本发明实施例涉及天气预测技术领域，尤其涉及一种闪电预警方法、装置及系统。
背景技术：
闪电是联合国公布的“十大自然灾害之一”，由于其巨大的破坏力，每年在全国范围内造成大量的人员伤亡。同时由于闪电瞬间释放大量电荷，造成极强的电磁脉冲，往往也给日益精密的电子仪器构成了重大的威胁。因此，闪电的预警预报具有极其重要的意义。
雷暴活动中始终伴随着强烈的放电现象，闪电活动能很好地反映雷暴活动的强弱变化与移动趋势。近年来，国家雷电监测网络日益完善，地基闪电定位网络能够监测全国范围的云-地闪电活动，而风云卫星星载闪电成像仪(lightningmappingimager，lmi)能够实现雷暴云顶放电观测，从而实现了全国范围内的闪电全方位观测。
闪电观测数据具有高时间与空间分辨率、低传输时延等特性，对于实时监测快速生消的中小尺度对流系统具有非常重要的意义。因此，直接利用闪电数据进行雷暴云的识别、追踪与外推具有一定优势。
目前，闪电的临近预警主要依靠多普勒天气雷达、气象卫星等监测数据的临近外推。如多普勒雷达的titan(thunderstormidentification,tracking,analysis,andnowcasting)、scit(stormcellidentificationandtracking)、光流法等外推算法，能够一定程度上外推未来0-1个小时的对流系统的活动状况。传统的外推多为直线外推，无法实现雷暴转向的预报，同时对雷暴的增强或者减弱无预测能力，从而导致预测准确度比较低。
技术实现要素：
针对现有技术存在的问题，本发明实施例提供一种闪电预警方法、装置及系统。
第一方面，本发明实施例提供一种闪电预警方法，包括：
获取探测区域内当前时段的星载闪电监测数据和地基闪电监测数据；
根据所述星载闪电监测数据和所述地基闪电监测数据进行聚类分析，获得所述探测区域内的雷暴云发展特征，所述雷暴云发展特征包括：雷暴云中心位置、雷暴云范围和雷暴云中闪电数量；
根据所述雷暴云中心位置、所述雷暴云范围和所述雷暴云中闪电数量构成的雷暴云特征演变序列，利用闪电预测模型进行预测，以实现对所述雷暴云的追踪和外推，获得下一时刻的闪电预警信息。
第二方面，本发明实施例提供一种闪电预警装置，包括：
获取模块，用于获取探测区域内当前时段的星载闪电监测数据和地基闪电监测数据；
聚类模块，用于根据所述星载闪电监测数据和所述地基闪电监测数据进行聚类分析，获得所述探测区域内的雷暴云发展特征，所述雷暴云发展特征包括：雷暴云中心位置、雷暴云范围和雷暴云中闪电数量；
预测模块，用于根据所述雷暴云中心位置、所述雷暴云范围和所述雷暴云中闪电数量构成的雷暴云特征演变序列，利用闪电预测模型进行预测，以实现对所述雷暴云的追踪和外推，获得下一时刻的闪电预警信息。
第三方面，本发明实施例提供一种闪电预警系统，包括：第二方面所述的闪电预警装置和终端；其中，
所述闪电预警装置将闪电预警信息发送至所述终端；
所述终端接收所述闪电预警信息，并将所述闪电预警信息进行显示。
第四方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的方法步骤。
第五方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的方法步骤。
本发明实施例提供的一种闪电预警方法、装置及系统，通过星载闪电监测数据和地基闪电监测数据进行聚类分析，获得雷暴云发展特征，再利用闪电预测模型进行预测，获得下一时刻的闪电预警信息，通过机器学习能够对雷暴发展与演变进行预报，提高对闪电预测的准确度。
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一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种闪电预警方法流程示意图；
图2为本发明实施例提供的一种闪电预警装置结构示意图；
图3为本发明实施例提供的一种闪电预警系统结构示意图；
图4为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
图1为本发明实施例提供的一种闪电预警方法流程示意图，如图1所示，所述方法，包括：
