耗电量预测方法、装置和电子设备与流程

1.本发明涉及耗电量预测技术领域，尤其涉及一种耗电量预测方法、装置和电子设备。


背景技术：

2.通信基站是通信网络的最基本组成部分，截止目前，全国各运营商基站数量超过500万个。通信基站的管理是各运营商日常网络维护的重要工作之一，其中基站电能管理又是基站管理的最主要方面。随着5g通信的到来，通信网路将更为复杂，基站更为密集，对基站耗电量管理问题的重视程度逐渐提升。
3.为了方便对基站耗电量进行监管，需要对基站中各个设备的耗电量进行测算，作为基站设备之一，rru设备耗电量的测算是基站耗电量监管的关键部分。现网中rru设备数量多，达到千万数量级。如何实现对现网中rru设备耗电量的精准测算，是现有技术中亟待解决的问题。


技术实现要素：

4.针对现有技术存在的上述技术问题，本发明实施例提供一种耗电量预测方法、装置和电子设备。
5.第一方面，本发明实施例提供一种耗电量预测方法，包括：
6.将所述rru设备的性能数据输入目标耗电量预测模型，输出rru设备耗电量的预测值；
7.所述目标耗电量预测模型是基于所述rru设备的类别，从耗电量预测模型库中选择的；其中，所述rru设备的类别基于rru设备的资源数据确定；所述耗电量预测模型库中的每一耗电量预测模型是基于每一类别的rru设备样本耗电量数据和样本性能数据分别进行训练后得到；所述每一类别的rru设备样本耗电量数据和样本性能数据为基于rru设备样本资源数据对样本耗电量数据和样本性能数据进行分类得到。
8.可选地，所述耗电量预测模型库中的每一耗电量预测模型是基于每一类别的rru设备样本耗电量数据和样本性能数据分别进行训练后得到，包括：
9.以第一预设比例的rru设备样本耗电量数据和样本性能数据作为训练集，用于训练所述耗电量预测模型；
10.以第二预设比例的rru设备样本耗电量数据和样本性能数据作为测试集，用于测试所述耗电量预测模型的精度。
11.可选地，所述耗电量预测模型库中的每一耗电量预测模型是基于每一类别的rru设备样本耗电量数据和样本性能数据分别进行训练后得到，包括：
12.基于每一类别的rru设备的样本耗电量数据和样本性能数据，采用预设的多个算法，分别进行训练，获取每一类别的rru设备对应的多个耗电量预测模型；
13.将所述每一类别的rru设备对应的多个耗电量预测模型中预测精度最高的模型作
为耗电量预测模型库中所述每一类别的rru设备的耗电量预测模型。
14.可选地，所述每一类别的rru设备样本耗电量数据和样本性能数据为基于rru设备样本资源数据对样本耗电量数据和样本性能数据进行分类得到，包括：
15.基于rru设备样本耗电量数据、样本性能数据和样本资源数据的采集时间及与所述样本耗电量数据、样本性能数据和样本资源数据对应的rru设备的型号，将所述rru设备样本耗电量数据、样本性能数据和样本资源数据进行关联；
16.再基于所述rru设备样本资源数据，对所述rru设备样本耗电量数据和样本性能数据进行分类，得到每一类别的rru设备样本耗电量数据和样本性能数据。
17.可选地，所述基于rru设备样本耗电量数据、样本性能数据和样本资源数据的采集时间及与所述样本耗电量数据、样本性能数据和样本资源数据对应的rru设备的型号，将所述rru设备样本耗电量数据、样本性能数据和样本资源数据进行关联之后，还包括：
18.对所述rru设备的样本耗电量数据、样本性能数据和样本资源数据进行预处理，获得经预处理后的rru设备的样本耗电量数据、样本性能数据和样本资源数据；
19.基于所述经预处理后的rru设备样本资源数据，对所述经预处理后的rru设备样本耗电量数据和样本性能数据进行分类，得到每一类别的rru设备样本耗电量数据和样本性能数据。
20.可选地，所述性能数据包括：上下行prb平均利用率、连接建立最大用户数、连接建立平均用户数、上下行流量、无线利用率、pdcch资源使用率和volte语音话务量；
21.所述资源数据包括：型号、厂家、软件配置参数和硬件配置参数；
22.所述rru设备的类别基于型号和厂家确定。
