
1.本公开涉及经济领域,尤其涉及一种税收预测方法、装置、设备及计算机可读存储介质。
背景技术:2.目前对于未来税收的预测方案主要基于回归预测和时间序列预测,存在着准确率较低、方案泛化性能较差以及方案稳定性较差等不足,难以满足实际的业务需求。
技术实现要素:3.为了解决上述技术问题,本公开提供了一种税收预测方法、装置、设备及计算机可读存储介质,以提高税收预测的准确性、泛化性以及稳定性,满足实际的业务需求。
4.第一方面,本公开实施例提供一种税收预测方法,包括:获取目标税收主体的税收样本数据以及所述税收样本数据的演化模式标注结果;基于所述税收样本数据以及所述演化模式标注结果进行模型训练,得到训练好的税收演化模式匹配模型;将目标税收主体的历史税收数据输入所述税收演化模式匹配模型,得到所述目标税收主体的税收演化模式预测结果;基于所述税收演化模式预测结果,生成所述目标税收主体的衍生特征向量;将所述目标税收主体的衍生特征向量输入预先训练好的多模式税收预测模型,得到所述目标税收主体的税收预测结果。
5.在一些实施例中,所述税收样本数据包括税收累计金额;获取所述税收样本数据的演化模式标注结果,包括:将所述税收样本数据按照预设时间间隔进行分割,得到多条税收演化数据;基于每条税收演化数据中的税收累计金额对所述多条税收演化数据进行聚类,得到多个聚类簇,其中每个聚类簇中包括至少一条税收演化数据;针对每个聚类簇,计算所述至少一条税收演化数据的平均值,得到每个聚类簇分别对应的演化模式;对所述每个聚类簇分别对应的演化模式进行标注,得到多个所述演化模式标注结果。
6.在一些实施例中,所述演化模式标注结果至少包括以下的一种:指数函数、对数函数、多项式函数、三角函数、sigmoid函数。
7.在一些实施例中,所述基于所述税收样本数据以及所述演化模式标注结果进行模型训练,得到训练好的税收演化模式匹配模型,包括:基于所述税收样本数据,生成所述目标税收主体的样本特征向量;将所述样本特征向量作为模型的输入,将所述演化模式标注结果作为模型的输出,对税收演化模式匹配模型进行训练,得到训练好的税收演化模式匹配模型。
8.在一些实施例中,所述目标税收主体的税收演化模式预测结果包括所述目标税收主体在多个税收演化模式下的税收预测值以及所述多个税收演化模式的隶属度,其中所述隶属度表征所述历史税收数据与所述税收演化模式的相似程度。
9.在一些实施例中,所述基于所述税收演化模式预测结果,生成所述目标税收主体的衍生特征向量,包括:分别计算每个税收演化模式下的税收预测值与隶属度之积,得到多个衍生特征;基于所述多个衍生特征,生成所述目标税收主体的衍生特征向量,所述衍生特征向量的长度与所述衍生特征的个数相同。
10.在一些实施例中,所述获取目标税收主体的税收样本数据之后,所述方法还包括:对所述税收样本数据进行预处理。
11.第二方面,本公开实施例提供一种税收预测装置,包括:第一获取模块,用于获取目标税收主体的税收样本数据以及所述税收样本数据的演化模式标注结果;训练模块,用于基于所述税收样本数据以及所述演化模式标注结果进行模型训练,得到训练好的税收演化模式匹配模型;第二获取模块,用于将目标税收主体的历史税收数据输入所述税收演化模式匹配模型,得到所述目标税收主体的税收演化模式预测结果;生成模块,用于基于所述税收演化模式预测结果,生成所述目标税收主体的衍生特征向量;第三获取模块,用于将所述目标税收主体的衍生特征向量输入预先训练好的多模式税收预测模型,得到所述目标税收主体的税收预测结果。
12.第三方面,本公开实施例提供一种电子设备,包括:存储器;处理器;以及计算机程序;其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如第一方面所述的方法。
13.第四方面,本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现第一方面所述的方法。
14.第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序或指令,该计算机程序或指令被处理器执行时实现如上所述的税收预测方法。
