出租车轨迹大数据驱动的载客路线推荐方法、装置及介质

1.本技术实施例涉及数据处理技术领域，尤其涉及出租车轨迹大数据驱动的载客路线推荐方法、装置及介质。


背景技术：

2.在大数据时代，随着数字技术的迅猛发展，生活节奏变得越来越快，随之而来的是，人们对出行需求也变得越来越高。为了满足人们高效出行的需求，出租车轨迹大数据驱动的载客路线推荐方法应运而生。
3.在现有技术中，传统的出租车轨迹大数据驱动的载客路线推荐方法通常基于贪心算法或者遗传算法，均需访问大量节点以计算得出最短路线。由于需要访问大量节点，极易造成“i/o开销大、内存消耗高”等问题。同时，在计算量庞大且算力受限的情况下，需要大量的计算时间才能得出最短路线，从而导致“运行时间长、计算效率低”等问题。
4.此外，在城市交通中盲目巡航容易导致“燃油消耗高、交通拥堵严重”等问题。本技术提出一种集成角度和a
*
算法的gurobi优化算法，应用于复杂城市路网中面向出租车轨迹大数据推荐最优载客路线。首先，提出一种基于出租车gps方向的路网节点提取方法，解决难以从出租车gps轨迹数据中提取路网节点问题。其次，构造一种基于角度的尖锐点消除方法(aspe)，优化gurobi算法的搜索能力，以寻求最短路线。再次，设计一种基于a
*
算法的gurobi优化算法(a-gurobi)，利用a
*
算法的启发式函数，增强出发地到目的地的快速引导能力，提高gurobi算法的执行效率。


技术实现要素：

5.本技术实施例提供了出租车轨迹大数据驱动的载客路线推荐方法、装置及介质，可以快速地为车辆规划起点到终点的最短路线。
6.本技术实施例第一方面提供了一种出租车轨迹大数据驱动的载客路线推荐方法，包括：
7.获取目标区域的车辆运动轨迹数据集；
8.根据所述车辆运动轨迹数据集生成路网节点数据；
9.根据所述路网节点数据生成路线推荐模型，所述路线推荐模型融合有启发式算法和最优化算法；
10.获取用户的起点和终点，所述起点和所述终点位于所述目标区域；
11.根据所述路线推荐模型生成所述起点到所述终点的推荐路线。
12.可选的，所述根据所述路网节点数据生成路线推荐模型包括：
13.将a
*
算法的启发式融入gurobi算法，生成a-gurobi算法；
14.根据所述路网节点数据和所述a-gurobi算法生成路线推荐模型，其中，所述路网节点数据作为所述路线推荐模型的参数。
15.可选的，所述根据所述路线推荐模型生成所述起点到所述终点的推荐路线包括：
16.将所述起点分别与所述路线推荐模型的路网节点数据中的每个路网节点以及所述终点相连，得到多条线段，其中，每个路网节点对应一条线段，所述起点与所述终点形成的线段为目标线段；
17.计算所述目标线段分别与其他线段形成的夹角的度数；
18.将与所述目标线段形成的夹角的度数大于或等于第一预设角度的线段对应的路网节点删除，得到推荐路网节点；
19.根据所述推荐路网节点、所述起点和所述终点生成推荐路线。
20.可选的，所述根据所述车辆运动轨迹数据集生成路网节点数据包括：
21.从所述车辆运动轨迹数据集中提取目标运动轨迹数据集，所述目标运动轨迹数据集的运营状态连续为空车-载客-载客，所述运营状态包括空车和载客；
22.根据所述目标运动轨迹数据集生成路网节点数据。
23.可选的，所述根据所述目标运动轨迹数据集生成路网节点数据包括：
24.从所述目标运动轨迹数据集中提取每个点的时间、坐标和方向；
25.根据每个点的坐标和方向确定路网节点；
26.根据路网节点生成路网节点数据，所述路网节点数据包括带权无向图和邻接矩阵。
27.可选的，所述根据每个点的坐标和方向确定路网节点包括：
28.对于任意一个目标运动轨迹数据，根据每个点的时间确定点之间的邻接关系；
29.根据点之间的邻接关系和每个点的坐标计算方向变化量，所述方向变化量为一个点与两个邻接点分别形成的两条线段的角度；
30.当出现方向变化量大于或等于第二预设角度时，确定对应的三个点中与其他两个点均邻接的点为路网节点。
31.可选的，所述根据路网节点生成路网节点数据包括：
32.确定路网节点之间的邻接关系；
33.根据每个路网节点的坐标计算相邻路网节点之间的距离；
34.根据路网节点之间的邻接关系和相邻路网节点之间的距离生成邻接矩阵和带权无向图；
35.根据所述带权无向图和所述邻接矩阵生成路网节点数据。
