本申請涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種數(shù)據(jù)預(yù)測方法及其系統(tǒng)。

背景技術(shù)：

目前電商對商品銷量的預(yù)測一般是基于歷史銷量數(shù)據(jù)，采用基于經(jīng)驗(yàn)的專家預(yù)測法、時(shí)間序列預(yù)測法和多元回歸預(yù)測算法。上述常用方法在數(shù)據(jù)和算法上都存在一定的局限性，比如僅僅用歷史銷量數(shù)據(jù)來預(yù)測未來，未能涵蓋更加有預(yù)測力的外部數(shù)據(jù)變量等。隨著電商發(fā)展得越來越迅速，銷售預(yù)測能夠?yàn)殡娚唐脚_的后端運(yùn)營提供非常有價(jià)值的指導(dǎo)，但是銷量預(yù)測的精確性一直存在非常大的提升空間。

現(xiàn)有預(yù)測銷量的技術(shù)中，專家法雖然簡便易行，但是主觀性比較強(qiáng)，無法保證預(yù)測的精確度；而時(shí)間序列方法主要是根據(jù)歷史銷量來推測未來銷量，也存在預(yù)測精度不夠的問題，特別不適合銷量劇烈波動(dòng)的特殊時(shí)期，而且沒有充分考慮到影響銷量相關(guān)因素外部數(shù)據(jù)源，同時(shí)也存在對于預(yù)測的結(jié)果存在不好解釋的問題；多元回歸方法是基于影響銷量等各方面因素而建立的多元線性方程的方法，多元回歸方法要想保證預(yù)測的精確性，需要足夠多的、影響銷量的各方面數(shù)據(jù)，即對數(shù)據(jù)有著非常嚴(yán)格的要求。預(yù)測精度很大程度上受制于數(shù)據(jù)質(zhì)量，預(yù)測精度往往不夠理想。

電商的銷售預(yù)測非常復(fù)雜，其中涉及到電商平臺本身的業(yè)務(wù)特點(diǎn)以及電商企業(yè)的供應(yīng)鏈整體能力，而且影響電商平臺上的銷量相關(guān)因素又錯(cuò)綜復(fù)雜，往往會(huì)導(dǎo)致電商的銷售預(yù)測會(huì)變得非常困難。

技術(shù)實(shí)現(xiàn)要素：

本申請的主要目的在于提供一種數(shù)據(jù)預(yù)測方法及其系統(tǒng)，以解決現(xiàn)有技術(shù)的對數(shù)據(jù)預(yù)測方案存在較大局限的問題。

根據(jù)本申請實(shí)施例提供一種數(shù)據(jù)預(yù)測方法，其包括：通過數(shù)據(jù)庫獲取單一業(yè)務(wù)的數(shù)據(jù)信息，其中所述數(shù)據(jù)信息包括多維度的特征變量；通過多元回歸方法，結(jié)合最小信息準(zhǔn)則aic值與貝葉斯信息準(zhǔn)則bic值，對所述多維度的特征變量進(jìn)行數(shù)據(jù)篩選，過濾數(shù)據(jù)噪音；將數(shù)據(jù)篩選后的特征變量導(dǎo)入到機(jī)器學(xué)習(xí)模型中，對數(shù)據(jù)進(jìn)行建模分析。

可選的，在所述對所述多維度的特征變量進(jìn)行數(shù)據(jù)篩選，包括：對所述多維度的特征變量進(jìn)行數(shù)據(jù)歸一化處理、數(shù)據(jù)變換處理和缺失值處理，以對數(shù)據(jù)清洗。

可選的，所述數(shù)據(jù)變換處理包括：將定性特征變量轉(zhuǎn)換成因子型特征變量，并對表示銷量的特征變量進(jìn)行對數(shù)變換。

可選的，所述缺失值處理包括：過濾掉缺失值比率超過預(yù)定數(shù)值的特征變量；或采用鄰近缺失值的特征變量值填補(bǔ)缺失的變量值。

可選的，所述通過多元回歸方法，對所述多維度的特征變量進(jìn)行變量篩選，包括：提取數(shù)據(jù)清洗后的特征變量中表示銷量以及影響銷量的變量，設(shè)置因變量y表示銷量、自變量x1…xn表示影響銷量y的n個(gè)變量；依次提取自變量x1…xn分別與因變量y組成臨時(shí)訓(xùn)練集，通過預(yù)設(shè)的多元回歸模型對所述臨時(shí)訓(xùn)練集進(jìn)行訓(xùn)練，并計(jì)算訓(xùn)練結(jié)果的aic值或bic值；判斷所述臨時(shí)訓(xùn)練集的aic值或bic值與預(yù)設(shè)值相比是否減少，若未減少，則刪除自變量，否則，保留該自變量；提取具有最小aic值或bic值的臨時(shí)訓(xùn)練集中的自變量。

