本發(fā)明涉及機器學(xué)習(xí)技術(shù)領(lǐng)域，具體而言，涉及一種目標(biāo)的運動范圍預(yù)測方法及裝置。

背景技術(shù)：

現(xiàn)今犯罪目標(biāo)的反偵查意識逐年增強，面對警方的嚴密布控，嫌疑人在任何有風(fēng)吹草動的情況下，第一時間均會選擇望風(fēng)而逃。面臨犯罪目標(biāo)的逃離，警方需要第一時間(如20分鐘內(nèi))準(zhǔn)確的劃定嫌疑人逃跑范圍，在范圍內(nèi)大量布控，對犯罪目標(biāo)實施抓捕。

相關(guān)技術(shù)中提供了一種基于社會科學(xué)的目標(biāo)逃跑范圍預(yù)測方法，該方法主要利用專家在社會學(xué)、心理學(xué)等方面的相關(guān)經(jīng)驗，綜合考慮路網(wǎng)、天氣、時間等多個現(xiàn)場環(huán)境因素，以及犯罪目標(biāo)的犯罪心理形成和犯罪行為發(fā)生的規(guī)律，預(yù)測與劃定犯罪目標(biāo)可能逃跑的范圍。

發(fā)明人在研究中發(fā)現(xiàn)，基于社會科學(xué)的目標(biāo)逃跑范圍預(yù)測方法主要以專家經(jīng)驗為主，由于無法較好的綜合評估各種影響逃跑范圍的因素，導(dǎo)致范圍預(yù)測的準(zhǔn)確度較低，而較低準(zhǔn)確率的范圍預(yù)測將導(dǎo)致后續(xù)浪費更多的人力物力去圍捕犯罪目標(biāo)。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種目標(biāo)的運動范圍預(yù)測方法及裝置，利用機器學(xué)習(xí)技術(shù)實現(xiàn)對目標(biāo)的運動范圍預(yù)測，預(yù)測準(zhǔn)確度較高，且省時省力，實用性較佳。

第一方面，本發(fā)明實施例提供了一種目標(biāo)的運動范圍預(yù)測方法，所述方法包括：

獲取設(shè)置在實際區(qū)域內(nèi)可供目標(biāo)選擇的各個路徑的環(huán)境屬性信息和第一路徑長度信息；

利用粒子群方法對根據(jù)所述環(huán)境屬性信息和所述第一路徑長度信息構(gòu)建的多元線性回歸函數(shù)進行迭代求解，得到每個路徑對應(yīng)的第二路徑長度信息，所述多元線性回歸函數(shù)的自變量為所述環(huán)境屬性信息，所述多元線性回歸函數(shù)的因變量為所述第一路徑長度信息；

根據(jù)各個所述第二路徑長度信息、所述目標(biāo)的運動起點位置和運動總時間，確定所述目標(biāo)對應(yīng)的各個運動終點位置，所述運動總時間為所述目標(biāo)由所述運動起點位置運動到所述運動終點位置所占用的時間；

根據(jù)各個所述運動終點位置得到所述目標(biāo)的運動預(yù)測范圍。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第一種可能的實施方式，其中，所述利用粒子群方法對根據(jù)所述環(huán)境屬性信息和所述第一路徑長度信息構(gòu)建的多元線性回歸函數(shù)進行迭代求解之前，還包括：

根據(jù)有效關(guān)聯(lián)規(guī)則對所述環(huán)境屬性信息進行約簡，得到約簡后的環(huán)境屬性信息，所述有效關(guān)聯(lián)規(guī)則是提升度符合預(yù)設(shè)閾值的由所述環(huán)境屬性信息推導(dǎo)出所述第一路徑長度信息的關(guān)聯(lián)規(guī)則。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第二種可能的實施方式，其中，所述利用粒子群方法對根據(jù)所述環(huán)境屬性信息和所述第一路徑長度信息構(gòu)建的多元線性回歸函數(shù)進行迭代求解，得到每個路徑對應(yīng)的第二路徑長度信息，包括：

對所述粒子群方法中的所有粒子均進行初始化，并確定所有所述粒子的適應(yīng)度函數(shù)，所述適應(yīng)度函數(shù)為所述多元線性回歸函數(shù)中的目標(biāo)函數(shù)，每個所述粒子均為所述多元線性回歸函數(shù)中的一個回歸參數(shù)；

根據(jù)所述適應(yīng)度函數(shù)更新所述粒子的速度和位置；

對更新的所述速度和位置進行多次迭代處理，得到對應(yīng)于所述適應(yīng)度函數(shù)的最優(yōu)解；

基于所述最優(yōu)解得到對應(yīng)的最優(yōu)回歸參數(shù)，所述最優(yōu)回歸參數(shù)為所有所述回歸參數(shù)中的一個；

將所述最優(yōu)回歸參數(shù)和所述路徑的所述環(huán)境屬性信息均代入所述多元線性回歸函數(shù)，得到所述路徑對應(yīng)的第二路徑長度信息。

結(jié)合第一方面的第二種可能的實施方式，本發(fā)明實施例提供了第一方面的第三種可能的實施方式，其中，所述根據(jù)所述適應(yīng)度函數(shù)更新所述粒子的速度和位置，包括：

根據(jù)所述適應(yīng)度函數(shù)計算對應(yīng)的哨兵函數(shù)，并根據(jù)所述哨兵函數(shù)計算得到所述粒子的哨兵值，所述哨兵函數(shù)由所述適應(yīng)度函數(shù)、適應(yīng)度平均值和規(guī)范化函數(shù)確定，所述規(guī)范化函數(shù)由所述適應(yīng)度函數(shù)和最大適應(yīng)度值確定；

判斷所述哨兵值是否符合預(yù)設(shè)閾值，若否，根據(jù)慣性權(quán)重和學(xué)習(xí)因子更新所述粒子的速度和位置，所述慣性權(quán)重由所述哨兵值、預(yù)設(shè)最小慣性權(quán)重和預(yù)設(shè)最大慣性權(quán)重確定，所述學(xué)習(xí)因子由所述哨兵值、預(yù)設(shè)起始學(xué)習(xí)因子和預(yù)設(shè)結(jié)束學(xué)習(xí)因子確定。

