交通违法行为分析方法、系统、电子设备及存储介质与流程

[0001]
本发明涉及交通运输技术领域，尤其涉及一种交通违法行为分析方法、系统、电子设备及计算机可读存储介质。


背景技术：

[0002]
个人交通行政处罚信息是指对从事交通运输行业从业人员在运输过程中出现的违规行为进行处罚，并且以文本方式进行记录。个人行政处罚信息是评价个人交通信用的重要维度之一，对于完善交通信用评价体系建设具备十分重要的意义。以往的个人行政处罚研究主要基于有监督学习模型，其主要包括：(1)多元线性回归模型；(2)逻辑回归模型；(3)神经网络模型。上述模型主要用于分析行政处罚与营运违法之间的关系以及影响作用，但缺少对底层文本数据挖掘的合理的手段。传统的文本挖掘手段可以分为有监督学习与无监督学习，其中有监督学习包括：朴素贝叶斯模型，支持向量机，逻辑回归等。无监督学习包括：lsa(潜在语义分析)，plsa(概率潜在语义分析)，lda(潜在狄利克雷分布)。由于有监督学习需要在有标签的条件下进行模型的外部式学习，这与无监督学习完全不同。
[0003]
对上述三类无监督学习进行说明：
[0004]
lsa，基于svd奇异值分解挖掘中间变量，模型较为监督，不能表达复杂关系。
[0005]
plsa，以多项式分布概率模型替代基于svd奇异值分解挖掘中间变量，模型计算复杂度高，不具备实用价值。
[0006]
lda，采用狄利克雷分布模型生处主题与单词，以自我反馈学习方式更新参数值，收敛速度快，计算复杂度低于plsa，模型表征率较高，但对于深层的文本内容挖掘，简单的lda模型挖掘精度较低。
[0007]
可见，对于个人行政处罚信息的挖掘技术主要有：一是针对交通运输个人的营运违规行为研究较少，且多为对交通违规行为的影响因素研究；二是研究手段多为基于标签数据的获取，获取数据标签需要耗费大量的人力；三是自然语言处理手段无法考虑更加细粒度的文本挖掘，但实际需求中往往需要通过文本发现更有价值的信息。


技术实现要素：

[0008]
本发明的目的在于解决背景技术中的至少一个技术问题，提供一种基于个人交通行政处罚信息的交通违法行为分析方法、系统、电子设备及计算机可读存储介质。
[0009]
为实现上述目的，本发明提供一种交通违法行为分析方法，包括：
[0010]
获取交通运输行业个人运营车辆的行政处罚信息，构建行政处罚信息数据库；
[0011]
构建上下两层lda模型，分别对所述行政处罚信息数据库中数据进行违法行为分类；
[0012]
考评分析所述分类的合理性，获取违规行为分布特点。
[0013]
根据本发明的一个方面，所述分类包括：采用网格搜索法确定各lda模型对数据进行分类时的分类个数和通过各lda模型确定各自的分类主题内容。
[0014]
根据本发明的一个方面，所述考评分析所述分类的合理性为：根据各lda模型中分类主题个数的情况设置分类评价指标，当分类主题为二分类时，采用查准率、召回率和准确率进行考评；当分类主题为多分类时，采用kappa系数进行考评。
[0015]
根据本发明的一个方面，所述两层lda模型中的其中一层lda模型对不同车种的违法行为进行分类，另一层lda模型基于所述其中一层lda模型在车种分类基础上进行违法行为分类。
[0016]
根据本发明的一个方面，所述lda模型采用狄利克雷分布法对数据进行违法行为的主题分类，所述狄利克雷分布公式为：
[0017][0018]
其中α为超参数，β(α)计算步骤如下：
[0019][0020]
其中，
[0021]
上式中α和β均为超参数，x为随机变量，n为x数据样本数量，i和j表示数据库中文档和词汇的索引，γ(α
i
)和γ(α
j
)表示gamma函数。
[0022]
根据本发明的一个方面，分类的主题满足z
ij
～mult(θ)，基于所述主题生成词分布：生成词语其中，z
ij
为第i篇文档第j个词的主题，θ为主题，mult为多项式分布函数，dir为狄利克雷分布函数，β为超参数。
[0023]
根据本发明的一个方面，遍历所述数据库中所有文档，结合指定次数的迭代，更新参数p(z
k
|d
i
)和p(w
j
|z
k
)，其中d
i
为第i个文档，w
j
为第j个词汇，z
k
为第k个主题，p(z
k
|d
i
)为在第i个文档的条件下出现第k个主题的概率，p(w
j
|z
k
