一种基于神经网络的经营数据预测方法、可读存储介质和预测系统与流程

本发明属于数据预测和计算领域，更具体的，涉及一种基于神经网络的经营数据预测方法、可读存储介质和预测系统。

背景技术：

财务指标分析，是指总结和评价企业财务状况与经营成果的分析指标，包括偿债能力指标、运营能力指标、盈利能力指标和发展能力指标。在分析企业的经营数据或者财务数据时，通常会分析有偿债能力、盈利能力、贡献能力等。具体的，包含净资产收益率、净利润增长率、主营业务收入增长率、毛利率、负债率、现金流等数据。另外，分析国家相关数据时，gdp的增长率体现一个国家的宏观经济状况，cpi则直接影响居民的购买力，深入研究分析这些宏观经济指标，对于研究我国经济发展过程，探究经济增长规律，进行宏观经济调控以及制定经济政策具有非常重要的意义。gdp和cpi作为衡量个人、家庭、企业和国家经济部门的重要经济指标，准确预测这些指标的走势和波动幅度，则为企业合理安排生产经营与政府部门制定科学的宏观经济政策提供有效的依据。

发明人发现传统的经济预测主要是以确定性时间序列分析方法、相关性分析法为主，灰色预测方法和其他组合预测方法也常被研究人员使用。此类方法主要是对数据的因果关系和时间序列之间的关系进行分析。实际预测分析过程中，处理多重共线性、误差序列相关等问题时，会不可避免地丢失信息量，模拟效果不佳，预测精度难以令人满意。实际上公司的经营数据和指标或者国家gdp和cpi等受多重因素影响，各种因素之问关系复杂，呈现出复杂的时间序列和非线性性，预测非常困难。另外，在很多采用神经网络模型进行预测时，其很容易陷入局部最小值，不利于对数据的预测。如何利用历史大数据进行指标的预测，并且提高预测精度是目前亟不可待要解决的问题。

技术实现要素：

有鉴于此，本发明期望提供一种基于神经网络的经营数据预测方法，解决了bp神经网络算法中的容易陷入局部极小值的缺陷，并且通过优化输入参数值，减少了模型的训练计算量，提高了运算的速度，提高了预测的精度。通过本发明能更好的进行公司以及其他的数据预测，能够为用户提供更好的帮助，还提高了用户体验感。

为达到上述目的，本发明的技术方案是这样实现的：

本发明第一方面提供了一种基于神经网络的经营数据预测方法，包括以下步骤：

获取目标对象的历史数据；

根据所述历史数据进行计算，得到优化输入参数值；

初始化神经网络的参数，并根据所述优化输入参数值进行模型训练，得到训练后的模型；

输入待测的参数至训练后的模型中，得到预测输出值。

上述方案中，所述根据所述历史数据进行计算，得到优化输入参数值步骤具体为：

获取历史数据值和n个参数；

计算所述n个参数的方差贡献率；

将所述计算的n个方差贡献率从大到小进行排列；

将排名靠前的m个方差贡献率进行求和相加，得到方差贡献率和，判断所述方差贡献率和是否大于优化阈值w；

若大于等于所述优化阈值w，则选取所述m个方差为输入参数值；

其中n为大于等于2的自然数，m为小于等于n的自然数。

上述方案中，所述优化阈值w为85-100％。

上述方案中，所述初始化神经网络的参数，并根据所述优化输入参数值进行模型训练，得到训练后的模型具体为：

初始化训练参数；

将每个粒子的位置映射至bp神经网络中；

训练所述bp神经网络，计算每个粒子的适应度函数值；

进行迭代计算，更新粒子个体最优值；

更新种群全局最优值，更新粒子位置和速度，根据个体最优和全局最优对粒子的位置和速度进行调整；

判断是否满足结束条件，若不满足则返回，继续进行训练；若满足则保存迭代训练结果；

把训练结果的每维数据映射到bp神经网络中；

得到训练后的bp神经网络模型。

上述方案中，所述训练参数包括种群数目、迭代次数、种群粒子规模和其位置和速度、速度取值范围、权值中的一种或几种，所述的权值为w、c1、c2。

上述方案中，所述计算每个粒子的适应度函数值具体为：

通过以下公式进行粒子适应度的函数值计算：

其中，wnjk是网络的第n个输出值，tn是n个训练样本的实际值，s2是输出层神经元的个数。

上述方案中，所述进行迭代计算，更新粒子个体最优值具体为：比较每个粒子的当前计算适应度函数值，如果当前迭代的适应度值优于前一次迭代的适应度函数值，则将当前的个体值作为新的最优值。

