一种基于深度强化学习的自反馈客流控制方法及装置与流程

本申请属于轨道交通技术领域，特别涉及一种基于深度强化学习的自反馈客流控制方法、基于深度强化学习的自反馈客流控制装置。

背景技术：

我国轨道交通事业正处于快速发展期，既有线及高铁线网规模持续扩张，但轨道站点滞留拥挤现象突出，经常导致站内过度拥挤，导致设计能力不能发挥，也使车站安全和乘客满意度受到严重影响，引起政府、轨道车站公众的极大关注。.

目前，运营管理中对于控流站点的选取、控流时间范围及控流强度的设定主要依托管理部门的现场工作经验，缺乏合理的科学解释及验证，当遇到大型活动、异常气候、突发事件引发的突发性大客流时，由于缺乏有效的客流监测手段、客流趋势预测及预警评估技术手段，也缺乏明确妥当的处置策略，容易错失最佳处置时间，增加拥堵和产生客流踩踏风险。

因此，希望有一种技术方案来克服或至少减轻现有技术的至少一个上述缺陷。

技术实现要素：

本申请的目的是提供了一种基于深度强化学习的自反馈客流控制方法，以解决上述至少一方面的问题。

在本申请的第一方面，一种基于深度强化学习的自反馈客流控制方法，所述基于深度强化学习的自反馈客流控制方法包括：

获取车站的当前时间点的历史时序数据、仿真数据以及短时预测数据；

根据所述历史时序数据、仿真数据以及短时预测数据获取客流特征；

根据所述客流特征获取车站客流评分；

获取客流控制策略，所述客流控制策略包括多种控制行为；

根据所述车站客流评分以及所述客流控制策略更新当前时间点的车站客流控制决策方案。

可选地，所述获取车站的当前时间点的历史时序数据、仿真数据以及短时预测数据包括：

获取车站的当前时间点的历史时序数据；

根据所述历史时序数据获取车站的当前时间点的仿真数据；

获取车站的当前时间点的前一时间点的反馈处理结果；

根据所述仿真数据以及所述反馈处理结果获取车站的当前时间点的短时预测数据。

可选地，所述获取车站的当前时间点的历史时序数据包括：

获取图像信息；

根据图像信息获取行人轨迹信息；

根据所述行人轨迹信息统计历史时序数据。

可选地，所述根据所述历史时序数据获取车站的当前时间点的仿真数据包括：

生成车站模型；

生成流程逻辑；

根据流程逻辑绘制逻辑流程图；

根据所述逻辑流程图生成仿真控制逻辑；

根据所述仿真控制逻辑以及所述历史时序数据对所述车站模型进行模拟仿真，从而获取当前时间点的仿真数据。

可选地，所述根据所述仿真数据以及所述反馈处理结果获取车站的当前时间点的短时预测数据包括：

构建lstm模型；

将所述仿真数据以及所述反馈处理结果输入至所述lstm模型并获取所述lstm模型的输出信息作为短时预测数据。

可选地，所述根据所述历史时序数据、仿真数据以及短时预测数据获取客流特征包括：

通过深度学习网络sae提取所述历史时序数据、仿真数据以及短时预测数据的特征作为客流特征。

可选地，所述根据所述客流特征获取车站客流评分包括：

通过如下公式获取车站客流评分：

其中，

v为评价结果，客流特征值为z，zmax为流量以及流速标准；m为惩罚值。

可选地，所述根据所述车站客流评分以及所述客流控制策略获取当前时间点的车站客流控制决策方案包括：

获取状态-行动转换概率，所述状态-行动转换概率表示根据当前时间点的车站客流评分进行相应控制行为的概率；

获取行动-状态转换概率，所述行动-状态转换概率表示在进行相应控制行为后评分在预定时间变化的概率；

生成车站客流控制决策优化策略；

根据所述状态-行动转换概率、行动-状态转换概率以及所述车站客流控制决策优化策略更新当前的车站客流控制决策方案。

本申请还提供了一种基于深度强化学习的自反馈客流控制装置，所述基于深度强化学习的自反馈客流控制装置包括：

数据获取模块，所述数据获取模块用于获取车站的当前时间点的历史时序数据、仿真数据以及短时预测数据；

客流特征提取模块，所述客流特征提取模块用于根据所述历史时序数据、仿真数据以及短时预测数据获取客流特征；

车站客流评分模块，所述车站客流评分模块用于根据所述客流特征获取车站客流评分；

客流控制策略获取模块，所述客流控制策略获取模块用于获取客流控制策略，所述客流控制策略包括多种控制行为；

更新模块，所述更新模块用于根据所述车站客流评分以及所述客流控制策略更新当前的车站客流控制决策方案。

本申请还提供了一种电子设备，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，处理器执行计算机程序时实现如上的基于深度强化学习的自反馈客流控制方法。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时能够实现如上的基于深度强化学习的自反馈客流控制方法。

