本发明涉及企业行为分析技术领域，尤其是涉及一种发电企业行为分析方法、装置以及电子设备。
背景技术：
电力交易中心作为电力交易市场的组织单位，其主要职能是为发电、购电双方提供交易服务，将交易情况与调度机构衔接以校核交易的有效性，并提供结算服务。随着电力交易市场技术支撑平台的建成，各类电力交易品种全面在线开展，双边协商、集中竞价以及挂牌交易已逐渐成为被市场认可的具有较强可操作性的交易模式，电力交易中心需要通过分析电力市场成员行为特征为其管理提供重要参考，以便针对不同的市场成员提供精细化服务，降低电力市场运营风险，进而推动电力交易市场健康有序发展。
其中，发电企业作为电力市场中最重要市场成员，在整个电力交易中起很大的作用。在一定的市场条件下，发电企业有可能利用自身持留发电能力和报过高的电价，导致电价高于正常竞争价格。为保证电力市场安全稳定运行并促进其健康发展，对发电企业行为进行分析十分必要。
目前，传统发电企业行为分析基本上采用基于博弈论或者运筹学的方法来展开计算或模拟，但是这些方法侧重于指导发电企业采用合适的报价策略以获得最大的利润，对发电企业行为的检测分析角度较为单一，从而不能为市场监管提供有价值的信息。
技术实现要素：
有鉴于此，本发明的目的在于提供一种发电企业行为分析方法、装置以及电子设备，以解决现有技术中存在的对发电企业行为的检测分析角度较为单一的技术问题。
第一方面，本发明实施例提供了一种发电企业行为分析方法，包括：
建立企业行为数据的检测指标模型；
根据所述检测指标模型确定企业行为的目标变量与预测变量；
对所述预测变量进行离散化处理，得到分类变量；
根据所述目标变量，通过非参数检验法对所述分类变量进行筛选，得到筛选结果；
根据所述筛选结果通过决策树chaid算法对企业进行分类，得到分类结果；
根据所述分类结果检测企业行为特征数据，得到发电企业行为分析结果。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述建立企业行为数据的检测指标模型，具体包括：
根据企业的信息数据、交易策略数据以及交易管理数据建立企业行为数据的检测指标模型。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述根据所述检测指标模型确定企业行为的目标变量与预测变量，具体包括：
根据所述交易管理数据确定目标变量；
根据所述企业的信息数据与所述交易策略数据确定预测变量。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，
所述对所述预测变量进行离散化处理，得到分类变量，具体包括：
根据所述信息数据与所述交易管理数据，通过所述检测指标模型中的指标计算公式进行计算，得到指标数值；
根据所述指标数值对所述预测变量进行离散化处理，得到分类变量。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述分类变量为两个类型的预测变量。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述根据所述目标变量，通过非参数检验法对所述分类变量进行筛选，得到筛选结果，具体包括：
根据所述目标变量与所述两个类型的预测变量，通过两个独立样本的非参数检验法进行检测，得到所述目标变量在所述两个类型的预测变量中的分布情况；
根据所述分布情况对所述两个类型的预测变量进行筛选，得到预测变量筛选结果。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述根据所述筛选结果通过决策树chaid算法对企业进行分类，得到分类结果，具体包括：
根据所述预测变量筛选结果通过决策树chaid算法提取目标预测变量；
根据所述目标预测变量通过决策树chaid算法对企业进行分类，得到分类结果。
第二方面，本发明实施例还提供一种发电企业行为分析装置，包括：
建立模块，用于建立企业行为数据的检测指标模型；
确定模块，用于根据所述检测指标模型确定企业行为的目标变量与预测变量；
处理模块，用于对所述预测变量进行离散化处理，得到分类变量；
筛选模块，用于根据所述目标变量，通过非参数检验法对所述分类变量进行筛选，得到筛选结果；
分类模块，用于根据所述筛选结果通过决策树chaid算法对企业进行分类，得到分类结果；
检测模块，用于根据所述分类结果检测企业行为特征数据，得到发电企业行为分析结果。
第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述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如第一方面所述的方法的步骤。
第四方面，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行如第一方面所述的方法。
