臭氧主控污染物的预测方法、装置及电子设备与流程

1.本技术涉及大气污染物的源解析技术领域，尤其涉及一种臭氧主控污染物的预测方法、装置及电子设备。


背景技术：

2.查明臭氧的光化学生成机制是制定合理的臭氧前体物减排策略的科学基础。
3.相关技术中，常用的诊断方法分为光化学指示剂法和基于观测的模型模拟两大类。如，三种常用的光化学指示剂法（1）臭氧生成效率、（2）过氧化氢（h2o2）与氮氧化物（hno3或nox）比值、（3）基于卫星遥感的hcho/no2比值；以及基于观测的模型等。
4.上述的方法只能对历史数据或实时数据进行分析。


技术实现要素：

5.根据本技术实施例的一方面，提供了一种臭氧主控污染物的预测方法，包括：获取未来预定时间的臭氧前体物的浓度，其中，该臭氧前体物的浓度是使用空气质量模型预测得到的；根据该臭氧前体物的浓度使用预设盒模型预测多项目标前体物的相对增量反应活性（rir）；根据该多项目标前体物的rir确定该未来预定时间的臭氧主控污染物。
6.可选地，根据上述臭氧前体物的浓度使用预设盒模型预测多项目标前体物的rir，包括：从上述臭氧前体物的浓度中提取预设站点对应的臭氧前体物的浓度，将提取的臭氧前体物的浓度与预设盒模型的化学机制进行匹配对应，得到预设盒模型对应的浓度数据；根据浓度数据使用预设盒模型进行臭氧光化学生成预测，根据预测的结果确定上述多项目标前体物的rir。
7.可选地，将提取的臭氧前体物的浓度与预设盒模型的化学机制进行匹配对应，包括：根据空气质量模型对应的臭氧前体物与化学机制对应的臭氧前体物之间的关系，将所述空气质量模型对应的臭氧前体物的浓度按比例分配到所述化学机制对应的臭氧前体物，得到所述化学机制对应的臭氧前体物的浓度。
8.可选地，根据上述浓度数据使用预设盒模型进行臭氧光化学生成预测，根据预测的结果确定多项目标前体物的rir，包括：对于每项目标前体物，分别根据上述浓度数据和对该目标前体物进行扰动后的浓度数据，使用预设盒模型进行臭氧光化学生成预测，根据预测的结果确定该目标前体物的rir。
9.可选地，每项目标前体物包括一个或一组所述臭氧前体物。
10.可选地，上述预测方法还包括：获取上述未来预定时间的气象数据；其中，根据上述浓度数据使用预设盒模型进行臭氧光化学生成预测，包括：根据上述浓度数据和气象数据使用预设盒模型进行臭氧光化学生成预测；和/或上述臭氧前体物的浓度是使用空气质量模型根据该气象数据预测得到的。
11.根据本技术实施例的另一方面，提供了一种臭氧主控污染物的预测装置，包括：获取模块，用于获取未来预定时间的臭氧前体物的浓度，其中，该臭氧前体物的浓度是使用空气质量模型预测得到的；预测模块，用于根据该臭氧前体物的浓度预测多项目标前体物的rir；确定模块，用于根据该多项目标前体物的rir确定未来预定时间的臭氧主控污染物。
12.可选地，上述预测模块，用于：从臭氧前体物的浓度中提取预设站点对应的臭氧前体物的浓度，将提取的臭氧前体物的浓度与预设盒模型的化学机制进行匹配对应，得到预设盒模型对应的浓度数据；根据该浓度数据使用预设盒模型进行臭氧光化学生成预测，根据预测的结果确定多项目标前体物的rir。
13.根据本技术实施例的又一方面，提供了一种电子设备，包括：处理器；以及存储程序的存储器，其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行本技术实施例的方法。
14.根据本技术实施例的再一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本技术实施例的方法。
15.本技术实施例中提供的一个或多个技术方案，获取未来预定时间的臭氧前体物的浓度，根据该臭氧前体物的浓度使用预设盒模型预测多项目标前体物的rir，根据该多项目标前体物的rir确定该未来预定时间的臭氧主控污染物，实现了对臭氧主控污染物的预测。并且，相较于基于历史数据或实时数据，预测得到的臭氧主控污染物更加符合未来的情况，便于更好地制定臭氧污染调控措施。
附图说明
16.在下面结合附图对于示例性实施例的描述中，本技术的更多细节、特征和优点被公开，在附图中：图1示出了根据本技术示例性实施例的臭氧主控污染物的预测方法的流程图；图2示出了根据本技术示例性实施例的臭氧主控污染物的预测装置的示意性框图；图3示出了根据本技术示例性实施例的臭氧主控污染物的预测系统的示意性框图；图4示出了根据本技术数据示例的预测臭氧浓度与实测浓度对比；图5示出了根据本技术数据示例的不同前体物对应的rir日均结果；图6至13示出了根据本技术数据示例的不同前体物对应的逐小时rir；
图14示出了能够用于实现本技术的实施例的示例性电子设备的结构框图。
具体实施方式
