一种故障事件的响应方法、装置、电子设备及存储介质与流程

1.本技术属于车辆管理技术领域，尤其涉及一种故障事件的响应方法、装置、电子设备及存储介质。


背景技术：

2.随着社会化进程的不断推进，社会人口不断增加。而在日常生活过程中，或多或少会发生意想不到的故障事件，例如交通事故、医疗事故等，在应对故障事件时，相关人员可以指定对应的响应流程，以对故障事件进行应对，以减少故障事件对于人们造成的损失。因此，如何能够快速对故障事件进行响应成为了亟需解决的问题。
3.现有的故障事件的响应技术，需要工作人员现场了解故障事件，并根据处理经验指定对应的响应流程。然而受限于不同工作人员的处理经验，对应的响应流程的质量也参差不齐，并且在故障事件数量较多的情况下，工作人员确定响应流程也需要较长时间，响应效率较低。由此可见，现有的故障事件的响应方法，存在响应流程的生成质量不稳定且响应效率较低的问题。


技术实现要素：

4.本技术实施例提供了一种故障事件的响应方法、装置、电子设备及存储介质，可以解决现有的故障事件的响应方法，存在响应流程的生成质量不稳定且响应效率较低的问题。
5.第一方面，本技术实施例提供了一种故障事件的响应方法，包括：
6.接收待处理的故障事件的事件数据；所述事件数据包括：事故对象信息以及事故场景信息；
7.根据事件数据生成与所述故障事件关联的多个事件标签，并基于所述事件标签生成关于事故对象的对象画像；
8.分别计算所述对象画像与对象数据库内的多个历史画像的画像相似度，并基于所述画像相似度确定与事故对象匹配的至少一个历史故障事件；每个所述历史画像对应一个所述历史故障事件；
9.基于所述历史故障事件对应的响应流程报告，生成所述故障事件对应的故障响应报告。
10.在第一方面的一种可能的实现方式中，所述事件标签包括：交通场景标签以及事故对象标签；所述交通场景标签包括：基于所述事故场景信息确定的事件类型标签、事件原因标签、车辆类型标签以及场景地点标签；所述事故对象标签包括：基于所述事故对象信息确定的职业标签以及年龄标签；
11.所述根据事件数据生成与所述故障事件关联的多个事件标签，并基于所述事件标签生成关于事故对象的对象画像，包括：
12.根据预设的多个标签维度的标签关键词，从所述事件数据中确定包含的标签关键
词，并基于包含的所述标签关键词得到所述事件标签；
13.将所述事件类型标签、所述事件原因标签以及所述场景地点标签导入预设的事故模拟模型，构建与所述故障事件对应的故障模拟场景；
14.根据所述场景地点标签确定所述故障事件关联的道路类型，并基于所述道路类型关联的额定速度区间，确定发生故障事件时刻故障车辆的车辆速度；
15.基于所述车辆类型标签计算发生故障车辆的安全系数；
16.通过所述故障车辆的安全系数以及所述车辆速度构建在所述故障模拟场景内对应的车辆模型；
17.控制所述车辆模型在所述故障模拟场景内运动，生成故障还原数据，并通过所述故障还原数据生成所述事故对象的碰撞维度得分；
18.根据所述碰撞维度得分、所述职业标签以及所述年龄标签，生成所述事故对象的对象画像。
19.在第一方面的一种可能的实现方式中，所述根据所述碰撞维度得分、所述职业标签以及所述年龄标签，生成所述事故对象的对象画像，包括：
20.根据所述职业标签以及所述年龄标签确定所述事故对象的身体基础得分；
21.通过预设的职业与常见疾病的对应关系，确定所述职业标签关联的疾病类型，并基于所述疾病类型确定所述事故对象的已有疾病维度得分；
22.接收所述事故对象反馈的事件描述语音，并基于所述事件描述语言确定情绪维度得分；
23.根据所述身体基础得分、所述已有疾病维度得分、所述碰撞维度得分以及所述情绪维度得分，生成所述对象画像；所述对象画像用于对所述事故对象进行伤情预测。
24.在第一方面的一种可能的实现方式中，所述接收所述事故对象反馈的事件描述语音，并基于所述事件描述语言确定情绪维度得分，包括：
25.从对象语音库中提取与所述事故对象关联的历史对象语音，通过所述历史对象语音的历史语音幅值，确定基础分贝值；所述基础分贝值用于确定所述事故对象在情绪平稳状态下的语音分贝；
26.根据所述事件描述语音，确定分贝特征参数组；所述分贝特征参数组包括：分贝极值、分贝均值以及分贝均方差；
27.基于所述分贝特征参数组以及所述基础分贝值，得到至少一个候选情绪类型；
28.将所述事件描述语音与各个所述候选情绪类型的标准语音波形进行匹配，确定目标情绪类型；
29.根据所述目标情绪类型确定所述情绪维度得分。
30.在第一方面的一种可能的实现方式中，所述事件标签包含：交通场景标签以及事故对象标签；
31.在所述分别计算所述对象画像与对象数据库内的多个历史画像的画像相似度，并基于所述画像相似度确定与事故对象匹配的至少一个历史故障事件之前，还包括：
32.调用与所述交通场景标签对应的第一标签个数关联的多条第一并行线程，从所述对象数据库内提取与各个所述交通场景标签对应的第一对象数据；每个所述第一并行线程对应一个所述交通场景标签；
33.对所有所述第一对象数据进行数据交集识别，得到第一对象组；
34.调用与所述事故对象标签对应的第二标签个数关联的多条第二并行线程，从所述对象数据库内提取与各个所述事故对象标签对应的第二对象数据；每个所述第二并行线程对应一个所述事故对象标签；
35.对所有所述第二对象数据进行数据交集识别，得到第二对象组；
36.根据所述第一对象组与所述第二对象组，确定候选对象组；
37.根据所有所述交通场景标签以及所述事故对象标签，构建关于所述故障事件的多维融合向量；
38.从所述候选对象组中提取与所述多维融合向量匹配的目标历史对象；所述历史画像为基于所述目标历史对象的历史故障事件生成的。
39.在第一方面的一种可能的实现方式中，所述接收待处理的故障事件的事件数据，包括：
40.接收所述故障事件的记录人员反馈的原始事件数据；所述原始事件数据是基于所述记录人员的自然语言描述得到的；所述原始事件数据内包含有多个事件描述维度的程度参数；
41.从校正算法库内提取与所述记录人员的人员标识关联的程度校正算法；所述程度校正算法是通过所述记录人员的历史描述语言与历史故障事件之间的差异信息训练后生成的；