)为在选定第z个主题的条件下出现第j个词的概率；
[0024]
更新公式为：
[0025]
p(d
i
，w
j
)＝p(d
i
)*p(w
j
|d
i
)
[0026][0027]
其中，p(d
i
|w
j
)为第i个文档为第j个词的概率，p(w
j
|d
i
)为在第i个文档的条件下出现第j个词的概率，其为可观测变量；k为主题的索引。
[0028]
为实现上述目的，本发明还提供一种交通违法行为分析系统，包括：
[0029]
行政处罚信息数据库模块，用于获取交通运输行业个人运营车辆的行政处罚信息，构建行政处罚信息数据库；
[0030]
违法行为分类模块，用于构建上下两层lda模型，分别对所述行政处罚信息数据库
中数据进行违法行为分类；
[0031]
考评分析模块，用于考评分析所述分类的合理性，获取违规行为分布特点。
[0032]
为实现上述目的，本发明还提供一种电子设备，包括：
[0033]
至少一个处理器；以及
[0034]
与所述至少一个处理器耦合连接的存储器；其中，
[0035]
所述存储器存储有计算机程序，所述计算机程序能够被所述至少一个处理器执行，以实现上述的方法。
[0036]
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，当所述计算机程序被执行时，能够实现上述的方法。
[0037]
根据本发明的一个方案，主要解决了如何从大量的行政处罚文本数据中进行内容挖掘，发现并分析交通运输行业中存在的主要违规行为。本发明双层主题模型在lda模型的基础上提出改进，考虑文本中更加细粒度的挖掘，分为上下两层lda。上层模型挖掘大量文本数据中主要违规的车辆类型，下层模型主要挖掘不同车辆的违规类别。可以通过双层主题模型发现违规车辆的类型占比，以及不同车辆中现存主要的违规行为。
[0038]
本发明通过双层主题模型实现对个人违规行政处罚信息的细粒度挖掘，相关管理部门可以在大量数据中发现不同车辆的主要违规行为，根据违法情况改善交通运输行业市场环境。
[0039]
本发明通过搭建两层lda模型从细粒度角度提取交通行政处罚信息，通过构造狄利克雷分布生成主题分布，词分布，以共轭先验分布原理生成主题与词，从而有效地挖掘个人交通的行政处罚信息特征。
[0040]
本发明在营运违法行为研究较少，本发明的方法弥补了营运车辆违法行为研究的空缺。营运车辆违法信息作为文本数据存储，本发明针对文本信息进行处理，充分利用了文本信息，拓展了交通信用评价建设体系维度。
[0041]
本发明采用双层lda模型进行挖掘保证信息挖掘的充分性，关键参数采用网格搜索保证实验结果客观性。根据不同场景建立不同的评价指标，保证模型评价合理性。
附图说明
[0042]
图1示意性表示根据本发明的基于个人行政处罚信息的交通违法行为分析方法的流程图；
[0043]
图2示意性表示根据本发明的双层lda模型的结构图；
[0044]
图3示意性表示根据本发明的双层lda算法流程图；
[0045]
图4示意性表示根据本发明的交通违法行为分析系统结构框图；
[0046]
图5表示车种分类主题数-相干性变化曲线图；
[0047]
图6表示客车违法行为分类主题数-相干性变化曲线；
[0048]
图7表示营运汽车违法事实数量图；
[0049]
图8表示货车违法行为分类主题数-相干性变化曲线图。
具体实施方式
[0050]
现在将参照示例性实施例来论述本发明的内容。应当理解，论述的实施例仅是为
了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
[0051]
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”。术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
[0052]
图1示意性表示根据本发明的基于个人行政处罚信息的交通违法行为分析方法的流程图。如图1所示，根据本发明的基于个人行政处罚信息的交通违法行为分析方法，包括以下步骤：
[0053]
a.获取交通运输行业个人运营车辆的行政处罚信息，构建行政处罚信息数据库；
[0054]
b.构建上下两层lda模型，分别对所述行政处罚信息数据库中数据进行违法行为分类；
[0055]
c.考评分析所述分类的合理性，获取违规行为分布特点。