15.本公开实施例提供的税收预测方法、装置、设备及计算机可读存储介质,通过基于宏观经济特征数据和算法构建了税收演化模式匹配模型,该模型根据当前目标税收主体宏观经济运行特征数据为目标税收主体匹配最佳的税收演化模式,避免了税收演化模式选择过程中的主观性和随意性,显著提升了预测的精准性。
附图说明
16.此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
17.为了更清楚地说明本公开实施例或现有技术中的技术方案,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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
18.图1为本公开实施例提供的税收预测方法流程图;图2为本公开实施例提供的获取目标税收主体的税收样本数据以及所述税收样本数据的演化模式标注结果的方法流程图;图3为本公开另一实施例提供的税收预测方法流程图;图4为本公开实施例提供的税收预测装置的结构示意图;图5为本公开实施例提供的电子设备的结构示意图。
具体实施方式
19.为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
20.税收是国家重要的财政收入来源,税收收入的稳定对于国家的经济、政治、文化有着重大影响。由于税收收入受到多种因素影响,使得税收收入的管控难度较大,税收收入的征收风险也相应增大。通过对未来税收收入进行相关分析预测,能发掘并避免征收过程中可能出现的风险,即时采取相关的管理手段来保证未来税收质量和税收趋势的稳定性。同时,税收预测也为决策部门的相关政策进行了前瞻性的预测,分析某项政策的实施可能带来的经济收益和社会收益,以及可能带来的征收风险,将其作为税收决策工作和计划编制中的参考,做出有利于促进纳税人企业发展和创造更多社会经济效益的改革方案。
21.税收预测的研究方法,主要基于回归预测和时间序列预测。基于差分微分回归的灰色系统理论能对事物发展规律做长期性的模糊描述,在宏观经济预测、农业产量预测等领域有广泛应用。基于时间序列分析的差分整合移动平均自回归模型(autoregressive integrated moving average model,arima),自提出以来也被广泛应用于时间金融数据预测中,例如用于分析酒精税收入、海关税收进行预测分析等。
22.鉴于税收预测任务对于税源管理和税收征管等业务的开展具有举足轻重的意义,该问题吸引了大量的学者以及税务从业者的注意力,并产出了一系列工作成果。目前关于税收预测任务的主要解决方案在取得的一定的成效,同时也存在着一些局限和不足。首先,第一,基于回归预测方法的税收预测方案利用构建的税收增长影响指标体系对未来指定时间点的税收态势进行预测,难以实现对税收态势的实时预测。同时基于回归预测的税收预测方案在训练过程中极易发生过拟合现象,导致税收预测效果不佳。同时,第二,基于时间序列分析的税收预测方案是利用税收时间序列数据中潜在的稳定性、周期性、趋势性因素对未来时间段的税收态势进行预测,该方案的对未来税收的预测完全基于税收时间序列数据,导致模型的预测方差较高,因此该方法难以稳定有效的处理税收异常波动问题,对于税收复杂系统的随机性变化比较脆弱。并且,现有税收预测方案中只针对当前或历史税收数据进行建模分析,并未在更高维度上对税收态势演化模式进行分析和判别,因此导致多模式税收预测模型往往难以长期有效。
23.针对上述问题,本公开实施例提供了一种税收预测方法,下面结合具体的实施例
对该方法进行介绍。
24.图1为本公开实施例提供的税收预测方法流程图。该方法可以应用于任意的具有数据处理功能的设备当中。例如,智能手机、掌上电脑、平板电脑、带显示屏的可穿戴设备、台式机、笔记本电脑、一体机等。可以理解的是,本公开实施例提供的税收预测方法还可以应用在其他场景中。
25.下面对图1所示的税收预测方法进行介绍,该方法包括的具体步骤如下:s101、获取目标税收主体的税收样本数据以及所述税收样本数据的演化模式标注结果。
