驾驶模式特征构造与筛选方法及装置、存储介质与流程

本申请涉及特征工程技术领域，尤其涉及一种驾驶模式特征构造与筛选方法及装置、计算机可读存储介质。

背景技术：

驾驶模式主要指驾驶员完成各项驾驶策略（如路径选择）时所采取的具体驾驶操作行为的一种组合。常见的驾驶模式有直行、换道、跟车等。驾驶员驾驶模式和当前驾驶道路状况关联密切，对驾驶模式的分析辨识有助于理解驾驶员在驾驶过程中的行为，同时解析各危险度下驾驶模式的特点，有助于协助管理道路，改善交通环境，提高交通安全性。此外，还对驾驶辅助系统设计有较大帮助，可以帮助提高驾驶辅助系统的功能与性能。

当前对驾驶模式的分析辨识预测主要采用机器学习方法——特征加算法，但是存在一定的缺陷。第一个缺陷是表征特征信息少。当前对于驾驶模式的特征构造上依旧是根据经验选取并进行扩展，并不能完整表达驾驶模式的特点。第二个缺陷是特征筛选方法不佳。当前在特征筛选中，主要依赖的是传统的筛选算法，如主成分分析等，并没有考虑到特征筛选算法的局限性。这些缺陷使得驾驶模式的辨识精度一直无法提高，对于在线辨识的帮助十分有限。

技术实现要素：

本申请实施例通过提供一种驾驶模式特征构造与筛选方法及装置、计算机可读存储介质，解决了传统技术中驾驶模式的表征特征信息少且特征筛选效果不佳的问题，实现了对驾驶模式的表征特征的扩展，增强了特征筛选的效果，提升了驾驶模式的辨识精度。

本申请实施例提供了一种驾驶模式特征构造与筛选方法，所述方法包括：

使用同步多时窗方法对驾驶模式样本中的驾驶操作参数进行观测，并利用统计学特征与个性化特征构造所述驾驶模式样本的特征空间；其中，所述同步多时窗方法为以当前时间节点为基准，往回倒推不同时间长度的一种时序数据长度选定方法；

对所述特征空间中的特征进行显著性分析，并通过剔除无关特征来降低所述特征空间的特征维度；

使用特征筛选算法对降维后的特征空间中的特征进行特征选取，得到所述驾驶模式样本的当前最佳特征空间。

在一实施例中，所述使用同步多时窗方法对驾驶模式样本中的驾驶操作参数进行观测的步骤包括：

通过以特定时间节点为基准并向后倒推不同长度的时间来为驾驶模式样本中的驾驶操作参数构建预设数量的时间窗。

在一实施例中，所述利用统计学特征与个性化特征构造所述驾驶模式样本的特征空间的步骤包括：

通过计算所述驾驶模式样本中每个时间窗内的每个驾驶操作参数的统计学特征以及每个时间窗内的具备典型特征的驾驶操作参数的个性化特征构造所述驾驶模式样本的特征空间。

在一实施例中，所述对所述特征空间中的特征进行显著性分析，并通过剔除无关特征来降低所述特征空间的特征维度的步骤包括：

通过对所述特征空间中的特征进行显著性分析，判断所述特征在不同驾驶模式间是否存在显著性差异；

若所述特征在不同驾驶模式间不存在显著性差异，则将所述特征从所述特征空间中剔除。

在一实施例中，所述驾驶模式样本中的驾驶操作参数至少包括油门踏板位置、车速、刹车踏板位置、方向盘转角、横向加速度、横摆角速度。

在一实施例中，所述具备典型特征的驾驶操作参数为方向盘转角。

在一实施例中，所述特征筛选算法包括序列前向选择算法、序列前向浮动选择算法。

在一实施例中，所述当前最佳特征空间的特征维度小于或等于预设值。

本申请实施例还提供了一种驾驶模式特征构造与筛选装置，所述装置包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的特征构造与筛选程序，所述特征构造与筛选程序被所述处理器执行时实现如上述的驾驶模式特征构造与筛选方法的步骤。

