一种菜品定价处理方法及装置与流程

本发明涉及定价技术领域，具体而言，涉及一种菜品定价处理方法及装置。

背景技术：

目前的餐饮企业的菜品通过人工定价，且餐饮企业的菜品价格相对固定，对于原材料上涨、顾客量增大等外在因素引起的价格调整反应速度较慢，影响饭店收益。

针对相关技术中人工确定饭店菜品价格，对于外在因素引起的价格调整反应慢，影响饭店收益的问题，尚未提出解决方案。

技术实现要素：

本发明实施例提供了一种菜品定价处理方法及装置，以至少解决相关技术中人工确定饭店菜品价格，对于外在因素引起的价格调整反应慢，影响饭店收益的问题。

根据本发明的一个实施例，提供了一种菜品定价处理方法，包括：

确定当前时间周期内目标门店的目标预测菜品销量；

确定所述当前时间周期内所述目标门店的预测材料使用量；

根据所述预测材料使用量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系对所述当前时间周期内所述目标门店的菜品进行定价。

可选地，所述确定当前时间周期内目标门店的目标预测菜品销量包括：

获取所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品价格以及菜品销量；

将所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品价格输入到预先训练好的第一目标神经网络模型中，得到所述第一目标神经网络模型输出的所述当前时间周期内的预测菜品销量的概率，其中，所述概率大于第一预定阈值的所述预测菜品销量确定为所述目标预测菜品销量。

可选地，在所述确定当前时间周期内目标门店的菜品的预测销量与预测客流量之前，所述方法还包括：

获取第一预定数量时间周期的日期、节假日、天气、门店的位置信息、菜品价格以及菜品销量；

使用所述第一预定数量时间周期的日期、节假日、天气、门店的位置信息、菜品价格以及菜品销量对第一原始神经网络模型进行训练，得到所述第一目标神经网络模型，其中，所述第一预定数量时间周期的日期、节假日、天气、门店的位置信息、菜品价格为所述第一原始神经网络模型的输入，训练好的所述第一目标神经网络模型输出的预测菜品销量与实际对应的菜品销量满足第一目标函数。

可选地，所述确定所述当前时间周期内所述目标门店的预测材料使用量包括：

获取所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量以及材料用量；

将所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量输入到预先训练好的第二目标神经网络模型中，得到所述第二目标神经网络模型输出的所述当前时间周期内的预测预测材料用量的概率，其中，所述概率大于第二预定阈值的所述预测材料用量确定为所述目标预测材料用量。

可选地，在所述确定所述当前时间周期内所述目标门店的预测材料使用量之前，所述方法还包括：

获取第二预定数量时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量以及材料用量；

使用所述第二预定数量时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量以及材料用量对第二原始神经网络模型进行训练，得到所述第二目标神经网络模型，其中，所述第二预定数量时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量为所述第二原始神经网络模型的输入，训练好的所述第二目标神经网络模型输出的预测材料用量与实际对应的材料用量满足第二目标函数。

可选地，所述根据所述预测材料使用量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系对所述当前时间周期内所述目标门店的菜品进行定价包括：

根据所述预测材料使用量确定菜品库存量，其中，所述预测材料使用量等于库存材料量；

根据所述菜品库存量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系确定所述当前时间周期内所述目标门店的预测销售额；

根据所述预测销售额对所述目标门店的菜品进行定价。

可选地，所述方法还包括：

通过以下方式根据所述菜品库存量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系确定所述当前时间周期内所述目标门店的预测销售额：

qi＝f(pi)；

其中，y为所述预测销售额，n为菜品的数量，qi为每个菜品i的预测菜品销量，pi为每个菜品i的价格，ci为每个菜品i的材料成本，si为菜品库存量，αi为每个菜品i的权重系数，αi∈[0,1]，qi≤si，pi1≤pi≤pi2，pi1、pi2分别为每个菜品i的最低价格和最高价格；

根据所述预测销售额对所述目标门店的菜品进行定价包括：

将所述预测销售额中最大值对应的每个菜品i的价格确定为所述每个菜品i的目标定价。

根据本发明的另一个实施例，还提供了一种菜品定价处理装置，包括：

第一确定模块，用于确定当前时间周期内目标门店的目标预测菜品销量；

第二确定模块，用于确定所述当前时间周期内所述目标门店的预测材料使用量；

定价模块，用于根据所述预测材料使用量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系对所述当前时间周期内所述目标门店的菜品进行定价。

可选地，所述第一确定模块包括：

第一获取子模块，用于获取所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品价格以及菜品销量；

输入子模块，用于将所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品价格输入到预先训练好的第一目标神经网络模型中，得到所述第一目标神经网络模型输出的所述当前时间周期内的预测菜品销量的概率，其中，所述概率大于第一预定阈值的所述预测菜品销量确定为所述目标预测菜品销量。

