一种粒子群优化CNN预测页岩油产能的方法

一种粒子群优化cnn预测页岩油产能的方法
技术领域
1.本公开涉及油田开发技术领域，尤其涉及一种模型训练方法及装置、页岩油产能预测方法及装置、计算机可读存储介质。


背景技术：

2.页岩油气储层孔隙度和渗透率极低，渗流通道小，压力系数低，开发能量不足，因而产油量低、产油量递减快、补充能量困难，采收率低。目前页岩油开发的途径主要有两种，一种是提高改造规模，用水平井多段压裂改造技术，增产增效；另一种是压后焖井，渗析置换提高驱油效率。压裂后的油层厚度、生产压差、裂缝导流能力等均影响产能，可见，影响产能的因素较多，情况复杂，如何高效预测页岩油产能亟待解决。
3.传统预测产能的方式主要基于油藏工程原理和渗流物理模拟技术，包括油藏工程法、解析解、数值模拟方法。这些方法对储层、流体等的资料要求高，在现场难以大规模实施，需要花费大量时间，预测结果准确性也无法保证。
4.近年来，人工智能技术日益发展，尤其是深度学习中的神经网络，在各个行业应用广泛。神经网络由生物神经网络启发，可以根据大量数据获取隐藏的关系，从而逼近目标函数，为很多难以解决的复杂工程问题提供了解决思路。


技术实现要素：

5.针对上述现有技术中所存在的问题，本公开的实施例提供一种模型训练方法及装置、页岩油产能预测方法及装置、计算机可读存储介质，以更准确地实现页岩油产能的预测。
6.一方面，提供一种模型训练方法，用于训练页岩油产能预测模型，所述模型训练方法包括：
7.构建页岩油产能数学模型，所述页岩油产能数学模型用于表征特征参数与目标参数之间的关系；其中，特征参数包括油层厚度、裂缝半长、基质渗透率、生产压差、含油饱和度、水平井长度、裂缝导流能力、原油粘度、入地液量和簇数，目标参数包括产量；
8.基于所述页岩油产能数学模型，获取多组相对应的特征参数与目标参数，作为模型训练数据；
9.建立用于预测页岩油产能的卷积神经网络模型，并采用粒子群算法获得所述卷积神经网络模型的最优权值和最优偏差值；
10.基于所述模型训练数据对所述卷积神经网络模型进行训练，得到页岩油产能预测模型。
11.在一些实施例中，所述页岩油产能数学模型包括质量守恒方程、运动方程、状态方程和辅助方程；其中，所述运动方程包括主裂缝内流体的运动方程和基质-缝网区的流体运动方程。
12.在一些实施例中，所述基于所述页岩油产能数学模型，获取多组相对应的特征参
数与目标参数，作为模型训练数据，包括：
13.设计若干组正交实验，基于所述页岩油产能数学模型计算不同油层厚度、裂缝半长、基质渗透率、生产压差、含油饱和度、水平井长度、裂缝导流能力、原油粘度、入地液量和簇数条件下对应的产量，将所述若干组正交实验的数据作为模型训练数据。
14.在一些实施例中，所述模型训练方法还包括：采用箱型法对所述模型训练数据进行异常值检测，删除所述模型训练数据中的异常值。
15.在一些实施例中，获得所述模型训练数据后，所述模型训练方法还包括：
16.将所述模型训练数据划分为训练组数据和测试组数据；
17.相应地，基于所述模型训练数据对所述卷积神经网络模型进行训练，包括：
18.基于所述训练组数据对所述卷积神经网络模型进行训练，并通过所述测试组数据验证所述卷积神经网络模型的有效性。
19.另一方面，提供一种模型训练装置，所述装置包括处理器和存储器，所述存储器中存储有适于所述处理器执行的计算机程序指令，所述计算机程序指令被所述处理器运行时执行如上述任一实施例所述的模型训练方法中的步骤。
20.又一方面，提供一种计算机可读存储介质，所述存储介质中存储有计算机程序指令，当所述计算机程序指令由用户设备的处理器执行时，使得用户设备执行上述任一实施例所述的模型训练方法。
21.又一方面，提供一种页岩油产能预测方法，所述页岩油产能预测方法包括：
22.获取目标页岩油藏的特征参数数据；其中，特征参数包括油层厚度、裂缝半长、基质渗透率、生产压差、含油饱和度、水平井长度、裂缝导流能力、原油粘度、入地液量和簇数；
23.将所述特征参数数据输入页岩油产能预测模型中，获得所述目标页岩油藏的预测产能；
24.其中，所述页岩油产能预测模型由上述任一实施例所述的模型训练方法得到。
25.又一方面，提供一种页岩油产能预测装置，所述装置包括处理器和存储器，所述存储器中存储有适于所述处理器执行的计算机程序指令，所述计算机程序指令被所述处理器运行时执行如上述任一实施例所述的页岩油产能预测方法中的步骤。
