一种车辆统计方法、装置、计算机设备及存储介质与流程

1.本发明涉及计算机技术领域，具体涉及一种车辆统计方法、装置、计算机设备及存储介质。


背景技术：

2.随着新能源汽车行业的飞速发展，新能源汽车工业也面临着许多问题，新能源汽车，如何对车辆安全和隐患进行高效识别，以便提前发现问题采取措施是保障新能源汽车安全运行的重要前提。
3.传统的新能源汽车监控技术中，能够接入车辆的实时车辆数据，但是缺乏对大规模隐患车辆排查方法，同时传统的新能源汽车监控平台以关系型数据库作为存储，存在着性能瓶颈，无法完成海量数据的查询和分析工作，因此亟需一种对大规模车辆的统计方法，以便对大规模车辆进行安全隐患排查。


技术实现要素：

4.因此，为解决现有技术的不足，本发明实施例提供了一种车辆统计方法、装置、计算机设备及存储介质。
5.根据第一方面，本发明实施例公开了车辆统计方法，从目标数据库中分别读取多辆车中每一辆车最新上传的位置数据；
6.根据预获取的多个聚类基准，对所有的位置数据进行聚类，得到每一个聚类基准对应的聚类簇以及每一个聚类簇的中心点的位置数据；
7.根据第一聚类基准下每一个聚类簇中位置数据，得到第一聚类基准下对应的轮廓系数，其中，第一聚类基准为多个聚类基准中的任一个聚类基准；
8.根据每一个聚类基准以及每一个聚类基准对应的轮廓系数，确定最佳聚类基准；
9.分别以最佳聚类基准中的每一个聚类簇的中心点的位置数据为参考基准，从每一个聚类簇中筛选出属于预设范围内的目标位置数据；
10.根据目标位置数据，确定属于预设范围内的车辆数目。
11.可选地，根据目标位置数据，确定属于预设范围内的车辆数目后，方法还包括：
12.当确定车辆数目大于预设阈值时，将每一个聚类簇的中心点和预设范围内的车辆的位置数据存储至预设数据库，以便后续根据预设数据库中的内容对对应的车辆进行安全排查。
13.可选地，根据每一个聚类基准以及每一个聚类基准对应的轮廓系数，确定最佳聚类基准，具体包括：
14.根据每一个聚类基准和与聚类基准对应的轮廓系数，构建轮廓系数变化曲线图；
15.从轮廓系数曲线图中选取与目标轮廓系数对应的聚类基准为最佳聚类基准。
16.可选地，预设范围为以每一个聚类簇的中心的位置数据为圆心，以第一预设距离为半径的圆内。
17.可选地，分别以最佳聚类基准中的每一个聚类簇的中心点的位置数据为参考基准，从每一个聚类簇中筛选出属于预设范围内的目标位置数据，具体包括：
18.以每一个聚类簇的中心点为圆心，第二预设距离为半径生成第一路线基准轨迹；
19.按照预设规则，从第一路线基准轨迹中提取多个基准点；
20.分别以每一个第一路线基准轨迹中的基准点为圆心，第三预设距离为半径，构建搜索框；
21.利用每一个搜索框，对聚类簇中的位置数据进行搜索，以获取属于预设范围内的位置数据。
22.可选地，当车辆数目小于预设阈值时，方法还包括：
23.以每一个聚类簇中心点为圆心，第四预设距离为半径生成第二路线基准轨迹，第四预设距离小于第二预设距离；
24.按照预设规则，从第二路线基准轨迹中提取多个基准点；
25.分别以第二路线基准轨迹中每一个基准点为圆心，第三预设距离为半径，构建搜索框；
26.利用每一个搜索框，对聚类簇中的位置数据进行搜索，以获取属于预设范围内的位置数据。
27.根据第二方面，本发明实施例公开了车辆统计装置，获取模块，用于从目标数据库中分别读取多辆车中每一辆车最新上传的位置数据；
28.聚类模块，用于根据预获取的多个聚类基准，对所有的位置数据进行聚类，得到每一个聚类基准对应的聚类簇以及每一个聚类簇的中心点的位置数据；
29.计算轮廓系数模块，用于根据第一聚类基准下每一个聚类簇中位置数据，得到第一聚类基准下对应的轮廓系数，其中，第一聚类基准为多个聚类基准中的任一个聚类基准；
30.确定模块，用于根据每一个聚类基准以及每一个聚类基准对应的轮廓系数，确定最佳聚类基准；
31.筛选模块，用于分别以最佳聚类基准中的每一个聚类簇的中心点的位置数据为参考基准，从每一个聚类簇中筛选出属于预设范围内的目标位置数据；
32.统计模块，用于根据目标位置数据，确定属于预设范围内的车辆数目。
33.可选地，装置还包括：
34.存储模块，用于当确定车辆数目大于预设阈值时，将每一个聚类簇的中心点和预设范围内的车辆的位置数据存储至预设数据库，以便后续根据预设数据库中的内容对对应的车辆进行安全排查。
35.根据第三方面，本发明实施例还公开了一种计算机设备，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；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行如第一方面或第一方面任一可选实施方式的车辆统计方法的步骤。