本申请实施例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特征构造与筛选程序，所述特征构造与筛选程序被处理器执行时实现如上述的驾驶模式特征构造与筛选方法的步骤。

本申请实施例中提供的一种驾驶模式特征构造与筛选方法及装置、计算机可读存储介质的技术方案，至少具有如下技术效果：

由于采用了使用同步多时窗方法对驾驶模式样本中的驾驶操作参数进行观测，并利用统计学特征与个性化特征构造所述驾驶模式样本的特征空间；对所述特征空间中的特征进行显著性分析，并通过剔除无关特征来降低所述特征空间的特征维度；使用特征筛选算法对降维后的特征空间中的特征进行特征选取，得到所述驾驶模式样本的当前最佳特征空间的技术手段。所以，有效解决了传统技术中驾驶模式的表征特征信息少且特征筛选效果不佳的问题，实现了对驾驶模式的表征特征的扩展，增强了特征筛选的效果，提升了驾驶模式的辨识精度。

附图说明

图1为本申请实施例涉及的装置的结构示意图；

图2为本申请驾驶模式特征构造与筛选方法的第一实施例的流程示意图；

图3为本申请驾驶模式特征构造与筛选方法的第二实施例的流程示意图；

图4为本申请驾驶模式特征构造与筛选方法的第三实施例的流程示意图；

图5为本申请实施例涉及的同步多时窗方法的示意图。

具体实施方式

本申请为了解决传统技术中驾驶模式的表征特征信息少且特征筛选效果不佳的问题，采用了使用同步多时窗方法对驾驶模式样本中的驾驶操作参数进行观测，并利用统计学特征与个性化特征构造所述驾驶模式样本的特征空间；对所述特征空间中的特征进行显著性分析，并通过剔除无关特征来降低所述特征空间的特征维度；使用特征筛选算法对降维后的特征空间中的特征进行特征选取，得到所述驾驶模式样本的当前最佳特征空间的技术方案。实现了对驾驶模式的表征特征的扩展，增强了特征筛选的效果，提升了驾驶模式的辨识精度。

为了更好地理解上述技术方案，下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

结合图1所示，其为本申请各个实施例中涉及的装置的一种硬件结构示意图，所述装置可以包括：处理器101、存储器102、输入模块103、输出模块104等部件。本领域技术人员可以理解，图1所示的装置的硬件结构并不构成对所述装置的限定，所述装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图1对所述装置的各个部件进行具体的介绍：

处理器101是装置的控制中心，连接整个装置的各个部分，通过运行或执行存储在存储器102内的程序，以及调用存储在存储器102内的数据，执行装置的各种功能或对数据进行处理，从而对装置进行整体监控。

存储器102可用于存储装置的各种程序以及各种数据。存储器102主要包括存储程序区和存储数据区，其中，存储程序区至少存储了进行特征构造与筛选所需的程序；存储数据区可以存储装置的各种数据。此外，存储器102可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。

