基于群智能算法资源配置匹配方法、装置、设备及介质与流程

本发明涉及办税资源配置技术领域，尤其是涉及一种基于群智能算法资源配置匹配方法、装置、设备及介质。

背景技术：

目前，根据数据统计显示，在一个区域的众多办税服务大厅中，窗口与窗口之间工作办理业务的总时长差异较大，有些窗口的办理业务时长是其他窗口的数倍时长，甚至出现超高工作负荷情况，同时也存在同一办税服务厅一些窗口出现业务空闲的现象，这就导致了同一时间段到办税服务厅办理业务的纳税人的等候时间相差较大。根据研究分析，窗口税务人员处理业务的复杂程度以及该业务开设的可办理窗口数量等原因会影响窗口办理时间时长，因此合理对办税服务听的办税资源进行调配是解决窗口时长差异的关键。

本发明人认为，在现有的办税服务厅中，由于业务类型种类繁多，窗口对可办理业务的设置也不一样，存在难以快速统计出办税服务厅最优的资源配置方案的缺陷。

技术实现要素：

为克服现有技术的不足，本申请现提出一种基于基于群智能算法资源配置匹配方法、装置、设备及介质，能够根据办税服务厅的实际情况，智能高效搜索最佳资源配置方案并推荐给办税服务厅，提高办税资源的利用率，并均衡税务人员的工作负荷。

本发明的上述发明目的一是通过以下技术方案得以实现的：

一种基于群智能算法资源配置匹配方法，所述方法包括：

获取目标办税服务厅的资源配置推荐方案请求消息，所述资源配置推荐方案请求消息包括目标办税服务厅的id号和实施资源配置推荐方案的目标时间段；

根据所述目标办税服务厅的id号，获取目标办税服务厅在目标时间段对应的目标难度系数业务量序列和窗口设置数据，所述窗口设置数据包括窗口开设数量和业务包序列；

根据所述目标难度系数业务量序列、窗口设置数据以及业务包序列，利用贪婪算法构造资源配置初步方案；

根据所述资源配置初步方案，结合优先级别相对窗口的权重系数，构造粒子群搜索的初始解空间；

根据所述粒子群搜索的初始解空间，利用粒子群以kl散度值为优化目标，全局搜索目标办税服务厅的资源配置推荐方案。

通过采用上述技术方案，根据获取的任一个目标办税服务厅的id号和目标时间段即可快速开始进行智能推荐方案；根据目标办税服务厅的目标时间段，即可进行模拟未来的目标难度系数业务量序列，并在后台获取未来目标时间段的窗口设置数据，从而考虑目标办税服务厅未来自身的业务量情况和窗口资源情况，有助于合理客观推荐资源配置推荐方案；通过分析目标办税服务厅未来自身的难度系数业务量情况、窗口资源配置情况以及业务优先级别，利用贪婪算法和粒子群算法，以kl散度值为优化目标全局搜索目标办税服务厅的资源配置最佳方案，从而可以向目标办税服务厅推荐。推荐的资源配置最佳方案能够协助办税服务厅进行合理的资源配置，提高资源的利用率与办税的效率，均衡税务人员的工作负荷，提升纳税人的办税体验与税务人员的幸福感。

可选的，所述根据所述目标办税服务厅的id号，获取目标办税服务厅在目标时间段对应的目标难度系数业务量序列的步骤，包括：

根据所述目标办税服务厅的id号，调用与所述目标办税服务厅对应的业务量预测模型；

将所述目标时间段输入到所述业务量预测模型，获取目标办税服务厅在所述目标时间段内各类业务的预估业务量；

根据所述各类业务的预估业务量，结合各类业务办理的难度系数，生成目标难度系数业务量序列。

通过采用上述技术方案，业务量预测模型为提前训练好的模型，通过任意一个办税服务厅的id号，即可调用与所id号对应办税服务厅的业务量预测模型；通过将目标时间段输入到所述业务量预测模型，即可方便快速地预测目标办税服务厅在所述目标时间段内各类业务的预估业务量；通过各类业务的预估业务量结合各类业务办理的难度系数，生成目标难度系数业务量序列，从而个性化分析出目标办税服务厅未来的难度系数业务需求量，进行未来业务量场景模拟。

可选的，所述根据所述目标办税服务厅的id号，调用与所述目标办税服务厅对应的业务量预测模型的步骤之前，所述方法还包括：

根据目标办税服务厅的id号，获取目标办税服务厅的历史业务量月度数据，对所述历史业务量月度数据进行数据预处理，所述数据预处理包括依次进行的数据清洗、特征衍生和独热编码转换；

将数据预处理后对应的历史业务量月度数据划分为训练集和测试集；

构建lightgbm初始模型，将据所述训练集输入到lightgbm初始模型，结合lightgbm算法进行模型训练，并根据所述测试集，利用网格搜索法调整模型参数以使模型达到预设误差范围，并将达到预设误差范围对应的lightgbm初始模型作为业务量预测模型。

通过采用上述技术方案，通过办税服务厅的历史业务量数据训练模型来获取业务量预测模型，从而可以通过任一个办税服务厅的历史业务量数据训练对对应的业务量预测模型，方便任意一个办税服务厅均可实现预测本服务厅的未来业务量数据；通过将历史业务量月度数据进行数据清洗，可以删除异常数据，通过特征衍生，可以增加数据特征，通过独热编码转换方便机器学习，即业务预测模型的学习，从而提高模型输出结果的准确性。

可选的，所述根据所述目标难度系数业务量序列、窗口设置数据以及业务包序列，利用贪婪算法构造资源配置初步方案的步骤，包括：

根据目标难度系数业务量序列，统计目标办税服务厅的业务类型序列，根据所述业务类型序列，利用贪婪算法，从所述业务包序列中搜索可办理所有业务类型的业务包；

将所有可办理所有业务类型的业务包作为当前搜索业务包，根据当前搜索业务包可办理业务的难度系数业务量序列和可办理业务的第一相对可办理窗口数量序列，利用kl散度方法，计算所有当前搜索业务包的第一相对kl值，利用贪婪算法，获取第一相对kl值最小的当前搜索业务包以作为目标办税服务厅的必选业务包；