17.下面将参照附图更详细地描述本技术的实施例。虽然附图中显示了本技术的某些实施例，然而应当理解的是，本技术可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本技术。应当理解的是，本技术的附图及实施例仅用于示例性作用，并非用于限制本技术的保护范围。
18.应当理解，本技术的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本技术的范围在此方面不受限制。
19.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本技术中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
20.需要注意，本技术中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
21.本技术实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
22.以下参照附图描述本技术的方案。本说明书的实施例可以运行在任何具有计算和存储能力的设备上，如手机、平板电脑、pc(personal computer，个人电脑)、笔记本、服务器等设备；还可以由运行在两个或两个以上设备的逻辑节点来实现本说明书实施例中的各项功能。该设备可作为客户端或服务器。
23.图1示出了根据本技术示例性实施例的臭氧主控污染物的预测方法的流程图，如图1所示，该方法包括步骤s101至步骤s103。该方法可由一个或多个客户端或服务器执行，本实施例对此不作限定。
24.步骤s101，获取未来预定时间的臭氧前体物的浓度，其中，该臭氧前体物的浓度是使用空气质量模型预测得到的。
25.在本实施例中，使用空气质量模型可进行空气质量预测，得到多种污染物的浓度。污染物包括臭氧前体物。在步骤s101中，获取的臭氧前体物的浓度包括多个臭氧前体物的浓度。
26.未来预定时间可包括未来一天或数天，例如未来1天、3天或7天。臭氧前体物的浓度可包括预设时间尺度下的浓度。例如，未来预定时间为未来7天，时间尺度为每天，获取的臭氧前体物的浓度包括未来7天每天的浓度均值，但不限于此。
27.在本实施例中，空气质量模型可包括但不限于cmaq、camx、wrf－chem、naqpms等，本实施例对此不作限定，任何能够预测未来预定时间的污染物的浓度的模型都是可行的。
28.步骤s102，根据该臭氧前体物的浓度使用预设盒模型预测多项目标前体物的rir。
29.通过rir分析臭氧生成的敏感性。rir是评估臭氧生成控制因素的指标。目标前体
物的rir值为正值时，其值越大，表明臭氧生成对其越敏感。
30.作为一种实施方式，上述步骤s102，包括：从上述臭氧前体物的浓度中提取预设站点对应的臭氧前体物的浓度，将提取的臭氧前体物的浓度与预设盒模型的化学机制进行匹配对应，得到预设盒模型对应的浓度数据；根据上述浓度数据使用预设盒模型进行臭氧光化学生成预测，根据预测的结果确定上述多项目标前体物的rir。作为一种示例，空气质量模型预测得到网格化的污染物浓度，根据网格与站点的对应关系，基于网格对应的污染物浓度确定站点的污染物浓度。
31.作为一种实施方式，上述将提取的臭氧前体物的浓度与预设盒模型的化学机制进行匹配对应，包括：根据空气质量模型对应的臭氧前体物与化学机制对应的臭氧前体物之间的关系，将空气质量模型对应的臭氧前体物的浓度按比例分配到化学机制对应的臭氧前体物，得到化学机制对应的臭氧前体物的浓度。在本实施例中，化学机制可包括但不限于主化学机制（master chemical mechanism，mcm）。
32.作为一种示例，空气质量模型中的vocs物种aldx（丙醛和更高分子醛），对应mcm化学机制的vocs物种包括丙醛、正丁醛、戊醛、丙烯醛、异丁醛和2-丁烯醛，依据历史监测的浓度进行分配，对应的分配比例依次为36%、6%、16%、26%、4%和12%。
33.作为一种实施方式，根据上述浓度数据使用预设盒模型进行臭氧光化学生成预测，根据预测的结果确定多项目标前体物的rir，包括：对于每项目标前体物，分别根据上述浓度数据（称为基准污染情景）和对该目标前体物进行扰动（例如削减10%）后的浓度数据（称为模拟污染情景），使用预设盒模型进行臭氧光化学生成预测，根据预测的结果确定该目标前体物的rir。
34.作为一种实施方式，还包括：获取上述未来预定时间的气象数据。其中，根据上述浓度数据和气象数据使用预设盒模型进行臭氧光化学生成预测。作为一种实施方式，上述臭氧前体物的浓度是使用空气质量模型根据该气象数据预测得到的。作为一种示例，气象数据是进行气象预报得到的。
