一种路网数据的获取方法、装置、设备及计算机存储介质与流程

本申请涉及机器学习技术领域，尤其涉及一种路网数据的获取方法、装置、设备及计算机存储介质。

背景技术：

随着经济高速增长，交通越来越便利，全国各地每天都有新修建的道路，地图厂商为了维护地图的更新，传统方法需要人工采集全国各地的路网数据，耗费大量的人力和财力，随着数字化、信息化的进程，获取车辆轨迹数据的成本在逐渐降低，轨迹数据可以反应地区到地区的连通方式，通过汇聚大量不同车辆的轨迹数据，能够推断轨迹数据背后包含的路网结构信息，帮助自动添加新出现的路段，以节约人力成本。

传统方法通常是将所有车辆的轨迹点进行聚类生成路网、将不同车辆的子轨迹进行聚类，但是上述方法存在以下缺陷：通行次数较少的路段由于包含的轨迹点信息较少而无法生成路网，存在低召回率问题，以及子轨迹数据计算量较大，聚类准确性较差，可能会生成很多冗余、虚假路段的问题。

技术实现要素：

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请实施例提供了一种路网数据的获取方法、装置、设备及计算机存储介质。

有鉴于此，第一方面，本申请实施例提供了一种路网数据的获取方法，所述方法包括以下步骤：

获取目标区域的车辆轨迹图像；

将所述车辆轨迹图像输入到预先训练好的路网预测模型，以使所述路网预测模型输出所述目标区域的目标路网图像，其中，所述路网预测模型是通过对路网历史记录训练得到的，所述路网历史记录包括历史车辆轨迹图像和与所述历史车辆轨迹图像对应的历史路网图像；

利用所述目标路网图像，生成所述目标区域的目标路网数据。

结合第一方面，在第一方面第一种可能的实施方式中，所述路网预测模型通过以下方式进行训练：

获取历史区域的历史车辆轨迹数据和历史路网图像；

将所述历史车辆轨迹数据进行处理，得到多个种类的历史车辆轨迹图像；

将所述历史车辆轨迹图像作为训练样本输入初始路网预测模型，以使所述初始路网预测模型输出路网图像；

若所述路网图像与所述历史路网图像的相似度大于设定的相似度阈值，则所述初始路网预测模型训练成功，得到所述训练好的路网预测模型；

若所述路网图像与所述历史路网图像的相似度小于等于设定的相似度阈值，则通过调整所述初始路网预测模型中的参数，继续对所述初始路网预测模型进行训练，直至所述初始路网预测模型训练成功。

结合第一方面，在第一方面第二种可能的实施方式中，所述历史路网图像，通过以下方式确定：

获取所述历史区域的历史路网数据；

确定所述历史路网数据处于地图中的空间信息；

基于所述空间信息将所述历史路网数据转化为历史路网图像。

结合第一方面，在第一方面第三种可能的实施方式中，所述利用所述目标路网图像，生成所述目标区域的目标路网数据，包括：

利用所述目标路网图像，确定所述目标区域的空间信息；

基于所述空间信息，确定所述目标路网图像对应的目标路网数据。

结合第一方面，在第一方面第四种可能的实施方式中，所述获取目标区域的车辆轨迹图像，包括：

确定所述目标区域；

获取所述目标区域的车辆轨迹数据；

将所述车辆轨迹数据进行处理，以得到所述目标区域的车辆轨迹图像。

结合第一方面，在第一方面第五种可能的实施方式中，所述目标路网数据包括至少两条非连续路段的数据，所述方法还包括：

根据匹配算法，将所述非连续路段的数据与所述车辆轨迹数据进行匹配；

根据所述非连续路段的数据与所述车辆轨迹数据的匹配结果，确定所述非连续路段的数据对应的特定路网数据；

利用所述特定路网数据，对所述目标路网数据进行更新。

第二方面，本申请实施例提供了一种路网数据的获取装置，所述装置包括：

第一获取模块，用于获取目标区域的车辆轨迹图像；

第二获取模块，用于将所述车辆轨迹图像输入到预先训练好的路网预测模型，以使所述路网预测模型输出所述目标区域的目标路网图像，其中，所述路网预测模型是通过对路网历史记录训练得到的，所述路网历史记录包括历史车辆轨迹图像和与所述历史车辆轨迹图像对应的历史路网图像；