26.目标税收主体即需要进行税收预测的主体,例如可以是某一行政区、某一省份,或是某一公司集团等。税收样本数据即目标税收主体在过去一段时间内的各种税收数据,包括但不限于:税收累计金额、地区生产总值(gross domestic product,gdp)不变价累计同比、gdp累计同比倍数、消费者物价指数(consumer price index,cpi)累计同比、cpi累计同比倍数、工业生产者价格指数(producer price index for industrial products,ppi)全部工业品累计同比、ppi累计同比倍数、社会消费品零售总额累计同比、社会消费品零售总额累计同比倍数、工业增加值累计同比、工业增加值累计同比倍数、出口金额累计同比、出口金额累计同比倍数等数据。具体的,可以通过税务大数据平台获取目标税收主体的各类税收样本数据。
27.获得目标税收主体的税收样本数据之后,对税收样本数据进行演化模式标注,确定税收样本数据所对应的税收演化模式。由于税收样本数据能够反映目标税收主体一段时间内的税收态势变化情况,分别对应不同的税收演化模式,根据不同的税收态势变化情况,将税收样本数据标注为不同的演化模式,获得演化模式标注结果。
28.在一些实施例中,还可以对税收样本数据进行预处理。例如,对税收样本数据进行缺失值处理,对税收样本数据进行排重处理等等。在数据收集过程中,可能会出现某一类或几类数据的缺失,此时可以利用结合统计原理计算出的合理数据进行填补,例如利用平均值、中位值等数据。同时,还可能会对某一类数据或几类数据重复收集,导致税收样本数据中出现重复数据,此时需要对税收样本数据进行排重处理。还可以对税收样本数据进行异常值处理、量纲处理、噪声处理等其他方式的预处理,以降低数据因素对模型推理性能的影响,本公开实施例对此不做限定。
29.s102、基于所述税收样本数据以及所述演化模式标注结果进行模型训练,得到训练好的税收演化模式匹配模型。
30.税收演化模式匹配模型用于根据目标税收主体的税收样本数据确定该目标税收主体的税收演化模式。利用税收样本数据以及所述演化模式标注结果构建训练数据,通过extreme gradient boosting(xgboost)算法进行分类建模,得到税收演化模式匹配模型(model-base)。
31.具体的,基于所述税收样本数据,生成目标税收主体的样本特征向量;将样本特征向量作为税收演化模式匹配模型的输入,将相应的标注结果作为税收演化模式匹配模型的输出,训练得到税收演化模式匹配模型。
32.s103、将目标税收主体的历史税收数据输入所述税收演化模式匹配模型,得到所述目标税收主体的税收演化模式预测结果。
33.目标税收主体的历史税收数据即目标税收主体的税收预测基础数据,例如需要预测a市未来的税收收入,收集a市近一年的税收数据作为历史税收数据。具体的,历史税收数据包括但不限于:gdp不变价累计同比、gdp累计同比倍数、cpi累计同比、cpi累计同比倍数、ppi全部工业品累计同比、ppi累计同比倍数、社会消费品零售总额累计同比、社会消费品零售总额累计同比倍数、工业增加值累计同比、工业增加值累计同比倍数、出口金额累计同比、出口金额累计同比倍数等数据。
34.基于目标税收主体的税收样本数据以及所述演化模式标注结果训练得到税收演化模式匹配模型后,将历史税收数据输入税收演化模式匹配模型,得到目标税收主体的税收演化模式预测结果,即,目标税收主体历史税收数据的税收演化模式。
35.s104、基于所述税收演化模式预测结果,生成所述目标税收主体的衍生特征向量。
36.s105、将所述目标税收主体的衍生特征向量输入预先训练好的多模式税收预测模型,得到所述目标税收主体的税收预测结果。
37.将税收演化模式预测结果特征化,得到目标税收主体的衍生特征向量。具体的,税收演化模式预测结果目标税收主体在多个税收演化模式下的税收预测值以及多个税收演化模式的隶属度,其中隶属度表征所述历史税收数据与所述税收演化模式的相似程度。将税收预测值相应模式下的隶属度分别相乘,得到目标税收主体的多个衍生特征,进一步基于多个衍生特征,生成目标税收主体的衍生特征向量。