本申请至少存在以下有益技术效果：

本申请根据历史时序数据、仿真数据以及短时预测数据对当前时间点的车站客流进行评分，一方面能够了解当前车站客流的情况，另一方面可以根据当前车站客流的情况实时智能调整车站客流控制决策方案。

附图说明

图1是本申请一个实施方式提供的基于深度强化学习的自反馈客流控制方法的流程示意图。

图2是能够实现根据本申请一个实施例提供的基于深度强化学习的自反馈客流控制方法的电子设备的示例性结构图。

具体实施方式

为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本申请一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本申请的实施例进行详细说明。

需要说明的是，在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

图1是本申请一个实施方式提供的图像标签获取方法的流程示意图。

如图1所示的基于深度强化学习的自反馈客流控制方法包括：

步骤1：获取车站的当前时间点的客流历史时序数据、仿真数据以及短时预测数据；

步骤2：根据客流历史时序数据、仿真数据以及短时预测数据获取客流特征；

步骤3：根据客流特征获取车站设施能力负荷度综合评价；

步骤4：获取客流控制策略，客流控制策略包括多种控制行为；

步骤5：根据车站车站设施能力负荷度综合评价以及客流控制策略更新当前的车站客流控制决策方案。

本申请根据客流历史时序数据、仿真数据以及短时预测数据对当前时间点的车站车站设施能力负荷度进行综合评价，一方面能够了解当前车站关键设施设备能力利用情况，另一方面可以根据当前车站关键设施设备能力利用情况反馈更新智能调整车站客流控制决策方案。

在本实施例中，步骤1：获取车站的当前时间点的客流历史时序数据、仿真数据以及短时预测数据包括：

步骤11：获取车站的当前时间点的历史时序数据；

步骤12：根据历史时序数据获取车站的当前时间点的仿真数据；

步骤13：获取车站的当前时间点的前一时间点的反馈处理结果；

步骤14：根据仿真数据以及反馈处理结果获取车站的当前时间点的短时预测数据。

在本实施例中，步骤11：获取车站的当前时间点的客流历史时序数据包括：

步骤111：获取图像信息；

步骤112：根据图像信息获取行人轨迹信息；

步骤113：根据行人轨迹信息统计历史时序数据。

举例来说，获取图像信息可以采用如下方式：

用站内各关键点(包括：进出站口闸机和安检口、站台、换乘通道如楼梯、步道和自动扶梯)的摄像头采集原始图像。这些摄像头应当尽可能地设在高处，其拍摄角度应该尽可能接近直角，且应当具备较好的抗光干扰能力。采集到的图像全部转化为灰度图像进行处理。

根据图像信息获取行人轨迹信息可以采用如下方式：

使用随机哈夫变换对图像中尺寸接近人头部的深色近圆形区域进行识别与鉴别，得到站内乘客头部的拟合圆，追踪其圆心位置的轨迹。通过分析乘客的运动轨迹将其归入上车轨迹、下车出站轨迹和各方向的换乘轨迹，分析方法主要是判断行人运动轨迹是否经过该场景下标定的界线，即判定行人轨迹的起点和终点连线是否与界线存在交点，从而统计行人流量。

根据所述行人轨迹信息统计历史时序数据具体为：统计行人流量并根据行人流量以及轨迹计算流速，将结果数据存储进数据库，作为历史时序数据。

在本实施例中，步骤12：根据历史时序数据获取车站的当前时间点的仿真数据包括：

步骤121：生成车站模型。

举例来说，在搭建车站模型前需要先在anylogic软件中导入车站各层cad平面图作为模型底图，并设置图形的比例尺和物体尺度。之后绘制图中存在的障碍物，如，车站中的边界、柱子、服务窗台、安检区、楼扶梯边界等障碍物用wall组件实现。楼扶梯等作为已植入的模块可以直接设置。以楼扶梯为例，这一类模型的主要设置流程为：

