基于车流量预测的驾驶员信息提醒装置与系统的制作方法

本发明涉及交通技术领域，更为具体地，涉及一种基于车流量预测的驾驶员信息提醒装置与系统。

背景技术：

随着汽车工业的发展，在汽车为人们带来各种便利的同时，也制造了一系列问题，如交通拥堵、环境污染、交通事故等。我国的交通国情在于机动车与非机动车混行，自行车数量大，机动车数量多，而路网容纳能力有限等，实施交通强国战略，需要解决的一个问题就是交通拥堵。而在道路交通控制领域，对交通进行监测、数据采集和处理等的信息系统存在诸多无法解决的问题，特别是在交叉口控制上，存在周期长、车辆延误和通行能力有限等问题。

常规的交通控制方式，将历史交通流数据作为调控的依据，通过分析在不同时间的交通流的变化规律，使用人工的方式进行配时，然后将配时方案通过计算机技术录入到交通控制器中，在应用中通过调用不同的配时方案进行交通调控，由于大量的车辆涌入城市交通道路，造成了严重的交通堵塞问题，配时方案调控交通流越来越难以适应交通拥堵的治理需求。

例如，公开号为CN106991815A的中国专利申请公开了一种交通拥堵控制方法，包括如下步骤：S1.获取目标道路的既定参数，包括道路通行能力Q、自由流速度vf以及阻塞密度kj；S2.获取目标道路的实时交通参数，包括实时交通量q、实时车速v以及实时交通密度k；S3.构建交通状态判别模型，根据该模型判断当前道路的交通速度和交通流量对交通流的影响程度，并根据影响程度对交通作出的控制措施，能够结合道路的交通流的实际状态以及交通流中交通量和交通速度进行分析，做出准确的交通控制措施，能够有效缓解目标道路的交通拥堵状况，而且能够有效避免道路资源的浪费。但是，仍然存在缺陷，例如算法设计复杂，不能实现自学习，实时性较差等问题。公开号为CN102741780B的中国专利公开了一种用于提醒车辆的驾驶员的方法，车辆包括触觉驾驶员交界面，方法可包括确定车辆的速度；确定车辆与另一车辆之间的距离；基于速度和距离启动触觉驾驶员交界面。但是，仍然存在缺陷，例如对于城市大规模的路网交通系统，存在实时性差、对驾驶行为的提醒效率较低等问题。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种基于车流量预测的驾驶员信息提醒装置与系统，利用人工智能技术对驾驶人员的驾驶行为进行预测提醒，在保障驾驶安全的同时，能够缓解交通拥堵，提高了对驾驶行为进行提醒的实时性和效率。

本发明的目的是通过以下技术方案来实现的：一种基于车流量预测的驾驶员信息提醒装置，包括提醒模板装置，用于在终端侧的设备中，预先内置多条文字模板或语音模板，所述文字模板或语音模板用于对驾驶员的驾驶行为进行提醒；数据采集模块，用于在内置有所述文字模板或语音模板的终端侧的设备中，利用终端侧的设备的传感器系统，采集第一交通数据，上传至云服务器，同时，利用道路交叉口处的交通监控系统采集第二交通数据，上传至云服务器；第一接收模块，用于使云服务器接收所述第一交通数据和所述第二交通数据，以及人工智能模块，用于基于改进的神经网络算法进行处理，得到第一车流量预测数据；传输模块，用于使云服务器将所述第一车流量预测数据传输至终端侧的设备；第二接收模块，用于使所述终端侧的设备接收云服务器回传的数据，并将其保存在本地存储装置中，在终端侧的设备上，包括检测模块、第一提取程序模块和第一标记程序模块，检测模块用于检测本地存储装置上是否保存有当前道路的历史路况数据，如果有，则通过第一提取程序模块，提取当前道路的历史路况数据，并利用第一标记程序模块根据时间特征进行标记；如果没有，则将第二接收模块接收的数据呈现在终端侧的设备的显示装置上；第一计算模块，用于计算在当前道路上的历史路况数据的车速均值；第二计算模块，用于计算在当前道路上的历史路况数据的行驶时间均值，并将所述第一计算模块和第二计算模块的计算结果数据保存在本地存储装置中；第二提取程序模块，用于提取当前道路在不同时间段的历史路况数据的车速均值和/或行驶时间均值，并将车速均值和/或行驶时间均值，呈现在终端侧的设备的显示装置上，基于人工智能模块处理处理后的预测数据和/或终端侧的历史路况计算结果数据，对道路交通拥堵情况进行预测；以及更新模块，用于实时获取第一交通数据和第二交通数据，将第一交通数据和第二交通数据作为新的输入变量，基于所述人工智能模块持续学习，不断优化第一预测数据；第二标记模块和匹配模块，所述第二标记模块用于对存储在本地存储装置中的第一车流量预测数据进行第二标记，并设定多个分界值，所述匹配模块用于根据不同的分界值，匹配不同的文字模板或语音模板；提醒装置，用于将与分界值对应了的文字模板，呈现在终端侧的设备的显示装置上，和用于将分界值对应了的语音模板，呈现在终端侧的设备的显示装置上，基于云端神经网络算法的预测数据和/或终端侧的历史路况数据结果，根据道路交通拥堵情况对驾驶员进行文字预测提醒或语音预测提醒；第一更新装置，用于使云服务器实时获取终端侧的传感器系统采集的交通数据，实时获取道路交叉口处的交通监控系统采集的第二交通数据，将第一交通数据和第二交通数据作为新的输入变量，基于所述改进的神经网络算法持续学习，不断优化所述第一车流量预测数据；第二更新装置，基于优化的所述第一车流量预测数据，持续更新文字预测提醒信息或语音预测提醒信息。