可选地，所述装置还包括：

第一获取模块，用于获取第一预定数量时间周期的日期、节假日、天气、门店的位置信息、菜品价格以及菜品销量；

第一训练模块，用于使用所述第一预定数量时间周期的日期、节假日、天气、门店的位置信息、菜品价格以及菜品销量对第一原始神经网络模型进行训练，得到所述第一目标神经网络模型，其中，所述第一预定数量时间周期的日期、节假日、天气、门店的位置信息、菜品价格为所述第一原始神经网络模型的输入，训练好的所述第一目标神经网络模型输出的预测菜品销量与实际对应的菜品销量满足第一目标函数。

可选地，所述第二确定模块包括：

第二获取子模块，用于获取所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量以及材料用量；

第二输入子模块，用于将所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量输入到预先训练好的第二目标神经网络模型中，得到所述第二目标神经网络模型输出的所述当前时间周期内的预测预测材料用量的概率，其中，所述概率大于第二预定阈值的所述预测材料用量确定为所述目标预测材料用量。

可选地，所述装置还包括：

第二获取模块，用于获取第二预定数量时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量以及材料用量；

第二训练模块，用于使用所述第二预定数量时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量以及材料用量对第二原始神经网络模型进行训练，得到所述第二目标神经网络模型，其中，所述第二预定数量时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量为所述第二原始神经网络模型的输入，训练好的所述第二目标神经网络模型输出的预测材料用量与实际对应的材料用量满足第二目标函数。

可选地，所述定价模块包括：

第一确定子模块，用于根据所述预测材料使用量确定菜品库存量，其中，所述预测材料使用量等于库存材料量；

第二确定子模块，用于根据所述菜品库存量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系确定所述当前时间周期内所述目标门店的预测销售额；

定价子模块，用于根据所述预测销售额对所述目标门店的菜品进行定价。

可选地，所述第二确定子模块，还用于通过以下方式根据所述菜品库存量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系确定所述当前时间周期内所述目标门店的预测销售额：

qi＝f(pi)；

其中，y为所述预测销售额，n为菜品的数量，qi为每个菜品i的预测菜品销量，pi为每个菜品i的价格，ci为每个菜品i的材料成本，si为菜品库存量，αi为每个菜品i的权重系数，αi∈[0,1]，qi≤si，pi1≤pi≤pi2，pi1、pi2分别为每个菜品i的最低价格和最高价格；

所述定价子模块，还用于

将所述预测销售额中最大值对应的每个菜品i的价格确定为所述每个菜品i的目标定价。

根据本发明的又一个实施例，还提供了一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，确定当前时间周期内目标门店的目标预测菜品销量；确定所述当前时间周期内所述目标门店的预测材料使用量；根据所述预测材料使用量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系对所述当前时间周期内所述目标门店的菜品进行定价，可以解决相关技术中人工确定饭店菜品价格，对于外在因素引起的价格调整反应慢，影响饭店收益的问题，根据预测的菜品销量、材料使用量对菜品进行定价，为价格建议提供数据支撑，提高了建议价格的可信度。

附图说明

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

图1是本发明实施例的菜品定价处理方法的移动终端的硬件结构框图；

图2是根据本发明实施例的菜品定价处理方法的流程图；

图3是根据本发明实施例的饭店菜品动态定价方法的流程图；

图4是根据本发明实施例的菜品定价处理装置的框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

实施例1

本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的菜品定价处理方法的移动终端的硬件结构框图，如图1所示，移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的报文接收方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(networkinterfacecontroller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radiofrequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。

基于上述的移动终端，本实施例提供了一种菜品定价处理方法，图2是根据本发明实施例的菜品定价处理方法的流程图，如图2所示，该流程包括如下步骤：

步骤s202，确定当前时间周期内目标门店的目标预测菜品销量；

进一步的，可以根据目标门店的历史数据预估菜品销量，具体的，上述步骤s202可以包括：

获取所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品价格以及菜品销量；

将所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品价格输入到预先训练好的第一目标神经网络模型中，得到所述第一目标神经网络模型输出的所述当前时间周期内的预测菜品销量的概率，其中，所述概率大于第一预定阈值的所述预测菜品销量确定为所述目标预测菜品销量，第一目标神经网络模型是根据该门店的一段时间的历史相关数据确定的。