結(jié)合第一方面的第二種可能的實施方式，本發(fā)明實施例提供了第一方面的第四種可能的實施方式，其中，所述對更新的所述速度和位置進行多次迭代處理，得到對應(yīng)于所述適應(yīng)度函數(shù)的最優(yōu)解，包括：

利用禁忌搜索方法在當(dāng)前次迭代得到的全局最優(yōu)解的預(yù)設(shè)范圍內(nèi)搜索新解；

判斷所述新解是否是所述當(dāng)前次迭代的最優(yōu)解，若是，則將所述最優(yōu)解作為下一次迭代的初始值對更新的所述速度和位置進行迭代處理，直至達到預(yù)設(shè)迭代條件時，停止迭代，得到多次迭代后對應(yīng)于所述適應(yīng)度函數(shù)的所述最優(yōu)解。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第五種可能的實施方式，其中，所述根據(jù)各個所述第二路徑長度信息、所述目標(biāo)的運動起點位置和運動總時間，確定所述目標(biāo)對應(yīng)的各個運動終點位置，包括：

從各個所述第二路徑長度信息中查找與所述運動起點位置相連接的第一運動位置對應(yīng)的所述第二路徑長度信息，通過查找到的所述第二路徑長度信息對應(yīng)的第一平均運動時間對所述運動總時間進行更新；

從各個所述第二路徑長度信息中查找與所述第一運動位置相連接的第二運動位置對應(yīng)的所述第二路徑長度信息，通過查找到的所述第二路徑長度信息對應(yīng)的第二平均運動時間對更新后的所述運動總時間再次進行更新，直至更新到的所述運動總時間為零時，停止更新，并得到對應(yīng)的所述運動終點位置。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第六種可能的實施方式，其中，所述根據(jù)各個所述運動終點位置得到所述目標(biāo)的運動預(yù)測范圍，包括：

將相鄰所述運動終點位置依次連接，得到所述目標(biāo)的運動預(yù)測范圍。

第二方面，本發(fā)明實施例還提供了一種目標(biāo)的運動范圍預(yù)測裝置，所述裝置包括：

獲取模塊，用于獲取設(shè)置在實際區(qū)域內(nèi)可供目標(biāo)選擇的各個路徑的環(huán)境屬性信息和第一路徑長度信息；

迭代模塊，用于利用粒子群方法對根據(jù)所述環(huán)境屬性信息和所述第一路徑長度信息構(gòu)建的多元線性回歸函數(shù)進行迭代求解，得到每個路徑對應(yīng)的第二路徑長度信息，所述多元線性回歸函數(shù)的自變量為所述環(huán)境屬性信息，所述多元線性回歸函數(shù)的因變量為所述第一路徑長度信息；

確定模塊，用于根據(jù)各個所述第二路徑長度信息、所述目標(biāo)的運動起點位置和運動總時間，確定所述目標(biāo)對應(yīng)的各個運動終點位置，所述運動總時間為所述目標(biāo)由所述運動起點位置運動到所述運動終點位置所占用的時間；

生成模塊，用于根據(jù)各個所述運動終點位置得到所述目標(biāo)的運動預(yù)測范圍。

結(jié)合第二方面，本發(fā)明實施例提供了第二方面的第一種可能的實施方式，其中，所述迭代模塊包括：

確定單元，用于對所述粒子群方法中的所有粒子均進行初始化，并確定所有所述粒子的適應(yīng)度函數(shù)，所述適應(yīng)度函數(shù)為所述多元線性回歸函數(shù)中的目標(biāo)函數(shù)，每個所述粒子均為所述多元線性回歸函數(shù)中的一個回歸參數(shù)；

更新單元，用于根據(jù)所述適應(yīng)度函數(shù)更新所述粒子的速度和位置；

迭代單元，用于對更新的所述速度和位置進行多次迭代處理，得到對應(yīng)于所述適應(yīng)度函數(shù)的最優(yōu)解；

第一生成單元，用于基于所述最優(yōu)解得到對應(yīng)的最優(yōu)回歸參數(shù)，所述最優(yōu)回歸參數(shù)為所有所述回歸參數(shù)中的一個；

第二生成單元，用于將所述最優(yōu)回歸參數(shù)和所述路徑的所述環(huán)境屬性信息均代入所述多元線性回歸函數(shù)，得到所述路徑對應(yīng)的第二路徑長度信息。

結(jié)合第二方面的第一種可能的實施方式，本發(fā)明實施例提供了第二方面的第二種可能的實施方式，其中，所述更新單元包括：

計算子單元，用于根據(jù)所述適應(yīng)度函數(shù)計算對應(yīng)的哨兵函數(shù)，并根據(jù)所述哨兵函數(shù)計算得到所述粒子的哨兵值，所述哨兵函數(shù)由所述適應(yīng)度函數(shù)、適應(yīng)度平均值和規(guī)范化函數(shù)確定，所述規(guī)范化函數(shù)由所述適應(yīng)度函數(shù)和最大適應(yīng)度值確定；

更新子單元，用于判斷所述哨兵值是否符合預(yù)設(shè)閾值，若否，根據(jù)慣性權(quán)重和學(xué)習(xí)因子更新所述粒子的速度和位置，所述慣性權(quán)重由所述哨兵值、預(yù)設(shè)最小慣性權(quán)重和預(yù)設(shè)最大慣性權(quán)重確定，所述學(xué)習(xí)因子由所述哨兵值、預(yù)設(shè)起始學(xué)習(xí)因子和預(yù)設(shè)結(jié)束學(xué)習(xí)因子確定。