上述方案中，所述更新种群全局最优值具体为：计算种群的适应度值，如果当前种群全局最优的适应度值优于上一次迭代的适应度值，选择当前迭代的全局最优值作为新的全局最优值。

本发明第二方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有基于神经网络的经营数据预测方法程序，所述经营数据预测方法程序被处理器执行时实现如上述的经营数据预测方法的步骤。

本发明第三方面还提供了一种经营数据预测系统，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的经营数据预测方法的程序，所述经营数据预测方法的程序被所述处理器执行时实现如上述的经营数据预测方法的步骤。

本发明期望提供一种基于神经网络的经营数据预测方法，解决了bp神经网络算法中的容易陷入局部极小值的缺陷，并且通过优化输入参数值，减少了模型的训练计算量，提高了运算的速度，提高了预测的精度。通过本发明能更好的进行公司以及其他的数据预测，能够为用户提供更好的帮助，还提高了用户体验感。

附图说明

图1示出了本发明一种基于神经网络的经营数据预测方法流程图；

图2示出了本发明模型训练的方法流程图；

图3示出了本发明实施例的数据预测图。

具体实施方式

为了能够更加详尽地了解本发明的特点与技术内容，下面结合附图对本发明的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发明。

bp(backpropagation)神经网络是1986年由rumelhart和mcclelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。

基本bp算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。bp算法存在一个缺陷就是，容易陷入局部极小值。

bp网络是在输入层与输出层之间增加若干层(一层或多层)神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，每一层可以有若干个节点。bp神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每～层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。

图1示出了本发明一种基于神经网络的经营数据预测方法流程图。

如图1所示，本发明公开了一种基于神经网络的经营数据预测方法，包括以下步骤：

获取目标对象的历史数据；

根据所述历史数据进行计算，得到优化输入参数值；

初始化神经网络的参数，并根据所述优化输入参数值进行模型训练，得到训练后的模型；

输入待测的参数至训练后的模型中，得到预测输出值。

需要说明的是，获取目标对象的历史数据可以为通过用户手动进行输入，或者通过后台服务器的云计算获取，或者通过网络进行自动搜索获取。获取历史数据的目的为进行模型的训练。其中的目标对象为需要的各种经营数据，可以汇率、大宗商品价格预测、gdp的预测等数据。其中的历史数据量越多越好，样本的数量越多，得到的训练模型就会越准确，通过模型得到的预测数据的方差会更贴近实际的值。若采用云计算或者网络自动搜索获取，则省去了用户的手动操作，提高了用户的体验感。

其中的历史数据可以为，例如，获取公司经营的各种数据，净资产收益率、净利润增长率、主营业务收入增长率、毛利率、负债率、现金流等数据，并且获取和历史数据的相关的参数。例如上述的净资产收益率、净利润增长率、主营业务收入增长率等参数。

根据本发明实施例，所述根据所述历史数据进行计算，得到优化输入参数值步骤具体为：

获取历史数据值和n个参数；

计算所述n个参数的方差贡献率；

将所述计算的n个方差贡献率从大到小进行排列；

将排名靠前的m个方差贡献率进行求和相加，得到方差贡献率和，判断所述方差贡献率和是否大于优化阈值w；

若大于等于所述优化阈值w，则选取所述m个方差为输入参数值；

其中n为大于等于2的自然数，m为小于等于n的自然数。

需要说明的是，所述优化阈值w为85-100％。一般取m个主成分的贡献率不低于某个优化阈值w，此优化阈值w设置为大于等于85％以上的时候，取这些m个主成分作为优化后的参数，便可以使得计算的数据量变小，从而增加了计算效率。优选的，所述优化阈值w为95％。