本发明实施例提供的技术方案带来了以下有益效果：本发明实施例提供的发电企业行为分析方法、装置以及电子设备中，发电企业行为分析方法包括：首先，建立企业行为数据的检测指标模型，然后，根据检测指标模型确定企业行为的目标变量与预测变量，之后对预测变量进行离散化处理从而得到分类变量，然后根据目标变量通过非参数检验法对分类变量进行筛选从而得到筛选结果，之后，根据筛选结果通过决策树chaid算法对企业进行分类从而得到分类结果，最后，根据分类结果检测企业行为特征数据从而得到发电企业行为分析结果，通过非参数检验法考察目标变量在离散化处理后的预测变量类别上是否存在差异，再通过决策树chaid算法提取对目标变量有重要影响的预测变量，能够根据决策树拆分结果对发电企业进行划分，以便为电力交易风险识别和风险管理提供决策支持，因此，使用非参数检验法与chaid算法结合的方法有助于分析发电企业的交易行为特征，从而提取影响发电企业交易情况的主要因素，同时从电力交易管理的角度来看，也有助于对不同的发电企业开展风险识别和管理，从而使企业行为的检测分析过程增加了更加全面的风险识别与风险管理的角度，从而解决了现有技术中存在的对发电企业行为的检测分析角度较为单一的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。
图1示出了本发明实施例一所提供的发电企业行为分析方法的流程图；
图2示出了本发明实施例二所提供的发电企业行为分析方法的流程图；
图3示出了本发明实施例二所提供的发电企业申报成交率决策树图；
图4示出了本发明实施例三所提供的一种发电企业行为分析装置的结构示意图；
图5示出了本发明实施例四所提供的一种电子设备的结构示意图。
图标：3-发电企业行为分析装置；31-建立模块；32-确定模块；33-处理模块；34-筛选模块；35-分类模块；36-检测模块；4-电子设备；41-存储器；42-处理器；43-总线；44-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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做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。
目前，传统发电企业行为分析方法侧重于指导发电企业采用合适的报价策略以获得最大的利润，对发电企业行为的检测分析角度较为单一，从而不能为市场监管提供有价值的信息，基于此，本发明实施例提供的一种发电企业行为分析方法、装置以及电子设备，可以解决现有技术中存在的对发电企业行为的检测分析角度较为单一的技术问题。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种发电企业行为分析方法、装置以及电子设备进行详细介绍。
实施例一：
本发明实施例提供的一种发电企业行为分析方法，如图1所示，该方法包括：
s11：建立企业行为数据的检测指标模型。
作为本实施例的优选实施方式，构建发电企业行为分析指标体系。
s12：根据检测指标模型确定企业行为的目标变量与预测变量。
具体的，根据发电企业行为分析指标体系，确定企业行为的目标变量和预测变量。
s13：对预测变量进行离散化处理，得到分类变量。
本步骤中，对预测变量进行离散化处理，从而得到分类的预测变量。
s14：根据目标变量，通过非参数检验法对分类变量进行筛选，得到筛选结果。
优选的，使用独立样本非参数检验技术对预测变量进行分析，对预测变量进行筛选。
s15：根据筛选结果通过决策树chaid算法对企业进行分类，得到分类结果。
在实际应用中，基于决策树的chaid算法对发电企业进行分组，确定主要的影响变量，建立规则组合。
s16：根据分类结果检测企业行为特征数据，得到发电企业行为分析结果。
作为本实施例的另一种实施方式，利用主要的影响变量结合业务意义，分析发电企业行为特征。
因此，发电企业行为分析方法也可以为一种基于非参数检验和chaid算法的发电企业行为分析方法，该方法是基于电力交易管理和风险识别的角度提出的一种发电企业行为分析方法。
对于现有技术而言，传统的发电企业行为分析基本上采用基于博弈论或者运筹学的方法来展开计算或模拟，但是这些方法侧重于指导发电企业采用合适的报价策略以获得最大的利润，忽视了发电企业风险管理和风险识别的角度，因此不能为市场监管提供有价值的信息。
通过提供基于非参数检验和chaid算法的发电企业行为分析方法，利用非参数检验考察目标变量在离散化处理后的预测变量类别上是否存在差异，再利用chaid算法提取对目标变量有重要影响的预测变量，根据决策树拆分结果对发电企业进行划分，结合电力交易业务实际对发电企业的行为特征进行提取，以便为电力交易风险识别和风险管理提供决策支持。
本实施例中，使用基于非参数检验和chaid算法有助于分析发电企业的交易行为特征，提取影响发电企业交易情况的主要因素，同时从电力交易管理的角度来看，有助于对不同的发电企业开展风险识别和管理。因此，本实施例提供的发电企业行为分析方法更加符合电力交易管理需求，以便电力交易中心对发电企业进行风险管理及精细化服务。
实施例二：
本发明实施例提供的一种发电企业行为分析方法，也可以为一种基于数据挖掘技术的电力市场成员行为分析方法，如图2所示，该方法包括：
s21：根据企业的信息数据、交易策略数据以及交易管理数据建立企业行为数据的检测指标模型。
进一步，发电企业行为分析指标体系的构建从基础信息、交易策略、交易管理三个维度进行展开。其中基础信息包括发电企业类型、发电设备容量、发电可调出力。交易策略包括报价偏离度、申报次数偏离度、申报时间分位点、申报持留率、高价申报率，其中交易管理包括交易电力增长率、申报成交率、高价中标率。
s22：根据交易管理数据确定目标变量。
需要说明的是，交易管理维度指标反应发电企业的交易结果，所以将申报成交率作为目标变量。将交易电量增长率、申报成交率、高价中标率作为目标变量。
s23：根据企业的信息数据与交易策略数据确定预测变量。