42.分别将各个所述事件描述维度对应的程度参数导入上述的程度校正算法，得到各个所述事件描述维度的校正参数；
43.基于所有所述事件描述维度的校正参数生成所述事件数据。
44.在第一方面的一种可能的实现方式中，所述基于所述历史故障事件对应的响应流程报告，生成所述故障事件对应的故障响应报告，包括：分别获取各个所述历史故障事件对应的响应流程报告；
45.对所有所述响应流程报告进行流程聚类，得到至少一个流程组；每个所述流程组内所述响应流程报告之间的流程相似度大于预设的相似阈值；
46.根据各个所述流程组对应的所述事故对象的所述画像相似度，计算所述流程组对应的推荐置信度；
47.根据所述推荐置信度的从大到小的次序，确定各个所述流程组的显示优先级；
48.根据所述显示优先级以及所述流程组对应的推荐响应流程，生成所述故障响应报告。
49.第二方面，本技术实施例提供了一种故障事件的响应装置，包括：
50.事件数据接收单元，用于接收待处理的故障事件的事件数据；所述事件数据包括：事故对象信息以及事故场景信息；
51.对象画像生成单元，用于根据事件数据生成与所述故障事件关联的多个事件标签，并基于所述事件标签生成关于事故对象的对象画像；
52.对象画像匹配单元，用于分别计算所述对象画像与对象数据库内的多个历史画像的画像相似度，并基于所述画像相似度确定与事故对象匹配的至少一个历史故障事件；每个所述历史画像对应一个所述历史故障事件；
53.故障响应报告生成单元，用于基于所述历史故障事件对应的响应流程报告，生成所述故障事件对应的故障响应报告。
54.第三方面，本技术实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项所述的方法。
55.第四方面，本技术实施例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存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一项所述的方法。
56.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在服务器上运行时，使得服务器执行上述第一方面中任一项所述的方法。
57.本技术实施例与现有技术相比存在的有益效果是：通过接收关于待处理的故障事件的事件数据，对事件数据进行解析，得到与故障事件相关的多个事件标签，并根据多个事件标签生成与故障事件相关的事故对象的对象画像，将对象画像与对象数据库内各个历史画像进行画像相似度计算，并通过画像相似度确定与对象画像匹配的至少一个历史故障事件，由于历史故障事件是已经处理过的事件，对应有关联的响应流程，根据可以根据历史故障事件关联的响应流程报告，生成该故障事件对应的故障响应报告，实现了自动生成故障响应报告的目的。与现有的故障响应技术相比，本技术实施例不依赖工作人员通过经验进行响应流程的判断，而是通过识别与当前的故障事件相似的历史故障事件，复用历史故障事件的响应流程报告，从而能够大大提高了故障流程的稳定性，以及在应对大量故障事件的情况下，也可以通过与对象数据库进行匹配的方式自动生成故障响应报告，大大提高了响应故障报告生成的效率。
附图说明
58.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本技术的一些实施例，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。
59.图1是本技术一实施例提供的一种故障事件的响应方法的实现示意图；
60.图2是本技术一实施例提供的对象画像的示意图；
61.图3是本技术第二实施例提供的一种故障事件的响应方法s102的具体实现流程图；
62.图4是本技术第三实施例提供的一种故障事件的响应方法s1027的具体实现流程图；
63.图5是本技术第四实施例提供的一种故障事件的响应方法的具体实现流程图；
64.图6是本技术第五实施例提供的一种故障事件的响应方法s101的具体实现流程图；
65.图7是本技术第六实施例提供的一种故障事件的响应方法s104的具体实现流程图；
66.图8是本技术实施例提供的故障事件的响应装置的结构示意图；
67.图9是本技术实施例提供的电子设备的结构示意图。
具体实施方式
68.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
69.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
70.另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
71.本技术实施例提供的故障事件的响应方法可以应用于智能手机、服务器、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本等能够实现对生成故障事件对应的故障响应报告的电子设备上。本技术实施例对电子设备的具体类型不作任何限制。
72.在一种可能的实现方式中，该电子设备可以为记录故障事件的事件数据所属工作人员所使用的智能终端，如智能手机，在该情况下，智能终端可以安装有对应的客户端程序，通过该客户端程序可以采集故障事件对应的事件数据，从而生成对应的故障响应报告。
73.在一种可能的实现方式中，该电子设备还可以为部署于云端的服务器，在该情况下，用户可以在本地的用户终端内安装有与云端服务器对应的客户端程序，并在客户端程序内导入对应的事件数据，例如使用客户端程序的工作人员为在故障事件发生现场采集事件数据的工作人员，工作人员在事故现场记录对应的事件数据，用户终端可以通过客户端程序与云端服务器建立通信连接，并将接收到的事件数据上传给云端服务器(即本技术实施例提供的执行主体)，继而云端服务器可以通过后续的步骤生成关于故障事件对应的故障响应报告，并反馈给现场的工作人员使用的用户终端上，以便工作人员能够根据故障响应报告对故障事件进行响应。
74.请参阅图1，图1示出了本技术实施例提供的一种故障事件的响应方法的实现示意图，该方法包括如下步骤：
75.在s101中，接收待处理的故障事件的事件数据；所述事件数据包括：事故对象信息以及事故场景信息。