根据所有所述当前搜索业务包可办理业务的难度系数业务量序列和可办理业务包的第一绝对可办理窗口数量序列，利用kl散度方法，计算所有当前搜索业务包的第一绝对kl值，利用贪婪算法，获取第一绝对kl值最小的当前搜索业务包以作为次选业务包，继续搜索所有窗口待配置的业务包，将所述必选业务包和若干所述次选业务包作为目标办税服务厅的资源配置初步方案。

通过采用上述技术方案，以所有业务类型都可办理且第一相对kl值最小为搜索目标，搜索目标办税服务厅的必选业务包，能够避免贪婪搜索过程中为达到第一相对kl值最小而搜索出某些业务可办理窗口数量为0的业务包，同时以贪婪算法继续搜索所有窗口的次选业务包配置并构造初步方案，这能够提升进行全局搜索的粒子群的质量，使得搜索结果更优，同时能够减少迭代次数，加快最优方案的搜索速度；此外，业务包序列为目标办税服务厅在目标时间段内可供窗口选择的所有业务包，对固定的窗口个数以及业务包序列进行选择才能满足办税服务厅原先的设施配备，从而搜索出来的资源配置方案才具备可行性，同时也提高搜索的速度。

可选的，根据当前搜索业务包可办理业务的难度系数业务量序列和可办理业务的第一相对可办理窗口数量序列，利用kl散度方法，计算所有当前搜索业务包的第一相对kl值的步骤之前，所述方法还包括：

根据业务包序列中所有业务包的所有可办理业务类型，按照业务类型，统计每种业务类型的可办理窗口数量；

根据当前搜索业务包中各个可办理业务之间的难度系数业务量比值，为当前搜索业务包各个可办理业务对应的可办理窗口数量增加难度权重系数，得出当前搜索业务包可办理业务的第一相对可办理窗口数量序列。

通过采用上述技术方案，通过当前搜索业务包各个可办理业务对应的可办理窗口数量增加难度权重系数，从而可以客观分析每个业务包中可办理业务基于难度系数的相对可办理窗口数量序列。

可选的，所述根据所述资源配置初步方案，结合优先级别相对窗口的权重系数，构造粒子群进行全局搜索的初始解空间的步骤，包括：

根据所有所述业务包序列中的可办理业务类型数量以及所述目标办税服务厅对各个业务包中可办理业务的优先级别设置范围，为每一个业务包分配一个优先级序列；

根据所述资源配置初步方案包含所述必选业务包和若干所述次选业务包，获取所有所述必选业务包和若干所述次选业务包对应的优先级序列，并将所述必选业务包和若干所述次选业务包对应的所有优先级序列进行随机化打乱，获取多个优先级序列的必选业务包和多个优先级序列的次选业务包以作为资源配置中间方案；

利用kl散度方法，计算资源配置中间方案中所有业务包的难度系数业务量序列和第二相对可办理窗口数量序列之间的第二相对kl值，所述第二相对可办理窗口数量序列根据业务包可办理业务的可办理窗口数量和对应的优先级序列计算得到；根据资源配置中间方案中所有业务包的第二相对kl值大小排序，选择若干个业务包作为资源配置筛选方案，所述资源配置筛选方案作为粒子群搜索的初始解空间。

通过采用上述技术方案，根据不考虑优先级配置的资源配置初步方案，在资源配置初步方案的业务包选取已经确定的情况下，计算业务包可办理业务的难度系数业务量序列与结合优先级别相对权重系数的可办理窗口数量系列之间的第二相对kl值，通过第二相对kl值筛选最优的业务包，从而确定每个粒子进行初步搜索的初始解空间即粒子的初始位置，同时也确定了初始适应值。经过处理后挑选粒子群初始位置及对应的初始适应值，提高粒子后续进行全局搜索的速度与质量。

可选的，所述kl散度值为第二相对kl值，所述根据粒子群搜索的初始解空间，利用粒子群以kl散度值为优化目标，全局搜索目标办税服务厅的资源配置推荐方案的步骤，包括：

初始化粒子群参数，并确定每个粒子的适应度函数，所述粒子群参数包括粒子群个数、粒子个数、惯性因子、加速常数、最大迭代次数以及终止搜索的kl阈值；所述适应度函数根据所述资源配置筛选方案中业务包的第二相对kl值和模拟对应业务包的窗口业务办理时长标准差确定；

在每个粒子群中，将所述资源配置筛选方案作为每个粒子的初始位置，对应位置的适应值作为局部最优解；将所有粒子的初始解空间的最优位置作为全局最优位置，对应位置的适应值作为全局最优解；

根据每一次迭代中，每个粒子根据惯性因子、加速度常数以及局部最优位置和全局最优位置，更新粒子搜索速度和位置；

根据粒子的不断迭代更新，当粒子全局最优位置的适应值中满足kl阈值的终止搜索条件，则停止搜索，将全局最优位置的适应值作为全局最优解；

获取所有粒子群搜索得到的全局最优解所对应的所有业务包，以组成目标办税服务厅的资源配置推荐方案。

通过采用上述技术方案，根据已经优化的资源配置筛选方案，利用智能粒子群算法进行全局搜索，在整个搜索过程中以粒子搜索到的业务包中难度系数业务量与结合优先级别相对权重系数的可办理窗口数量之间的kl散度值及各窗口场景模拟办理业务时长的标准差评价每个粒子的适应度，既可以保证按照资源推荐方案分配后各业务都能得到最适量的可办理窗口，同时也引导粒子在全局搜索的过程中也考虑配置后各窗口的工作负荷均衡化，使得粒子迭代搜索后的结果确实能够对办税服务厅资源配置起到有益作用。

本发明的上述发明目的二是通过以下技术方案得以实现的：

一种基于群智能算法资源配置匹配装置，包括：

消息获取模块，用于获取目标办税服务厅的资源配置推荐方案请求消息，所述资源配置推荐方案请求消息包括目标办税服务厅的id号和实施资源配置推荐方案的目标时间段；

场景数据模拟模块，根据所述目标办税服务厅的id号，获取目标办税服务厅在目标时间段对应的目标难度系数业务量序列和窗口设置数据，所述窗口设置数据包括窗口开设数量和业务包序列；

