用于行程信息处理的方法、装置、设备和存储介质与流程

本公开的各实现方式涉及智能交通领域，更具体地，涉及用于行程信息处理的方法、设备和计算机存储介质。

背景技术：

在电子地图和导航领域，移动主体(交通工具或者行人等)由起点到终点所要花费的时间是一个非常重要的技术指标，它描述了出行的相关时间代价。在智能交通领域，这也被称为预计到达时间(estimatedtimeofarrival，eta)的确定。

在智能出行场景中，每个特定的行程将与从起点到终点的特定路径相对应。该路径可能是驾驶者前往乘客上车点的路线，也可能是接到乘客之后前往乘客目的地的路线。行程的预计耗时能够用于智能交通的多个方面。例如，预计耗时可以用于估计行程剩余时间、用于估计达到终点的时间、用于估计行程的花费或者用于调度交通工具等。因此，如何更为准确地确定行程的预计耗时称为当前的关注焦点。

技术实现要素：

本公开的实施例提供了一种行程信息处理的方案。

在本公开的第一方面，提供了一种用于行程信息处理的方法。该方法包括：确定与行程相关联的多个路段；确定多个路段的位置编码，一个位置编码指示多个路段中的一个相应路段在行程中被通过的次序；以及基于多个路段的交通属性和位置编码，确定行程的预计耗时，交通属性至少指示多个路段的当前交通状态。

在本公开的第二方面中，提供了一种用于行程信息处理的装置。该装置包括：路段确定模块，被配置为确定与行程相关联的多个路段；位置编码确定模块，被配置为确定多个路段的位置编码，一个位置编码指示多个路段中的一个相应路段在行程中被通过的次序；以及耗时确定模块，被配置为基于多个路段的交通属性和位置编码，确定行程的预计耗时，交通属性至少指示多个路段的当前交通状态。

在本公开的第三方面，提供了一种电子设备，包括：存储器和处理器；其中存储器用于存储一条或多条计算机指令，其中一条或多条计算机指令被处理器执行以实现根据本公开的第一方面的方法。

在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有一条或多条计算机指令，其中一条或多条计算机指令被处理器执行实现根据本公开的第一方面的方法。

根据本公开的各种实施例，可以更为准确地确定行程的预计耗时，从而为行程的参与者(例如，司机或者乘客)提供更为准确的参考。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素，其中：

图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图；

图2示出了根据本公开的一些实施例的确定不同行程的预计耗时的示意图；

图3示出了根据本公开的一些实施例的示例行程信息处理方法的流程图；

图4示出了根据本公开的一些实施例的确定带有位置编码信息的特征向量的示例方法的流程图；

图5示出了根据本公开的一些实施例的利用模型确定预计耗时的示意图；

图6示出了根据本公开的一些实施例的信息处理的装置的示意性结构框图；以及

图7示出了能够实施本公开的多个实施例的计算设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

首先参见图1，其示意性示出了其中可以使用根据本公开的示例性实现方式的应用程序的环境100的示意图。

能够用户在线呼叫车辆服务的应用是已知的，可以称为“叫车软件”或“叫车应用”。如图1所示，环境100包括终端设备160，其被配置为呈现如图1所示的用户界面110。在用户界面110，可以为用户(例如，驾驶员或者乘客)呈现行程的起点120、终点130以及从起点120到终点130的路径140。

终端设备160例如可以获取行程的预计耗时。应当理解，终端设备160可以根据起点行程的起点120、终点130以及行驶路线140来确定预计耗时。备选地，终端设备160可以向服务器170提供与形成有关的信息，并且由服务器170来确定预计耗时，并将预计耗时从服务器170发送至终端设备160。

在获取了行程的预计耗时后，终端设备160可以为用户提供附加的信息，以使得用户更好地了解行程的状态。例如，终端设备160可以呈现与预计到达时间eta有关的提示信息150-1，以使得用户可以直观地了解行程的预计结束时间。在一个具体的示例场景中，乘客例如已经预约了交通工具以进行特定行程。此时，提示信息150-1可以用于向乘客提示该行程的预计到达时间为15:00。