路网数据生成模块，用于利用所述第二获取模块得到的所述目标路网图像，生成所述目标区域的目标路网数据。

结合第二方面，在第二方面第一种可能的实施方式中，所述装置还包括模型训练模块，所述模型训练模块用于对初始路网预测模型进行训练，得到所述训练好的路网预测模型；所述模型训练模块包括：

第一获取单元，用于获取历史区域的历史车辆轨迹数据和历史路网图像；

数据处理单元，用于将所述历史车辆轨迹数据进行处理，得到多个种类的历史车辆轨迹图像；

样本输入单元，用于将所述历史车辆轨迹图像作为训练样本输入所述初始路网预测模型，以使所述初始路网预测模型输出路网图像；

第一判定单元，用于若所述路网图像与所述历史路网图像的相似度大于设定的相似度阈值，则判定所述初始路网预测模型训练成功，得到所述训练好的路网预测模型；

第二判定单元，用于若所述路网图像与所述历史路网图像的相似度小于等于设定的相似度阈值，则通过调整所述初始路网预测模型中的参数，继续对所述初始路网预测模型进行训练，直至所述初始路网预测模型训练成功。

第三方面，本申请实施例提供了一种电子设备，所述电子设备包括：处理器和存储器，所述处理器用于执行所述存储器中存储的路网数据的获取程序，以实现如第一方面所述的路网数据的获取方法。

第四方面，本申请实施例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上存储有路网数据的获取程序，所述路网数据的获取程序被处理器执行时实现如第一方面所述的路网数据的获取方法的步骤。

本申请实施例提供的上述技术方案与现有技术相比具有如下优点：

本申请实施例提供的一种路网数据的获取方法、装置、设备及计算机存储介质，该路网数据的获取方法，通过获取目标区域的车辆轨迹图像，其中，车辆轨迹图像通过对目标区域的车辆轨迹数据进行处理得到；将所述车辆轨迹图像输入到预先训练好的路网预测模型，以使所述路网预测模型输出所述目标区域的目标路网图像，其中，所述路网预测模型是通过对路网历史记录训练得到的，所述路网历史记录包括历史车辆轨迹图像和与所述历史车辆轨迹图像对应的历史路网图像；利用目标路网图像，生成目标区域的目标路网数据。

本申请实施例利用深度神经网络，预先在有路网数据的历史区域学习历史车辆轨迹图像到历史路网图像的映射关系得到训练好的路网预测模型，利用训练好的路网预测模型，通过目标区域的车辆轨迹图像生成更合理、真实的目标路网图像，利用目标路网图像生成该目标区域更准确的目标路网数据，提高了目标路网数据的生成准确率以及召回率，利用得到的目标路网数据可以更准确的恢复出电子地图，有效抵抗车辆轨迹数据中存在的噪声，解决了车辆轨迹数据的采样率低，不同区域的车辆轨迹数据空间分布不均等问题。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请实施例或现有技术中的技术方案，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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种路网数据的获取方法的流程示意图；

