用于从用户生成内容确定行程目的地的方法和设备与流程

本公开涉及行程目的地的识别。特别地，各示例涉及用于从用户生成内容确定行程目的地的方法和设备。各进一步的示例涉及车辆。

背景技术：

在智能(车辆)数字服务中，目的地识别和预测对改进个人用户体验发挥重要作用。存在越来越多的嵌入在用户生成内容(例如日历、电子邮件、社交媒体、网络或甚至多媒体内容)中的目的地。一些应用可以从会议或路线中智能地解析一些电子邮件邀请并自动地生成目的地。但是存在许多这样的目的地，其中用户输入并未识别为位置的不完整地址。这些地点无法被解析(所谓不可解析地点)为地理位置。对于这些不可解析地点，传统的应用由于过识别而输出具有大量误报条目的候选者列表。同时，由于欠识别而在列表中遗漏漏报条目。

因此，可存在对于改进行程目的地识别的需求。

技术实现要素：

该需求可以由在此所述的示例满足。

第一示例涉及一种用于从用户生成内容确定行程目的地的方法。该方法包括在用户生成内容中生成指示地点或地址的文本串。进一步，该方法包括基于文本串确定多个潜在行程目的地。该方法还包括确定在所述多个潜在行程目的地与分配给用户的多个参考位置之间的相似性并基于该相似性对所述多个潜在行程目的地排序。

第二示例涉及一种非瞬时性机器可读介质，具有在其上存储的包括程序代码的程序，当该程序在处理器上运行时，该程序用于执行如在此所述的方法。

第三示例涉及一种用于从用户生成内容确定行程目的地的设备。该设备包括接口，其配置用于接收用户生成内容。另外，该设备包括处理器电路，其配置用于确定在用户生成内容中的指示地点或地址的文本串并基于文本串确定多个潜在行程目的地。进一步，处理器电路配置用于确定在多个潜在行程目的地与分配给用户的多个参考位置之间的相似性并基于相似性对多个潜在行程目的地排序。

第四示例涉及一种车辆。该车辆包括配置用于接收用户生成内容的接口，以及配置用于存储分配给用户的多个参考位置的存储器。另外，该车辆包括配置用于确定在用户生成内容中的指示地点或地址的文本串并基于文本串确定多个潜在行程目的地的处理器电路。处理器电路进一步配置用于确定在多个潜在行程目的地与多个参考位置之间的相似性并基于相似性对多个潜在行程目的地排序。

通过使用分配给用户的多个参考位置(也即用户档案)，本公开的示例可以允许减少过识别(也即误报)和欠识别(也即漏报)，因为用户档案允许基于关于过去用户行为的知识来识别潜在行程目的地。

附图说明

下文中将仅借由示例并参照附图描述设备和/或方法的一些示例，其中：

图1示出用于从用户生成内容确定行程目的地的方法的示例的流程图；

图2示出用于从用户生成内容确定行程目的地的方法的另一示例的流程图；

图3示出用于从用户生成内容确定行程目的地的设备的示例；以及

图4示出车辆的示例。

具体实施方式

现在将参照其中示出一些示例的附图更全面地描述各个示例。在附图中，为了清楚可能夸大线、层和/或区域的厚度。

因此，尽管其他示例能够具有各种修改和备选形式，但其一些特定示例在附图中示出并随后详细描述。然而，该详细说明并不将其他示例限制于所述特定形式。其他示例可覆盖落入本公开范围内的所有修改方案、等价物和备选方案。遍及全部附图描述，相同附图标记涉及相同或类似元件，当相互比较时其可以等同地或以修改形式实施并同时提供相同或类似功能。

在此为了描述特定示例的目的所使用的术语并不意欲限制其他示例。当使用单数形式诸如“一个”和“该”且仅使用单个元件并未明确地或隐含地定义为强制的时，其他示例也可以使用复数个元件来实施相同功能。同样，当功能随后描述为使用多个元件实施时，其他示例可以使用单个元件或处理实体来实施相同功能。将进一步理解的是，在使用时，术语“包括”(comprise、comprising、includes和/或including)规定了所述特征、整数、步骤、操作、进程、动作、元件和/或部件的存在，但是并未排除一个或多个其他特征、整数、步骤、操作、进程、动作、元件、部件和/或其任意组合的存在或添加。