步骤s204，确定所述当前时间周期内所述目标门店的预测材料使用量；

进一步的，可以根据目标门店的历史数据预估材料的使用率，材料为菜品的原材料，具体的，上述步骤s204可以包括：

获取所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量以及材料用量；

将所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量输入到预先训练好的第二目标神经网络模型中，得到所述第二目标神经网络模型输出的所述当前时间周期内的预测预测材料用量的概率，其中，所述概率大于第二预定阈值的所述预测材料用量确定为所述目标预测材料用量。

步骤s206，根据所述预测材料使用量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系对所述当前时间周期内所述目标门店的菜品进行定价。

进一步的，上述s206具体可以包括：

s2061，根据所述预测材料使用量确定菜品库存量，其中，所述预测材料使用量等于库存材料量；

s2062，根据所述菜品库存量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系确定所述当前时间周期内所述目标门店的预测销售额；

具体的，可以通过以下方式根据所述菜品库存量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系确定所述当前时间周期内所述目标门店的预测销售额：

qi＝f(pi)；

其中，y为所述预测销售额，n为菜品的数量，qi为每个菜品i的预测菜品销量，pi为每个菜品i的价格，ci为每个菜品i的材料成本，si为菜品库存量，αi为每个菜品i的权重系数，αi∈[0,1]，qi≤si，pi1≤pi≤pi2，pi1、pi2分别为每个菜品i的最低价格和最高价格，价格与销量的对应关系为满足f函数，根据历史数据可以得到；

s2063，根据所述预测销售额对所述目标门店的菜品进行定价，具体的，将所述预测销售额中最大值对应的每个菜品i的价格确定为所述每个菜品i的目标定价。

通过上述步骤s202至s206，确定当前时间周期内目标门店的目标预测菜品销量；确定所述当前时间周期内所述目标门店的预测材料使用量；根据所述预测材料使用量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系对所述当前时间周期内所述目标门店的菜品进行定价，可以解决相关技术中人工确定饭店菜品价格，对于外在因素引起的价格调整反应慢，影响饭店收益的问题，根据预测的菜品销量、材料使用量对菜品进行定价，为价格建议提供数据支撑，提高了建议价格的可信度。

在所述确定当前时间周期内目标门店的菜品的预测销量与预测客流量之前，训练好第一目标神经网络模型和第二目标神经网络模型，具体的，在一可选的实施例中，获取第一预定数量时间周期的日期、节假日、天气、门店的位置信息、菜品价格以及菜品销量；使用所述第一预定数量时间周期的日期、节假日、天气、门店的位置信息、菜品价格以及菜品销量对第一原始神经网络模型进行训练，得到所述第一目标神经网络模型，其中，所述第一预定数量时间周期的日期、节假日、天气、门店的位置信息、菜品价格为所述第一原始神经网络模型的输入，训练好的所述第一目标神经网络模型输出的预测菜品销量与实际对应的菜品销量满足第一目标函数。

在另一可选的实施例中，获取第二预定数量时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量以及材料用量；使用所述第二预定数量时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量以及材料用量对第二原始神经网络模型进行训练，得到所述第二目标神经网络模型，其中，所述第二预定数量时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量为所述第二原始神经网络模型的输入，训练好的所述第二目标神经网络模型输出的预测材料用量与实际对应的材料用量满足第二目标函数。

图3是根据本发明实施例的饭店菜品动态定价方法的流程图，如图3所示，包括：

步骤s301，获取饭店菜品的历史销售数据；

步骤s302，根据历史销售数据预测菜品效率、原材料需求量，具体方式是根据历史销售数据：销量、价格、日期、天气、节假日、附近同类菜品价格等建立第一目标神经网络模型，基于第一目标神经网络模型预测菜品销量，根据历史销量数据：原材料用量、销量、日期、天气、节假日、门店位置、商圈、所在城市等训练第二目标神经网络模型，具体与上述方式相同，在此不再赘述；

步骤s303，计算菜品库存量，菜品库存量是根据预测的原材料需求量确定的；

步骤s304，动态规划建议的定价价格，用最新数据计算最优价格，减少定价决策人员工作量，提高工作效率及价格合理性，从而增加饭店收益，可以通过以下方式确定：

qi≤si；

pi1≤pi≤pi2；

qi＝f(pi)；

其中，w为菜品定价，qi为每个菜品的预测销量，改变输入的价格值预测的销量会不同，pi为每个菜品i的价格，每个菜品有对应的价格区间pi1≤pi≤pi2，si为菜品库存量，根据每个菜品对每个原材料的需求量计算得到，ci为单位菜品对应的原材料成本(购买、储存、损耗等费用)，αi为手动调整的权重系数，αi∈[0,1]。

