轨迹识别方法、装置、设备及存储介质与流程

1.本发明涉及轨迹识别技术领域，尤其涉及到一种轨迹识别方法、装置、设备及存储介质。


背景技术：

2.近年来各类传感器观察手段飞速发展且日趋成熟，逐渐累积了大量的数据，其中飞机、船只、潜艇等轨迹类型数据也在飞速增加。虽然由于各种条件限制，轨迹原始数据中均存在有较多噪声，但通过算法的合理利用，仍能挖掘出大量有价值信息。其中如何利用历史轨迹信息规律，对当前观察到的轨迹进行类型识别，就是一项很有意义的研究，这样在面对海量历史数据时，可由机器学习模型自动求解出最可能的识别结果，并展现出识别依据以及详细概率分布。算法模型以严谨的统计学公式作为基础，可有效消除人类主观偏见，为人工判证提供快速、高价值的辅助信息。
3.现有的轨迹识别方法，主要是基于深度学习和基于统计的方法。基于深度学习的方法包括lstm、cnn等，因轨迹分布区域极广且不均衡，会有数据稀疏、无法有效学习特征细节的问题，且深度学习可解释性均比较差，无法给出详细预测依据。基于统计的方法，使用轨迹集外接多边形区域或热力图等信息描述，存在不同类轨迹区域重叠时效果差、无法利用轨迹自身形状信息等问题。
4.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

5.本发明的主要目的在于提供一种轨迹识别方法、装置、设备及存储介质，旨在解决目前轨迹识别效率不高的技术问题。
6.为实现上述目的，本发明提供一种轨迹识别方法，所述方法包括以下步骤：
7.基于历史轨迹数据，构建形状模型和位置模型；其中，所述形状模型为历史轨迹数据中轨迹形状的分类模型，所述位置模型为历史轨迹数据中轨迹点的分类模型；
8.调用形状模型和位置模型分别对待识别轨迹进行处理，获得所述待识别轨迹的第一概率分布和所述待识别轨迹中轨迹点的第二概率分布；
9.根据第一概率分布和第二概率分布，计算待识别轨迹的整体概率分布；
10.基于所述整体概率分布，确定待识别轨迹的轨迹类型。
11.可选的，所述历史轨迹数据包括若干条轨迹和轨迹对应的类别标签，所述轨迹由若干个轨迹点构成，所述轨迹点包括轨迹点的经度、维度和时间戳。
12.可选的，构建所述形状模型，具体包括：
13.利用历史轨迹数据中的轨迹点对lstm自编码器进行训练，提取lstm自编码器的编码层输出的轨迹形状的特征数据；
14.为每个类别标签构建二分类模型，并将所述特征数据输入二分类模型，以对二分
类模型进行训练，获得每个类别标签对应的形状模型。
15.可选的，构建所述位置模型，具体包括：
16.根据每个类别标签对应轨迹的观测时间戳，提取所述观测时间戳中对应的轨迹点，构建样本集；
17.利用所述样本集，训练高斯混合模型，以获得每个类别标签对应的位置模型。
18.可选的，所述调用形状模型和位置模型分别对待识别轨迹进行处理步骤之前，所述方法还包括根据每个类别标签对应的轨迹点数量，确定所有类别标签的先验概率分布p
pre
。
19.可选的，所述根据第一概率分布和第二概率分布，获得待识别轨迹的整体概率分布的表达式具体为：
20.p
final
＝w1*p
shape
+w2*p
loc
，s.t.w1+w2＝1
21.其中，p
loc
＝p
loc-co
*p
pre
，p
shape
＝p
shape-co
*p
pre
，p
shape-co
为形状模型对应的第一概分布，p
shape-co
为位置模型对应的第二概率分布，w1、w2为权重值。
22.可选的，所述方法还包括对历史轨迹数据和/或待识别轨迹进行预处理；其中，所述预处理包括对轨迹进行均匀插点。
23.此外，为了实现上述目的，本发明还提供了一种轨迹识别装置，所述轨迹识别装置包括：
24.构建模块，用于基于历史轨迹数据，构建形状模型和位置模型；其中，所述形状模型为历史轨迹数据中轨迹形状的分类模型，所述位置模型为历史轨迹数据中轨迹点的分类模型；
25.调用模块，用于调用形状模型和位置模型分别对待识别轨迹进行处理，获得所述待识别轨迹的第一概率分布和所述待识别轨迹中轨迹点的第二概率分布；
26.计算模块，用于根据第一概率分布和第二概率分布，计算待识别轨迹的整体概率分布；
27.确定模块，用于基于所述整体概率分布，确定待识别轨迹的轨迹类型。
28.此外，为了实现上述目的，本发明还提供了一种轨迹识别设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的轨迹识别程序，所述轨迹识别程序被所述处理器执行时实现上述的轨迹识别方法的步骤。