38.将衍生特征向量输入预先训练好的多模式税收预测模型,得到目标税收主体的税收预测结果,即目标税收主体未来可能的税收值。
39.其中,多模式税收预测模型可以利用lasso算法和税收样本数据进行税收态势汇总预测建模。lasso算法是由1996年roberttibshirani首次提出,全称least absolute shrinkage and selectionoperator。该方法是一种压缩估计,通过构造一个惩罚函数得到一个较为精炼的模型,使得能够压缩一些回归系数,即强制系数的绝对值之和小于某个固定值;同时设定一些回归系数为零,因此保留了子集收缩的优点,是一种处理具有复共线性数据的有偏估计。
40.本公开实施例基于宏观经济特征数据和算法构建了税收演化模式匹配模型,该模型根据当前目标税收主体宏观经济运行特征数据为目标税收主体匹配最佳的税收演化模式,避免了税收演化模式选择过程中的主观性和随意性,显著提升了预测的精准性。
41.图2为本公开实施例提供的获取目标税收主体的税收样本数据以及所述税收样本数据的演化模式标注结果的方法流程图,如图2所示,s101可以通过如下几个步骤实现:s201、获取目标税收主体的税收样本数据,所述税收样本数据包括税收累计金额。
42.s202、将所述税收样本数据按照预设时间间隔进行分割,得到多条税收演化数据。
43.以预设时间间隔为一年为例,按年为周期获取目标税收主体最近二十年的税收数据,每一年的税收数据作为一条初始税收演化数据,其中表示第i条初始税收演化数据中第j个月的税收累计金额。
44.对每一条税收演化数据使用max-min放缩法进行预处理,将元素取值其归一化到[0,1]之间,生成最终的税收演化数据,具体的归一化过程可以按照下述公式进行:
其中表示初始税收演化数据中的第j个元素。
[0045]
s203、基于每条税收演化数据中的税收累计金额对所述多条税收演化数据进行聚类,得到多个聚类簇,其中每个聚类簇中包括至少一条税收演化数据。
[0046]
基于上述步骤,得到多条税收演化数据,以集合的形式表现为,其中n表示税收演化数据的数量。利用dbscan算法对税收数据进行聚类,其中聚类过程中的距离度量使用动态时间归整(dynamictime warping,dtw)算法进行计算,得到聚类结果,即多个聚类簇,聚类生成的第i个簇记为。
[0047]
s204、针对每个聚类簇,计算所述至少一条税收演化数据的平均值,得到每个聚类簇分别对应的演化模式。
[0048]
每个聚类簇中可能包含多条税收演化数据,计算多条税收演化数据的算数平均值,得到该聚类簇唯一的演化模式。即,将每个聚类簇中所包含的税收演化数据进行算术平均。例如,一个聚类簇中包含两条税收演化数据,每条税收演化数据中分别包含1-12月共计12个月的税收累计金额,分别对每个月的两个税收累计金额进行算术平均,得到该聚类簇对应的演化模式。
[0049]
s205、对所述每个聚类簇分别对应的演化模式进行标注,得到多个所述演化模式标注结果。
[0050]
根据每个聚类簇分别对应的演化模式,结合统计学常识,为每个聚类簇对应的演化模式进行标注,得到演化模式标注结果。
[0051]
具体的,演化模式标注结果至少包括以下的一种指数函数、对数函数、多项式函数、三角函数、sigmoid函数。
[0052]
指数函数的定义为:其中t表示时间自变量,h、k、a、b表示待拟合变量。
[0053]
对数函数的定义为:,其中t表示时间自变量,h、k、a、b表示待拟合变量。
[0054]
三角函数的定义为:,其中t表示时间自变量,h、k、a、b、c表示待拟合变量。
[0055]
sigmoid函数定义为:,其中图表示时间自变量,k、a、b表示待拟合变量。
[0056]
多项式函数定义为:,其中t表示时间自变量,a、b、c表示待拟合变量。
[0057]
上述各定义中的待拟合变量为对聚类簇对应的演化模式进行相应的函数拟合后所生成的值。
[0058]