23.第二方面，本发明实施例提供一种耗电量预测装置，包括：
24.选择模块，用于基于所述rru设备的类别，从耗电量预测模型库中选择目标耗电量预测模型；
25.输出模块，用于将所述rru设备的性能数据和资源数据输入目标耗电量预测模型，输出rru设备耗电量的预测值。
26.可选地，所述耗电量预测模型库中的每一耗电量预测模型是基于每一类别的rru设备样本耗电量数据和样本性能数据分别进行训练后得到，包括：
27.以第一预设比例的rru设备样本耗电量数据和样本性能数据作为训练集，用于训练所述耗电量预测模型；
28.以第二预设比例的rru设备样本耗电量数据和样本性能数据作为测试集，用于测试所述耗电量预测模型的精度。
29.第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
30.第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
31.本发明实施例提供的耗电量预测方法、装置和电子设备，该方法运用各类别的rru设备的样本性能数据、样本资源数据以及样本耗电量数据，建立不同类别的rru设备的耗电量预测模型，组成耗电量预测模型库；根据目标rru设备的性能数据和资源数据从耗电量预
测模型库中选择相应的耗电量预测模型，计算rru设备耗电量的预测值，能够对现网多种类别的rru设备进行测算，针对性强，应用覆盖面广，测算准确性高。
附图说明
32.为了更清楚地说明本发明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一简单地介绍，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。
33.图1是本发明实施例提供的一种耗电量预测方法的流程示意图；
34.图2是本发明实施例提供的一种耗电量预测装置的结构示意图；
35.图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
36.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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作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。
37.本发明实施例提供了一种耗电量预测方法。图1为本发明实施例提供的耗电量预测方法的流程示意图，如图1所述，该方法包括：
38.s101：将所述rru设备的性能数据输入目标耗电量预测模型，输出rru设备耗电量的预测值；
39.所述目标耗电量预测模型是基于所述rru设备的类别，从耗电量预测模型库中选择的；其中，所述rru设备的类别基于rru设备的资源数据确定；所述耗电量预测模型库中的每一耗电量预测模型是基于每一类别的rru设备样本耗电量数据和样本性能数据分别进行训练后得到；所述每一类别的rru设备样本耗电量数据和样本性能数据为基于rru设备样本资源数据对样本耗电量数据和样本性能数据进行分类得到。
40.具体地，rru设备主要完成射频信号调制解调，射频模拟信号功率放大的工作，其工作原理决定了，rru设备耗电量波动大，且耗电量与“prb利用率”等性能数据相关性强，因此，性能数据是最适合rru设备的建模数据。同时，由于不同类别的rru设备，其性能数据与耗电量之间的相关性可能存在一定的差异。
41.对此，基于各类别的rru设备的样本性能数据、样本资源数据以及样本耗电量数据，建立不同类别的rru设备的耗电量预测模型，组成耗电量预测模型库，从而实现对多个类别的rru设备的耗电量预测；相应地，在对rru设备进行耗电量预测时，首先根据rru设备的资源数据确定rru设备的类别，再根据rru设备的类别在耗电量预测模型库中寻找与rru设备的类别对应的耗电量预测模型，即目标耗电量预测模型，确定目标耗电量预测模型之后，将rru设备的性能数据输入所述目标耗电量预测模型，输出rru设备耗电量的预测值。