除非另外限定，所有术语(包括技术和科学术语)在此以其示例所属领域的通常含义被使用。

图1示出用于从用户生成内容确定行程目的地的方法100。用户生成内容是由用户生成的任何内容(例如基于用户生成内容的文本内容)。例如，用户生成内容可以是由用户经由键盘、触摸显示器、鼠标或任何其他合适的人机接口输入的一个或多个字符或字词。用户生成内容可以进一步是识别为文本格式(例如通过对用户语音的语音识别)的内容，或者从图像和视频(例如由光学字符识别ocr等)提取的文本信息。

方法100包括确定102在用户生成内容中的指示地点或地址的文本串。使用自然语言处理或其他技术允许从用户生成内容(例如日历、电子邮件、聊天或消息接发应用)分段并提取地点和/或地址。可以进一步从结构化数据、类似例如日历位置字段提取地点和/或地址。

进一步，方法100包括基于文本串确定104多个潜在行程目的地。例如，可以使用地理编码应用来从指示地址的文本串(或其至少一部分)确定一个或多个潜在行程目的地(及其相关联的地理位置)。可以使用感兴趣点(poi)搜索应用来从指示地点的文本串确定一个或多个潜在行程目的地(及其相关联的地理位置)。

方法100还包括确定106在多个潜在行程目的地和分配给用户的多个参考位置之间的相似性。分配给用户的多个参考位置可以理解为用户档案。例如，可以使用机器学习算法从用户数据(大数据)收集参考位置。换言之，多个参考位置可以特征化用户行为。例如，分配给用户的多个参考位置可以包括用户的经常行程目的地、用户的近期行程目的地、用户的当前位置、由用户搜索的行程目的地、先前从用户生成内容确定的行程目的地、用户的偏好行程目的地以及为用户推荐的行程目的地中的至少一个。

可以基于一个或多个准则确定在多个潜在行程目的地之一与多个参考位置之一之间的相似性。例如，潜在行程目的地的地理位置与参考位置的地理位置之间的距离可以是相似性的一个准则。备选地或额外地，可以使用其他准则，例如潜在行程目的地和参考位置的地址相似性、潜在行程目的地和参考位置的语义相似性、潜在行程目的地和参考位置的得分(置信度、品质)相似性等等。如果使用多于一个准则来确定潜在行程目的地和参考位置之间的相似性，则可以使用专用量度来对单个准则加权。

方法100进一步包括基于相似性对多个潜在行程目的地排序108。基于相似性对多个潜在行程目的地排序108利用关于过去用户行为的知识。潜在行程目的地与参考位置之一越相似，用户越可能希望行驶到该潜在行程目的地。相反，潜在行程目的地与参考位置之一越不相似，用户越不可能希望行驶到该潜在行程目的地。因此，通过基于相似性对多个潜在行程目的地排序，可以列出多个潜在行程目的地中的更可能的行程目的地。因此，可以减少过识别(也即误报)和欠识别(也即漏报)。

对多个潜在行程目的地排序108可以例如包括对于多个潜在行程目的地中的每一个潜在行程目的地确定在相应的潜在行程目的地与多个参考位置之间的最大相似性。另外，对多个潜在行程目的地排序108可以包括选择多个潜在行程目的地的具有在第一阈值之上的最大相似性的子集，并仅对多个潜在行程目的地的基于最大相似性的子集排序。因此，可以仅对多个潜在行程目的地的具有预定可能性的那些潜在行程目的地排序。因此，可以通过使用用户档案减少潜在行程目的地的过识别(也即误报)和欠识别(也即漏报)。

方法100可以进一步包括基于在多个潜在行程目的地的子集中的潜在行程目的地的数目来确定品质指标(置信度、混淆度)。如果多个潜在行程目的地的子集包括较多的潜在行程目的地，则子集中的其中一个潜在行程目的地是正确行程目的地(也即由用户生成内容的文本串所指示的行程目的地)的可能性较低。另一方面，如果多个潜在行程目的地的子集包括较少的潜在行程目的地，则子集中的其中一个潜在行程目的地是正确行程目的地的可能性较高。因此，品质指标指示对于多个潜在行程目的地的子集的置信度是高还是低，也即是否存在低或高混淆。

