本發(fā)明涉及互聯(lián)網(wǎng)技術(shù)領(lǐng)域，尤其涉及一種流量數(shù)據(jù)的監(jiān)控方法、裝置及服務(wù)器。

背景技術(shù)：

互聯(lián)網(wǎng)流量的監(jiān)測與控制，對(duì)于移動(dòng)廣告系統(tǒng)有十分重要的作用。其可以幫助媒體控制和監(jiān)測流量數(shù)據(jù)，并及時(shí)得到反饋。目前，主要采用閾值監(jiān)控法，針對(duì)不同的媒體，從不同的維度，使用不同的閾值，以時(shí)間作為前進(jìn)監(jiān)測軸，來對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控。當(dāng)某一維度的數(shù)值超出其對(duì)應(yīng)的閾值時(shí)，可進(jìn)行郵件報(bào)警或直接關(guān)停。對(duì)媒體進(jìn)行評(píng)級(jí)，能夠?yàn)閮?yōu)質(zhì)的廣告分配優(yōu)質(zhì)的媒體，從而達(dá)到利益最大化。但是，上述監(jiān)控方法，需要業(yè)務(wù)人員主觀的判斷，對(duì)專業(yè)要求高，且進(jìn)行相應(yīng)的調(diào)整困難，不夠智能。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問題之一。為此，本發(fā)明的一個(gè)目的在于提出一種流量數(shù)據(jù)的監(jiān)控方法，通過采用深度學(xué)習(xí)模型對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控，提高了流量數(shù)據(jù)的準(zhǔn)確度，降低了流量數(shù)據(jù)監(jiān)控的復(fù)雜度，降低運(yùn)營成本，更加智能化。

本發(fā)明的第二個(gè)目的在于提出一種數(shù)據(jù)流量的監(jiān)控裝置。

本發(fā)明的第三個(gè)目的在于提出一種服務(wù)器。

本發(fā)明的第四個(gè)目的在于提出一種存儲(chǔ)介質(zhì)。

本發(fā)明的第五個(gè)目的在于提出一種應(yīng)用程序。

為了實(shí)現(xiàn)上述目的，本發(fā)明第一方面實(shí)施例提出了一種數(shù)據(jù)流量的監(jiān)控方法，包括：獲取當(dāng)前日志數(shù)據(jù)；

對(duì)所述當(dāng)前日志數(shù)據(jù)進(jìn)行預(yù)處理，生成待預(yù)測流量數(shù)據(jù)；

將所述待預(yù)測流量數(shù)據(jù)輸入至預(yù)先訓(xùn)練的深度學(xué)習(xí)模型；

通過所述預(yù)先訓(xùn)練的深度學(xué)習(xí)模型輸出所述待預(yù)測流量數(shù)據(jù)對(duì)應(yīng)的預(yù)測結(jié)果；

根據(jù)所述預(yù)測結(jié)果對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控。

可選的，對(duì)所述當(dāng)前日志數(shù)據(jù)進(jìn)行預(yù)處理，生成待預(yù)測流量數(shù)據(jù)，包括：

對(duì)所述當(dāng)前日志數(shù)據(jù)進(jìn)行分類；

根據(jù)分類對(duì)相應(yīng)的當(dāng)前日志數(shù)據(jù)進(jìn)行清洗與抽?。?/p>

對(duì)所述當(dāng)前日志數(shù)據(jù)進(jìn)行規(guī)則化處理，并生成待預(yù)測流量數(shù)據(jù)。

可選的，根據(jù)分類對(duì)相應(yīng)的當(dāng)前日志數(shù)據(jù)進(jìn)行清洗與抽取，包括：

按照預(yù)設(shè)過濾規(guī)則過濾所述當(dāng)前日志數(shù)據(jù)中的噪聲數(shù)據(jù)。

可選的，所述預(yù)先訓(xùn)練的深度學(xué)習(xí)模型包括廣度模型和深度模型，所述廣度模型和所述深度模型通過邏輯損失函數(shù)連接。

可選的，根據(jù)所述預(yù)測結(jié)果對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控，包括：

當(dāng)所述預(yù)測結(jié)果超出預(yù)設(shè)閾值時(shí)，生成預(yù)警信息；

接收業(yè)務(wù)人員對(duì)所述預(yù)警信息的反饋信息，并對(duì)所述預(yù)警信息和所述反饋信息進(jìn)行統(tǒng)計(jì)；

根據(jù)統(tǒng)計(jì)信息對(duì)所述流量數(shù)據(jù)進(jìn)行評(píng)級(jí)。

可選的，數(shù)據(jù)流量的監(jiān)控方法還包括：訓(xùn)練所述深度學(xué)習(xí)模型。

可選的，訓(xùn)練所述深度學(xué)習(xí)模型，包括：

獲取歷史日志數(shù)據(jù)；

對(duì)所述歷史日志數(shù)據(jù)進(jìn)行預(yù)處理，生成歷史流量數(shù)據(jù)；

根據(jù)所述歷史流量數(shù)據(jù)訓(xùn)練所述深度學(xué)習(xí)模型。

本發(fā)明實(shí)施例的數(shù)據(jù)流量的監(jiān)控方法，通過采用深度學(xué)習(xí)模型對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控，提高了流量數(shù)據(jù)的準(zhǔn)確度，降低了流量數(shù)據(jù)監(jiān)控的復(fù)雜度，降低運(yùn)營成本，更加智能化。

本發(fā)明第二方面實(shí)施例提出了一種數(shù)據(jù)流量的監(jiān)控裝置，包括：

獲取模塊，用于獲取當(dāng)前日志數(shù)據(jù)；預(yù)處理模塊，用于對(duì)所述當(dāng)前日志數(shù)據(jù)進(jìn)行預(yù)處理，生成待預(yù)測流量數(shù)據(jù)；

輸入模塊，用于將所述待預(yù)測流量數(shù)據(jù)輸入至預(yù)先訓(xùn)練的深度學(xué)習(xí)模型；

輸出模塊，用于通過所述預(yù)先訓(xùn)練的深度學(xué)習(xí)模型輸出所述待預(yù)測流量數(shù)據(jù)對(duì)應(yīng)的預(yù)測結(jié)果；

