店铺到访人群挖掘方法、装置、设备和介质与流程

本申请涉及互联网技术领域，尤其涉及一种用户到访预测技术，具体涉及一种店铺到访人群挖掘方法、装置、设备和介质。

背景技术：

伴随着技术的发展，传统的广告主不再满足于粗放式投放广告等优惠活动，他们希望将广告更准确的投放给有需求的人群，从而提高广告投放的roi。有些比较先进的广告主更是会实际监测广告带来的到访人群，从而判断广告投放的效果。

目前，传统广告主在进行广告投放活动的时候，线下往往是圈选一定的区域进行广告投放，线上相应的可能会增加一些人群属性进行相对更准确的广告投放。但是，这些方法仍然比较粗放，确定的可能到访人群的准确性并不高，从而影响广告投放的转化率和投放效果。

技术实现要素：

本申请实施例提供一种店铺到访人群挖掘方法、装置、设备和介质，以提高店铺投放广告的转化率和投放效果。

第一方面，本申请实施例提供了一种店铺到访人群挖掘方法，包括：

根据用户的历史位置信息和店铺的位置信息，确定历史特定时间段内所述店铺的到访人群；

获取所述到访人群中每个用户在所述历史特定时间段之前预设时间内的线上信息和gps打点信息，并确定每个gps打点信息对应的店铺到访便利度；

利用所述到访人群中每个用户的线上信息、gps打点信息及其对应的店铺到访便利度构建模型特征，并基于所述模型特征训练到访预测模型；

其中，所述到访预测模型用于预测用户到访店铺的概率，以对店铺到访人群进行挖掘。

上述申请中的一个实施例具有如下优点或有益效果：在线上信息的基础上，还结合gps打点信息，并确定每个gps打点信息对应的店铺到访便利度，结合线上信息、gps打点信息及其对应的店铺到访便利度构建模型特征，训练出到访预测模型，使得该模型对用户到访的概率预测更加准确，利用该模型来挖掘出店铺推出活动时候的可能到访人群，从而帮助广告主实现更准确的广告投放，提高广告投放的转化率和投放效果。

可选的，所述线上信息至少包括：用户的搜索信息、画像信息和用户终端的app安装信息。

可选的，所述确定每个gps打点信息对应的店铺到访便利度，包括：

根据路网信息和所述店铺的位置信息，计算所述店铺周围路网上不同位置至所述店铺的到达时间，根据所述不同位置的到达时间刻画到达店铺的等时圈信息，其中，不同等时圈上的位置至所述店铺的到达时间不同；

根据所述每个gps打点信息所属的等时圈，确定所述每个gps打点信息对应的店铺到访便利度。

上述申请中的一个实施例具有如下优点或有益效果：由于用户是否到访与到店的便利程度有关，因此，利用路网信息刻画出店铺的等时圈，利用等时圈，也即到店时间来衡量店铺到访便利度，并让模型进行学习，从而利用训练好的模型实现店铺到访人群的准确挖掘。

可选的，所述根据所述每个gps打点信息所属的等时圈，确定所述每个gps打点信息对应的店铺到访便利度，包括：

根据所述每个gps打点信息所属的等时圈，以及每个gps打点信息对应的节假日和天气信息，确定所述每个gps打点信息对应的店铺到访便利度。

上述申请中的一个实施例具有如下优点或有益效果：除了到店时间会影响用户是否到访之外，节假日和天气的信息也会影响，因此，该节假日和天气的信息也可以作为店铺到访便利度的确定依据，从而进一步提高模型预测的准确度。

可选的，所述利用所述到访人群中每个用户的线上信息、gps打点信息及其对应的店铺到访便利度构建模型特征，包括：

利用所述每个gps打点信息发生的时间维度信息，构建每个gps打点信息的时序特征；

利用所述到访人群中每个用户的线上信息、gps打点信息及其对应的时序特征和店铺到访便利度构建模型特征。

上述申请中的一个实施例具有如下优点或有益效果：根据每个gps打点信息发生的时间维度信息构建其时序特征，以在时间上对gps打点信息进行区分，进一步对特征的构建进行细化，以实现精准学习和预测。