步骤1211：双击rectangulararea，在楼扶梯区域进行绘制；

步骤1212：拖入pedareadescriptor，在area中选择拖入的rectangulararea；

步骤1213：如果是电梯，设置ismoving及atspeed，如果不是，只设置throughout(通行能力)即可；

步骤1214：如需要设置坡度，选中rectangulararea勾选slope进行设置即可。

步骤122：生成流程逻辑，举例来说，生成流程逻辑具体为：

步骤1221：设计流程逻辑，anylogic是通过流程图来驱动整个仿真的运行的，地铁车站行人仿真作为离散事件仿真的一种，其中的各种小事件都可以被归纳为四个子步骤：产生-选择目的地-前往-离开(消失)。具体实现步骤如下：

设置流程功能实现对象，包括目标线、目标区域、走行路径、服务点、服务队列等，并设置命名及相应属性。在设置行人到达或离开时通过targetline来设置，行人将从targetline出现或离开，targetline既是每一个进出口的出入线，也是每个楼扶梯的出入口；其次在需要服务的地方设置服务排队线(servicewithlines)，如闸机、安检、售票等区域，再设置服务的相关属性和排队形式。

步骤1222：编制逻辑流程图，根据行人的实际逻辑设计以下几个车站的流程逻辑。

行人进站逻辑主要为：行人进站(产生)-行人做出选择(直接安检/购票)-直接安检的行人接受安检服务-全体行人接受进站闸机服务。

行人前往候车逻辑为：行人通过闸机-选择楼扶梯-前往站台楼扶梯-通过站内通道--选择站台车门-前往候车-登车(消失)。

行人换乘逻辑为：行人下车(产生)-行人选择出站线路-通过站内通道--选择换乘线路-选择换乘区域-前往候车-登车(消失)。

行人出站逻辑主要为：行人下车(产生)-行人选择出站线路-通过站内通道-选择楼扶梯-选择出站闸机-接受闸机服务-前往出口(消失)。

步骤123：根据流程逻辑绘制逻辑流程图；具体地，设计完流程后，结合模型中的功能对象，绘制逻辑流程图。

步骤124：根据所述逻辑流程图生成仿真控制逻辑；

步骤125：根据所述仿真控制逻辑以及所述历史时序数据对所述车站模型进行模拟仿真，从而获取当前时间点的仿真数据。

在本实施例中，步骤14：根据仿真数据以及反馈处理结果获取车站的当前时间点的短时预测数据包括：

步骤141：构建lstm模型；具体地，步骤141包括：

步骤1411：构建一个包含三个连续循环结构的lstm模型，每层lstm内包含一个循环结构，只需要向当前层输入一个循环单元即可。每个循环结构有两个输出，lstm结构的单个循环结构自我更新次数仅由输入数据的维度和循环次数决定，即当前层lstm的参数总个数只需计算一个循环单元，不必计算多个连续单元的总个数，以提高这一系统的计算效率。

步骤1412：为lstm细胞设置输入门、遗忘门、输出门和记忆单元状态。

输入门：决定当前时刻输入的历史数据有多少需要保存到单元状态，这些历史数据是经过步骤s2提及的仿真模型验证过的数据结果和步骤s6提及的反馈处理结果。

遗忘门：决定上一时刻的仿真结果反馈有多少需要保留到当前时刻代入循环再计算。遗忘门需要丢弃一部分信息，使得每一批次的数据时间跨度相同，并监测数据规模，防止计算量爆炸，设定丢弃数据的比例参数σ(其取值范围为[0,1])。

输出门：分析lstm系统各循环层的短时预测结果，决定当前单元状态时序信息和预测信息有多少需要输出到当前的结果或返回隐藏层。同时通过此输出更新该层记忆单元存储的短时预测结果。

记忆单元：保证更新优化的梯度始终传递，并确保更快地收敛，由一个state函数控制。

步骤1413：应用上个时刻的反馈处理结果的输出ht-1和当前的仿真数据输入xt，通过遗忘门得到ft，其公式如下：

ft＝σ(wf·[ht-1，xt]+bf)

步骤1414：应用上一个时刻的反馈处理结果的输出ht-1和当前的仿真数据输入xt，通过输入门得到it，以及通过单元状态得到当前时刻记忆单元的暂时状态其公式如下：

it＝σ(wi·[ht-1，xt]+bi)