26.又一方面，提供一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序指令，当所述计算机程序指令由用户设备的处理器执行时，使得用户设备执行如上述任一实施例所述的页岩油产能预测方法。
附图说明
27.附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。
28.图1为根据一些实施例的一种模型训练方法的流程图；
29.图2为根据一些实施例的另一种模型训练方法的流程图；
30.图3为根据一些实施例的箱型法检测产能异常值的结果示意图；
31.图4为根据一些实施例的一种页岩油产能预测方法的流程图。
具体实施方式
32.下面结合附图和实施方式对本公开做进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。
33.需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。
34.需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。
35.本实施例提供的方法可以由相关的服务器执行，且下文均以服务器作为执行主体为例进行说明。其中，执行主体可以根据具体案例进行调整，如控制器、电子设备、计算机等。
36.正如背景技术所述，影响产能的因素较多，情况复杂，传统预测产能的方式对储层、流体等的资料要求高，难以大规模实施，耗时长，预测结果准确性也无法保证。因此，本公开提供一种基于粒子群优化卷积神经网络的页岩油产能预测方法、装置以及计算机可读存储介质，其可应用于页岩油藏的产能预测，其预测准确率高，方法简单，计算速度快。
37.如图1和图2所示，本公开的一些实施例提供了一种模型训练方法，用于训练页岩油产能预测模型，模型训练方法包括s1～s4。
38.s1，构建页岩油产能数学模型。
39.页岩油产能数学模型用于表征特征参数与目标参数之间的关系。其中，特征参数包括油层厚度、裂缝半长、基质渗透率、生产压差、含油饱和度、水平井长度、裂缝导流能力、原油粘度、入地液量和簇数，目标参数包括产量。
40.在一些实施例中，页岩油产能数学模型包括质量守恒方程、运动方程、状态方程和辅助方程。
41.质量守恒方程：
[0042][0043]
式中：v为渗流速度，单位为m/s；
[0044]
φ为孔隙度；
[0045]
ρ为流体密度，单位为kg/m3；
[0046]
t为生产时间，单位为s；
[0047]
o代表油相；
[0048]
w代表水相；
[0049]
s为饱和度。
[0050]
运动方程包括主裂缝内流体的运动方程和基质-缝网区的流体运动方程。
[0051]
主裂缝区渗流遵循两相达西定律，考虑裂缝的强应力敏感性及裂缝存在的相对渗透率特征，其运动方程为：
[0052]
[0053]
其边界条件为：
[0054][0055]
式中：q为主裂缝的流量，也即产量或产能；
[0056]
wf为裂缝宽度；
[0057]
h为油藏厚度；
[0058]rw
为井筒半径；
[0059]rw
为裂缝半长；
[0060]
pe为供给压力；
[0061]
pw为井底压力；
[0062]
μ为流体粘度；
[0063]
p为压力；
[0064]
kf为裂缝渗透率，单位为10-3
μm2；
[0065]
xf为裂缝半长；
[0066]
pf为裂缝内流体压力。
[0067]
基质-缝网区渗流为考虑拟启动压力梯度、基质-裂缝区强应力敏感性及油水两相渗流特征的非线性渗流特征，其运动方程为：
[0068][0069]
其边界条件为：
[0070][0071]
其中，
[0072]
式中：p为压力；
[0073]
kf为裂缝渗透率，单位为10-3
μm2；
[0074]krl
为l相的相对渗透率；
[0075]sl
为l相的饱和度值；
[0076]
为压力梯度，单位为pa/m；
[0077]
μ
l
为l相的粘度，单位为pa
·
s；
[0078]gl
为l相的启动压力梯度，单位为pa/m；
[0079]km
为基质区渗透率，单位为10-3
μm2；
[0080]
nc为裂缝簇数；
[0081]
pe为供给压力；
[0082]
μ
l
为l相的粘度；
[0083]
wf为裂缝宽度；
[0084]kmf
为基质-缝网区渗透率；
[0085]bm