图2为本申请实施例提供的一种路网数据的获取方法的流程示意图；

图3为本申请实施例提供的一种路网数据的获取方法的流程示意图；

图4为本申请实施例提供的一种unet深度神经网络的结构示意图；

图5为本申请实施例提供的一种路网数据的获取方法的流程示意图；

图6为本申请实施例提供的一种路网数据的获取方法的流程示意图；

图7为本申请实施例提供的一种路网数据的获取装置的结构示意图；

图8为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

现在将参考附图描述实现本申请各个实施例的服务器。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。

车辆的轨迹数据反应了地区到地区之间的连通方式，通过汇聚大量不同车辆的轨迹数据，能够推断轨迹数据包含的路网结构信息，根据路网结构信息可以自动添加新出现的路段，节约人力成本。然而传统方法在利用车辆的轨迹数据生成路网图像时存在低准确性和低召回率的问题，主要原因在于，在利用轨迹数据生成路网的时候，由于轨迹数据存在噪声，采样率低，不同区域的轨迹点数量分布不均等问题。判断分布稀疏的轨迹点是存在噪声还是该区域路段为车辆通行次数较少的路段存在困难，而人为设定一个固定的误差阈值的方式，所适用的情况有限。

为了解决车辆的轨迹数据中存在的噪声，采样率低，以及不同区域的轨迹数据空间分布不均等问题，以生成更合理、真实的目标区域的目标路网图像，提高目标路网图像的生成准确率以及召回率，从而利用目标路网图像得到更加准确的目标路网数据，本申请实施例提供了一种路网数据的获取方法，如图1所示，该方法可以包括以下步骤：

s101、获取目标区域的车辆轨迹图像。

其中，目标区域是指车辆的目标行驶区域，车辆轨迹图像为利用车辆在行驶过程中在目标区域留下的车辆轨迹数据生成的轨迹图像(或轨迹图片)，车辆轨迹数据是指所有经过该区域的行驶车辆所留下的轨迹数据，轨迹数据是指所有经过该区域的移动物体(如车辆)所留下的轨迹。

在本申请实施例中，获取目标区域的车辆轨迹图像，包括以下步骤：

确定所述目标区域；

获取所述目标区域的车辆轨迹数据；

将所述车辆轨迹数据进行处理，以得到所述目标区域的车辆轨迹图像。

可选的，对车辆轨迹数据进行处理的方式包括但不限于：对车辆轨迹数据进行渲染，得到多个不同种类的车辆轨迹图像，后面将会以举例的方式对该实现方式进行详细说明，在此不再赘述。

s102、将所述车辆轨迹图像输入到预先训练好的路网预测模型，以使所述路网预测模型输出所述目标区域的目标路网图像。

其中，所述训练好的路网预测模型是通过对路网历史记录训练得到的，所述路网历史记录包括历史车辆轨迹图像和与所述历史车辆轨迹图像对应的历史路网图像。历史车辆轨迹图像为利用历史车辆在行驶过程中在历史区域留下的历史车辆轨迹数据生成的轨迹图像(或轨迹图片)，历史车辆轨迹数据是指所有经过该历史区域的历史车辆在行驶过程中留下的轨迹数据，轨迹数据是指所有经过该历史区域的历史车辆所留下的轨迹。历史区域是指历史车辆的历史行驶区域。

在本申请实施例中，历史车辆轨迹图像通过以下方式得到：

确定历史区域；

获取历史区域的历史车辆轨迹数据；

将历史车辆轨迹数据进行处理，以得到历史区域的历史车辆轨迹图像。

可选的，对历史车辆轨迹数据进行处理的方式包括但不限于：对历史车辆轨迹数据进行渲染，得到多个不同种类的历史车辆轨迹图像，后面将会以举例的方式对该实现方式进行详细说明，在此不再赘述。

本申请实施例采用预先训练好的路网预测模型，根据输入的目标区域的车辆轨迹图像，得到目标区域的的目标路网图像。后续采用具体的实施例来对未训练的初始路网预测模型进行训练以得到训练好的路网预测模型的训练过程进行说明，在此不再赘述。

s103、利用所述目标路网图像，生成所述目标区域的目标路网数据。

由于通过目标路网图像会生成的目标路网数据可能会出现部分路段断开的情况，后续通过匹配算法对目标路网数据进行优化，将非连续的路段进行连通，得到最终的可路由的目标路网数据，以满足目标路网数据的连通性要求，后面将采用具体的实施例来对目标路网数据的优化方式进行说明，在此不再赘述。