第二方面，本申请实施例还提供了一种店铺到访人群挖掘装置，包括：

到访人群确定模块，用于根据用户的历史位置信息和店铺的位置信息，确定历史特定时间段内所述店铺的到访人群；

信息处理模块，用于获取所述到访人群中每个用户在所述历史特定时间段之前预设时间内的线上信息和gps打点信息，并确定每个gps打点信息对应的店铺到访便利度；

特征构建与模型训练模块，用于利用所述到访人群中每个用户的线上信息、gps打点信息及其对应的店铺到访便利度构建模型特征，并基于所述模型特征训练到访预测模型；

其中，所述到访预测模型用于预测用户到访店铺的概率，以对店铺到访人群进行挖掘。

第三方面，本申请实施例还提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的店铺到访人群挖掘方法。

第四方面，本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例所述的店铺到访人群挖掘方法。

上述申请中的一个实施例具有如下优点或有益效果：在用户的搜索信息、画像信息和用户终端的app安装信息等线上信息的基础上，还结合gps打点信息、路网信息、店铺位置、节假日与天气等线下信息，利用线下信息来衡量用户到店的便利程度，对模型特征进行细化，从而训练出更准确的到访预测模型，利用该模型来挖掘出店铺推出活动时候的可能到访人群，帮助广告主实现更准确的广告投放，提高广告投放的转化率和投放效果。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的店铺到访人群挖掘方法的流程示意图；

图2是根据本申请第二实施例的店铺到访人群挖掘方法的流程示意图；

图3是根据本申请第三实施例的店铺到访人群挖掘装置的结构示意图；

图4是用来实现本申请实施例的店铺到访人群挖掘方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本申请第一实施例的店铺到访人群挖掘方法的流程示意图，本实施例可适用于在店铺推出活动时对可能的到访人群进行挖掘，以提高广告投放转化率的情况。该方法可由一种店铺到访人群挖掘装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如服务器或计算机设备等。如图1所示，该方法具体包括如下：

s101、根据用户的历史位置信息和店铺的位置信息，确定历史特定时间段内所述店铺的到访人群。

为了挖掘店铺到访人群，需要训练出能够对用户是否到访进行预测的到访预测模型，而模型的训练需要获取样本数据。本申请实施例中，则是利用曾经到访过店铺的到访人群作为样本，从该到访人群的相关数据中构建模型特征进行训练。

其中，所述历史特定时间段可以是任一时间段，该时间段也可以是任一长度的时间段，可以根据样本数据的数量以及实际需要进行配置。至于哪些属于到访用户，则可以根据用户的历史位置信息和店铺的位置信息来确定。例如，若在历史特定时间段内，历史位置信息与店铺的位置信息相匹配的用户则属于到访用户，所有的到访用户则构成了所述到访人群。

s102、获取所述到访人群中每个用户在所述历史特定时间段之前预设时间内的线上信息和gps打点信息，并确定每个gps打点信息对应的店铺到访便利度。

在确定到访人群之后，还需要确定利用到访人群的哪些信息来构建模型特征。众所周知，现有技术中通常会根据店铺的位置在线下圈定一定的区域，对该区域的人群进行广告投放，有些现有技术还可能在此基础上增加一些人群属性，以提高广告投放的准确度。然而，单一的在店铺周围基于位置来确定广告投放人群，是非常片面的，即使是综合人群属性信息，也只能在小范围内适当提高准确度，仍然无法满足当下对店铺到访人群的挖掘需求。而在本申请实施例中，则是结合了线上和线下信息的多种因素，能够在很大程度上提高效率和到访人群挖掘的准确性。

具体的，所述线上信息至少包括：用户的搜索信息、画像信息和用户终端的app安装信息。其中，用户的搜索信息是指用户在互联网上搜索过的query信息，画像信息是根据大数据统计得到的用来描述不同用户特点的信息，而用户终端的app安装信息则是指用户在其终端上安装有哪些app。而上述query信息、画像信息和app安装信息都是对该用户到访店铺的预测有关联的信息，从中可以获知用户感兴趣的内容，用户的特点和属性等，并作为到访预测的依据。

此外，gps打点信息作为线下信息的一种，也对用户的到访预测起作用。其中，gps打点信息是指通过互联网获取到的用户的实时位置信息，也即用户曾经到过哪里，或者路过哪里等位置信息，例如可以是经纬度信息。而由于对用户是否到访进行预测时，用户到访的便利程度也可以作为考虑的依据，例如，若到访便利程度较低，那么该用户到访的可能性就越低，反之亦然。因此，本申请实施例中除了结合线上信息之外，还结合了线下的gps打点信息，并确定每个gps打点信息对应的店铺到访便利度，以作为构建模型特征的数据基础。

在一种实施方式中，所述确定每个gps打点信息对应的店铺到访便利度，包括：

根据路网信息和所述店铺的位置信息，计算所述店铺周围路网上不同位置至所述店铺的到达时间，根据所述不同位置的到达时间刻画到达店铺的等时圈信息，其中，不同等时圈上的位置至所述店铺的到达时间不同；