初步方案构造模块，用于根据所述目标难度系数业务量序列、窗口设置数据以及业务包序列，利用贪婪算法构造资源配置初步方案；

初始解空间构造模块，用于根据所述资源配置初步方案，结合优先级别相对窗口的权重系数，构造粒子群搜索的初始解空间；

推荐方案确定模块，用于根据所述粒子群搜索的初始解空间，利用粒子群以kl散度值为优化目标，全局搜索目标办税服务厅的资源配置推荐方案。

通过采用上述技术方案，通过消息获取模块获取目标办税服务厅的id号和目标时间段，从而有助于根据获取的任一个目标办税服务厅的id号和目标时间段即可快速开始进行智能推荐方案；通过场景数据模拟模块根据目标办税服务厅的目标时间段，即可进行模拟未来的目标难度系数业务量序列，并在后台获取未来目标时间段的窗口设置数据，从而考虑目标办税服务厅未来自身的业务量情况和窗口资源情况，有助于合理客观推荐资源配置推荐方案；通过初步方案构造模块、初始解空间构造模块以及推荐方案确定模块分析目标办税服务厅未来自身的难度系数业务量情况、窗口资源配置情况以及业务优先级别，利用贪婪算法和粒子群算法，以kl散度值为优化目标全局搜索目标办税服务厅的资源配置最佳方案，从而可以向目标办税服务厅推荐。推荐的资源配置最佳方案能够协助办税服务厅进行合理的资源配置，提高资源的利用率与办税效率，均衡税务人员的工作负荷，提升纳税人的办税体验与税务人员的幸福感。

本发明的上述发明目的三是通过以下技术方案得以实现的：

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并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如权利要求1至7任一项所述基于群智能算法资源配置匹配方法的步骤。

本发明的上述发明目的四是通过以下技术方案得以实现的：

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如权利要求1至7任一项所述基于群智能算法资源配置匹配方法的步骤。

综上所述，本发明包括以下至少一种有益技术效果：

1、通过分析目标办税服务厅未来自身的难度系数业务量情况、窗口资源配置情况以及业务优先级别，利用贪婪算法和粒子群算法，以kl散度值为优化目标全局搜索目标办税服务厅的资源配置最佳方案，从而可以向目标办税服务厅推荐。推荐的资源配置最佳方案能够协助办税服务厅进行合理的资源配置，提高资源的利用率与办税效率，均衡税务人员的工作负荷，提升纳税人的办税体验与税务人员的幸福感。

2、通过办税服务厅的历史业务量数据训练模型来获取业务量预测模型，从而可以通过任一个办税服务厅的历史业务量数据训练对对应的业务量预测模型，方便任意一个办税服务厅均可实现预测本服务厅的未来业务量数据。

3、在业务包序列中搜索必选业务包和次选业务包，其业务包序列为目标办税服务厅在目标时间段内可供窗口选择的所有业务包，固定的窗口个数以及业务包序列进行选择才能满足大厅原先的设施配备，从而搜索出来的资源配置方案才具备可行性，同时也提高搜索的速度。

附图说明

图1是本申请实施例的基于群智能算法资源配置匹配方法的实现流程图；

图2是本申请实施例的基于群智能算法资源配置匹配方法步骤s20的实现流程图；

图3是本申请实施例的基于群智能算法资源配置匹配方法步骤s21之前的另一实现流程图；

图4是本申请实施例的基于群智能算法资源配置匹配方法步骤s30的实现流程图；

图5是本申请实施例的基于群智能算法资源配置匹配方法步骤s32之前的另一实现流程图；

图6是本申请实施例的基于群智能算法资源配置匹配方法步骤s40的实现流程图；

图7是本申请实施例的基于群智能算法资源配置匹配方法步骤s50的实现流程图；

图8是本申请实施例的基于群智能算法资源配置匹配方装置原理框图；

图9是本申请实施例的计算机设备原理框图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

实施例：

在本实施例中，如图1所示，本申请公开了一种基于群智能算法资源配置匹配方法，该方法包括：

s10：获取目标办税服务厅的资源配置推荐方案请求消息，资源配置推荐方案请求消息包括目标办税服务厅的id号和实施资源配置推荐方案的目标时间段。

在本实施例中，目标办税服务厅是指用户向服务器请求获得资源配置推荐方案的办税服务厅对象；资源配置推荐方案请求消息是指用户向服务器发送的请求获得资源配置推荐方案的消息；id号是指办税服务厅的识别号，用于区别不同的办税服务厅，并用于调用与识别号对应的办税服务厅历史数据；目标时间段是指目标办税服务厅请求实施资源配置推荐方案的未来时间段。

具体地，用户向服务器发送获取目标办税服务厅的资源配置推荐方案请求消息，服务器接收该请求消息，并从中获取目标办税服务厅的id号和实施资源配置推荐方案的目标时间段。

s20：根据目标办税服务厅的id号，获取目标办税服务厅在目标时间段对应的目标难度系数业务量序列和窗口设置数据，窗口设置数据包括窗口开设数量和业务包序列。

在本实施例中，目标难度系数业务量序列是指目标办税服务厅在目标时间段每个工作日不同难度程度的各类业务的业务需求量序列；窗口设置数据是指目标办税服务厅在目标时间段内每个工作日对开设窗口配置的业务情况；业务包序列是指目标时间段内每个工作日所有开设窗口配置的业务包；业务包是指包含一种或多种业务的窗口配置方案包；