本申请实施例利用深度神经网络，预先在有路网数据的历史区域学习历史车辆轨迹图像到历史路网图像的映射关系，得到训练好的路网预测模型，利用训练好的路网预测模型，通过目标区域的车辆轨迹图像生成更合理、真实的目标路网图像，提高目标路网图像的生成准确率以及召回率，利用目标路网图像生成该目标区域更准确的目标路网数据，利用得到的目标路网数据可以更准确的恢复出电子地图，有效抵抗车辆轨迹数据中存在的噪声，解决了轨迹数据的采样率低，不同区域的轨迹数据空间分布不均等问题。

需要说明的是，本申请实施例还可以采用其它可以实现模型训练的机器学习算法，本申请实施例对此不做限定。

下面对未训练的初始路网预测模型进行训练以得到训练好的路网预测模型的训练过程进行举例说明。

参照图2，路网预测模型通过以下方式进行训练：

s201、获取历史区域的历史车辆轨迹数据和历史路网图像。

本申请实施例将历史车辆行驶过的历史区域作为训练区域，历史车辆行驶经过历史区域所留下的轨迹数据作为历史车辆轨迹数据，该历史车辆轨迹数据为包含经纬度的时间序列数据，即三元组{时间，经度，纬度}，且每一条轨迹数据包含对象标识oid(objectidentifier，对象标识符)，该对象标识oid用于区分不同的移动物体(如行驶的车辆)。

下面对历史路网图像的获取方式进行举例说明。

参照图3，历史路网图像通过以下方式确定：

s301、获取所述历史区域的历史路网数据。

s302、确定所述历史路网数据处于地图中的空间信息。

s303、基于所述空间信息将所述历史路网数据转化为历史路网图像。

例如，将整个训练区域划分为500米x500米的地块，将训练区域的每一个地块作为一个训练样本，查询该训练区域的历史路网数据，以及获取该训练区域的历史路网数据处于地图中的空间信息，将空间信息绘制在256x256像素的图片上，生成历史路网图像。

需要说明的是，还可以采取其它可以实现本申请实施例的训练目的的训练区域，本申请实施例对训练区域的大小不做限定。

本领域技术人员应当知晓的是，本申请实施例将空间信息绘制在256x256像素的图片是本申请的较优选的实施方式，生成的历史路网图像的清晰度更好，还可以将空间信息绘制在其它像素的图片上，本申请实施例对此不做限定。

s202、将所述历史车辆轨迹数据进行处理，得到多个种类的历史车辆轨迹图像。

可选的，本申请实施例通过对车辆轨迹数据进行渲染，得到多个不同种类的车辆轨迹图像，车辆轨迹图像的种类包括但不限于点云图、线段图、方向图和速度图；本申请实施例对历史车辆轨迹数据进行渲染，得到多个不同种类的历史车辆轨迹图像，历史车辆轨迹图像的种类包括但不限于点云图、线段图、方向图和速度图。

可选的，初始路网预测模型的输入包含多个通道，也可以理解为输入到初始路网预测模型中的图片(256x256像素，约2米/像素)为多张历史车辆轨迹图像，历史车辆轨迹图像的种类包括但不限于以下四种：

第一种：点云图，如果点云图中某像素位置包含轨迹点，则该像素亮度值+1；

第二种：线段图，如果同一轨迹任意时序前后两点构成线段，则该线段覆盖的像素亮度值+1；

第三种：方向图，预先定义8个方向(例如，北，东北，东，东南，南，西南，西，西北)，由于某个区域可能会有多个车辆行驶(移动物体)经过，通过该像素的方向为出现次数最多的方向(方向可以通过前后两个轨迹点计算得到)；