[0056]
根据本发明的一种实施方式，在上述b步骤中，上下两层lda模型分别对行政处罚信息数据库中数据进行违法行为分类时，包括采用网格搜索法确定各lda模型对数据进行分类时的分类个数和通过各lda模型确定各自的分类主题内容。即分类时通过网格搜索法确定各lda模型的对数据库中数据进行分类的分类个数，然后通过两lda模型本身确定各自的分类主题内容。
[0057]
根据本发明的一种实施方式，在上述c步骤中，考评分析上述分类的合理性是根据上下两层的lda模型中分类主题个数的情况设置分类评价指标，当分类主题为两类时，采用查准率、召回率和准确率进行考评分析，而当分类主题为多分类(即多于两类)时，则采用kappa系数进行考评分析。
[0058]
进一步地，上述上下两层lda模型中的上层lda模型是对不同车种的违法行为进行分类的，而下层lda模型是基于上层lda模型在车种分类的基础上进行进一步违法行为分类的。
[0059]
根据本发明的一种实施方式，lda模型采用狄利克雷分布法对数据进行违法行为的主题分类，狄利克雷分布公式为：
[0060][0061]
其中α为超参数，β(α)计算步骤如下：
[0062][0063]
其中，
[0064]
上式中α和β均为超参数，x为随机变量，i和j表示数据库中文档和词汇的索引，γ(α
i
)和γ(α
j
)表示gamma函数。
[0065]
上述分类的主题满足z
ij
～mult(θ)，基于主题生成词分布：然后生成词语其中，z
ij
为第i篇文档第j个词的主题，θ为主题，mult为多项式分布函数，dir为狄利克雷分布函数，β为超参数。
[0066]
进一步地，遍历数据库中所有文档，结合指定次数的迭代，更新参数p(z
k
|d
i
)和p(w
j
|z
k
)，其中d
i
为第i个文档，w
j
为第j个词汇，z
k
为第k个主题，p(z
k
|d
i
)为在第i个文档的条件下出现第k个主题的概率，p(w
j
|z
k
)为在选定第z个主题的条件下出现第j个词的概率；
[0067]
更新公式为：
[0068]
p(d
i
，w
j
)＝p(d
i
)*p(w
j
|d
i
)
[0069][0070]
其中，p(d
i
，w
j
)为第i个文档为第j个词的概率，p(w
j
|d
i
)为在第i个文档的条件下出现第j个词的概率，其为可观测变量；k为主题的索引。
[0071]
根据上述方式获得文本的主题结果后需要评价模型的性能，针对分类如任务不同，包括：多分类指标与二分类指标。多分类指标为kappa系数：其中p
o
为总体分类精度，
[0072]
二分类指标是基于混淆矩阵计算查准率、召回率、准确率，如下；
[0073]
精准率:
[0074]
召回率:
[0075]
准确率：
[0076]
根据本发明的上述方案，实际上，双层lda模型属于无监督学习，是通过数据的引入的一种自我式学习过程，具有所受影响因素多的特点，因此根据建模需要以简化模型为目的，例如：
[0077]
文本数据中经过数据清理不应该存在“难样本”，例如：该车属xx有限公司。x年x月x日x时x分，我单位执法人员在xx检查时发现该车司机xx未按规定装置岗位服务资格证件,实行亮证服务；
[0078]
模型主要参数为迭代次数与主题数目，其中迭代数目设置为500，主题数目通过方格网搜索方式确定最优主题数，搜索主题数范围为2至20。
[0079]
模型使用者在使用模型时，需要根据数据特征具备一定的先验常识。
[0080]
本发明的双层lda模型的结构及符号表示如图2所示，α1，α2为狄利克雷分布dir
(α)，从某一篇文档中按照超参数α取样生处主题分布θ，满足θ～dir(α)。β1，β2为狄利克雷分布dir(β)，从某一篇主题中按照超参数β取样生成词分布w。满足w～dir(β)；z为主题，n为词汇表，m为文档个数；上图中深色w部分代表单词，为可测变量。
[0081]
进一步地，因为狄利克雷分布是多项分布的共轭先验分布，共轭先验分布可以总结模型的计算流程，如下图3。error！reference source not found.中假设以p(d
i
)从文档集合d＝{d1，d2，d3，.......，d
m
}中选取一篇文档，然后通过关于超参数α的狄利克雷分布取样d
i
的主题分布θ
i
，即主题分布由α的狄利克雷分布生成，θ
i