29.此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有轨迹识别程序，所述轨迹识别程序被处理器执行时实现上述的轨迹识别方法的步骤。
30.本发明实施例提出的一种轨迹识别方法、装置、设备及存储介质，该方法包括基于历史轨迹数据，构建形状模型和位置模型；其中，所述形状模型为历史轨迹数据中轨迹形状的分类模型，所述位置模型为历史轨迹数据中轨迹点的分类模型；调用形状模型和位置模型分别对待识别轨迹进行处理，获得所述待识别轨迹的第一概率分布和所述待识别轨迹中轨迹点的第二概率分布；根据第一概率分布和第二概率分布，计算待识别轨迹的整体概率分布；基于所述整体概率分布，确定待识别轨迹的轨迹类型。本发明通过对轨迹形状和位置特征分别建模，进而对轨迹进行识别，解决了使用单一模型时高维数据样本稀疏、抗造能力弱、可解释性差等问题，能够准确与快速的为用户提供识别结果与依据。
附图说明
31.图1为本发明轨迹识别设备的结构示意图；
32.图2为本发明轨迹识别方法实施例的流程示意图；
33.图3为本发明轨迹识别方法轨迹识别具体实例的流程示意图；
34.图4为本发明形状模型结构图；
35.图5为本发明位置建模考虑时间因素和未考虑时间因素的对比图；
36.图6为本发明轨迹识别装置的结构框图。
37.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
38.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
39.现有的轨迹识别方法，主要是基于深度学习和基于统计的方法。基于深度学习的方法包括lstm、cnn等，因轨迹分布区域极广且不均衡，会有数据稀疏、无法有效学习特征细节的问题，且深度学习可解释性均比较差，无法给出详细预测依据。基于统计的方法，使用轨迹集外接多边形区域或热力图等信息描述，存在不同类轨迹区域重叠时效果差、无法利用轨迹自身形状信息等问题。
40.为了解决这一问题，提出本发明的轨迹识别方法的各个实施例。本发明提供的轨迹识别方法通过对轨迹形状和位置特征分别建模，进而对轨迹进行识别，解决了使用单一模型时高维数据样本稀疏、抗造能力弱、可解释性差等问题，能够准确与快速的为用户提供识别结果与依据。
41.参照图1，图1为本发明实施例方案涉及的轨迹识别设备的结构示意图。
42.设备可以是用于进行轨迹识别的移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(pda)、平板电脑(pad)等用户设备(user equipment，ue)、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(mobile station，ms)等。设备可能被称为用户终端、便携式终端、台式终端等。
43.通常，设备包括：至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的轨迹识别程序，所述轨迹识别程序配置为实现如前所述的轨迹识别方法的步骤。
44.处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processingunit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关轨迹识别操作，使得轨迹识别模型可以自主训练学习，提高效率和准确度。
45.存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可
以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本技术中方法实施例提供的轨迹识别方法。
46.在一些实施例中，终端还可选包括有：通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地，外围设备包括：射频电路304、显示屏305和电源306中的至少一种。
47.通信接口303可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。通信接口303通过外围设备用于接收用户上传的多个移动终端的移动轨迹以及其他数据。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