在另一示例中，终端设备160例如也可以呈现与行程的预计耗时有关的提示信息150-2，以使得用户可以直观地了解行程预计需要的时间。在一个具体的示例场景中，用户(例如，驾驶员)可以通过终端设备160指定行程的起点(例如，起点120)和终点(例如，终点130)。此时，提示信息150-2可以用于向乘客提示从该起点120到该终点130的行程的预计耗时为30分钟。

在又一示例中，终端设备160例如还可以呈现与行程的估计价格有关的提示信息150-3，以使得用户可以直观地了解该行程预计需要的花费。应当理解，花费信息可以是由终端设备160或者服务器170基于行程的预计耗时所计算的。在一个具体的示例场景中，用户(例如，乘客)可以利用终端设备160预约从指定起点120到指定终点130的行程。此时，提示信息150-3可以用于向乘客提示该行程的预计花费为xx元。

在又一示例中，终端设备160例如还可以呈现与行程的剩余时间的提示信息150-4，以使得用户可以直观地了解正在进行中的行程的预计剩余时间。在一个具体的示例场景中，用户(例如，驾驶员)已经开始了前往终点130的特定行程。此时，终端设备160或者服务器170例如可以获取用户的实时位置，并根据该实时位置作为新的起点(例如，起点120)来更新行程的预计耗时。提示信息150-4可以实时地或周期性地更新，以向用户呈现行程预计的剩余时间。

在一类已知方案中，可以利用机器学习模型(例如，gbdt(gradientbaseddecisiontree)、fm(factorizationmachine)和rnn(recurrentneuralnetwork)等)来估计行程的预计耗时。例如，在利用路径规划服务获取从起点120到终点130的路径140后，已知的方案可以将该路径140划分为多个首尾相连的路段(也称为link)。路段可以是指具有相对较短长度且具有方向的一段路径。根据一些已知方案，路径规划服务可以根据起点和终点直接生成多个路段，来指示从起点到终点的路径。

机器学习模型的输入例如可以包括路径140和其它个性化信息(司机id、天气、星期几、月份等)，其中路径可以包括多个路段，每个路段可以包括对应的交通属性，比如拥堵状况、限速、车道数、是否收费等。根据已知的方案，机器学习模型可以利用路段的交通属性以及其他个性化信息(例如，司机的信息、乘客的信息和天气信息等与路段无关的信息)，来确定行程的预计耗时。

然而，在这样的机器学习模型中，输入到机器学习模型中的路段的交通属性既包括路段的静态属性(例如，车道数)，也包括路段的动态属性(例如，拥堵状况)。在一些已知方案，在很短的时间内(例如，2分钟内)，路段的动态属性将不发生变化。换言之，在机器学习模型的处理过程中，这样的路段的动态属性将被始终转换为相同的特征向量以用于估计预计耗时。然而，这样的处理方式是不合理的。

图2示出了根据本公开的一些实施例的确定不同行程的预计耗时的示意图200。如图2所示，机器学习模型在同一时刻需要估计两个行程的预计耗时，其中一个行程(为了方便描述，下文称为第一行程)的起点为120且终点为130，另一行程(为了方便描述，下文称为第二行程)的起点为210且终点220。如图2所示，第一行程和第二行程都需要行驶通过从位置230到位置130(即，第一行程的终点130)的路段220。

根据已知的方案，路段220的交通属性将被转换为相同的特征向量，以用于确定两个不同行程的预计耗时。然而，路段220在两个不同行程所起的作用实际上是不同的。对于第一行程，路段220是在行程的后段，在用户实际行驶通过路段220时，路段220的交通状况可能发生了极大变化。相反，对于第二行程，路段220是行程的中前段，用户例如可以很快通过路段220，此时路段220的交通状况例如将不会发生大的变化。因此，相同的路段220对于不同的行程的预计时间估计应当具有不同的影响。然而，已知的方案无法有效地区分以上情形，这导致某些情况下行程的预计耗时将不准确。

根据本公开的各种实施例，提供了一种行程信息处理的方案。在本公开的实施例中，可以通过路径规划服务确定与行程相关联的多个路段。随后，系统可以确定多个路段的位置编码，其中一个位置编码指示多个路段中的一个相应路段在行程中被通过的次序。例如，当一个路段是行程中被通过的第一个路段时，其位置编码例如可以被确定为1。随后，基于多个路段的交通属性和位置编码，系统可以确定行程的预计耗时。基于这样的方式，通过引入位置编码，本公开的实施例可以区别同一路段对于不同行程的作用，从而更为准确地确定行程的预计耗时。