76.在本实施例中，在故障事件发生时，可以根据预设的数据采集模块获取关于故障事件对应的事件数据。该数据采集模板内记录有多个信息维度，用于采集不同维度下关于该故障事件的相关信息，其中上述的信息维度包括用于确定本次故障事件所作用的对象，即事故对象维度，以及该故障事件所发生的场景，即事故场景维度，基于上述两个信息维度，即可以得到对应的事故对象信息以及事故场景信息，将上述两个维度的信息进行封装，可以得到用于描述该故障事件的具体情况的事件数据。
77.示例性地，以交通事故为例进行说明，在某一目的地发生交通事故的情况下，即对应有一个故障事件。其中，上述事故对象具体为该交通事故中的伤者，例如交通事故中驾驶
车辆的司机以及车辆内的乘客等，当然，在部分应用场景下，上述事故对象还可以为交通事故中的事故车辆。而上述的事故场景可以包括交通事故发生的时间、地点、车辆类型、车辆数量等与所在场景相关的信息，具体所需采集的场景信息类型可以根据实际情况进行选择。
78.示例性地，以设备故障为例进行说明，若某一设备出现设备故障，如手提电脑发生故障，又或者汽车发生故障等，则识别当前出现一个故障事件。其中，上述事故对象具体为发生故障的设备，如电脑或者汽车。上述事故场景可以包括故障发生时的地点信息、温度信息以及相关的设备运行参数等，具体所需采集的场景信息类型可以根据设备类型确定，在此不作限定。
79.在一种可能的实现方式中，电子设备可以配置有麦克风模块，通过麦克风模块获取事故对象对于故障事件的描述语音信号，对所述描述语音信号进行语音识别，转换为对应的描述文本数据，基于描述文本数据进行关键词提取，生成故障事件对应的事件数据。
80.在一种可能的实现方式中，工作人员可以采集关于故障事件对应的原始数据。该原始数据可以是基于工作人员的自然语言描述生成的。电子设备在接收到工作人员反馈的原始数据后，可以对上述原始数据进行数据清洗，根据预设的数据模板中限定的预设的数据维度，对上述原始数据进行数据划分得到与各个数据维度关联的子数据，继而将各个子数据导入到与关联数据维度对应的字段，从而生成上述的事件数据，以完成对应的数据清洗。可选地，为了提高事件数据的保密性，电子设备还可以对事件数据进行加密并存储于区块链内，以提高事件数据的保密性以及可靠性。
81.在s102中，根据事件数据生成与所述故障事件关联的多个事件标签，并基于所述事件标签生成关于事故对象的对象画像。
82.在本实施例中，电子设备在获取得到故障事件的事件数据后，可以对所述故障事件进行标签提取，得到用于描述该故障事件的多个事件标签。不同的事件标签可以对应不同的事件描述维度，以便用户可以通过事件标签对故障事件有一个大致的了解，实现了对关键信息的提取。
83.示例性，上述故障事件为一交通事故事件。上述事件标签包括但不限于：伤者职业、伤者籍贯、伤者年龄、伤者性别、事故类型、事故原因、事故发生地点、伤者交通方式、碰撞方位、伤者乘坐位置、标的车型、标的车身大类、标的车年款、三者车型、三者车身大类、三者车年款。可选地，电子设备还可以对生成的事件标签进行处理，对上述的多个事件标签进行分类，得到关于事故对象的第一标签组、关于事故车辆的第二标签组以及关于事故环境的第三标签组，对各个标签组内的事件标签进行处理，生成的聚类标签，以生成事故、伤者、车辆标签。
84.在本实施例中，电子设备确定各个不同维度对应的事件标签后，可以根据该维度对应的事件标签的内容，确定该维度相应的维度得分，根据所有维度对应的维度得分，构建对应的对象画像。示例性地，图2示出了本技术一实施例提供的对象画像的示意图。参见图2所示，该故障事件具体为一交通事故，该对象画像用于确定该交通事故的伤者的受伤情况，其中该对象画像内包括有车速维度、车辆撞击深度维度、受伤程度维度、伤者身体状况维度(受伤前)以及伤者精神状态维度等，不同维度根据对应的内容可以确定对应的维度得分，从而构建得到用于确定在该交通事故后伤者的受伤情况。
85.在本实施例中，电子设备存储有事件标签得分转换函数，该事件标签转换函数是与对应的维度相互绑定的，电子设备确定事件标签对应的维度类型，从数据库中提取与该维度类型关联的转换函数，将事件标签导入到关联的转换函数内，可以确定与之对应的维度得分，从而基于所有维度的维度得分生成该事故对象的对象画像。
86.需要说明的是，若事故对象包含多个，即一个故障事件内存在两个或以上的事故对象，则电子设备可以根据事故对象的个数，为每个事故对象建立对应的对象画像，以为不同的事故对象确定关联的故障响应报告。
87.在s103中，分别计算所述对象画像与对象数据库内的多个历史画像的画像相似度，并基于所述画像相似度确定与事故对象匹配的至少一个历史故障事件；每个所述历史画像对应一个所述历史故障事件。
88.在本实施例中，电子设备可以存储有对于历史故障事件对应的响应流程报告。由于对于故障情况较为相似的故障事件，可以借鉴曾经处理完成的响应报告以指导如何响应本次的故障事件。在该情况下，电子设备可以通过与对象画像进行相似度计算的方式，从对象数据库中提取得到与本次故障事件相似度较高的历史故障事件，从而基于关联的历史故障时间的响应流程报告，生成本次故障事件的故障响应报告。
89.在本实施例中，每一个历史故障事件在响应的时候，执行流程与本次发生的故障事件一致，也会生成对应的历史画像。电子设备会将历史画像与历史故障事件进行关联，并存储与对象数据库内。电子设备在生成了本次需要处理的故障事件对应的对象画像后，可以将对象画像与历史画像进行相似度计算。
90.在一种可能的实现方式中，上述计算对象画像与历史画像之间的相似度的方式可以为：电子设备可以在预设的坐标系内绘制对象画像以及历史画像，从而计算上述两个画像之间的重合度，根据各个维度对应的维度权重，对所述重合度进行加权计算，从而计算得到加权后的重合度，作为上述的相似度。若两个画像之间的重合度越高，对应的相似度越高。
91.在本实施例中，电子设备可以根据各个历史画像对应的相似度，确定与对象画像关联的历史画像，并将关联的历史画像绑定的历史故障事件，作为本次待处理的故障时间关联的历史故障事件。可选地，电子设备可以设置一个相似度阈值，将相似度大于上述相似度阈值的历史画像识别为与对象画像匹配，从而确定出与故障事件关联的历史故障事件。
