收入预测方法、系统、电子设备和计算机可读存储介质与流程

1.本发明涉及预测领域，尤其涉及一种收入预测方法、系统、电子设备和计算机可读存储介质。


背景技术：

2.在当今的铁路货运业务中，铁路公司的收入来源于客户，通过客户的业务发展情况对客户当前收入进行预测能够发现运营中存在的问题，便于及时进行营销的维挽，减少损失。
3.目前，铁路公司利用多元线性回归，岭回归或lasso回归等方法实现对客户收入的预测，或者利用神经网络实现对客户收入的预测。
4.上述预测方法使用的是单一模型，而且预测特征的类型十分有限，存在预测精度低的缺陷。


技术实现要素：

5.本发明提供一种收入预测方法、系统、电子设备和计算机可读存储介质，用以解决现有技术中预测精度低的缺陷，有效提升预测准确度。
6.第一方面本发明提供了一种收入预测方法，包括：获取目标对象在目标时间段内与收入相关的特征信息，其中，所述与收入相关的特征信息包括目标对象的货运信息、目标对象的第三方评估信息、目标对象的企业舆论信息和与目标对象有关的宏观经济信息；将所获取的与收入相关的特征信息输入训练好的收入预测模型，得到所述目标对象在所述目标时间段的预测收入；所述训练好的收入预测模型是基于样本对象与收入相关的特征信息以及对应的实际收入标签训练得到；根据所述目标对象在所述目标时间段的预测收入，与所述目标对象在所述目标时间段之前的相同时间段的实际收入，确定预警信息。
7.根据本发明提供的收入预测方法，所述获取目标对象在目标时间段内与收入相关的特征信息之后，还包括：对所述目标对象在目标时间段内与收入相关的特征信息进行预处理；将预处理后的目标对象在目标时间段内与收入相关的特征信息输入所述训练好的收入预测模型，得到所述目标对象在所述目标时间段的预测收入。
8.根据本发明提供的收入预测方法，所述对目标对象在目标时间段内与收入相关的特征信息进行预处理包括：通过填补空缺值、识别或删除离群点，利用噪声光滑化清洗所述目标对象在目标时间段内与收入相关的特征信息；对清洗后的目标对象在目标时间段内与收入相关的特征信息进行特征选择，得到最优特征集；将所述最优特征集中分类型数据转换成数值型数据。
9.根据本发明提供的收入预测方法，还包括，对所述收入预测模型进行训练，训练步骤包括：将对象样本集分划为训练集和测试集；将所述训练集中样本对象的特征信息输入所述收入预测模型，根据对应的实际收入标签对所述收入预测模型的参数进行调整；将所述测试集中样本对象的特征信息输入调整参数后的收入预测模型，根据对应的实际收入标
签对所述调整参数后的收入预测模型进行测试；根据所述调整参数后的收入预测模型在所述测试集上的测试结果，确定所述训练好的收入预测模型。
10.根据本发明提供的收入预测方法，根据所述目标对象在所述目标时间段的预测收入与所述目标对象在所述目标时间段之前的相同时间段的实际收入，确定预警信息，包括：根据所述目标对象在所述目标时间段的预测收入与所述目标对象在所述目标时间段之前的相同时间段的实际收入，得到收入波动信息；将所述收入波动信息与预设阈值进行比较，根据比较的结果确定预警提示信息。
11.根据本发明提供的收入预测方法，根据所述目标对象在所述目标时间段的预测收入与所述目标对象在所述目标时间段之前的相同时间段的实际收入，确定预警信息，还包括：根据所述目标对象在所述目标时间段内与收入相关的特征信息，与所述目标对象在所述目标时间段之前的所述相同时间段内的特征信息，确定各特征信息的变化率；对所确定的各特征信息的变化率进行排序，根据排序的结果确定预警分析信息。