为单个压裂段基质-缝网区的宽度。
[0086]
另外，bm×
nc可以表示水平井的长度。
[0087]
状态方程：考虑岩石流体微可压缩，孔隙度和流体密度受岩石、流体压缩系数影响，具体表征如下：
[0088]
ρ
l
＝ρ
l
(p) l＝o,w
[0089]
φ＝φ(p)
[0090]
辅助方程：渗流过程为油水两相，考虑毛细管压力的作用，有：
[0091]
so+sw＝1
[0092]
pc(sw)＝p
o-pw[0093]
式中：pc为毛细管压力，pa。
[0094]
由此，根据上述建立的页岩油产能数学模型，在油层厚度、裂缝半长、基质渗透率、生产压差、含油饱和度、水平井长度、裂缝导流能力、原油粘度、入地液量和簇数等特征参数已知的情况下，即可得到目标参数产量。
[0095]
s2，基于页岩油产能数学模型，获取多组相对应的特征参数与目标参数，作为模型训练数据。
[0096]
作为一种可能的实施方式，步骤s2具体可以为：设计若干组正交实验，基于页岩油产能数学模型计算不同油层厚度、裂缝半长、基质渗透率、生产压差、含油饱和度、水平井长度、裂缝导流能力、原油粘度、入地液量和簇数条件下对应的产量，将若干组正交实验的数据作为模型训练数据。
[0097]
示例性的，对上述特征参数分别设定不同的参数值，形成不同的特征参数组合，即设计多组正交实验。共采集n组数据，即所有正交实验后的总样本量为n组。每组数据的维度为m，即每组样本包括m个参数，当特征参数为油层厚度、裂缝半长、基质渗透率、生产压差、含油饱和度、水平井长度、裂缝导流能力、原油粘度、入地液量和簇数时，m＝10。由此，特征参数的数据维度为n
×
m。对应的，每组数据还对应一个目标参数，目标参数集合为n
×
1的矩阵，其中，1为目标参数的个数，即1个参数——产能。
[0098]
在一些实施例中，模型训练方法还包括：采用箱型法对模型训练数据进行异常值检测，删除模型训练数据中的异常值。
[0099]
箱型图主要由5个点组成：上边缘t
max
，上四分位数q3，中位数，下四分位数q1，下边缘t
min
。
[0100]
箱型图可用于识别异常值，其识别温和异常值及极端异常值的标准公式如下：
[0101]
ma＝{x|x《q
1-1.51或x》q3+1.51}
[0102]
ea＝{x|x《q
1-31或x》q3+31}
[0103]
式中，q1表示下四分位数；q3表示上四位数；i＝q
3-q1；ma表示温和异常值集合；ea表示极端异常值集合。
[0104]
采用箱型法可以直观明了的识别数据中的异常值，从而提高用于训练模型的数据质量，使训练后的模型的产能预测效果更加准确。
[0105]
在删除模型训练数据中的异常值之后，可以将模型训练数据划分为训练组数据和测试组数据，用于后续的模型训练。
[0106]
划分比例为训练组数据：测试组数据为8:2，训练组数据用作训练机器学习模型，
测试组数据的预测目标在预测时假设为未知，用作评价预测准确度。
[0107]
s3，建立用于预测页岩油产能的卷积神经网络模型，并采用粒子群算法获得卷积神经网络模型的最优权值和最优偏差值。
[0108]
对于建立的卷积神经网络(cnn)模型，可选的，采用relu函数作为激活函数，设置批处理数量为128，设定cnn模型的输入层、隐含层和输出层的神经元个数。模型的输入参数为油层厚度、裂缝半长、基质渗透率、生产压差、含油饱和度、水平井长度、裂缝导流能力、原油粘度、入地液量和簇数，输入层节点为10个，输出层节点只有产能1个。cnn模型的隐含层包括2层卷积层、2层池化层和1层全连接层：卷积的卷积核大小为5*5，池化层采用最大池化方法。
[0109]
其中，卷积层也称为滤波器，卷积核的滤波可以用来提取特定的特征，卷积包括连续型卷积运算和离散型卷积运算。
[0110]
定义在区间(-∞,+∞)上的两个连续函数f1(t)和f2(t)，则连续卷积运算公式为：
[0111][0112]
其中，t为参变量，p为积分变量，*为卷积操作。
[0113]
x(n)和h(n)离散卷积运算公式为：
[0114][0115]
其中，n为参变量，i为自变量，*为卷积操作。
[0116]
因为产能数据不是时序数据，不是连续的变化值，而是离散点，因此本公开采用离散卷积。
[0117]