步骤101：获取探测区域内当前时段的星载闪电监测数据和地基闪电监测数据；
具体的，装置获取探测区域内当前时段的星载闪电监测数据和地基闪电监测数据，应当说明的是，可以采用风云4号闪电探测仪(lightningmappingimager，lmi)的云闪探测数据与国家闪电监测网的地基云-地闪电探测数据。
步骤102：根据所述星载闪电监测数据和所述地基闪电监测数据进行聚类分析，获得所述探测区域内的雷暴云发展特征，所述雷暴云发展特征包括：雷暴云中心位置、雷暴云范围和雷暴云中闪电数量；
具体的，根据获取到的探测区域内当前时段的星载闪电监测数据和地基闪电监测数据进行聚类分析，利用机器学习聚类算法，计算得到“闪电簇”的分布，从而实现雷暴云的识别，得到雷暴云发展特征，应当说明的是，雷暴云发展特征包括：雷暴云中心位置、雷暴云范围和雷暴云中闪电数量，还可以包括其他信息，本发明实施例对此不作具体限定。
步骤103：根据所述雷暴云中心位置、所述雷暴云范围和所述雷暴云中闪电数量构成的雷暴云特征演变序列，利用闪电预测模型进行预测，以实现对所述雷暴云的追踪和外推，获得下一时刻的闪电预警信息。
具体的，在聚类分析时，可以根据预设时次对星载闪电监测数据和地基闪电监测数据进行聚类分析，获得雷暴云对应的多个子发展特征，也可以先对星载闪电监测数据和地基闪电监测数据进行聚类分析，然后对聚类后得到的雷暴云发展特征按照预设时次进行分割，获得雷暴云对应的多个子发展特征，每个子发展特征都包括雷暴云中心位置、所述雷暴云范围和所述雷暴云中闪电数量，将雷暴云对应的多个子发展特征构成雷暴云特征演变序列作为输入，输入到闪电预测模型中，通过闪电预测模型进行预测，实现对雷暴云的追踪和外推，雷暴云是闪电的主要产生源，按照winnetal(1974)的探空结果，当云中局部电场超过约400kv/m时，就能发生闪电放电。获得下一时刻的闪电预警信息。雷暴的发展具有延续性，雷暴的发生发展遵循对流生成、发展、成熟、消亡阶段。因此雷暴的前期发展能够为下一步发展、移动提供信息。对于雷暴发展的时间序列预测，传统的神经网络模型难以保持雷暴发展状态的记忆。相对而言，循环(或递归)神经网络具有记忆功能，能够有效利用雷暴的前期活动装置，实现雷暴的未来发展预测。应当说明的是，通过循环(或递归)神经网络构建的闪电预测模型是预先建立并经过训练的。
本发明实施例通过星载闪电监测数据和地基闪电监测数据进行聚类分析，获得雷暴云发展特征，再利用闪电预测模型进行预测，获得下一时刻的闪电预警信息，通过机器学习能够对雷暴发展与演变进行预报，提高对闪电预测的准确度。
在上述实施例的基础上，所述方法，还包括：
分别对所述星载闪电监测数据和所述地基闪电监测数据进行归一化处理，并对归一化后的星载闪电监测数据和地基闪电监测数据进行融合。
具体的，对于星载闪电监测数据和地基闪电监测数据，分别设计了质量控制方法。对于地基闪电监测数据，根据雷暴活动的天气学规律，滤除时间范围t且空间范围d内孤立的闪电数据。其中，按照雷暴的活动规律，属于中小尺度系统，因此t取30min，d取20km。
对于星载闪电监测数据，利用fy4号卫星的其他通道观测数据，如红外通道、水汽和可见光通道，对其进行综合观测，如可利用红外通道观测的红外亮温去除闪电观测噪音数据，红外亮温高于－40摄氏度对应的闪电观测记录作为噪声去除。
地基闪电监测数据和星载闪电监测数据的时间和空间分辨率均具有较大差异，因此需要将二者进行融合，实现闪电的综合监测。fy4闪电观测数据时间分辨率1分钟，空间分辨率7.8km，而地基闪电定位数据的时间和空间分辨率达到了秒量级和米量级。为了便于聚类分析，闪电探测数据时间归一化至10min，空间分辨率归一化至7.8km。将归一化后的星载闪电监测数据和地基闪电监测数据进行融合。
本发明实施例通过将数量级不同的星载闪电监测数据和地基闪电监测数据进行归一化处理，以便于提高后续进行聚类分析的准确性。
在上述实施例的基础上，所述方法，还包括：
获取历史时间段内的历史雷暴云发展特征，根据所述历史雷暴云发展特征构建时间序列的雷暴云发展样本集，根据所述雷暴云发展样本集对循环或递归神经网络模型进行训练，获得所述闪电预测模型。