36.可选的，所述从所述车辆运动轨迹数据集中提取目标运动轨迹数据集之前，所述方法还包括：
37.将所述车辆运动轨迹数据集中的孤立点进行删除。
38.本技术实施例第二方面提供了一种出租车轨迹大数据驱动的载客路线推荐装置，包括：
39.第一获取单元，用于获取目标区域的车辆运动轨迹数据集；
40.第一生成单元，用于根据所述车辆运动轨迹数据集生成路网节点数据；
41.第二生成单元，用于根据所述路网节点数据生成路线推荐模型，所述路线推荐模型融合有启发式算法和最优化算法；
42.第二获取单元，用于获取用户的起点和终点，所述起点和所述终点位于所述目标区域；
43.第三生成单元，用于根据所述路线推荐模型生成所述起点到所述终点的推荐路线。
44.本技术实施例第三方面提供了一种出租车轨迹大数据驱动的载客路线推荐装置，包括：
45.处理器、存储器、输入输出单元以及总线；
46.所述处理器与所述存储器、所述输入输出单元以及所述总线相连；
47.所述存储器中保存有程序，所述处理器调用所述程序执行第一方面及第一方面任意一种可能的实施方式中的出租车轨迹大数据驱动的载客路线推荐方法。
48.本技术实施例第四方面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中保存有程序，所述程序在计算机上执行时使得所述计算机执行第一方面及第一方面任意一种可能的实施方式中的出租车轨迹大数据驱动的载客路线推荐方法。
49.从以上技术方案可以看出，本技术实施例具有以下优点：
50.本技术实施例提供的出租车轨迹大数据驱动的载客路线推荐方法，首先获取目标区域的车辆运动轨迹数据集，接着再根据车辆轨迹数据集生成路网节点数据，然后根据路网节点数据生成融合有启发式算法和最优化算法的路线推荐模型，最后根据路线推荐模型为用户生成从起点到终点的推荐路线。由于本技术实施例中的路线推荐模型融合有启发式算法和最优化算法，因此能够在生成推荐路线的过程中访问更少节点，相比于基于贪心算法的出租车轨迹大数据驱动的载客路线推荐方法，减小了计算量，以及在算力相同的情况下，能够更快地生成推荐路线，有利于提高计算效率。同时，降低了用户出行的花费时间，有利于提升用户体验。
附图说明
51.图1为本技术实施例中出租车轨迹大数据驱动的载客路线推荐方法一个实施例的流程示意图；
52.图2为本技术实施例中出租车轨迹大数据驱动的载客路线推荐方法另一个实施例的流程示意图；
53.图3为本技术实施例中出租车轨迹大数据驱动的载客路线推荐装置一个实施例的结构示意图；
54.图4为本技术实施例中出租车轨迹大数据驱动的载客路线推荐装置另一个实施例的结构示意图；
55.图5为本技术实施例中出租车轨迹大数据驱动的载客路线推荐装置另一个实施例的结构示意图。
具体实施方式
56.本技术实施例提供了出租车轨迹大数据驱动的载客路线推荐方法、装置及介质，用于快速地为车辆规划起点到终点的最短路线。
57.本技术的方法可以应用于服务器、终端或者其它具备逻辑处理能力的设备，对此，本技术不作限定。为了方便描述，下面以执行主体为服务器为例进行描述。
58.下面将结合附图，对本技术中的实施例进行描述。
59.请参阅图1，本技术实施例中出租车轨迹大数据驱动的载客路线推荐方法一个实施例包括：
60.101、服务器获取目标区域的车辆运动轨迹数据集；
61.在实际应用中，生成推荐路线是基于移动轨迹大数据，需要从大量的数据中提取相关信息，因此，服务器首先需要获取目标区域的车辆运动轨迹数据集。需要说明的是，车辆运动轨迹数据集包括大规模的车辆运动轨迹数据，每一条车辆运动轨迹数据由多个点组成，每个点具有相应的属性信息，每一条车辆运动轨迹数据都与一辆车对应，而一辆车可以包括一条或者多条车辆运动轨迹数据，具体此处不作限定。
62.102、服务器根据车辆运动轨迹数据集生成路网节点数据；
63.服务器在得到车辆运动轨迹数据集后，可以对车辆轨迹数据集进行处理，从而生成路网节点数据，路网节点数据包括多个路网节点，以及相邻路网节点之间的距离。
64.103、服务器根据路网节点数据生成路线推荐模型；
65.在生成路网节点数据后，服务器可以根据路网节点数据生成路线推荐模型，通过路线推荐模型为车辆提供路线推荐服务。需要说明的是，路线推荐模型融合有启发式算法和最优化算法，并具备启发式算法和最优化算法的属性。即，只要给出起点和终点，路线推荐模型就能在较短时间内，根据自身的路网节点数据生成最短路线。