对神经网络而言，其权重与偏差值的更新与优选较难，无法有效获取最佳参数组合。而粒子群算法模拟鸟类的觅食行为，算法中的每个粒子都是寻优问题的一个潜在最优解，通过在其速度与位置更新公式中加入其他粒子的坐标实现信息交流功能。通过上述模拟，粒子群优化算法的每个粒子最终都会找到优化问题的全局最优解，因而将其应用于神经网络超参数的选择是一个可行方向。
[0118]
将cnn模型的权值和偏差值进行预处理，将权值w
ij
和偏差值b
ij
编码成实数粒子，从而可以确定粒子的空间维度，粒子的空间维度等于神经网络待优化的权值和偏差值之和。
[0119]
用粒子群算法更新cnn模型，具体包括：将cnn模型的权值和偏差值进行编码；初始化种群规模、速度和位置信息、最大迭代次数k
max
。
[0120]
以卷积神经网络的预测均方误差作为适应度函数，计算每个粒子的适应值；比较单个粒子的最优适应度值与种群最佳适应度值并进行更新；根据速度和位置更新公式更新速度和位置；重复以上操作直到搜索到的结果满足停止条件(达到最大迭代次数k
max
)。具体为：
[0121]
根据适应度函数计算每个粒子的适应值，适应度函数为卷积神经网络的预测均方误差：
[0122]
[0123]
其中，yi为训练数据集中第i个节点的期望输出(产能的期望输出)，为训练过程中第i个节点的实际输出，ns为网络输出节点总数,即训练样本数。
[0124]
这里，相当于在当前粒子(权值和偏差值)的基础上，计算产能预测值与真实值之间的偏差。计算结果就是该粒子的适应度值。
[0125]
计算更新后每个粒子的适应度值后，将每个粒子的当前适应度值与其历史适应度值比较，如果当前的适应度函数值小于历史的适应度函数值，则将当前的适应度值作为个体最优值，否则不变。如果当前的全局最优值大于个体最优值，则个体此时的最优值即为粒子群的全局最优值。
[0126]
保存每个粒子的最优位置，种群中所有粒子的最佳适应度之和，以及所有粒子在种群中对应的最优位置。
[0127]
根据速度、位置更新公式更新速度和位置。
[0128]
速度更新公式为：
[0129][0130]
位置更新公式为：
[0131][0132]
其中，为粒子当前的位置；
[0133]
ω为惯性因子；计算公式为：ω
ini
为惯性因子初始值，通常设置为0.4；ω
end
为种群迭代到最大进化次数时的惯性因子值，通常设置为0.9；
[0134]kmax
为最大迭代次数；
[0135]
pi为粒子当前最优位置；
[0136]
pj为粒子i对应的全局最优位置；
[0137]
i＝1,2,
···
,m，表示粒子个数；
[0138]
d＝1,2,
···
,d，表示维数；
[0139]
k表示当前进化代数；
[0140]
r1和r2随机初始为0-1之间的数，对群体的多样性有一定的作用，使多样性在迭代的过程中不至于丧失；
[0141]
c1和c2被称为学习因子(也称加速因子)，影响算法的收敛速度，分别设置为1.5和2。
[0142]
判断搜索到的结果是否满足停止条件(最大迭代次数k
max
)，当迭代次数达到最大次数，则程序终止运行，输出最优值，否则重复运行直到满足条件为止。
[0143]
最后，将最优输出值，即优化后的权值和偏差值，带入到cnn网络模型中进行学习训练。
[0144]
本公开的实施例采用粒子群优化方法获取最佳的权值和偏差值，可以提高模型的预测精度，另外，粒子群优化方法不容易陷入局部极值，且该算法简单易行，可以提高模型的训练速度。
[0145]
s4，基于模型训练数据对卷积神经网络模型进行训练，得到页岩油产能预测模型。
[0146]
示例性的，基于训练组数据对卷积神经网络模型进行训练，并通过测试组数据验证卷积神经网络模型的有效性。
[0147]
本公开的一些实施例提供的模型训练方法，通过构建有效的页岩油产能数学模型，可以保证通过预设的油层厚度、裂缝半长、基质渗透率、生产压差、含油饱和度、水平井长度、裂缝导流能力、原油粘度、入地液量和簇数等参数求解出的产量的准确性。另外，通过采用箱型法可以直观明了的识别数据中的异常值，从而提高用于训练模型的数据质量，进一步提高训练后的模型的产能预测效果的准确性。此外，采用粒子群优化方法获取最佳的权值和偏差值，粒子群优化方法不容易陷入局部极值，且该算法简单易行，可以提高模型的训练速度以及提高模型的预测精度。
[0148]
本公开的一些实施例还提供了一种模型训练装置，该装置包括处理器和存储器，存储器中存储有适于处理器执行的计算机程序指令，计算机程序指令被处理器运行时执行如上述任一实施例所述的模型训练方法中的步骤。