品质指标可以由用于决定是否使用多个潜在行程目的地的子集中的潜在行程目的地的其他方法/应用/程序使用。例如，如果品质指标指示多个潜在行程目的地的子集中的潜在行程目的地的高品质(也即高置信度，低混淆)，则应用/程序可以使用多个潜在行程目的地的子集中的一个或多个潜在行程目的地。相反，如果品质指标指示低品质，则应用/程序可以忽略多个潜在行程目的地的子集中的潜在行程目的地。

为了使该信息可访问，方法100可以任选地进一步包括将多个潜在行程目的地的子集与品质指标一起存储在可由软件应用访问的存储器中。

如果多个潜在行程目的地的子集包括零个潜在行程目的地，也即如果多个潜在行程目的地与多个参考位置之间的相似性相当低，则方法100可以进一步包括确定多个潜在行程目的地的第二子集，其地理位置距用户当前位置的距离小于第二阈值。进一步，方法100可以包括基于在多个潜在行程目的地的第二子集中的潜在行程目的地的数目来确定第二品质指标。如果第二品质指标满足品质准则，则方法100可以进一步包括向用户展示多个潜在行程目的地的第二子集。因此，方法100可以考虑用户惯常在有限区域内行驶。通过将多个潜在行程目的地的第二子集中的潜在行程目的地限制于相对邻近用户处的那些行程目的地，仍然可向用户展示具有提高可能性的潜在行程目的地。因此，用户可以由用户输入验证在多个潜在行程目的地的第二子集中的其中一个潜在行程目的地的正确性。

在一些示例中，以上品质准则可以进一步取决于多个潜在行程目的地的类别。因此，潜在行程目的地的展示可以是语境相关的。例如，如果多个潜在行程目的地与机场、火车站或其他公共运输场所相关，则可以使用第一品质指标，而如果潜在行程目的地与不同类别(例如购物、医疗服务、娱乐等)相关，则可以使用第二品质指标。

方法100可以进一步包括使用行程目的地黑名单和行程目的地白名单中的至少一个来过滤多个潜在行程目的地。行程目的地黑名单列出要拒绝(避免)的行程目的地。行程目的地白名单列出总是视作潜在行程目的地的行程目的地。例如，行程目的地黑名单中的行程目的地和/或行程目的地白名单中的行程目的地可以是基于用户输入。因此，可以学习用户偏好并将其用于从用户生成内容识别行程目的地。因此，可以提高行程目的地识别的精度。

如上所指示的那样，方法100可以包括向用户展示多个潜在行程目的地中的一个或多个排在顶部的潜在行程目的地。进一步，方法100可以包括接收指示一个或多个排在顶部的潜在行程目的地中的至少一个排在顶部的潜在行程目的地的正确性的用户输入。因此，方法100可以允许用户验证一个或多个所识别的行程目的地的正确性。指示一个或多个排在顶部的潜在行程目的地中的至少一个排在顶部的潜在行程目的地的正确性的用户输入可以例如用于创建/更新行程目的地黑名单和/或白名单。例如，如果用户输入指示一个或多个排在顶部的潜在行程目的地之一是正确的，则该行程目的地可以放在白名单上。如果用户输入指示一个或多个排在顶部的潜在行程目的地之一是不正确的，则该行程目的地可以放在黑名单上。

如果用户输入指示一个或多个排在顶部的潜在行程目的地之一是正确的，则方法可以进一步包括将一个或多个排在顶部的潜在行程目的地中的这一个排在顶部的潜在行程目的地作为用户的行程目的地存储。

如上所述，确定在多个潜在行程目的地和多个参考位置之间的相似性可以包括：确定多个潜在行程目的地的地理位置与分配给用户的多个参考位置的地理位置之间的距离。因此，基于相似性对多个潜在行程目的地排序包括：可基于该距离对多个潜在行程目的地排序。以下参照图2描述用于从用户生成内容确定行程目的地的方法200的示例性流程，其使用多个潜在行程目的地的地理位置与多个参考位置的地理位置之间的距离。