图3示出了根据本公开的一些实施例的行程信息处理的示例方法300的流程图。该方法300例如可以在图1的终端设备160和/或服务器170处实施。为了方便描述，以下以服务器170作为示例来描述方法300。

在框302，服务器170确定与行程相关联的多个路段。在一些实施例中，服务器170例如可以根据从终端设备160接收的行程信息来确定与行程相关联的多个路段。

在一些实施例中，用户可以利用终端设备160来预约行程。具体地，用户可以通过终端设备160指定预约行程的起点120、终点130和行程的起始时间等。终端设备160例如可以将包括用户(例如，乘客)所指定的起点120、中间停靠点和/或终点130的行程信息发送至服务器170。在一些实施例中，行程信息例如还可以包括行程的时间信息，例如，用指定的行程起始时间等。进一步地，服务器170可以利用路径生成服务处理行程信息来确定与该行程所对应的多个路段。

在另一些实施例中，对于正在进行中的行程(例如，在驾驶者接到乘客，并开始行程后)，终端设备160例如可以将包括用户(例如，乘客)的当前位置定时地发送至服务器170。服务器170例如可以基于当前位置(以作为新的起点)和先前的行程信息(例如，行程的终点和行驶路线)来确定与正在进行中的行程相关联的多个路段。

在一些实施例中，服务器170可以根据起点120到终点130的路线140来确定对应的多个路段。例如，路线140(tr)例如可以被表示为m个位置：

tr＝[w1,w2,…,wi…,wm],(1≤i≤m)(1)

其中，tr指路线，m指路线tr中包括的位置的数量，wi指路线tr中位置i的地理信息，m个位置的排列顺序与路线tr的方向对应，位置i的地理信息可以包括位置i的经度-纬度坐标。

基于路线140中所包括的位置，服务器170例如可以通过查找预先存储的路段表来确定多个路段。通过这样的方式，路线140例如可以被表示为多个路段的序列：

在框304，服务器170确定多个路段的位置编码，其中一个位置编码指示多个路段中的一个相应路段在行程中被通过的次序。应当理解，位置编码可以表征路段在路段序列中的位置。以公式(2)作为示例，的位置编码可以被确定为1，的位置编码可以被确定为i。应当理解，以上具体的位置编码数值只是示意性的，还可以采用其他能够指示次序的数值以作为位置编码。

示例性地，对于图2中所示的从起点120至终点130的第一行程，其例如包括6个路段。每个路段的起终点(除起点120和终点130外)在图2中通过空心圆点示出。在该行程中，服务器170例如可以确定路段220的位置编码为6，其表示路段220在第一行程中是第6个被通过的路段。对于图2中从起点210至终点220的第二行程，其例如包括4个路段。路段220在第二行程中的位置编码为3，表示路段220在第二行程中是第3个被通过的路段。

在框306，服务器170基于多个路段的交通属性和位置编码，确定行程的预计耗时，权重交通属性至少指示多个路段的当前交通状态。在一些实施例中，服务器170可以通过综合考虑路段的交通属性和位置编码两者来确定预计耗时。例如，服务器170可以将位置编码和交通属性两者的组合作为到机器学习模型的输入，从而确定行程的预计耗时。

在一些实施例中，服务器170可以基于位置编码来对于交通属性对应的特征向量进行调整，从而生成带有位置编码信息的特征向量，以作为机器学习模型的输入。具体地，服务器170可以基于多个路段的交通属性和位置编码，生成带有位置编码信息的特征向量。

以下将结合图4和图5来描述生成带有位置编码信息的特征向量的具体过程。图4示出了根据本公开的一些实施例的确定经位置编码的特征向量的示例方法400的流程图。

如图4所示，在框402，服务器170可以基于交通属性生成初始特征向量。在一些实施例中，服务器170例如可以通过查询预先存储的路段表来获取与路段对应的交通属性。在一些实施例中，交通属性可以包括静态属性和动态属性。静态属性可以指很少根据时间变化的因素，对eta的影响较小。静态特征可以包括但不限于路段的长度、车道数量、速度限制、道路水平、道路收费等，或其任何组合。动态属性可以指随时间变化的因素，对eta具有更大的影响。动态属性可以包括但不限于当前时间、拥堵级别、路段中包括的交叉路口的交通灯等待时间等，或其任何组合。