監(jiān)控模塊，用于根據(jù)所述預(yù)測結(jié)果對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控。

可選的，所述預(yù)處理模塊，用于：對(duì)所述當(dāng)前日志數(shù)據(jù)進(jìn)行分類；根據(jù)分類對(duì)相應(yīng)的當(dāng)前日志數(shù)據(jù)進(jìn)行清洗與抽??；

對(duì)所述當(dāng)前日志數(shù)據(jù)進(jìn)行規(guī)則化處理，并生成待預(yù)測流量數(shù)據(jù)。

可選的，所述預(yù)處理模塊，用于：按照預(yù)設(shè)過濾規(guī)則過濾所述當(dāng)前日志數(shù)據(jù)中的噪聲數(shù)據(jù)。

可選的，所述預(yù)先訓(xùn)練的深度學(xué)習(xí)模型包括廣度模型和深度模型，所述廣度模型和所述深度模型通過邏輯損失函數(shù)連接。

可選的，所述監(jiān)控模塊，用于：當(dāng)所述預(yù)測結(jié)果超出預(yù)設(shè)閾值時(shí)，生成預(yù)警信息；

接收業(yè)務(wù)人員對(duì)所述預(yù)警信息的反饋信息，并對(duì)所述預(yù)警信息和所述反饋信息進(jìn)行統(tǒng)計(jì)；根據(jù)統(tǒng)計(jì)信息對(duì)所述流量數(shù)據(jù)進(jìn)行評(píng)級(jí)。

可選的，所述裝置還包括：訓(xùn)練模塊，用于訓(xùn)練所述深度學(xué)習(xí)模型。

可選的，所述訓(xùn)練模塊，用于：獲取歷史日志數(shù)據(jù)；對(duì)所述歷史日志數(shù)據(jù)進(jìn)行預(yù)處理，生成歷史流量數(shù)據(jù)；根據(jù)所述歷史流量數(shù)據(jù)訓(xùn)練所述深度學(xué)習(xí)模型。

本發(fā)明實(shí)施例的數(shù)據(jù)流量的監(jiān)控裝置，通過采用深度學(xué)習(xí)模型對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控，提高了流量數(shù)據(jù)的準(zhǔn)確度，降低了流量數(shù)據(jù)監(jiān)控的復(fù)雜度，降低運(yùn)營成本，更加智能化。

本發(fā)明第三方面實(shí)施例提出了一種服務(wù)器，包括：處理器、存儲(chǔ)器、通信接口和總線；所述處理器、所述存儲(chǔ)器和所述通信接口通過所述總線連接并完成相互間的通信；所述存儲(chǔ)器存儲(chǔ)可執(zhí)行程序代碼；所述處理器通過讀取所述存儲(chǔ)器中存儲(chǔ)的可執(zhí)行程序代碼來運(yùn)行與所述可執(zhí)行程序代碼對(duì)應(yīng)的程序，以用于執(zhí)行第一方面實(shí)施例所述的流量數(shù)據(jù)的監(jiān)控方法。

本發(fā)明第四方面實(shí)施例提出了一種存儲(chǔ)介質(zhì)，其中，所述存儲(chǔ)介質(zhì)用于存儲(chǔ)應(yīng)用程序，所述應(yīng)用程序用于在運(yùn)行時(shí)執(zhí)行第一方面實(shí)施例所述的流量數(shù)據(jù)的監(jiān)控方法。

本發(fā)明第五方面實(shí)施例提出了一種應(yīng)用程序，其中，所述應(yīng)用程序用于在運(yùn)行時(shí)執(zhí)行第一方面實(shí)施例所述的流量數(shù)據(jù)的監(jiān)控方法。

附圖說明

圖1是根據(jù)本發(fā)明一個(gè)實(shí)施例的流量數(shù)據(jù)的監(jiān)控方法的流程圖；

圖2是根據(jù)本發(fā)明另一個(gè)實(shí)施例的流量數(shù)據(jù)的監(jiān)控方法的流程圖；

圖3是根據(jù)本發(fā)明一個(gè)實(shí)施例的流量數(shù)據(jù)的監(jiān)控裝置的結(jié)構(gòu)示意圖；

圖4是根據(jù)本發(fā)明另一個(gè)實(shí)施例的流量數(shù)據(jù)的監(jiān)控裝置的結(jié)構(gòu)示意圖；

圖5是根據(jù)本發(fā)明一個(gè)實(shí)施例的服務(wù)器的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。

下面參考附圖描述本發(fā)明實(shí)施例的流量數(shù)據(jù)的監(jiān)控方法、裝置及服務(wù)器。

圖1是根據(jù)本發(fā)明一個(gè)實(shí)施例的流量數(shù)據(jù)的監(jiān)控方法的流程圖。

如圖1所示，流量數(shù)據(jù)的監(jiān)控方法可包括：

s101，獲取當(dāng)前日志數(shù)據(jù)。

在本發(fā)明的一個(gè)實(shí)施例中，在對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控時(shí)，可獲取當(dāng)前日志數(shù)據(jù)。當(dāng)前日志數(shù)據(jù)可包括廣告展現(xiàn)量、廣告點(diǎn)擊量、廣告點(diǎn)擊率、廣告轉(zhuǎn)化率及廣告收入。當(dāng)前日志數(shù)據(jù)可以將分鐘、小時(shí)、天、月等來作為量級(jí)單位，例如可以取最近10分鐘的日志，作為當(dāng)前日志數(shù)據(jù)。

s102，對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行預(yù)處理，生成待預(yù)測流量數(shù)據(jù)。

在獲取當(dāng)前日志數(shù)據(jù)之后，可對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行預(yù)處理，生成待預(yù)測流量數(shù)據(jù)。