48.射频电路304用于接收和发射rf(radio frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信，从而可获取多个移动终端的移动轨迹以及其他数据。射频电路304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路304包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2g、3g、4g及5g)、无线局域网和/或wifi(wireless fidelity，无线保真)网络。在一些实施例中，射频电路304还可以包括nfc(near field communication，近距离无线通信)有关的电路，本技术对此不加以限定。
49.显示屏305用于显示ui(user interface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时，显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时，显示屏305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏305可以为一个，电子设备的前面板；在另一些实施例中，显示屏305可以为至少两个，分别设置在电子设备的不同表面或呈折叠设计；在再一些实施例中，显示屏305可以是柔性显示屏，设置在电子设备的弯曲表面上或折叠面上。甚至，显示屏305还可以设置成非矩形的不规则图形，也即异形屏。显示屏305可以采用lcd(liquidcrystal display，液晶显示屏)、oled(organic light-emitting diode,有机发光二极管)等材质制备。
50.电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
51.本领域技术人员可以理解，图1中示出的结构并不构成对轨迹识别设备的限定，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。
52.本发明实施例提供了一种轨迹识别方法，参照图2，图2为本发明轨迹识别方法的实施例的流程示意图。
53.本实施例中，所述轨迹识别方法包括以下步骤：
54.步骤s100，基于历史轨迹数据，构建形状模型和位置模型；其中，所述形状模型为历史轨迹数据中轨迹形状的分类模型，所述位置模型为历史轨迹数据中轨迹点的分类模型。
55.具体而言，在实际应用中，历史轨迹数据包括若干条轨迹和轨迹对应的类别标签，所述轨迹由若干个轨迹点构成，所述轨迹点包括轨迹点的经度、维度和时间戳。
56.其中，在构建形状模型时，利用历史轨迹数据中的轨迹点对lstm自编码器进行训练，提取lstm自编码器的编码层输出的轨迹形状的特征数据；为每个类别标签构建二分类模型，并将所述特征数据输入二分类模型，以对二分类模型进行训练，获得每个类别标签对应的形状模型。
57.本实施例中，对形状建模时通过自编码器和随机特征数据解决了轨迹无负例问题。如果直接将轨迹输入类lstm神经网络二分类器，由于轨迹长度不定，形状空间巨大，且其他目标轨迹形状也可能跟该目标相似，所以很难生成覆盖全面的负例轨迹。而通过编码器把轨迹转为固定长度的特征数据，从特征数据入手生成正负样本，则解决了这一难题。
58.在构建位置模型时，根据每个类别标签对应轨迹的观测时间戳，提取所述观测时间戳中对应的轨迹点，构建样本集；利用所述样本集，训练高斯混合模型，以获得每个类别标签对应的位置模型。
59.本实施例中，对位置建模时，考虑了时间维度信息，比如目标在ab两区域历史出现次数相同，但a区域均在5年前，b区域则在近期，显然下次更可能出现于b区域，也就是混合高斯模型在b区域概率密度应该大些，而不是和a区域相等。通过时间戳信息对样本引入不同权重，改进后的模型更加符合经验事实。
60.需要说明的是，历史数据中有n个类别，对应n个标签，每个标签对应轨迹数据均由一条或多条轨迹构成，由于各轨迹中轨迹点密度不同，同轨迹中各区域轨迹点密度可能也不同，所以需要对所有的轨迹数据进行均匀距离插点。
61.容易理解的，使用历史数据对轨迹的形状进行建模，包括以下步骤：
62.a、对所有轨迹数据做数据增强，具体方式为：对每个轨迹点位置添加小范围的高斯噪声扰动，并随机取轨迹序列子集，形成新的数据集ns。将ns中所有轨迹起点偏移至(0,0)并保持轨迹中其他点相对起点坐标数值差异不变。
63.b、建立lstm自编码器，输入输出均为轨迹点的经纬度序列，经训练后即可使用lstm自编码器的编码层获得轨迹形状的特征数据。
64.c、对每个标签分别建立二分类模型，输入数据为轨迹的特征数据，输出为是此标签的概率。二分类模型训练时，使用数据集的正例为数据集ns中该标签下轨迹对应的特征数据，反例为随机特征数据；