在一些实施例中，服务器170例如可以利用耗时预测模型来生成初始特征向量。图5示出了根据本公开实施例的利用模型确定预计耗时的示意图500。如图5所示，耗时预测模型520可以接收交通属性510，并利用输入层530处理交通属性510，以生成具有n个维度的初始特征向量535，其中每一维特征可以表示为特征535-1、535-2、…、535-n。

继续参考图4，在框404，服务器170可以基于位置编码确定与初始特征向量的不同维度相关联的权重系数。如图5所示，耗时预测模型520可以包括加权层540，其被配置为基于所接收的位置编码515，并确定针对初始特征向量535中的每个维度的权重系数。

在一些实施例中，服务器170可以将权重系数表示为关于位置编码和维度的函数。具体地，服务器170可以确定与不同维度对应的多个周期函数，并且该多个周期函数具有相对于变量(位置编码)的不同周期。示例性地，周期函数可以是三角函数，包括正弦函数和余弦函数等。作为一个具体示例，周期函数例如可以表示为：

其中pos表示路段的位置编码，d表示初始特征向量中的维度，d表示初始特征向量中的维度总数。

例如，在图5的示例中，如果初始特征向量535的维度总数n＝2，则与第一维特征535-1对应的周期函数例如可以表示为：

与第二维特征535-2对应的周期函数例如可以表示为：

能够看到，基于这样的方式所确定的两个周期函数具有相对变量pos的不同周期。周期函数(4)的周期相对较小，这表示第一维特征535-1的权重随位置编码pos的变化程度较大。相反，周期函数(5)的周期相对较大，这表示第一维特征535-1的权重随位置编码pos的变化程度更小。

随后，服务器170可以基于位置编码和周期函数来确定权重系数。结合图2的示例，在利用路段220的交通信息来确定第一行程的预计耗时的情况下，路段220的位置编码将被确定为6。此时，与第一维特征535-1对应的权重系数可以被确定为cos(6/100)，而第二维特征535-2对应的权重系数可以被确定为cos(6/1000)。

在框406，服务器170可以将权重系数应用于初始特征向量，以获得带有位置编码信息的特征向量。如图5所示，耗时预测模型520可以通过加权540来利用所确定的权重系数对初始特征向量535中的相应维度进行加权。

例如，初始特征向量的第一维特征535-1将被乘以对应的权重系数(例如，cos(6/100))以获得对应的加权后的特征545-1。相应地，初始特征向量的第二维特征535-2将被乘以对应的权重系数(例如，cos(6/100))以获得对应的加权后的特征545-2。也即，初始特征向量535被转换为带有位置编码信息的特征向量545，其每一维特征分别表示为特征545-1、545-2、…、545-n。应当理解，以上具体的周期函数形式、参数取值均只是示意性的，不旨在构成对本公开的限定。

应当理解，以上加权的过程也可以被表示为公式(6)：

其中x表示初始特征向量535，pe表示由与不同维度所对应的权重所组成的掩码向量(例如，[cos(6/100),cos(6/100)])，表示带有位置编码信息的特征向量545。

通过为不同维度的特征设置针对位置编码的不同周期函数，可以获得带有位置编码信息的特征向量545。基于这样的方式，耗时预测模型520可以将初始特征向量535进一步划分为受位置编码pos影响较大的中间特征表示和受pos影响较小的中间特征表示。

与直接将位置编码作为模型的输入相比，本方案进一步考虑了位置编码与交通属性中特定特征的关联性，并在特征处理阶段将输入的属性区分为收位置编码影响较大的中间特征表示和受位置编码影响较小的中间特征表示。例如，位置编码可能更多的影响的是路段的动态属性，而对静态属性不会造成影响或者仅有较小的影响。通过这样的方式，本公开的实施例可以构建更为准确的特征向量，从而提高耗时预测模型的准确性。

