面向智慧城市物联网的故障预测方法及装置

1.本发明涉及网络故障预测的技术领域，尤其涉及一种面向智慧城市物联网的故障预测方法及装置。


背景技术：

2.随着智能设备以及5g网络的发展，边缘智能设备的使用呈现爆发式增长。为了提供此类设备所需的无限连接，需要可信赖系统的基础和智慧城市物联网计算结构。为了实现可信赖系统中服务可用性的愿景，智慧城市物联网的可持续性和可靠性都非常重要。但是随着智慧城市物联网服务和组件的复杂化，智慧城市物联网中故障时有发生，使得智慧城市物联网的可靠性无法保障。
3.网络故障预测是基于网络节点的历史状况，结合当前节点和网络状况进行分析，挖掘出每类故障特有的状态，进而建立状态与故障之间的关联模型，对节点将来可能发生的故障种类进行推测，保障网络的可持续性和可靠性。传统卷积神经网络具有强大的空间特征提取能力和学习能力，可以被应用于进行故障预测中。但是随着网络模型越来越深，模型识别精度下降，导致模型效果越来越差。残差网络的出现，使得上述问题迎刃而解，但是残差结构因为捷径的存在使得低层网络的特征输入到高层网络中只能通过一个残差连接通道完成，因此残差块没有足够的权重去学习智慧城市物联网下节点多维数据特征，导致节点运行数据特征学习不充分不准确问题。
4.智慧城市物联网中，边缘设备通常为小型的计算设备，如传感器、移动终端等小型智能化设备，这些设备往往计算能力有限，导致常见的深度学习模型无法适用于智慧城市物联网故障预测。


技术实现要素：

5.本发明提供一种面向智慧城市物联网的故障预测方法及装置，用以解决现有技术中深度学习模型无法适用于智慧城市物联网故障预测的缺陷，实现对智慧城市物联网设备的故障预测，有效保障边缘侧网络的安全性及稳健性。
6.本发明提供一种面向智慧城市物联网的故障预测方法，包括：
7.获取智慧城市物联网设备的待预测的网络数据；
8.将所述网络数据输入至训练完成的故障预测模型中，得到网络数据的故障预测结果；
9.其中，所述故障预测模型是基于卷积分解操作和改进残差网络结构建立，并将智慧城市物联网设备的特征数据信息作为训练集以及训练集对应的预测标签进行训练得到的。
10.根据本发明提供的一种面向智慧城市物联网的故障预测方法，所述故障预测模型的训练方法包括：
11.获取智慧城市物联网设备的特征数据信息作为模型的训练集；
12.建立初始故障预测模型，将所述特征数据信息输入至所述初始故障预测模型中，得到特征向量的故障预测结果并基于故障预测结果评价预测准确性；
13.对所述初始故障预测模型进行迭代更新，调整所述初始故障预测模型的模型参数，直至所述故障预测结果与所述预测标签的误差值满足预设阈值，以及预测准确性达到目标值得到训练完成的故障预测模型。
14.根据本发明提供的一种面向智慧城市物联网的故障预测方法，所述建立初始故障预测模型，将所述特征数据信息输入至所述初始故障预测模型中，得到特征向量的故障预测结果并基于故障预测结果评价预测准确性，包括：
15.建立初始故障预测模型，所述初始故障预测模型包括卷积层、残差结构层和结果处理层；
16.所述卷积层，用于基于所述卷积层对输入的特征数据信息进行空间特征信息提取，结合卷积层的激励函数获取第一空间特征；
17.其中，所述卷积层是基于卷积分解操作建立的；
18.所述残差结构层，用于基于所述卷积层输出的第一空间特征进行残差信息学习，并输出特征数据信息的第二空间特征；
19.所述结果处理层，用于基于所述残差结构层输出的第二空间特征得到特征数据信息的故障预测结果；
20.基于所述故障预测结果评价所述故障预测模型的预测准确性。
21.根据本发明提供的一种面向智慧城市物联网的故障预测方法，所述残差结构层包括第一残差连接通道和第二残差连接通道；
22.基于所述卷积层输出的第一空间特征进行残差信息学习，包括：
23.通过所述第一残差连接通道获取所述卷积层输出的第一空间特征的第一残差映射结果，通过第二残差连接通道获取所述卷积层输出的第一空间特征的第二残差映射结果；
24.将所述第一残差映射结果和第一空间特征进行乘法流残差信息学习，将所述第二残差映射结果和第一空间特征进行加法流残差信息学习。
25.根据本发明提供的一种面向智慧城市物联网的故障预测方法，所述基于所述故障预测结果评价所述故障预测模型的预测准确性，包括：
26.获取特征数据信息的特征数目，基于所述特征数据信息的特征数目选择目标特征并基于所述故障预测结果获取所述目标特征对应的数据值；
27.获取在目标时刻时所述目标特征的智慧城市物联网状态数据值，并结合所述特征数目和目标特征对应的数据值评价所述故障预测模型的预测准确性。
28.根据本发明提供的一种面向智慧城市物联网的故障预测方法，基于所述卷积层输出的第一空间特征进行残差信息学习，并输出特征数据信息的第二空间特征之后，还包括：
29.对所述特征数据信息的第二空间特征进行批量归一化处理并输入至所述结果处理层；