输入模块103可用于输入进行特征构造与筛选的驾驶模式样本。

输出模块104可用于输出特征构造的结果以及特征筛选的结果。

在本申请实施例中，处理器101可以用于调用存储在存储器102中的特征构造与筛选程序，并执行以下操作：

使用同步多时窗方法对驾驶模式样本中的驾驶操作参数进行观测，并利用统计学特征与个性化特征构造所述驾驶模式样本的特征空间；

对所述特征空间中的特征进行显著性分析，并通过剔除无关特征来降低所述特征空间的特征维度；

使用特征筛选算法对降维后的特征空间中的特征进行特征选取，得到所述驾驶模式样本的当前最佳特征空间。

在一实施例中，处理器101可以用于调用存储在存储器102中的特征构造与筛选程序，并执行以下操作：

通过以特定时间节点为基准并向后倒推不同长度的时间来为驾驶模式样本中的驾驶操作参数构建预设数量的时间窗。

在一实施例中，处理器101可以用于调用存储在存储器102中的特征构造与筛选程序，并执行以下操作：

通过计算所述驾驶模式样本中每个时间窗内的每个驾驶操作参数的统计学特征以及每个时间窗内的具备典型特征的驾驶操作参数的个性化特征构造所述驾驶模式样本的特征空间。

在一实施例中，处理器101可以用于调用存储在存储器102中的特征构造与筛选程序，并执行以下操作：

通过对所述特征空间中的特征进行显著性分析，判断所述特征在不同驾驶模式间是否存在显著性差异；

若所述特征在不同驾驶模式间不存在显著性差异，则将所述特征从所述特征空间中剔除。

在一实施例中，所述驾驶模式样本中的驾驶操作参数至少包括油门踏板位置、车速、刹车踏板位置、方向盘转角、横向加速度、横摆角速度。

在一实施例中，所述具备典型特征的驾驶操作参数为方向盘转角。

在一实施例中，所述特征筛选算法包括序列前向选择算法、序列前向浮动选择算法。

在一实施例中，所述当前最佳特征空间的特征维度小于或等于预设值。

本实施例根据上述技术方案，采用了使用同步多时窗方法对驾驶模式样本中的驾驶操作参数进行观测，并利用统计学特征与个性化特征构造所述驾驶模式样本的特征空间；对所述特征空间中的特征进行显著性分析，并通过剔除无关特征来降低所述特征空间的特征维度；使用特征筛选算法对降维后的特征空间中的特征进行特征选取，得到所述驾驶模式样本的当前最佳特征空间的技术手段。所以，有效解决了传统技术中驾驶模式的表征特征信息少且特征筛选效果不佳的问题，实现了对驾驶模式的表征特征的扩展，增强了特征筛选的效果，提升了驾驶模式的辨识精度。

为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

结合图2所示，在本申请的第一实施例中，本申请的驾驶模式特征构造与筛选方法具体包括以下步骤：

步骤s110，使用同步多时窗方法对驾驶模式样本中的驾驶操作参数进行观测，并利用统计学特征与个性化特征构造所述驾驶模式样本的特征空间；其中，所述同步多时窗方法为以当前时间节点为基准，往回倒推不同时间长度的一种时序数据长度选定方法。

在本实施例中，所述驾驶模式主要指驾驶员在完成各项驾驶策略（如路径选择）时所采取的多个具体驾驶操作行为的组合。其中，常见的驾驶模式包括直行、换道、跟车等。而所述驾驶操作参数为与驾驶操作相关的参数，例如可以包括车速、油门踏板位置等。由于驾驶员的驾驶模式为时间维度行为，且驾驶模式为多种驾驶操作行为的组合，因此可以使用同步多时窗方法对驾驶模式样本中的驾驶操作参数进行观测。所述同步多时窗方法为以当前时间节点为基准，往回倒推不同时间长度的一种时序数据长度选定方法。如图5所示，在以特征值为纵轴，以时间为横轴的同步多时窗示意图中，存在三个不同宽度的时间窗（为了便于区分，三个时间窗采用了不同的高度，高度不具有实际含义）。其中，三个时间窗的右边框重合（即当前时间节点一致）。同步多时窗方法可以从多个时间维度对数据中蕴含的信息进行表达，不同宽度的时间窗能够表达出不同的信息。以驾驶模式中的换道模式为例，当时间窗的宽度为0.2s时，该时间窗描述的仅为驾驶操作的瞬时动态特性，难以判断该换道模式与其他模式之间的区别；而当时间窗的宽度为3s时，该时间窗描述的则是这一段时间内驾驶操作的时段趋势特性，其可以传递当前时间段内是否为换道模式的判断信息。本申请通过综合利用长短时间窗的优势，采用同步多时窗方法对特征进行多维解析，结合驾驶操作的瞬时动态特性与时段趋势特性，优化了特征的信息表达。

在使用同步多时窗方法对驾驶模式样本中的驾驶操作参数进行观测之后，还需要采用一定的方法来对驾驶模式进行特征扩展，而本申请所采用的方法为统计学特征扩展与个性化特征扩展。其中，统计学特征扩展方法通过计算驾驶模式样本中各个驾驶操作参数的统计学特征来对驾驶模式的特征进行扩展；个性化特征扩展方法通过以驾驶模式中具备典型特征的驾驶操作参数为扩展基准，再针对该驾驶操作参数的特点构造出一些特定的特征来对驾驶模式的特征进行扩展，是一种在解决特定问题时十分有效的方法。通过同步多时窗方法、统计学特征扩展和个性化特征扩展可以极大丰富驾驶模式的特征表达，得到较为完整的特征信息，因此可以利用统计学特征与个性化特征构造出所述驾驶模式样本的特征空间。