根据所述每个gps打点信息所属的等时圈，确定所述每个gps打点信息对应的店铺到访便利度。

其中，根据路网信息即可获取店铺周围的通行道路，以店铺为中心，向各个通行道路进行辐射，确定出每个通行道路上的一些随机的位置点，以及这些位置点至店铺的到达时间，就可以依据到达时间刻画出等时圈，同一等时圈上的位置点至店铺的到达时间相同或相近，不同等时圈上的位置点至店铺的到达时间则不同，或相差较远。位于不同等时圈上的gps打点，由于其至店铺的到达时间是不同的，因此，其对应的店铺到访便利度也不同，故可以根据等时圈来确定每个gps打点信息对应的店铺到访便利度。

s103、利用所述到访人群中每个用户的线上信息、gps打点信息及其对应的店铺到访便利度构建模型特征，并基于所述模型特征训练到访预测模型，其中，所述到访预测模型用于预测用户到访店铺的概率，以对店铺到访人群进行挖掘。

通过结合线上与线下信息构建模型特征，避免了现有技术中的单一特征的准确率不高的问题，训练出来的到访预测模型的准确度更高。

本申请实施例的技术方案，在线上信息的基础上，还结合线下的gps打点信息，并确定每个gps打点信息对应的店铺到访便利度，结合线上信息、gps打点信息及其对应的店铺到访便利度构建模型特征，训练出到访预测模型，使得该模型对用户到访的概率预测更加准确，利用该模型来挖掘出店铺推出活动时候的可能到访人群，从而帮助广告主实现更准确的广告投放，提高广告投放的转化率和投放效果。

图2是根据本申请第二实施例的店铺到访人群挖掘方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图2所示，该方法具体包括如下：

s201、根据用户的历史位置信息和店铺的位置信息，确定历史特定时间段内所述店铺的到访人群。

s202、获取所述到访人群中每个用户在所述历史特定时间段之前预设时间内的线上信息和gps打点信息。

其中，所述线上信息至少包括：用户的搜索信息、画像信息和用户终端的app安装信息。

在模型训练时，还可以将所述画像信息和用户终端的app安装信息先进行embedding(嵌入层)，然后再作为模型的输入进行训练。而对于用户的搜索信息，则可以先对其进行筛选，也即通过特定的接口获取原始搜索信息中与店铺广告或活动内容的相似度，对于相似度达到一定阈值的原始搜索信息，再结合其时间维度信息进行划分，得到带有时序特征的搜索信息，也即不同时间段的搜索信息，让模型根据时序特征对搜索信息进行区分，并按照不同的权重进行学习，从而实现模型特征的进一步细化，提高模型预测的准确度。

s203、根据路网信息和所述店铺的位置信息，计算所述店铺周围路网上不同位置至所述店铺的到达时间，根据所述不同位置的到达时间刻画到达店铺的等时圈信息，其中，不同等时圈上的位置至所述店铺的到达时间不同。

s204、根据所述每个gps打点信息所属的等时圈，以及每个gps打点信息对应的节假日和天气信息，确定所述每个gps打点信息对应的店铺到访便利度。

在上述实施例的基础上，本实施例在确定店铺到访便利度的过程中，除了结合等时圈信息之外，还结合了节假日和天气信息。具体的，是否处于节假日期间，以及当前的天气情况，对用户到店的便利程度都是存在影响的。例如，若处于节假日期间，人们不仅有时间，而且更加乐于来到商店或店铺购买所需商品，因此，节假日期间的到店便利程度就更高；而遇到刮风或下雨等恶劣天气时，到店便利程度自然就更低，反之则更高。因此，在考虑等时圈信息之外，还结合节假日和天气信息来确定店铺到店便利度，并以此来构建模型特征进行学习，让模型可以根据用户实时的gps打点信息、当前的节假日和天气信息，以及其他线上信息，综合预测出用户到店的概率，从而实现精确的到访用户挖掘。

s205、利用所述每个gps打点信息发生的时间维度信息，构建每个gps打点信息的时序特征。

其中，时间维度信息可以是指获取到每个gps打点信息的时间，或者是gps打点信息发生的时间。每个gps打点信息的时间维度信息都不同，而不同时间的gps打点信息对用户到访预测的影响又是不同的。例如，如果某用户在一个月之前的gps打点信息处于店铺周围，或者到店的便利度很高，但并不代表一个月之后这个用户到店的概率仍然高，这只能表明一个月前用户到店的概率高。