进一步地，包括车流量统计装置，在道路交叉口处安装车流量统计装置，并将所述车流量统计装置采集的道路交叉口的车流量数据传输至云服务器，将云服务器在道路交叉口采集的车流量数据作为神经网络算法的输入变量。

进一步地，所述文字模板或语音模板的内容包含道路的名称。

进一步地，所述人工智能模块，执行如下步骤：

S31：选取多个第一交通数据和多个第二交通数据，同时将第一交通数据和第二交通数据作为神经网络的样本数据，设定权值误差向量为e(w)，利用如下公式计算权值误差和函数E(w)：

其中，e^T(w)是e(w)的转置向量；

S32：计算神经网络权值的Jacobian矩阵J(w)；

其中，i为第i个神经元，j为第j个神经元，第i个神经元与第j个神经元之间的权值为wij；

S33：使用如下公式计算新的权值w(k+1)：

w(k+1)＝w(k)-[J^T(wk)J(wk)+μI]^-1J^T(wk)e(wk)

其中，μ为附加因子，μ＞0，I为单位矩阵；

S34：将新的权值w(k+1)带入步骤S31中的权值误差和函数计算公式，计算得到新的权值误差和函数E(w)2，比较E(w)2与原来的E(w)1的大小，如果E(w)2的数值减小，则利用数值μ除以大于1的因子θ1，然后，对w(k+1)的值进行更新，然后转至步骤S31；如果E(w)2的数值没有减小，则利用数值μ乘上一个大于1的因子θ2，不更新w(k+1)并跳转至步骤S33，当神经网络的误差达到预设值或收敛时，停止函数的迭代计算。

进一步地，第一交通数据包括实时行驶速度、停留时间、行驶时间、里程数据中的任一种；第二交通数据包括在信号灯处的行驶速度、行驶时间、停留时间、信号灯周期、绿灯时间、红灯时间中的任一种或多种。

一种基于车流量预测的驾驶员信息提醒系统，包括如上技术方案中任一所述装置。

本发明的有益效果是：

(1)本发明利用人工智能技术对驾驶人员的驾驶行为进行预测提醒，在保障驾驶安全的同时，能够缓解交通拥堵，提高了对驾驶行为进行提醒的实时性和效率。

(2)本发明基于人工智能技术缓解交通拥堵问题，具有自学习功能，提高了交通信息系统在路网中感受交通流的变化的效率，能够有效调节交通流量，减小了交通负荷，减少了交通延误和停车率，提高路网的通行能力，改善了整个城市交通状况。

(3)本发明采用改进的神经网络算法，收敛速度快，具有计算量小，精度高，消耗资源少的特点，特别是易于收敛，使得信息交互的实时性得到了显著提高。

(4)无人驾驶平台对信息的实时性要求非常高，因此，将本发明应用于无人驾驶汽车，由于改进后的神经网络算法提高了运算收敛速度，实时性强，预测速度快，具有非常大的意义。

(5)本发明在对终端侧的设备存储的历史路况数据进行处理时，通过标记动作的处理步骤，使得在调用数据时，程序运行性能得到了提升，进而提高了数据处理效率，增强了设备的运行性能。