92.在s104中，基于所述历史故障事件对应的响应流程报告，生成所述故障事件对应的故障响应报告。
93.在本实施例中，电子设备的对象数据库内可以存储有各个历史故障事件对应的响应流程报告。该响应流程报告具体为在处理历史故障事件时实际执行的响应流程。以交通事故为例进行说明，上述响应流程报告具体用于伤者的调解方案以及最佳跟踪时间等，即用于确定如何根据伤者在受伤后对病情的处理流程，也可以为对于伤情的理赔流程等。
94.示例性地，上述故障事件为设备故障事件，则上述响应流程报告可以为对于设备的故障诊断以及对应的实际维修流程。在该情况下，上述实际维修流程可以包括对于故障设备修复过程中的修复方式，以及修复所需的工具，如软件工具以及硬件工具等。
95.在本实施例中，电子设备可以将与故障事件对应的响应流程报告进行聚类以及整理，从而能够生成对于故障事件具有指导意义的故障响应报告，以便工作人员可以根据该
故障响应报告对上述故障事件进行响应。
96.以上可以看出，本技术实施例提供的一种故障事件的响应方法通过接收关于待处理的故障事件的事件数据，对事件数据进行解析，得到与故障事件相关的多个事件标签，并根据多个事件标签生成与故障事件相关的事故对象的对象画像，将对象画像与对象数据库内各个历史画像进行画像相似度计算，并通过画像相似度确定与对象画像匹配的至少一个历史故障事件，由于历史故障事件是已经处理过的事件，对应有关联的响应流程，根据可以根据历史故障事件关联的响应流程报告，生成该故障事件对应的故障响应报告，实现了自动生成故障响应报告的目的。与现有的故障响应技术相比，本技术实施例不依赖工作人员通过经验进行响应流程的判断，而是通过识别与当前的故障事件相似的历史故障事件，复用历史故障事件的响应流程报告，从而能够大大提高了故障流程的稳定性，以及在应对大量故障事件的情况下，也可以通过与对象数据库进行匹配的方式自动生成故障响应报告，大大提高了响应故障报告生成的效率。
97.图3示出了本发明第二实施例提供的一种故障事件的响应方法s102的具体实现流程图。参见图3，相对于图1所述实施例，本实施例提供的一种故障事件的响应方法中s102包括：s1021～s1027，具体详述如下：
98.进一步地，所述事件标签包括：交通场景标签以及事故对象标签；所述交通场景标签包括：基于所述事故场景信息确定的事件类型标签、事件原因标签、车辆类型标签以及场景地点标签；所述事故对象标签包括：基于所述事故对象信息确定的职业标签以及年龄标签；
99.所述根据事件数据生成与所述故障事件关联的多个事件标签，并基于所述事件标签生成关于事故对象的对象画像，包括：
100.在s1021中，根据预设的多个标签维度的标签关键词，从所述事件数据中确定包含的标签关键词，并基于包含的所述标签关键词得到所述事件标签。
101.在本实施例中，上述故障事件具体为一交通事故，因此需要从两个方面确定对应相关的事件标签。分别为与交通场景相关的标签以及与本次交通事故相关的事故对象的标签。其中，上述两个类型的标签还包含对应的子标签，可以根据不同类型的子标签对交通事故进行还原。
102.在本实施例中，电子设备在获取得到事件数据后，可以对事件数据进行事件标签提取。其中，提取过程具体是将事件数据与各个标签维度的标签关键词进行匹配，从而得到故障事件在对应的标签维度对应的标签内容。其中，不同的标签维度可以对应一个或多个的标签关键词。以场景地点标签为例，其中的标签关键词包括但不限于：山路、城市道路、高速公路等，以区分在不同地理环境下对应的场景地点。电子设备会检测事件数据中所包含的标签关键词，从而能够确定该故障事件在对应的标签维度对应的具体标签内容，将事件数据中包含的标签关键词作为该标签维度对应的事件标签，从而实现事件标签的识别。
103.其中，上述识别的事件标签包括：基于事故场景信息确定的事件类型标签、事件原因标签、车辆类型标签以及场景地点标签，还包括基于所述事故对象信息确定的职业标签以及年龄标签。
104.在s1022中，将所述事件类型标签、所述事件原因标签以及所述场景地点标签导入预设的事故模拟模型，构建与所述故障事件对应的故障模拟场景。
105.在本实施例中，电子设备可以通过事件类型标签以及所述事件原因标签对事故发生情况进行还原，并通过场景地点标签，确定该事故发生时的物理场景情况，如确定该事故发生时为对应的城市、乡村、快速路、高速公路、山地等，因此，电子设备可以将上述三个类型的事件标签导入预设的事故模拟模型，从而能够构建得到与该交通事故对应的事故模拟场景。
106.在s1023中，根据所述场景地点标签确定所述故障事件关联的道路类型，并基于所述道路类型关联的额定速度区间，确定发生故障事件时刻故障车辆的车辆速度。
107.在本实施例中，电子设备可以根据场景地点标签确定该故障事件发生时对应的道路类型，由于不同的道路具有对应的额定速度区间，由于发生交通事故后，车辆往往处于受损状态，可能对应的行车记录无法直接获取又或者需要较长时间才能够进行恢复，为了能够减少故障响应报告生成所需的等待时间，电子设备可以根据道路类型对发生交通事故时的车辆速度进行预测。因此，电子设备可以通过场景地点标签确定对应的道路类型，例如：城市道路、乡村道路、内部道路、城市快速路、高速公路、盘山公路等，并分别确定不同道路类型关联的额定速度区间，根据该额定速度区间对本次故障车辆的速度进行预测，例如将额定速度区间的区间上限作为该车辆速度，也可以将基于预设的超速系数以及额定速度区间，计算得到对应的车辆速度，具体计算方式可以根据实际情况进行设定。
108.在s1024中，基于所述车辆类型标签计算发生故障车辆的安全系数。
109.在本实施例中，交通事故发生的时候，除了与车辆车速相关外，还与车辆自身结构具有较强的关系，为了能够更准确地对交通事故进行模拟，电子设备可以通过车辆类型标签，确定发生交通事故的故障车辆对应的安全系数。具体地，确定上述安全系数的方式可以为：车辆类型标签可以用于确定：标的车型、标的车使用年份等信息，继而可以通过上述类型的信息确定该车辆的车辆安全系数。
110.在s1025中，通过所述故障车辆的安全系数以及所述车辆速度构建在所述故障模拟场景内对应的车辆模型。