具体地，根据目标办税服务厅的id号，获取目标办税服务厅在目标时间段内每个工作日的各类业务难度系数业务量序列和窗口设置数据，其中窗口设置数据包括窗口开设数量和业务包序列，比如，在目标时间段内的一个工作日中，预开设20个设窗口，每个窗口都有一个业务包配置，每个窗口的业务包配置存在相同或不同的情况，20个窗口的业务包即组成当前工作日的业务包序列，进一步统计目标时间段内每个工作日的业务包序列。

s30：根据目标难度系数业务量序列、窗口设置数据以及业务包序列，利用贪婪算法构造资源配置初步方案。

在本实施例中，资源配置初步方案是对目标办税服务厅目标时间段内每个工作日每个可开始窗口配置对应的业务包的初步配置方案。

具体地，统计业务包序列中所有业务包的可办理业务类型数量，以及每个类型业务的可办理窗口数量，然后根据每个业务包中可办理业务之间的难度系数业务量比值情况，确定每个业务包中可办理业务对应的相对可办理窗口数量；

进一步，计算每个业务包可办理业务对应的相对可办理窗口数量和对应的难度系数业务量之间的散度值，然后利用贪婪算法在所有业务包中搜索散度值来筛选业务包以构造资源配置初步方案。

s40：根据资源配置初步方案，结合优先级别相对窗口的权重系数，构造粒子群搜索的初始解空间。

在本实施例中，优先级别相对窗口的权重系数是指不同优先级别之间相对窗口的相对权重占比。

具体地，对资源配置初步方案包含的业务包进行计算，计算每个业务包可办理业务的难度系数业务量序列和基于优先级别的相对可办理窗口数量序列之间的散度值，根据该散度值筛选业务包以构造粒子群搜索的初始解空间。

s50：根据粒子群搜索的初始解空间，利用粒子群以kl散度值为优化目标，全局搜索目标办税服务厅的资源配置推荐方案。

在本实施例中，kl散度值是指利用kl散度方法计算业务包中可办理业务的难度系数业务量序列和基于优先级别的相对可办理窗口数量序列之间的散度值。

具体地，根据粒子群搜索的初始解空间确定粒子的初始位置和初始适应度，利用粒子群算法，以初始解空间中每个业务包的kl散度值为优化目标，全局搜索目标办税服务厅的资源配置推荐方案。

如图2所示，步骤s20中即根据目标办税服务厅的id号，获取目标办税服务厅在目标时间段对应的目标难度系数业务量序列的步骤，包括：

s21：根据目标办税服务厅的id号，调用与目标办税服务厅对应的业务量预测模型。

在本实施例中，业务量预测模型是提前训练完成的模型。

具体地，根据目标办税服务厅的id号，调用与目标办税服务厅对应的历史数据库，从而历史数据库中调用目标办税服务厅的业务量预测模型。

s22：将目标时间段输入到业务量预测模型，获取目标办税服务厅在目标时间段内各类业务的预估业务量。

在本实施例中，预估业务量是指预测目标办税服务厅在目标时间段内每个工作日各类业务的办理需求量。

具体地，将目标时间段进行特征衍生，比如，衍生的特征属性包括工作日是星期几，是否属于节假日前后、距离征期的天数、属于月上旬、属于月中旬、属于月下旬，前一个工作日和业务量、前七个工作日平均业务等，从而有助于丰富数据量和数据特征。

进一步地，将特征衍生后对应的目标时间段输入业务量预测模型，获取目标办税服务厅在目标时间段内每个工作日各类业务的预估业务量。

s23：根据各类业务的预估业务量，结合各类业务办理的难度系数，生成目标难度系数业务量序列。

在本实施例中，各类业务办理的难度系数是指各类业务办理的复杂程度。

具体地，根据各类业务的预估业务量乘以对应业务的难度系数，即可生成目标办税服务厅在目标时间段内每个工作日的目标难度系数业务量序列。

可选的，各类业务办理的难度系数可根据历史业务明细原始数据统计分析得到，具体步骤如下：

s231：根据目标办税服务厅的识别号，获取目标办税服务厅的历史业务明细原始数据，并将历史业务明细原始数据进行数据清洗以删除异常数据，将数据清洗后对应的历史业务明细原始数据作为历史业务明细待分析数据。

在本实施例中，历史业务明细原始数据是指目标办税服务厅的某一历史时间段内的历史业务流水数据。历史业务明细待分析数据是指数据清洗后对应的历史业务明细原始数据。

具体地，根据目标办税服务厅的识别号，从数据库中获取目标办税服务厅的历史业务明细原始数据。

进一步地，将历史业务明细原始数据进行数据清洗以删除异常数据，其中数据清洗包括删除错乱数据以及离群点数据，从而提高数据分析的准确性。

s232：根据历史业务明细待分析数据，从业务类型和业务办理时间两个维度，统计每种业务的平均办理时间。

具体地，将历史业务明细待分析数据，按照业务类型进行分类，利用箱线图监测每种业务类型中办理时间的异常值，删除温和异常值以及极端异常点后，统计每种业务类型的办理时间的平均值作为每种业务的平均办理时间。

s233：将每种业务的平均办理时间进行归一化处理，将归一化处理后得到的值作为每种业务的难度系数。

具体地，将每种业务的平均办理时间进行minmaxscaler归一化处理，并将归一化后得到的值作为每种业务的难度系数，在本实施例中，将难度系数最低值设置为0.01。

如图3所示，步骤s21之前，即根据目标办税服务厅的id号，调用与目标办税服务厅对应的业务量预测模型的步骤之前，本实施例的基于群智能算法资源配置匹配方法，还包括：

s201：根据目标办税服务厅的id号，获取目标办税服务厅的历史业务量月度数据，对历史业务量月度数据进行数据预处理，数据预处理包括依次进行的数据清洗、特征衍生和独热编码转换。

在本实施例中，历史业务量月度数据是指目标办税服务厅的历史业务量流水数据。

具体地，根据目标办税服务厅的id号，从数据库中获取目标办税服务厅距离当前时间点一个月内的历史业务量流水数据，将历史业务量流水数据作为历史业务量月度数据。

进一步地，将历史业务量月度数据进行数据预处理，将历史业务量月度数据数据进行数据清洗，其中包括填充缺失值和删除离群点。

进一步地，历史业务量月度数据包括目标办税服务厅的识别号和业务类型两个属性，现对数据清洗后的历史业务量月度数据据进行特征衍生，衍生的特征属性包括工作日是星期几，是否属于节假日前后、距离征期的天数、属于月上旬、属于月中旬、属于月下旬，前一个工作日和业务量、前七个工作日平均业务等。