在部件210中，接收用户生成内容。如图2所示，用户生成内容可以源自许多不同来源例如日历、电子邮件等。

接着，在部件220中，确定在用户生成内容中的指示地点或地址的一个或多个文本串。如上所述，自然语言处理可以允许从用户生成内容分段并提取地点和地址。进一步，可以从结构化数据(例如日历位置字段)直接提取地点和地址。

在部件230中，执行地址检测。也即，尝试将从用户生成内容提取的文本串分配至已知地址(也即执行地址识别)。例如，可以使用已知地址的库。

在部件240中，如果在部件230中可以将从用户生成内容提取的文本串分配至已知地址，则可以使用地理编码服务来对于给定地址确定地理坐标(也即地理位置)。

然而，已知地址通常以特殊格式给出，其可能在各区域之间或在各国之间不同。而且，用于地址识别的许多服务预期对于待检查地址的特定格式。另一方面，用户经常不使用全部地址，或者使用与由地址识别服务所预期的格式不同的格式。因此，仅检测在用户生成内容(也即所确定的文本串)中检测到的有限数目的地址作为可以绘图的有效地址。通常，检测到的地址的大多数(例如多于70％)不会被识别为有效地址。

因此，方法200包括进一步的部件，其通过由于使用对个人数据的机器学习来调节所所提出的构思而从大部分未绘图的地点智能地找到更多位置从而能够(显著)改进性能。

如果文本串指示地址，则在部件250中使用地理编码服务来从给定的(全部)地址获得地理坐标。如果文本串指示地点，则在步骤260中使用地点poi搜索服务来从地点名称获得地理坐标。地理编码和poi搜索的结果在部件255中组合，从而由方法200有效地确定多个潜在行程目的地。

在部件270中，使用对大数据的机器学习算法来构建有助于通过拒绝和排序改进误报和漏报的用户档案和行为。在部件270中，通过对于现有用户收集并评估地址来训练机器学习(ml)系统以用于位置检测。这可以允许通过将用于位置检测的传统来源(诸如基于正则表达式的地址解析和地理位置服务)与基于用户行为的自学习系统组合来改进位置检测精度。

对于用户档案，系统学习用户的目的地。用户的目的地可以包括用户的经常目的地、近期目的地、当前位置、搜索到的目的地、学习到的日历目的地、偏好目的地和/或推荐目的地。因此，可以提供分配给用户的多个参考位置。

每个潜在行程目的地“des”可以由参数集合表示，诸如：

des＝(纬度，经度，全地址，位置名称，得分，目的地类型，杂项)，其中，“得分”表示参数集合的置信度或品质。得分可以例如是基于参数的来源。例如，如果从值得信任的提供者(例如有声誉的地理编码服务)获得参数，则得分可以很高，而如果从新的、未知的或其他提供者(例如社交网络)获得参数，则得分可以很低。

因此，用户档案可以理解为一定数量的潜在行程目的地：

档案＝{des1，des2….desn}。

对于目的地候选者列表中的每个潜在行程目的地(也称作候选者)，其地理编码位置可以通过调用地理编码或poi搜索服务(经由对应的应用编程接口，即api)获得。对于每个潜在行程目的地，其距离可以随后针对用户档案来测量。也即，在部件270中，确定在多个潜在行程目的地的地理位置与分配给用户的多个参考位置的地理位置之间的距离。如上所述，其他准则可以备选地或额外地对地理位置的距离使用，以便确定潜在行程目的地和多个参考位置的相似性。

这可以总结如下：

d(候选者)＝min{d(候选者，des1),d(候选者，des2),…,d(候选者，desn)}

其中，“d”定义为两个位置之间的距离。“d”可以任选地通过将距离与其他参数(例如地址、名称或得分相似性)组合而增强。

随后，可以进行候选者过滤。例如，可以移除d超过阈值(例如100、200、500、1000、2000或5000米)的所有候选者，因为其并未与用户档案良好匹配。换言之，选择多个潜在行程目的地的具有在阈值之上的最大相似性的子集。