本發(fā)明實施例提供的目標(biāo)的運動范圍預(yù)測方法及裝置，與現(xiàn)有技術(shù)中基于社會科學(xué)的目標(biāo)逃跑范圍預(yù)測方法主要以專家經(jīng)驗為主，由于無法較好的綜合評估各種影響逃跑范圍的因素，導(dǎo)致范圍預(yù)測的準(zhǔn)確度較低，圍捕犯罪目標(biāo)費時費力相比，其首先獲取設(shè)置在實際區(qū)域內(nèi)可供目標(biāo)選擇的各個路徑的環(huán)境屬性信息和第一路徑長度信息，然后利用粒子群方法對根據(jù)環(huán)境屬性信息和第一路徑長度信息構(gòu)建的多元線性回歸函數(shù)進行迭代求解，得到每個路徑對應(yīng)的第二路徑長度信息，多元線性回歸函數(shù)的自變量為環(huán)境屬性信息，多元線性回歸函數(shù)的因變量為第一路徑長度信息，并根據(jù)各個第二路徑長度信息、目標(biāo)的運動起點位置和運動總時間，確定目標(biāo)對應(yīng)的各個運動終點位置，運動總時間為目標(biāo)由運動起點位置運動到運動終點位置所占用的時間，最后根據(jù)各個運動終點位置得到目標(biāo)的運動預(yù)測范圍，其利用多元線性回歸算法對輸入的各個環(huán)境屬性信息進行目標(biāo)的運動范圍預(yù)測，預(yù)測準(zhǔn)確度較高，且省時省力，實用性較佳。

為使本發(fā)明的上述目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例中所需要使用的附圖作簡單地介紹，應(yīng)當(dāng)理解，以下附圖僅示出了本發(fā)明的某些實施例，因此不應(yīng)被看作是對范圍的限定，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。

圖1示出了本發(fā)明實施例所提供的一種目標(biāo)的運動范圍預(yù)測方法的流程圖；

圖2示出了本發(fā)明實施例所提供的另一種目標(biāo)的運動范圍預(yù)測方法的流程圖；

圖3示出了本發(fā)明實施例所提供的另一種目標(biāo)的運動范圍預(yù)測方法的流程圖；

圖4示出了本發(fā)明實施例所提供的另一種目標(biāo)的運動范圍預(yù)測方法的流程圖；

圖5示出了本發(fā)明實施例所提供的另一種目標(biāo)的運動范圍預(yù)測方法的流程圖；

圖6示出了本發(fā)明實施例所提供的一種目標(biāo)的運動范圍預(yù)測方法的具體應(yīng)用圖；

圖7示出了本發(fā)明實施例所提供的一種目標(biāo)的運動范圍預(yù)測裝置的結(jié)構(gòu)示意圖；

圖8示出了本發(fā)明實施例所提供的一種目標(biāo)的運動范圍預(yù)測裝置中迭代模塊的結(jié)構(gòu)示意圖；

圖9示出了本發(fā)明實施例所提供的一種目標(biāo)的運動范圍預(yù)測裝置中更新單元的結(jié)構(gòu)示意圖。

主要元件符號說明：

11、獲取模塊；22、迭代模塊；33、確定模塊；44、生成模塊；221、確定單元；222、更新單元；223、迭代單元；224、第一生成單元；225、第二生成單元；2221、計算子單元；2222、更新子單元。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。通常在此處附圖中描述和示出的本發(fā)明實施例的組件可以以各種不同的配置來布置和設(shè)計。因此，以下對在附圖中提供的本發(fā)明的實施例的詳細描述并非旨在限制要求保護的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實施例?；诒景l(fā)明的實施例，本領(lǐng)域技術(shù)人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

考慮到現(xiàn)有技術(shù)中的基于社會科學(xué)的目標(biāo)逃跑范圍預(yù)測方法，主要以專家經(jīng)驗為主，由于無法較好的綜合評估各種影響逃跑范圍的因素，導(dǎo)致范圍預(yù)測的準(zhǔn)確度較低，而較低準(zhǔn)確率的范圍預(yù)測將導(dǎo)致后續(xù)浪費更多的人力物力去圍捕犯罪目標(biāo)?；诖耍景l(fā)明實施例提供了一種目標(biāo)的運動范圍預(yù)測方法及裝置，利用機器學(xué)習(xí)技術(shù)實現(xiàn)對目標(biāo)的運動范圍預(yù)測，預(yù)測準(zhǔn)確度較高，且省時省力，實用性較佳。

參見圖1所示的本發(fā)明實施例提供的目標(biāo)的運動范圍預(yù)測方法的流程圖，所述方法具體包括如下步驟：

S101、獲取設(shè)置在實際區(qū)域內(nèi)可供目標(biāo)選擇的各個路徑的環(huán)境屬性信息和第一路徑長度信息；

具體的，考慮到本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測方法的具體應(yīng)用場景，本發(fā)明實施例中，上述獲取的各個路徑的環(huán)境屬性信息來自于對罪犯追捕的辦案經(jīng)驗及對周圍環(huán)境因素的綜合考慮的公安技戰(zhàn)法。其中，上述環(huán)境屬性信息包括道路級別、逃離時間、路徑行駛時間、道路類型、紅路燈分布情況、車道數(shù)、逃跑起點地理位置類型、路況時段、加油站分布情況、交通出行方式、天氣情況、同行人數(shù)、季節(jié)類型、日期類型、當(dāng)前時刻與目標(biāo)第一次出現(xiàn)時間的時間差。

另外，對于獲取到的環(huán)境屬性信息，本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測方法還將對其進行數(shù)據(jù)清洗和數(shù)據(jù)轉(zhuǎn)化。

S102、利用粒子群方法對根據(jù)環(huán)境屬性信息和第一路徑長度信息構(gòu)建的多元線性回歸函數(shù)進行迭代求解，得到每個路徑對應(yīng)的第二路徑長度信息，多元線性回歸函數(shù)的自變量為環(huán)境屬性信息，多元線性回歸函數(shù)的因變量為第一路徑長度信息；

具體的，在闡述對根據(jù)環(huán)境屬性信息和第一路徑長度信息構(gòu)建的多元線性回歸函數(shù)進行迭代求解之前，先對上述粒子群方法進行簡要說明。