30.所述通过所述结果处理层基于所述残差结构层输出的第二空间特征得到特征数据信息的故障预测结果，包括：
31.通过所述结果处理层基于批量归一化处理后的第二空间特征得到特征数据信息
的故障预测结果。
32.本发明还提供一种面向智慧城市物联网的故障预测装置，包括：
33.获取模块，用于获取智慧城市物联网设备的待预测的网络数据；
34.预测模块，用于将所述网络数据输入至训练完成的故障预测模型中，得到网络数据的故障预测结果；
35.其中，所述故障预测模型是基于卷积分解操作和改进残差网络结构建立，并将智慧城市物联网设备的特征数据信息作为训练集以及训练集对应的预测标签进行训练得到的。
36.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述面向智慧城市物联网的故障预测方法。
37.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述面向智慧城市物联网的故障预测方法。
38.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述面向智慧城市物联网的故障预测方法。
39.本发明提供的面向智慧城市物联网的故障预测方法及装置，通过获取智慧城市物联网设备的待预测的网络数据；将网络数据输入至训练完成的故障预测模型中，得到网络数据的故障预测结果，本发明的故障预测模型是基于卷积分解操作和改进残差网络结构建立的，因此能够通过轻量化的模型实现智慧城市物联网设备的故障预测，有效保障智慧城市物联网的安全性及稳健性。
附图说明
40.为了更清楚地说明本发明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一简单地介绍，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。
41.图1是本发明提供的面向智慧城市物联网的故障预测方法的流程示意图之一；
42.图2是本发明提供的面向智慧城市物联网的故障预测方法的流程示意图之二；
43.图3是本发明的故障预测模型的结构示意图；
44.图4是本发明的残差结构层的结构示意图；
45.图5是本发明提供的面向智慧城市物联网的故障预测装置的结构示意图；
46.图6是本发明提供的电子设备的结构示意图。
具体实施方式
47.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中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作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.下面结合图1-图6描述本发明的面向智慧城市物联网的故障预测方法及装置。
49.参照图1，本发明提供的面向智慧城市物联网的故障预测方法，包括以下步骤：
50.步骤110、获取智慧城市物联网设备的待预测的网络数据。
51.具体地，本实施例中的智慧城市物联网设备即为智慧城市物联网中的计算设备，如传感器、移动终端等智能化计算设备。网络数据即为智慧城市物联网中的需要进行故障预测的数据。其中，故障预测是基于网络节点的历史状况，结合当前节点和网络状况进行分析，挖掘出每类故障特有的状态，进而建立状态与故障之间的关联模型，对节点将来可能发生的故障种类进行推测，保障网络的可持续性和可靠性。
52.步骤120、将所述网络数据输入至训练完成的故障预测模型中，得到网络数据的故障预测结果。
53.其中，所述故障预测模型是基于卷积分解操作和改进残差网络结构建立，并将智慧城市物联网设备的特征数据信息作为训练集以及训练集对应的预测标签进行训练得到的。
54.具体地，本步骤即为故障预测模型的应用过程，即把训练完成的模型结合到具体的应用场景中。
55.将需要进行故障预测的网络数据输入到训练完成的模型中进行预测，从而得到网络数据的故障预测结果。
56.需要说明的是，在故障预测模型的训练过程中，模型的输出结果与预测标签之间产生误差值，可根据误差值对模型的参数进行调整，当误差值达到预设目标值时即模型收敛，保持此时的故障预测模型作为训练完成的模型从而进行故障预测。
57.需要说明的是，本实施例中的故障预测模型是基于卷积分解操作和改进残差网络结构建立的，基于inception模块的思想改进卷积层，减少卷积层的参数量从而减少网络计算量。并且，根据改进残差网络结构，在相同的参数量下，相比于改进前的残差网络结构，能够提高网络的学习能力，提升网络对故障信息的空间特征提取能力。