12.第二方面本发明提供了一种收入预测系统，包括：获取模块，用于获取目标对象在目标时间段内与收入相关的特征信息，其中，所述与收入相关的特征信息包括目标对象的货运信息、目标对象的第三方评估信息、目标对象的企业舆论信息和与目标对象有关的宏观经济信息；预测模块，用于将所获取的与收入相关的特征信息输入训练好的收入预测模型，得到所述目标对象在所述目标时间段的预测收入；所述训练好的收入预测模型是基于样本对象与收入相关的特征信息以及对应的实际收入标签训练得到；预警模块，用于根据所述目标对象在所述目标时间段的预测收入，与所述目标对象在所述目标时间段之前的相同时间段的实际收入，确定预警信息。
13.根据本发明提供的收入预测系统，还包括：训练模块，用于对所述收入预测模型进行训练；所述训练模块，包括：分划单元，用于将对象样本集分划为训练集和测试集；调整单元，用于将所述训练集中样本对象的特征信息输入所述收入预测模型，根据对应的实际收入标签对所述收入预测模型的参数进行调整；测试单元，用于将所述测试集中样本对象的特征信息输入调整参数后的收入预测模型，根据对应的实际收入标签对所述调整参数后的收入预测模型进行测试；生成单元，用于根据所述调整参数后的收入预测模型在所述测试集上的测试结果，确定所述训练好的收入预测模型。
14.第三方面本发明提供了一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现所述收入预测方法的步骤。
15.第四方面本发明提供了一种非暂态计算机可读存储介质，其上存储有计算机程序所述计算机程序被处理器执行时实现所述收入预测方法的步骤。
16.本发明提供一种收入预测方法、系统、电子设备和计算机可读存储介质，通过获取目标对象在目标时间段内与收入相关的特征信息，其中，与收入相关的特征信息包括目标对象的货运信息、目标对象的第三方评估信息、目标对象的企业舆论信息和与目标对象有关的宏观经济信息；将所获取的与收入相关的特征信息输入训练好的收入预测模型，得到目标对象在目标时间段的预测收入；训练好的收入预测模型是基于样本对象与收入相关的特征信息以及对应的实际收入标签训练得到；根据目标对象在目标时间段的预测收入，与目标对象在目标时间段之前的相同时间段的实际收入，确定预警信息。获取目标对象在目
标时间段内与收入相关的特征信息包括目标对象的货运信息、目标对象的第三方评估信息、目标对象的企业舆论信息和与目标对象有关的宏观经济信息，预测特征的类型多样，将类型多样的预测特征输入到训练好的收入预测模型，得到预测收入的精度大大提高；根据预测收入生成预警信息，能够提示运营中存在的问题，便于及时进行营销的维挽，减少损失。
附图说明
17.为了更清楚地说明本发明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，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。
18.图1是本发明实施例提供的一种收入预测方法的流程示意图；
19.图2是本发明实施例提供的数据预处理的流程示意图；
20.图3是本发明实施例提供的对客户收入进行预测的一种应用场景的示意图；
21.图4是本发明实施例提供的一种收入预测系统的示意图；
22.图5是本发明提供的一种电子设备的实体结构示意图。
具体实施方式
23.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
24.图1是本发明实施例提供的一种收入预测方法的流程示意图。如图1所示，该收入预测方法包括以下步骤：
25.s101，获取目标对象在目标时间段内与收入相关的特征信息，其中，与收入相关的特征信息包括目标对象的货运信息、目标对象的第三方评估信息、目标对象的企业舆论信息和与目标对象有关的宏观经济信息；
26.s102，将所获取的与收入相关的特征信息输入训练好的收入预测模型，得到目标对象在目标时间段的预测收入；训练好的收入预测模型是基于样本对象与收入相关的特征信息以及对应的实际收入标签训练得到；
