进行计算，重点是展示我国天气分类的计算过程。

本实施例选取了2015年中较为稳定的天气作为研究对象，只考虑风和能见度的影响，以所选择机场2015年每个月1号的METAR报数据来计算该区域的天气交通指数值。

根据上述原则，选定的机场为：北京飞行情报区的首都机场，上海飞行情报区的浦东机场，沈阳飞行情报区的太平机场，广州飞行情报区的白云机场，成都飞行情报区的双流机场，昆明飞行情报区的长水机场，武汉飞行情报区的天河机场，兰州飞行情报区的西安咸阳机场，乌鲁木齐飞行情报区的地窝铺机场，三亚飞行情报区的海口美兰机场，香港飞行情报区的香港机场，台湾飞行情报区的桃园机场。搜集这些机场的天气信息主要还是依赖于这些机场的METAR报和TAF报，我们会对每天的天气状况取平均值，以此为基础计算WITI。

以首都国际机场为例，首先在网站上下载首都机场2015年每月1日的METAR报文。请参阅图3，图3为本发明第一实施例提供的部分MATER报文的示意图，由于天气现象较稳定，且METAR报文每半个小时发布一次，所以在本实施例中，截取了一部分时间段的报文。由上面的报文中，可以归纳出，首都国际机场2015年1月1日的能见度平均为CAVOK，能见度大于9999米，风速为3米每秒。依据这个判定每天平均天气现象的方法，请参照图4，图4为本发明第一实施例提供的首都机场12个月的1日的天气现象的示意图，即首都机场12个月的1日的能见度以及风速数据。

步骤S210：基于所述天气数据、所述交通数据以及预设的天气交通指数计算规则，获得所述选定区域的天气交通指数数据；

作为一种实施方式，根据公式一：

WITI(k)＝T(k)×W(k)

W(k)为所述选定区域的权值，当不利天气对空中交通构成影响时权重为1，不构成影响时则为0，T(k)为所述交通数据，WITI(k)为所述选定区域的天气交通指数数据，得所述选定区域的天气交通指数数据，

本实施例对以上挑选出来的十二个机场收集相关的天气数据，收集完成后，根据所提供的计算公式一，计算出各个情报区的天气交通指数值。首先需要确定的是W(k)的值，即代表权重的系数，它的意义是判断天气对空中交通的影响程度，在本实施例中，所能整合的可以判断这一影响程度的数据就是能见度、风速这两个值。由于与气象的严重度是呈线性关系的，所以本发明实施例可以根据这种关系来确定的大致分布范围。考虑到这两个值与气象的线性关系比较复杂，暂时无法找到一个可以完美的可以表达这种线性的公式。所以本发明实施例将这三者的关系简化成下面的公式二：

确定W(k)的计算方法后，下一步就是确定T(k)的值，考虑到前面收集的气象信息都是以天为单位，因此在求T(k)的值的时候也应该以天为单位，通过收集各种数据，可以获得主要机场的日交通量，请参阅图5，图5为本发明第一实施例提供的主要机场的日交通量的示意图，其中ZBAA为北京飞行情报区的首都机场，ZSPD为上海飞行情报区的浦东机场，ZYHB为沈阳飞行情报区的太平机场，ZGGG为广州飞行情报区的白云机场，ZUUU为成都飞行情报区的双流机场，ZPPP为昆明飞行情报区的长水机场，ZHHH为武汉飞行情报区的天河机场，ZLXY为兰州飞行情报区的西安咸阳机场，ZWWW为乌鲁木齐飞行情报区的地窝铺机场，ZJHK为三亚飞行情报区的海口美兰机场，VHHH为香港飞行情报区的香港机场，RCTP为台湾飞行情报区的桃园机场。