設(shè)第t代種群有N個粒子，和表示第i個粒子的位置和速度；在搜索空間內(nèi)，個體粒子搜索到目前為止的歷史最好位置為個體最優(yōu)，該位置適應(yīng)度值稱為個體極值pbest；一個種群發(fā)現(xiàn)的最好點位置為全局搜索的最優(yōu)點，該位置適應(yīng)度值稱為全局極值gbest；在尋優(yōu)過程中粒子的速率和位置采取下面的公式來更新。

其中為第i個粒子的速度，ω為當(dāng)前代粒子群慣性權(quán)重，c₁和c₂為學(xué)習(xí)因子，為當(dāng)前代粒子的位置，rand()為0到1之間的隨機數(shù)。

本發(fā)明實施例中，將上述多元線性回歸函數(shù)的回歸參數(shù)當(dāng)作一個粒子，則上述種群中每個粒子均為多元線性回歸函數(shù)Y＝b₀+b₁x₁+…+b_kx_k的一個解，則粒子i表示解Ans_i：Ans_i＝{b₀(i),b₁(i),b₂(i),…,b_k(i)}。其中，上述多元線性回歸函數(shù)中{x₁,x₂,x₃,…,x_k}為其自變量，Y為其因變量，且自變量即為對應(yīng)于每個路徑的環(huán)境屬性信息，因變量即為對應(yīng)的第一路徑長度信息。

其中，上述粒子群算法中的適應(yīng)度函數(shù)f(x)為：

那么，上述粒子群算法的最優(yōu)解即為令該適應(yīng)度函數(shù)最小的粒子，那么，在對多元線性回歸函數(shù)求解的過程中，本發(fā)明實施例將該適應(yīng)度函數(shù)確定為求解該多元線性回歸函數(shù)的目標(biāo)函數(shù)，則，將通過粒子群算法求解得到的最優(yōu)解代入到上述多元線性回歸函數(shù)，可得到對應(yīng)的第二路徑長度信息。

S103、根據(jù)各個第二路徑長度信息、目標(biāo)的運動起點位置和運動總時間，確定目標(biāo)對應(yīng)的各個運動終點位置，運動總時間為目標(biāo)由運動起點位置運動到運動終點位置所占用的時間；

S104、根據(jù)各個運動終點位置得到目標(biāo)的運動預(yù)測范圍。

具體的，對于每個路徑而言，均計算在該路徑上可行駛的路網(wǎng)路程(即第二路徑長度信息)，基于目標(biāo)的運動起點位置，每行駛一個路徑即計算一段路徑，相應(yīng)的，要更新運動總時間，當(dāng)運動總時間更新到零時，記錄此刻停下的位置，即為運動終點位置。對于可能到達的運動終點位置，將所有的終點位置按照相鄰的順序用直線連起來，連起來后形成的不規(guī)則閉合區(qū)域即為目標(biāo)運動范圍的預(yù)測區(qū)域。

本發(fā)明實施例提供的目標(biāo)的運動范圍預(yù)測方法，其首先獲取設(shè)置在實際區(qū)域內(nèi)可供目標(biāo)選擇的各個路徑的環(huán)境屬性信息和第一路徑長度信息，然后利用粒子群方法對根據(jù)環(huán)境屬性信息和第一路徑長度信息構(gòu)建的多元線性回歸函數(shù)進行迭代求解，得到每個路徑對應(yīng)的第二路徑長度信息，多元線性回歸函數(shù)的自變量為環(huán)境屬性信息，多元線性回歸函數(shù)的因變量為第一路徑長度信息，并根據(jù)各個第二路徑長度信息、目標(biāo)的運動起點位置和運動總時間，確定目標(biāo)對應(yīng)的各個運動終點位置，運動總時間為目標(biāo)由運動起點位置運動到運動終點位置所占用的時間，最后根據(jù)各個運動終點位置得到目標(biāo)的運動預(yù)測范圍，其利用多元線性回歸算法對輸入的各個環(huán)境屬性信息進行目標(biāo)的運動范圍預(yù)測，預(yù)測準(zhǔn)確度較高，且省時省力，實用性較佳。

為了更好的對環(huán)境屬性信息進行多元線性回歸分析，本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測方法還將對獲取的環(huán)境屬性信息進行約簡，即根據(jù)有效關(guān)聯(lián)規(guī)則對環(huán)境屬性信息進行約簡，得到約簡后的環(huán)境屬性信息，有效關(guān)聯(lián)規(guī)則是提升度符合預(yù)設(shè)閾值的由環(huán)境屬性信息推導(dǎo)出第一路徑長度信息的關(guān)聯(lián)規(guī)則。

具體的，本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測方法還基于關(guān)聯(lián)規(guī)則算法對環(huán)境屬性信息進行約簡，考慮到Apriori關(guān)聯(lián)規(guī)則算法的優(yōu)良特性，本發(fā)明實施例中優(yōu)選的應(yīng)用Apriori關(guān)聯(lián)規(guī)則算法獲取關(guān)聯(lián)規(guī)則。另外，本發(fā)明實施例還通過從關(guān)聯(lián)規(guī)則中尋找到的有效關(guān)聯(lián)規(guī)則對環(huán)境屬性信息進行約簡。在進行約簡過程的具體闡述之前，對于關(guān)聯(lián)規(guī)則有如下參數(shù)定義：

(1)支持度：

(2)置信度：sup_num指支持度計數(shù)

(3)提升度：

本發(fā)明實施例具體按照如下步驟進行約簡：

Step1：應(yīng)用Apriori算法從訓(xùn)練集屬性A₁,A₂,…,A_i,…,A_n,Y中生成規(guī)則，在生成的一些列關(guān)聯(lián)規(guī)則的后一項B部分挑選出含有類別屬性Y且Lift>1的規(guī)則；其中，A₁,A₂,…,A_i,…,A_n為環(huán)境屬性信息，Y為第一路徑長度信息；

Step2：將挑選出關(guān)聯(lián)規(guī)則例如的前一項A的部分加入到屬性集合S中，集合S即為篩選后的屬性的集合S＝{x₁,x₂,…,x_k,Y}。