本公开实施例通过税收演化数据利用聚类算法生成了多样的税收演化模式,摆脱了传统税收预测方案仅关注微观层面趋势信息,忽略宏观层面趋势信息的弊病。在宏观层面为税收预测方案指明了方向和基本模式,显著提升了税收预测结果的鲁棒性,降低预测结果的方差。
[0059]
图3为本公开另一实施例提供的税收预测方法流程图。如图3所示,该方法包括的具体步骤如下:s301、获取目标税收主体的税收样本数据以及所述税收样本数据的演化模式标注结果。
[0060]
s302、基于所述税收样本数据,生成所述目标税收主体的样本特征向量。
[0061]
例如,基于上述实施例中所获取的gdp不变价累计同比、gdp累计同比倍数、cpi累计同比、cpi累计同比倍数、ppi全部工业品累计同比、ppi累计同比倍数、社会消费品零售总额累计同比、社会消费品零售总额累计同比倍数、工业增加值累计同比、工业增加值累计同比倍数、出口金额累计同比、出口金额累计同比倍数等数据,为目标税收主体的12维特征向量,作为目标税收主体的样本特征向量。
[0062]
s303、将所述样本特征向量作为模型的输入,将所述演化模式标注结果作为模型的输出,对税收演化模式匹配模型进行训练,得到训练好的税收演化模式匹配模型。
[0063]
参见上述实施例,利用xgboost算法对税收演化数据所属的演化模式进行分类建模,获得税收演化模式匹配模型。
[0064]
s304、将目标税收主体的历史税收数据输入所述税收演化模式匹配模型,得到所述目标税收主体的税收演化模式预测结果。
[0065]
具体的,目标税收主体的税收演化模式预测结果包括所述目标税收主体在多个税收演化模式下的税收预测值以及所述多个税收演化模式的隶属度。
[0066]
首先选取目标演化模式(如指数模式、多项式模式、对数模式、三角函数模式、sigmoid模式中的任意一种),利用目标税收主体的历史税收数据(例如目标税收主体上一年度的税收数据)和选定的目标演化模式进行插值预测,获得目标税收主体在该模式下的税收预测值。重复此步骤,直至遍历完成全部候选演化模式。
[0067]
基于目标税收主体的历史税收数据生成目标税收主体的经济特征向量,将经济特征向量输入税收演化模式匹配模型,获得当前年份当前区域对各个税收演化模式的隶属度,表示历史税收数据与第i种税收演化模式的相似程度,也即目标税收主体隶属于第i种税收演化模式的概率。
[0068]
s305、基于所述税收演化模式预测结果,生成所述目标税收主体的衍生特征向量。
[0069]
分别计算每个税收演化模式下的税收预测值与隶属度之积,得到多个衍生特征;基于所述多个衍生特征,生成所述目标税收主体的衍生特征向量,所述衍生特征向量的长度与所述衍生特征的个数相同。
[0070]
例如对于税收预测值以及相应的隶属度,得到五个衍生特征,进一步为目标税收主体生成长度为5的衍生特征向量。
[0071]
s306、将所述目标税收主体的衍生特征输入预先训练好的多模式税收预测模型,得到所述目标税收主体的税收预测结果。
[0072]
具体的,s306与s105的实现过程与原理一致,此处不再赘述。
[0073]
本公开实施例通过各个税收演化模式的税收预测值和该模式对应的隶属度数据构建的多模式税收预测模型,综合利用各个税收演化模式的预测结果,采用集成学习的策略进一步提升税收预测结果的精确性。
[0074]
图4为本公开实施例提供的税收预测装置的结构示意图。该税收预测装置可以是如上实施例所述的任意的具有数据处理功能的设备,或者该税收预测装置可以是该设备中的部件或组件。本公开实施例提供的税收预测装置可以执行税收预测方法实施例提供的处理流程,如图4所示,税收预测装置40包括:第一获取模块41、训练模块42、第二获取模块43、生成模块44、第三获取模块45;其中,第一获取模块41用于获取目标税收主体的税收样本数据以及所述税收样本数据的演化模式标注结果;训练模块42用于基于所述税收样本数据以