65.d、推断时使用的形状模型即为lstm自编码器编码部分串联二分类模型，因有n个类别，所以有n个二分类模型，即形状模型共n个。
66.使用历史数据对轨迹的位置进行建模，包括以下步骤：
67.a、对于某一标签下轨迹数据集，获取每条轨迹的观测时间戳，并应用到相应轨迹点上，取这些轨迹点作为样本集，时间戳较小的样本对应权重会降低。
68.b、对样本集进行位置建模，这里选用基于狄利克雷过程的二维高斯混合模型，并
在训练时应用样本的权重数据。
69.c、对所有标签经以上步骤处理，得到n个位置模型。
70.步骤s200，调用形状模型和位置模型分别对待识别轨迹进行处理，获得所述待识别轨迹的第一概率分布和所述待识别轨迹中轨迹点的第二概率分布。
71.需要说明的是，在构建并获得形状模型和位置模型后，还需要根据每个类别标签对应的轨迹点数量，确定所有类别标签的先验概率分布p
pre
。
72.具体而言，通过数量统计对类别的先验概率进行计算，具体方法为，设总轨迹点数为tn，某标签对应轨迹点数为tx，则此标签先验概率为tx/tn。设所有标签先验概率组成的概率分布为p
pre
。
73.同时，在利用待识别轨迹时，同样可以对所有的轨迹数据进行均匀距离插点。
74.在获得形状模型和位置模型之后，即可利用形状模型和位置模型对待识别轨迹进行处理，以此得到待识别轨迹的第一概率分布和待识别轨迹中轨迹点的第二概率分布。
75.步骤s300，根据第一概率分布和第二概率分布，计算待识别轨迹的整体概率分布。
76.在本实施例中，在获得先验概率、第一概率分布以及第二概率分布之后，使用贝叶斯方法算得轨迹所属的各类别概率分布。根据第一概率分布和第二概率分布，获得待识别轨迹的整体概率分布的表达式具体为：
77.p
final
＝w1*p
shape
+w2*p
loc
，s.t.w1+w2＝1
78.其中，p
loc
＝p
loc-co
*p
pre
，p
shape
＝p
shape-co
*p
pre
，p
shape-co
为形状模型对应的第一概分布，p
shape-co
为位置模型对应的第二概率分布，w1、w2为权重值。
79.具体而言，使用贝叶斯方法计算轨迹所属的各类别概率分布，包括以下步骤：
80.a、将待识别轨迹进行均匀距离插点预处理；
81.b、根据n个形状模型算得待识别轨迹条件概率分布，设为p
shape-co
。
82.c、将待识别轨迹的所有点分别带入各位置模型，每个模型得到多个概率密度值，分别求取对数和，将这n个对数和结果转为概率分布，设为p
loc-co
。
83.d、根据贝叶斯公式，轨迹属于各模型的后验概率正比于先验概率乘以条件概率，设p
loc
＝p
loc-co
*p
pre
，p
shape
＝p
shape-co
*p
pre
，并将p
loc
、p
shape
分别转为总和为1的概率分布形式，即为轨迹属于位置和形状模型的后验概率。
84.e、对形状模型与位置模型赋予权重w1、w2，最终概率分布为：
85.p
final
＝w1*p
shape
+w2*p
loc
，s.t.w1+w2＝1。
86.步骤s400，基于所述整体概率分布，确定待识别轨迹的轨迹类型。
87.具体而言，在获得待识别轨迹的整体概率分布后，即可根据整体概率分布中最大概率值对应的轨迹类型对待识别轨迹进行确认。
88.在本实施例中，通过基于lstm与高斯混合模型的轨迹识别方法，从位置和形状两个角度分别建模来描述轨迹，避免因轨迹空间范围跨度过大、数据较稀疏导致的单一模型无法进行有效学习的问题。相比于现有的其他深度学习等模型，本实施例提供的方案可解释性强，其中位置模型可直观的通过二维概率密度图来观察推断过程。
89.为了更清楚的说明本发明，下面通过轨迹识别具体实例进行说明。
90.如图3所示，提供一种基于lstm与高斯混合模型的轨迹识别方法，包括如下步骤：
91.a、数据预处理，对所有的轨迹数据进行均匀距离插点。具体地，指定间隔距离d，如
轨迹中相邻两点间隔大于等于(m+0.5)*d，小于(m+1.5)*d，则在两点之间均匀插入m+1个点，这样可使得在保证轨迹形状不变的前提下，所有相邻轨迹点之间间隔尽量一致。
92.b、使用历史数据对轨迹的形状进行建模，如图4所示，首先训练lstm自编码器，输入输出均为同一轨迹数据，因轨迹位置都统一移动到坐标原点，所以它会对轨迹形状进行学习，即将不定长轨迹转换为定长的形状表征向量。整体形状模型将lstm编码器连接至神经网络二分类器，由sigmod函数输出相应标签概率，每个标签均训练一个二分类器，于是有n个形状模型，他们的lstm自编码部分是共享的。因生成负样本轨迹非常困难，这里直接生成定长的随机特征作为负样本进行训练，从而解决这一难题。