具体的，获取历史时间段内的历史雷暴云发展特征，可以是距当前时间最近的一周内的历史雷暴云发展特征，历史雷暴云发展特征包括雷暴云中心位置，雷暴云范围和雷暴中闪电数量，还可以包括雷暴云的移动路径等信息。根据历史雷暴云发展特征，按照时间序列构建雷暴发展样本集，即随着时间的发展，每一历史时刻对应的历史雷暴云发展特征，利用雷暴发展样本集对长短期记忆模型(longshorttermmemory，简称lstm)进行训练，获得所述闪电预测模型。
lstm通过“门”(gate)来控制丢弃或者增加信息，从而实现遗忘或记忆的功能。“门”是一种使信息选择性通过的结构，由一个sigmoid函数和一个点乘操作组成。sigmoid函数的输出值在[0,1]区间，0代表完全丢弃，1代表完全通过。一个lstm单元有三个这样的门，分别是遗忘门(forgetgate)、输入门(inputgate)、输出门(outputgate)。
在t时刻，lstm的输入有三个：当前时段网络的输入值xt、上一时刻lstm的输出值ht-1与上一时刻的单元状态ct-1；lstm的输出有两个：当前时段lstm输出值ht、和当前时段的单元状态ct。
遗忘门(forgetgate)：遗忘门是以上一单元的输出ht-1和本单元的输入xt为输入的sigmoid函数，为ct-1中的每一项产生一个在[0,1]内的值，来控制上一单元状态被遗忘的程度。
ft＝σ(wf·[ht-1,xt]+bf)(1)
其中，wf为神经元权重，bf为偏置。
输入门(inputgate)：输入门和一个tanh函数配合控制有哪些新信息被加入。tanh函数产生一个新的候选向量
ft＝σ(wf·[ht-1,xt]+bi)(2)
输出门(outputgate)：输出门用来控制当前的单元状态有多少被过滤掉。先将单元状态激活，输出门为其中每一项产生一个在[0,1]内的值，控制单元状态被过滤的程度。
ft＝σ(wf·[ht-1,xt]+bo)(4)
ht＝ot·tanh(ct)(5)
本文实施例中，根据雷暴发生发展的天气规律构建了lstm模型，该模型由lstm层、全连接层构成。lstm使用前需要进行训练，需要构建雷暴发展样本集。包括雷暴的移动路径、闪电频次变化、雷暴面积等特征。
本发明实施例通过建立lstm模型，训练lstm模型获得闪电预测模型，利用闪电预测模型进行预测，获得下一时刻的闪电预警信息，该模型具有记忆功能，能够有效利用雷暴的前期活动状态，实现对雷暴的未来发展预测。
在上述实施例的基础上，所述根据所述星载闪电监测数据和所述地基闪电监测数据进行聚类分析，包括：
根据
其中，
根据δi＝min(dij),ρj＞ρi计算闪电距离；
其中，δi为闪电j距闪电i的最小距离，所述闪电i比闪电j的闪电密度大；
根据所述闪电密度和所述闪电距离确定雷暴中心位置、雷暴云范围和雷暴云中闪电数量。
具体的，通过密度极大值快速搜索聚类算法进行聚类分析，具体算法如下：
1、闪电密度计算
其中，
利用公式(6)计算探测区域中每个闪电的密度，即计算每个闪电方圆距离dc内的闪电个数。闪电密度值是雷暴中心识别的重要依据，闪电密度越大，其闪电越密集，表征越强烈的放电过程。
实际聚类过程中，也可使用高斯核(gaussiankernel)函数来计算闪电密度，如公式(7)所示：
高斯核函数从中心到外围根据距离指数衰减，因此更易确定唯一的雷暴中心点。
2、闪电距离计算
δi＝min(dij),ρj＞ρi(8)
利用公式(8)，对每个闪电，计算所有其它闪电中密度比其大的闪电距离该闪电的最小距离(对于闪电密度最大的闪电，其δ＝max(dij))。对于δ越大的闪电，其周围散乱点越少，某一区域上簇状独立性越高。
3、雷暴聚类中心的确认
将闪电的密度值按照由高到低排列，雷暴中心闪电的确认可以通过给定的δmin和ρmin筛选出同时满足(ρ>ρmin)和(δ>δmin)条件的点作为距离中心点。
雷暴属于中小尺度天气系统，综合考虑雷暴尺度与实际聚类效果，取ρmin＝1.5，δmin＝20km，对各类雷暴单体闪电簇有较好的识别效果。
4、其余闪电的分配
当雷暴中心闪电确定之后，剩下的闪电的类别标签按照以下原则指定：闪电的类别标签与高于该闪电密度的最近闪电的类别一致。
5、雷暴边界的确定