111.在本实施例中，电子设备在获取得到故障车辆的安全系数以及车辆车速后，可以在故障模拟场景内构建该故障车辆对应的车辆模型，其中，该车辆模型的外观可以根据车辆类型标签确定，该车辆模型的刚度可以根据上述的安全系数确定，该车辆模拟在故障模拟场景内的运动轨迹可以根据上述车辆速度进行还原，从而能够在无法快速调取故障车辆的发生时的视频数据或者在监控盲点的情况下，也能够完成故障事件的模拟。
112.在s1026中，控制所述车辆模型在所述故障模拟场景内运动，生成故障还原数据，并通过所述故障还原数据生成所述事故对象的碰撞维度得分。
113.在本实施例中，电子设备可以根据上述确定的运动轨迹，控制车辆模型在故障模拟场景内沿上述运动轨迹进行运动，从而能够得到发生碰撞时的碰撞数据，继而确定了本次交通事故发生时对应的碰撞深度、碰撞方向以及碰撞力度等相关信息，继而能够确定对应的碰撞维度得分。由于碰撞程度的高度，与事故对象的受伤程度具有直接的强关联性，为了能够提高后续对象画像的识别准确性，需要确定对应的碰撞维度得分。
114.在s1027中，根据所述碰撞维度得分、所述职业标签以及所述年龄标签，生成所述事故对象的对象画像。
115.在本实施例中，电子设备可以根据事故对象的职业标签以及年龄标签，确定事故
对象的身体基础得分，从而基于碰撞维度得分以及上述的身体基础得分，生成事故对象的对象画像。
116.在本技术实施例中，通过多个事件标签对故障事件进行还原，从而能够得到对应的碰撞维度得分，能够使得故障响应的方法能够适用于较大的场景，并且无需依赖获取三方的交通视频也能够完成事件还原，减少了故障响应报告的等待时间，大大提高了故障响应效率。
117.图4示出了本发明第三实施例提供的一种故障事件的响应方法s1027的具体实现流程图。参见图4，相对于图3所述实施例，本实施例提供的一种故障事件的响应方法中s1027包括：s401～s404，具体详述如下：
118.在s401中，根据所述职业标签以及所述年龄标签确定所述事故对象的身体基础得分。
119.在本实施例中，电子设备可以根据事故对象对应的职业标签，可以预测用户在日常生活过程中的运动情况，例如若事故对象为体育老师或健身教练等，在工作生活过程中会保持一定运动锻炼，基于此，对应的身体素质较高；反之，若事故对象为程序员或游戏开发人员等，工作强度较大，运动锻炼较少，对应的身体素质也能较低。当然，事故对象的身体素质也与年龄相关，因此可以基于上述两个标签确定事故对象的身体基础得分。
120.在一种可能的实现方式中，不同的职业标签可以对应一个得分加权值，不同的年龄范围也可以对应一个得分基础值，电子设备可以根据职业标签确定事故对象的得分加权值，以及根据年龄标签确定与其范围对应的得分基础值，在得分基础值的基础上叠加上述的得分加权值，从而能够计算得到上述身体基础得分。
121.在s402中，通过预设的职业与常见疾病的对应关系，确定所述职业标签关联的疾病类型，并基于所述疾病类型确定所述事故对象的已有疾病维度得分。
122.在本实施例中，电子设备存储有职业与常见疾病的对应关系，电子设备在确定事故对象的职业标签后，可以通过上述对应关系，对事故对象可能具有的职业疾病进行预测，从而能够确定与职业标签关联的疾病类型，确定得到对应的已有疾病维度得分。
123.在s403中，接收所述事故对象反馈的事件描述语音，并基于所述事件描述语言确定情绪维度得分。
124.在本实施例中，工作人员在获取事件数据的过程中，可以同时采集事故对象对于本次故障事件对应的事件描述语音。由于对于故障事件的真实情况是事故对象最为了解，为了提高故障事件情况的了解程度，电子设备可以采集事件描述语音，不能够基于事件描述语音生成对应的事件数据。
125.在本实施例中，由于语音除了可以对故障事件的情况进行描述外，语音信号还可以体现文字外的其他信息，即事故对象的情绪信息，电子设备可以提取事件描述语音对应的语音声纹，对语音声纹进行分析，以确定事故对象对应的情绪维度得分。
126.进一步地，作为本技术的另一实施例，上述确定情绪维度得分的方式可以采用以下步骤：
127.步骤1：根据所述事件描述语音，确定分贝特征参数组；所述分贝特征参数组包括：分贝极值、分贝均值以及分贝均方差。
128.步骤2：基于所述分贝特征参数组以及所述基础分贝值，得到至少一个候选情绪类
型。
129.步骤3：将所述事件描述语音与各个所述候选情绪类型的标准语音波形进行匹配，确定目标情绪类型。
130.步骤4：根据所述目标情绪类型确定所述情绪维度得分。
131.在本实施例中，电子设备可以对事件描述语音进行信号解析，生成该事件描述语音对应的信号波形，该信号波形是在时域上述的信号波形，因此对应的信号幅值即为语音信号的分贝值，继而根据信号波形即可以确定上述的分贝特征参数组。其中，该分贝特征参数组具体包括分贝极值、分贝均值以及分贝均方差。电子设备可以存储有平静状态下对应的基础分贝值，电子设备可以将上述的分贝特征参数与上述的基础分贝值进行比对，由于人在不同的情绪下，语音分贝会有对应的特征，因此，可以将与平静状态的基础分贝值比对，能够确定至少一个候选情绪类型，即对事故对象的情绪进行一个初次评估。
132.在一种可能的实现方式中，上述的基础分贝值可以在事故发生之前，工作人员可以与事故对象进行接触，并在接触的过程中可以采集用户在日常过程中采集得到的。即不同的用户对应的基础分贝值存在差异。
133.在本实施例中，电子设备可以获取各个候选情绪类型对应的标准语音波形，并分别计算各个事件描述语音的声纹信号与标准语音波形进行相似度计算，从而能够计算得到与各个候选情绪类型对应的匹配度，选取匹配度最高的候选情绪类型作为该事故对象对应的目标情绪类型。电子设备可以根据目标情绪类型确定对应的情绪维度得分。
134.在本技术实施例中，通过采集事故对象的事件描述语音，并对事件描述语音进行分析，能够准确确定对应的目标情绪类型，继而得到情绪维度得分，提高了情绪维度得分的准确性。
135.在s404中，根据所述身体基础得分、所述已有疾病维度得分、所述碰撞维度得分以及所述情绪维度得分，生成所述对象画像；所述对象画像用于对所述事故对象进行伤情预测。