42.可选地，本发明实施例基于所述各个类别的rru设备样本耗电量数据和样本性能数据，采用机器学习算法，建立各个类别的rru设备耗电量预测模型。机器学习是一种多学科交叉的方法，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机
作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。在已有大量数据，且数据量会不断增加的条件下，使用机器学习方法对数据进行建模，极大提高了数据分析的效率和准确性，从而提高建立的耗电量预测模型的精度。
43.可选地，随着采集的不同类别的rru设备的样本数据的更新，不断更新和优化耗电量预测模型库中各类别rru设备耗电量预测模型，从而实现对耗电量预测模型库持续的更新和补全，不断提高耗电量预测模型库中各耗电量预测模型的预测精度。
44.进一步地，本发明实施例在建立耗电量预测模型库时采用的样本数据，覆盖全网绝大多数的rru设备类别，对样本数据中所包含的所有类别的rru设备建立相应的耗电量预测模型，应用覆盖面广。
45.本发明实施例提供的方法，利用rru设备的样本性能数据、样本资源数据以及样本耗电量数据，通过建立不同类别的rru设备的耗电量预测模型库，根据目标rru设备的性能数据和资源数据从耗电量预测模型库中选择相应的耗电量预测模型，预测目标rru设备的耗电量，可以对现网多种类别的rru设备进行测算，针对性强，应用覆盖面广，测算准确性高。
46.基于上述实施例，所述耗电量预测模型库中的每一耗电量预测模型是基于每一类别的rru设备样本耗电量数据和样本性能数据分别进行训练后得到，包括：
47.以第一预设比例的rru设备样本耗电量数据和样本性能数据作为训练集，用于训练所述耗电量预测模型；
48.以第二预设比例的rru设备样本耗电量数据和样本性能数据作为测试集，用于测试所述耗电量预测模型的精度。
49.具体地，将每一类别的rru样本耗电量数据和样本性能数据按照第一预设比例与第二预设比例进行分割，以第一预设比例的rru设备样本耗电量数据和样本性能数据作为训练集，用于训练所述耗电量预测模型，以第二预设比例的rru设备样本耗电量数据和样本性能数据作为测试集，用于测试所述耗电量预测模型的精度第一预设比例。其中，第一预设比例与第二预设比例可由本领域技术人员根据实际需求进行选择，本发明实施例对此不做具体限定。例如：若第一预设比例为80％，第二预设比例为20％，则以80％的rru设备样本耗电量数据和样本性能数据作为训练集，用于训练所述耗电量预测模型；另外20％的rru设备样本耗电量数据和样本性能数据作为测试集，用于对耗电量预测模型进行精度测试。
50.可选地，所述以第一预设比例的rru设备样本耗电量数据和样本性能数据作为训练集，用于训练所述耗电量预测模型，还包括：
51.根据训练集的数据特征，利用图表对训练集数据进行初步分析，获取训练集数据分布情况；其中，所述训练集的数据特征包括训练集数据的均值、中位数、最大值和最小值等。
52.本发明实施例提供的方法，采用部分样本数据建立耗电量预测模型，另一部分样本数据用于对耗电量预测模型进行精度测试，从而提高模型的精度，使通过耗电量预测模型获取到的耗电量预测值更加精确。
53.基于上述任一实施例，所述耗电量预测模型库中的每一耗电量预测模型是基于每一类别的rru设备样本耗电量数据和样本性能数据分别进行训练后得到，包括：
54.基于每一类别的rru设备的样本耗电量数据和样本性能数据，采用预设的多个算
法，分别进行训练，获取每一类别的rru设备对应的多个耗电量预测模型；
55.将所述每一类别的rru设备对应的多个耗电量预测模型中预测精度最高的模型作为耗电量预测模型库中所述每一类别的rru设备的耗电量预测模型。
56.具体地，由于各个类别的rru设备的样本耗电量数据和样本性能数据之间的相关性可能存在一定的差异，因此，采用预设的多个算法，分别进行训练，获取每一类别的rru设备对应的多个耗电量预测模型，再从中选择出预测精度最高的模型作为耗电量预测模型库中所述每一类别的rru设备的耗电量预测模型。