满足多项式分布，已经说明狄利克雷分布为多项式分布的共轭先验分布，通过θ
i
中取样生成主题z
ij
，词的生成过程与主题的生成过程类似，通过遍历所有的文档结合迭代(其中q为定义的迭代次数)，更新参数p(z
k
|d
i
)和p(w
j
|z
k
)。因此lda作为无监督学习方法的一种，可以理解为通过不断遍历样本，自我学习参数的最优值来达到文档分类目的。
[0082]
进一步地，对于上述评价指标，对于二分类，首先列出混淆矩阵，如下表1所示，其中分类代表模型将文档归为主题的某一结果，真实代表真实的文档对应的主题。其中tp代表真阳性(例如分类主题为出租，真实主题也为出租)，fp为假阳性(例如分类主题为出租，而实际文档主题为其他车种)。根据混淆矩阵可以计算三个关键指标：查准率(precision)、召回率(recall)、准确率(accuracy)。其计算公式如(1)-(3)，对于多分类指标，一般采用kappa系数，其公式如(4)，其中p
o
为总体分类的精度，p
e
为(第i类真实样本数*第i类预测出来的样本数)/样本总数的平方，其数值的标称意义如下表2所示。
[0083] 真实1真实0分类1tpfp分类0fntn
[0084]
表1
[0085]
查准率：
[0086]
召回率：
[0087]
准确率：
[0088]
kappa系数：
[0089]
系数0～0.20.2～0.40.4～0.60.6～0.80.8～1.0一致等级极低一般中等高度几乎完全一致
[0090]
表2
[0091]
进一步地，本发明还提供一种交通违法行为分析系统，其结构框图如图4所示，包括：
[0092]
行政处罚信息数据库模块，用于获取交通运输行业个人运营车辆的行政处罚信息，构建行政处罚信息数据库；
[0093]
违法行为分类模块，用于构建上下两层lda模型，分别对所述行政处罚信息数据库中数据进行违法行为分类；
[0094]
考评分析模块，用于考评分析所述分类的合理性，获取违规行为分布特点。
[0095]
根据本发明的一种实施方式，违法行为分类模块中上下两层lda模型分别对行政处罚信息数据库中数据进行违法行为分类时，包括采用网格搜索法确定各lda模型对数据进行分类时的分类个数和通过各lda模型确定各自的分类主题内容。即分类时通过网格搜索法确定各lda模型的对数据库中数据进行分类的分类个数，然后通过两lda模型本身确定各自的分类主题内容。
[0096]
根据本发明的一种实施方式，考评分析模块考评分析上述分类的合理性是根据上下两层的lda模型中分类主题个数的情况设置分类评价指标，当分类主题为两类时，采用查准率、召回率和准确率进行考评分析，而当分类主题为多分类(即多于两类)时，则采用kappa系数进行考评分析。
[0097]
进一步地，上述上下两层lda模型中的上层lda模型是对不同车种的违法行为进行分类的，而下层lda模型是基于上层lda模型在车种分类的基础上进行进一步违法行为分类的。
[0098]
根据本发明的一种实施方式，lda模型采用狄利克雷分布法对数据进行违法行为的主题分类，狄利克雷分布公式为：
[0099][0100]
其中α为超参数，β(α)计算步骤如下：
[0101][0102]
其中，
[0103]
上式中α和β均为超参数，x为随机变量，i和j表示数据库中文档和词汇的索引，γ(α
i
)和γ(α
j
)表示gamma函数。
[0104]
上述分类的主题满足z
ij
～mult(θ)，基于主题生成词分布：然后生成词语其中，z
ij
为第i篇文档第j个词的主题，θ为主题，mult为多项式分布函数，dir为狄利克雷分布函数，β为超参数。
[0105]
进一步地，遍历数据库中所有文档，结合指定次数的迭代，更新参数p(z
k
|d
i
)和p(w
j
|z
k
)，其中d
i
为第i个文档，w
j
为第j个词汇，z
k
为第k个主题，p(z
k
|d
i
)为在第i个文档的条件下出现第k个主题的概率，p(w
j
|z
k
)为在选定第z个主题的条件下出现第j个词的概率；
[0106]
更新公式为：
[0107]
p(d
i
，w
j
)＝p(d
i
)*p(w
j
|d
i
)
[0108][0109]
其中，p(d
i
|w
j
)为第i个文档为第j个词的概率，p(w
j
|d
i
)为在第i个文档的条件下出现第j个词的概率，其为可观测变量；k为主题的索引。