本步骤中，基础信息和交易策略两个维度的所有指标反应的是发电企业的发电信息和交易表现，将其作为预测变量。
s24：根据信息数据与交易管理数据，通过检测指标模型中的指标计算公式进行计算，得到指标数值。
本步骤中，计算发电企业行为分析指标。本实施例以全国某月交易数据完整的发电企业为例进行说明，首先，结合发电企业指标，获取发电企业基础信息模块数据、发电企业交易管理模块数据，根据指标计算公式对指标进行计算。
本实施例中，离散型指标发电企业类型x1，若发电企业属于火力发电，则x1取值为0，因为该省电力交易中不包含核电交易，所以当发电企业为风电、水电、光伏时，则x1取值为1。
进一步的是，连续型指标发电设备容量x2的计算公式为
作为本实施例的优选实施方式，连续型指标发电可调出力x3计算公式为
连续型指标报价偏离度x4的计算公式为
连续型指标申报次数偏离度x5的计算公式为
连续型指标申报时间平均分位点x6计算公式为
连续型指标申报持留率x7计算公式为：
连续型指标高价申报率x8计算公式为
s25：根据指标数值对预测变量进行离散化处理，得到两个类型的预测变量。
其中，对预测变量离散化的过程需要结合指标数值分布特征和指标实际业务标准进行。预测变量离散化结果如下表所示：
s26：根据目标变量与两个类型的预测变量，通过两个独立样本的非参数检验法进行检测，得到目标变量在两个类型的预测变量中的分布情况。
在步骤s25基础上，对离散化后含有两个类别的预测变量，采用两个独立样本非参数检验中的mann-whitneyu(曼-惠特尼u检验)检验考察目标变量y在预测变量类别上的分布情况。需要说明的是，mann—whitneyu检验是指对两个独立样本进行检验，类似于参数检验中的独立样本t。
其中，mann-whitneyu检验步骤如下：
s261：预测变量的两个类别a和b的样本数分别为χa和χb，将(χa+χb)个值按从小到大顺序排列，指定最小观察值等级α1，指定第二小观察值等级α2，依次类推。若存在相同观察值，则用它们位序的平均数。
s262：计算两个类别a和b的等级和γa和γb，其计算公式为γa＝∑αε,ε＝1,2,…χa，γb＝∑αε,ε＝1,2,…χb。
s263：计算两个类别a和b的mann-whitneyu检验统计值，其计算公式为ua＝χaχb+χa(χa+α1)/α2-γa，ub＝χaχb+χa(χa+α1)/α2-γb。
s264：选取ua和ub中较小的u值，与u的临界值uδ比较，若u大于uδ，接受原假设，若u小于uδ，拒绝原假设。
然后，在mann-whitneyu检验步骤完成后，在步骤s25基础上，对离散化后包含两个以上类别的预测变量，采用多个独立样本非参数检验中的kruskal-wallish(克瓦氏h检验)检验考察目标变量y1,y2,y3在预测变量类别上的分布情况。需要说明的是，kruskal-wallish检验是对多个独立样本进行非参数检验，类似于参数检验中的f检验。
其中，kruskal-wallish检验步骤如下：
s265：预测变量k个类别的样本数分别为n1、n2、...nk，将n＝n1+n2+...+nk个样本值按照从小到大的顺序排列，并赋予其序号值αε，若存在相同的观察值，则用它们位序的平均数。
s266：将k组的序号值分别求和得到γμ(其中μ＝1,2,…k)其计算公式为γμ＝∑αε,ε＝1,2,...nk。
s267：计算kruskal-wallish统计量，其计算公式为
s268：因为nk>5时，统计量近似服从自由度为n-1的卡方分布，使用卡方分布进行检验。
s27：根据分布情况对两个类型的预测变量进行筛选，得到预测变量筛选结果。
具体的，考察mann-whitneyu检验和kruskal-wallish检验的p值情况，若p值小于既定水平0.05，则保留预测变量，参与chaid算法建模分析值大于既定水平0.05，则删除预测变量。
例如，mann-whitneyu检验和kruskal-wallish检验的结果，即预测指标非参数检验结果如下表所示：
对于预测变量y1,y2来说，除了高价申报率这一预测变量之外，p值均小于给定水平0.05，所以拒绝原假设，说明交易电量增长率和申报成交率在其他预测变量上的差异都有统计学意义，所以在后期数据建模过程中将高价申报率删除。而目标变量y3在对应的预测变量p值均小于给定水平0.05，拒绝原假设，说明高价中标率预测变量上的差异都有统计学意义，所以在后期建模过程中保留所有预测变量。
s28：根据预测变量筛选结果通过决策树chaid算法提取目标预测变量。
需要说明的是，在机器学习算法中，相比支持向量机、神经网络等，决策树方法输出结果容易结合具体的业务实际进行解释。而在一系列决策树算法中，chaid算法能够从统计显著性角度确定分支变量和分割值，进而优化树的分枝过程。与此同时，在建立在因果关系中，chaid算法能够依据目标变量实现对输入变量众多水平划分，所以选取chaid算法。
对于使用决策树chaid算法的过程，首先将y设置为目标变量，选定分类变量x1-x8与目标变量y进行交叉分类，产生一系列二维分类表的卡方或似然估计统计量，比较统计量的大小，以最大统计量的二维表作为最佳初始分类表，在最佳二维分类的基础上继续使用分类变量对目标变量进行分类，重复上述过程直到分类条件满足为止。确定决策树chaid算法相应参数，分类节点、最大层数、父节点最小样本数、子节点最小样本数、拆分合并置信度、f检验α值。按照7：3的比例划分数据为训练集与测试集，进行方法的检验。因此，通过chaid算法能够提取对目标变量有重要影响的预测变量。