57.可选地，本发明实施例基于所述各个类别的rru设备样本耗电量数据和样本性能数据，采用机器学习算法，建立各个类别的rru设备耗电量预测模型。从机器学习算法库中选择多个回归类算法，所述多个回归类算法包括：分类回归树(cart)算法、随机森林(rf)算法、梯度提升回归树(gbrt)算法、卷积神经网络算法和xgboost算法，作为预设的多个算法，分别进行模型的参数调整和训练，并通过测试集数据，对基于各个算法建立的各耗电量预测模型进行精度测试，选择出预测精度最高的模型作为耗电量预测模型库中各个类别的rru设备的耗电量预测模型，存储在耗电量预测模型库中。
58.本发明实施例提供的方法，考虑到各个类别的rru设备的样本耗电量数据和样本性能数据之间的相关性所存在的差异，采用预设的多个算法，分别获取每一类别的rru设备对应的多个耗电量预测模型，再从中选择出预测精度最高的模型作为耗电量预测模型库中所述每一类别的rru设备的耗电量预测模型，进一步提高了模型的预测精度。
59.基于上述任一实施例，所述每一类别的rru设备样本耗电量数据和样本性能数据为基于rru设备样本资源数据对样本耗电量数据和样本性能数据进行分类得到，包括：
60.基于rru设备样本耗电量数据、样本性能数据和样本资源数据的采集时间及与所述样本耗电量数据、样本性能数据和样本资源数据对应的rru设备的型号，将所述rru设备样本耗电量数据、样本性能数据和样本资源数据进行关联；
61.再基于所述rru设备样本资源数据，对所述rru设备样本耗电量数据和样本性能数据进行分类，得到每一类别的rru设备样本耗电量数据和样本性能数据。
62.具体地，由于rru设备样本耗电量数据、样本性能数据和样本资源数据存在分别由不同的设备采集的情况，因此需要对各类样本数据进行关联，以获取与各个型号的rru设备对应的耗电量数据、样本性能数据和样本资源数据。可选地，样本耗电量数据由电表采集，样本性能数据由网管系统采集，样本资源数据由资源管理系统采集。其中，电表采集的样本耗电量数据、网管系统采集的样本性能数据和资源管理系统采集的样本资源数据，均具有与各类样本数据对应的采集时间和rru设备的型号(或能够识别rru设备型号的字段)，例如，分别对采集各个型号的rru设备的样本耗电量的电表进行编号，将电表采集到的耗电量数据与采集时间进行一一对应记录，当获取到多个电表采集的样本耗电量数据时，可以根据电表的编号查找到对应的rru设备型号；网管系统采集各rru设备的样本性能数据时，将设备的型号、采集时间与采集到的样本数据进行一一对应记录；资源管理系统采集各rru设备的样本资源数据时，将设备的型号、采集时间与采集到的样本数据进行一一对应记录；然后，基于rru设备样本耗电量数据、样本性能数据和样本资源数据的采集时间及与所述样本耗电量数据、样本性能数据和样本资源数据对应的rru设备的型号，将所述rru设备样本耗电量数据、样本性能数据和样本资源数据进行关联；再基于所述rru设备样本资源数据，对
所述rru设备样本耗电量数据和样本性能数据进行分类，得到每一类别的rru设备样本耗电量数据和样本性能数据。
63.本发明实施例提供的方法，考虑到各类样本数据分别由不同的设备采集的情况，基于样本数据的采集时间和样本数据对应的rru设备型号，将样本数据进行关联，进一步提高了预测方法的通用性。
64.基于上述任一实施例，所述基于rru设备样本耗电量数据、样本性能数据和样本资源数据的采集时间及与所述样本耗电量数据、样本性能数据和样本资源数据对应的rru设备的型号，将所述rru设备样本耗电量数据、样本性能数据和样本资源数据进行关联之后，还包括：
65.对所述rru设备的样本耗电量数据、样本性能数据和样本资源数据进行预处理，获得经预处理后的rru设备的样本耗电量数据、样本性能数据和样本资源数据；
66.基于所述经预处理后的rru设备样本资源数据，对所述经预处理后的rru设备样本耗电量数据和样本性能数据进行分类，得到每一类别的rru设备样本耗电量数据和样本性能数据。