步骤1415：应用上一个细胞结构的记忆单元状态ct-1、本次循环的遗忘门输出ft、输入门输出it以及本次循环的记忆单元状态的输出得到当前记忆单元的状态ct。其公式如下：

步骤1416：应用上一个时刻的输出ht-1和当前的数据输入xt，通过输出门得到ot的过程，以及结合当前细胞的单元状态ct和ot得到最终的输出ht。其公式如下：

ot＝σ(wo·[ht-1，xt]+bo)

ht＝ot*tanh(ct)

步骤142：将所述仿真数据以及所述反馈处理结果输入至所述lstm模型并获取所述lstm模型的输出信息作为短时预测数据。具体地，当lstm模型迭代达到合理的精度或指定的迭代代数2000代后，获取短时预测数据，同时留存这一时刻的结果备用于下次短时预测。

在本实施例中，步骤2：根据历史时序数据、仿真数据以及短时预测数据获取客流特征包括：

通过深度学习网络sae提取所述历史时序数据、仿真数据以及短时预测数据的特征作为客流特征。

举例来说，步骤21：选取车站内关键区域，例如，楼扶梯、进出口、换乘通道，分别获取各个不同区域的上述的历史时序数据、仿真数据以及短时预测数据，形成异构数据源。

步骤22：针对异构数据源不一致的问题，使用深度学习网络sae提取特征。

该网络由encoder与decoder组成，其结构为：

表1深度学习网络结构表

训练参数设定为：

表2sae网络参数表

根据随机梯度下降法，经过2000次迭代后可获得评价各区域的客流特征。

在本实施例中，步骤3：根据所述客流特征获取车站客流评分包括：

通过如下公式获取车站客流评分：

其中，

v为评价结果，客流特征值为z，zmax为流量以及流速标准；m为惩罚值。

当所有区域的评分无m出现时结束循环。

在本实施例中，控制行为包括开放更多闸机、加派引流人员、启用限流围栏、关闭闸机、解除限流措施等方式。

在本实施例中，步骤5：根据车站客流评分以及客流控制策略获取当前的车站客流控制决策方案包括：

步骤51：获取状态-行动转换概率，状态-行动转换概率表示根据当前时间点的车站客流评分进行相应控制行为的概率；

步骤52：获取行动-状态转换概率，所述行动-状态转换概率表示在进行相应控制行为后评分在预定时间变化的概率；

步骤53：生成车站客流控制决策优化策略；

步骤54：根据所述状态-行动转换概率、行动-状态转换概率以及所述车站客流控制决策优化策略更新当前的车站客流控制决策方案。

举例来说，将车站客流管理整体优化过程表述以为一条状态-行动链条：{s0，a0，s1，a1，…，st-1，at-1，st}。在该链中设置两种状态转换：其一是状态-行动转换概率，由流量、流速管理策略决定；其二是行动-状态转换概率，由历史数据、实时数据、仿真数据、短时预测数据所构成的数据环境决定。其中，行动方式包括开放更多闸机、加派引流人员、启用限流围栏、关闭闸机、解除限流措施，每种措施所消耗的时间是其最重要的特征。以及对应的时间长度。为防止后续迭代的计算量过大问题，时间长度由离散备选集产生。

状态-行动转换需要由设施设备管理者根据当前的状态选择其认知范围内最好的行动方式(即使当前客流量在满足安全的条件下最快的回归调节的预期值)，也就是建立环境状态值st到一个行动集合的概率分布或概率密度函数的映射(每一个行动都有一定的概率被执行，且耗时越小，被执行的概率越大)，按下列公式表达：

根据马尔可夫性(即当下的行为只和当前时刻的状态有关，与当前时刻之前的状态无关)，将公式简化为：

本架构采取上列公式的计算结果执行行动。且由于行动的集合是离散有限的，所以把选择行为问题变成多分类问题，并使用机器学习方法求解。

行动-状态转换，是在设施设备管理者完成行动后，环境受到其行动影响在一定的时间后导致状态的转换。由于下一步的状态只受前一步状态影响，所以环境的状态转换以如下形式的概率公式进行：

p(st+1|st，at)

设定优化的策略，即一切行动都要为最大化长期回报而努力。设环境提供可以量化的某一时刻的回报值为r，这一回报值主要指采取措施后达到预期成效的时间，可以采取e^-time等形式计算。即：maximize∑trt。