对于每个位置，计算混淆度c。也即，基于在多个潜在行程目的地的子集中的潜在行程目的地的数目来确定品质指标。例如，较多的结果可以导致较高的混淆度：

c(地点)＝count(候选者|地点)

随后，仅对潜在行程目的地的基于最大相似性的子集排序。例如，在部件280中，可以仅输出具有距离d(候选者)≤500米的那些候选者，其中，基于距离d对候选者排序。在此，假设用户的目的地位置(也即候选者)与他的档案(例如去过的地点、感兴趣的地点或社交上引用的地点等)匹配。

如果用户确认在部件280中的输出候选者(也即潜在行程目的地之一)的正确性，则可以将该候选者添加至白名单。如果用户否决正确性，则可以将该候选者添加至黑名单。如由部件290所示，黑名单和白名单可以用作过滤因子。

如果对于以上距离阈值没有找到结果，则可以使用不同的方案。在该方案中，假设用户处理对于给定语境可行的且可能去的局部区域。例如，当用户留在芝加哥时，用户将非常可能不设置驾驶目的地为洛杉矶的机场。在用户到达洛杉矶之后，系统可以相应地调整并更新目的地。此外，如果混淆度太高，则系统可以拒绝输出。

例如，如果对于以上距离阈值没有找到结果，则可以向用户输出以下候选者：

a)d(候选者，当前位置)≤200英里且c(地点)≤5，如果类别是机场、火车站……的话；或者

b)d(候选者，当前位置)≤200英里且c(地点)≤2，如果是其他类别的话。

如上所述，可以根据类别拒绝具有高混淆度的位置。

应该注意，以上数值仅是为了说明而非限制。可以替代地使用任何其他合适的数值。

所提出的构思可以允许改进智能和个人用户体验：从用户生成内容自动地识别目的地，因此提供从对富数据源(例如日历、电子邮件、社交媒体和网络)机器学习改进的体验以及来自用户驾驶数据的档案。

此外，所提出的构思可以通过机器学习实现改进的相关性和精度：该构思提供对用户档案建模并从用户生成内容自动地对最相关的地理坐标排序。该框架考虑了相关性和混淆度以便于最小化用户的交互。

所提出的构思可以理解为新型的混合方案：其提供了用于利用用户档案和对用户的大个人数据和语境数据行为学习来目的地识别的方案。其也适用于地址和地点实体，也即组合地理编码和搜索服务，以使得目的地识别更广阔。

此外，所提出的构思可以以有限的用户交互实现高性能：当置信度高(也即混淆度低)时可以不要求用户采取任何动作。如果必要的话，用户仅需要确认以低认知负荷由高度相关信息排序的结果，由此改进用户交互以及由用户确认的精度。

进一步，所提出的构思可以实现推动消费和商业价值：通过自动地知晓用户下一个旅程，系统可以例如计划用户的旅程，监控信息的动态改变并通知用户(例如实时交通信息更新，天气和燃料服务，备选路径建议，离开时间通知，对于飞机、火车、音乐会、社交会议的时间表的事件及时更新)，或具有自动设置的导航。一般而言，其开创了对于使技术具有潜在消费和商业价值的更多创新机会。

图3进一步示出用于从用户生成内容确定行程目的地的设备300。设备300包括配置用于接收用户生成内容301的接口310。另外，设备300包括配置用于确定在用户生成内容301中的指示地点或地址的文本串并基于文本串确定多个潜在行程目的地的处理器电路320。进一步，处理器电路320配置用于确定在多个潜在行程目的地与分配给用户的多个参考位置之间的相似性并基于相似性对多个潜在行程目的地排序。

设备300可以允许通过使用分配给用户的多个参考位置(也即用户档案)减少过识别和欠识别。因此，设备300可以允许以提高的精度识别用户的潜在行程目的地。

例如，设备300可以向导航系统提供已排序的多个潜在行程目的地。导航系统可以使用信息以提供自动导航或者主动地通知/接洽用户(实时交通信息，天气更新，离开时间通知)，并因此提高用户体验。