步骤s120，对所述特征空间中的特征进行显著性分析，并通过剔除无关特征来降低所述特征空间的特征维度。

在本实施例中，所述显著性分析是指事先对总体的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设是否合理，即判断总体的真实情况与原假设是否有显著性差异。显著性分析可用于判断不同组别间在某些特征上是否有显著性的差异，在本申请中用于判断不同驾驶模式（例如左换道、右换道、直行）之间的各特征是否存在显著性差异。在对所述特征空间中的特征进行显著性分析之后，即可得知所述特征空间中的各个特征在不同驾驶模式之间是否存在显著性差异，然后通过从所述特征空间剔除在不同驾驶模式之间不存在显著性差异的无关特征，即可实现对所述特征空间中的特征的初步筛选，从而实现对所述特征空间的特征维度的降低。

步骤s130，使用特征筛选算法对降维后的特征空间中的特征进行特征选取，得到所述驾驶模式样本的当前最佳特征空间。

在本实施例中，特征筛选是指在已构建的特征空间中，选择出能够较完整地表达全部信息的特征组合。特征筛选能够降低特征维度，集中主要信息，减少处理时的资源消耗，提高计算效率。目前特征筛选算法众多，但都具有一定的局限性，通过这些特征筛选算法得到的特征子集往往是局部最优的，而不是全局最优的。本申请在使用特征筛选算法之前，先应用显著性分析对特征空间中的特征进行了一轮筛选，剔除了多余的无关特征，降低了特征筛选算法陷入局部最优的可能性。因此，此时使用特征筛选算法对降维后的特征空间中的特征进行特征选取，可以得到所述驾驶模式样本的当前最佳特征空间。其中，所述特征筛选算法可以是利用特征之间的相关性、特征与标签之间的相关性来剔除无关特征、选择有效特征的算法；也可以是利用后验方法来判断特征是否有效的算法，例如利用某种机器学习模型进行训练，得到各个特征的评分后再进行选取。总而言之，所采用的特征筛选算法都需要判断特征与标签之间的关联性，即特征能否有效区分标签。在一实施例中，所述特征筛选算法包括序列前向选择算法（sfs）、序列前向浮动选择算法（sffs）。此外，所述当前最佳特征空间的特征维度小于或等于预设值。其中，所述预设值用于控制特征维度，以便减少处理时的资源消耗，提高计算效率。例如，该预设值可以为10。

上述方法的有益效果为采用了使用同步多时窗方法对驾驶模式样本中的驾驶操作参数进行观测，并利用统计学特征与个性化特征构造所述驾驶模式样本的特征空间；对所述特征空间中的特征进行显著性分析，并通过剔除无关特征来降低所述特征空间的特征维度；使用特征筛选算法对降维后的特征空间中的特征进行特征选取，得到所述驾驶模式样本的当前最佳特征空间的技术方案。所以，有效解决了传统技术中驾驶模式的表征特征信息少且特征筛选效果不佳的问题，实现了对驾驶模式的表征特征的扩展，增强了特征筛选的效果，提升了驾驶模式的辨识精度。