首先定义雷暴边界区：某一雷暴云的雷暴边界区，由该雷暴云中与其他雷暴云任意闪电距离小于dc的闪电构成。然后，寻找雷暴边界区中密度最大的闪电，将其密度记为ρmax。最后，将该雷暴中ρ＜ρmax的闪电作为噪声去除，从而确定雷暴边界。
因此，可以根据闪电密度和闪电距离确定雷暴中心位置、雷暴云范围，当雷暴云范围确定后，便可以获取雷暴云中闪电数量。
本发明实施例通过密度极大值快速搜索聚类算法进行聚类分析，能够准确的获得到雷暴中心位置、雷暴云范围和雷暴云中闪电数量，为模型预测提供数据依据。
在上述实施例的基础上，所述根据所述闪电密度和所述闪电距离确定雷暴中心位置，包括：
将闪电密度大于第一预设阈值，且闪电距离大于第二预设阈值的闪电作为雷暴中心，获得所述雷暴中心位置。
具体的，将闪电的密度值按照由高到低排列，雷暴中心闪电的确认可以通过给定的δmin和ρmin筛选出同时满足(ρ>ρmin)和(δ>δmin)条件的点作为距离中心点。
雷暴属于中小尺度天气系统，综合考虑雷暴尺度与实际聚类效果，取ρmin＝1.5，δmin＝20km，对各类雷暴单体闪电簇有较好的识别效果。
在上述实施例的基础上，所述方法，还包括：
将当前时段对应的雷暴云发展特征作为新样本加入到所述雷暴云发展样本集中，构成新雷暴云发展样本集，通过所述新雷暴云发展样本集对所述闪电预测模型进行训练并更新。
具体的，在利用闪电预测模型对当前时段的雷暴云发展特征进行预测并得到预测结果后，将当前时段的雷暴云发展特征作为新样本，加入到原来的雷暴云发展样本集中，构成新雷暴云发展样本集，使得新雷暴云发展样本集更加丰富，通过新雷暴云发展样本集继续对闪电预测模型进行训练并进行模型更新，从而来保证闪电预测模型的预测准确度。
图2为本发明实施例提供的一种闪电预警装置结构示意图，如图2所示，所述装置，包括：获取模块201、聚类模块201和预测模块203，其中：
获取模块201用于获取探测区域内当前时段的星载闪电监测数据和地基闪电监测数据；聚类模块202用于根据所述星载闪电监测数据和所述地基闪电监测数据进行聚类分析，获得所述探测区域内的雷暴云发展特征，所述雷暴云发展特征包括：雷暴云中心位置、雷暴云范围和雷暴云中闪电数量；预测模块203用于根据所述雷暴云中心位置、所述雷暴云范围和所述雷暴云中闪电数量构成的雷暴云特征演变序列，利用闪电预测模型进行预测，以实现对所述雷暴云的追踪和外推，获得下一时刻的闪电预警信息。
具体的，获取模块201获取探测区域内当前时段的星载闪电监测数据和地基闪电监测数据，应当说明的是，可以采用风云4号闪电探测仪(lightningmappingimager，简称lmi)的云闪探测数据和国家闪电监测网的地基云-地闪电探测数据。聚类模块202根据获取到的探测区域内当前时段的星载闪电监测数据和地基闪电监测数据进行聚类分析，利用机器学习聚类算法，计算得到“闪电簇”的分布，从而实现雷暴云的识别，得到雷暴云发展特征，应当说明的是，雷暴云发展特征包括：雷暴云中心位置、雷暴云范围和雷暴云中闪电数量，还可以包括其他信息，本发明实施例对此不作具体限定。预测模块203将聚类分析得到的雷暴云中心位置、雷暴云范围和雷暴云中闪电数量构成的雷暴云特征演变序列作为输入，输入到闪电预测模型中，通过闪电预测模型进行预测，实现对雷暴云的追踪和外推，雷暴云是闪电的主要产生源，按照winnetal(1974)的探空结果，当云中局部电场超过约400kv/m时，就能发生闪电放电。获得下一时刻的闪电预警信息。雷暴的发展具有延续性，雷暴的发生发展遵循对流生成、发展、成熟、消亡阶段。因此雷暴的前期发展能够为下一步发展、移动提供信息。对于雷暴发展的时间序列预测，传统的神经网络模型难以保持雷暴发展状态的记忆。相对而言，循环(或递归)神经网络具有记忆功能，能够有效利用雷暴的前期活动装置，实现雷暴的未来发展预测。应当说明的是，通过循环(或递归)神经网络构建的闪电预测模型是预先建立并经过训练的。
本发明提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
本发明实施例通过星载闪电监测数据和地基闪电监测数据进行聚类分析，获得雷暴云发展特征，再利用闪电预测模型进行预测，获得下一时刻的闪电预警信息，通过机器学习能够对雷暴发展与演变进行预报，提高对闪电预测的准确度。