66.104、服务器获取用户的起点和终点；
67.若为用户生成推荐路线，则首先需要获取用户的起点和终点，起点和终点位于目标区域，因此，服务器获取用户的起点和终点。需要说明的是，起点和终点都位于目标区域，起点和终点均以坐标形式予以表示。
68.105、服务器根据路线推荐模型生成起点到终点的推荐路线。
69.服务器在获取用户的起点和终点后，则可以将起点和终点输入路线推荐模型，通过路线推荐模型生成从起点到终点的推荐路线。在生成推荐路线后，再将推荐路线反馈回给用户，这样用户就可以根据推荐路线从起点出发，行驶到终点，从而完成出行计划。
70.需要说明的是，本实施例中的出租车轨迹大数据驱动的载客路线推荐方法，既可以在单机服务器执行，也可以在分布式服务器执行，具体此处不作限定。当在分布式服务器上执行时，由于任务拆分至多个服务器，则可以在多个服务器上并行执行，因此可以提高执行效率。
71.本实施例中，服务器首先获取目标区域的车辆运动轨迹数据集，接着根据车辆轨迹数据集生成路网节点数据，然后根据路网节点数据生成融合有启发式算法和最优化算法的路线推荐模型，最后根据路线推荐模型为用户生成从起点到终点的推荐路线。由于本技术实施例中的路线推荐模型融合有启发式算法和最优化算法，因此能够在生成推荐路线的过程中访问更少节点，相比于基于贪心算法的出租车轨迹大数据驱动的载客路线推荐方法，减小了计算量，以及在算力相同的情况下，能够更快地生成推荐路线，有利于提高计算效率。同时，降低了用户出行花费时间，有利于提升用户体验。
72.请参阅图2，本技术实施例中出租车轨迹大数据驱动的载客路线推荐方法另一个实施例包括：
73.201、服务器获取目标区域的车辆运动轨迹数据集；
74.本实施中，步骤201与前述实施例中的步骤101类似，此处不再赘述。
75.202、服务器将车辆运动轨迹数据集中的孤立点进行删除；
76.在服务器得到车辆运功轨迹数据集后，可以获取其中的任意一条未处理过的车辆运动轨迹数据，判断其中的点是否均是连续，如果发现其中有与其他点不连续的点，则可以判定为孤立点，即垃圾数据，然后执行删除处理，执行完之后标记该条车辆运动轨迹数据为已进行孤立点而进行删除。服务器重复执行获取车辆运动轨迹数据，判断是否存在孤立点，直至所有的车辆运动轨迹数据均被处理。
77.203、服务器从车辆运动轨迹数据集中提取目标运动轨迹数据集；
78.服务器在删除车辆运动轨迹数据集中的孤立点中的孤立点之后，可以从车辆运动轨迹数据集中执行目标运动轨迹数据集的提取。具体的是，依次获取任意一条进行数据提取的车辆运动轨迹数据，然后将其中运营状态连续为空车-载客-载客的数据进行提取并作为目标运动轨迹数据，运营状态包括空车和载客两个状态，需要说明的是，在提取完一段空车-载客-载客之后，从下一个连续的点再次执行数据提取，因此每段被提取的空车-载客-载客均为不重复。在对一条车辆运动轨迹数据执行数据提取之后，将该车辆运动轨迹数据标记为已进行目标运动轨迹数据提取，然后再对下一条未被标记为已进行目标运动轨迹数据提取的车辆运动轨迹数据执行数据提取操作，直至所有车辆运动轨迹数据均被标记为已进行目标运动轨迹数据提取，这样便可得到目标运动轨迹数据集。需要说明的是，车辆运动轨迹数据由多个运营状态段组成，每个运营状态段由连续的多个点组成。
79.204、服务器从目标运动轨迹数据集中提取每个点的时间和坐标；
80.在提取目标运动轨迹数据集之后，服务器可以提取每个点的时间、坐标和方向的信息，从而利用这些信息生成路网节点数据。
81.205、服务器对于任意一个目标运动轨迹数据，根据每个点的时间确定点之间的邻接关系；
82.针对任意一个目标运动轨迹数据，服务器可以根据该目标运动轨迹数据中每个点的时间确定这些之间点的邻接关系。其中，对于任意一个点，在该点的时间之前的所有点中，与该点的时间最接近的时间所对应的点与该点相互邻接；在该点的时间之后的所有点中，与该点的时间最接近的时间所对应的点与该点相互邻接。
83.206、服务器根据点之间的邻接关系和每个点的坐标计算方向变化量；