结合所提出的构思或上述一个或多个示例(例如图1和图2)论述设备300的更多细节和方面。设备300或者其元件之一(例如处理器电路320)可以包括或配置用于执行与所提出的构思或上述一个或多个示例的一个或多个方面相对应的一个或多个附加的任选特征。

在图4中示出使用根据所提出的构思或上述一个或多个示例的一个或多个方面的方法的实施示例。图4示出车辆400。车辆400示出为机动车。然而，车辆400可以是包括发动机和车轮(以及任选的传动系统)的任何设备。例如，车辆400可以是私家车或商务车。特别地，车辆400可以是汽车、卡车、摩托车或拖拉机。

车辆400包括配置用于接收用户生成内容的接口410，以及配置用于存储分配给用户的多个参考位置的存储器420。另外，车辆400包括配置用于确定在用户生成内容中的指示地点或地址的文本串并基于文本串确定多个潜在行程目的地的处理器电路430。处理器电路430进一步配置用于确定在多个潜在行程目的地与多个参考位置之间的相似性并基于相似性对多个潜在行程目的地排序。

车辆400可以通过使用分配给用户的多个参考位置(也即用户档案)减少潜在行程目的地的过识别和欠识别。因此，车辆400可以允许以提高的精度识别用户的潜在行程目的地。

如上所述，可以使用许多不同准则用以确定在多个潜在行程目的地与多个参考位置之间的相似性。例如，可以使用在多个潜在行程目的地的地理位置与多个参考位置的地理位置之间的距离。备选地或额外地，可以使用其他准则，例如潜在行程目的地与参考位置的地址相似性、潜在行程目的地与参考位置的语义相似性、潜在行程目的地与参考位置的得分相似性(置信度，品质)等等。

如以上更详细所述，处理器电路430可以通过对于多个潜在行程目的地中的每一个潜在行程目的地确定在相应的潜在行程目的地与多个参考位置之间的最大相似性、选择多个潜在行程目的地的具有在第一阈值之上的最大相似性的子集、并且仅对多个潜在行程目的地的基于最大相似性的子集排序而对多个潜在行程目的地排序。

进一步，处理器电路430可以基于在多个潜在行程目的地的子集中的潜在行程目的地的数目来确定品质指标(混淆度)。

处理器电路430可以将多个潜在行程目的地的子集与品质指标一起存储在车辆400的可由在车辆400中运行的软件应用访问的存储器中。因此，可以为在车辆400中运行的其他软件应用提供关于用户未来行程目的地的信息以及关于所识别的行程目的地的品质(置信度)的信息。基于品质指标，在车辆400中运行的其他软件应用可以决定是否要使用所识别的行程目的地。例如，在车辆400中运行的导航应用可以决定基于品质指标自动地计划至所识别行程目的地的路线。如果品质指标指示所识别的行程目的地的低置信度，则导航应用可以例如决定不自动地计划至所识别的行程目的地的路线。另一方面，如果品质指标指示所识别的行程目的地的高置信度，则导航系统可以决定自动地计划至所识别的行程目的地的路线。

车辆400可以进一步允许收集关于所识别的行程目的地的用户输入。例如，车辆400可以进一步包括显示器(未示出)，用于向用户展示多个潜在行程目的地中的一个或多个排在顶部的潜在行程目的地。另外，车辆400可以包括输入装置(未示出)，其配置用于接收指示一个或多个排在顶部的潜在行程目的地中的至少一个排在顶部的潜在行程目的地的正确性的用户输入。因此，用户可以验证一个或多个所识别的行程目的地的正确性。显示器和输入装置可以实施为分立装置或单个装置(例如作为触摸显示器)。