136.在本实施例中，可以根据事故对象的身体基础得分、所述已有疾病维度得分、所述碰撞维度得分以及所述情绪维度得分，生成事故对象的对象画像，从而能够对对象画像对故障事件造成的伤情进行预测。
137.在本技术实施例中，通过事故对象标签对用户的身体情况进行预测，继而能够得到多个与事故对象相关的维度得分，继而能够确定对应的对象画像，提高了对象画像的准确性。
138.图5示出了本发明第四实施例提供的一种故障事件的响应方法的具体实现流程图。参见图5，相对于图1所述实施例，本实施例提供的一种故障事件的响应方法中在s103之前还包括：s501～s507，具体详述如下：
139.进一步地，所述事件标签包含：交通场景标签以及事故对象标签；
140.在所述分别计算所述对象画像与对象数据库内的多个历史画像的画像相似度，并基于所述画像相似度确定与事故对象匹配的至少一个历史故障事件之前，还包括：
141.在s501中，调用与所述交通场景标签对应的第一标签个数关联的多条第一并行线程，从所述对象数据库内提取与各个所述交通场景标签对应的第一对象数据；每个所述第一并行线程对应一个所述交通场景标签；
142.在s502中，对所有所述第一对象数据进行数据交集识别，得到第一对象组。
143.在本实施例中，电子设备为了减少不必要的对象画像的匹配操作，电子设备可以提取故障事件相关度较大的目标历史对象。由于对象数据库内的数据较多，为了提高搜索效率，电子设备可以通过并行线程进行多线程同步搜索。其中，交通场景标签与事故对象标签之间相互独立，因此也可以在基于交通场景标签进行搜索的同时，执行事故对象标签的搜索任务。因此电子设备会创建两个并行线程组，其中一个是用于对交通场景标签进行搜索的第一并行线程，另一个则是用于对事故对象标签进行搜索的第二并行线程。
144.在本实施例中，对象数据库中的历史对象数据中可以关联有对应的历史标签，该历史标签可以作为该历史对象数据的索引信息，以提高后续搜索的效率，无需对历史对象数据的内容进行读取，能够通过与标签进行匹配，能够快速查找对关联的历史对象数据。因此，电子设备通过线程进行标签匹配的速率会大于对数据解析后进行内容匹配的速率，继而能够提高目标历史对象识别的效率。
145.在本实施例中，电子设备会创建与第一标签个数关联的多个第一并行线程，每条第一并行线程用于从对象数据库中提取包含某一标签维度的交通场景标签的历史对象数据，即上述的第一对象数据。例如，某一故障事件的交通场景标签包括：“车型a”、“车龄4年”以及“城市道路”三个交通场景标签，则电子设备可以调用三条第一并行线程，分别搜索对象数据库中包含“车型a”这一标签的第一对象数据，包含“车龄4年”这一标签的第一对象数据，以及包含“城市道路”这一标签的第一对象数据。然后，电子设备可以对上述三个第一对象数据进行交集识别，提取得到同时包含上述三个交通场景标签的第一对象数据，得到第一对象组。
146.在s503中，调用与所述事故对象标签对应的第二标签个数关联的多条第二并行线程，从所述对象数据库内提取与各个所述事故对象标签对应的第二对象数据；每个所述第二并行线程对应一个所述事故对象标签。
147.在s504中，对所有所述第二对象数据进行数据交集识别，得到第二对象组。
148.在本实施例中，与搜索与交通场景标签相关的第一对象组相似，电子设备在确定第二对象组时，也可以调用多个第二并行线程，每个第二并行线程用于对包含任一标签维度的事故对象标签的历史对象数据进行搜索，从而得到与该事故对象标签对应的第二对象数据，然后在对所有第二对象数据进行交集识别，得到第二对象组。
149.在s505中，根据所述第一对象组与所述第二对象组，确定候选对象组。
150.在本实施例中，电子设备在确定了两个维度对应的对象组后，即第一对象组以及第二对象组后，也可以进行交集识别，从而确定包含与故障事件的事件标签相同的候选对象组。
151.在s506中，根据所有所述交通场景标签以及所述事故对象标签，构建关于所述故障事件的多维融合向量。
152.在本实施例中，电子设备可以交通场景标签与事故对象标签进行向量化处理，从而能够构建得到对应的故障事件多维融合向量。多维融合向量具体用于确定该故障事件的关键事件内容，即是对事件数据进行特征提取后得到的向量。
153.在s507中，从所述候选对象组中提取与所述多维融合向量匹配的目标历史对象；所述历史画像为基于所述目标历史对象的历史故障事件生成的。
154.在本实施例中，电子设备可以将多维融合向量与候选对象组内记录的历史对象数据进行内容匹配，计算内容关联度，若上述内容关联度大于预设的关联阈值，则识别该候选对象组内的历史对象数据为该故障事件匹配的目标历史对象。由于内容关联度计算的时间大于标签匹配，因此通过确定候选对象组后再进行内容关联度计算，能够提高目标历史对象的提取效率。
155.图6示出了本发明第五实施例提供的一种故障事件的响应方法s101的具体实现流程图。参见图6，相对于图1-5任一项所述实施例，本实施例提供的一种故障事件的响应方法中s101包括：s1011～s1014，具体详述如下：
156.在s1011中，接收所述故障事件的记录人员反馈的原始事件数据；所述原始事件数据是基于所述记录人员的自然语言描述得到的；所述原始事件数据内包含有多个事件描述维度的程度参数。
157.在s1012中，从校正算法库内提取与所述记录人员的人员标识关联的程度校正算法；所述程度校正算法是通过所述记录人员的历史描述语言与历史故障事件之间的差异信息训练后生成的。
158.在s1013中，分别将各个所述事件描述维度对应的程度参数导入上述的程度校正算法，得到各个所述事件描述维度的校正参数。
159.在本实施例中，不同的记录人员对于同一事件的描述可能会存在一定的差异，为了能够提高事件数据的准确性，电子设备可以对记录人员反馈的原始事件数据进行数据清理，减少因主观因素对于事件数据的影响。基于此，电子设备可以根据不同记录人员的描述习惯，构建对应的程序校正算法。其中，记录人员的描述习惯可以根据该记录人员在历史时间获取得到的历史描述语言以及根据实际情况确定的历史故障事件之间的差异程度确定。