[0149]
本公开的一些实施例还提供了一种计算机可读存储介质，存储介质中存储有计算机程序指令，当计算机程序指令由用户设备的处理器执行时，使得用户设备执行上述任一实施例所述的模型训练方法。
[0150]
如图4所示，本公开的一些实施例还提供了一种页岩油产能预测方法，该页岩油产能预测方法包括s10～s20。
[0151]
s10，获取目标页岩油藏的特征参数数据。其中，特征参数包括油层厚度、裂缝半长、基质渗透率、生产压差、含油饱和度、水平井长度、裂缝导流能力、原油粘度、入地液量和簇数；
[0152]
s20，将特征参数数据输入页岩油产能预测模型中，获得目标页岩油藏的预测产能。
[0153]
其中，页岩油产能预测模型由上述任一实施例所述的模型训练方法得到。
[0154]
本公开的一些实施例提供的页岩油产能预测方法，能够解决传统预测产能的方式难以大规模实施、耗时长、预测结果准确性也无法保证的问题，以及神经网络的权重与偏差值的更新与优选较难、无法有效获取最佳参数组合的问题，该方法可应用于页岩油藏的产能预测，其预测准确率高，方法简单，计算速度快，具有很好的技术价值和应用前景。
[0155]
下面以某页岩油田为例对本发明的方法做进一步说明。
[0156]
首先构建页岩油产能数学模型，包括质量守恒方程、运动方程、状态方程和辅助方程。其中，运动方程包括主裂缝内流体的运动方程和基质-缝网区的流体运动方程。主裂缝区渗流遵循两相达西定律，考虑裂缝的强应力敏感性及裂缝存在的相对渗透率特征；基质-缝网区渗流考虑拟启动压力梯度、基质-裂缝区强应力敏感性及油水两相渗流特征的非线性渗流特征。
[0157]
进一步的，在构建的数学模型基础上，计算求解不同油层厚度、裂缝半长、基质渗透率、生产压差、含油饱和度、水平井长度、裂缝导流能力、原油粘度、入地液量和簇数条件下的产量，设计正交实验，设计参数如表1所示，共采集了42352组数据，每组数据的维度为10，则特征参数数据的维度为42352
×
10的矩阵。对应的，每组数据还有一个目标参数集合，目标参数集合为产能，维度是42352
×
1的矩阵。
[0158]
表1
[0159][0160][0161]
然后用箱型法对数据集进行异常值检测，删去数据集中的异常点，以产能数据为例，其结果如图3所示。
[0162]
将采集的数据划分为训练组数据和测试组数据。划分比例为训练组数据：测试组数据为8:2。
[0163]
建立预测适合页岩油产能的卷积神经网络(cnn)预测模型框架。采用relu函数作为激活函数，设置批处理数量为128，设定cnn模型的输入层、隐含层和输出层的神经元个数；模型的输入参数为油层厚度、裂缝半长、基质渗透率、生产压差、含油饱和度、水平井长度、裂缝导流能力、原油粘度、入地液量和簇数，输入层节点为10个，输出层节点只有产能1个。cnn模型的隐含层包括2层卷积层、2层池化层和1层全连接层：卷积的卷积核大小为5*5，池化层采用最大池化方法。
[0164]
用粒子群算法更新cnn模型。先将cnn模型的权值和偏差值进行编码，初始化种群及其中的各类参数，输入节点有10个，粒子个数c＝10，最大允许迭代步数k
max
为100，惯性权重ω的最大值ω
max
设置为0.9，最小值ω
min
设置为0.4，c1和c2被称为学习因子(也称加速因子)，影响算法的收敛速度，分别设置为1.5和2。
[0165]
以卷积神经网络的预测均方误差作为适应度函数，计算每个粒子的适应值，反复更新速度和位置，比较单个粒子的最优适应度值与种群最佳适应度值并进行更新；直到搜索到的结果满足停止条件(达到最大迭代次数100)。
[0166]
进一步的，将优化后的权值和偏差值，带入到cnn网络模型中进行学习训练。
[0167]
最后用训练后的cnn模型预测页岩油产能，预测精度可达87％以上，可见基于粒子群优化的cnn网络预测页岩油产能方法实施性较强。
[0168]
本公开的一些实施例还提供了一种页岩油产能预测装置，该装置包括处理器和存储器，存储器中存储有适于处理器执行的计算机程序指令，计算机程序指令被处理器运行时执行如上述任一实施例所述的页岩油产能预测方法中的步骤。
[0169]
本公开的一些实施例还提供了一种计算机可读存储介质，其特征在于，存储介质中存储有计算机程序指令，当计算机程序指令由用户设备的处理器执行时，使得用户设备执行如上述任一实施例所述的页岩油产能预测方法。