36.根据第四方面，本发明实施方式还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面或第一方面任一可选实施方式的车辆统计方法的步骤。
37.本发明技术方案，具有如下优点：
38.本发明提供的车辆统计方法，该方法包括，从目标数据库中分别读取多辆车中每一辆车最新上传的位置数据，最新上传的位置数据可以体现车辆对应的最新的停靠位置，用以后续可以根据车辆的位置数据进行安全排查；进一步地，根据预获取的多个聚类基准，对所有的位置数据进行聚类，得到与每一个聚类基准对应的聚类簇和每一个聚类簇的中心点的位置数据，采用聚类算法可以有效避免暴力直接计算所产生的性能瓶颈和资源浪费的问题；针对每一个聚类基准进行聚类都会对应一个对应的轮廓系数，其中轮廓系数可以体现聚类效果是否好坏，因此可以根据每一个聚类基准和与聚类基准对应的轮廓系数，来确定最佳聚类基准；最后分别以最佳聚类基准中的每一个聚类簇的中心点的位置数据为参考基准来筛选属于预设范围会的目标位置数据，根据目标位置数据可以确定在预设范围内的车辆数目，由此可以统计并判断是否存在大规模的车辆停放，以此来解决车辆的统计和安全隐患排查的问题。
附图说明
39.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1为本发明实施例中车辆统计方法的一个具体示例的流程图；
41.图2为本发明实施例中车辆统计方法的一个具体示例的示意图；
42.图3为本发明实施例中车辆统计方法的一个具体示例的示意图；
43.图4为本发明实施例中车辆统计方法的一个具体示例的示意图；
44.图5为本发明实施例中车辆统计方法的一个具体示例的流程图；
45.图6为本发明实施例中车辆统计的一个具体示例的原理框图；
46.图7为本发明实施例中计算机设备的一个具体示例图。
具体实施方式
47.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
48.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
49.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“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，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
50.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
51.针对背景技术中所提及的技术问题，本技术实施例提供了一种车辆统计方法，具体参见图1所示，为本发明实施例提供的一种车辆统计方法流程示意图，本技术中的车辆统计方法，主要可以应用于对新能源汽车的安全隐患的排查，其中安全隐患车辆包含但不限于长时间离线车辆(一般指非私人购买或营运车辆离线时长超过60天、私人车辆离线时长超过90天)、大面积聚集停放车辆(一般指半径500米内集中停放超过60天，车辆总数大于100辆)，新能源汽车的大面积停放，在发生火灾或者是其他自然灾害或者非自然灾害时，都是非常大的安全隐患，因此对新能源车辆的统计具有重大意义。当然本技术中的车辆统计方法还可以应用于其他方面的研究，本技术并不做限定。
52.具体地，车辆统计方法包括如下步骤：
53.步骤101，从目标数据库中分别读取多辆车中每一辆车最新上传的位置数据。
54.示例性地，每辆车最新上传的位置数据，换句话说也就是车辆对应的最后上传的位置数据，这时的位置数据可以准确的体现车辆的停靠位置。为缓解现有关系型数据库存在的存储瓶颈，目标数据库可以是分布式数据库，分布式数据库可以有效的支持后续的大量计算和查询存储操作。
55.具体地，读取目标数据库中的位置数据，可以通过车联网等系统获取车辆的各类信息，在各类信息中提取对应的位置数据，例如从车辆的报警信息、车辆的监测数据以及实时车况数据等来提取对应的位置数据，这里的位置数据可以是gps数据。当然本技术对读取车辆位置数据的具体实现方法和位置数据的具体形式和类型不做限定，本领域技术人员可以根据实际情况确定。
56.步骤102，根据预获取的多个聚类基准，对所有的位置数据进行聚类，得到每一个聚类基准对应的聚类簇以及每一个聚类簇的中心点的位置数据。