84.在得到该目标运动轨迹数据的点之间的邻接关系后，服务器可以根据这些点之间的邻接关系和这些点的坐标，计算方向变化量。具体的是，服务器首先获取一个目标点，目标点即为有两个邻接点的点，接着再根据该目标点的坐标，以及该目标点的两个邻接点的坐标，分别计算该目标点分别与两个邻接点的直线函数，然后再计算两个直线函数的角度，该角度即为该目标点对应的方向变化量，该方向变化量表示车辆在该目标点转向的角度，该方向变化量对应3个点，分别为该目标点和该目标点的两个邻接点。服务器在计算一个目标点的方向变化量后，将该目标点标记为已计算方向变化量，然后再计算下一个未标记为已计算方向变化量的目标点的方向变化量，直至将所有目标点的方向变化量全部计算完毕。
85.207、当出现方向变化量大于或等于第二预设角度时，服务器确定对应的三个点中与其他两个点均邻接的点为路网节点；
86.在计算该目标运动轨迹数据中的方向变化量的过程中，每计算一个方向变化量，
服务器则可以对该方向变化量进行判定，如果该方向变化量大于或等于第二预设角度，则判定该方向变化量对应的三个点中与其他两个点均邻接的点为路网节点。需要说明的是，第二预设角度一般设置为90
°
，但也可以设置为其他度数，具体此处不作限定。
87.需要说明的是，服务器不仅可以在计算该目标运动轨迹数据中的方向变化量的过程中执行路网节点的判定，也可以在计算该目标运动轨迹数据中的所有方向变化量后，再执行路网节点的判定，具体此处不作限定。
88.服务器重复执行步骤205至207，从而确定所有目标运动轨迹数据的路网节点。
89.208、服务器确定路网节点之间的邻接关系；
90.由于获取到的目标区域的车辆运动轨迹数据集的数据量庞大，在大规模数据情况下，服务器得到的路网节点必然均是直接相连或者间接相连。由于每条目标运动轨迹数据中的路网节点之间的邻接关系是确定的，因此服务器在得到所有的目标运动轨迹数据的路网节点之后，可以确定所有路网节点之间的邻接关系。
91.209、服务器根据每个路网节点的坐标计算相邻路网节点之间的距离；
92.服务器在确定所有路网节点之间的邻接关系后，可以根据路网节点的坐标，计算得出两两相邻的路网节点之间的距离。需要说明的是，此处计算的距离是欧氏距离，即两个相邻的路网节点之间的直线段距离。
93.210、服务器根据路网节点之间的邻接关系和相邻路网节点之间的距离生成邻接矩阵和带权无向图；
94.服务器可以根据所有路网节点之间的邻接关系和相邻路网节点之间的距离生成关于所有路网节点的带权无向图。同时，服务器可以根据所有路网节点之间的邻接关系生成关于所有路网节点的邻接矩阵，邻接矩阵用于表示所有路网节点的邻接矩阵。图是由顶点集v和顶点间的边集e组成的一种数据结构，用二元组g(v，e)表示，带权无向图顶点集为v＝{v1，v2，v3，v4，}，边集为e＝{e
12
，e
13
，e
21
，e
23
，e
24
，e
31
，e
32
，e
34
，e
42
，e
43
}，权可以用一个顶点到另一个顶点的距离进行表示。在本实施例中，以所有的路网节点为顶点集，两个相邻路网节点之间的直线段作为边集，并以两个相邻路网节点之间的直线段的距离作为权重。
95.211、服务器根据带权无向图和邻接矩阵生成路网节点数据；
96.在生成带权无向图和邻接矩阵后，服务器也就生成了路网节点数据，路网节点数据即为带权无向图和邻接矩阵的组合。
97.212、服务器将a
*
算法的启发式融入gurobi算法，生成a-gurobi算法；
98.服务器可以将a
*
算法的启发式融入gurobi算法，生成a-gurobi算法。具体的是，将a
*
算法的启发式函数融入gurobi算法，启发式函数如公式(1)所示。由于gurobi算法属于最优化算法，将a
*
算法的启发式函数融入到gurobi算法生成的a-gurobi算法，在具备最优化算法特性的同时，也具备启发式算法的特性。
99.f(n)＝g(n)+h(n) (公式1)
100.其中，f(n)表示通往目标点的代价，g(n)表示从初始结点到任意结点n的代价，h(n)表示从结点n到目标点的启发式评估代价。
101.213、服务器根据路网节点数据和a-gurobi算法生成路线推荐模型；
102.在生成路网节点数据和a-gurobi算法后，服务器可以根据路网节点数据和a-gurobi算法生成路线推荐模型，通过路线推荐模型为用户提供路线推荐服务。需要说明的
是，路线推荐模型融合有启发式算法和最优化算法，并具备启发式算法和最优化算法的属性。即，只要给出起点和终点，路线推荐模型就能在较短时间内，根据自身的路网节点数据生成最短路线。