根据本发明实施例，所述初始化神经网络的参数，并根据所述优化输入参数值进行模型训练，得到训练后的模型具体为：

初始化训练参数；

将每个粒子的位置映射至bp神经网络中；

训练所述bp神经网络，计算每个粒子的适应度函数值；

进行迭代计算，更新粒子个体最优值；

更新种群全局最优值，更新粒子位置和速度，根据个体最优和全局最优对粒子的位置和速度进行调整；

判断是否满足结束条件，若不满足则返回，继续进行训练；若满足则保存迭代训练结果；

把训练结果的每维数据映射到bp神经网络中；

得到训练后的bp神经网络模型。

其中，训练模型时，其粒子更新公式为：

其中，w、c1、c2为权值，其可以加快粒子搜索到个体最佳位置信息和全局最佳位置信息，rand为(0,1)的随机数。

需要说明的是，所述训练参数包括种群数目、迭代次数、种群粒子规模和其位置和速度、速度取值范围、权值中的一种或几种，所述的权值为w、c1、c2。所述的训练参数为用户自己进行设定。训练参数也可以通过网络进行设定。通过网络进行设定具体为：获取其他用户设定或者预测模型，比较与要预测的数据采用的模型的相似度，将相似度在前面的模型的训练参数进行加权平均运算，得到新的训练参数值，将所述新的训练参数值作为此次预测的数值。

根据本发明实施例，所述计算每个粒子的适应度函数值具体为：

通过以下公式进行粒子适应度的函数值计算：

其中，wnjk是网络的第n个输出值，tn是n个训练样本的实际值，s2是输出层神经元的个数。

根据本发明实施例，所述进行迭代计算，更新粒子个体最优值具体为：比较每个粒子的当前计算适应度函数值，如果当前迭代的适应度值优于前一次迭代的适应度函数值，则将当前的个体值作为新的最优值。

根据本发明实施例，所述更新种群全局最优值具体为：计算种群的适应度值，如果当前种群全局最优的适应度值优于上一次迭代的适应度值，选择当前迭代的全局最优值作为新的全局最优值。

下面通过几个具体的实施例进一步说明本发明的技术方案。

实施例一

下面通过本实施例进行说明参数优化选择方法的原理和步骤。

若x是一个数据矩阵，每一行代表一个数据值，每一列代表一个指标变量，其中变量x1,x2,…xp有p个，则变量的线性组合可以表示为：

则可以简写为：

yi＝a1ix1+a2ix2+…+apixp，i＝1,2,…p

其中，需要满足以下条件：

(1)yi和yj为非线性相关，其中i≠j；i,j＝1,2,…p

(2)yi和yi+1的方差大于yi+1与yi+2的方差，其中，i＝1,2,…p-2

(3)

主成分变量的总方差等于原始变量的总方差，总方差中第i个主成分yi的方差所占的比例为主成分yi的贡献率。m个主成分的贡献率之和为m个主成分的累积贡献率，发明人发现，一般取m个主成分的贡献率不低于某个优化阈值w，此优化阈值w设置为大于等于85％以上的时候，取这些m个主成分作为优化后的参数，便可以使得计算的数据量变小，从而增加了计算效率。

寻找参数优化的步骤如下：

获取历史数据值和n个参数；

计算所述n个参数的方差贡献率；

将所述计算的n个方差贡献率从大到小进行排列；

将排名靠前的m个方差贡献率进行求和相加，得到方差贡献率和，判断所述方差贡献率和是否大于优化阈值w；

若大于等于所述优化阈值w，则选取所述m个方差为输入参数值。

其中m小于等于n。所述优化阈值w为85-100％，优选的，所述优化阈值为90％。

例如，在进行gdp和cpi的预测时。按照以往的算法，可能需要过多的输入参数值参与计算，具体参数值为：工业增加值、m2指数、原材料、外汇储备、进出口总额、财政收支等十几个变量参数，并且这些变量参数也是预测后的输出变量参数。但发明人通过参数优化分析之后发现，当时输入参数值为工业增加值、m2指数、原材料、外汇储备、进出口总额这5个的时候，其贡献率达到了91.3％。已经大于了优化阈值w的85％，则说明采用这5个可以完全满足预测模型的标准。

需要说明的是，获取历史数据为获取之前的相关数据，例如，获取公司经营的各种数据，净资产收益率、净利润增长率、主营业务收入增长率、毛利率、负债率、现金流等数据，并且获取和历史数据的相关的参数。例如上述的净资产收益率、净利润增长率、主营业务收入增长率等参数。其中，所述历史数据可以为用户输入的，也可以为通过网络进行抓取或者通过网络云进行计算获得。

根据本发明实施例，在获取了上述的数据之后，则计算所述n个参数的方差贡献率。方差是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望(即均值)之间的偏离程度。统计中的方差(样本方差)是每个样本值与全体样本值的平均数之差的平方值的平均数。进行方差和方差贡献率的计算是本领域的通用计算方法，本发明不再次进行一一赘述。