57.示例性地，聚类基准为实际进行聚类的聚类簇的个数，聚类个数可以根据实际情况来设定，在本实施例中对位置数据进行聚类的方法采用kmeans算法进行聚类。
58.例如，聚类基准可以设定1-9，分别计算聚类个数(也就是kmeans算法中的k)为1-9中每一个聚类个数下对应的聚类簇的中心点的位置数据。当k为1时，聚类簇的中心点为1个，当k为3时，聚类簇的中心点为3个，以此类推。在对每一个聚类基准进行聚类时，可以采用spark分布式集群运行聚类算法(kmeans)对全部的位置数据进行聚类计算。
59.步骤103，根据第一聚类基准下每一个聚类簇中位置数据，得到第一聚类基准下对应的轮廓系数。
60.其中，第一聚类基准为多个聚类基准中的任一个聚类基准。
61.示例性地，针对每一个k进行聚类时，都会对应一个轮廓系数，其中轮廓系数可以体现聚类效果的好坏，具体的可以通过以下公式计算：
[0062][0063]
其中，a(i)＝average(i向量到所有它属于的聚类簇中其它位置数据的距离)，b(i)＝min(i向量到某一不包含它的聚类簇内的所有位置数据的平均距离)
[0064]
将所有位置数据的轮廓系数求平均，就是针对该聚类个数k总的轮廓系数。
[0065]
计算对应的轮廓系数时，可以采用通过spark并行计算集合网格搜索(grid search)获取轮廓系数。
[0066]
步骤104，根据每一个聚类基准以及每一个聚类基准对应的轮廓系数，确定最佳聚类基准。
[0067]
示例性地，在计算得到每一个聚类基准k和对应的轮廓系数之后，根据两者之间的对应关系，确定对应的最佳聚类基准。
[0068]
在一个优选地实施例中，根据每一个聚类基准以及每一个聚类基准对应的轮廓系数，确定最佳聚类基准，具体包括：
[0069]
根据每一个聚类基准和与聚类基准对应的轮廓系数，构建轮廓系数变化曲线图；
[0070]
从轮廓系数曲线图中选取与目标轮廓系数对应的聚类基准为最佳聚类基准。
[0071]
示例性地，如图2所示为聚类基准与对应的轮廓系数之间的变化曲线图，图2中的elbow point为变化关系图中的拐点，也就是从各方面来讲聚类效果最佳的，由此可以确定对应的聚类基准为3。
[0072]
步骤105，分别以最佳聚类基准中的每一个聚类簇的中心点的位置数据为参考基准，从每一个聚类簇中筛选出属于预设范围内的目标位置数据。
[0073]
其中，预设范围为以每一个聚类簇的中心的位置数据为圆心，以第一预设距离为半径的圆内。
[0074]
示例性地，在筛选对应的目标位置数据时，可以预先设定一个搜索范围，在聚类簇中搜索范围内对应的目标位置数据。对位置数据进行聚类只是会给出一个便于搜索的中心点作为参考，但是在搜索目标数据时，在一个聚类簇中边缘的位置数据其实距离中心点很远，这种情况并不属于车辆的大规模聚集，因此并不需要对聚类簇中所有的目标数据都搜索完成，只需要对在一定范围内的位置数据搜索到即可，满足在一定范围内超出一定数量的车辆既可以进行统计。因此需要设定一个范围来作为界限。
[0075]
这里可以设定预设范围为以用户可搜索范围的3倍为半径，聚类簇中心点为圆心的园内，这样可以使得用户有效的搜索聚类簇中的位置数据，也能避免边缘位置数据对搜索统计的影响。另外本技术实施例中对第一预设距离的大小不做限定，本领域技术人员可以根据实际情况确定。
[0076]
在一个优选地实施例中，筛选预设范围内的目标数据的，具体包括：
[0077]
以每一个聚类簇的中心点为圆心，第二预设距离为半径生成第一路线基准轨迹；
[0078]
按照预设规则，从第一路线基准轨迹中提取多个基准点；
[0079]
分别以每一个第一路线基准轨迹中的基准点为圆心，第三预设距离为半径，构建搜索框；
[0080]
利用每一个搜索框，对聚类簇中的位置数据进行搜索，以获取属于预设范围内的位置数据。
[0081]
示例性地，如图3所示为搜索位置数据的示意图，500米为用户的搜索范围，1500米为预设的目标区域的范围，第一路线基准轨迹为以1000米为半径中心点为圆心的圆，每隔30度选取一个点，作为搜索框的圆心构建圆形的搜索框，对预设范围内的位置数据进行搜索。
[0082]
具体地，以中心点右移1000米为第一次搜索起始圆心，500米为半径，根据位置数
据筛选目标区域内是否包含足够的车辆。沿着第一路线基准轨迹(半径为1000米的和目标区域同心的圆)，逆时针方向挪动圆心30
°
，再进行车辆数目的搜索，遍历轨迹圆360
°
即完成搜索。
[0083]
步骤106，根据目标位置数据，确定属于预设范围内的车辆数目。
[0084]
