一种重金属浓度预测方法及装置

1.本技术属于水质预测技术领域，尤其涉及一种重金属浓度预测方法及装置。


背景技术：

2.污水管网中重金属浓度的及时预测及预警在城市污水处理中起着重要的作用。由于污水管网中重金属来源的复杂性，传统的物理建模和线性方法很难建立准确的预测模型。因此，亟需一种能够准确可靠预测污水管网的重金属浓度的方法。


技术实现要素：

3.本技术实施例提供了一种重金属浓度预测方法及装置，可以解决目前重金属浓度预测不准确的问题。
4.第一方面，本技术实施例提供了一种重金属浓度预测方法，包括：
5.获取污水管网的目标节点的多种环境数据；
6.将所述目标节点的多种环境数据输入预测模型，其中，所述预测模型为预先训练好的gru神经网络模型；
7.获取所述预测模型输出的所述目标节点对应的重金属浓度。
8.在第一方面的一种可能的实现方式中，所述预测模型通过以下方式确定：
9.对多个不同结构的gru神经网络模型分别进行训练；
10.对训练好的各个gru神经网络模型分别计算预测误差；
11.将预测误差最小的gru神经网络模型确定为预测模型。
12.在第一方面的一种可能的实现方式中，不同的gru神经网络模型具有不同的隐含层数，和/或不同的gru神经网络模型的gru层神经元数量不同。
13.在第一方面的一种可能的实现方式中，对所述gru神经网络模型进行训练包括：
14.根据当前时刻的环境数据与上一时刻的隐藏状态计算重置门门值与更新门门值；
15.根据所述重置门门值、所述当前时刻的环境数据以及所述上一时刻的隐藏状态计算当前时刻的候选隐藏状态，其中，所述重置门门值表征所述上一时刻的隐藏状态对当前时刻的候选隐藏状态的贡献度；
16.根据所述更新门门值、所述上一时刻的隐藏状态以及所述当前时刻的候选隐藏状态计算当前时刻的隐藏状态，其中，所述更新门门值表征所述上一时刻的隐藏状态对当前时刻的隐藏状态的贡献度；
17.根据所述当前时刻的隐藏状态计算当前时刻的重金属浓度。在第一方面的一种可能的实现方式中，用于训练所述预测模型的训练集通过以下方式构建：
18.获取污水管网的样本节点的多种环境数据以及所述样本节点的实际重金属浓度；
19.对所述环境数据以及所述实际重金属浓度进行归一化；
20.基于归一化后的所述环境数据与所述实际重金属浓度构建训练集。
21.在第一方面的一种可能的实现方式中，所述对所述环境数据以及所述实际重金属
浓度进行归一化包括：
22.获取所述环境数据的最大值与最小值，计算所述环境数据的最大值与最小值之间的环境数据最大差值；
23.对每个环境数据，计算所述每个环境数据与所述环境数据的最小值的环境数据差值，将所述环境数据差值与所述环境数据最大差值的比值确定为归一化后的所述环境数据；
24.获取所述实际重金属浓度的最大值与最小值，计算所述实际重金属浓度的最大值与最小值之间的实际重金属浓度最大差值；
25.对每个实际重金属浓度，计算所述实际重金属浓度与所述实际重金属浓度的最小值的浓度差值，将所述浓度差值与所述实际重金属浓度最大差值的比值确定为归一化后的所述实际重金属浓度。
26.在第一方面的一种可能的实现方式中，在训练得到所述预测模型后，所述方法还包括：
27.基于测试集计算所述预测模型的预测精度。
28.在第一方面的一种可能的实现方式中，输入所述预测模型的多种环境数据至少包括以下一种：集水区面积、区域供水量、污水流量、空气相对湿度、污水水温、污水ph和污水电导率。
29.在第一方面的一种可能的实现方式中，所述预测模型输出的重金属浓度至少包括以下一种：铜浓度、锌浓度、镍浓度、铬浓度。
30.第二方面，本技术实施例提供了一种重金属浓度预测装置，包括：
31.第一获取模块，用于获取污水管网的目标节点的多种环境数据；
32.输入模块，用于将所述目标节点的多种环境数据输入预测模型，其中，所述预测模型为预先训练好的gru神经网络模型；
33.第二获取模块，用于获取所述预测模型输出的所述目标节点对应的重金属浓度。
34.在第二方面的一种可能的实现方式中，装置还包括训练模块，训练模块用于：
35.对多个不同结构的gru神经网络模型分别进行训练；
36.对训练好的各个gru神经网络模型分别计算预测误差；
37.将预测误差最小的gru神经网络模型确定为预测模型。
38.在第二方面的一种可能的实现方式中，不同的gru神经网络模型具有不同的隐含层数，和/或不同的gru神经网络模型的gru层神经元数量不同。
39.在第二方面的一种可能的实现方式中，所述训练模块具体用于：
40.根据当前时刻的环境数据与上一时刻的隐藏状态计算重置门门值与更新门门值；