根据本发明实施例，在计算所述n个参数的方差贡献率之后，将所述计算的n个方差贡献率从大到小进行排列。例如，n＝7，即有7个参数，在计算了贡献率之后得到其贡献度为：参数1：20％；参数2:5％；参数3:10％；参数4:3％；参数5：15％；参数6:17％；参数7:30。则从大到小进行排列之后可得：参数7、参数1、参数6、参数5、参数3、参数2、参数4。

根据本发明实施例，将排名靠前的m个方差贡献率进行求和相加，得到方差贡献率和，判断所述方差贡献率和是否大于优化阈值w。例如，取优化阈值w为90％，参照上述步骤的结果，将排名靠前的5个参数的贡献率相加之后得92％，超过了优化阈值的90％。

将排名靠前的m个方差贡献率进行求和相加，得到方差贡献率和，判断所述方差贡献率和是否大于优化阈值w；若大于等于所述优化阈值w，则选取所述m个方差为输入参数值。由于上述步骤选取的前5个的参数贡献率就达到了92％，已经超过了90％的优化阈值w，所以选取的m为5，具体的优化参数为：参数7、参数1、参数6、参数5、参数3。将优化后的参数作为训练模型的输入变量参数，进行模型的训练。

实施例二

本实施例通过一组初始解在解空间并行搜索，解集中个体与个体之间的竞争和协作实现解集的寻优。

下面具体进行最优解算法的说明。

在此算法中，每个粒子i都是一个潜在的向量解，几个粒子就组成了一个解集合。每个粒子通过适应度函数来寻找最优解。当粒子在一个a维空间中进行搜索时，每个粒子的状态都被定义为：

速度向量vi，

位置向量xi，

粒子i将个体最佳位置信息pbest存储于将全局最佳位置信息gbest存储于中。

粒子更新公式为：

其中，w、c1、c2为权值，其可以加快粒子搜索到个体最佳位置信息和全局最佳位置信息，rand为(0,1)的随机数。

然而，最优解算法中的粒子位置是一个a维向量，由bp神经网络中要优化的参数组成。a的值等于优化的参数数目。实际上，最优解算法的过程经网络的过程就是一个获取最优参数的过程。在最优解算法的每次迭代计算中，每个粒子的位置都被映射到bp神经网络中，得到的训练误差被用来计算该粒子的适应度值。适应度值的计算公式如下：

其中，wnjk是网络的第n个输出值，tn是n个训练样本的实际值，s2是输出层神经元的个数。bp神经网络具有输入层、隐含层、输出层，而s2则为输出层神经元为bp神经网络中的输出层的神经元个数。

图2示出了本发明模型训练的方法流程图。

如图2所示，其具体步骤如下：

初始化训练参数。其中所述训练参数包括种群数目、迭代次数、种群粒子的位置和速度、速度取值范围。

将每个粒子的位置映射至bp神经网络中。

训练所述bp神经网络，计算每个粒子的适应度函数值。所述适应度函数值计算如下：

其中，wnjk是网络的第n个输出值，tn是n个训练样本的实际值，s2是输出层神经元的个数。

进行迭代计算，更新粒子个体最优值。所述进行迭代计算，更新粒子个体最优值具体为：对每个粒子，如果当前迭代的适应度值优于前一次迭代的适应度值，则将当前的个体值作为新的最优。

更新种群全局最优值。所述更新种群全局最优值具体为：如果当前全局最优的适应度值优于上一次迭代的适应度值，种群选择当前迭代的全局最优值作为新的全局最优值。

更新粒子位置和速度。根据个体最优和全局最优对粒子的位置和速度进行调整。

判断是否满足结束条件。若不满足则返回，继续进行训练；若满足则保存迭代训练结果，结束训练。

把训练结果的每维映射到bp神经网络中。通过此步骤就得到了具体的训练模型，通过此模型便可以进行数据的预测。

输入测试数据进行预测。此步骤为通过输入需要测试的数据至训练的模型中，得到预测的数值。

实施例三

净资产收益率、净利润增长率、主营业务收入增长率、毛利率、负债率、现金流、员工平均工资等数据，其分别为参数1-7。n＝7，即有7个参数，在计算了贡献率之后得到其贡献度为：参数1：20％；参数2:5％；参数3:10％；参数4:3％；参数5：15％；参数6:17％；参数7:30。则从大到小进行排列之后可得：参数7、参数1、参数6、参数5、参数3、参数2、参数4。