根据前面提到的公式一以及公式二，将搜集的数据处理后得出的最终结果为的每个地区的WITI值，请参阅图6，图6为本发明第一实施例提供的天气交通指数数据的示意图，其中ZBPE为北京飞行情报区的首都机场/区域管制中心，ZYSH为沈阳飞行情报区的太平机场/区域管制中心，ZSHA为上海飞行情报区的浦东机场/区域管制中心，ZGZU为广州飞行情报区的白云机场/区域管制中心，ZUUU为成都飞行情报区的双流机场/区域管制中心，ZPKM为昆明飞行情报区的长水机场/区域管制中心，ZHWH为武汉飞行情报区的天河机场/区域管制中心，ZLHW为兰州飞行情报区的西安咸阳机场/区域管制中心，ZWUQ为乌鲁木齐飞行情报区的地窝铺机场/区域管制中心，ZJSY为三亚飞行情报区的海口美兰机场/区域管制中心，VHHK为香港飞行情报区的香港机场/区域管制中心，RCAA为台湾飞行情报区的桃园机场/区域管制中心。

步骤S220：基于所述天气交通指数数据以及预设的标准化数据处理方法，获得所述天气交通指数数据的标准化数据；

步骤S230：利用Ward法对所述天气交通指数数据的标准化数据进行聚类分析；

聚类分析是根据事物本身的特性研究个体分类的方法。聚类分析中的类简单说来指的就是相似元素的集合。

聚类分析的依据是一类中个体有较大的相似性，不同类的个体差异很大。根据分类对象的不同分为快速样本聚类，就是对现测值进行聚类，是具备观测对象的各种特征，即反应被观测对象的特征的各变量进行分类。在本文中我们使用Ward法对WITI进行聚类分析。

Ward法即以平方欧氏距离作为两类之间的距离，先将集合中每个样本自成一类，在进行类别合并时,计算类重心间方差，将离差平方和增加的幅度最小的两类首先合并,再依次将所有类别逐级合并。具体算法如下：

将n个区域样本分成k类：G1,G2…Gk，用表示Gt中的第i个样本(此处是p维向量，有p个系统聚类指标)，nt表示Gt中的样本个数，X(t)是Gt的重心(即该类样本的均值)，则Gt中样本的离差平方和即公式三：

k个类的类内离差平方和即公式四：

接下来本实施例依据此原理进行数据处理，首先进行数据标准化处理：为了分析的方便，此处对计算的WITI指数进行处理，消除原来的量纲，将原始数据压缩到[0,1]区间。基于这个目的，需要用到平移标准差公式即公式五：

其中，Xj代表第j个指标的平均数，Sj则代表标准差。

处理完后的数据请参阅图7，图7为本发明第一实施例提供的平移标准差之后的部分WITI值的示意图，即12个机场在一月到八月的WITI值平移标准差之后的数据。

接着使用平移极差公式，对以上处理完后的数据进行二次处理，平移极差公式即公式六：

变化后的结果请参阅图8，图8为本发明第一实施例提供的平移极差之后的部分WITI值的示意图，即12个机场在一月到八月的WITI值经过平移标准差后、平移极差之后的WITI值。

接下来，本实施例可以根据欧式距离法的原理建立距离矩阵，具体的建立过程在SPSS软件中实现，完成后的距离矩阵如图9所示，横向表示1-8月，纵向表示对应上述12个机场。

进而，采用Ward最小偏差平方和法对标准化数据进行聚类分析，利用SPSS统计分析得到聚类树形图，请参阅图10，纵向表示1-12月，在天气情况划分归类的时候，将其结果分为4类：将2月、9月、6月划分为一类；5月、7月、8月、10月、12月划分为二类；3月和4月、11月划分为三类；1月单独划分为四类。这些类别代表从每一个类别中抽出一组数据，大致上就可以判断整个类别内的天气情况。

步骤S240：根据聚类分析的结果，以可视化图像的形式显示所述天气数据与所述交通数据的相互关系。

可视化技术，这一概念源自科学计算可视化，它是欧美发达国家二十世纪80年代后期提出确立的一个全新的研究领域。利用计算机的处理计算能力，可视化技术将在科研计算中需要用到的数据用简单明了的图的方式展现出来，目的是使得原本枯燥的数据计算过程变得直观、形象，这有助于科学家们把握数据的动态变化。