在本發(fā)明的一個(gè)實(shí)施例中，首先可對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行分類，然后根據(jù)分類對(duì)相應(yīng)的當(dāng)前日志數(shù)據(jù)進(jìn)行清洗與抽取，再對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行規(guī)則化處理，并生成待預(yù)測流量數(shù)據(jù)。例如：當(dāng)前日志數(shù)據(jù)可分為展現(xiàn)點(diǎn)擊數(shù)據(jù)、安裝數(shù)據(jù)、計(jì)費(fèi)數(shù)據(jù)。其中，展現(xiàn)點(diǎn)擊數(shù)據(jù)可以是廣告展現(xiàn)量、廣告點(diǎn)擊量；安裝數(shù)據(jù)可以是廣告轉(zhuǎn)化率；計(jì)費(fèi)數(shù)據(jù)可以是廣告收入。分別針對(duì)不同的分類，對(duì)上述數(shù)據(jù)進(jìn)行清洗和抽取，從而生成待預(yù)測流量數(shù)據(jù)。其中，可以按照預(yù)設(shè)過濾規(guī)則過濾當(dāng)前日志數(shù)據(jù)中的噪聲數(shù)據(jù)。當(dāng)然，當(dāng)前日志數(shù)據(jù)中還可包括其他類型，如用于描述展現(xiàn)廣告終端的類型，是手機(jī)、或是平板電腦、或是電腦，此類數(shù)據(jù)對(duì)實(shí)際的流量監(jiān)控不產(chǎn)生影響，故可以進(jìn)行清洗。另外，根據(jù)不同的需求可設(shè)置不同的過濾規(guī)則，例如：有的需求只關(guān)注廣告點(diǎn)擊量高的數(shù)據(jù)，則可過濾掉廣告點(diǎn)擊量低于100次的數(shù)據(jù)；有的需求關(guān)注廣告轉(zhuǎn)化率和廣告收入，則可過濾掉廣告展現(xiàn)量、廣告點(diǎn)擊量等數(shù)據(jù)。

s103，將待預(yù)測流量數(shù)據(jù)輸入至預(yù)先訓(xùn)練的深度學(xué)習(xí)模型。

其中，預(yù)先訓(xùn)練的深度學(xué)習(xí)模型可包括廣度模型和深度模型，廣度模型和深度模型通過一個(gè)邏輯損失函數(shù)連接。

廣度模型是一個(gè)通用的線性模型：y＝w^tx+b。其中，y是預(yù)測值，x＝{x1,x2,…,,xn}是n個(gè)特征組成的向量，w＝{w1,w2,…,wn}是模型參數(shù)，b是偏差值。

深度模型是一個(gè)前饋神經(jīng)網(wǎng)路，嵌入的向量隨機(jī)初始化。在低緯嵌入向量中使用隱藏的層，在每個(gè)隱藏層有如下的計(jì)算函數(shù)：a^(l+1)＝f(w^(l)a^(l)+b^(l))，其中l(wèi)是層數(shù)，f是激發(fā)函數(shù)，w^(l)是l層的偏移和模型權(quán)重的激發(fā)值。

廣度模型和深度模型通過一個(gè)邏輯損失函數(shù)來連接?？墒褂胒trl(followtheregularizedleader)算法作為廣度模型的優(yōu)化，利用adagrad算法作為深度模型的優(yōu)化。最終，生成深度學(xué)習(xí)模型p(y＝1|x)＝σ(w^twide[x，φ(x)]+w^tdeepa^(lf)+b)，其中，y是二值分類標(biāo)簽，σ是s函數(shù)，φ是原來特征的中間轉(zhuǎn)化，b是偏移值，w^twide是廣度向量模型權(quán)重向量，w^tdeep是深度模型權(quán)重向量。

在本發(fā)明的一個(gè)實(shí)施例中，可將待預(yù)測流量數(shù)據(jù)輸入至預(yù)先訓(xùn)練的深度學(xué)習(xí)模型。

s104，通過預(yù)先訓(xùn)練的深度學(xué)習(xí)模型輸出待預(yù)測流量數(shù)據(jù)對(duì)應(yīng)的預(yù)測結(jié)果。

在將待預(yù)測流量數(shù)據(jù)輸入至深度學(xué)習(xí)模型之后，可利用該深度學(xué)習(xí)模型進(jìn)行預(yù)測，從而輸出待預(yù)測流量數(shù)據(jù)對(duì)應(yīng)的預(yù)測結(jié)果。例如：通過最近1小時(shí)的廣告點(diǎn)擊量，預(yù)測出下一時(shí)間段如未來1小時(shí)內(nèi)的廣告點(diǎn)擊量。再例如：最近10分鐘的廣告收入為10萬元，則可預(yù)測出未來半小時(shí)的廣告收入等。

s105，根據(jù)預(yù)測結(jié)果對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控。

在輸出預(yù)測結(jié)果之后，可根據(jù)預(yù)測結(jié)果對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控。

在本發(fā)明的一個(gè)實(shí)施例中，在當(dāng)預(yù)測結(jié)果超出預(yù)設(shè)閾值時(shí)，可生成預(yù)警信息，以提醒業(yè)務(wù)人員流量數(shù)據(jù)出現(xiàn)異常。業(yè)務(wù)人員可針對(duì)異常信息，進(jìn)行相應(yīng)的調(diào)整等反饋操作。在接收業(yè)務(wù)人員對(duì)預(yù)警信息的反饋信息之后，可對(duì)預(yù)警信息和反饋信息進(jìn)行統(tǒng)計(jì)，然后根據(jù)統(tǒng)計(jì)信息對(duì)流量數(shù)據(jù)進(jìn)行評(píng)級(jí)。舉例來說，假設(shè)預(yù)測未來一天的廣告展現(xiàn)量，如果預(yù)測結(jié)果相比于前一天的流量數(shù)據(jù)的增加量超出了20％，則可認(rèn)為該結(jié)果是異常的，可生成預(yù)警信息，提醒業(yè)務(wù)人員及時(shí)進(jìn)行處理。例如降低該廣告的展現(xiàn)量，使其趨于正常。隨后，可根據(jù)生成的預(yù)警信息的次數(shù)等，來評(píng)價(jià)流量數(shù)據(jù)，再基于評(píng)級(jí)實(shí)現(xiàn)優(yōu)質(zhì)廣告與優(yōu)質(zhì)流量的匹配，實(shí)現(xiàn)流量精確控制，且利益最大化。