图3为本发明实施例提供的一种闪电预警系统结构示意图，如图3所示，所述系统包括：闪电预警装置301和终端302，其中：
所述闪电预警装置301将闪电预警信息发送至所述终端302；所述终端302接收所述闪电预警信息，并将所述闪电预警信息进行显示。
具体的，闪电预警装置301用于执行上述各方法实施例的功能，该系统为基于地理信息系统的可视化闪电临近预警平台，基于b/s和c/s混合体系结构实现，c/s结构程序(后台程序)运行于闪电预警装置301，多线程并发执行，在得到星载闪电监测数据和地基闪电监测数据之后，经过聚类分析之后，输入闪电预测模型，得到闪电预警信息。此后，将此次识别追踪的雷暴序列信息归一化之后加入训练样本集，并对lstm模型进行训练，更新预报模型，以供下次使用。应当说明的是，闪电预警装置301可以为服务器。
客户端302作为b/s结构程序(前台程序)，为显示平台用于显示所述闪电预警装置301的闪电预警结果，显示雷暴预警位置、范围、闪电活动强弱等信息。设计存储合理且拥有良好数据接口的数据库存储体系，其设计主要包括表结构(数据字段、数据类型、备注)、表间关系以及存储过程和应用层(如索引)的设计和构建。建设后台程序体系，运行于服务器端，其负责多线程并发执行。鉴于数据的时效性，后台程序多线程执行，并统一纳入后台程序体系，后台程序运行的状态可监控可在前台显示。
整个系统基于python语言设计实现，程序在windowspc服务器上运行，服务器至少包含一块nvidiagpu，用于循环(或递归)神经网络模型的训练和预报运算。测试结果表明，在接收到闪电资料之后，系统能在5分钟之内完成闪电的预警产品生成，因此,该算法在时间上完全可以作实时预报工具。
本发明实施例提供的闪电预警系统通过星载闪电监测数据和地基闪电监测数据进行聚类分析，获得雷暴云发展特征，再利用闪电预测模型进行预测，获得下一时刻的闪电预警信息，通过机器学习能够对雷暴发展与演变进行预报，提高对闪电预测的准确度。
图4为本发明实施例提供的电子设备实体结构示意图，如图4所示，所述电子设备，包括：处理器(processor)401、存储器(memory)402和总线403；其中，
所述处理器401和存储器402通过所述总线403完成相互间的通信；
所述处理器401用于调用所述存储器402中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取探测区域内当前时段的星载闪电监测数据和地基闪电监测数据；根据所述星载闪电监测数据和所述地基闪电监测数据进行聚类分析，获得所述探测区域内的雷暴云发展特征，所述雷暴云发展特征包括：雷暴云中心位置、雷暴云范围和雷暴云中闪电数量；根据所述雷暴云中心位置、所述雷暴云范围和所述雷暴云中闪电数量构成的雷暴云特征演变序列，利用闪电预测模型进行预测，以实现对所述雷暴云的追踪和外推，获得下一时刻的闪电预警信息。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取探测区域内当前时段的星载闪电监测数据和地基闪电监测数据；根据所述星载闪电监测数据和所述地基闪电监测数据进行聚类分析，获得所述探测区域内的雷暴云发展特征，所述雷暴云发展特征包括：雷暴云中心位置、雷暴云范围和雷暴云中闪电数量；根据所述雷暴云中心位置、所述雷暴云范围和所述雷暴云中闪电数量构成的雷暴云特征演变序列，利用闪电预测模型进行预测，以实现对所述雷暴云的追踪和外推，获得下一时刻的闪电预警信息。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取探测区域内当前时段的星载闪电监测数据和地基闪电监测数据；根据所述星载闪电监测数据和所述地基闪电监测数据进行聚类分析，获得所述探测区域内的雷暴云发展特征，所述雷暴云发展特征包括：雷暴云中心位置、雷暴云范围和雷暴云中闪电数量；根据所述雷暴云中心位置、所述雷暴云范围和所述雷暴云中闪电数量构成的雷暴云特征演变序列，利用闪电预测模型进行预测，以实现对所述雷暴云的追踪和外推，获得下一时刻的闪电预警信息。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。