进一步，服务器170可以利用耗时预测模型处理带有位置编码信息的特征向量，以确定预计耗时。继续参考图5的示例，带有位置编码信息的特征向量545例如可以被提供至耗时预测模型520的中间处理层550，并通过输出层560输出预计耗时570。

图5中将耗时预测模型520示出为一种深度神经网络。深度神经网络具有分层架构，每一处理层(也称为网络层)具有一个或多个处理单元(也称为处理节点、神经元或滤波器)，基于相应的参数对输入进行处理。在深度神经网络中，前一层执行处理后的输出是下一层的输入，其中架构中的第一层接收网络输入用于处理，而最后一层的输出被提供为网络输出。耗时预测模型520的所有处理单元处理所用的参数构成耗时预测模型520的参数集。这样的参数集的具体取值需要通过训练过程来确定。

应当理解，图5示出的耗时预测模型520的架构以及其中的处理层和处理单元的数目均是示意性的，而非是限制性的。根据需要，耗时预测模型520可以被设计为具有其他适当的架构和/或适当的处理层数，每个处理层可以具有适当数目的处理单元。

在一些实施例中，耗时预测模型520例如可以是基于历史行程来被训练的。具体地，耗时预测模型520可以获取与一组历史行程相对应的多个路段的交通属性，以及多个路段所对应的位置编码信息。在训练过程中，可以通过调整耗时预测模型520的参数值，以达到收敛条件。收敛条件例如可以是使得耗时预测模型520对于历史行程的预计耗时接近于对应的实际耗时。

基于上文所讨论的预计耗时的确定方法，本公开的实施例不仅能够考虑路段本身的交通属性，还能够考虑路段在行程中的位置(其例如被表示为位置编码)。基于这样的方式，本公开的实施例能够有效地区分同一路段在不同行程中所对应的特征向量，从而提高了预计耗时的准确性。

在一些实施例中，服务器170还可以根据预计耗时来确定行程的预计到达时间，并向与行程相关联的终端设备160发送预计到达时间。例如，在参考图1所讨论的一些场景中，用户可能更关注预计到达时间eta，此时服务器170可以基于当前时刻和预计耗时来确定预计到达时间，并将该时间发送至终端设备160以用于呈现。

在一些实施例中，除参考图1所讨论的场景外，服务器170所确定的预计到达时间例如还可以用于交通出行平台中的交通工具的调度。在为一个区域内的多个用户调度交通工具时，通常不会简单地为用户调度距离其最近的交通工具，而例如是选择使得多个交通工具到对应的乘客所需的总预计耗时最短的调度方式。应当理解，行程的预计耗时或者预计到达时间eta是智能交通出行中的重要指标，其还可以用于其他任何适当的方面。通过提高预计耗时估计的准确性，本公开的实施例例如可以提高交通工具的调度效率、帮助用户(乘客或驾驶者)更合理地安排时间等。

应当理解，以上虽然参考服务器170讨论了根据本公开实现的预计耗时确定方法，但是也可以由终端设备160利用本地资源和/或远程资源(例如，由服务器维护的路段表)来执行以上方法。在此不再重复描述。

本公开的实施例还提供了用于实现上述方法或过程的相应装置。图6示出了根据本公开的一些实施例的行程管理的装置600的示意性结构框图。

如图6所示，装置600可以包括路段确定模块610，被配置为确定与行程相关联的多个路段。此外，装置600还包括位置编码确定模块620，被配置为确定多个路段的位置编码，一个位置编码指示多个路段中的一个相应路段在行程中被通过的次序。装置600还包括耗时确定模块630，被配置为基于多个路段的交通属性和位置编码，确定行程的预计耗时，交通属性至少指示多个路段的当前交通状态。

在一些实施例中，耗时确定模块630包括：特征向量生成模块，被配置为基于多个路段的交通属性和位置编码，生成带有位置编码信息的特征向量；以及耗时预测模块，被配置为基于带有位置编码信息的特征向量，确定预计耗时。

在一些实施例中，特征向量生成模块包括：初始特征向量确定模块，被配置为基于交通属性，生成初始特征向量；权重系数确定模块，被配置为基于位置编码，确定与初始特征向量的不同维度相关联的权重系数；加权模块，被配置为将权重系数应用于初始特征向量，以获得带有位置编码信息的特征向量。