41.根据所述重置门门值、所述当前时刻的环境数据以及所述上一时刻的隐藏状态计算当前时刻的候选隐藏状态，其中，所述重置门门值表征所述上一时刻的隐藏状态对当前时刻的候选隐藏状态的贡献度；
42.根据所述更新门门值、所述上一时刻的隐藏状态以及所述当前时刻的候选隐藏状态计算当前时刻的隐藏状态，其中，所述更新门门值表征所述上一时刻的隐藏状态对当前时刻的隐藏状态的贡献度；
43.根据所述当前时刻的隐藏状态计算当前时刻的重金属浓度。
44.在第二方面的一种可能的实现方式中，用于训练所述预测模型的训练集通过以下方式构建：
45.获取污水管网的样本节点的多种环境数据以及所述样本节点的实际重金属浓度；
46.对所述环境数据以及所述实际重金属浓度进行归一化；
47.基于归一化后的所述环境数据与所述实际重金属浓度构建训练集。
48.在第二方面的一种可能的实现方式中，所述对所述环境数据以及所述实际重金属浓度进行归一化包括：
49.获取所述环境数据的最大值与最小值，计算所述环境数据的最大值与最小值之间的环境数据最大差值；
50.对每个环境数据，计算所述每个环境数据与所述环境数据的最小值的环境数据差值，将所述环境数据差值与所述环境数据最大差值的比值确定为归一化后的所述环境数据；
51.获取所述实际重金属浓度的最大值与最小值，计算所述实际重金属浓度的最大值与最小值之间的实际重金属浓度最大差值；
52.对每个实际重金属浓度，计算所述实际重金属浓度与所述实际重金属浓度的最小值的浓度差值，将所述浓度差值与所述实际重金属浓度最大差值的比值确定为归一化后的所述实际重金属浓度。
53.在第二方面的一种可能的实现方式中，装置还包括计算模块，计算模块用于在训练得到所述预测模型后，基于测试集计算所述预测模型的预测精度。
54.在第二方面的一种可能的实现方式中，输入所述预测模型的多种环境数据至少包括以下一种：集水区面积、区域供水量、污水流量、空气相对湿度、污水水温、污水ph和污水电导率。
55.在第二方面的一种可能的实现方式中，所述预测模型输出的重金属浓度至少包括以下一种：铜浓度、锌浓度、镍浓度、铬浓度。
56.第三方面，本技术实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面中任一项的重金属浓度预测方法。
57.第四方面，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面中任一项的重金属浓度预测方法。
58.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项的重金属浓度预测方法。
59.可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
60.本技术实施例与现有技术相比存在的有益效果是：
61.在本技术实施例中，可以获取目标节点的多种环境数据，并可以基于多种环境数据，利用预先训练好的gru神经网络预测模型，预测出该目标节点对应的重金属浓度。由于这种预测考虑了目标节点的多种环境数据，并且使用了 gru神经网络，因此预测出的重金属浓度具有较高的准确性。
附图说明
62.为了更清楚地说明本技术实施例中的技术方案，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，下面描述中的附图仅仅是本技术的一些实施例，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。
63.图1为本技术一实施例提供的终端设备与网络设备构成的系统框图；
64.图2为本技术实施例提供的重金属浓度预测方法的流程图；
65.图3示出了本技术实施例提供的gru神经网络模型的基本结构；
66.图4为本技术一实施例提供的最佳预测模型的结构图；
67.图5为本技术一实施例提供的最终模型的预测精度展示图；
68.图6为本技术一实施例提供的重金属浓度预测装置的结构框图；
69.图7为本技术实施例提供的一种终端设备的结构图。
具体实施方式
70.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
71.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
72.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