67.具体地，将所述rru设备样本耗电量数据、样本性能数据和样本资源数据进行关联之后，对所述rru设备的样本耗电量数据、样本性能数据和样本资源数据进行预处理，去除脏数据，对缺失数据进行填充，并标记出由于各种原因导致的数据异常；再基于所述经预处理后的rru设备样本资源数据，对所述经预处理后的rru设备样本耗电量数据和样本性能数据进行分类，得到每一类别的rru设备样本耗电量数据和样本性能数据；为建立各类别的rru设备耗电预测模型提供样本数据支持。可选地，所述rru设备样本资源数据包括：设备厂家和设备型号。
68.本发明实施例提供的方法，将所述rru设备样本耗电量数据、样本性能数据和样本资源数据进行关联之后，再对所述rru设备的耗电量数据、性能数据和资源数据进行预处理，为建立各类别的rru设备耗电量预测模型提供更加精确的样本数据支持，进一步提高耗电量预测模型的精度。
69.基于上述任一实施例，所述性能数据包括：上下行prb平均利用率、连接建立最大用户数、连接建立平均用户数、上下行流量、无线利用率、pdcch资源使用率和volte语音话务量；
70.所述资源数据包括：型号、厂家、软件配置参数和硬件配置参数；
71.所述rru设备的类别基于型号和厂家确定。
72.具体地，考虑到不同厂家和不同型号的rru设备，其耗电量数据和性能数据之间的相关性可能存在一定的差异，在建立rru设备耗电量预测模型库时，基于rru设备的型号和厂家，将样本耗电量数据和样本性能数据划分为多个类别，基于各个类别的rru设备样本耗电量数据和样本性能数据，建立各个类别的rru设备耗电量预测模型，组成多个类别的rru设备耗电量预测模型库，从而实现对rru设备耗电量的精准预测。在实际运用中，根据rru设备的厂家和型号，确定rru设备所述的类别，从耗电量预测模型库中调用该类别对应的耗电量预测模型，将所述rru设备的性能数据输入相应模型中，得到所述rru设备的耗电量预测结果。
73.本发明实施例提供的方法，考虑到不同厂家和不同型号的rru设备，其耗电量数据
和性能数据之间的相关性可能存在一定的差异，在建立rru设备耗电量预测模型库时，基于rru设备的型号和厂家，将样本耗电量数据和样本性能数据划分为多个类别，基于各个类别的rru设备样本耗电量数据和样本性能数据，建立各个类别的rru设备耗电量预测模型。在对rru设备的耗电量进行预测时具有较强的针对性，进一步提高了模型的预测精度。
74.下面对本发明实施例提供的耗电量预测装置进行描述，下文描述的耗电量预测装置与上文描述的耗电量预测方法可相互对应参照。
75.基于上述任一实施例，图2为本发明实施例提供的耗电量预测装置的结构示意图，如图2所示，该耗电量预测装置包括输入模块201和输出模块202。
76.其中，输入模块201用于将所述rru设备的性能数据输入目标耗电量预测模型；输出模块202用于输出rru设备耗电量的预测值；所述目标耗电量预测模型是基于所述rru设备的类别，从耗电量预测模型库中选择的；其中，所述rru设备的类别基于rru设备的资源数据确定；所述耗电量预测模型库中的每一耗电量预测模型是基于每一类别的rru设备样本耗电量数据和样本性能数据分别进行训练后得到；所述每一类别的rru设备样本耗电量数据和样本性能数据为基于rru设备样本资源数据对样本耗电量数据和样本性能数据进行分类得到。
77.本发明实施例提供的装置，利用rru设备的样本性能数据、样本资源数据以及样本耗电量数据，通过建立不同类别的rru设备的耗电量预测模型库，根据目标rru设备的性能数据和资源数据从耗电量预测模型库中选择相应的耗电量预测模型，预测目标rru设备的耗电量，可以对现网绝大多数型号的rru设备进行测算，针对性强，应用覆盖面广，测算准确性高。
78.基于上述任一实施例，所述耗电量预测模型库中的每一耗电量预测模型是基于每一类别的rru设备样本耗电量数据和样本性能数据分别进行训练后得到，包括：
79.以第一预设比例的rru设备样本耗电量数据和样本性能数据作为训练集，用于训练所述耗电量预测模型。