[0170]
本公开任一实施例提供的计算机可读存储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)、数字多功能光盘(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。
[0171]
本公开实施例还提供了一种电子设备，包括处理器和存储器，所述存储器中存储有适于所述处理器执行的计算机程序指令，所述计算机程序指令被所述处理器运行时执行上述任一实施例公开的方法。
[0172]
本公开任一实施例提供的电子设备可以是手机、电脑、平板电脑、服务器、网络设备等，或者也可以是u盘、移动硬盘、只读存储器(rom，read onlymemory)、磁碟或者光盘等。
[0173]
举例来说，该电子设备可以包括：处理器、存储器、输入/输出接口、通信接口和总线。其中处理器、存储器、输入/输出接口和通信接口通过总线实现彼此之间在设备内部的通信连接。
[0174]
处理器可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
[0175]
存储器可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器中，并由处理器来调用执行。
[0176]
输入/输出接口用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0177]
通信接口用于连接通信模块，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0178]
总线包括一通路，在设备的各个组件(例如处理器、存储器、输入/输出接口和通信接口)之间传输信息。
[0179]
需要说明的是，尽管上述设备仅示出了处理器、存储器、输入/输出接口、通信接口以及总线，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含全部所述组件。
[0180]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书实施例可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书实施例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，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、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)执行本说明书实施例各个实施例或者实施例的某些部分所述的方法。
[0181]
上述实施例阐明的方法，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
[0182]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所描述的方法实施例仅仅是示意性的，其中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，在实施本说明书实施例方案时可以把各模块的功能在同一个或多个软件和/或硬件中实现。也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。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。
[0183]
在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
[0184]
此外，在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。同时，在本公开的描述中，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电性连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本公开中的具体含义。
[0185]
本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。