(6)本发明结合了终端侧的设备采集的实时交通数据和道路交通监控系统采集的交通数据作为云端侧的神经网络算法的输入变量，将人工智能算法模块部署在云端服务器，在云端服务器进行学习处理后将预测数据下发到终端侧设备，可以集中处理大量分布式设备或系统上传的数据，降低在终端侧的设备或系统上进行分析处理的成本，提高了对交通道路拥堵的预测效率，有效调控城市通勤者的交通出行。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的结构示意图。

图2是本发明的方法步骤流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。本说明书中公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。

如图1所示，一种基于车流量预测的驾驶员信息提醒装置，包括提醒模板装置，用于在终端侧的设备中，预先内置多条文字模板或语音模板，所述文字模板或语音模板用于对驾驶员的驾驶行为进行提醒；数据采集模块，用于在内置有所述文字模板或语音模板的终端侧的设备中，利用终端侧的设备的传感器系统，采集第一交通数据，上传至云服务器，同时，利用道路交叉口处的交通监控系统采集第二交通数据，上传至云服务器；第一接收模块，用于使云服务器接收所述第一交通数据和所述第二交通数据，以及人工智能模块，用于基于改进的神经网络算法进行处理，得到第一车流量预测数据；传输模块，用于使云服务器将所述第一车流量预测数据传输至终端侧的设备；第二接收模块，用于使所述终端侧的设备接收云服务器回传的数据，并将其保存在本地存储装置中，在终端侧的设备上，包括检测模块、第一提取程序模块和第一标记程序模块，检测模块用于检测本地存储装置上是否保存有当前道路的历史路况数据，如果有，则通过第一提取程序模块，提取当前道路的历史路况数据，并利用第一标记程序模块根据时间特征进行标记；如果没有，则将第二接收模块接收的数据呈现在终端侧的设备的显示装置上；第一计算模块，用于计算在当前道路上的历史路况数据的车速均值；第二计算模块，用于计算在当前道路上的历史路况数据的行驶时间均值，并将所述第一计算模块和第二计算模块的计算结果数据保存在本地存储装置中；第二提取程序模块，用于提取当前道路在不同时间段的历史路况数据的车速均值和/或行驶时间均值，并将车速均值和/或行驶时间均值，呈现在终端侧的设备的显示装置上，基于人工智能模块处理处理后的预测数据和/或终端侧的历史路况计算结果数据，对道路交通拥堵情况进行预测；以及更新模块，用于实时获取第一交通数据和第二交通数据，将第一交通数据和第二交通数据作为新的输入变量，基于所述人工智能模块持续学习，不断优化第一预测数据；第二标记模块和匹配模块，所述第二标记模块用于对存储在本地存储装置中的第一车流量预测数据进行第二标记，并设定多个分界值，所述匹配模块用于根据不同的分界值，匹配不同的文字模板或语音模板；提醒装置，用于将与分界值对应了的文字模板，呈现在终端侧的设备的显示装置上，和用于将分界值对应了的语音模板，呈现在终端侧的设备的显示装置上，基于云端神经网络算法的预测数据和/或终端侧的历史路况数据结果，根据道路交通拥堵情况对驾驶员进行文字预测提醒或语音预测提醒；第一更新装置，用于使云服务器实时获取终端侧的传感器系统采集的交通数据，实时获取道路交叉口处的交通监控系统采集的第二交通数据，将第一交通数据和第二交通数据作为新的输入变量，基于所述改进的神经网络算法持续学习，不断优化所述第一车流量预测数据；第二更新装置，基于优化的所述第一车流量预测数据，持续更新文字预测提醒信息或语音预测提醒信息。

进一步地，包括车流量统计装置，在道路交叉口处安装车流量统计装置，并将所述车流量统计装置采集的道路交叉口的车流量数据传输至云服务器，将云服务器在道路交叉口采集的车流量数据作为神经网络算法的输入变量。

进一步地，所述文字模板或语音模板的内容包含道路的名称。

进一步地，所述人工智能模块，执行如下步骤：

S31：选取多个第一交通数据和多个第二交通数据，同时将第一交通数据和第二交通数据作为神经网络的样本数据，设定权值误差向量为e(w)，利用如下公式计算权值误差和函数E(w)：

其中，e^T(w)是e(w)的转置向量；

S32：计算神经网络权值的Jacobian矩阵J(w)；

其中，i为第i个神经元，j为第j个神经元，第i个神经元与第j个神经元之间的权值为wij；

S33：使用如下公式计算新的权值w(k+1)：

w(k+1)＝w(k)-[J^T(wk)J(wk)+μI]^-1J^T(wk)e(wk)