可選的，所述對數(shù)據(jù)進(jìn)行建模分析，包括：通過多元回歸方法，結(jié)合aic值與bic值，將輸入的所有自變量經(jīng)過篩選變成篩選之后的自變量；對篩選之后的自變量進(jìn)行分類處理，若篩選之后的變量中存在離散性自變量，則將離散性自變量處理成矩陣，若為連續(xù)性變量則無需處理；將篩選之后的自變量經(jīng)過矩陣處理之后導(dǎo)入到機(jī)器學(xué)習(xí)模型中。

根據(jù)本發(fā)明實(shí)施例還一種數(shù)據(jù)預(yù)測系統(tǒng)，其包括：數(shù)據(jù)收集模塊，用于通過數(shù)據(jù)庫獲取單一業(yè)務(wù)的數(shù)據(jù)信息，其中所述數(shù)據(jù)信息包括多維度的特征變量；變量篩選模塊，用于通過多元回歸方法，結(jié)合最小信息準(zhǔn)則aic值與貝葉斯信息準(zhǔn)則bic值，對所述多維度的特征變量進(jìn)行數(shù)據(jù)篩選，過濾數(shù)據(jù)噪音；模型訓(xùn)練與分析模塊，用于將數(shù)據(jù)篩選后的特征變量導(dǎo)入到機(jī)器學(xué)習(xí)模型中，對數(shù)據(jù)進(jìn)行建模分析。

可選的，所述系統(tǒng)還包括：數(shù)據(jù)預(yù)處理模塊，用于對所述多維度的特征變量進(jìn)行數(shù)據(jù)歸一化處理、數(shù)據(jù)變換處理和缺失值處理，以對數(shù)據(jù)清洗。

可選的，所述變量篩選模塊用于：提取數(shù)據(jù)清洗后的特征變量中表示銷量以及影響銷量的變量，設(shè)置因變量y表示銷量、自變量x1…xn表示影響銷量y的n個(gè)變量；依次提取自變量x1…xn分別與因變量y組成臨時(shí)訓(xùn)練集，通過預(yù)設(shè)的多元回歸模型對所述臨時(shí)訓(xùn)練集進(jìn)行訓(xùn)練，并計(jì)算訓(xùn)練結(jié)果的aic值或bic值；判斷所述臨時(shí)訓(xùn)練集的aic值或bic值與預(yù)設(shè)值相比是否減少，若未減少，則刪除自變量，否則，保留該自變量；提取具有最小aic值或bic值的臨時(shí)訓(xùn)練集中的自變量。

可選的，所述模型訓(xùn)練與分析模塊用于：通過多元回歸方法，結(jié)合aic值與bic值，將輸入的所有自變量經(jīng)過篩選變成篩選之后的自變量；對篩選之后的自變量進(jìn)行分類處理，若篩選之后的變量中存在離散性自變量，則將離散性自變量處理成矩陣，若為連續(xù)性變量則無需處理；將篩選之后的自變量經(jīng)過矩陣處理之后導(dǎo)入到機(jī)器學(xué)習(xí)模型中。

根據(jù)本申請的技術(shù)方案，采用多種數(shù)據(jù)源的數(shù)據(jù)挖掘技術(shù)、集成學(xué)習(xí)方法對相應(yīng)的數(shù)據(jù)進(jìn)行分析和建模從而對銷售數(shù)據(jù)進(jìn)行預(yù)測，能夠?qū)ι唐蜂N量可能出現(xiàn)的急劇波動(dòng)做好準(zhǔn)備和及時(shí)應(yīng)對，對于未來銷量急劇增加或減少提前做好預(yù)警。