27.s103，根据目标对象在目标时间段的预测收入，与目标对象在目标时间段之前的相同时间段的实际收入，确定预警信息。
28.在步骤s101中，目标时间段可以是一年，或者可以是半年，也可以是一个季度。本发明实施例对目标时间段不作限定。
29.目标对象的货运信息是通过对铁路内部的货运信息sql库中的目标对象基本信息、货运信息、货运特征信息和生态信息数据进行整理得到的。目标对象的货运信息如表1所示。
30.目标对象的第三方评估信息是通过第三方评估机构“企查查”获取的，通过风险信息网中的裁判文书、执行信息和失信信息来获取目标对象的风险等级。目标对象的第三方
评估信息如表2所示。
31.目标对象的企业舆论信息是指主流媒体对企业的舆论。该舆论一方面对企业本身有一定的影响，另一方面通过对企业的影响来影响企业的相关业务。良好的社会企业形象会对企业造成积极的影响，从而提升企业规模和价值，从侧面提高该企业的货运量。根据新华社、人民日报等主流媒体和新浪、搜狐、网易、微博等主要门户网站全面考察企业客户的社会舆论导向，通过nlp自然语言处理来得出目标对象的正、负面舆论分词占比，从而得到目标对象的企业舆论评级数据特征。
32.与目标对象有关的宏观经济信息是指统计企业相关的宏观经济信息和重大政策信息，比如对于碳排放的相关政策，以及重大社会事件信息，比如重大地质灾害、重大事故事件、重大疫情等，并整理成特征数据。与目标对象有关的宏观经济信息如表3所示。
33.表1目标对象的货运信息
[0034][0035][0036]
表2目标对象的第三方评估信息
[0037][0038]
表3与目标对象有关的宏观经济信息
[0039][0040]
在步骤s102中，对收入预测模型进行训练的步骤包括：首先，将对象样本集分划为训练集和测试集；本发明实施例对分划对象像本集的比例不作限定，通常取该比例为7:3。
[0041]
然后，将训练集中样本对象的特征信息输入收入预测模型，根据对应的实际收入标签对收入预测模型的参数进行调整；根据对应的实际收入标签对收入预测模型的参数进行调整的依据是实际收入标签和根据收入预测模型得到的预测收入，得到的预测收入与实际收入相比不满足预设精度，根据实际收入标签对收入预测模型的参数进行调整。
[0042]
进一步将测试集中样本对象的特征信息输入调整参数后的收入预测模型，根据对
应的实际收入标签对调整参数后的收入预测模型进行测试；测试结果包括测试通过和测试不通过，根据调整参数后的收入预测模型得到的预测收入与实际收入相比满足精度要求，测试通过，否则，测试不通过。
[0043]
最后，根据调整参数后的收入预测模型在测试集上的测试结果，确定训练好的收入预测模型。确定训练好的收入预测模型的依据是测试通过的测试结果占全部测试结果的比例。本发明实施例对该比例不作限定。比如，该比例可以是100％，或者该比例可以是80％。
[0044]
在步骤s103中，本发明实施例对预警信息包括的内容不作限定。比如，预警信息可以包括预警提示信息和预警分析信息。
[0045]
可选地，预警提示信息的生成过程包括：根据目标对象在目标时间段的预测收入与目标对象在目标时间段之前的相同时间段的实际收入，得到收入波动信息；将收入波动信息与预设阈值进行比较，根据比较的结果确定预警提示信息。收入波动信息可以用收入的变化率，也就是实际收入与预测收入的差值与实际收入的比值来表示，收入波动信息大于预设阈值，确定生成预警提示信息；否则，不生成预警提示信息。
[0046]
可选地，预警分析信息的生成过程包括：根据目标对象在目标时间段内与收入相关的特征信息，与目标对象在目标时间段之前的相同时间段内的特征信息，确定各特征信息的变化率；对所确定的各特征信息的变化率进行排序，根据排序的结果确定预警分析信息。本发明实施例对预警分析信息包括内容不作限定。比如，预警分析信息可以包括排序前五的特征信息的变化率对应的特征信息的分析结果；或者预警分析信息还可以包括全部特征信息的分析结果。