其中，μ为附加因子，μ＞0，I为单位矩阵；

S34：将新的权值w(k+1)带入步骤S31中的权值误差和函数计算公式，计算得到新的权值误差和函数E(w)2，比较E(w)2与原来的E(w)1的大小，如果E(w)2的数值减小，则利用数值μ除以大于1的因子θ1，然后，对w(k+1)的值进行更新，然后转至步骤S31；如果E(w)2的数值没有减小，则利用数值μ乘上一个大于1的因子θ2，不更新w(k+1)并跳转至步骤S33，当神经网络的误差达到预设值或收敛时，停止函数的迭代计算。

进一步地，第一交通数据包括实时行驶速度、停留时间、行驶时间、里程数据中的任一种；第二交通数据包括在信号灯处的行驶速度、行驶时间、停留时间、信号灯周期、绿灯时间、红灯时间中的任一种或多种。

一种基于车流量预测的驾驶员信息提醒系统，包括如上技术方案中任一所述装置。

如图2所示，一种基于车流量预测的驾驶员信息提醒装置与系统，执行如下步骤：

S1，在终端侧的设备中，预先内置多条文字模板或语音模板，所述文字模板或语音模板用于对驾驶员的驾驶行为进行提醒；

S2，在内置有所述文字模板或语音模板的终端侧的设备中，利用终端侧的传感器系统，采集第一交通数据，上传至云服务器，同时，利用道路交叉口处的交通监控系统采集第二交通数据，上传至云服务器；

S3，云服务器接收所述第一交通数据和所述第二交通数据，并基于改进的神经网络算法进行处理，得到第一车流量预测数据；

S4，云服务器将所述第一车流量预测数据传输至终端侧的设备；

S5，所述终端侧的设备接收云服务器回传的数据，并将其保存在本地存储装置中，然后执行如下步骤：

S51，在终端侧的设备上，检测本地存储装置中是否保存有当前道路的历史路况数据，如果有，则提取当前道路的历史路况数据，并根据时间特征进行第一标记；如果没有，则直接进入步骤S54；

S52，第一计算，计算在当前道路上的历史路况数据的车速均值；第二计算，计算在当前道路上的历史路况数据的行驶时间均值，并将计算数据保存在本地存储装置中；

S53，根据步骤S51中的第一标记信息，提取当前道路在不同时间段的历史路况数据的车速均值和/或行驶时间均值；

S54，对存储在本地存储装置中的第一车流量预测数据进行第二标记，并设定多个分界值，根据不同的分界值，对应不同的文字模板或语音模板；

S6，将步骤S54中与所述分界值对应了的文字模板，呈现在终端侧的设备的显示装置上，将步骤S54中与所述分界值对应了的语音模板，呈现在终端侧的设备的显示装置上，基于云端神经网络算法的预测数据和/或终端侧的历史路况数据结果，根据道路交通拥堵情况对驾驶员进行文字预测提醒或语音预测提醒；

S7，云服务器实时获取终端侧的传感器系统采集的交通数据，实时获取道路交叉口处的交通监控系统采集的第二交通数据，将第一交通数据和第二交通数据作为新的输入变量，基于所述改进的神经网络算法持续学习，不断优化所述第一车流量预测数据；

S8，基于优化的所述第一车流量预测数据，持续更新文字预测提醒信息或语音预测提醒信息。

进一步地，包括对道路交叉口的车流量进行统计的步骤，在步骤S1中在道路交叉口处安装车流量统计装置，并将所述车流量统计装置采集的道路交叉口的车流量数据传输至云服务器，在云服务器将道路交叉口的车流量数据作为神经网络算法的输入变量。

进一步地，所述文字模板或语音模板的内容包含道路的名称。

进一步地，在步骤S3中，包括如下步骤：

S31：选取多个第一交通数据和多个第二交通数据，同时将第一交通数据和第二交通数据作为神经网络的样本数据，设定权值误差向量为e(w)，利用如下公式计算权值误差和函数E(w)：

其中，e^T(w)是e(w)的转置向量；

S32：计算神经网络权值的Jacobian矩阵J(w)；

其中，i为第i个神经元，j为第j个神经元，第i个神经元与第j个神经元之间的权值为wij；

S33：使用如下公式计算新的权值w(k+1)：

w(k+1)＝w(k)-[J^T(wk)J(wk)+μI]^-1J^T(wk)e(wk)