103.214、服务器获取用户的起点和终点；
104.本实施例中，步骤214与前述实施例中的步骤104类似，此处不再赘述。
105.215、服务器将起点分别与路线推荐模型的路网节点数据中的每个路网节点和终点相连，得到多条线段，其中，每个路网节点对应一条线段，起点与终点形成的线段为目标线段；
106.在获取用户的起点和终点后，服务器可以用直线段将起点分别与终点以及路线推荐模型的路网节点数据中的每个路网节点相连，得到多条线段。每条线段对应一个路网节点或者终点，每个路网节点或者终点也对应一条线段。在所有的线段之中，服务器可以将终点对应的线段确定为目标线段，目标线段代表的是从起点到终点的位移。
107.216、服务器计算目标线段分别与其他线段形成的夹角的度数；
108.由于每条线段的端点均包括起点，因此所有线段均直接相连，那么这些线段之间便可形成夹角，服务器可以分别计算得出目标线段与其他每一条线段的夹角。为了方便计算，服务器可以以起点为坐标原点，东西方向为x轴，南北方向为y轴，建立直角坐标系，分别计算得出目标线段与其他每一条线段的夹角。
109.217、服务器将与目标线段形成的夹角的度数大于或等于第一预设角度的线段对应的路网节点进行删除，得到推荐路网节点；
110.在实际应用中，当一个路网节点对应的线段与目标线段的夹角超过一定的度数时，通常不会从这个路网节点而经过。因此，服务器可以将与目标线段形成的夹角的度数大于或等于第一预设角度的线段对应的路网节点进行删除，保留剩下的路网节点，剩下的路网节点即为推荐路网节点。
111.在本实施例中，服务器删除推荐路网节点之外的路网节点，可以减小路线推荐模型的计算量，有利于提高生成推荐路线的运行效率，同时能够节省资源开销，降低不必要的资源浪费。
112.218、服务器根据推荐路网节点、起点和终点生成推荐路线。
113.在得到推荐路网节点后，服务器可以将推荐路网节点、起点和终点作为路线推荐模型的参数，利用路线推荐模型中的a-gurobi算法生成推荐路线。
114.请参阅图3，本技术实施例中出租车轨迹大数据驱动的载客路线推荐装置一个实施例包括：
115.第一获取单元301，用于获取目标区域的车辆运动轨迹数据集；
116.第一生成单元302，用于根据车辆运动轨迹数据集生成路网节点数据；
117.第二生成单元303，用于根据路网节点数据生成路线推荐模型，路线推荐模型融合有启发式算法和最优化算法；
118.第二获取单元304，用于获取用户的起点和终点，起点和终点位于目标区域；
119.第三生成单元305，用于根据路线推荐模型生成起点到终点的推荐路线。
120.在本实施例中，第一获取单元301首先获取目标区域的车辆运动轨迹数据集，接着第一生成单元302根据车辆轨迹数据集生成路网节点数据，然后第二生成单元303根据路网
节点数据生成融合有启发式算法和最优化算法的路线推荐模型，最后第三生成单元305根据路线推荐模型为用户生成从起点到终点的推荐路线。由于本技术实施例中的路线推荐模型融合有启发式算法和最优化算法，因此服务器能够在生成推荐路线过程中访问更少节点，相比于基于贪心算法的出租车轨迹大数据驱动的载客路线推荐方法，减小了计算量，以及在算力相同的情况下，能够更快地生成推荐路线，有利于提高运行效率。同时，降低了用户出行的花费时间，有利于提升用户体验。
121.请参阅图4，本技术实施例中出租车轨迹大数据驱动的载客路线推荐装置另一个实施例包括：
122.第一获取单元401，用于获取目标区域的车辆运动轨迹数据集；
123.第一生成单元402，用于根据车辆运动轨迹数据集生成路网节点数据；
124.第二生成单元403，用于根据路网节点数据生成路线推荐模型，路线推荐模型融合有启发式算法和最优化算法；
125.第二获取单元404，用于获取用户的起点和终点，起点和终点位于目标区域；
126.第三生成单元405，用于根据路线推荐模型生成起点到终点的推荐路线。
127.本实施例中，第二生成单元403具体用于：
128.将a
*
算法的启发式融入gurobi算法，生成a-gurobi算法；
129.根据路网节点数据和a-gurobi算法生成路线推荐模型，其中，路网节点数据作为路线推荐模型的参数。
130.第三生成单元405具体用于：