160.示例性地，若故障事件为交通事故事件，若某一事件描述维度为车辆的撞击深度，在本次故障事件中，该撞击深度为0.5m，某一记录人员对于该深度的描述为撞击深度“较深”，而另一记录人员对于该深度的描述为撞击深度“较浅”，因此，不同的记录人员对于同一现象的描述也会存在差异，基于此，电子设备可以通过程度校正算法进行数据校正。
161.在本实施例中，电子设备可以将各个程度参数导入到上述的程度校正算法内，从而能够对各个程度参数进行去主观化处理，得到对应的校正参数。
162.在s1014中，基于所有所述事件描述维度的校正参数生成所述事件数据。
163.在本实施例中，电子设备可以将所有校正参数进行封装，得到对应的事件数据，从而能够提高后续生成的事件标签的准确性。
164.在本技术实施例中，为不同的记录人员创建对应的程度校正算法，能够通过程度校正算法对记录人员采集的原始事件数据进行数据清理，从而能够得到减少主观因素的事件数据，继而提高后续处理的准确性。
165.图7示出了本发明第六实施例提供的一种故障事件的响应方法s104的具体实现流程图。参见图7，相对于图1-5任一项所述实施例，本实施例提供的一种故障事件的响应方法中s104包括：s1041～s1045，具体详述如下：
166.在s1041中，分别获取各个所述历史故障事件对应的响应流程报告；
167.在s1042中，对所有所述响应流程报告进行流程聚类，得到至少一个流程组；每个所述流程组内所述响应流程报告之间的流程相似度大于预设的相似阈值；
168.在s1043中，根据各个所述流程组对应的所述事故对象的所述画像相似度，计算所述流程组对应的推荐置信度；
169.在s1044中，根据所述推荐置信度的从大到小的次序，确定各个所述流程组的显示优先级；
170.在s1045中，根据所述显示优先级以及所述流程组对应的推荐响应流程，生成所述故障响应报告。
171.在本实施例中，为了提高故障响应报告的可读性，电子设备可以对历史故障事件关联的响应流程报告进行聚类处理，将流程相似度较高的响应流程报告封装在同一个流程组内，从而能够对所有响应流程报告进行分组处理。然后，电子设备可以根据各个流程组与故障事件的关联度，确定该流程组对应的响应流程报告对应的推荐置信度。该推荐置信度与该流程组对应的画像相似度相关，与事故对象的画像相似度越高，即与故障事件越相似，因此对应的推荐置信度越高。电子设备可以根据推荐置信度的大小次序，作为该响应流程报告对应的显示优先级，从而能够方便用户查看相关度较大的流程组对应的响应流程报告，提高了用户的查看效率。
172.图8示出了本发明一实施例提供的一种故障事件的响应装置的结构框图，该故障事件的响应装置包括的各单元用于执行图1对应的实施例中加密装置实现的各步骤。具体请参阅图1与图1所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。
173.参见图8，所述故障事件的响应装置包括：
174.事件数据接收单元81，用于接收待处理的故障事件的事件数据；所述事件数据包括：事故对象信息以及事故场景信息；
175.对象画像生成单元82，用于根据事件数据生成与所述故障事件关联的多个事件标签，并基于所述事件标签生成关于事故对象的对象画像；
176.对象画像匹配单元83，用于分别计算所述对象画像与对象数据库内的多个历史画像的画像相似度，并基于所述画像相似度确定与事故对象匹配的至少一个历史故障事件；每个所述历史画像对应一个所述历史故障事件；
177.故障响应报告生成单元84，用于基于所述历史故障事件对应的响应流程报告，生成所述故障事件对应的故障响应报告。
178.可选地，所述事件标签包括：交通场景标签以及事故对象标签；所述交通场景标签包括：基于所述事故场景信息确定的事件类型标签、事件原因标签、车辆类型标签以及场景地点标签；所述事故对象标签包括：基于所述事故对象信息确定的职业标签以及年龄标签；
179.所述所述对象画像生成单元82包括：
180.标签关键词提取单元，用于根据预设的多个标签维度的标签关键词，从所述事件数据中确定包含的标签关键词，并基于包含的所述标签关键词得到所述事件标签；
181.故障模拟场景构建单元，用于将所述事件类型标签、所述事件原因标签以及所述场景地点标签导入预设的事故模拟模型，构建与所述故障事件对应的故障模拟场景；
182.车辆速度确定单元，用于根据所述场景地点标签确定所述故障事件关联的道路类型，并基于所述道路类型关联的额定速度区间，确定发生故障事件时刻故障车辆的车辆速度；
183.安全系数确定单元，用于基于所述车辆类型标签计算发生故障车辆的安全系数；
184.车辆模型构建单元，用于通过所述故障车辆的安全系数以及所述车辆速度构建在所述故障模拟场景内对应的车辆模型；
185.碰撞维度得分确定单元，用于控制所述车辆模型在所述故障模拟场景内运动，生成故障还原数据，并通过所述故障还原数据生成所述事故对象的碰撞维度得分；
186.第一画像构建单元，用于根据所述碰撞维度得分、所述职业标签以及所述年龄标签，生成所述事故对象的对象画像。
187.可选地，所述第一画像构建单元包括：
188.身体基础得分确定单元，用于根据所述职业标签以及所述年龄标签确定所述事故对象的身体基础得分；
189.疾病维度得分确定单元，用于通过预设的职业与常见疾病的对应关系，确定所述职业标签关联的疾病类型，并基于所述疾病类型确定所述事故对象的已有疾病维度得分；
190.情绪维度得分确定单元，用于接收所述事故对象反馈的事件描述语音，并基于所述事件描述语言确定情绪维度得分；
191.第二画像构建单元，用于根据所述身体基础得分、所述已有疾病维度得分、所述碰撞维度得分以及所述情绪维度得分，生成所述对象画像；所述对象画像用于对所述事故对象进行伤情预测。
192.可选地，所述情绪维度得分确定单元包括：
193.基础分贝值确定单元，用于从对象语音库中提取与所述事故对象关联的历史对象语音，通过所述历史对象语音的历史语音幅值，确定基础分贝值；所述基础分贝值用于确定所述事故对象在情绪平稳状态下的语音分贝；
194.特征参数组确定单元，用于根据所述事件描述语音，确定分贝特征参数组；所述分贝特征参数组包括：分贝极值、分贝均值以及分贝均方差；
195.候选情绪类型确定单元，用于基于所述分贝特征参数组以及所述基础分贝值，得到至少一个候选情绪类型；