73.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0074]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0075]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0076]
城市污水处理厂是城市的基础建设设施，是城市发展和人民生活所必需的重要设施。然而，城市污水中的重金属浓度过高，会严重冲击污水处理厂活性污泥的微生物，从而恶化出水质量并破坏污水处理过程操作的稳定性。因此，污水管网中重金属浓度的及时预测及预警在城市污水处理中起着重要的作用。
[0077]
为可靠、准确的预测污水管网的重金属浓度，本技术实施例提供了一种重金属浓度预测方法，通过预先训练好预测模型，在具体应用时，用户只需输入相应的环境数据，预测模型即可预测出对应的重金属浓度。
[0078]
当预测模型部署与终端设备本地时，该方法可以应用在终端设备。终端设备可以是手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality， ar)/虚拟现实(virtual reality，vr)设备、笔记本电脑、超级移动个人计算机 (ultra-mobile personal computer，umpc)、上网本、个人数字助理(personal digitalassistant，pda)等，本技术实施例对终端设备的具体类型不作任何限制。
[0079]
当预测模型部署在网络设备时，该方法可以应用于终端设备与网络设备构成的系统，可以参考图1，图1示出终端设备与网络设备构成的系统。该系统包括：终端设备101与网络设备102。
[0080]
网络设备例如可以是一台服务器或多台服务器的组合，也可以是云数据平台、云服务器，本技术实施例对此不作限定。当预测模型部署在网络设备时，终端设备可以本地获取用户输入的环境数据，并将环境数据发送给网络设备，部署在网络设备的预测模型可以基于环境数据预测出重金属浓度，并将该重金属浓度反馈回终端设备，终端设备将结果显示给用户。
[0081]
可以参考图2，图2示出了本技术实施例提供的重金属浓度预测方法的示意性流程图，该方法包括以下步骤：
[0082]
201、获取污水管网的目标节点的多种环境数据。
[0083]
污水管网是由多根污水管相互连通形成的污水管网络，其中包含有多个节点，每个节点所处的位置不同。
[0084]
对于用户感兴趣的节点，可以称为目标节点。在一实施例中，目标节点可以由用户确定。在一实施例中，目标节点也可以是预先指定的节点。
[0085]
在获取目标节点的环境数据时，可以有多种方式。在一实施例中，可以获取用户输入的目标节点的多种环境数据。在一实施例中，也可以预先在目标节点处部署相应的传感器，从而可以与传感器建立通信，获取传感器测量得到的环境数据。
[0086]
由于污水管网中重金属来源复杂，比如可能来自生活污水、工业废水或者降雨携带流入，因此仅考虑单一一种环境数据是无法准确预测出有参考意义的重金属浓度的。本技术实施例中，获取的是目标节点的多种环境数据，多种环境数据可以包括以下一种或多种：集水区面积、区域供水量、污水流量、空气相对湿度、污水水温、污水ph和污水电导率。当然，具体实施时，所选取的环境数据也可以是其他种类，本技术实施例对此不作限制。
[0087]
202、将目标节点的多种环境数据输入预测模型。
[0088]
预测模型可以是预先训练好的模型，并且该预测模型可以是门控循环单元(gru)神经网络模型。gru神经网络模型的基本结构可以参考图3，其中包含一个重置门，一个更新门。
[0089]
预测模型的输入变量可以是所述的多种环境数据，其输出变量可以是重金属浓度。重金属浓度可以是各种重金属的浓度，在一实施例中，可以至少包括以下的一种重金属浓度：铜浓度、锌浓度、镍浓度、铬浓度。
[0090]
203、获取预测模型输出的目标节点对应的重金属浓度。
[0091]
在本技术实施例中，可以获取目标节点的多种环境数据，并可以基于多种环境数据，利用预先训练好的gru神经网络预测模型，预测出该目标节点对应的重金属浓度。由于这种预测考虑了目标节点的多种环境数据，并且使用了 gru神经网络，因此预测出的重金属浓度具有较高的准确性。
[0092]