进一步地，对衍生的特征属性进行独热编码转换，其中对该工作日是星期几、是否属于节假日前后、距离征期的天数，属于月上旬、月中旬还是月下旬等这些特征进行独热编码转换，然后统计转换后每一特征属性的梯度，删除梯度较小的实例数据。在本实施例中，独热编码转换有利于预测模型的训练和学习。

s202：将数据预处理后对应的历史业务量月度数据划分为训练集和测试集。

具体地，将将数据预处理后对应的历史业务量月度数据进行随机排序，并按照9:1划分为训练集和测试集，在本实施例中，采用shuffle函数将进行随机排序。

s203：构建lightgbm初始模型，将据训练集输入到lightgbm初始模型，结合lightgbm算法进行模型训练，并根据测试集，利用网格搜索法调整模型参数以使模型达到预设误差范围，并将达到预设误差范围对应的lightgbm初始模型作为业务量预测模型。

具体地，建立lightgbm初始模型，将训练集输入lightgbm初始模型，基于lightgbm算法进行回归预测的原理，利用测试集和网格参数搜索调优法，将lgbregressor的参数调整为earning_rate=0.1，n_estimators=20，num_leaves=50，max_depth=5，bagging_fraction=0.8，colsample_bytree=0.8，metric='mse'，objective='regression'，训练模型达到预设误差范围，得到训练完成的lightgbm预测模型并作为目标业务量预测模型。在本实施例中，预设误差范围在3.3%~9.4%。

如图4所示，步骤s30中，即根据目标难度系数业务量序列、窗口设置数据以及业务包序列，利用贪婪算法构造资源配置初步方案的步骤，包括：

s31：根据目标难度系数业务量序列，统计目标办税服务厅的业务类型序列，根据业务类型序列，利用贪婪算法，从业务包序列中搜索可办理所有业务类型的业务包。

在本实施例中，业务类型序列是指目标办税服务厅可办理的业务类型种类数据。

具体地，从而目标难度系数业务量序列统计目标办税服务厅所有的可办理业务类型；

进一步地，根据业务类型序列，利用贪婪算法，从业务包序列中获取可办理所有业务类型的业务包。

s32：将所有可办理所有业务类型的业务包作为当前搜索业务包，根据当前搜索业务包可办理业务的难度系数业务量序列和可办理业务的第一相对可办理窗口数量序列，利用kl散度方法，计算所有当前搜索业务包的第一相对kl值，利用贪婪算法，获取第一相对kl值最小的当前搜索业务包以作为目标办税服务厅的必选业务包。

在本实施例中，当前搜索业务包是指可办理所有业务类型的业务包，用于搜索必选业务包；第一相对可办理窗口数量序列是指基于难度系数的相对可办理窗口数量序列；第一相对kl值是当前搜索业务包可办理业务的难度系数业务量序列和基于难度系数的相对可办理窗口数量序列计算得到的相对kl值；必选业务包是指目标办税服务厅必配的业务包，且该业务包可办理所有类型业务。

具体地，将可办理所有业务类型的业务包作为当前搜索业务包，根据当前搜索业务包的可办理业务类型，获取可办理业务类型对应的难度系数业务量序列；利用kl散度方法，计算根据可办理业务的难度系数业务量序列和对应的第一相对可办理窗口数量序列之间的第一相对kl值；

进一步地，迭代计算所有当前搜索业务包的第一相对kl值，并利用贪婪算法筛选出第一相对kl值最小的当前搜索业务包，将第一相对kl值最小的当前搜索业务包以作为目标办税服务厅的必选业务包。

可选的，可根据目标办税服务厅的业务类型序列，按照每一种业务类型，逐步从业务包序列中搜索可以办理该业务的业务包，对每个业务包计算所有业务的难度系数业务量序列和对应的第一相对可办理窗口数量序列之间的第一相对kl值，若业务包中不办理某项业务，则在该业务包中该业务的第一相对可办理窗口数量序列为0；

进一步地，计算每一类业务的所有可以办理该业务的业务包的第一相对kl值，并利用贪婪算法筛选出将第一相对kl值最小的业务包，利用贪婪算法的迭代，不断更新每个业务包的第一相对可办理窗口数量序列，当第一相对可办理窗口数量序列没有0值时，即所有的业务都有对应的可办理窗口数量，完成搜索目标办税服务厅的必选业务包。

s33：根据所有当前搜索业务包可办理业务的难度系数业务量序列和可办理业务包的第一绝对可办理窗口数量序列，利用kl散度方法，计算所有当前搜索业务包的第一绝对kl值，利用贪婪算法，获取第一绝对kl值最小的当前搜索业务包以作为次选业务包，继续搜索所有窗口待配置的业务包，将必选业务包和若干次选业务包作为目标办税服务厅的资源配置初步方案。

在本实施例中，第一绝对可办理窗口数量序列是指业务包中各类业务的可办窗口数量序列；第一绝对kl值是指当前搜索业务包可办理业务的难度系数业务量序列和对应业务的可办理窗口数量序列计算得到的绝对kl值；次选业务包是指为目标办税服务厅的窗口配置一个必选业务包后，剩下窗口配置的业务包。资源配置初步方案是指为目标办税服务厅筛选的与窗口数量对应的若干业务包组成的初步配置方案。

具体地，利用kl散度方法，计算根据每个当前搜索业务包可办理业务的难度系数业务量序列和可办理业务包的第一绝对可办理窗口数量序列之间的第一绝对kl值；

进一步地，迭代计算所有当前搜索业务包的第一绝对kl值，并利用贪婪算法筛选出第一绝对kl值最小的当前搜索业务包，将第一绝对kl值最小的当前搜索业务包以作为目标办税服务厅的次选业务包。