58.本发明提供的面向智慧城市物联网的故障预测方法，通过获取智慧城市物联网设备的待预测的网络数据；将网络数据输入至训练完成的故障预测模型中，得到网络数据的故障预测结果，本发明的故障预测模型是基于卷积分解操作和改进残差网络结构建立的，因此能够通过轻量化的模型实现智慧城市物联网设备的故障预测，有效保障智慧城市物联网的安全性及稳健性。
59.参照图2，基于以上实施例，所述故障预测模型的训练方法包括以下步骤：
60.步骤210、获取智慧城市物联网设备的特征数据信息作为模型的训练集。
61.步骤220、建立初始故障预测模型，将所述特征数据信息输入至所述初始故障预测模型中，得到特征向量的故障预测结果并基于故障预测结果评价预测准确性。
62.步骤230、对所述初始故障预测模型进行迭代更新，调整所述初始故障预测模型的模型参数，直至所述故障预测结果与所述预测标签的误差值满足预设阈值，以及预测准确性达到目标值得到训练完成的故障预测模型。
63.具体地，本实施例为故障预测模型的训练过程，即模型的获取过程。
64.首先，获取大量的智慧城市物联网设备的特征新数据信息作为模型的训练集，即样本。特征新数据信息的故障状态序列可表示为：hf＝(x1,x2,
…
,x
t
)。
65.其中，x
t
表示的数据序列为x
t
＝(x
t-l
,x
t-l+1
,..,x
t-1
)，x
t-1
表示的是t-1时刻智慧城
市物联网状态的特征向量。
66.然后，建立需要训练的初始故障预测模型，将智慧城市物联网设备的特征新数据信息输入到模型中，得到其预测结果，然后对预测结果进行准确性评价。
67.模型的训练过程为一个迭代更新的过程，即利用当前模型的输出结果与期望结果之间的误差进行模型参数的调整，在当前的输出结果和期望结果之间的误差满足预设阈值，以及期望结果对应的准确性满足目标值的情况下，即表示模型训练完成。
68.基于以上实施例，所述建立初始故障预测模型，将所述特征数据信息输入至所述初始故障预测模型中，得到特征向量的故障预测结果并基于故障预测结果评价预测准确性，包括：
69.建立初始故障预测模型，所述初始故障预测模型包括卷积层、残差结构层和结果处理层；
70.所述卷积层，用于基于所述卷积层对输入的特征数据信息进行空间特征信息提取，结合卷积层的激励函数获取第一空间特征；
71.其中，所述卷积层是基于卷积分解操作建立的；
72.所述残差结构层，用于基于所述卷积层输出的第一空间特征进行残差信息学习，并输出特征数据信息的第二空间特征；
73.所述结果处理层，用于基于所述残差结构层输出的第二空间特征得到特征数据信息的故障预测结果；
74.基于所述故障预测结果评价所述故障预测模型的预测准确性。
75.具体地，本实施例为故障预测模型的具体搭建过程，其中包括模型的多个层结构的建立过程。
76.参照图3，本实施中的故障预测模型包括卷积层310、残差结构层320(two-way residual structure)和结果处理层330(softmax)。
77.首先建立卷积层，对输入的特征数据信息(input)进行空间特征信息提取，结合卷积层的激励函数获取第一空间特征。本实施例中的卷积分解操作具体体现为：基于inception模块的思想改进卷积层选择了两个1
×
1(conv1*1)和一个3
×
3(conv3*3)的卷积层代替7
×
7卷积核，即模型中只有三个卷积层，减少卷积层的参数量从而减少网络计算量。
78.需要说明的是，为每个卷积层后都跟一个激励函数，强化网络的学习能力，本实施例采用改进的relu函数作为激励函数，传统relu函数当输入为负，输出都是0，消除负输入的输出，影响故障信息提取效果。因此从新定义n-relu函数，公式如下所示：
[0079][0080]
需要进一步说明的是，本实施例中的n-relu的激活通道数量是改进前relu的两倍，即为了获取同样n个特征图，n-relu只需要n/2个通道即可，因此，可以减少一半的参与计算的参数量。
[0081]
然后建立残差结构层，将卷积层输出的空间特征输入到残差结构层中进行残差信
息学习，并输出学习后的空间特征。
[0082]
进一步建立结果处理层，将残差结构层输出的学习后的空间特征输入至结果处理层中，得到最后的故障预测结果。最后对故障预测结果进行准确性评价。
[0083]
需要说明的是，本实施例中的结果处理层采用softmax进行故障预测，与多分类问题常采用的svm不同的是，softmax的最终输出为概率，方便智慧城市物联网下直接获取故障预测结果，而svm的最终输出为分数，不能直观反映出预测情况。
[0084]
本实施例中的智慧城市物联网下故障预测可以抽象为多分类问题，而softmax回归属于一种多分类模型，能够适用于智慧城市物联网场景下的故意预测问题。
[0085]
基于以上实施例，所述残差结构层包括第一残差连接通道和第二残差连接通道；
[0086]
基于所述卷积层输出的第一空间特征进行残差信息学习，包括：
[0087]