在一些实施例中，权重系数确定模块包括：周期函数确定模块，被配置为确定与不同维度对应的具有不同周期的周期函数；以及权重系数计算模块，被配置为基于位置编码和周期函数，确定权重系数。

在一些实施例中，耗时预测模块包括：模型处理模块，被配置为利用耗时预测模型处理带有位置编码信息的特征向量，以确定预计耗时，其中，耗时预计模型是基于与一组历史行程对应的路段信息和实际耗时信息来被训练的。

在一些实施例中，装置600还包括：预计到达时间确定模块，被配置为根据预计耗时，确定行程的预计到达时间；以及发送模块，被配置为向与行程相关联的终端设备发送预计到达时间。

图7示出了其中可以实施本公开的一个或多个实施例的计算设备/服务器700的框图。应当理解，图7所示出的计算设备/服务器700仅仅是示例性的，而不应当构成对本文所描述的实施例的功能和范围的任何限制。

如图7所示，计算设备/服务器700是通用计算设备的形式。计算设备/服务器700的组件可以包括但不限于一个或多个处理器或处理单元710、存储器720、存储设备730、一个或多个通信单元740、一个或多个输入设备750以及一个或多个输出设备760。处理单元710可以是实际或虚拟处理器并且能够根据存储器720中存储的程序来执行各种处理。在多处理器系统中，多个处理单元并行执行计算机可执行指令，以提高计算设备/服务器700的并行处理能力。

计算设备/服务器700通常包括多个计算机存储介质。这样的介质可以是计算设备/服务器700可访问的任何可以获得的介质，包括但不限于易失性和非易失性介质、可拆卸和不可拆卸介质。存储器720可以是易失性存储器(例如寄存器、高速缓存、随机访问存储器(ram))、非易失性存储器(例如，只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、闪存)或它们的某种组合。存储设备730可以是可拆卸或不可拆卸的介质，并且可以包括机器可读介质，诸如闪存驱动、磁盘或者任何其他介质，其可以能够用于存储信息和/或数据(例如用于训练的训练数据)并且可以在计算设备/服务器700内被访问。

计算设备/服务器700可以进一步包括另外的可拆卸/不可拆卸、易失性/非易失性存储介质。尽管未在图7中示出，可以提供用于从可拆卸、非易失性磁盘(例如“软盘”)进行读取或写入的磁盘驱动和用于从可拆卸、非易失性光盘进行读取或写入的光盘驱动。在这些情况中，每个驱动可以由一个或多个数据介质接口被连接至总线(未示出)。存储器720可以包括计算机程序产品725，其具有一个或多个程序模块，这些程序模块被配置为执行本公开的各种实施例的各种方法或动作。

通信单元740实现通过通信介质与其他计算设备进行通信。附加地，计算设备/服务器700的组件的功能可以以单个计算集群或多个计算机器来实现，这些计算机器能够通过通信连接进行通信。因此，计算设备/服务器700可以使用与一个或多个其他服务器、网络个人计算机(pc)或者另一个网络节点的逻辑连接来在联网环境中进行操作。

输入设备750可以是一个或多个输入设备，例如鼠标、键盘、追踪球等。输出设备760可以是一个或多个输出设备，例如显示器、扬声器、打印机等。计算设备/服务器700还可以根据需要通过通信单元740与一个或多个外部设备(未示出)进行通信，外部设备诸如存储设备、显示设备等，与一个或多个使得用户与计算设备/服务器700交互的设备进行通信，或者与使得计算设备/服务器700与一个或多个其他计算设备通信的任何设备(例如，网卡、调制解调器等)进行通信。这样的通信可以经由输入/输出(i/o)接口(未示出)来执行。

根据本公开的示例性实现方式，提供了一种计算机可读存储介质，其上存储有一条或多条计算机指令，其中一条或多条计算机指令被处理器执行以实现上文描述的方法。

这里参照根据本公开实现的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实现的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实现，上述说明是示例性的，并非穷尽性的，并且也不限于所公开的各实现。在不偏离所说明的各实现的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实现的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文公开的各实现。