步骤s305，定价决策人员根据价格建议,确定菜品最终价格，自动打印菜单或生成电子菜单。由于饭店大都提供纸质菜单，所以变价频率不宜过高，建议一天一次。

本发明实施例，根据历史销售数据预测菜品销量和原材料需求量，然后根据原材料数量确定菜品库存，为价格建议提供数据支撑，提高建议价格可信度。综合考虑销量带来的收益与库存带来的损失，使收益最大化，减少资源浪费。最终价格由定价人员参考建议价格确定，给定价人员的决策提供依据，使菜品价格更科学合理，提高定价人员工作效率。

实施例2

根据本发明的另一个实施例，还提供了一种菜品定价处理装置，图4是根据本发明实施例的菜品定价处理装置的框图，如图4所示，包括：

第一确定模块42，用于确定当前时间周期内目标门店的目标预测菜品销量；

第二确定模块44，用于确定所述当前时间周期内所述目标门店的预测材料使用量；

定价模块46，用于根据所述预测材料使用量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系对所述当前时间周期内所述目标门店的菜品进行定价。

可选地，所述第一确定模块42包括：

第一获取子模块，用于获取所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品价格以及菜品销量；

输入子模块，用于将所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品价格输入到预先训练好的第一目标神经网络模型中，得到所述第一目标神经网络模型输出的所述当前时间周期内的预测菜品销量的概率，其中，所述概率大于第一预定阈值的所述预测菜品销量确定为所述目标预测菜品销量。

可选地，所述装置还包括：

第一获取模块，用于获取第一预定数量时间周期的日期、节假日、天气、门店的位置信息、菜品价格以及菜品销量；

第一训练模块，用于使用所述第一预定数量时间周期的日期、节假日、天气、门店的位置信息、菜品价格以及菜品销量对第一原始神经网络模型进行训练，得到所述第一目标神经网络模型，其中，所述第一预定数量时间周期的日期、节假日、天气、门店的位置信息、菜品价格为所述第一原始神经网络模型的输入，训练好的所述第一目标神经网络模型输出的预测菜品销量与实际对应的菜品销量满足第一目标函数。

可选地，所述第二确定模块44包括：

第二获取子模块，用于获取所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量以及材料用量；

第二输入子模块，用于将所述当前时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量输入到预先训练好的第二目标神经网络模型中，得到所述第二目标神经网络模型输出的所述当前时间周期内的预测预测材料用量的概率，其中，所述概率大于第二预定阈值的所述预测材料用量确定为所述目标预测材料用量。

可选地，所述装置还包括：

第二获取模块，用于获取第二预定数量时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量以及材料用量；

第二训练模块，用于使用所述第二预定数量时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量以及材料用量对第二原始神经网络模型进行训练，得到所述第二目标神经网络模型，其中，所述第二预定数量时间周期的日期、节假日、天气、目标门店的位置信息、菜品销量为所述第二原始神经网络模型的输入，训练好的所述第二目标神经网络模型输出的预测材料用量与实际对应的材料用量满足第二目标函数。

可选地，所述定价模块46包括：

第一确定子模块，用于根据所述预测材料使用量确定菜品库存量，其中，所述预测材料使用量等于库存材料量；

第二确定子模块，用于根据所述菜品库存量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系确定所述当前时间周期内所述目标门店的预测销售额；

定价子模块，用于根据所述预测销售额对所述目标门店的菜品进行定价。

可选地，所述第二确定子模块，还用于通过以下方式根据所述菜品库存量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系确定所述当前时间周期内所述目标门店的预测销售额：

qi＝f(pi)；

其中，y为所述预测销售额，n为菜品的数量，qi为每个菜品i的预测菜品销量，pi为每个菜品i的价格，ci为每个菜品i的材料成本，si为菜品库存量，αi为每个菜品i的权重系数，αi∈[0,1]，qi≤si，pi1≤pi≤pi2，pi1、pi2分别为每个菜品i的最低价格和最高价格；

所述定价子模块，还用于

将所述预测销售额中最大值对应的每个菜品i的价格确定为所述每个菜品i的目标定价。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

实施例3

本发明的实施例还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

s1，确定当前时间周期内目标门店的目标预测菜品销量；

s2，确定所述当前时间周期内所述目标门店的预测材料使用量；

s3，根据所述预测材料使用量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系对所述当前时间周期内所述目标门店的菜品进行定价。

可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-onlymemory，简称为rom)、随机存取存储器(randomaccessmemory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

实施例4

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

s1，确定当前时间周期内目标门店的目标预测菜品销量；

s2，确定所述当前时间周期内所述目标门店的预测材料使用量；

s3，根据所述预测材料使用量、所述目标预测菜品销量以及预先存储的价格与销量的对应关系对所述当前时间周期内所述目标门店的菜品进行定价。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

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。