由上述步驟可知，本發(fā)明實施例通過參數(shù)定義中的提升度對環(huán)境屬性信息推導(dǎo)出第一路徑長度信息的關(guān)聯(lián)規(guī)則進行篩選，根據(jù)篩選得到的有效關(guān)聯(lián)規(guī)則得到約簡后的環(huán)境屬性信息，約簡后的環(huán)境屬性信息及第一路徑長度信息即為上述集合S。

本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測方法將對根據(jù)環(huán)境屬性信息和第一路徑長度信息構(gòu)建的多元線性回歸函數(shù)進行迭代求解，參見圖2，上述迭代過程具體通過如下步驟實現(xiàn)：

S201、對粒子群方法中的所有粒子均進行初始化，并確定所有粒子的適應(yīng)度函數(shù)，適應(yīng)度函數(shù)為多元線性回歸函數(shù)中的目標(biāo)函數(shù)，每個粒子均為多元線性回歸函數(shù)中的一個回歸參數(shù)；

具體的，本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測方法根據(jù)公式(2)確定粒子對應(yīng)的適應(yīng)度函數(shù)。

S202、根據(jù)適應(yīng)度函數(shù)更新粒子的速度和位置；

為了更好的更新粒子的速度和位置，本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測方法基于適應(yīng)度函數(shù)對應(yīng)的哨兵函數(shù)對各個粒子進行閾值判斷，以在哨兵函數(shù)不符合預(yù)設(shè)閾值時，通過更新慣性權(quán)重和學(xué)習(xí)因子來更新粒子的狀態(tài)，參見圖3，上述更新過程具體通過如下步驟實現(xiàn)：

S2021、根據(jù)適應(yīng)度函數(shù)計算對應(yīng)的哨兵函數(shù)，并根據(jù)哨兵函數(shù)計算得到粒子的哨兵值，哨兵函數(shù)由適應(yīng)度函數(shù)、適應(yīng)度平均值和規(guī)范化函數(shù)確定，規(guī)范化函數(shù)由適應(yīng)度函數(shù)和最大適應(yīng)度值確定；

S2022、判斷哨兵值是否符合預(yù)設(shè)閾值，若否，根據(jù)慣性權(quán)重和學(xué)習(xí)因子更新粒子的速度和位置，慣性權(quán)重由哨兵值、預(yù)設(shè)最小慣性權(quán)重和預(yù)設(shè)最大慣性權(quán)重確定，學(xué)習(xí)因子由哨兵值、預(yù)設(shè)起始學(xué)習(xí)因子和預(yù)設(shè)結(jié)束學(xué)習(xí)因子確定。

具體的，本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測方法通過公式(2)得到適應(yīng)度函數(shù)，可以根據(jù)該適應(yīng)度函數(shù)直接更新粒子的速度和位置。然而，本發(fā)明實施例中考慮到粒子群處在早熟的狀態(tài)時，粒子群中將會出現(xiàn)粒子聚集在某個或若干個位置的情況。本發(fā)明實施例中創(chuàng)新性的定義了哨兵函數(shù)來檢驗當(dāng)前粒子群的狀態(tài)，警戒當(dāng)前粒子群是否出現(xiàn)粒子早熟的現(xiàn)象，若當(dāng)前粒子群的哨兵值處在警戒值域范圍內(nèi)，則需對慣性權(quán)重及學(xué)習(xí)因子進行相關(guān)的動態(tài)自適應(yīng)更新操作。

其中，在數(shù)量為N的粒子群中，設(shè)f_i為粒子i的適應(yīng)度值，則第t代粒子i的哨兵函數(shù)可定義為：

其中f_avg是t代適應(yīng)度平均值，定義為：Δ(f_i)為規(guī)范化函數(shù)，定義為：Δ(f_i)＝max(1,|f_i-f_max|)，其作用為限制哨兵函數(shù)的值域范圍在ζ^t∈(0,1)之內(nèi)，其中，f_max為最大適應(yīng)度值?？煽闯鲈谒惴ㄟ_到停止條件之前，哨兵函數(shù)值ζ^t變小表示粒子群已朝收斂趨勢靠近；哨兵函數(shù)值ζ^t在警戒值域范圍內(nèi)時，則說明表明粒子群已處于早熟的狀態(tài)，需要對其進行及時的自適應(yīng)更新操作。

另外，當(dāng)哨兵函數(shù)值ζ^t變小時，粒子群朝收斂趨勢靠近，應(yīng)通過將慣性權(quán)重ω的值變大已達到增強其全局搜索能力得作用；哨兵函數(shù)值ζ^t變大時，應(yīng)通過將慣性權(quán)重ω的值變小已達到增強其局部的尋優(yōu)能力，因此將慣性權(quán)重ω的更新方法定義為下式：

其中，ω_max和ω_min分別為預(yù)設(shè)最大慣性權(quán)重和預(yù)設(shè)最小慣性權(quán)重。

當(dāng)哨兵函數(shù)值ζ^t變小時，粒子群朝收斂趨勢靠近，應(yīng)通過將學(xué)習(xí)因子c₁的值變大，學(xué)習(xí)因子c₂的值變小，已達到加強p_best對粒子的影響、減弱g_best對粒子的影響的目的，使得粒子最大化的分散于更大的搜索領(lǐng)域，進而克服粒子群易陷入局部極值的缺陷，因此將學(xué)習(xí)因子c₁、c₂的更新方法定義為下式：

其中，c_1s、c_2s是c₁和c₂最開始時的設(shè)定值，即為預(yù)設(shè)起始學(xué)習(xí)因子，c_1e、c_2e是c₁和c₂最后結(jié)束時的設(shè)定值，即為預(yù)設(shè)結(jié)束學(xué)習(xí)因子。

S203、對更新的速度和位置進行多次迭代處理，得到對應(yīng)于適應(yīng)度函數(shù)的最優(yōu)解；

本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測方法在對粒子的速度和位置進行更新后，還將對更新的速度和位置進行多次迭代，參見圖4，該迭代過程具體包括：