其中，μ为附加因子，μ＞0，I为单位矩阵；

S34：将新的权值w(k+1)带入步骤S31中的权值误差和函数计算公式，计算得到新的权值误差和函数E(w)2，比较E(w)2与原来的E(w)1的大小，如果E(w)2的数值减小，则利用数值μ除以大于1的因子θ1，然后，对w(k+1)的值进行更新，然后转至步骤S31；如果E(w)2的数值没有减小，则利用数值μ乘上一个大于1的因子θ2，不更新w(k+1)并跳转至步骤S33，当神经网络的误差达到预设值或收敛时，停止函数的迭代计算。

进一步地，第一交通数据包括实时行驶速度、停留时间、行驶时间、里程数据中的任一种。

进一步地，第二交通数据包括在信号灯处的行驶速度、行驶时间、停留时间、信号灯周期、绿灯时间、红灯时间中的任一种或多种。

神经网络算法的基本原理，包括输入层、隐含层(学习层)和输出层，信号在神经元之间正向传输，得到网络输出以后与期望输出相比较，得到误差值，误差值再反向传播，用来改变初始的权值和阈值，不断迭代直到所输出的误差和最小。在这个过程中，神经网络的权值和阈值通过误差的反向传播而不断调整，并将调整后的权值和阈值保存下来，用于对新输入的变量进行计算，达到预测的目的。包括如下步骤：

SS1：对于一组序列值(x，y)，对应于每一个输入变量x，都有一个期望输出y与之对应，在神经网络的实际运算中需要确定输入神经元的节点数，例如，将其设为n，输出神经元的节点数设为m，中间的隐含层的节点数设为p；

SS2：隐含层输出计算，根据神经网络预设的输入以及神经元之间的连接权值和阈值b，可以得到中间神经元j的输出H，

其中，w为权值，b为阈值，f为激励函数，其计算公式如下：

SS3：输出层输出计算，根据隐含层神经元的计算结果和权值，使用如下公式计算整个神经网络的输出结果Ok：

SS4：误差计算，得到神经网络输出，将其与实际输出进行比较，计算神经网络输出与实际输出的误差值e：

e＝Yk-OK

SS5：权值更新，误差e进行反向传播，同时利用权值的变化量进行权值的调整，其表达式如下：

wjk＝wjk+ηHjek

其中，η为学习速率，可根据实际情况进行调整；

SS6：如果达到设定的预测误差则迭代停止，如果没有得到则转入SS2继续进行迭代计算。

其中，对初始值和阈值，一般选取0～1之间的随机数，对于学习速率，在同一个神经网络中的不同阶段可能会有不同的学习速率，可根据实际情况进行设置，一般可设置为0.01～0.8之间。

进一步地，改进后的神经网络算法的原理，

设神经元i与神经元j之间的权值为wij，对于一个输入变量xk，网络的输出为yk，节点i的输出为oik，对第s层的第j个神经元，当输入第k个样本时，节点j的输出为：

其中，为第s-1层输入第k个样本时，第j个神经元节点的输出，是第j个神经元的阈值；

定义误差和函数Ek，

神经网络的训练即是求E为最小值时的权值；

定义神经网络第s层共有n个节点，权值的误差向量为e(W)，其为列向量，则权值误差和函数E可表示为，

其中，计算平方误差和函数E(w)的梯度，

其中，

计算新的权值w(k+1)，

w(k+1)＝w(k)-[J^T(wk)J(wk)+μI]^-1J^T(wk)e(wk)

由于J^T(wk)J(wk)不一定可逆，加入微小增量μI，用于保证其可逆性。在本实施例中的其余技术特征，本领域技术人员均可以根据实际情况进行灵活选用和以满足不同的具体实际需求。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的算法，方法或系统等，均在本发明的权利要求书请求保护的技术方案限定技术保护范围之内。

对于前述的方法实施例，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，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一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优选实施例，所涉及的动作和单元并不一定是本申请所必须的。

本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法实现所描述的功能，但是这种实现不应超出本发明的范围。

所揭露的系统、模块和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例，仅仅是示意性的，例如，所述单元的划分，可以仅仅是一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以说通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述分立部件说明的单元可以是或者也可以不收物理上分开的，作为单元显示的部件可以是或者可以不收物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例的方案的目的。

所述功能如果以软件功能单元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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、ROM、RAM等。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。