35.在本实施例中，每项目标前体物包括一个或一组臭氧前体物。示例性的，将臭氧的前体物分为八类，即co、nox(no、no2)、tvoc（总voc）、bvoc/bio（天然源voc）、avoc（人为源voc）、alk（烷烃）、ale（烯烃）、aro（芳香烃），每一类视为一项目标前体物。
36.rir用于探索不同臭氧前体物与臭氧之间的敏感性关系，为光化学o3生成速率的变化率（%）和源效应变化率（%）之间的比值。示例性的计算公式如式（1）所示。
37.（1）式（1）中，为前体物i的rir；为一段时间的臭氧生成速率的积分值；i为一次污染物（如nox、co、avocs（人为源vocs）和生物源（bvocs））；c(i)为前体物i的浓度；为前体物i浓度变化量；为前体物i浓度变化量后对应的臭氧生成速率。
38.为了避免可能的数值计算误差和减少对模式系统的干扰，在模拟过程中对应的
选择为c(i)的10%。
39.o3生成速率通过盒子模型模拟输出参数进行计算。生成速率的计算公式如式（2）、（3）和（4）所示。
40.（2）（3）（4）式（2）、（3）和（4）中，g(o3)为o3的光化学总生成速率，d(o3)为o3光化学反应去除速率，k1~k7为各前体物之间的反应速率。
41.步骤s103，根据该多项目标前体物的rir确定该未来预定时间的臭氧主控污染物。
42.rir值越大，对臭氧生成的影响越大。在本实施例中，根据根据该多项目标前体物的rir的大小，在该多项目标前体物中确定该未来预定时间的臭氧主控污染物。作为一种示例，vocs包括烷烃、烯烃和芳香烃，对应的rir分别为0.107、0.457和0.218，此时主控污染物是烯烃。
43.图2示出了根据本公开示例性实施例的臭氧主控污染物的预测装置的示意性框图，如图2所示，包括：获取模块210，用于获取未来预定时间的臭氧前体物的浓度，其中，该臭氧前体物的浓度是使用空气质量模型预测得到的；预测模块220，用于根据该臭氧前体物的浓度预测多项目标前体物的rir；确定模块230，用于根据该多项目标前体物的rir确定未来预定时间的臭氧主控污染物。
44.rir值越大，对臭氧生成的影响越大。在本实施例中，确定模块230，用于根据根据该多项目标前体物的rir的大小，在该多项目标前体物中确定该未来预定时间的臭氧主控污染物。作为一种示例，vocs包括烷烃、烯烃和芳香烃，对应的rir分别为0.107、0.457和0.218，此时主控污染物是烯烃。
45.作为一种实施方式，上述预测模块220，用于：从臭氧前体物的浓度中提取预设站点对应的臭氧前体物的浓度，将提取的臭氧前体物的浓度与预设盒模型的化学机制进行匹配对应，得到预设盒模型对应的浓度数据；根据该浓度数据使用预设盒模型进行臭氧光化学生成预测，根据预测的结果确定多项目标前体物的rir。
46.作为一种实施方式，上述预测模块220，用于：根据空气质量模型对应的臭氧前体物与化学机制对应的臭氧前体物之间的关系，将空气质量模型对应的臭氧前体物的浓度按
比例分配到化学机制对应的臭氧前体物，得到化学机制对应的臭氧前体物的浓度。
47.作为一种实施方式，上述预测模块220，用于：对于每项目标前体物，分别根据上述浓度数据和对该目标前体物进行扰动（例如削减10%）后的浓度数据，使用预设盒模型进行臭氧光化学生成预测，根据预测的结果确定该目标前体物的rir。
48.作为一种实施方式，预测装置还用于：获取上述未来预定时间的气象数据。其中，上述预测模块220，用于根据上述浓度数据和气象数据使用预设盒模型进行臭氧光化学生成预测。作为一种实施方式，上述臭氧前体物的浓度是使用空气质量模型根据该气象数据预测得到的。
49.在本实施例中，化学机制可包括但不限于主化学机制（master chemical mechanism，mcm）。
50.在本实施例中，每项目标前体物包括一个或一组臭氧前体物。示例性的，将臭氧的前体物分为八类，包括：co、nox(no、no2)、tvoc（总voc）、bvoc/bio（天然源voc）、avoc（人为源voc）、alk（烷烃）、ale（烯烃）、aro（芳香烃），每一类视为一项目标前体物。
51.图3示出了根据本公开示例性实施例的臭氧主控污染物的预测系统的示意性框图，如图3所示，该系统包括：浓度处理子系统310、气象处理子系统320、盒模型模拟子系统330和后处理子系统340。
52.浓度处理子系统310包括空气质量模型，用于预测未来的污染物浓度，包括臭氧前体物的浓度。空气质量模型可包括但不限于cmaq、camx、wrf－chem、naqpms等，本实施例对此不作限定，任何能够预测未来预定时间的污染物的浓度的模型都是可行的。