附圖說明

此處所說明的附圖用來提供對本申請的進(jìn)一步理解，構(gòu)成本申請的一部分，本申請的示意性實(shí)施例及其說明用于解釋本申請，并不構(gòu)成對本申請的不當(dāng)限定。在附圖中：

圖1是根據(jù)本發(fā)明實(shí)施例的數(shù)據(jù)預(yù)測方法的流程圖；

圖2是根據(jù)本發(fā)明實(shí)施例的基于多元回歸的變量篩選流程圖；

圖3是根據(jù)本發(fā)明實(shí)施例的缺失值處理的示意圖；

圖4是根據(jù)本發(fā)明實(shí)施例的基于多元回歸的變量篩選流程圖；

圖5是根據(jù)本發(fā)明實(shí)施例的測試集的預(yù)測效果的示意圖；

圖6是根據(jù)本發(fā)明實(shí)施例的預(yù)測結(jié)果與實(shí)際銷量對比的示意圖；

圖7是根據(jù)本發(fā)明實(shí)施例的數(shù)據(jù)預(yù)測系統(tǒng)的結(jié)構(gòu)框圖。

具體實(shí)施方式

本發(fā)明涉及電子商務(wù)平臺的預(yù)測商品未來銷售量的智能技術(shù)。特別是整合了多種數(shù)據(jù)源來預(yù)測商品的中長期銷量，既充分利用了多源數(shù)據(jù)中對未來銷量有預(yù)測作用的信息，同時(shí)也設(shè)法過濾掉其中大量的噪音信息。本發(fā)明通過采用一種高效集成學(xué)習(xí)算法xgboost，能夠顯著提高銷量預(yù)測的精度。本發(fā)明能夠提供分析結(jié)果的可解釋性，有助于深入了解商品的銷售動(dòng)態(tài)，制定有效的進(jìn)銷存對策。

為使本申請的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本申請具體實(shí)施例及相應(yīng)的附圖對本申請技術(shù)方案進(jìn)行清楚、完整地描述。顯然，所描述的實(shí)施例僅是本申請一部分實(shí)施例，而不是全部的實(shí)施例?；诒旧暾堉械膶?shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本申請保護(hù)的范圍。

以下結(jié)合附圖，詳細(xì)說明本申請各實(shí)施例提供的技術(shù)方案。

圖1是根據(jù)本申請一個(gè)實(shí)施例的數(shù)據(jù)預(yù)測方法的流程圖，如圖1所示，包括：

步驟s102，通過數(shù)據(jù)庫獲取單一業(yè)務(wù)的數(shù)據(jù)信息，其中所述數(shù)據(jù)信息包括多維度的特征變量；

其中，所述單一業(yè)務(wù)的數(shù)據(jù)信息為與銷量相關(guān)的所有數(shù)據(jù)，包括但不限于：商品基本信息數(shù)據(jù)、商品價(jià)格數(shù)據(jù)、商品的營銷推廣數(shù)據(jù)(庫存、歷史銷量)等內(nèi)部數(shù)據(jù)，以及節(jié)假日數(shù)據(jù)、電商平臺政策數(shù)據(jù)、電商平臺用戶行為數(shù)據(jù)(瀏覽、點(diǎn)擊和收藏等)等外部相關(guān)數(shù)據(jù)。

一般情況下數(shù)據(jù)庫中存儲(chǔ)的是所有待預(yù)測商品的數(shù)據(jù)集，而銷量預(yù)測模型的預(yù)測則是需要對單個(gè)商品單獨(dú)進(jìn)行預(yù)測，因此，在數(shù)據(jù)收集階段會(huì)有一個(gè)過濾單個(gè)商品數(shù)據(jù)集的處理過程。

步驟s104，通過多元回歸方法，結(jié)合最小信息準(zhǔn)則aic值與貝葉斯信息準(zhǔn)則bic值，對所述多維度的特征變量進(jìn)行數(shù)據(jù)篩選，過濾數(shù)據(jù)噪音。