本發(fā)明實(shí)施例的流量數(shù)據(jù)的監(jiān)控方法，通過采用深度學(xué)習(xí)模型對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控，提高了流量數(shù)據(jù)的準(zhǔn)確度，降低了流量數(shù)據(jù)監(jiān)控的復(fù)雜度，降低運(yùn)營成本，更加智能化。

圖2是根據(jù)本發(fā)明另一個(gè)實(shí)施例的流量數(shù)據(jù)的監(jiān)控方法的流程圖。

如圖2所示，流量數(shù)據(jù)的監(jiān)控方法可包括：

s201，訓(xùn)練深度學(xué)習(xí)模型。

在本發(fā)明的一個(gè)實(shí)施例中，可獲取歷史日志數(shù)據(jù)，對(duì)歷史日志數(shù)據(jù)進(jìn)行預(yù)處理，生成歷史流量數(shù)據(jù)，然后可根據(jù)歷史流量數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型。例如：歷史日志數(shù)據(jù)中可包括歷史的廣告展現(xiàn)量、歷史的廣告點(diǎn)擊量、歷史的廣告點(diǎn)擊率、歷史的廣告轉(zhuǎn)化率及歷史的廣告收入，如去年一年每日的歷史數(shù)據(jù)。根據(jù)上述歷史數(shù)據(jù)，可對(duì)其進(jìn)行清洗、抽取等預(yù)處理，生成歷史流量數(shù)據(jù)。利用歷史流量數(shù)據(jù)的特征，轉(zhuǎn)化為訓(xùn)練向量，進(jìn)而訓(xùn)練深度學(xué)習(xí)模型。

s202，獲取當(dāng)前日志數(shù)據(jù)。

在本發(fā)明的一個(gè)實(shí)施例中，在對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控時(shí)，可獲取當(dāng)前日志數(shù)據(jù)。當(dāng)前日志數(shù)據(jù)可包括廣告展現(xiàn)量、廣告點(diǎn)擊量、廣告點(diǎn)擊率、廣告轉(zhuǎn)化率及廣告收入。當(dāng)前日志數(shù)據(jù)可以將分鐘、小時(shí)、天、月等來作為量級(jí)單位，例如可以取最近10分鐘的日志，作為當(dāng)前日志數(shù)據(jù)。

s203，對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行預(yù)處理，生成待預(yù)測流量數(shù)據(jù)。

在獲取當(dāng)前日志數(shù)據(jù)之后，可對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行預(yù)處理，生成待預(yù)測流量數(shù)據(jù)。

在本發(fā)明的一個(gè)實(shí)施例中，首先可對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行分類，然后根據(jù)分類對(duì)相應(yīng)的當(dāng)前日志數(shù)據(jù)進(jìn)行清洗與抽取，再對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行規(guī)則化處理，并生成待預(yù)測流量數(shù)據(jù)。例如：當(dāng)前日志數(shù)據(jù)可分為展現(xiàn)點(diǎn)擊數(shù)據(jù)、安裝數(shù)據(jù)、計(jì)費(fèi)數(shù)據(jù)。其中，展現(xiàn)點(diǎn)擊數(shù)據(jù)可以是廣告展現(xiàn)量、廣告點(diǎn)擊量；安裝數(shù)據(jù)可以是廣告轉(zhuǎn)化率；計(jì)費(fèi)數(shù)據(jù)可以是廣告收入。分別針對(duì)不同的分類，對(duì)上述數(shù)據(jù)進(jìn)行清洗和抽取，從而生成待預(yù)測流量數(shù)據(jù)。其中，可以按照預(yù)設(shè)過濾規(guī)則過濾當(dāng)前日志數(shù)據(jù)中的噪聲數(shù)據(jù)。當(dāng)然，當(dāng)前日志數(shù)據(jù)中還可包括其他類型，如用于描述展現(xiàn)廣告終端的類型，是手機(jī)、或是平板電腦、或是電腦，此類數(shù)據(jù)對(duì)實(shí)際的流量監(jiān)控不產(chǎn)生影響，故可以進(jìn)行清洗。另外，根據(jù)不同的需求可設(shè)置不同的過濾規(guī)則，例如：有的需求只關(guān)注廣告點(diǎn)擊量高的數(shù)據(jù)，則可過濾掉廣告點(diǎn)擊量低于100次的數(shù)據(jù)；有的需求關(guān)注廣告轉(zhuǎn)化率和廣告收入，則可過濾掉廣告展現(xiàn)量、廣告點(diǎn)擊量等數(shù)據(jù)。

s204，將待預(yù)測流量數(shù)據(jù)輸入至預(yù)先訓(xùn)練的深度學(xué)習(xí)模型。

其中，預(yù)先訓(xùn)練的深度學(xué)習(xí)模型可包括廣度模型和深度模型，廣度模型和深度模型通過一個(gè)邏輯損失函數(shù)連接。

廣度模型是一個(gè)通用的線性模型：y＝w^tx+b。其中，y是預(yù)測值，x＝{x1,x2,…,,xn}是n個(gè)特征組成的向量，w＝{w1,w2,…,wn}是模型參數(shù)，b是偏差值。

深度模型是一個(gè)前饋神經(jīng)網(wǎng)路，嵌入的向量隨機(jī)初始化。在低緯嵌入向量中使用隱藏的層，在每個(gè)隱藏層有如下的計(jì)算函數(shù)：a^(l+1)＝f(w^(l)a^(l)+b^(l))，其中l(wèi)是層數(shù)，f是激發(fā)函數(shù)，w^(l)是l層的偏移和模型權(quán)重的激發(fā)值。

廣度模型和深度模型通過一個(gè)邏輯損失函數(shù)來連接?？墒褂胒trl(followtheregularizedleader)算法作為廣度模型的優(yōu)化，利用adagrad算法作為深度模型的優(yōu)化。最終，生成深度學(xué)習(xí)模型p(y＝1|x)＝σ(w^twide[x，φ(x)]+w^tdeepa^(lf)+b)，其中，y是二值分類標(biāo)簽，σ是s函數(shù)，φ是原來特征的中間轉(zhuǎn)化，b是偏移值，w^twide是廣度向量模型權(quán)重向量，w^tdeep是深度模型權(quán)重向量。