S2031、利用禁忌搜索方法在當(dāng)前次迭代得到的全局最優(yōu)解的預(yù)設(shè)范圍內(nèi)搜索新解；

S2032、判斷新解是否是當(dāng)前次迭代的最優(yōu)解，若是，則將最優(yōu)解作為下一次迭代的初始值對更新的速度和位置進行迭代處理，直至達到預(yù)設(shè)迭代條件時，停止迭代，得到多次迭代后對應(yīng)于適應(yīng)度函數(shù)的最優(yōu)解。

具體的，為了解決上述粒子群算法存在局部搜索能力較差的問題，本發(fā)明實施例優(yōu)選的將禁忌搜索算法和該粒子群算法進行結(jié)合，以實現(xiàn)在全局最優(yōu)解中尋到得到最優(yōu)解。

其中，將粒子群每一代種群中產(chǎn)生的全局最優(yōu)粒子送入禁忌算法中進行優(yōu)化，再將優(yōu)化后得到的新的全局最優(yōu)粒子作為下一次迭代的初始值，有效的提升了算法的局部探索能力，然后將回歸參數(shù)自適應(yīng)調(diào)整的粒子群算法與禁忌搜索算法相結(jié)合得到改進后的粒子群算法，根據(jù)上述改進后的粒子群算法得到多次迭代后對應(yīng)于適應(yīng)度函數(shù)的最優(yōu)解。

S204、基于最優(yōu)解得到對應(yīng)的最優(yōu)回歸參數(shù)，最優(yōu)回歸參數(shù)為所有回歸參數(shù)中的一個；

S205、將最優(yōu)回歸參數(shù)和路徑的環(huán)境屬性信息均代入多元線性回歸函數(shù)，得到路徑對應(yīng)的第二路徑長度信息。

具體的，本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測方法得到的最優(yōu)解對應(yīng)于最優(yōu)回歸參數(shù)，將該最優(yōu)回歸參數(shù)和環(huán)境屬性信息代入至多元線性回歸函數(shù)，即可得到對應(yīng)的第二路徑長度信息。

本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測方法還將根據(jù)各個第二路徑長度信息、目標(biāo)的運動起點位置和運動總時間確定目標(biāo)的運動終點位置，參見圖5，本發(fā)明實施例具體通過如下步驟確定終點位置：

S501、從各個第二路徑長度信息中查找與運動起點位置相連接的第一運動位置對應(yīng)的第二路徑長度信息，通過查找到的第二路徑長度信息對應(yīng)的第一平均運動時間對運動總時間進行更新；

S502、從各個第二路徑長度信息中查找與第一運動位置相連接的第二運動位置對應(yīng)的第二路徑長度信息，通過查找到的第二路徑長度信息對應(yīng)的第二平均運動時間對更新后的運動總時間再次進行更新，直至更新到的運動總時間為零時，停止更新，并得到對應(yīng)的運動終點位置。

具體的，為了便于對上述運動終點位置的確定進行闡述，接下來通過一個完整的嫌疑人逃跑實例進行說明。

對于從對罪犯追捕的辦案經(jīng)驗及對周圍環(huán)境因素的綜合考慮的公安技戰(zhàn)法中獲取的各個路徑的環(huán)境屬性信息和第一路徑長度信息而言，通過Apriori關(guān)聯(lián)規(guī)則算法進行約簡后，再進行數(shù)據(jù)轉(zhuǎn)化，可得到：

(1)環(huán)境屬性信息為：

路徑行駛時間(x₁)＝num1(num1為大于0的數(shù))

道路類型(x₂)＝{1(快速路)、2(主干路)、3(次干路)、4(支路)}

紅路燈分布情況(x₃)＝num2(num2為當(dāng)前前進方向方圓5公里內(nèi)的紅綠燈個數(shù))

車道數(shù)(x₄)＝num3(num3為當(dāng)前道路的車道數(shù))

路況時段(x₅)＝{1(0～5點)、2(5～7點)、3(7～10點)、4(10～13點)、5(13～16點)、6(16～19點)、7(19～24點)}

交通出行方式(x₆)＝{1(步行)、2(自行車)、3(電動車)、4(摩托車)、5(汽車)}

天氣情況(x₇)＝{1(多云或晴)、2(下雨)、3(下雪)、4(霧)}；

日期類型(x₈)＝{1(工作日)、2(周末)、3(節(jié)假日)}

當(dāng)前時刻與第一次在監(jiān)控出現(xiàn)時間的時間差(x₉)＝num4(num4為時間差值)

嫌疑人總逃離時間為：Sum(time)＝time+num4

(2)Y屬性值代表路徑長度信息，編號r_num(r_num＝1,2,3，…,n)的路徑Y(jié)(r_num)為：

其中r_num(r_num＝1,2,3，…,n)為道路編號。

每一個道路均對應(yīng)一個系數(shù)集合：

road_{r_num}＝{b₀(r_num),b₁(r_num),b₂(r_num),…,b₉(r_num)}

可通過路網(wǎng)信息可得當(dāng)前編號為r_num的路段的平均通行時間Time _{r_num}。

若Sum(time)>Time_{r_num}，則當(dāng)前路段的逃離時間為x₁＝Time_{r_num}，總的逃離時間Sum(time)更新為：Sum(time)＝Sum(time)-Time_{r_num}；

若Sum(time)<Time_{r_num}，則當(dāng)前路段的逃離時間為x₁＝Sum(time)，總的逃離時間Sum(time)更新為：Sum(time)＝0。

由前文可知，對于每一條路徑均計算在該路徑上可行駛的路網(wǎng)路程(即第二路徑長度信息)Y(i),i∈(1,2,3,…,n)，每行駛一條路徑即計算一段路徑，相應(yīng)的要更新總的逃離時間，當(dāng)總逃離時間更新到0時，記錄此時停下的點為終點。