參考圖2，為本發(fā)明實(shí)施例的基于多元回歸的變量篩選流程圖。因變量y在銷量預(yù)測模型中為商品的銷量，而自變量x1…xn分別代表影響銷量y的n個(gè)變量；對于變量篩選的伊始，首先由x1和y組成臨時(shí)訓(xùn)練集，其次將臨時(shí)訓(xùn)練集通過多元回歸模型進(jìn)行訓(xùn)練，然后計(jì)算訓(xùn)練結(jié)果的aic值或bic值，再后，判斷該臨時(shí)訓(xùn)練集的aic值或bic值是否減少(前提是在模型的開始時(shí)，選擇一個(gè)較大的值作為初始aic值或bic值)，若aic值或者bic值不減少，則將組成臨時(shí)訓(xùn)練集的自變量x1刪除；否則，進(jìn)入新一輪臨時(shí)訓(xùn)練集的組建，即將x2加入到臨時(shí)訓(xùn)練集中，進(jìn)行新一輪的多元回歸模型的訓(xùn)練與aic值或bic值的計(jì)算與判斷；從x1直至xn為止，選擇n個(gè)臨時(shí)訓(xùn)練集中aic值或bic值最小的臨時(shí)訓(xùn)練數(shù)據(jù)集，通過過濾器，提取具有最小aic值或bic值的訓(xùn)練集中的自變量，即完成了變量篩選的全部過程。

在步驟s104之前，需要對數(shù)據(jù)進(jìn)行預(yù)處理，主要是對數(shù)據(jù)收集到的原始數(shù)據(jù)做清洗，提取有用的信息量，而把噪音等干擾量排除掉，包括數(shù)據(jù)歸一化、數(shù)據(jù)變換和缺失值處理。

對于數(shù)據(jù)歸一化，采用的是min-max標(biāo)準(zhǔn)化，即對原始數(shù)據(jù)的線性變換，使結(jié)果映射到[0-1]之間。

對于數(shù)據(jù)變換，則采用的是對數(shù)變換或者統(tǒng)計(jì)學(xué)變換box-cox變換。具體地，數(shù)據(jù)轉(zhuǎn)換包括定性變量轉(zhuǎn)換成因子型變量和對銷量進(jìn)行對數(shù)變換。由于，機(jī)器學(xué)習(xí)xgboost模型的數(shù)據(jù)輸入要求為數(shù)值型格式，而影響銷售預(yù)測的各因素中存在離散變量(或稱為定性變量)。如“是否促銷”變量，其值只有“是”或“否”，其處理方法為將“是/否”轉(zhuǎn)換成“1/0”。由于銷量的分布，特別是誤差分布若不是符合模型假設(shè)的高斯分布，會(huì)對建模的精度具有一定的影響，為了防止該影響的出現(xiàn)，一般對銷量值y進(jìn)行對數(shù)變換或統(tǒng)計(jì)學(xué)上的box-cox變換。其中，box-cox變換是統(tǒng)計(jì)建模中的一種數(shù)據(jù)變換，用于連續(xù)的相應(yīng)變量不滿足正態(tài)分布的情況，box-cox變換之后，可以在一定程度上減小不可觀測的誤差和預(yù)測變量的相關(guān)性。

對于缺失值處理，包括兩部分：過濾缺失值比率超過60％的變量或樣本、以及用鄰近法插補(bǔ)缺失值。鑒于由于影響銷量的變量均帶有時(shí)間，因此被劃為時(shí)序變量，考慮到時(shí)序變量的時(shí)效性已經(jīng)經(jīng)濟(jì)影響因素，采用鄰近法進(jìn)行插補(bǔ)，即缺失值用靠近缺失值的變量值進(jìn)行填補(bǔ)。參考圖3，時(shí)期“2015-05-23”的變量值缺失，采用其臨近時(shí)間(即2015-05-24)的變量值“10.0”填補(bǔ)缺失的變量值。

步驟s106，將數(shù)據(jù)篩選后的特征變量導(dǎo)入到機(jī)器學(xué)習(xí)模型中，對數(shù)據(jù)進(jìn)行建模分析。參考圖4，具體地步驟s106包括以下步驟：