在本發(fā)明的一個(gè)實(shí)施例中，可將待預(yù)測流量數(shù)據(jù)輸入至預(yù)先訓(xùn)練的深度學(xué)習(xí)模型。

s205，通過預(yù)先訓(xùn)練的深度學(xué)習(xí)模型輸出待預(yù)測流量數(shù)據(jù)對(duì)應(yīng)的預(yù)測結(jié)果。

在將待預(yù)測流量數(shù)據(jù)輸入至深度學(xué)習(xí)模型之后，可利用該深度學(xué)習(xí)模型進(jìn)行預(yù)測，從而輸出待預(yù)測流量數(shù)據(jù)對(duì)應(yīng)的預(yù)測結(jié)果。例如：通過最近1小時(shí)的廣告點(diǎn)擊量，預(yù)測出下一時(shí)間段如未來1小時(shí)內(nèi)的廣告點(diǎn)擊量。再例如：最近10分鐘的廣告收入為10萬元，則可預(yù)測出未來半小時(shí)的廣告收入等。

s206，根據(jù)預(yù)測結(jié)果對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控。

在輸出預(yù)測結(jié)果之后，可根據(jù)預(yù)測結(jié)果對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控。

在本發(fā)明的一個(gè)實(shí)施例中，在當(dāng)預(yù)測結(jié)果超出預(yù)設(shè)閾值時(shí)，可生成預(yù)警信息，以提醒業(yè)務(wù)人員流量數(shù)據(jù)出現(xiàn)異常。業(yè)務(wù)人員可針對(duì)異常信息，進(jìn)行相應(yīng)的調(diào)整等反饋操作。在接收業(yè)務(wù)人員對(duì)預(yù)警信息的反饋信息之后，可對(duì)預(yù)警信息和反饋信息進(jìn)行統(tǒng)計(jì)，然后根據(jù)統(tǒng)計(jì)信息對(duì)流量數(shù)據(jù)進(jìn)行評(píng)級(jí)。舉例來說，假設(shè)預(yù)測未來一天的廣告展現(xiàn)量，如果預(yù)測結(jié)果相比于前一天的流量數(shù)據(jù)的增加量超出了20％，則可認(rèn)為該結(jié)果是異常的，可生成預(yù)警信息，提醒業(yè)務(wù)人員及時(shí)進(jìn)行處理。例如降低該廣告的展現(xiàn)量，使其趨于正常。隨后，可根據(jù)生成的預(yù)警信息的次數(shù)等，來評(píng)價(jià)流量數(shù)據(jù)，再基于評(píng)級(jí)實(shí)現(xiàn)優(yōu)質(zhì)廣告與優(yōu)質(zhì)流量的匹配，實(shí)現(xiàn)流量精確控制，且利益最大化。

本發(fā)明實(shí)施例的流量數(shù)據(jù)的監(jiān)控方法，通過大量的歷史日志數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型，再采用訓(xùn)練好的深度學(xué)習(xí)模型對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控，進(jìn)一步提高了流量數(shù)據(jù)的準(zhǔn)確度，降低了流量數(shù)據(jù)監(jiān)控的復(fù)雜度，降低運(yùn)營成本，更加智能化。

為實(shí)現(xiàn)上述目的，本發(fā)明還提出一種流量數(shù)據(jù)的監(jiān)控裝置。

圖3是根據(jù)本發(fā)明一個(gè)實(shí)施例的流量數(shù)據(jù)的監(jiān)控裝置的結(jié)構(gòu)示意圖。

如圖3所示，該流量數(shù)據(jù)的監(jiān)控裝置可包括：獲取模塊110、預(yù)處理模塊120、輸入模塊130、輸出模塊140和監(jiān)控模塊150。

獲取模塊110用于獲取當(dāng)前日志數(shù)據(jù)。

在本發(fā)明的一個(gè)實(shí)施例中，在對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控時(shí)，獲取模塊110可獲取當(dāng)前日志數(shù)據(jù)。當(dāng)前日志數(shù)據(jù)可包括廣告展現(xiàn)量、廣告點(diǎn)擊量、廣告點(diǎn)擊率、廣告轉(zhuǎn)化率及廣告收入。當(dāng)前日志數(shù)據(jù)可以將分鐘、小時(shí)、天、月等來作為量級(jí)單位，例如可以取最近10分鐘的日志，作為當(dāng)前日志數(shù)據(jù)。

預(yù)處理模塊120用于對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行預(yù)處理，生成待預(yù)測流量數(shù)據(jù)。

可選的，預(yù)處理模塊120用于：對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行分類；根據(jù)分類對(duì)相應(yīng)的當(dāng)前日志數(shù)據(jù)進(jìn)行清洗與抽取；對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行規(guī)則化處理，并生成待預(yù)測流量數(shù)據(jù)。

可選的，預(yù)處理模塊120還用于：按照預(yù)設(shè)過濾規(guī)則過濾當(dāng)前日志數(shù)據(jù)中的噪聲數(shù)據(jù)。

在本發(fā)明的一個(gè)實(shí)施例中，首先可對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行分類，然后根據(jù)分類對(duì)相應(yīng)的當(dāng)前日志數(shù)據(jù)進(jìn)行清洗與抽取，再對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行規(guī)則化處理，并生成待預(yù)測流量數(shù)據(jù)。例如：當(dāng)前日志數(shù)據(jù)可分為展現(xiàn)點(diǎn)擊數(shù)據(jù)、安裝數(shù)據(jù)、計(jì)費(fèi)數(shù)據(jù)。其中，展現(xiàn)點(diǎn)擊數(shù)據(jù)可以是廣告展現(xiàn)量、廣告點(diǎn)擊量；安裝數(shù)據(jù)可以是廣告轉(zhuǎn)化率；計(jì)費(fèi)數(shù)據(jù)可以是廣告收入。分別針對(duì)不同的分類，對(duì)上述數(shù)據(jù)進(jìn)行清洗和抽取，從而生成待預(yù)測流量數(shù)據(jù)。其中，可以按照預(yù)設(shè)過濾規(guī)則過濾當(dāng)前日志數(shù)據(jù)中的噪聲數(shù)據(jù)。當(dāng)然，當(dāng)前日志數(shù)據(jù)中還可包括其他類型，如用于描述展現(xiàn)廣告終端的類型，是手機(jī)、或是平板電腦、或是電腦，此類數(shù)據(jù)對(duì)實(shí)際的流量監(jiān)控不產(chǎn)生影響，故可以進(jìn)行清洗。另外，根據(jù)不同的需求可設(shè)置不同的過濾規(guī)則，例如：有的需求只關(guān)注廣告點(diǎn)擊量高的數(shù)據(jù)，則可過濾掉廣告點(diǎn)擊量低于100次的數(shù)據(jù)；有的需求關(guān)注廣告轉(zhuǎn)化率和廣告收入，則可過濾掉廣告展現(xiàn)量、廣告點(diǎn)擊量等數(shù)據(jù)。