结合图3所示，在本申请的第二实施例中，本申请的驾驶模式特征构造与筛选方法具体包括以下步骤：

步骤s211，通过以特定时间节点为基准并向后倒推不同长度的时间来为驾驶模式样本中的驾驶操作参数构建预设数量的时间窗。

在本实施例中，通过以特定时间节点为基准并向后倒推多个不同长度的时间可以为驾驶模式样本中的各个驾驶操作参数构建预设数量的时间窗。其中，所述特定时间节点可以是驾驶模式样本中完成驾驶模式操作的时间节点，也可以根据实际需要设置为其他合适的时间节点。所述不同长度的时间可以根据驾驶模式的时间维度特点进行选择。例如对于时间跨度较短的驾驶模式，可以设定较短的时间长度；而对于时间跨度较长的驾驶模式，可以设定较长的时间长度。并且多个不同的时间长度之间可以存在规律，例如可以是0.5s，1s，1.5s；也可以不存在规律，例如可以是0.5s，1.4s，2s。而所述预设数量同样可以根据实际需要进行设定。即在实际应用中可以根据场景任务需求动态调整时间窗宽度和时间窗数量。在一实施例中，所述驾驶模式样本中的驾驶操作参数包括油门踏板位置、车速、刹车踏板位置、方向盘转角、横向加速度、横摆角速度。

步骤s212，通过计算所述驾驶模式样本中每个时间窗内的每个驾驶操作参数的统计学特征以及每个时间窗内的具备典型特征的驾驶操作参数的个性化特征构造所述驾驶模式样本的特征空间。

在本实施例中，所述统计学特征可以包括下表1中的11个统计学特征。

表1

而若步骤s211中构建了6个时间窗、所述驾驶操作参数为油门踏板位置、车速、刹车踏板位置、方向盘转角、横向加速度、横摆角速度，则通过计算所述驾驶模式样本中每个时间窗内的每个驾驶操作参数的统计学特征可以得到所述驾驶模式样本的396个特征。假设具备典型特征的驾驶操作参数存在10个个性化特征，则通过计算每个时间窗内的具备典型特征的驾驶操作参数的个性化特征还能够得到所述驾驶模式样本的60个特征。即总共可以获得所述驾驶模式样本的456个特征，极大地丰富了驾驶模式的特征表达。在一实施例中，所述具备典型特征的驾驶操作参数为方向盘转角。在某些驾驶模式中，方向盘转角显然具备典型特征，能够很好地区分该驾驶模式与其他驾驶模式。

对于方向盘转角，首先可以根据不同时间节点时的转角值，计算方向盘转角速率，再根据方向盘转角与方向盘转角速率，引入个性化特征。其中，所述个性化特征可以如下表2所示：

表2

转角椭圆指标公式为，距离指标公式为。其中，表示方向盘转角，表示方向盘转角速率，为待定系数。在实际应用中还可以根据场景任务需求动态构建个性化特征。

步骤s220，对所述特征空间中的特征进行显著性分析，并通过剔除无关特征来降低所述特征空间的特征维度。

步骤s230，使用特征筛选算法对降维后的特征空间中的特征进行特征选取，得到所述驾驶模式样本的当前最佳特征空间。

上述方法的有益效果为在第一实施例的基础上对进行特征扩展的步骤进行了细化。所以，进一步有效解决了传统技术中驾驶模式的表征特征信息少且特征筛选效果不佳的问题，实现了对驾驶模式的表征特征的扩展，增强了特征筛选的效果，提升了驾驶模式的辨识精度。

结合图4所示，在本申请的第三实施例中，本申请的驾驶模式特征构造与筛选方法具体包括以下步骤：

步骤s311，通过以特定时间节点为基准并向后倒推不同长度的时间来为驾驶模式样本中的驾驶操作参数构建预设数量的时间窗。

步骤s312，通过计算所述驾驶模式样本中每个时间窗内的每个驾驶操作参数的统计学特征以及每个时间窗内的具备典型特征的驾驶操作参数的个性化特征构造所述驾驶模式样本的特征空间。

步骤s321，通过对所述特征空间中的特征进行显著性分析，判断所述特征在不同驾驶模式间是否存在显著性差异。

在本实施例中，对所述特征空间中的特征进行显著性分析的步骤可以是：首先依次假设特征空间中的特征在不同驾驶模式间存在显著性差异；然后使用方差检验对所述特征在不同驾驶模式中的数据进行检验；若方差检验的p值小于或等于显著性水平，则认为该特征在不同驾驶模式间存在显著性差异；若方差检验的p值大于显著性水平，则认为该特征在不同驾驶模式间不存在显著性差异。其中，所述显著性水平的常见取值包括0.05，0.01。