因此，需要根据时间维度信息来构建每个gps打点信息的时序特征，也即，从时间这一维度，按照时间的远近，将不同的gps打点信息进行划分，并通过时序特征的方式来表示，并加以区分。而且，不同时序特征的gps打点信息的权重可以是不同，时间发生在近期的打点信息的权重可以更高，反之则更低，从而让模型对不同发生时间的gps打点信息具有区分的能力，并学习其中的特征和规律，以便更准确地进行预测。

s206、利用所述到访人群中每个用户的线上信息、gps打点信息及其对应的时序特征和店铺到访便利度构建模型特征，并基于所述模型特征训练到访预测模型。

其中，所述模型例如可以是dcn(deep&crossnetwork,深度交叉网络)模型。

本申请实施例的技术方案，在用户的搜索信息、画像信息和用户终端的app安装信息等线上信息的基础上，还结合gps打点信息、路网信息、店铺位置、节假日与天气等线下信息，利用线下信息来衡量用户到店的便利程度，对模型特征进行细化，从而训练出更准确的到访预测模型，利用该模型来挖掘出店铺推出活动时候的可能到访人群，帮助广告主实现更准确的广告投放，提高广告投放的转化率和投放效果。

图3是根据本申请第三实施例的店铺到访人群挖掘装置的结构示意图，本实施例可适用于在店铺推出活动时对可能的到访人群进行挖掘，以提高广告投放转化率的情况。该装置可实现本申请任意实施例所述的店铺到访人群挖掘方法。如图3所示，该装置300具体包括：

到访人群确定模块301，用于根据用户的历史位置信息和店铺的位置信息，确定历史特定时间段内所述店铺的到访人群；

信息处理模块302，用于获取所述到访人群中每个用户在所述历史特定时间段之前预设时间内的线上信息和gps打点信息，并确定每个gps打点信息对应的店铺到访便利度；

特征构建与模型训练模块303，用于利用所述到访人群中每个用户的线上信息、gps打点信息及其对应的店铺到访便利度构建模型特征，并基于所述模型特征训练到访预测模型；

其中，所述到访预测模型用于预测用户到访店铺的概率，以对店铺到访人群进行挖掘。

可选的，所述线上信息至少包括：用户的搜索信息、画像信息和用户终端的app安装信息。

可选的，所述信息处理模块302包括：

信息获取单元，用于获取所述到访人群中每个用户在所述历史特定时间段之前预设时间内的线上信息和gps打点信息；

等时圈刻画单元，用于根据路网信息和所述店铺的位置信息，计算所述店铺周围路网上不同位置至所述店铺的到达时间，根据所述不同位置的到达时间刻画到达店铺的等时圈信息，其中，不同等时圈上的位置至所述店铺的到达时间不同；

店铺到访便利度确定单元，用于根据所述每个gps打点信息所属的等时圈，确定所述每个gps打点信息对应的店铺到访便利度。

可选的，所述店铺到访便利度确定单元具体用于：

根据所述每个gps打点信息所属的等时圈，以及每个gps打点信息对应的节假日和天气信息，确定所述每个gps打点信息对应的店铺到访便利度。

可选的，所述特征构建与模型训练模块303具体用于：

时序利用所述每个gps打点信息发生的时间维度信息，构建每个gps打点信息的时序特征；

利用所述到访人群中每个用户的线上信息、gps打点信息及其对应的时序特征和店铺到访便利度构建模型特征。

本申请实施例提供的店铺到访人群挖掘装置300可执行本申请任意实施例提供的店铺到访人群挖掘方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图4所示，是根据本申请实施例的店铺到访人群挖掘方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。

存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的店铺到访人群挖掘方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的店铺到访人群挖掘方法。

存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的店铺到访人群挖掘方法对应的程序指令/模块(例如，附图3所示的到访人群确定模块301、信息处理模块302和特征构建与模型训练模块303)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的店铺到访人群挖掘方法。

存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据实现本申请实施例的店铺到访人群挖掘方法的电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至实现本申请实施例的店铺到访人群挖掘方法的电子设备。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。

实现本申请实施例的店铺到访人群挖掘方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。

输入装置403可接收输入的数字或字符信息，以及产生与实现本申请实施例的店铺到访人群挖掘方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，在用户的搜索信息、画像信息和用户终端的app安装信息等线上信息的基础上，还结合gps打点信息、路网信息、店铺位置、节假日与天气等线下信息，利用线下信息来衡量用户到店的便利程度，对模型特征进行细化，从而训练出更准确的到访预测模型，利用该模型来挖掘出店铺推出活动时候的可能到访人群，从而帮助广告主实现更准确的广告投放，提高广告投放的转化率和投放效果。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。