第四种：速度图，为通过该像素(位置)的车辆行驶(或其它移动物体的移动)的平均速度数据，可以通过前后两个轨迹点计算得到。

本领域技术人员应当知晓，上述历史车辆轨迹图像的种类仅用于对本申请实施例进行说明，而不用于限定本申请实施例，还可以采用其它种类的历史车辆轨迹图像，本申请实施例对此不做限定。

s203、将所述历史车辆轨迹图像作为训练样本输入初始路网预测模型，以使初始路网预测模型输出路网图像。

本申请实施例，利用初始路网预测模型学习历史车辆轨迹图像到路网图像的映射关系，得到训练好的路网预测模型，该初始路网预测模型可以理解为执行图像分割任务，例如采用unet(全卷积神经网络图像分割)深度神经网络，参照图4，为该unet深度神经网络的结构示意图，unet遵循编码器-解码器架构，输入为256x256像素的图像(可以包含多个通道)，输出为256x256像素的目标路网图像的预测结果。编码器从上至下分为多层，每一层通过卷积神经网络(cnn，convolutionneuralnetwork)，捕捉对应层的特征。高层通过降采样得到低层次的表达。

可选的，本申请实施例通过5次降采样后，最底层是8x8的特征图。解码器则通过反向计算操作，得到256x256像素的路网图像输出。其中，编码器和解码器的相同层，通过短路连接(skipconnection)进行信息融合，得到更准确的预测结果。

需要说明的是，本申请实施例采用5次降采样为一种优选的方式，并不对降采样的次数进行限定。

可选的，路网预测模型在执行图像分割任务时使用的损失函数为二元交叉熵损失binarycrossentropy(bce)loss，但是由于在车辆轨迹图像到路网图像的转换任务中，路网图像所占像素比例较小，正负样本极度不均衡，因此采用dice损失和bce损失混合的形式，具体计算公式如下所示：

l＝lbce+λldice

其中，λ为权衡因子，p为预测得到的目标路网图像，gt为历史路网图像。

s204、计算路网图像与历史路网图像的相似度。

s205、判断路网图像与历史路网图像的相似度是否大于设定的相似度阈值，如果该相似度大于设定的相似度阈值，则执行步骤s206；如果该相似度小于等于设定的相似度阈值，则执行步骤s207。

例如，相似度阈值设置为85％，如果计算得到的路网图像与历史路网图像的相似度为65％，则说明该相似度小于相似度阈值；如果计算得到的路网图像与历史路网图像的相似度为90％，则说明该相似度大于相似度阈值。

需要说明的是，上述相似度阈值的取值仅用于对本申请实施例进行说明，而不用于限定本申请实施例。

s206、确定初始路网预测模型训练成功，得到训练好的路网预测模型。

s207、通过调整初始路网预测模型中的参数，继续对初始路网预测模型进行训练，直至初始路网预测模型训练成功，得到训练好的路网预测模型。

本申请实施例，在路网图像与历史路网图像的相似度大于相似度阈值时，则说明初始路网预测模型训练失败，需要通过调整初始路网预测模型中的参数，继续对初始路网预测模型进行训练，直至路网图像与历史路网图像的相似度大于等于相似度阈值时，则说明初始路网预测模型训练成功，得到训练好的路网预测模型。

参照图5，本申请实施例还提供了一种路网数据的获取方法，该方法在图1所示实施例的基础上，利用所述目标路网图像，生成所述目标区域的目标路网数据，包括以下步骤：

s501、利用所述目标路网图像，确定所述目标区域的空间信息。

本申请实施例通过离线学习得到训练好的路网预测模型，将历史车辆轨迹图像输入到路网预测模型中，得到预测的路网图像，之后，从路网图像中还原出路网图像处于地图中的空间信息。