93.c、进行位置建模，这里选用基于狄利克雷过程的高斯混合模型，相对于一般高斯混合模型，此算法具有根据数据集特征自动确定参数的特点，避免了人工指定参数导致不同数据集下过拟合或欠拟合的问题。另外，在模型训练过程中加入了权重因素，即在模型计算均值与方差时，每个样本的样本值改为样本值*权重，样本个数改为权重之和。如图5所示，对轨迹点数据进行高斯分布拟合时，数据时间戳越久远，相应权重越低，进而影响拟合后概率密度，使其更接近真实情况。当应用位置模型进行计算时，将轨迹中每个点带入模型，得到一系列概率密度值，这些值相乘即为此模型生成此轨迹的概率。因此值很小，所以将连乘改为求取对数和。
94.d、使用贝叶斯方法计算轨迹所属的各类别概率分布，即在模型结果的基础上，把标签自身出现概率考虑进来，根据贝叶斯公式，轨迹属于各模型的后验概率正比于先验概率乘以条件概率，设p
loc
＝p
loc-co
*p
pre
，p
shape
＝p
shape-co
*p
pre
，并将p
loc
、p
shape
分别转为概率分布形式，即等比缩放使其中数据加和为1。至此得到轨迹属于位置和形状模型的后验概率。对形状模型与位置模型赋予权重，最终概率分布为：
95.p
final
＝w1*p
shape
+w2*p
loc
，s.t.w1+w2＝1
96.其中w1、w2可由专家指定，也可通过最优化算法由模型学习得出。
97.在本实施例中，使用历史数据对轨迹的形状和位置分别进行建模，并且通过数量统计对类别的先验概率进行计算，最后使用贝叶斯方法算得轨迹所属的各类别概率分布，并形象化推断过程来展示给用户。本发明中实现了基于lstm与高斯混合模型的轨迹识别方法，通过对轨迹形状和位置特征分别建模，解决了使用单一模型时高维数据样本稀疏、抗造能力弱、可解释性差等问题，能够准确与快速的为用户提供识别结果与依据。
98.参照图6，图6为本发明轨迹识别装置实施例的结构框图。
99.如图6所示，本发明实施例提出的轨迹识别装置包括：
100.构建模块10，用于基于历史轨迹数据，构建形状模型和位置模型；其中，所述形状模型为历史轨迹数据中轨迹形状的分类模型，所述位置模型为历史轨迹数据中轨迹点的分类模型；
101.调用模块20，用于调用形状模型和位置模型分别对待识别轨迹进行处理，获得所述待识别轨迹的第一概率分布和所述待识别轨迹中轨迹点的第二概率分布；
102.计算模块30，用于根据第一概率分布和第二概率分布，计算待识别轨迹的整体概率分布；
103.确定模块40，用于基于所述整体概率分布，确定待识别轨迹的轨迹类型。
104.本实施例中，提供了一种轨迹识别装置，通过对轨迹形状和位置特征分别建模，进
而对轨迹进行识别，解决了使用单一模型时高维数据样本稀疏、抗造能力弱、可解释性差等问题，能够准确与快速的为用户提供识别结果与依据。
105.本发明轨迹识别装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
106.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有轨迹识别程序，所述轨迹识别程序被处理器执行时实现如上文所述的轨迹识别方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本技术所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本技术方法实施例的描述。确定为示例，程序指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
107.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
108.另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
109.通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本发明而言更多情况下软件程序实现是更佳的实施方式。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可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等，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所述的方法。