示例性地，在完成搜索后，可以根据目标位置数据，来确定对应的车辆数据，每一个位置数据对应的一个车辆。
[0085]
优选地，在上述实施例的基础上，当确定车辆数目大于预设阈值时，将每一个聚类簇的中心点和预设范围内的车辆的位置数据存储至预设数据库，以便后续根据预设数据库中的内容对对应的车辆进行安全排查。
[0086]
示例性地，当搜索得到的位置数据对应的车辆数目大于预设阈值时，将对应的聚类中心和搜索到的位置数据存储到数据库中，后续可以根据中心点和对应的位置数据对对应的车辆进行安全排查。
[0087]
当上述实施例中筛选得到的车辆数据小于预设阈值时，方法还包括：
[0088]
以每一个聚类簇中心点为圆心，第四预设距离为半径生成第二路线基准轨迹，第四预设距离小于第二预设距离；
[0089]
按照预设规则，从第二路线基准轨迹中提取多个基准点；
[0090]
分别以第二路线基准轨迹中每一个基准点为圆心，第三预设距离为半径，构建搜索框；
[0091]
利用每一个搜索框，对聚类簇中的位置数据进行搜索，以获取属于预设范围内的位置数据。
[0092]
示例性地，和第一轮搜索相同的，构建以500为半径，聚类簇中心点为圆心的构建第二路线基准轨迹，以相同的方法再次进行搜索，可以避免第一次搜索中遗漏的位置数据，需要注意的是，第二轮搜索的第二路线基准轨迹的半径小于第一路线基准轨迹的距离。
[0093]
如图4和图5所示，图5为与图4对应的流程图为上述实施例中一个具体应用的示意图，其中采用spark分布式集群运行kmeans算法完成对每一个聚类基准下的聚类簇，以及每一个聚类基准对应的轮廓系数；进一步根据轮廓系数确定最佳聚类基准，搜索最佳聚类基准下每一个聚类簇运行范围搜索算法搜索，对聚类簇中的车辆进行统计，当达到预设阈值时，则可以判定为大规模聚集的危险车辆，将对应的聚类簇的中心点以及对应的搜索到的车辆的位置数据存储至数据库(mysql)。
[0094]
本发明提供的车辆统计方法，从目标数据库中分别读取多辆车中每一辆车最新上传的位置数据，最新上传的位置数据可以体现车辆对应的最新的停靠位置，用以后续可以根据车辆的位置数据进行安全排查；进一步地，根据预获取的多个聚类基准，对所有的位置数据进行聚类，得到与每一个聚类基准对应的聚类簇和每一个聚类簇的中心点的位置数据，采用聚类算法可以有效避免暴力直接计算所产生的性能瓶颈和资源浪费的问题；针对每一个聚类基准进行聚类都会对应一个对应的轮廓系数，其中轮廓系数可以体现聚类效果是否好坏，因此可以根据每一个聚类基准和与聚类基准对应的轮廓系数，来确定最佳聚类基准；最后分别以最佳聚类基准中的每一个聚类簇的中心点的位置数据为参考基准，来筛选属于预设范围会的目标位置数据，根据目标位置数据可以确定在预设范围内的车辆数目，由此可以统计并判断是否存在大规模的车辆停放，以此来解决车辆的统计和安全隐患
排查的问题。
[0095]
以上，为本技术所提供的车辆统计几个方法实施例，下文中则介绍说明本技术所提供的车辆统计其他实施例，具体参见如下。
[0096]
本发明实施例还公开了一种车辆统计，如图6所示，该装置包括：
[0097]
获取模块601，用于从目标数据库中分别读取多辆车中每一辆车最新上传的位置数据；
[0098]
聚类模块602，用于根据预获取的多个聚类基准，对所有的位置数据进行聚类，得到每一个聚类基准对应的聚类簇以及每一个聚类簇的中心点的位置数据；
[0099]
计算轮廓系数模块603，用于根据第一聚类基准下每一个聚类簇中位置数据，得到第一聚类基准下对应的轮廓系数，其中，第一聚类基准为多个聚类基准中的任一个聚类基准；
[0100]
确定模块604，用于根据每一个聚类基准以及每一个聚类基准对应的轮廓系数，确定最佳聚类基准；
[0101]
筛选模块605，用于分别以最佳聚类基准中的每一个聚类簇的中心点的位置数据为参考基准，从每一个聚类簇中筛选出属于预设范围内的目标位置数据；
[0102]
统计模块606，用于根据目标位置数据，确定属于预设范围内的车辆数目。
[0103]
作为本发明的一个可选实施方式，装置还包括：
[0104]
存储模块，用于当确定车辆数目大于预设阈值时，将每一个聚类簇的中心点和预设范围内的车辆的位置数据存储至预设数据库，以便后续根据预设数据库中的内容对对应的车辆进行安全排查。
[0105]
作为本发明的一个可选实施方式，确定模块，具体用于：
[0106]
根据每一个聚类基准和与聚类基准对应的轮廓系数，构建轮廓系数变化曲线图；
[0107]
从轮廓系数曲线图中选取与目标轮廓系数对应的聚类基准为最佳聚类基准。
[0108]