53.气象处理子系统320，包括天气预报模式（weather research and forecasting model，wrf），用于预测未来的气象条件（气象数据）。
54.盒模型模拟子系统330包括：atchem2（一种大气化学建模工具），用于使用mcm构建和运行零维盒模型。atchem2采用 mcm光化学机理，能够详细描述挥发性有机物的气相反应过程。示例性的，mcm3.3.1版本共包含143种vocs，48种无机反应，17196种有机反应；共17224个反应，5833个物种。大气环境中监测得到的o3浓度变化是光化学过程和物理过程综合作用的结果，其中光化学过程通过atchem2-mcm模型模拟获得，传输过程包括水平、垂直的传输过程以及沉降过程等。
55.后处理子系统340，用于确定多项目标前体物的rir。通过计算rir分析臭氧生成的敏感性。rir是评估臭氧生成控制因素的指标。一项前体物rir值为正值时，其值越大，表明臭氧生成对其越敏感。
56.在本实施例中，将空气质量模式的物种浓度，数据处理成atchem2的输入数据格式；将基于模式预报的vocs物种按照站点提取到相应的文件中，并将相应的vocs物种与mcm化学机制中的vocs物种进行匹配对应，将相应的数据进行数据格式和单位的标准化处理。
57.在本实施例中，将wrf模拟的气象数据处理成atchem2的输入数据格式；将wrf模拟的气象数据，按照站点提取到相应的文件，将相应的数据进行数据格式和单位的标准化处理。
58.在本实施例中，atchem2的参数配置，包含环境变量的设置、化学种类、光解速率以及模型约束和模型输出的设置，本实施例对此不作限定。
59.在本实施例中，atchem2输出的数据，结合各前体物对应的化学反应过程，对
atchem2输出的前体物的产生率和损失率进行整合、数据格式处理，计算相应的臭氧生成速率，进而计算rir，得到任意时间的不同前体物的rir，进行o3前体物增量反应活性分析。
60.下面基于一个数据示例进行说明。
61.使用mcm构建的零维盒模型atchem2，进行预报模拟，开展前体物增量反应活性的研究。将o3的前体物分为八类，包括：co、nox、tvoc、bvoc/bio、avoc、alk、ale、aro。
62.基于空气质量模型的模拟结果，进行数据提取，获取2021年7月2日-7月10日的o3、co、no、no2、so2和vocs各组分的浓度数据，作为atchem2模型的输入数据。将前体物分为co、nox、tvoc、bvoc/bio、avoc、alk、ale、aro。将原始污染物浓度数据作为基准情景进行模拟，分别将各类前体物浓度削减10%作为不同的削减情景，进行模拟，然后计算各前体物的rir，分析o3对各前体物的敏感性。
63.基于atchem2模型输出的臭氧浓度与实测浓度进行对比，如图4所示，atchem2模拟的基准污染情景下的o3浓度（case0）与观测的o3浓度逐小时变化对比，模式模拟的浓度（case0）与观测浓度（实测）的一致性较好，重现了站点的o3浓度的变化规律，说明采用该模式可以较好地代表站点的本地化光过程。
64.rir可评估判断不同前体物对o3的敏感性，rir为正时，表明降低该前体物浓度可抑制o3生成，导致o3浓度降低，正值越大，其o3生成越敏感。rir为负时，表明降低该前体物反而促使o3生成，导致o3浓度升高。
65.对污染过程开展rir计算，分别模拟得到不同前体物对应的rir，将研究时段的rir进行平均，获取7月13日-7月22日的日均rir，结果如图5所示。总体来看，站点主要处于显著的vocs控制区，vocs及vocs物种对应的rir均为正值，说明前体物vocs的削减对臭氧生成速率的减小有利，值越大臭氧生成对该前体物的敏感性越强；同时站点存在削减nox的不利效应，说明大力控制人为源排放的vocs是降低o3浓度的最直接有利的方式。
66.基于站点观测数据，对污染过程开展rir计算，分别模拟得到7月13日-7月22日逐小时不同前体物对应的rir值，结果如图6至13所示。总体来看，参考图8至10所示， vocs及vocs物种对应的rir为正值，站点主要处于显著的vocs控制区；参考图7所示，nox的rir为负值，站点存在削减nox的不利效应，说明大力控制人为源排放的vocs是降低o3浓度的最直接有利的方式。从小时分布可以看出，rir在每日不同时刻存在一定差异。此外，由于烷烃（如图11所示）、烯烃（如图12所示）和芳香烃（如图13所示）对于o3生成较为敏感，因此进一步分别挑选两类物种作为代表，可以看出挑选的物种的整体变化情况与所属的烃类相似。从逐小时数据，也可以看出部分时刻rir异常偏高，可能与原始输入的限制浓度的质量有关，因此，对空气质量模式输出数据中的异常值，进行处理修正。