[0110]
根据上述方式获得文本的主题结果后需要评价模型的性能，针对分类如任务不同，包括：多分类指标与二分类指标。多分类指标为kappa系数：其中p
o
为总体分类精度，
[0111]
二分类指标是基于混淆矩阵计算查准率、召回率、准确率，如下；
[0112]
精准率:
[0113]
召回率:
[0114]
准确率：
[0115]
进一步地，本发明还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器耦合连接的存储器；其中，存储器存储有计算机程序，计算机程序能够被至少一个处理器执行，以实现上述方法。
[0116]
不仅如此，本发明还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机程序，当计算机程序被执行时，能够实现上述方法。
[0117]
根据本发明的上述方案，以下结合附图以一种具体实施例来详细说明本发明的方案。
[0118]
实施例1：
[0119]
针对厦门市交通运输局网站上获取的个人行政处罚信用信息，共计数据集条数5542条，在将文本数据输入双层主题模型前，需要对数据进行预处理，其步骤如下：
[0120]
对文档中如时间(年、月、日、时、分)等无用的信息进行删除，删除文档中的空格以及换行。
[0121]
停用词处理，采用常见中文的停用词袋如：{
‘
的’，
‘
我’，
‘
，’，
‘
。’.....}一共包含停用词约900多个。
[0122]
分词处理，基于python中针对中文分词的jieba分词器对清理后的文档进行分词处理，并将词语转为元组(a,b)，其中a代表词在文档中的索引位置，b代表出现的次数。
[0123]
基于车种分类的上层lda：
[0124]
上层lda模型主要根据不同车种对文档进行划分，根据网格搜索确定划分的主题数目如图5所示。由图5可知，当主题数为2时相干性值最高，约为-0.60。当主题数n取2时依靠主题-词汇，输出其前5个与主题相干词汇，如下表3所示。根据上表，词汇依次按照权重从
大到小排序，对于主题0，其主要包含的词汇有污染、公路、货车等，由此可以知道，主题0是关于货车的行政处罚信息。对于主题1，其主要包括的词汇有出租汽车、客运、资格证等，由此可知主题1是客运汽车相关的行政处罚信息。一共获取客运汽车违法信息2443条，货运汽车违法信息1543条。针对二分类问题，且样本量不存在失衡，采用准确率作为指标，客车分类准确率为0.84，货车分类准确率为0.78，整体准确率为0.82。
[0125]
主题包含词汇0污染，公路，货车，自卸，运载1出租汽车，客运，资格证，未，从业
[0126]
表3
[0127]
基于违法行为分类的下层lda：
[0128]
上层lda模型为下层lda模型提供数据基础，从文本分析细粒度角度考虑，基于车种分类文档情况下分别分析不同车种的违法行为。
[0129]
1)客车违法行为：基于上节分类的客车处罚信息文档数据作为下层lda模型的输入，根据网格搜索法确定最佳主题数，如图6所示。由图6可知，当主题数为4时，其相干性最高，其值为-1.85。通过主题-词汇，得出每个主题对应的词汇组成，如表4所示。通过主题-文档可以对所有文档分类，按照主题关键词人工给定标签，其结果如图7所示。对于多分类问题，采用kaapa系数评估模型性能，首先基于混淆矩阵计算精度，如表5所示，其中行为实际类别，列为预测类别，结合指标公式可以得出总体分类的精度p
o
为0.81，p
e
为0.32，则kappa系数为0.72，对应一致性为高度一致性(见表2)，表明下层lda模型在对营运汽车违法事实种类的主题提取具备良好的分类性能。
[0130]
主题包含词汇0无，正当理由，投诉，运输，拒载1客运，资格证，未，乘客，实施2未，服务，议价，客运，乘客3投诉，选择，绕道，线路，距离
[0131]
表4
[0132][0133][0134]
表5
[0135]
2)货车违法行为：货车违法内容分类分析与营运客车类似，根据网格搜索法，确定最优主题如图8所示，最优主题数为2，对应的相干性值为-2.57。对应主题-词汇如下表6所示，对于主题0，其表明主题为未取得从业资格证或伪造从业资格证，对于主题1，其表明主