根据本发明实施例，将排名靠前的m个方差贡献率进行求和相加，得到方差贡献率和，判断所述方差贡献率和是否大于优化阈值w。例如，取优化阈值w为90％，参照上述步骤的结果，将排名靠前的5个参数的贡献率相加之后得92％，超过了优化阈值的90％。

将排名靠前的m个方差贡献率进行求和相加，得到方差贡献率和，判断所述方差贡献率和是否大于优化阈值w；若大于等于所述优化阈值w，则选取所述m个方差为输入参数值。由于上述步骤选取的前5个的参数贡献率就达到了92％，已经超过了90％的优化阈值w，所以选取的m为5，具体的优化参数为：参数7、参数1、参数6、参数5、参数3。将优化后的参数作为训练模型的输入变量参数，进行模型的训练。

设置bp神经网络的初始值，即训练参数：初始学习率为0.015；迭代次数为1000，迭代目标为0.0001；粒子种群规模为64；种群迭代次数为40；权值w＝0.9；c1和c2为2。将37组上述5个参数的历史数据值进行模型训练，得到训练好的模型。

将净资产收益率、净利润增长率、主营业务收入增长率、毛利率、负债率、现金流、员工平均工资这7个数据输入到训练好的模型中，便得出了模型的预测输出值。图3示出了本发明实施例的数据预测图，通过图3可看出通过模型训练之后的预测数据值和真实情况的数据值。图中的上面的曲线为预测的数据值，下面的曲线为实际的数据值。可以看出，实际的数据值和经过预测的数据值十分的接近，其方差已经接近最小，达到了预期的标准。通过此次的预测分析，采用5个的优化参数时，其计算时间比计算7个参数时节省了40％，所以提高了计算的速度，提高了计算效率。

实施例四

所述训练参数包括种群数目、迭代次数、种群粒子规模和其位置和速度、速度取值范围、权值中的一种或几种，所述的权值为w、c1、c2。所述的训练参数为用户自己进行设定。训练参数也可以通过网络进行设定。通过网络进行设定具体为：获取其他用户设定或者预测模型，比较与要预测的数据采用的模型的相似度，将相似度在前面的模型的训练参数进行加权平均运算，得到新的训练参数值，将所述新的训练参数值作为此次预测的数值。

其中服务器获取其他用户设定或者预测模型。服务器获取的可以是其他用户在之前进行预测过的数据或者模型，也可以是系统通过之前的运算得到的最优的预测模型。也就是说，服务器获取的是之前使用过的模型或者是用户使用过的数据和模型。然后比较与要预测的数据采用的模型的相似度，比较相似度是为了得到和本次预测的模型类似的模型组，这样有利于本次预测的使用。再进行计算，比较与要预测的数据采用的模型的相似度，将相似度在前面的模型的训练参数进行加权平均运算。此步骤采用加权平均计算减少了数据的统计复杂度，还可以较好的完成模型参数的选择。最后，得到新的训练参数值，将所述新的训练参数值作为此次预测的数值。

通过网络获取训练参数值，可以较好的完成bp神经网络模型的训练，并且可以得到较好的训练模型。

通过本发明的方案，还可应用于股票价格、股市指数、汇率、大宗商品价格预测、企业财务状况预警、交通客流预测等方面。

需要说明的是，本发明中未相信进行说明的均为本领域技术人员的常用技术手段，故本发明不再进行一一赘述。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有基于神经网络的经营数据预测方法程序，所述经营数据预测方法程序被处理器执行时实现如上述的经营数据预测方法的步骤。

需要说明的是，计算机可读存储介质可以在手机终端中使用，也可以在服务器中使用。

本发明还提供了一种经营数据预测系统，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的经营数据预测方法的程序，所述经营数据预测方法的程序被所述处理器执行时实现如上述的经营数据预测方法的步骤。

需要说明的是，本系统可以为计算机的服务器系统，通过存储在所述存储器上并可在所述处理器上运行的经营数据预测方法的程序，所述经营数据预测方法的程序被所述处理器执行时实现如上述的经营数据预测方法的步骤。将预测的结果可以向手机或者计算机进行推送显示。

通过本发明的技术方案，解决了bp神经网络算法中的容易陷入局部极小值的缺陷，并且通过优化输入参数值，减少了模型的训练计算量，提高了运算的速度，提高了预测的精度。通过本发明能更好的进行公司以及其他的数据预测，能够为用户提供更好的帮助，还提高了用户体验感。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

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：移动存储设备、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元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，也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，本发明实施例的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。而前述的存储介质包括：移动存储设备、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以所述权利要求的保护范围为准。