輸入模塊130用于將待預(yù)測流量數(shù)據(jù)輸入至預(yù)先訓(xùn)練的深度學(xué)習(xí)模型。

其中，預(yù)先訓(xùn)練的深度學(xué)習(xí)模型可包括廣度模型和深度模型，廣度模型和深度模型通過一個(gè)邏輯損失函數(shù)連接。

廣度模型是一個(gè)通用的線性模型：y＝w^tx+b。其中，y是預(yù)測值，x＝{x1,x2,…,,xn}是n個(gè)特征組成的向量，w＝{w1,w2,…,wn}是模型參數(shù)，b是偏差值。

深度模型是一個(gè)前饋神經(jīng)網(wǎng)路，嵌入的向量隨機(jī)初始化。在低緯嵌入向量中使用隱藏的層，在每個(gè)隱藏層有如下的計(jì)算函數(shù)：a^(l+1)＝f(w^(l)a^(l)+b^(l))，其中l(wèi)是層數(shù)，f是激發(fā)函數(shù)，w^(l)是l層的偏移和模型權(quán)重的激發(fā)值。

廣度模型和深度模型通過一個(gè)邏輯損失函數(shù)來連接。可使用ftrl(followtheregularizedleader)算法作為廣度模型的優(yōu)化，利用adagrad算法作為深度模型的優(yōu)化。最終，生成深度學(xué)習(xí)模型p(y＝1|x)＝σ(w^twide[x，φ(x)]+w^tdeepa^(lf)+b)，其中，y是二值分類標(biāo)簽，σ是s函數(shù)，φ是原來特征的中間轉(zhuǎn)化，b是偏移值，w^twide是廣度向量模型權(quán)重向量，w^tdeep是深度模型權(quán)重向量。

輸出模塊140用于通過預(yù)先訓(xùn)練的深度學(xué)習(xí)模型輸出待預(yù)測流量數(shù)據(jù)對(duì)應(yīng)的預(yù)測結(jié)果。

在將待預(yù)測流量數(shù)據(jù)輸入至深度學(xué)習(xí)模型之后，可利用該深度學(xué)習(xí)模型進(jìn)行預(yù)測，從而輸出待預(yù)測流量數(shù)據(jù)對(duì)應(yīng)的預(yù)測結(jié)果。例如：通過最近1小時(shí)的廣告點(diǎn)擊量，預(yù)測出下一時(shí)間段如未來1小時(shí)內(nèi)的廣告點(diǎn)擊量。再例如：最近10分鐘的廣告收入為10萬元，則可預(yù)測出未來半小時(shí)的廣告收入等。

監(jiān)控模塊150用于根據(jù)預(yù)測結(jié)果對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控。

可選的，監(jiān)控模塊150用于：當(dāng)預(yù)測結(jié)果超出預(yù)設(shè)閾值時(shí)，生成預(yù)警信息；接收業(yè)務(wù)人員對(duì)預(yù)警信息的反饋信息，并對(duì)預(yù)警信息和反饋信息進(jìn)行統(tǒng)計(jì)；根據(jù)統(tǒng)計(jì)信息對(duì)流量數(shù)據(jù)進(jìn)行評(píng)級(jí)。舉例來說，假設(shè)預(yù)測未來一天的廣告展現(xiàn)量，如果預(yù)測結(jié)果相比于前一天的流量數(shù)據(jù)的增加量超出了20％，則可認(rèn)為該結(jié)果是異常的，可生成預(yù)警信息，提醒業(yè)務(wù)人員及時(shí)進(jìn)行處理。例如降低該廣告的展現(xiàn)量，使其趨于正常。隨后，可根據(jù)生成的預(yù)警信息的次數(shù)等，來評(píng)價(jià)流量數(shù)據(jù)，再基于評(píng)級(jí)實(shí)現(xiàn)優(yōu)質(zhì)廣告與優(yōu)質(zhì)流量的匹配，實(shí)現(xiàn)流量精確控制，且利益最大化。

應(yīng)當(dāng)理解的是，關(guān)于上述實(shí)施例中的流量數(shù)據(jù)的監(jiān)控裝置，其中各個(gè)模塊執(zhí)行操作的具體方式已經(jīng)在有關(guān)流量數(shù)據(jù)的監(jiān)控方法的實(shí)施例中進(jìn)行了詳細(xì)描述，此處將不做詳細(xì)闡述說明。

本發(fā)明實(shí)施例的流量數(shù)據(jù)的監(jiān)控裝置，通過采用深度學(xué)習(xí)模型對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控，提高了流量數(shù)據(jù)的準(zhǔn)確度，降低了流量數(shù)據(jù)監(jiān)控的復(fù)雜度，降低運(yùn)營成本，更加智能化。

此外，如圖4所示，本發(fā)明實(shí)施例的流量數(shù)據(jù)的監(jiān)控裝置還可包括訓(xùn)練模塊160。

訓(xùn)練模塊160用于訓(xùn)練深度學(xué)習(xí)模型。

可選的，訓(xùn)練模塊160用于獲取歷史日志數(shù)據(jù)；對(duì)歷史日志數(shù)據(jù)進(jìn)行預(yù)處理，生成歷史流量數(shù)據(jù)；根據(jù)歷史流量數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型。