通过所述第一残差连接通道获取所述卷积层输出的第一空间特征的第一残差映射结果，通过第二残差连接通道获取所述卷积层输出的第一空间特征的第二残差映射结果；
[0088]
将所述第一残差映射结果和第一空间特征进行乘法流残差信息学习，将所述第二残差映射结果和第一空间特征进行加法流残差信息学习。
[0089]
具体地，本实施例中的残差结构层为二路残差块结构，用于解决传统残差结构对故障信息空间特征学习不充分的问题。
[0090]
参照图4，本实施例的残差结构层包括两条残差连接通道，使得整个残差块同时包含乘法信息流和加法信息流。
[0091]
具体表现为，两条残差连接通道根据卷积层输出的空间特征进行加法流残差信息学习，第一残差连接通道还能够根据卷积层输出的空间特征进行乘法流残差信息学习。
[0092]
需要说明的是，本实施例中的1
×
3卷积核的参数量仅为传统3
×
3卷积核的1/3。一维残差块的参数量也仅为一个传统残差块的2/3。因此，该残差结构层虽然引入了乘法信息流，但是相比于传统残差结构层，并未增加过多参数量。
[0093]
此外，针对智慧城市物联网故障预测场景下，传统残差结构层仅能学习到主信息流的残差信息，而本实施例中的改进后的残差结构层在学习残差信息的同时，可以很好地学习乘法因子。
[0094]
两路的残差块结构能使每一层网络获得更加丰富的智慧城市物联网下的故障信息数据的空间特征。
[0095]
本实施例所提出的二路残差块可以被定义为：
[0096]
yi＝xi×
f1([xi,ki])+(f2([xi,wi])+xi)
[0097]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0098]
其中，xi代表残差结构层的输入向量，yi代表输出向量，函数f1([xi,ki])和f2([xi,wi])表示残差映射。
[0099]
基于以上实施例，所述基于所述故障预测结果评价所述故障预测模型的预测准确性，包括：
[0100]
获取特征数据信息的特征数目，基于所述特征数据信息的特征数目选择目标特征并基于所述故障预测结果获取所述目标特征对应的数据值；
[0101]
获取在目标时刻时所述目标特征的智慧城市物联网状态数据值，并结合所述特征
数目和目标特征对应的数据值评价所述故障预测模型的预测准确性。
[0102]
具体地，本实施例提供了对故障预测结果进行准确性评价的具体过程。得到模型的故障预测结果后，使用均方根误差(rmse)来衡量模型的准确性。如以下公式所示：
[0103][0104]
其中，n代表数据采集的特征数目，即特征数据信息的特征数目；代表模型预测输出的第i个特征的数据值，即目标特征对应的数据值，代表t时刻下真实的第i个特征的数据值，即在目标时刻时所述目标特征的智慧城市物联网状态数据值。由以上公式的定义可知，rmse越小表示模型准确性越高。
[0105]
基于以上实施例，基于所述卷积层输出的第一空间特征进行残差信息学习，并输出特征数据信息的第二空间特征之后，还包括：
[0106]
对所述特征数据信息的第二空间特征进行批量归一化处理并输入至所述结果处理层；
[0107]
所述通过所述结果处理层基于所述残差结构层输出的第二空间特征得到特征数据信息的故障预测结果，包括：
[0108]
通过所述结果处理层基于批量归一化处理后的第二空间特征得到特征数据信息的故障预测结果。
[0109]
具体地，由于在训练过程中，如果神经网络训练时间过长或者网络太深，就会导致模型将很难进行训练。因此，本实施例通过对特征数据信息的第二空间特征采用批量归一化处理，将归一化处理后的空间特征输入至结果处理层从而得到故障预测结果，提高了模型训练的效率。
[0110]
下面对本发明提供的面向智慧城市物联网的故障预测装置进行描述，下文描述的面向智慧城市物联网的故障预测装置与上文描述的面向智慧城市物联网的故障预测方法可相互对应参照。
[0111]
参照图5，本发明还提供一种面向智慧城市物联网的故障预测装置，包括：
[0112]
获取模块510，用于获取智慧城市物联网设备的待预测的网络数据；
[0113]
预测模块520，用于将所述网络数据输入至训练完成的故障预测模型中，得到网络数据的故障预测结果；
[0114]
其中，所述故障预测模型是基于卷积分解操作和改进残差网络结构建立，并将智慧城市物联网设备的特征数据信息作为训练集以及训练集对应的预测标签进行训练得到的。
[0115]
基于以上实施例，故障预测模型的训练过程包括以下模块：
[0116]
训练集获取模块，用于获取智慧城市物联网设备的特征数据信息作为模型的训练集；
[0117]
模型建立模块，用于建立初始故障预测模型，将所述特征数据信息输入至所述初始故障预测模型中，得到特征向量的故障预测结果并基于故障预测结果评价预测准确性；
[0118]