s29：根据目标预测变量通过决策树chaid算法对企业进行分类，得到分类结果。
作为一个优选方案，根据决策树分类结果，按照预测变量决策树层级程度，确定主要的影响变量。
如图3所示，对于申报成交率决策树，从测试集验证结果来看：通过f检验，在影响申报成交率的预测变量中，按影响度从大到小依次为申报持留率、发电企业类型、申报时间分位点、申报次数偏离度等。
从下表的误差率估计值及其标准差可知，检验样本的误差率估计值都很小，说明分类合理，可以用来预测新的发电企业申报成交率。
然后，根据步骤s26至s27的非参数检验和决策树拆分结果，按照y分布相近的原则对发电企业进行划分。
因此，chaid算法还可以用于根据决策树拆分结果对发电企业进行划分，结合电力交易业务实际对发电企业的行为特征进行提取，以便为电力交易风险识别和风险管理提供决策支持。
s30：根据分类结果检测企业行为特征数据，得到发电企业行为分析结果。
然后，确定主要的影响变量，建立规则组合，结合电力交易业务实际意义分析发电企业行为特征。其中，申报成交率规则汇总如下表所示：
从决策树训练集和测试集整体结果来看，申报持留率-5即发电企业申报持留率大于20％的发电企业，申报成交率普遍比较高，尤其是申报时间平均分位点-2、3、4即申报时间相对靠后的发电企业申报成交率普遍在50％以上。结合电力交易情况，说明这部分发电企业参与电力交易的积极性较差，但意欲通过限制电量抬高电价以获取更多的利润，并且从其普遍比较高的申报成交率来看，其在发电侧普遍有着较强的话语。此外从电力交易市场整体来看，一半以上的发电企业的申报持留率在10％以上，说明当前电力交易市场处于供不应求的阶段，易出现发电企业限量抬价的现象。
实施例三：
本发明实施例提供的一种发电企业行为分析装置，如图4所示，发电企业行为分析装置3包括：建立模块31、确定模块32、处理模块33、筛选模块34、分类模块35以及检测模块36。
作为本实施例的另一种实施方式，建立模块用于建立企业行为数据的检测指标模型。确定模块用于根据检测指标模型确定企业行为的目标变量与预测变量。
优选的，处理模块用于对预测变量进行离散化处理，得到分类变量。筛选模块用于根据目标变量，通过非参数检验法对分类变量进行筛选，得到筛选结果。
此外，分类模块用于根据筛选结果通过决策树chaid算法对企业进行分类，得到分类结果。检测模块用于根据分类结果检测企业行为特征数据，得到发电企业行为分析结果。
实施例四：
本发明实施例提供的一种电子设备，如图5所示，电子设备4包括存储器41、处理器42，所述存储器中存储有可在所述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实施例一或施例二提供的方法的步骤。
参见图5，电子设备还包括：总线43和通信接口44，处理器42、通信接口44和存储器41通过总线43连接；处理器42用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器(ram，randomaccessmemory)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口44(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线43可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，所述处理器42在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器42中，或者由处理器42实现。
处理器42可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现成可编程门阵列(field-programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器42读取存储器41中的信息，结合其硬件完成上述方法的步骤。
实施例五：
本发明实施例提供的一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述实施例一或施例二提提供的方法。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本发明实施例提供的具有处理器可执行的非易失的程序代码的计算机可读介质，与上述实施例提供的发电企业行为分析方法、装置以及电子设备具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明实施例所提供的进行发电企业行为分析方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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。
另外，在本发明各个实施例中的各功能单元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。
所述功能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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。