80.基于上述任一实施例，所述耗电量预测模型库中的每一耗电量预测模型是基于每一类别的rru设备样本耗电量数据和样本性能数据分别进行训练后得到，包括：
81.基于每一类别的rru设备的样本耗电量数据和样本性能数据，采用预设的多个算法，分别进行训练，获取每一类别的rru设备对应的多个耗电量预测模型；
82.以第二预设比例的rru设备样本耗电量数据和样本性能数据作为测试集，用于测试所述耗电量预测模型的精度。
83.基于上述任一实施例，所述耗电量预测模型库中的每一耗电量预测模型是基于每一类别的rru设备样本耗电量数据和样本性能数据分别进行训练后得到，包括：
84.基于每一类别的rru设备的样本耗电量数据和样本性能数据，采用预设的多个算法，分别进行训练，获取每一类别的rru设备对应的多个耗电量预测模型；
85.将所述每一类别的rru设备对应的多个耗电量预测模型中预测精度最高的模型作为耗电量预测模型库中所述每一类别的rru设备的耗电量预测模型。
86.基于上述任一实施例，所述每一类别的rru设备样本耗电量数据和样本性能数据为基于rru设备样本资源数据对样本耗电量数据和样本性能数据进行分类得到，包括：
87.基于rru设备样本耗电量数据、样本性能数据和样本资源数据的采集时间及与所
述样本耗电量数据、样本性能数据和样本资源数据对应的rru设备的型号，将所述rru设备样本耗电量数据、样本性能数据和样本资源数据进行关联；
88.再基于所述rru设备样本资源数据，对所述rru设备样本耗电量数据和样本性能数据进行分类，得到每一类别的rru设备样本耗电量数据和样本性能数据。
89.基于上述任一实施例，所述基于rru设备样本耗电量数据、样本性能数据和样本资源数据的采集时间及与所述样本耗电量数据、样本性能数据和样本资源数据对应的rru设备的型号，将所述rru设备样本耗电量数据、样本性能数据和样本资源数据进行关联之后，还包括：
90.对所述rru设备的耗电量数据、性能数据和资源数据进行预处理，获得经预处理后的rru设备的耗电量数据、性能数据和资源数据；
91.基于所述经预处理后的rru设备样本资源数据，对所述经预处理后的rru设备样本耗电量数据和样本性能数据进行分类，得到每一类别的rru设备样本耗电量数据和样本性能数据。
92.基于上述任一实施例，所述性能数据包括：上下行prb平均利用率、连接建立最大用户数、连接建立平均用户数、上下行流量、无线利用率、pdcch资源使用率和volte语音话务量；
93.所述资源数据包括：型号、厂家、软件配置参数和硬件配置参数；
94.所述rru设备的类别基于型号和厂家确定。
95.本发明实施例的耗电量预测装置，可用于执行上述各耗电量预测方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
96.图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(communications interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行上述各方法实施例提供的步骤流程。
97.此外，上述的存储器330中的逻辑指令可以通过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-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
98.另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例提供的步骤流程。
99.以上所描述的装置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
的劳动的情况下，即可以理解并实施。
100.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
101.最后应说明的是：以上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。