s502、基于所述空间信息，确定所述目标路网图像对应的目标路网数据。

上述目标路网数据包括至少两条非连续路段的数据，参照图6，本申请实施例还提供了一种路网数据的获取方法，该方法在图5所示实施例的基础上，还包括以下步骤：

s601、根据匹配算法，将所述非连续路段的数据与车辆轨迹数据进行匹配。

s602、根据非连续路段的数据与车辆轨迹数据的匹配结果，确定所述非连续路段的数据对应的特定路网数据。

s603、利用特定路网数据，对目标路网数据进行更新。

由于通过路网预测模型预测得到的路网图像会出先一些路段断开的情况，本申请实施例通过匹配算法，将车辆轨迹数据匹配到最相似的路段序列上(即给每一个轨迹点分配一个其所对应的路段)，如果路段序列连续，则将得到的目标路网数据作为最终的路网数据，该路网数据可路由；如果存在路段序列不连续的情况，即存在非连续路段，则将非连续路段进行连通，即利用非连续路段的数据对应的特定路网数据对目标路网数据进行更新，得到最终满足连通性要求的可路由的目标路网数据。其中，不连续的路段序列可以为同一路段，也可以为不同路段(如交叉路口)，本申请实施例对此不做限定。

本申请实施例还提供了一种路网数据的获取装置，参照图7，所述装置包括：

第一获取模块11，用于获取目标区域的车辆轨迹图像；

第二获取模块12，用于将所述车辆轨迹图像输入到预先训练好的路网预测模型，以使所述路网预测模型输出所述目标区域的目标路网图像，其中，所述路网预测模型是通过对路网历史记录训练得到的，所述路网历史记录包括历史车辆轨迹图像和与所述历史车辆轨迹图像对应的历史路网图像；

路网数据生成模块13，用于利用所述第二获取模块得到的所述目标路网图像，生成所述目标区域的目标路网数据。

在本申请另一实施例中，所述装置还包括模型训练模块，所述模型训练模块用于对初始路网预测模型进行训练，得到所述训练好的路网预测模型；所述模型训练模块包括：

第一获取单元，用于获取历史区域的历史车辆轨迹数据和历史路网图像；

数据处理单元，用于将所述历史车辆轨迹数据进行处理，得到多个种类的历史车辆轨迹图像；

样本输入单元，用于将所述历史车辆轨迹图像作为训练样本输入所述初始路网预测模型，以使所述初始路网预测模型输出路网图像；

第一判定单元，用于若所述路网图像与所述历史路网图像的相似度大于设定的相似度阈值，则判定所述初始路网预测模型训练成功，得到所述训练好的路网预测模型；

第二判定单元，用于若所述路网图像与所述历史路网图像的相似度小于等于设定的相似度阈值，则通过调整所述初始路网预测模型中的参数，继续对所述初始路网预测模型进行训练，直至所述初始路网预测模型训练成功。

本申请实施例还提供了一种电子设备，参照图8，所述电子设备810包括：处理器811和存储器812，所述处理器811用于执行所述存储器812中存储的路网数据的获取程序，以实现如各方法实施例所示的路网数据的获取方法，例如包括以下步骤：

获取目标区域的车辆轨迹图像；

将所述车辆轨迹图像输入到预先训练好的路网预测模型，以使所述路网预测模型输出所述目标区域的目标路网图像，其中，所述路网预测模型是通过对路网历史记录训练得到的，所述路网历史记录包括历史车辆轨迹图像和与所述历史车辆轨迹图像对应的历史路网图像；

利用所述目标路网图像，生成所述目标区域的目标路网数据。

存储器812可以包括随机存取存储器(randomaccessmemory，简称ram)，也可以包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。可选的，存储器812还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器811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)、现场可编程门阵列(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。

本申请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上存储有路网数据的获取程序，所述路网数据的获取程序被处理器执行时实现如各方法实施例所示的路网数据的获取方法的步骤，例如包括以下步骤：

获取目标区域的车辆轨迹图像；

将所述车辆轨迹图像输入到预先训练好的路网预测模型，以使所述路网预测模型输出所述目标区域的目标路网图像，其中，所述路网预测模型是通过对路网历史记录训练得到的，所述路网历史记录包括历史车辆轨迹图像和与所述历史车辆轨迹图像对应的历史路网图像；

利用所述目标路网图像，生成所述目标区域的目标路网数据。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。