在本發(fā)明的一個(gè)實(shí)施例中，可獲取歷史日志數(shù)據(jù)，對(duì)歷史日志數(shù)據(jù)進(jìn)行預(yù)處理，生成歷史流量數(shù)據(jù)，然后可根據(jù)歷史流量數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型。例如：歷史日志數(shù)據(jù)中可包括歷史的廣告展現(xiàn)量、歷史的廣告點(diǎn)擊量、歷史的廣告點(diǎn)擊率、歷史的廣告轉(zhuǎn)化率及歷史的廣告收入，如去年一年每日的歷史數(shù)據(jù)。根據(jù)上述歷史數(shù)據(jù)，可對(duì)其進(jìn)行清洗、抽取等預(yù)處理，生成歷史流量數(shù)據(jù)。利用歷史流量數(shù)據(jù)的特征，轉(zhuǎn)化為訓(xùn)練向量，進(jìn)而訓(xùn)練深度學(xué)習(xí)模型。

本發(fā)明實(shí)施例的流量數(shù)據(jù)的監(jiān)控裝置，通過大量的歷史日志數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型，再采用訓(xùn)練好的深度學(xué)習(xí)模型對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控，進(jìn)一步提高了流量數(shù)據(jù)的準(zhǔn)確度，降低了流量數(shù)據(jù)監(jiān)控的復(fù)雜度，降低運(yùn)營成本，更加智能化。

為了實(shí)現(xiàn)上述實(shí)施例，本發(fā)明還提出一種服務(wù)器。

圖5是根據(jù)本發(fā)明一個(gè)實(shí)施例的服務(wù)器的結(jié)構(gòu)示意圖。

如圖5所示，該服務(wù)器包括處理器51、存儲(chǔ)器52、通信接口53和總線54，其中：處理器51、存儲(chǔ)器52和通信接口53通過總線54連接并完成相互間的通信；存儲(chǔ)器52存儲(chǔ)可執(zhí)行程序代碼；處理器51通過讀取存儲(chǔ)器52中存儲(chǔ)的可執(zhí)行程序代碼來運(yùn)行與可執(zhí)行程序代碼對(duì)應(yīng)的程序，以用于執(zhí)行以下步驟：

s101’，獲取當(dāng)前日志數(shù)據(jù)。

在本發(fā)明的一個(gè)實(shí)施例中，在對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控時(shí)，可獲取當(dāng)前日志數(shù)據(jù)。當(dāng)前日志數(shù)據(jù)可包括廣告展現(xiàn)量、廣告點(diǎn)擊量、廣告點(diǎn)擊率、廣告轉(zhuǎn)化率及廣告收入。當(dāng)前日志數(shù)據(jù)可以將分鐘、小時(shí)、天、月等來作為量級(jí)單位，例如可以取最近10分鐘的日志，作為當(dāng)前日志數(shù)據(jù)。

s102’，對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行預(yù)處理，生成待預(yù)測流量數(shù)據(jù)。

在獲取當(dāng)前日志數(shù)據(jù)之后，可對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行預(yù)處理，生成待預(yù)測流量數(shù)據(jù)。

在本發(fā)明的一個(gè)實(shí)施例中，首先可對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行分類，然后根據(jù)分類對(duì)相應(yīng)的當(dāng)前日志數(shù)據(jù)進(jìn)行清洗與抽取，再對(duì)當(dāng)前日志數(shù)據(jù)進(jìn)行規(guī)則化處理，并生成待預(yù)測流量數(shù)據(jù)。例如：當(dāng)前日志數(shù)據(jù)可分為展現(xiàn)點(diǎn)擊數(shù)據(jù)、安裝數(shù)據(jù)、計(jì)費(fèi)數(shù)據(jù)。其中，展現(xiàn)點(diǎn)擊數(shù)據(jù)可以是廣告展現(xiàn)量、廣告點(diǎn)擊量；安裝數(shù)據(jù)可以是廣告轉(zhuǎn)化率；計(jì)費(fèi)數(shù)據(jù)可以是廣告收入。分別針對(duì)不同的分類，對(duì)上述數(shù)據(jù)進(jìn)行清洗和抽取，從而生成待預(yù)測流量數(shù)據(jù)。其中，可以按照預(yù)設(shè)過濾規(guī)則過濾當(dāng)前日志數(shù)據(jù)中的噪聲數(shù)據(jù)。當(dāng)然，當(dāng)前日志數(shù)據(jù)中還可包括其他類型，如用于描述展現(xiàn)廣告終端的類型，是手機(jī)、或是平板電腦、或是電腦，此類數(shù)據(jù)對(duì)實(shí)際的流量監(jiān)控不產(chǎn)生影響，故可以進(jìn)行清洗。另外，根據(jù)不同的需求可設(shè)置不同的過濾規(guī)則，例如：有的需求只關(guān)注廣告點(diǎn)擊量高的數(shù)據(jù)，則可過濾掉廣告點(diǎn)擊量低于100次的數(shù)據(jù)；有的需求關(guān)注廣告轉(zhuǎn)化率和廣告收入，則可過濾掉廣告展現(xiàn)量、廣告點(diǎn)擊量等數(shù)據(jù)。

s103’，將待預(yù)測流量數(shù)據(jù)輸入至預(yù)先訓(xùn)練的深度學(xué)習(xí)模型。

其中，預(yù)先訓(xùn)練的深度學(xué)習(xí)模型可包括廣度模型和深度模型，廣度模型和深度模型通過一個(gè)邏輯損失函數(shù)連接。

廣度模型是一個(gè)通用的線性模型：y＝w^tx+b。其中，y是預(yù)測值，x＝{x1,x2,…,,xn}是n個(gè)特征組成的向量，w＝{w1,w2,…,wn}是模型參數(shù)，b是偏差值。

深度模型是一個(gè)前饋神經(jīng)網(wǎng)路，嵌入的向量隨機(jī)初始化。在低緯嵌入向量中使用隱藏的層，在每個(gè)隱藏層有如下的計(jì)算函數(shù)：a^(l+1)＝f(w^(l)a^(l)+b^(l))，其中l(wèi)是層數(shù)，f是激發(fā)函數(shù)，w^(l)是l層的偏移和模型權(quán)重的激發(fā)值。