训练模块，用于对所述初始故障预测模型进行迭代更新，调整所述初始故障预测模型的模型参数，直至所述故障预测结果与所述预测标签的误差值满足预设阈值，以及预测准确性达到目标值得到训练完成的故障预测模型。
[0119]
基于以上实施例，模型建立模块具体用于：
[0120]
建立初始故障预测模型，所述初始故障预测模型包括卷积层、残差结构层和结果处理层；
[0121]
所述卷积层，用于基于所述卷积层对输入的特征数据信息进行空间特征信息提取，结合卷积层的激励函数获取第一空间特征；
[0122]
其中，所述卷积层是基于卷积分解操作建立的；
[0123]
所述残差结构层，用于基于所述卷积层输出的第一空间特征进行残差信息学习，并输出特征数据信息的第二空间特征；
[0124]
所述结果处理层，用于基于所述残差结构层输出的第二空间特征得到特征数据信息的故障预测结果；
[0125]
基于所述故障预测结果评价所述故障预测模型的预测准确性。
[0126]
基于以上实施例，所述残差结构层包括第一残差连接通道和第二残差连接通道；
[0127]
残差结构层具体用于：
[0128]
通过所述第一残差连接通道获取所述卷积层输出的第一空间特征的第一残差映射结果，通过第二残差连接通道获取所述卷积层输出的第一空间特征的第二残差映射结果；
[0129]
将所述第一残差映射结果和第一空间特征进行乘法流残差信息学习，将所述第二残差映射结果和第一空间特征进行加法流残差信息学习。
[0130]
基于以上实施例，训练模块具体用于：
[0131]
获取特征数据信息的特征数目，基于所述特征数据信息的特征数目选择目标特征并基于所述故障预测结果获取所述目标特征对应的数据值；
[0132]
获取在目标时刻时所述目标特征的智慧城市物联网状态数据值，并结合所述特征数目和目标特征对应的数据值评价所述故障预测模型的预测准确性。
[0133]
基于以上实施例，模型建立模块还用于：
[0134]
对所述特征数据信息的第二空间特征进行批量归一化处理并输入至所述结果处理层；
[0135]
通过所述结果处理层基于批量归一化处理后的第二空间特征得到特征数据信息的故障预测结果。
[0136]
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行面向智慧城市物联网的故障预测方法，该方法包括：
[0137]
获取智慧城市物联网设备的待预测的网络数据；
[0138]
将所述网络数据输入至训练完成的故障预测模型中，得到网络数据的故障预测结果；
[0139]
其中，所述故障预测模型是基于卷积分解操作和改进残差网络结构建立，并将智慧城市物联网设备的特征数据信息作为训练集以及训练集对应的预测标签进行训练得到的。
[0140]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0141]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的面向智慧城市物联网的故障预测方法，该方法包括：
[0142]
获取智慧城市物联网设备的待预测的网络数据；
[0143]
将所述网络数据输入至训练完成的故障预测模型中，得到网络数据的故障预测结果；
[0144]
其中，所述故障预测模型是基于卷积分解操作和改进残差网络结构建立，并将智慧城市物联网设备的特征数据信息作为训练集以及训练集对应的预测标签进行训练得到的。
[0145]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的面向智慧城市物联网的故障预测方法，该方法包括：
[0146]
获取智慧城市物联网设备的待预测的网络数据；
[0147]
将所述网络数据输入至训练完成的故障预测模型中，得到网络数据的故障预测结果；
[0148]
其中，所述故障预测模型是基于卷积分解操作和改进残差网络结构建立，并将智慧城市物联网设备的特征数据信息作为训练集以及训练集对应的预测标签进行训练得到的。
[0149]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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的劳动的情况下，即可以理解并实施。
[0150]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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计算机可读存储介质中，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)执行各个实施例或者实施例的某些部分所述的方法。
[0151]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。