第一步，通過多元回歸方法，結(jié)合aic值與bic值，將輸入的所有自變量經(jīng)過篩選變成篩選之后的自變量；

第二步，對篩選之后的自變量進(jìn)行分類處理，若篩選之后的變量中存在離散性變量，則將離散性變量處理成矩陣，若為連續(xù)性變量則無需處理；

第三步，篩選之后的自變量經(jīng)過矩陣處理之后導(dǎo)入到機(jī)器學(xué)習(xí)xgboost算法中。

在完成模型訓(xùn)練與預(yù)測之后，對將預(yù)測的結(jié)果輸入到數(shù)據(jù)庫中，以便進(jìn)行可視化展示。

圖5為本發(fā)明實(shí)施例的測試集的預(yù)測效果的示意圖。在樣例數(shù)據(jù)集上用以下三種算法進(jìn)行預(yù)測：機(jī)器學(xué)習(xí)xgboost方法、多元回歸方法和arima方法。如圖5所示，一方面，基于機(jī)器學(xué)習(xí)的xgboost法的預(yù)測結(jié)果跟45度的虛線是最接近的，說明該方法的預(yù)測效果是最佳的；另一方面，對上述三種預(yù)測方法的預(yù)測精確度(即rmse進(jìn)行計(jì)算)發(fā)現(xiàn)，基于機(jī)器學(xué)習(xí)的xgboost方法的rmse只有多元回歸方法的rmse的1/2，是arima方法的rmse的1/3。綜上所述，基于機(jī)器學(xué)習(xí)的xgboost方法比目前的多元回歸方法和時(shí)間序列(arima)方法的預(yù)測精確性要高很多。

圖6為本發(fā)明實(shí)施例的預(yù)測結(jié)果與實(shí)際銷量對比的示意圖。其展示了待預(yù)測商品的歷史銷量和未來預(yù)測銷量的對比情況，從圖6可以看出，預(yù)測銷量在趨勢上基本上已經(jīng)與真實(shí)銷量的趨勢保持一致，而且，在預(yù)測的初始時(shí)間段，預(yù)測的精度較高。

根據(jù)本發(fā)明實(shí)施例還提供一種數(shù)據(jù)預(yù)測系統(tǒng)，參考圖7，其包括：

數(shù)據(jù)收集模塊71，用于通過數(shù)據(jù)庫獲取單一業(yè)務(wù)的數(shù)據(jù)信息，其中所述數(shù)據(jù)信息包括多維度的特征變量；

變量篩選模塊72，用于通過多元回歸方法，結(jié)合最小信息準(zhǔn)則aic值與貝葉斯信息準(zhǔn)則bic值，對所述多維度的特征變量進(jìn)行數(shù)據(jù)篩選，過濾數(shù)據(jù)噪音；

模型訓(xùn)練與分析模塊73，用于將數(shù)據(jù)篩選后的特征變量導(dǎo)入到機(jī)器學(xué)習(xí)模型中，對數(shù)據(jù)進(jìn)行建模分析。

在本發(fā)明的一個(gè)實(shí)施例中，所述數(shù)據(jù)預(yù)測系統(tǒng)還包括有：數(shù)據(jù)預(yù)處理模塊74，用于對所述多維度的特征變量進(jìn)行數(shù)據(jù)歸一化處理、數(shù)據(jù)變換處理和缺失值處理，以對數(shù)據(jù)清洗。

其中，所述變量篩選模塊72用于：

提取數(shù)據(jù)清洗后的特征變量中表示銷量以及影響銷量的變量，設(shè)置因變量y表示銷量、自變量x1…xn表示影響銷量y的n個(gè)變量；

依次提取自變量x1…xn分別與因變量y組成臨時(shí)訓(xùn)練集，通過預(yù)設(shè)的多元回歸模型對所述臨時(shí)訓(xùn)練集進(jìn)行訓(xùn)練，并計(jì)算訓(xùn)練結(jié)果的aic值或bic值；