R是一款免费且开源的统计学计算软件，图形功能也很强大。它也是绝大多数统计学家最中意的分析软件之一。虽然有一些功能近似的付费软件，例如S-plus和SAS，不过它们很难比得上R的完全免费以及活跃的开发社区氛围。

目前，R语言提供Windows、OS X、Linux等各大操作系统下的版本，可以直接从网上免费下载、安装、使用。R语言软件在基本安装中提供了大量的数据处理、统计和图形函数，此外各社区还开发了数以千计的扩展包(packages)为R增加了更多令人惊奇的功能。

R语言中有两种绘图函数，第一种是高级绘图函数，即创建一个新的图形，>demo(graphics)，另一种是低级绘图函数，在现有图形上添加元素，>demo(persp)。

在开始作图前需要完成相应的准备工作，而第一步就是准备好数据。出于避免重复输入的考虑，此处将数据保存为逗号分隔符文件，后缀为.csv，Excel直接提供了这种保存选项。

首先，将图6得出的WITI值表格保存为.CSV文件，打开R语言软件。

用read.csv()函数读取数据到the.data中：

>the.data<-read.csv("WITI.csv",header＝TRUE)

制作散点图需要用到R语言中的plot函数，具体步骤如下所示：

>x<-the.data$日期

>y<-the.data$WITI

>plot(x,y,main＝"WITI值的散点分布",pch＝4,col＝"red",xlab＝"月份",ylab＝"总的WITI值",type＝"p",font.axis＝2,font.lab＝2,cex.lab＝1.5)

>x＝seq(1,12,by＝0.1)；y＝[50,100,150,200,250,300,350]

>lines(x,y,col＝“black",lwd＝2)

最后的散点图如图11所示，横纵表示1-12月，纵轴表示对应的机场WITI值，散点图可以帮助直观的查看WITI的数值，但是对于天气对交通的影响程度仍然没有直观的感受。因此，制作完散点图后，本实施例试着将天气交通指数进行一些量化的归类，并且用可视化手段来直观的展示天气对交通的影响程度。

所求得的WITI数据中，80以上为天气对交通影响严重，75-80为天气对空中交通有一定的影响，75以下的WITI值所代表的是天气对空中交通影响较小或者无影响。

为了使数据可视化，我们可以采用用不同颜色来代表不同影响程度的方式。这里我们选择R语言中的热图(heatmap)功能来实现这一目标。

第一步：读取数据

仍旧是将数据保存为.csv文件，这里我们将数据保存在F盘下的R文件夹中。在R中执行如下指令

witi<-read.csv("F:/R/WITI.CSV",sep＝",")

这样就可以成功读入WITI值的数据表，使用"witi"指令可以查看读取的数据。

第二步：处理数据

考虑到在所做的图中，行的名称应该是日期，需要用这个指令：

colnames(witi)<-witi$日期

由于列的名字应该由机场的名字来命名，执行以下指令：

row.names(witi)<-witi$机场

在我们得到的表格中，第一列是日期，不是需要显示在热点图中的数据，因此使用下面的语句，来保证只取第二到最后一列：

witi<-witi[,2:13]

为了数据视觉效果的改写，需要用到：

witi_matrix<-data.matrix(witi)

完成上述步骤后，就可以用下面的指令生成热点图了：

witi_heatmap<-heatmap(witi_matrix,Rowv＝NA,Colv＝NA,col＝cm.colors(256),scale＝"column",margins＝c(5,10))

得到的结果如图12所示，横纵为1-12月，纵轴为12个机场，随着WITI值的增大，格子的颜色呈现浅灰→白→深灰的渐变，通过这个图，我们可以直观的查看在不同的月份，各个机场的天气对交通的影响程度。当机场对应月份的网格浅灰较深时，说明天气对空中交通的影响是很小的，甚至可以忽略不计，当网格颜色呈白色，说明已经有了一定的影响，而当网格呈深灰时，说明天气对交通的影响已经很严重了，需要一定的应对手段。

如图12所示，可以很容易的看出，北京飞行情报区的天气状况是比较糟糕的，可能是因为雾霾、沙尘等因素，全年中天气对北京飞行情报去的影响都比较大，这也难免会导致航班的延误甚至取消。