进一步地，继续筛选将第一绝对kl值最小的当前搜索业务包，直到为剩余窗口配置完次选业务包。

如图5所示，步骤s32之前，即根据当前搜索业务包可办理业务的难度系数业务量序列和可办理业务的第一相对可办理窗口数量序列，利用kl散度方法，计算所有当前搜索业务包的第一相对kl值的步骤之前，本实施例的基于群智能算法资源配置匹配方法还包括：

s3201：根据业务包序列中所有业务包的所有可办理业务类型，按照业务类型，统计每种业务类型的可办理窗口数量。

在本实施例中，统计业务包序列中的业务包所有可办理业务类型，按照业务类型，统计每种业务类型的可办理窗口数量。

s3202：根据当前搜索业务包中各个可办理业务之间的难度系数业务量比值，为当前搜索业务包各个可办理业务对应的可办理窗口数量增加难度权重系数，得出当前搜索业务包可办理业务的第一相对可办理窗口数量序列。

具体地，根据目标难度系数业务量序列，获取当前搜索业务包可办理业务对应的难度系数业务量，并将各个可办理业务之间的难度系数业务量进行比值比较，获取当前搜索业务包中可办理业务的难度权重系数。

进一步地，根据每种业务类型的可办理窗口数量，统计当前搜索业务包中可办理业务类型对应的可办理窗口数量，将其中可办理业务类型对应的可办理窗口数量乘以对应可办理业务的难度权重系数，得到当前搜索业务包可办理业务的第一相对可办理窗口数量序列。

如图6所示，步骤s40中，即根据资源配置初步方案，结合优先级别相对窗口的权重系数，构造粒子群进行全局搜索的初始解空间的步骤，包括：

s41：根据所有业务包序列中的可办理业务类型数量以及目标办税服务厅对各个业务包中可办理业务的优先级别设置范围，为每一个业务包分配一个优先级序列。

具体地，根据所有业务包序列中的可办理业务类型数量以及目标办税服务厅对各个业务包中可办理业务的优先级别设置范围，为业务包序列中的每一个业务包分配一个优先级序列，优先级序列中的业务类型和业务级别对应。

s42：根据资源配置初步方案包含必选业务包和若干次选业务包，获取所有必选业务包和若干次选业务包对应的优先级序列，并将必选业务包和若干次选业务包对应的所有优先级序列进行随机化打乱，获取多个优先级序列的必选业务包和多个优先级序列的次选业务包以作为资源配置中间方案。

在本实施例中，资源配置中间方案是指资源配置初步方案经过优化的配置方案。

具体地，根据资源配置初步方案包含必选业务包和若干次选业务包，其中必选业务包和若干次选业务包均为业务包序列的业务包，获取所有必选业务包和若干次选业务包对应的优先级序列。

可选的，可将必选业务包和若干次选业务包的优先级序列进行预处理，将必选业务包和若干次选业务包中每种业务设置不同优先级，且偏向于设置高优先级，比如一级业务或二级业务。在次选业务包中，对可办理业务类型不多于3种的业务包，所有优先级都设置为最高级。

进一步地，利用shuffle随机函数，将完成预处理的必选业务包和若干次选业务包对应的所有优先级序列进行随机化打乱，获取多个优先级序列的必选业务包和多个优先级序列的次选业务包以作为资源配置中间方案。

s43：利用kl散度方法，计算资源配置中间方案中所有业务包的难度系数业务量序列和第二相对可办理窗口数量序列之间的第二相对kl值，第二相对可办理窗口数量序列根据业务包可办理业务的可办理窗口数量和对应的优先级序列计算得到；根据资源配置中间方案中所有业务包的第二相对kl值大小排序，选择若干个业务包作为资源配置筛选方案，资源配置筛选方案作为粒子群搜索的初始解空间。

在本实施例中，第二相对可办理窗口数量序列是指基于优先级别的相对可办理窗口数量序列；第二相对kl值是指根据业务包的难度系数业务量序列和基于优先级别的相对可办理窗口数量序列之间的相对kl。

具体地，利用kl散度方法，计算根据资源配置中间方案中所有业务包可办理业务包的难度系数业务量序列和可办理业务包的第二相对可办理窗口数量序列之间的第二相对kl值。

进一步地，迭代计算资源配置中间方案中所有业务包的第二相对kl值，

将资源配置中间方案中所有业务包的第二相对kl值从小到大进行排序，选择预设数量的且第二相对kl值排序靠前的业务包作为资源配置筛选方案，其中预设数量根据窗口数量而定；将资源配置筛选方案作为粒子群搜索的初始解空间。

可选的，第二相对可办理窗口数量序列根据业务包可办理业务的可办理窗口数量和对应的优先级序列计算得到，具体包括下述步骤：

s431：根据目标办税服务厅的id号，获取目标办税服务厅在当前月度期间内的历史票号办理明细原始数据，并对历史票号办理明细原始数据进行数据清洗以删除异常值，将数据清洗后对应的历史票号办理明细原始数据作为票号办理明细数据。

在本实施例中，当前月度期间是指距离当前时间点一个月的时间期间；历史票号办理明细原始数据是指目标办税服务厅在当前月度期间内的票号办理明细流水数据。

具体地，从数据库中获取目标办税服务厅距离当前时间点一个月的历史票号办理明细原始数据，并将历史票号办理明细原始数据进行数据清洗，其数据清洗包括删除错乱数据和离群点数据。

进一步，将数据清洗后对应的历史票号办理明细原始数据作为票号办理明细数据。

s432：获取目标办税服务厅在当前月度期间内的窗口资源配置方案，根据窗口资源配置方案，获取当前月度期间内每个工作日每个窗口对可办理业务的优先级别情况。

具体地，从数据库中获取目标办税服务厅距离当前时间点一个月的窗口资源配置方案，其中窗口资源配置方案包括当前月度期间内每个工作日开设的窗口数量和各窗口的可办理业务设置数据；各窗口的可办理业务设置数据包括各窗口可办理业务数量、类型以及业务优先级别。

s433：将票号办理明细数据增加对应办理业务的优先级别序号，统计每个工作日每个窗口每种可办理业务类型的业务量占对应窗口业务总量的比例，并将比例作为对应优先级别业务的业务量占比。