及所述演化模式标注结果进行模型训练,得到训练好的税收演化模式匹配模型;第二获取模块43用于将目标税收主体的历史税收数据输入所述税收演化模式匹配模型,得到所述目标税收主体的税收演化模式预测结果;生成模块44用于基于所述税收演化模式预测结果,生成所述目标税收主体的衍生特征向量;第三获取模块45用于将所述目标税收主体的衍生特征向量输入预先训练好的多模式税收预测模型,得到所述目标税收主体的税收预测结果。
[0075]
可选的,所述税收样本数据包括税收累计金额;第一获取模块41包括第一获取单元411、聚类单元412、第一计算单元413、第二获取单元414;其中,第一获取单元411用于将所述税收样本数据按照预设时间间隔进行分割,得到多条税收演化数据;聚类单元412用于基于每条税收演化数据中的税收累计金额对所述多条税收演化数据进行聚类,得到多个聚类簇,其中每个聚类簇中包括至少一条税收演化数据;第一计算单元413用于针对每个聚类簇,计算所述至少一条税收演化数据的平均值,得到每个聚类簇分别对应的演化模式;第二获取单元414用于对所述每个聚类簇分别对应的演化模式进行标注,得到多个所述演化模式标注结果。
[0076]
可选的,所述演化模式标注结果至少包括以下的一种:指数函数、对数函数、多项式函数、三角函数、sigmoid函数。
[0077]
可选的,训练模块42包括第一生成单元421、训练单元422;第一生成单元421用于基于所述税收样本数据,生成所述目标税收主体的样本特征向量;训练单元422用于将所述样本特征向量作为模型的输入,将所述演化模式标注结果作为模型的输出,对税收演化模式匹配模型进行训练,得到训练好的税收演化模式匹配模型。
[0078]
可选的,所述目标税收主体的税收演化模式预测结果包括所述目标税收主体在多个税收演化模式下的税收预测值以及所述多个税收演化模式的隶属度,其中所述隶属度表征所述历史税收数据与所述税收演化模式的相似程度。
[0079]
可选的,生成模块44包括第二计算单元441、第二生成单元442;第二计算单元441用于分别计算每个税收演化模式下的税收预测值与隶属度之积,得到多个衍生特征;第二生成单元442用于基于所述多个衍生特征,生成所述目标税收主体的衍生特征向量,所述衍生特征向量的长度与所述衍生特征的个数相同。
[0080]
可选的,税收预测装置40还包括预处理模块46,用于对所述税收样本数据进行预处理。
[0081]
图4所示实施例的税收预测装置可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
[0082]
图5为本公开实施例提供的电子设备的结构示意图。该电子设备可以是如上实施例所述的待升级设备。本公开实施例提供的电子设备可以执行税收预测方法实施例提供的处理流程,如图5所示,电子设备50包括:存储器51、处理器52、计算机程序和通讯接口53;其中,计算机程序存储在存储器51中,并被配置为由处理器52执行如上所述的税收预测方法。
[0083]
另外,本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现上述实施例所述的税收预测方法。
[0084]
此外,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序或指令,该计算机程序或指令被处理器执行时实现如上所述的税收预测方法。
[0085]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++,还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0086]
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
[0087]
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个
……”
限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0088]
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。