而在沿海的上海飞行情报区和广州飞行情报区，在五月、六月、七月这三个夏季的月份，天气对空中交通的影响程度突然上升，可以推测是因为这两个情报区在我国东南沿海，每到夏季就很容易出现雷暴等天气，还面临着可能的台风登陆等恶劣天气，因此天气交通指数高也不足为奇。而到了冬天，这种情况就有所缓解。

此外，基于聚类分析之后的结果，同样可以做可视化处理：

witi<-read.csv("F:/R/WITI.CSV",sep＝",")

row.names(witi)<-witi$机场

witi<-witi[,2:13]

witi_matrix<-data.matrix(witi)

witi_heatmap<-heatmap(witi_matrix,Rowv＝NA,Colv＝NA,col＝cm.colors(256),scale＝"column",margins＝c(5,10))

得到的结果如图13所示，横轴表示机场，纵轴表示对应图10聚类分析的结果。可以知道，12个机场在第一类月份的天气对应空中交通的影响是比较小的；在第三、四类即天气对应空中交通的影响是比较大的。

本发明实施例提供了一种天气交通可视化方法，所述方法包括通过选定区域在选定时间段内的天气数据以及与所述天气数据在所述选定时间段内匹配的交通数据；基于所述天气数据、所述交通数据以及预设的天气交通指数计算规则，获得所述选定区域的天气交通指数数据；基于所述天气交通指数数据以及预设的标准化数据处理方法，获得所述天气交通指数数据的标准化数据；利用Ward法对所述天气交通指数数据的标准化数据进行聚类分析；根据聚类分析的结果，以可视化图像的形式显示所述天气数据与所述交通数据的相互关系，而解决了当前不能直观地解释天气与空中交通系统之间的相互关系的问题，使得本来枯燥难懂的数据变得直观形象，有助于我们更好的分析天气交通指数。

第二实施例

请参阅图14，本发明实施例提供了一种天气交通可视化装置300，所述装置300包括：

原始数据获取单元310，用于获取选定区域在选定时间段内的天气数据以及与所述天气数据在所述选定时间段内匹配的交通数据；

天气交通指数数据获取单元320，用于基于所述天气数据、所述交通数据以及预设的天气交通指数计算规则，获得所述选定区域的天气交通指数数据；

例如用于基于WITI(k)＝T(k)×W(k)，获得所述选定区域的天气交通指数数据，W(k)为所述选定区域的权值，当不利天气对空中交通构成影响时权重为1，不构成影响时则为0，T(k)为所述交通数据，WITI(k)为所述选定区域的天气交通指数数据。

所述天气数据包括能见度数据和风速数据，所述选定区域的权重W(k)＝1/(能见度/1000+风速/10)，其中，能见度为所述能见度数据，风速为所述风速数据。所述天气数据以及与所述天气数据在所述选定时间段内匹配的交通数据包括METAR和TAF报文。

标准化数据获取单元330，用于基于所述天气交通指数数据以及预设的标准化数据处理方法，获得所述天气交通指数数据的标准化数据；

作为一种实施方式，所述标准化数据获取单元330包括：

数据归一化单元331，用于基于所述天气交通指数数据以及平移标准差公式，获得归一化天气交通指数数据；

数据标准化单元332，用于数据归一化单元331处理后，根据平移极差公式，获得标准化天气交通指数数据；

距离矩阵获取单元333，用于数据标准化单元332处理后，根据欧式距离法，获得所述标准化天气交通指数数据的距离矩阵。

聚类分析单元340，用于利用Ward法对所述天气交通指数数据的标准化数据进行聚类分析；

可视化显示单元350，用于根据所述聚类分析单元的结果，以可视化图像的形式显示所述天气数据与所述交通数据的相互关系。

需要说明的是，本实施例中的各单元可以是由软件代码实现，此时，上述的各单元可存储于存储器110内。以上各单元同样可以由硬件例如集成电路芯片实现。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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取存储介质中。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或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备中还存在另外的相同要素。