具体地，根据各窗口可办理业务的业务优先级别，将票号办理明细数据增加对应办理业务的优先级别序号，统计每个工作日每个窗口每种可办理业务类型的业务量占对应窗口业务总量的比例，并将比例作为对应务业优先级别的业务量占比。

s434：统计每种优先级别在所有窗口中相同优先级别的业务量占比平均值，并将每种优先级别的业务量占比平均值除以所有优先级别的业务量占比总和，获取每个优先级别相对窗口的权重系数。

具体地，根据每种务业优先级别的业务量占比，按照每一种优先级别序号，统计每种优先级别的业务量占比平均值，比如两种相同优先级别的业务，则按照同一种优先级别序号，统计该优先级别序号的两种业务量占比平均值。

并将每种优先级别的业务量占比平均值除以所有优先级别的业务量占比总和，获取每个优先级别相对窗口的权重系数。

如图7所示，步骤s50中，即kl散度值为第二相对kl值，根据粒子群搜索的初始解空间，利用粒子群以kl散度值为优化目标，全局搜索目标办税服务厅的资源配置推荐方案的步骤，包括：

s51：初始化粒子群参数，并确定每个粒子的适应度函数，粒子群参数包括粒子群个数、粒子个数、惯性因子、加速常数、最大迭代次数以及终止搜索的kl阈值；适应度函数根据资源配置筛选方案中业务包的第二相对kl值和模拟对应业务包的窗口业务办理时长标准差确定。

具体地，初始化全局搜索的粒子种群数、粒子个数、惯性因子、加速常数、最大迭代次数以及终止搜索的kl阈值；在本实施例中粒子种群个数与窗口数量相同。

进一步地，将资源配置筛选方案中业务包的第二相对kl值和模拟对应业务包的窗口业务办理时长标准差占比不同权重确定。

s52：在每个粒子群中，将资源配置筛选方案作为每个粒子的初始位置，对应位置的适应值作为局部最优解；将所有粒子的初始解空间的最优位置作为全局最优位置，对应位置的适应值作为全局最优解。

具体地，所有粒子进入资源配置筛选方案搜索的初始解空间，将资源配置筛选方案作为每个粒子的初始位置，对应位置的适应值作为局部最优解。

进一步地，将所有粒子的初始解空间的最优位置作为全局最优位置，对应位置的适应值作为全局最优解。

s53：根据每一次迭代中，每个粒子根据惯性因子、加速度常数以及局部最优位置和全局最优位置，更新粒子搜索速度和位置。

具体地，每迭代一次，根据每个粒子根据惯性因子、加速度常数以及局部最优位置和全局最优位置，更新粒子搜索速度和位置。

s54：根据粒子的不断迭代更新，当粒子全局最优位置的适应值中满足kl阈值的终止搜索条件，则停止搜索，将全局最优位置的适应值作为全局最优解。

具体地，每个粒子比较每一次迭代搜索获取的适应度值，更新局部最优解，粒子群比较每一次迭代搜索获得全局最优位置的适应值。

进一步地，当粒子全局最优位置的适应值中满足kl阈值的终止搜索条件，则停止搜索，将全局最优位置的适应值作为全局最优解。

s55：获取所有粒子群搜索得到的全局最优解所对应的所有业务包，以组成目标办税服务厅的资源配置推荐方案。

具体地，根据每个粒子群搜索得到的全局最优解所对应的业务包，组成目标办税服务厅的资源配置推荐方案；然后将该目标办税服务厅的资源配置推荐方案通过服务器发送至用户端。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

实施例二：

在一实施例中，提供一种基于群智能算法资源配置匹配装置，该基于群智能算法资源配置匹配装置与上述实施例中基于群智能算法资源配置匹配方法一一对应。如图8所示，该基于群智能算法资源配置匹配装置包括消息获取模块10、场景数据模拟模块20、初步方案构造模块30、初始解空间构造模块40和推荐方案确定模块50。各功能模块详细说明如下：

消息获取模块10，用于获取目标办税服务厅的资源配置推荐方案请求消息，资源配置推荐方案请求消息包括目标办税服务厅的id号和实施资源配置推荐方案的目标时间段；

场景数据模拟模块20，根据目标办税服务厅的id号，获取目标办税服务厅在目标时间段对应的目标难度系数业务量序列和窗口设置数据，窗口设置数据包括窗口开设数量和业务包序列；

初步方案构造模块30，用于根据目标难度系数业务量序列、窗口设置数据以及业务包序列，利用贪婪算法构造资源配置初步方案；

初始解空间构造模块40，用于根据资源配置初步方案，结合优先级别相对窗口的权重系数，构造粒子群搜索的初始解空间；

推荐方案确定模块50，用于根据粒子群搜索的初始解空间，利用粒子群以kl散度值为优化目标，全局搜索目标办税服务厅的资源配置推荐方案。

可选的，场景数据模拟模块20还包括：

调用模型单元，用于根据目标办税服务厅的id号，调用与目标办税服务厅对应的业务量预测模型；

预估业务量获取单元，用于将目标时间段输入到业务量预测模型，获取目标办税服务厅在目标时间段内各类业务的预估业务量；

难度系数业务量获取单元，用于根据各类业务的预估业务量，结合各类业务办理的难度系数，生成目标难度系数业务量序列。

可选的，本实施例的基于群智能算法资源配置匹配装置还包括：

训练数据获取及预处理单元，用于根据目标办税服务厅的id号，获取目标办税服务厅的历史业务量月度数据，对历史业务量月度数据进行数据预处理，数据预处理包括依次进行的数据清洗、特征衍生和独热编码转换；

训练数据划分单元，用于将数据预处理后对应的历史业务量月度数据划分为训练集和测试集；

训练模型单元，用于构建lightgbm初始模型，将据训练集输入到lightgbm初始模型，结合lightgbm算法进行模型训练，并根据测试集，利用网格搜索法调整模型参数以使模型达到预设误差范围，并将达到预设误差范围对应的lightgbm初始模型作为业务量预测模型。