在一实施例中，由于不同结构的模型会有不同的预测效果，为了能够有更为准确的预测结果，在构建预测模型时，可以先构建多个不同结构的gru神经网络模型，再从中筛选出预测效果最好的结构。不同结构的gru神经网络模型可以是具有不同的隐含层数，也可以是gru层具有不同的神经元数量。具体实施是，可以设定多个gru神经网络模型的隐含层数分别为1、2、3、4 和5，每个gru层的神经元数量设置相同，设定值依次为50、51、52、
···
69 和70。
[0093]
在构建得到多个不同结构的gru神经网络模型后，多个可以对各个gru 神经网络模型分别进行训练。具体的训练过程如下：
[0094]
gru神经网络包含一个重置门(r
t
)，一个更新门(z
t
)，根据当前时刻输入的环境数据x
t
与上一时刻的隐藏状态h
t-1
，可以计算得到重置门门值r
t
和更新门门值z
t
，其中重置门门值r
t
表征上一时刻的隐藏状态h
t-1
对当前时刻的候选隐藏状态h
t’的贡献度，重置门门值r
t
越大，上一时刻的隐藏状态h
t-1
对当前时刻的候选隐藏状态h
t’的贡献度越高，更新门门值z
t
表征上一时刻的隐藏状态h
t-1
对当前时刻的隐藏状态h
t
的贡献度，更新门门值z
t
越大，上一时刻的隐藏状态h
t-1
对当前时刻的隐藏状态h
t
的贡献度越高。
[0095]
重置门门值r
t
和更新门门值z
t
由sigmoid(σ)函数激活。根据重置门门值r
t
、当前时刻的环境数据x
t
以及上一时刻的隐藏状态h
t-1
，可以计算当前时刻的候选隐藏状态h
t’，其中当前时刻的候选隐藏状态h
t’通过tanh函数激活。最后，当前时刻的候选隐藏状态h
t’和上一时刻的隐藏状态h
t-1
通过更新门门值z
t
进行加权平均，可以计算得到当前时刻的隐藏状态h
t
，最终根据当前时刻的隐藏状态h
t
可以得到最终的输出y
t
，即当前时刻的重金属浓度。计算公式如下：
[0096]rt
＝σ(x
twxr
+h
t-1whr
+br)
[0097]zt
＝σ(x
twxz
+h
t-1whz
+bz)
[0098]ht
′
＝tanh(x
twxh
+(r
t
*h
t-1
)w
hh
+bh)
[0099]ht
＝z
t
*h
t-1
+(1-z
t
)*h
t
′
[0100]yt
＝σ(h
t
wo+bo)
[0101][0102][0103]
其中，x
t
为gru网络的输入变量；h
t’和h
t
分别为候选隐藏状态和隐藏状态向量；y
t
表示模型的输出；σ为s型激活函数，tanh为双曲正切激活函数；w
xh
、w
xr
、w
hr
、w
xz
、w
hz
和w
hh
分别表示各层之间的权重；br、bz、bh和bo分别为重置门、更新门、候选隐藏状态和输出层的偏置向量；*表示两个向量的乘积。
[0104]
通过将预先构建好的训练集输入各个gru神经网络模型中进行训练，基于反向传
播算法不断优化各个gru神经网络模型的参数，在进行n次训练后，模型参数收敛，此时各个gru神经网络模型已经训练完毕，停止训练。
[0105]
对训练好的各个gru神经网络模型，可以分别计算其预测误差，由于预测误差越小意味着模型的预测效果越准确，因此可以将预测误差最小的gru 神经网络模型确定为最终应用的预测模型。
[0106]
预测误差的计算方式有多种，在一实施例中，可以计算各gru神经网络模型的均方根误差(rmse)，具体的计算过程如下：
[0107][0108]
其中，y
tact
和y
tpre
分别代表第t个样本的实测值和预测值，n是样本数。 rmse的值越小，模型性能越好。最佳的模型结构如图4所示，当隐含层数为 4，神经元数为56时，rmse值最小，达到0.0024。
[0109]
预测模型的训练需要基于训练集，训练集可以通过以下方式构建：首先，获取污水管网的样本节点的多种环境数据以及该样本节点对应的实际重金属浓度。此处，选取的样本节点可以是污水管网中的关键节点，每个样本节点均采集其对应的多种环境数据，并且实测出该样本节点对应的重金属浓度(即实际重金属浓度)，需要注意的是，重金属浓度与环境数据应该在相同位置和相同时段采集。
[0110]
在获取得到样本节点的环境数据和实际重金属浓度后，可以对环境数据以及实际重金属浓度进行归一化处理，从而可以基于归一化后的环境数据与实际重金属浓度构建训练集和测试集。通过归一化将数据转化成标量，可以大大简化计算的复杂度。在一实施例中，在对环境数据进行归一化时，可以获取训练集中所有环境数据的第一最大值与第一最小值，计算最大值与最小值的最大差值(或称环境数据最大差值)，对每个环境数据，计算该环境数据与最小值的差值，将该差值与最大差值作比值计算，得到归一化后的环境数据。对实际重金属浓度进行归一化相似，可以获取实际重金属浓度的最大值与最小值，计算最大值与最小值的最大差值(或称实际重金属浓度最大差值)，对每个实际重金属浓度，计算该实际重金属浓度与最小值的差值，将该差值与最大差值作比值计算，得到归一化后的实际重金属浓度。