步骤s322，若所述特征在不同驾驶模式间不存在显著性差异，则将所述特征从所述特征空间中剔除。

在本实施例中，若所述特征在不同驾驶模式间不存在显著性差异，则意味着所述特征无法用于有效区分不同的驾驶模式，此时需要将所述特征从所述特征空间中剔除，以便去除多余的无关特征，从而降低在进行特征筛选时陷入局部最优的可能性。

步骤s330，使用特征筛选算法对降维后的特征空间中的特征进行特征选取，得到所述驾驶模式样本的当前最佳特征空间。

在本实施例中，利用真实数据对本申请技术方案进行验证的过程及结果如下所示。

选择的驾驶模式样本包含左换道样本、右换道样本和直行样本；选择的驾驶操作参数为油门踏板位置、车速、刹车踏板位置、方向盘转角、横向加速度、横摆角速度；选择的时间窗为宽度分别为0.5s，1s，1.5s，2s，2.5s，3s的6个时间窗；选择的统计学特征为前述的表格中的11个特征；选择的个性化特征为前述的表格中的10个特征；选择的显著性水平为0.05。

在经过步骤s311和步骤s312的操作之后得到了456个特征；而这456个特征在经过步骤s321和步骤s322的操作之后得到了296个特征；在步骤s330中分别使用随机特征子集选择算法（rsfs）、序列前向选择算法（sfs）、序列前向浮动选择算法（sffs）对296个特征进行处理，得到结果如下表3所示：

表3

为了进行对比，不进行步骤s321和步骤s322的操作，直接使用随机特征子集选择算法（rsfs）、序列前向选择算法（sfs）、序列前向浮动选择算法（sffs）对456个特征进行处理，得到结果如下表4所示：

表4

进行验证的数据集中包含三类样本：250个左换道样本，325个右换道样本和300个直行样本。每个样本均由前述筛选出来的特征进行表示，且具有相应标签（-1：左换道，0：直行，1：右换道）。将每一类样本按照4:1划分训练集与测试集。以每一类驾驶模式的训练样本作为输入，分别训练出识别不同驾驶模式的隐马尔可夫模型（hmm），得到hmm-左换道模型、hmm-直行模型、hmm-右换道模型。再将三类驾驶模式的测试样本输入到三个模型中，由三个模型给出该样本在当前模型中的出现概率（即得分），比较概率的最大值，所对应的模型类别即为最终的模式类别。最终结果如下表5所示，其中，单筛为未经过显著性分析的特征筛选方案，双筛为本申请的特征筛选方案。

表5

从结果来看，经过显著性分析之后，只有在使用随机特征子集选择算法（rsfs）时，最终的辨识精度较未使用显著性分析是下降的，其他两种都有明显的提升（均大于20%）。其中，显著性分析与序列前向选择算法（sfs）结合在当前问题中表现最佳，双筛方案达到了82.3%的精度。可以看出，双筛方案对于提升精度十分有效，能够在一定程度上弥补特征筛选算法的局限性。

上述方法的有益效果为在第二实施例的基础上对进行初步特征筛选的步骤进行了细化。所以，进一步有效解决了传统技术中驾驶模式的表征特征信息少且特征筛选效果不佳的问题，实现了对驾驶模式的表征特征的扩展，增强了特征筛选的效果，提升了驾驶模式的辨识精度。

基于同一发明构思，本申请实施例还提供了一种驾驶模式特征构造与筛选装置，所述装置包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的特征构造与筛选程序，所述特征构造与筛选程序被所述处理器执行时实现如上述的驾驶模式特征构造与筛选方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

由于本申请实施例提供的驾驶模式特征构造与筛选装置，为实施本申请实施例的方法所采用的装置，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的装置都属于本申请所欲保护的范围。

基于同一发明构思，本申请实施例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特征构造与筛选程序，所述特征构造与筛选程序被处理器执行时实现如上述的驾驶模式特征构造与筛选方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

由于本申请实施例提供的计算机可读存储介质，为实施本申请实施例的方法所采用的计算机可读存储介质，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的计算机可读存储介质都属于本申请所欲保护的范围。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发

明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。