如果用户输入指示一个或多个排在顶部的潜在行程目的地之一是正确的，则处理器电路430可以进一步在车辆存储器420中存储一个或多个排在顶部的潜在行程目的地中的这一个排在顶部的潜在行程目的地作为用户的行程目的地。通过在存储器中存储用户验证的行程目的地，处理器电路430可以向在车辆400中运行的其他软件应用提供关于用户未来行程目的地的信息。这些软件应用可以使用该信息以向用户提供智能服务和辅助(例如背景路线确定，实时交通信息，离开时间通知)。因此，可以改进用户体验。因为用户验证了行程目的地，所以对于所存储的行程目的地的品质指标(置信度)可以很高(例如最高)。

结合所提出的构思或上述一个或多个示例(例如图1和图2)论述车辆400的更多细节和方面。车辆400或其元件之一(例如处理器电路430)可以包括或配置用于执行与根据所提出的构思或上述一个或多个示例的一个或多个方面相对应的一个或多个附加的任选特征。

与先前详述的示例和附图中的一个或多个一起论述和描述的方面和特征也可以与其他示例中的一个或多个组合，以便替代其他示例的相似特征或者以便附加地将特征引入至其他示例。

示例可以进一步是或涉及当在计算机或处理器上运行计算机程序时用于执行一个或多个以上方法的具有程序代码的计算机程序。各个上述方法的步骤、操作或进程可以由编程计算机或处理器执行。示例也可以覆盖程序存储装置诸如非瞬时性数字数据存储介质，其是机器、处理器或计算机可读的并对机器可执行的、处理器可执行的或计算机可执行的指令程序编码。指令执行或引起执行上述方法的一些或全部动作。程序存储装置可以包括或是例如数字存储器、磁性存储介质诸如磁盘和磁带、硬盘驱动器或者光学可读的数字数据存储介质。其他示例也可以覆盖编程用以执行上述方法的动作的计算机、处理器或控制单元，或者编程用以执行上述方法的动作的(现场)可编程逻辑阵列((f)pla)或(现场)可编程门阵列((f)pga)。

说明书和附图仅说明本公开的原理。而且，在此引述的所有示例原则上明确地意在仅为了教导目的而帮助读者理解由发明人对发展技术做出贡献的公开和构思的原理。在此引述了本公开的原理、方面和示例以及其具体示例的所有陈述意在包括其等价形式。

功能在由处理器提供时可以由单个专用处理器、由单个共用处理器、或由多个单独的处理器提供，其中一些或全部处理器可以共用。然而，术语“处理器”迄今不限于仅能够运行软件的硬件，而是可以包括数字信号处理器(dsp)硬件、网络处理器、特定用途集成电路(asic)、现场可编程门阵列(fpga)、用于存储软件的只读存储器(rom)、随机访问存储器(ram)和非易失性存储装置。也可以包括传统和/或定制的其他硬件。

方框图可以例如说明实施本公开原理的高级电路图。类似地，流程表、流程图、状态转换图、伪代码等等可以展示各种进程、操作或步骤，其可以例如实质上展示在非瞬时性机器可读介质中并因此由计算机或处理器运行，不论是否明确示出这种计算机或处理器。说明书或权利要求中公开的方法可以由具有用于执行这些方法的每个相应动作的机构的装置实施。

应该理解，在说明书或权利要求中公开的多个动作、进程、操作、步骤或功能的公开不应解释为在特殊顺序内，除非另外明确地或隐含地陈述，例如为了技术原因。因此，多个动作或功能的公开不应将其限制于特定顺序，除非这种动作或功能为了技术原因是不可互换的。进一步，在一些示例中，单个动作、功能、进程、操作或步骤可以包括或者可以分别拆分为多个子动作、子功能、子进程、子操作或子步骤。这种子动作可以被包括在该单个动作的公开中并作为其一部分，除非另外明确地排除。

而且，以下权利要求由此并入详细的说明书中，其中每个权利要求可以自身独立作为分立示例。尽管每个权利要求可以自身独立作为分立示例，但应该注意，虽然从属权利要求可以在权利要求中涉及与一个或多个其他权利要求的特殊组合，但是其他示例也可以包括从属权利要求与每个其他从属或独立权利要求的主题的组合。这种组合明确地在此提出，除非陈述了并非有意设计特殊组合。而且，其意在也包括权利要求的特征组合至任何其他独立权利要求，即使该权利要求并非直接从属于该独立权利要求。