那么，對于一條路徑而言，若其環(huán)境屬性信息為嫌疑人逃離時間time＝13分鐘，道路類型(x₂)＝1，紅路燈分布情況(x₃)＝32個，車道數(shù)(x₄)＝3，路況時段(x₅)＝4，交通出行方式(x₆)＝1，天氣情況(x₇)＝2，日期類型(x₈)＝3，時間差(x₉)＝5分鐘。

則逃犯起始點為A點，在嫌疑人總逃離時間為：Sum(time)＝time+num4＝13+5＝18分鐘內(nèi)，在每個路徑上最長可走的路徑終點用B～I表示，B～I用虛線連接起來形成的不規(guī)則閉合區(qū)域即為犯罪嫌疑人逃離范圍的預(yù)測區(qū)域，如圖6所示：

其中，每個路段均有編號，例如A→1→2→5→J花費時間共18分鐘，A到J行駛的距離為：Y＝Y(jié)(1)+Y(2)+Y(5)；A→8→11→15→14→H也花費18分鐘，A到H行駛的距離為：Y＝Y(jié)(8)+Y(11)+Y(15)+Y(14)。

另外，對于上述確定得到的各個運動終點位置，只需將所有相鄰運動終點位置依次連接，即可得到目標(biāo)的運動預(yù)測范圍。上述方法所劃定的不規(guī)則區(qū)域即為嫌疑人逃離范圍的預(yù)測區(qū)域，采用優(yōu)化后多元線性回歸算法，在輸入一組環(huán)境因素變量后，最終能夠得到一個不規(guī)則的預(yù)測區(qū)域。這種基于優(yōu)化后多元線性回歸算法劃定范圍，既能避免專家不能完全兼顧到現(xiàn)場所有的因素，又能避免專家所圈定的范圍或太大或太小。

本發(fā)明實施例提供的目標(biāo)的運動范圍預(yù)測方法，其首先獲取設(shè)置在實際區(qū)域內(nèi)可供目標(biāo)選擇的各個路徑的環(huán)境屬性信息和第一路徑長度信息，然后利用粒子群方法對根據(jù)環(huán)境屬性信息和第一路徑長度信息構(gòu)建的多元線性回歸函數(shù)進行迭代求解，得到每個路徑對應(yīng)的第二路徑長度信息，多元線性回歸函數(shù)的自變量為環(huán)境屬性信息，多元線性回歸函數(shù)的因變量為第一路徑長度信息，并根據(jù)各個第二路徑長度信息、目標(biāo)的運動起點位置和運動總時間，確定目標(biāo)對應(yīng)的各個運動終點位置，運動總時間為目標(biāo)由運動起點位置運動到運動終點位置所占用的時間，最后根據(jù)各個運動終點位置得到目標(biāo)的運動預(yù)測范圍，其利用多元線性回歸算法對輸入的各個環(huán)境屬性信息進行目標(biāo)的運動范圍預(yù)測，預(yù)測準(zhǔn)確度較高，且省時省力，實用性較佳。

本發(fā)明實施例還提供了一種目標(biāo)的運動范圍預(yù)測裝置，所述裝置用于執(zhí)行上述目標(biāo)的運動范圍預(yù)測方法，參見圖7，所述裝置包括：

獲取模塊11，用于獲取設(shè)置在實際區(qū)域內(nèi)可供目標(biāo)選擇的各個路徑的環(huán)境屬性信息和第一路徑長度信息；

迭代模塊22，用于利用粒子群方法對根據(jù)環(huán)境屬性信息和第一路徑長度信息構(gòu)建的多元線性回歸函數(shù)進行迭代求解，得到每個路徑對應(yīng)的第二路徑長度信息，多元線性回歸函數(shù)的自變量為環(huán)境屬性信息，多元線性回歸函數(shù)的因變量為第一路徑長度信息；

確定模塊33，用于根據(jù)各個第二路徑長度信息、目標(biāo)的運動起點位置和運動總時間，確定目標(biāo)對應(yīng)的各個運動終點位置，運動總時間為目標(biāo)由運動起點位置運動到運動終點位置所占用的時間；

生成模塊44，用于根據(jù)各個運動終點位置得到目標(biāo)的運動預(yù)測范圍。

為了更好的對環(huán)境屬性信息進行多元線性回歸分析，本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測裝置還包括約簡模塊，該約簡模塊，用于根據(jù)有效關(guān)聯(lián)規(guī)則對環(huán)境屬性信息進行約簡，得到約簡后的環(huán)境屬性信息，有效關(guān)聯(lián)規(guī)則是提升度符合預(yù)設(shè)閾值的由環(huán)境屬性信息推導(dǎo)出第一路徑長度信息的關(guān)聯(lián)規(guī)則。

本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測裝置將對根據(jù)環(huán)境屬性信息和第一路徑長度信息構(gòu)建的多元線性回歸函數(shù)進行迭代求解，參見圖8，上述迭代模塊22包括：

確定單元221，用于對粒子群方法中的所有粒子均進行初始化，并確定所有粒子的適應(yīng)度函數(shù)，適應(yīng)度函數(shù)為多元線性回歸函數(shù)中的目標(biāo)函數(shù)，每個粒子均為多元線性回歸函數(shù)中的一個回歸參數(shù)；

更新單元222，用于根據(jù)適應(yīng)度函數(shù)更新粒子的速度和位置；

迭代單元223，用于對更新的速度和位置進行多次迭代處理，得到對應(yīng)于適應(yīng)度函數(shù)的最優(yōu)解；

第一生成單元224，用于基于最優(yōu)解得到對應(yīng)的最優(yōu)回歸參數(shù)，最優(yōu)回歸參數(shù)為所有回歸參數(shù)中的一個；

第二生成單元225，用于將最優(yōu)回歸參數(shù)和路徑的環(huán)境屬性信息均代入多元線性回歸函數(shù)，得到路徑對應(yīng)的第二路徑長度信息。

為了更好的更新粒子的速度和位置，本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測裝置基于適應(yīng)度函數(shù)對應(yīng)的哨兵函數(shù)對各個粒子進行閾值判斷，以在哨兵函數(shù)不符合預(yù)設(shè)閾值時，通過更新慣性權(quán)重和學(xué)習(xí)因子來更新粒子的狀態(tài)，參見圖9，上述更新單元222包括：