131.将起点分别与路线推荐模型的路网节点数据中的每个路网节点和终点进行相连，得到多条线段，其中，每个路网节点对应一条线段，起点与终点形成的线段作为目标线段；
132.计算目标线段分别与其他线段形成的夹角的度数；
133.将与目标线段形成的夹角的度数大于或等于第一预设角度的线段对应的路网节点进行删除，得到推荐路网节点；
134.根据推荐路网节点、起点和终点生成推荐路线。
135.在本实施例中，第一生成单元402可以包括提取模块4021、生成模块4022以及删除模块4023。
136.提取模块4021，用于从车辆运动轨迹数据集中提取目标运动轨迹数据集，目标运动轨迹数据集的运营状态连续为空车-载客-载客，运营状态包括空车和载客。
137.生成模块4022，可以包括提取子模块40221、确定子模块40222以及生成子模块40223。
138.提取子模块40221，用于从目标运动轨迹数据集中提取每个点的时间、坐标和方向。
139.确定子模块40222，用于：
140.对于任意一个目标运动轨迹数据，根据每个点的时间确定点之间的邻接关系；
141.根据点之间的邻接关系和每个点的坐标计算方向变化量，方向变化量为一个点与两个邻接点分别形成的两条线段的角度；
142.当出现方向变化量大于或等于第二预设角度时，确定对应的三个点中与其他两个点均邻接的点为路网节点。
143.生成子模块40223，用于：
144.确定路网节点之间的邻接关系；
145.根据每个路网节点的坐标计算相邻路网节点之间的距离；
146.根据路网节点之间的邻接关系和相邻路网节点之间的距离生成邻接矩阵和带权无向图；
147.根据带权无向图和邻接矩阵生成路网节点数据。
148.在本实施中，各单元及模块的功能和前述图2所示实施例中的步骤对应，此处不再赘述。
149.请参阅图5，本技术实施例中出租车轨迹大数据驱动的载客路线推荐装置另一个实施例包括：
150.处理器501、存储器502、输入输出单元503以及总线504；
151.处理器501与存储器502、输入输出单元503以及总线504相连；
152.存储器502保存有程序，处理器501调用程序以执行图1至图2所示实施例中的步骤。
153.在本实施例中，处理器501的功能与前述图1至图2所示实施例中的步骤对应，此处不再赘述。
154.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
155.在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它方式予以实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，在实际实现时可以有另外的划分方式，例如多个单元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。此外，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、装置或单元的间接耦合或通信连接，也可以是电性、机械或其它形式。
156.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。可以根据实际的需要选择其中的部分或者全部单元以实现本实施例方案的目的。
157.此外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元。上述集成的单元既可以采用硬件形式实现，也可以采用软件功能单元形式实现。
158.所述集成的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。基于这样的理解，本技术的技术方案本质上或者是可以理解对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品形式予以体现，该计算机软件产品存储在一个存储介质中，包括若干指令用于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)执行本技术各个实施例所述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、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。