67.本技术示例性实施例还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序，所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本技术实施例的方法。
68.本技术示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本技术实施例的方法。
69.本技术示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计
算机程序在被计算机的处理器执行时用于使所述计算机执行根据本技术实施例的方法。
70.参考图14，现将描述可以作为本技术的服务器或客户端的电子设备1400的结构框图，其是可以应用于本技术的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本技术的实现。
71.如图14所示，电子设备1400包括计算单元1401，其可以根据存储在只读存储器（rom）1402中的计算机程序或者从存储单元1408加载到随机访问存储器（ram）1403中的计算机程序，来执行各种适当的动作和处理。在ram 1403中，还可存储设备1400操作所需的各种程序和数据。计算单元1401、rom 1402以及ram 1403通过总线1404彼此相连。输入/输出（i/o）接口1405也连接至总线1404。
72.电子设备1400中的多个部件连接至i/o接口1405，包括：输入单元1406、输出单元1407、存储单元1408以及通信单元1409。输入单元1406可以是能向电子设备1400输入信息的任何类型的设备，输入单元1406可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元1407可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1408可以包括但不限于磁盘、光盘。通信单元1409允许电子设备1400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
73.计算单元1401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1401的一些示例包括但不限于中央处理单元（cpu）、图形处理单元（gpu）、各种专用的人工智能（ai）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（dsp）、以及任何适当的处理器、控制器、微控制器等。计算单元1401执行上文所描述的各个方法和处理。例如，在一些实施例中，臭氧主控污染物的预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1408。在一些实施例中，计算机程序的部分或者全部可以经由rom 1402和/或通信单元1409而被载入和/或安装到电子设备1400上。在一些实施例中，计算单元1401可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行臭氧主控污染物的预测方法。
74.用于实施本技术的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
75.在本技术的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电
子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦除可编程只读存储器（eprom或快闪存储器）、光纤、便捷式紧凑盘只读存储器（cd-rom）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
76.如本技术使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
77.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，crt（阴极射线管）或者lcd（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
78.可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（lan）、广域网（wan）和互联网。
79.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。