廣度模型和深度模型通過一個(gè)邏輯損失函數(shù)來連接?？墒褂胒trl(followtheregularizedleader)算法作為廣度模型的優(yōu)化，利用adagrad算法作為深度模型的優(yōu)化。最終，生成深度學(xué)習(xí)模型p(y＝1|x)＝σ(w^twide[x，φ(x)]+w^tdeepa^(lf)+b)，其中，y是二值分類標(biāo)簽，σ是s函數(shù)，φ是原來特征的中間轉(zhuǎn)化，b是偏移值，w^twide是廣度向量模型權(quán)重向量，w^tdeep是深度模型權(quán)重向量。

在本發(fā)明的一個(gè)實(shí)施例中，可將待預(yù)測流量數(shù)據(jù)輸入至預(yù)先訓(xùn)練的深度學(xué)習(xí)模型。

s104’，通過預(yù)先訓(xùn)練的深度學(xué)習(xí)模型輸出待預(yù)測流量數(shù)據(jù)對(duì)應(yīng)的預(yù)測結(jié)果。

在將待預(yù)測流量數(shù)據(jù)輸入至深度學(xué)習(xí)模型之后，可利用該深度學(xué)習(xí)模型進(jìn)行預(yù)測，從而輸出待預(yù)測流量數(shù)據(jù)對(duì)應(yīng)的預(yù)測結(jié)果。例如：通過最近1小時(shí)的廣告點(diǎn)擊量，預(yù)測出下一時(shí)間段如未來1小時(shí)內(nèi)的廣告點(diǎn)擊量。再例如：最近10分鐘的廣告收入為10萬元，則可預(yù)測出未來半小時(shí)的廣告收入等。

s105’，根據(jù)預(yù)測結(jié)果對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控。

在輸出預(yù)測結(jié)果之后，可根據(jù)預(yù)測結(jié)果對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控。

在本發(fā)明的一個(gè)實(shí)施例中，在當(dāng)預(yù)測結(jié)果超出預(yù)設(shè)閾值時(shí)，可生成預(yù)警信息，以提醒業(yè)務(wù)人員流量數(shù)據(jù)出現(xiàn)異常。業(yè)務(wù)人員可針對(duì)異常信息，進(jìn)行相應(yīng)的調(diào)整等反饋操作。在接收業(yè)務(wù)人員對(duì)預(yù)警信息的反饋信息之后，可對(duì)預(yù)警信息和反饋信息進(jìn)行統(tǒng)計(jì)，然后根據(jù)統(tǒng)計(jì)信息對(duì)流量數(shù)據(jù)進(jìn)行評(píng)級(jí)。舉例來說，假設(shè)預(yù)測未來一天的廣告展現(xiàn)量，如果預(yù)測結(jié)果相比于前一天的流量數(shù)據(jù)的增加量超出了20％，則可認(rèn)為該結(jié)果是異常的，可生成預(yù)警信息，提醒業(yè)務(wù)人員及時(shí)進(jìn)行處理。例如降低該廣告的展現(xiàn)量，使其趨于正常。隨后，可根據(jù)生成的預(yù)警信息的次數(shù)等，來評(píng)價(jià)流量數(shù)據(jù)，再基于評(píng)級(jí)實(shí)現(xiàn)優(yōu)質(zhì)廣告與優(yōu)質(zhì)流量的匹配，實(shí)現(xiàn)流量精確控制，且利益最大化。

本發(fā)明實(shí)施例的服務(wù)器，通過采用深度學(xué)習(xí)模型對(duì)流量數(shù)據(jù)進(jìn)行監(jiān)控，提高了流量數(shù)據(jù)的準(zhǔn)確度，降低了流量數(shù)據(jù)監(jiān)控的復(fù)雜度，降低運(yùn)營成本，更加智能化。

為實(shí)現(xiàn)上述目的，本發(fā)明還提出一種存儲(chǔ)介質(zhì)，其中，所述存儲(chǔ)介質(zhì)用于存儲(chǔ)應(yīng)用程序，所述應(yīng)用程序用于在運(yùn)行時(shí)執(zhí)行第一方面實(shí)施例所述的流量數(shù)據(jù)的監(jiān)控方法。

為實(shí)現(xiàn)上述目的，本發(fā)明還提出一種應(yīng)用程序，其中，所述應(yīng)用程序用于在運(yùn)行時(shí)執(zhí)行第一方面實(shí)施例所述的流量數(shù)據(jù)的監(jiān)控方法。

在本發(fā)明的描述中，需要理解的是，術(shù)語“中心”、“縱向”、“橫向”、“長度”、“寬度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”“內(nèi)”、“外”、“順時(shí)針”、“逆時(shí)針”、“軸向”、“徑向”、“周向”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對(duì)本發(fā)明的限制。

此外，術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對(duì)重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個(gè)該特征。在本發(fā)明的描述中，“多個(gè)”的含義是至少兩個(gè)，例如兩個(gè)，三個(gè)等，除非另有明確具體的限定。

在本發(fā)明中，除非另有明確的規(guī)定和限定，術(shù)語“安裝”、“相連”、“連接”、“固定”等術(shù)語應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或成一體；可以是機(jī)械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個(gè)元件內(nèi)部的連通或兩個(gè)元件的相互作用關(guān)系，除非另有明確的限定。對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上述術(shù)語在本發(fā)明中的具體含義。

在本發(fā)明中，除非另有明確的規(guī)定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接觸，或第一和第二特征通過中間媒介間接接觸。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或僅僅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或僅僅表示第一特征水平高度小于第二特征。

在本說明書的描述中，參考術(shù)語“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說明書中，對(duì)上述術(shù)語的示意性表述不必須針對(duì)的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。此外，在不相互矛盾的情況下，本領(lǐng)域的技術(shù)人員可以將本說明書中描述的不同實(shí)施例或示例以及不同實(shí)施例或示例的特征進(jìn)行結(jié)合和組合。

盡管上面已經(jīng)示出和描述了本發(fā)明的實(shí)施例，可以理解的是，上述實(shí)施例是示例性的，不能理解為對(duì)本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的范圍內(nèi)可以對(duì)上述實(shí)施例進(jìn)行變化、修改、替換和變型。