可选的，初步方案构造模块30还包括：

第一搜索单元，用于根据目标难度系数业务量序列，统计目标办税服务厅的业务类型序列，根据业务类型序列，利用贪婪算法，从业务包序列中搜索可办理所有业务类型的业务包；

第二搜索单元，用于将所有可办理所有业务类型的业务包作为当前搜索业务包，根据当前搜索业务包可办理业务的难度系数业务量序列和可办理业务的第一相对可办理窗口数量序列，利用kl散度方法，计算所有当前搜索业务包的第一相对kl值，利用贪婪算法，获取第一相对kl值最小的当前搜索业务包以作为目标办税服务厅的必选业务包；

第三搜索单元，用于根据所有当前搜索业务包可办理业务的难度系数业务量序列和可办理业务包的第一绝对可办理窗口数量序列，利用kl散度方法，计算所有当前搜索业务包的第一绝对kl值，利用贪婪算法，获取第一绝对kl值最小的当前搜索业务包以作为次选业务包，继续搜索所有窗口待配置的业务包，将必选业务包和若干次选业务包作为目标办税服务厅的资源配置初步方案。

可选的，本实施例的基于群智能算法资源配置匹配装置还包括：

统计单元，用于根据业务包序列中所有业务包的所有可办理业务类型，按照业务类型，统计每种业务类型的可办理窗口数量；

第一序列获取单元，用于根据当前搜索业务包中各个可办理业务之间的难度系数业务量比值，为当前搜索业务包各个可办理业务对应的可办理窗口数量增加难度权重系数，得出当前搜索业务包可办理业务的第一相对可办理窗口数量序列。

可选的，初始解空间构造模块40还包括：

优先级分配单元，用于根据所有业务包序列中的可办理业务类型数量以及目标办税服务厅对各个业务包中可办理业务的优先级别设置范围，为每一个业务包分配一个优先级序列；

中间方案获取单元，用于根据资源配置初步方案包含必选业务包和若干次选业务包，获取所有必选业务包和若干次选业务包对应的优先级序列，并将必选业务包和若干次选业务包对应的所有优先级序列进行随机化打乱，获取多个优先级序列的必选业务包和多个优先级序列的次选业务包以作为资源配置中间方案；

初始解空间获取单元，用于利用kl散度方法，计算资源配置中间方案中所有业务包中可办理业务的难度系数业务量序列和第二相对可办理窗口数量序列之间的第二相对kl值，第二相对可办理窗口数量序列根据业务包可办理业务的可办理窗口数量和对应的优先级序列计算得到；根据资源配置中间方案中所有业务包的第二相对kl值大小排序，选择若干个业务包作为资源配置筛选方案，资源配置筛选方案作为粒子群搜索的初始解空间。

可选的，推荐方案确定模块50还包括：

粒子初始化单元，用于初始化粒子群参数，并确定每个粒子的适应度函数，粒子群参数包括粒子群个数、粒子个数、惯性因子、加速常数、最大迭代次数以及终止搜索的kl阈值；适应度函数根据资源配置筛选方案中业务包的第二相对kl值和模拟对应业务包的窗口业务办理时长标准差确定；

定义单元，用于在每个粒子群中，将资源配置筛选方案作为每个粒子的初始位置，对应位置的适应值作为局部最优解；将所有粒子的初始解空间的最优位置作为全局最优位置，对应位置的适应值作为全局最优解；

更新单元，用于根据每一次迭代中，每个粒子根据惯性因子、加速度常数以及局部最优位置和全局最优位置，更新粒子搜索速度和位置；

终止搜索单元，用于根据粒子的不断迭代更新，当粒子全局最优位置的适应值中满足kl阈值的终止搜索条件，则停止搜索，将全局最优位置的适应值作为全局最优解；

资源配置推荐方案获取单元，用于获取所有粒子群搜索得到的全局最优解所对应的所有业务包，以组成目标办税服务厅的资源配置推荐方案。

关于基于群智能算法资源配置匹配装置的具体限定可以参见上文中对于基于群智能算法资源配置匹配方法的限定，在此不再赘述。上述基于群智能算法资源配置匹配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

实施例三：

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储办税服务厅的业务量预测模型、历史数据、难度系数业务量序列、第一相对可办理窗口序列、第一绝对可办理窗口序列、第二相对可办理窗口序列等等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于群智能算法资源配置匹配方法，处理器执行计算机程序时实现以下步骤：

s10：获取目标办税服务厅的资源配置推荐方案请求消息，资源配置推荐方案请求消息包括目标办税服务厅的id号和实施资源配置推荐方案的目标时间段。

s20：根据目标办税服务厅的id号，获取目标办税服务厅在目标时间段对应的目标难度系数业务量序列和窗口设置数据，窗口设置数据包括窗口开设数量和业务包序列。

s30：根据目标难度系数业务量序列、窗口设置数据以及业务包序列，利用贪婪算法构造资源配置初步方案。

s40：根据资源配置初步方案，结合优先级别相对窗口的权重系数，构造粒子群搜索的初始解空间。

s50：根据粒子群搜索的初始解空间，利用粒子群以kl散度值为优化目标，全局搜索目标办税服务厅的资源配置推荐方案。

实施例四：

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

s10：获取目标办税服务厅的资源配置推荐方案请求消息，资源配置推荐方案请求消息包括目标办税服务厅的id号和实施资源配置推荐方案的目标时间段。

s20：根据目标办税服务厅的id号，获取目标办税服务厅在目标时间段对应的目标难度系数业务量序列和窗口设置数据，窗口设置数据包括窗口开设数量和业务包序列。

s30：根据目标难度系数业务量序列、窗口设置数据以及业务包序列，利用贪婪算法构造资源配置初步方案。

s40：根据资源配置初步方案，结合优先级别相对窗口的权重系数，构造粒子群搜索的初始解空间。

s50：根据粒子群搜索的初始解空间，利用粒子群以kl散度值为优化目标，全局搜索目标办税服务厅的资源配置推荐方案。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink）dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。

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。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；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：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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。