計算子單元2221，用于根據(jù)適應(yīng)度函數(shù)計算對應(yīng)的哨兵函數(shù)，并根據(jù)哨兵函數(shù)計算得到粒子的哨兵值，哨兵函數(shù)由適應(yīng)度函數(shù)、適應(yīng)度平均值和規(guī)范化函數(shù)確定，規(guī)范化函數(shù)由適應(yīng)度函數(shù)和最大適應(yīng)度值確定；

更新子單元2222，用于判斷哨兵值是否符合預(yù)設(shè)閾值，若否，根據(jù)慣性權(quán)重和學(xué)習(xí)因子更新粒子的速度和位置，慣性權(quán)重由哨兵值、預(yù)設(shè)最小慣性權(quán)重和預(yù)設(shè)最大慣性權(quán)重確定，學(xué)習(xí)因子由哨兵值、預(yù)設(shè)起始學(xué)習(xí)因子和預(yù)設(shè)結(jié)束學(xué)習(xí)因子確定。

本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測裝置通過更新單元222對粒子的速度和位置進行更新后，還將通過迭代單元223對更新的速度和位置進行多次迭代，該迭代單元223具體包括：

搜索子單元，用于利用禁忌搜索方法在當(dāng)前次迭代得到的全局最優(yōu)解的預(yù)設(shè)范圍內(nèi)搜索新解；

迭代子單元，用于判斷新解是否是當(dāng)前次迭代的最優(yōu)解，若是，則將最優(yōu)解作為下一次迭代的初始值對更新的速度和位置進行迭代處理，直至達到預(yù)設(shè)迭代條件時，停止迭代，得到多次迭代后對應(yīng)于適應(yīng)度函數(shù)的最優(yōu)解。

本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測裝置中的確定模塊33將根據(jù)各個第二路徑長度信息、目標(biāo)的運動起點位置和運動總時間確定目標(biāo)的運動終點位置，上述確定模塊33具體包括：

第一查找更新模塊，用于從各個第二路徑長度信息中查找與運動起點位置相連接的第一運動位置對應(yīng)的第二路徑長度信息，通過查找到的第二路徑長度信息對應(yīng)的第一平均運動時間對運動總時間進行更新；

第二查找更新模塊，用于從各個第二路徑長度信息中查找與第一運動位置相連接的第二運動位置對應(yīng)的第二路徑長度信息，通過查找到的第二路徑長度信息對應(yīng)的第二平均運動時間對更新后的運動總時間再次進行更新，直至更新到的運動總時間為零時，停止更新，并得到對應(yīng)的運動終點位置。

另外，對于上述確定模塊33得到的各個運動終點位置，只需通過生成模塊44將相鄰運動終點位置依次連接，即可得到目標(biāo)的運動預(yù)測范圍。

本發(fā)明實施例提供的目標(biāo)的運動范圍預(yù)測裝置，其首先獲取設(shè)置在實際區(qū)域內(nèi)可供目標(biāo)選擇的各個路徑的環(huán)境屬性信息和第一路徑長度信息，然后利用粒子群方法對根據(jù)環(huán)境屬性信息和第一路徑長度信息構(gòu)建的多元線性回歸函數(shù)進行迭代求解，得到每個路徑對應(yīng)的第二路徑長度信息，多元線性回歸函數(shù)的自變量為環(huán)境屬性信息，多元線性回歸函數(shù)的因變量為第一路徑長度信息，并根據(jù)各個第二路徑長度信息、目標(biāo)的運動起點位置和運動總時間，確定目標(biāo)對應(yīng)的各個運動終點位置，運動總時間為目標(biāo)由運動起點位置運動到運動終點位置所占用的時間，最后根據(jù)各個運動終點位置得到目標(biāo)的運動預(yù)測范圍，其利用多元線性回歸算法對輸入的各個環(huán)境屬性信息進行目標(biāo)的運動范圍預(yù)測，預(yù)測準(zhǔn)確度較高，且省時省力，實用性較佳。

本發(fā)明實施例所提供的進行目標(biāo)的運動范圍預(yù)測的方法的計算機程序產(chǎn)品，包括存儲了程序代碼的計算機可讀存儲介質(zhì)，所述程序代碼包括的指令可用于執(zhí)行前面方法實施例中所述的方法，具體實現(xiàn)可參見方法實施例，在此不再贅述。

本發(fā)明實施例所提供的目標(biāo)的運動范圍預(yù)測的裝置可以為設(shè)備上的特定硬件或者安裝于設(shè)備上的軟件或固件等。本發(fā)明實施例所提供的裝置，其實現(xiàn)原理及產(chǎn)生的技術(shù)效果和前述方法實施例相同，為簡要描述，裝置實施例部分未提及之處，可參考前述方法實施例中相應(yīng)內(nèi)容。所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，前述描述的系統(tǒng)、裝置和單元的具體工作過程，均可以參考上述方法實施例中的對應(yīng)過程，在此不再贅述。

在本發(fā)明所提供的實施例中，應(yīng)該理解到，所揭露裝置和方法，可以通過其它的方式實現(xiàn)。以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，又例如，多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些通信接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明提供的實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。

所述功能如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中。基于這樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

應(yīng)注意到：相似的標(biāo)號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步定義和解釋，此外，術(shù)語“第一”、“第二”、“第三”等僅用于區(qū)分描述，而不能理解為指示或暗示相對重要性。

最后應(yīng)說明的是：以上所述實施例，僅為本發(fā)明的具體實施方式，用以說明本發(fā)明的技術(shù)方案，而非對其限制，本發(fā)明的保護范圍并不局限于此，盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，其依然可以對前述實施例所記載的技術(shù)方案進行修改或可輕易想到變化，或者對其中部分技術(shù)特征進行等同替換；而這些修改、變化或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明實施例技術(shù)方案的精神和范圍。都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)所述以權(quán)利要求的保護范圍為準(zhǔn)。