196.目标情绪类型确定单元，用于将所述事件描述语音与各个所述候选情绪类型的标准语音波形进行匹配，确定目标情绪类型；
197.情绪维度得分确定单元，用于根据所述目标情绪类型确定所述情绪维度得分。
198.可选地，所述事件标签包含：交通场景标签以及事故对象标签；所述响应装置还包括：
199.第一并行单元，用于调用与所述交通场景标签对应的第一标签个数关联的多条第一并行线程，从所述对象数据库内提取与各个所述交通场景标签对应的第一对象数据；每个所述第一并行线程对应一个所述交通场景标签；
200.第一对象组确定单元，用于对所有所述第一对象数据进行数据交集识别，得到第一对象组；
201.第二并行单元，用于调用与所述事故对象标签对应的第二标签个数关联的多条第二并行线程，从所述对象数据库内提取与各个所述事故对象标签对应的第二对象数据；每个所述第二并行线程对应一个所述事故对象标签；
202.第二对象组确定单元，用于对所有所述第二对象数据进行数据交集识别，得到第
二对象组；
203.候选对象组确定单元，用于根据所述第一对象组与所述第二对象组，确定候选对象组；
204.多维融合向量生成单元，用于根据所有所述交通场景标签以及所述事故对象标签，构建关于所述故障事件的多维融合向量；
205.目标历史对象确定单元，用于从所述候选对象组中提取与所述多维融合向量匹配的目标历史对象；所述历史画像为基于所述目标历史对象的历史故障事件生成的。
206.可选地，所述事件数据接收单元81包括：
207.原始事件数据接收单元，用于接收所述故障事件的记录人员反馈的原始事件数据；所述原始事件数据是基于所述记录人员的自然语言描述得到的；所述原始事件数据内包含有多个事件描述维度的程度参数；
208.校正算法确定单元，用于从校正算法库内提取与所述记录人员的人员标识关联的程度校正算法；所述程度校正算法是通过所述记录人员的历史描述语言与历史故障事件之间的差异信息训练后生成的；
209.校正单元，用于分别将各个所述事件描述维度对应的程度参数导入上述的程度校正算法，得到各个所述事件描述维度的校正参数；
210.校正参数封装单元，用于基于所有所述事件描述维度的校正参数生成所述事件数据。
211.可选地，所述故障响应报告生成单元84包括：响应流程报告确定单元，用于分别获取各个所述历史故障事件对应的响应流程报告；
212.流程组划分单元，用于对所有所述响应流程报告进行流程聚类，得到至少一个流程组；每个所述流程组内所述响应流程报告之间的流程相似度大于预设的相似阈值；
213.推荐置信度确定单元，用于根据各个所述流程组对应的所述事故对象的所述画像相似度，计算所述流程组对应的推荐置信度；
214.显示优先级确定单元，用于根据所述推荐置信度的从大到小的次序，确定各个所述流程组的显示优先级；
215.报告生成根据所述显示优先级以及所述流程组对应的推荐响应流程，生成所述故障响应报告。
216.因此，本发明实施例提供的故障事件的响应装置同样可以通过接收关于待处理的故障事件的事件数据，对事件数据进行解析，得到与故障事件相关的多个事件标签，并根据多个事件标签生成与故障事件相关的事故对象的对象画像，将对象画像与对象数据库内各个历史画像进行画像相似度计算，并通过画像相似度确定与对象画像匹配的至少一个历史故障事件，由于历史故障事件是已经处理过的事件，对应有关联的响应流程，根据可以根据历史故障事件关联的响应流程报告，生成该故障时间对应的故障响应报告，实现了自动生成故障响应报告的目的。与现有的故障响应技术相比，本技术实施例不依赖工作人员通过经验进行响应流程的判断，而是通过识别与当前的故障事件相似的历史故障事件，复用历史故障事件的响应流程报告，从而能够大大提高了故障流程的稳定性，以及在应对大量故障事件的情况下，也可以通过与对象数据库进行匹配的方式自动生成故障响应报告，大大提高了响应故障报告生成的效率。
217.应当理解的是，图8示出的故障事件的响应装置的结构框图中，各模块用于执行图1至图7对应的实施例中的各步骤，而对于图1至图7对应的实施例中的各步骤已在上述实施例中进行详细解释，具体请参阅图1至图7以及图1至图7所对应的实施例中的相关描述，此处不再赘述。
218.图9是本技术另一实施例提供的一种电子设备的结构框图。如图9所示，该实施例的电子设备900包括：处理器910、存储器920以及存储在存储器920中并可在处理器910运行的计算机程序930，例如故障事件的响应方法的程序。处理器910执行计算机程序930时实现上述各个故障事件的响应方法各实施例中的步骤，例如图1所示的s101至s104。或者，处理器910执行计算机程序930时实现上述图8对应的实施例中各模块的功能，例如，图8所示的单元81至84的功能，具体请参阅图8对应的实施例中的相关描述。
219.示例性的，计算机程序930可以被分割成一个或多个模块，一个或者多个模块被存储在存储器920中，并由处理器910执行，以完成本技术。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序930在电子设备900中的执行过程。例如，计算机程序930可以被分割成各个单元模块，各模块具体功能如上。
220.电子设备900可包括，但不仅限于，处理器910、存储器920。本领域技术人员可以理解，图9仅仅是电子设备900的示例，并不构成对电子设备900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，例如电子设备还可以包括输入输出设备、网络接入设备、总线等。
221.所称处理器910可以是中央处理单元，还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。
222.存储器920可以是电子设备900的内部存储单元，例如电子设备900的硬盘或内存。存储器920也可以是电子设备900的外部存储设备，例如电子设备900上配备的插接式硬盘，智能存储卡，闪存卡等。进一步地，存储器920还可以既包括电子设备900的内部存储单元也包括外部存储设备。
223.以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。