[0111]
具体的，可以将采集的输入数据(多种环境数据)和输出数据(重金属浓度)通过以下公式进行归一化处理，得到归一化后的输入矩阵x＝[x1,x2,
…
,xn] 和输出矩阵y＝[y1,y2,
…
,yn]。
[0112][0113]
v表示x与y中的各个行向量，v表示v经过归一化处理后的行向量，max 和min分别表示v中的最大值和最小值。
[0114]
在归一化得到数据集后，可以按特定比例划分为训练集和测试集。在一实施例中，
该特定比例可以是7:3，当然也可以是其他的划分比例。
[0115]
在一实施例中，为对最终训练出的预测模型进行评估，可以基于测试集计算预测模型的预测精度。可以选用的预测精度有多种，在一实施例中，测试集中包括不同环境数据对应的实际重金属浓度，可以将环境数据输入预测模型得到该预测模型输出的预测重金属浓度，根据该预测重金属浓度与实际重金属浓度之间的差值计算得到预测精度。例如可以选用r2值作为预测模型的预测精度，公式如下：
[0116][0117]
其中，y
tact
和y
tpre
分别代表第t个样本的实测值和预测值，和分别代表实测值的平均值和预测值的平均值，n是样本数。r2值越大，预测结果越准确。最终模型的预测效果以cu、zn、ni、cr为例及其r2值如图5所示。
[0118]
在本技术实施例中，可以获取目标节点的多种环境数据，并可以基于多种环境数据，利用预先训练好的gru神经网络预测模型，预测出该目标节点对应的重金属浓度。由于这种预测考虑了目标节点的多种环境数据，并且使用了 gru神经网络，因此预测出的重金属浓度具有较高的准确性。
[0119]
图6为本技术实施例提供的一种重金属浓度预测装置。该装置包括：
[0120]
第一获取模块601，用于获取污水管网的目标节点的多种环境数据；
[0121]
输入模块602，用于将所述目标节点的多种环境数据输入预测模型，其中，所述预测模型为预先训练好的gru神经网络模型；
[0122]
第二获取模块603，用于获取所述预测模型输出的所述目标节点对应的重金属浓度。
[0123]
图7为本技术实施例提供的一种终端设备的结构图。该终端设备101包括存储器1012、处理器1011以及存储在存储器1012中并可在所述处理器上运行的计算机程序1013，处理器1011执行计算机程序1013时实现如上述实施例的重金属浓度预测方法。
[0124]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0125]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0126]
本技术实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器
以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
[0127]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
[0128]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
[0129]
所述集成的单元如果以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，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0130]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0131]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0132]
在本技术所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0133]
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单元来实现本实施例方案的目的。
[0134]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应
包含在本技术的保护范围之内。