作为本发明的一个可选实施方式，预设范围为以每一个聚类簇的中心的位置数据为圆心，以第一预设距离为半径的圆内。
[0109]
作为本发明的一个可选实施方式，筛选模块，具体用于：
[0110]
以每一个聚类簇的中心点为圆心，第二预设距离为半径生成第一路线基准轨迹；
[0111]
按照预设规则，从第一路线基准轨迹中提取多个基准点；
[0112]
分别以每一个第一路线基准轨迹中的基准点为圆心，第三预设距离为半径，构建搜索框；
[0113]
利用每一个搜索框，对聚类簇中的位置数据进行搜索，以获取属于预设范围内的位置数据。
[0114]
作为本发明的一个可选实施方式，当车辆数目小于预设阈值时，装置还用于：
[0115]
以每一个聚类簇中心点为圆心，第四预设距离为半径生成第二路线基准轨迹，第四预设距离小于第二预设距离；
[0116]
按照预设规则，从第二路线基准轨迹中提取多个基准点；
[0117]
分别以第二路线基准轨迹中每一个基准点为圆心，第三预设距离为半径，构建搜索框；
[0118]
利用每一个搜索框，对聚类簇中的位置数据进行搜索，以获取属于预设范围内的
位置数据。
[0119]
本发明实施例提供的车辆统计中各部件所执行的功能均已在上述任一方法实施例中做了详细的描述，因此这里不再赘述。
[0120]
通过执行该装置，从目标数据库中分别读取多辆车中每一辆车最新上传的位置数据，最新上传的位置数据可以体现车辆对应的最新的停靠位置，用以后续可以根据车辆的位置数据进行安全排查；进一步地，根据预获取的多个聚类基准，对所有的位置数据进行聚类，得到与每一个聚类基准对应的聚类簇和每一个聚类簇的中心点的位置数据，采用聚类算法可以有效避免暴力直接计算所产生的性能瓶颈和资源浪费的问题；针对每一个聚类基准进行聚类都会对应一个对应的轮廓系数，其中轮廓系数可以体现聚类效果是否好坏，因此可以根据每一个聚类基准和与聚类基准对应的轮廓系数，来确定最佳聚类基准；最后分别以最佳聚类基准中的每一个聚类簇的中心点的位置数据为参考基准来筛选属于预设范围会的目标位置数据，根据目标位置数据可以确定在预设范围内的车辆数目，由此可以统计并判断是否存在大规模的车辆停放，以此来解决车辆的统计和安全隐患排查的问题。
[0121]
本发明实施例还提供了一种计算机设备，如图7所示，该计算端可以包括处理器701和存储器702，其中处理器701和存储器702可以通过总线或者其他方式连接，图7中以通过总线连接为例。
[0122]
处理器701可以为中央处理器(central processing unit，cpu)。处理器701还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0123]
存储器702作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的车辆统计方法对应的程序指令/模块。处理器701通过运行存储在存储器702中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的车辆统计方法。
[0124]
存储器702可以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、至少一个功能所需要的应用程序；存储数据区可存储处理器701所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至处理器701。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0125]
一个或者多个模块存储在存储器702中，当被处理器701执行时，执行如图1所示实施例中的车辆统计方法。
[0126]
上述计算机设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
[0127]
本领域技术人员可以理解，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，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，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快
闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0128]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。