判斷所述臨時(shí)訓(xùn)練集的aic值或bic值與預(yù)設(shè)值相比是否減少，若未減少，則刪除自變量，否則，保留該自變量；

提取具有最小aic值或bic值的臨時(shí)訓(xùn)練集中的自變量。

其中，所述模型訓(xùn)練與分析模塊73用于：

通過多元回歸方法，結(jié)合aic值與bic值，將輸入的所有自變量經(jīng)過篩選變成篩選之后的自變量；

對篩選之后的自變量進(jìn)行分類處理，若篩選之后的變量中存在離散性自變量，則將離散性自變量處理成矩陣，若為連續(xù)性變量則無需處理；

將篩選之后的自變量經(jīng)過矩陣處理之后導(dǎo)入到機(jī)器學(xué)習(xí)模型中。

本申請的方法的操作步驟與系統(tǒng)的結(jié)構(gòu)特征對應(yīng)，可以相互參照，不再一一贅述。

根據(jù)本申請的技術(shù)方案，通過對多源數(shù)據(jù)的分析，采用一種集成學(xué)習(xí)xgboost方法對電商的商品銷量進(jìn)行中長期預(yù)測，并對單個(gè)商品的歷史銷量和預(yù)測銷量進(jìn)行可視化展示，對于未來銷量急劇增加或減少提前做好預(yù)警，能夠?qū)ι唐蜂N量可能出現(xiàn)的急劇波動(dòng)做好準(zhǔn)備和及時(shí)應(yīng)對。并且，本發(fā)明采用xgboost方法，充分利用了多種數(shù)據(jù)源，既考慮了銷量變化的內(nèi)部因素又考慮了影響銷量變化的外部因素，不僅能夠顯著提高電商銷量預(yù)測的精確性，而且對于預(yù)測結(jié)果能夠具有一定的可解釋性，方便業(yè)務(wù)理解和管理策略的可執(zhí)行。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、系統(tǒng)、或計(jì)算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤存儲(chǔ)器、cd-rom、光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實(shí)施例的方法、設(shè)備(系統(tǒng))、和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個(gè)機(jī)器，使得通過計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也可存儲(chǔ)在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲(chǔ)器中，使得存儲(chǔ)在該計(jì)算機(jī)可讀存儲(chǔ)器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。

這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。

在一個(gè)典型的配置中，計(jì)算設(shè)備包括一個(gè)或多個(gè)處理器(cpu)、輸入/輸出接口、網(wǎng)絡(luò)接口和內(nèi)存。

內(nèi)存可能包括計(jì)算機(jī)可讀介質(zhì)中的非永久性存儲(chǔ)器，隨機(jī)存取存儲(chǔ)器(ram)和/或非易失性內(nèi)存等形式，如只讀存儲(chǔ)器(rom)或閃存(flashram)。內(nèi)存是計(jì)算機(jī)可讀介質(zhì)的示例。

計(jì)算機(jī)可讀介質(zhì)包括永久性和非永久性、可移動(dòng)和非可移動(dòng)媒體可以由任何方法或技術(shù)來實(shí)現(xiàn)信息存儲(chǔ)。信息可以是計(jì)算機(jī)可讀指令、數(shù)據(jù)結(jié)構(gòu)、程序的模塊或其他數(shù)據(jù)。計(jì)算機(jī)的存儲(chǔ)介質(zhì)的例子包括，但不限于相變內(nèi)存(pram)、靜態(tài)隨機(jī)存取存儲(chǔ)器(sram)、動(dòng)態(tài)隨機(jī)存取存儲(chǔ)器(dram)、其他類型的隨機(jī)存取存儲(chǔ)器(ram)、只讀存儲(chǔ)器(rom)、電可擦除可編程只讀存儲(chǔ)器(eeprom)、快閃記憶體或其他內(nèi)存技術(shù)、只讀光盤只讀存儲(chǔ)器(cd-rom)、數(shù)字多功能光盤(dvd)或其他光學(xué)存儲(chǔ)、磁盒式磁帶，磁帶磁磁盤存儲(chǔ)或其他磁性存儲(chǔ)設(shè)備或任何其他非傳輸介質(zhì)，可用于存儲(chǔ)可以被計(jì)算設(shè)備訪問的信息。按照本文中的界定，計(jì)算機(jī)可讀介質(zhì)不包括暫存電腦可讀媒體(transitorymedia)，如調(diào)制的數(shù)據(jù)信號和載波。

還需要說明的是，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過程、方法、商品或者設(shè)備中還存在另外的相同要素。

本領(lǐng)域技術(shù)人員應(yīng)明白，本申請的實(shí)施例可提供為方法、系統(tǒng)或計(jì)算機(jī)程序產(chǎn)品。因此，本申請可采用完全硬件實(shí)施例、完全軟件實(shí)施例或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本申請可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤存儲(chǔ)器、cd-rom、光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。

以上所述僅為本申請的實(shí)施例而已，并不用于限制本申請。對于本領(lǐng)域技術(shù)人員來說，本申請可以有各種更改和變化。凡在本申請的精神和原理之內(nèi)所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本申請的權(quán)利要求范圍之內(nèi)。