题为污染路面。且能从表中看出，重型货车主要问题为伪造从业资格证的问题，而轻型货车主要违法行为为污染路面。通过关键词人工标签，污染路面为578起，伪造资格证为975起。采用准确率作为评价指标，伪造资格证分类准确率为0.83，污染路面准确率为0.77，总体为0.81。
[0136]
主题包含词汇0资格证，提供，调查，重型，伪造1污染，执法检查，路面，轻型，未
[0137]
表6
[0138]
根据本发明的上述方案，主要解决了如何从大量的行政处罚文本数据中进行内容挖掘，发现并分析交通运输行业中存在的主要违规行为。本发明双层主题模型在lda模型的基础上提出改进，考虑文本中更加细粒度的挖掘，分为上下两层lda。上层模型挖掘大量文本数据中主要违规的车辆类型，下层模型主要挖掘不同车辆的违规类别。可以通过双层主题模型发现违规车辆的类型占比，以及不同车辆中现存主要的违规行为。
[0139]
本发明通过双层主题模型实现对个人违规行政处罚信息的细粒度挖掘，相关管理部门可以在大量数据中发现不同车辆的主要违规行为，根据违法情况改善交通运输行业市场环境。
[0140]
由上可知，本发明通过搭建两层lda模型从细粒度角度提取交通行政处罚信息，通过构造狄利克雷分布生成主题分布，词分布，以共轭先验分布原理生成主题与词，从而有效地挖掘个人交通的行政处罚信息特征。
[0141]
进一步地，本发明在营运违法行为研究较少，本发明的方法弥补了营运车辆违法行为研究的空缺。
[0142]
营运车辆违法信息作为文本数据存储，本发明针对文本信息进行处理，充分利用了文本信息，拓展了交通信用评价建设体系维度。
[0143]
本发明采用双层lda模型进行挖掘保证信息挖掘的充分性，关键参数采用网格搜索保证实验结果客观性。根据不同场景建立不同的评价指标，保证模型评价合理性。
[0144]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，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来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0145]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0146]
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，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，所述模块的划分，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，例如多个模块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是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0147]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显
示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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发明实施例方案的目的。
[0148]
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
[0149]
所述功能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，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节能信号发送/接收的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、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0150]
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
[0151]
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。