该公式难以计算，因此引入打着率，使得长期回报变得更有意义。将公式修正为：∑t＝0γ^rrt。再定义变量——长期回报，将当前状态之后所有的回报分离，分别乘以对应的打着率：rett＝∑k＝0γ^krt+k+1。

由于在行动执行时并不知道未来的行动情况，再引入一个定义：策略价值。考虑每一种状态转换的影响，而后基于状态转换求解长期回报的期望。令τ为根据策略和状态转换采样得到的序列，将价值的公式定义写成：

根据mdp的模型形式，建立两种类型的价值函数(值函数)，包括状态值函数以及状态-行动值函数。

计算状态值函数vπ(s)：也就是已知当前状态s，按照某种策略行动产生的长期回报期望。随后遍历从某个状态出发的值函数，依据概率将这些路径的长期回报求期望，得到：

其中τ表示从状态st出发的某条路径。根据马尔科夫性，展开路径部分为：

再根据bellman公式推得：

计算状态-行动值函数qπ(s，a)，以当前超标状态为状态s和行动a进行推理。按照策略行动产生的长期回报期望。当值函数稳定时，任意一个状态的价值可以由其他状态的价值得到。与上文类似，状态-行为值函数同样有一个类似的公式：

根据蒙特卡洛算法进行计算，得到：

从状态s和行动a开始不停地与环境交互，采集样本，获得回报序列：最终可得：

本申请还提供了一种基于深度强化学习的自反馈客流控制装置，所述基于深度强化学习的自反馈客流控制装置包括数据获取模块、客流特征提取模块、车站客流评分模块、客流控制策略获取模块以及更新模块，其中，

数据获取模块用于获取车站的当前时间点的历史时序数据、仿真数据以及短时预测数据；

客流特征提取模块用于根据所述历史时序数据、仿真数据以及短时预测数据获取客流特征；

车站客流评分模块用于根据客流特征获取车站客流评分；

客流控制策略获取模块用于获取客流控制策略，客流控制策略包括多种控制行为；

更新模块用于根据所述车站客流评分以及客流控制策略更新当前的车站客流控制决策方案。

需要说明的是，前述对方法实施例的解释说明也适用于本实施例的装置，此处不再赘述。

本申请还提供了一种电子设备，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，处理器执行计算机程序时实现如上的基于深度强化学习的自反馈客流控制方法。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时能够实现如上的基于深度强化学习的自反馈客流控制方法。

图2是能够实现根据本申请一个实施例提供的基于深度强化学习的自反馈客流控制方法的电子设备的示例性结构图。

如图2所示，电子设备包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505以及输出设备506。其中，输入接口502、中央处理器503、存储器504以及输出接口505通过总线507相互连接，输入设备501和输出设备506分别通过输入接口502和输出接口505与总线507连接，进而与电子设备的其他组件连接。具体地，输入设备504接收来自外部的输入信息，并通过输入接口502将输入信息传送到中央处理器503；中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出接口505将输出信息传送到输出设备506；输出设备506将输出信息输出到电子设备的外部供用户使用。

也就是说，图2所示的电子设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及一个或多个处理器，该一个或多个处理器在执行计算机可执行指令时可以实现如上的基于深度强化学习的自反馈客流控制方法。

在一个实施例中，图2所示的电子设备可以被实现为包括：存储器504，被配置为存储可执行程序代码；一个或多个处理器503，被配置为运行存储器504中存储的可执行程序代码，以执行上述实施例中的基于深度强化学习的自反馈客流控制方法。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动，媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数据多功能光盘(dvd)或其他光学存储、磁盒式磁带、磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。

此外，显然“包括”一词不排除其他单元或步骤。装置权利要求中陈述的多个单元、模块或装置也可以由一个单元或总装置通过软件或硬件来实现。第一、第二等词语用来标识名称，而不标识任何特定的顺序。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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、或代码的一部分，模块、程序段、或代码的一部分包括一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，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，两个接连地标识的方框实际上可以基本并行地执行，他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/或总流程图中的方框的组合，可以用执行规定的功能或操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。

在本实施例中所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现装置/终端设备的各种功能。存储器可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器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，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、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。

在本实施例中，装置/终端设备集成的模块/单元如果以软件功能单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。