[0047]
可选地，还可以将预警信息通过显示屏幕进行展示，便于相关人员的查看。
[0048]
本发明提供的收入预测方法，通过获取目标对象在目标时间段内与收入相关的特征信息，其中，与收入相关的特征信息包括目标对象的货运信息、目标对象的第三方评估信息、目标对象的企业舆论信息和与目标对象有关的宏观经济信息；将所获取的与收入相关的特征信息输入训练好的收入预测模型，得到目标对象在目标时间段的预测收入；训练好的收入预测模型是基于样本对象与收入相关的特征信息以及对应的实际收入标签训练得到；根据目标对象在目标时间段的预测收入，与目标对象在目标时间段之前的相同时间段的实际收入，确定预警信息。获取目标对象在目标时间段内与收入相关的特征信息包括目标对象的货运信息、目标对象的第三方评估信息、目标对象的企业舆论信息和与目标对象有关的宏观经济信息，预测特征的类型多样，将类型多样的预测特征输入到训练好的收入预测模型，得到预测收入的精度大大提高；根据预测收入生成预警信息，能够提示运营中存在的问题，便于及时进行营销的维挽，减少损失。
[0049]
在本发明提供的另一个实施例中，获取目标对象在目标时间段内与收入相关的特征信息之后，还包括：对目标对象在目标时间段内与收入相关的特征信息进行预处理；将预处理后的目标对象在目标时间段内与收入相关的特征信息输入训练好的收入预测模型，得到目标对象在目标时间段的预测收入。图2是本发明实施例提供的数据预处理的流程示意图。如图2所示，数据预处理的步骤包括：
[0050]
s201，通过填补空缺值、识别或删除离群点，利用噪声光滑化清洗目标对象在目标时间段内与收入相关的特征信息；
[0051]
s202，对清洗后的目标对象在目标时间段内与收入相关的特征信息进行特征选择，得到最优特征集；
[0052]
s203，将最优特征集中分类型数据转换成数值型数据。
[0053]
在步骤s201中，通过清洗目标对象在目标时间段内与收入相关的特征信息，去除目标对象在目标时间段内与收入相关的特征信息中的重复数据，同时对目标对象在目标时间段内与收入相关的特征信息中异常值数据进行删除处理或者错误纠正。
[0054]
在步骤s202中，通过特征选择去除目标对象在目标时间段内与收入相关的特征信息中某些无关特征和线性特征，得到最优特征集。这种处理方式能够避免线性特征的干扰，同时起到降维的效果，使得预测模型的泛化能力更强。特征选择需要进行子集搜索，也就是生成子集的过程，然后对生成的子集进行评价，判断目前子集好坏的程度。通常会设置一个阈值作为停止标准，当评价函数值达到这个阈值后就可停止搜索。
[0055]
目标对象在目标时间段内与收入相关的特征信息包括数值型特征和分类型特征。对于数值型特征，通过计算特征间的pearson相关系数，剔除相关系数高达0.9的高相似度的特征，消除冗余特征的干扰。若a,b的数据分别为a1,a2,
…
,a
n
，b1,b2,
…
,b
n
，则pearson样本相关系数r为：
[0056][0057]
而对于分类型特征c，若c有m个取值{c1,c2,
…
,c
m
}，当其中某个取值的整体数据占比达到0.9，则表明该特征为无关特征，需要剔除无关数据。通过上述方法可以去除某些共线性较高的特征和无关特征。如需要进一步的筛选特征，可以通过递归消除法，多次执行循环来筛选特征。
[0058]
在步骤s203中，在确定最优特征集后，还需要将分类型数据进行转化处理。将分类型数据转换成数值型数据，需要对没有内部顺序的nominal型分类型特征进行one
‑
hot编码处理，而对存在内部顺序的ordinal型分类型特征，则将其转换为数值，同时保留其原本的顺序。对离散特征使用one
‑
hot编码，将其取值扩展到欧式空间，就使得离散特征的某个取值对应了欧式空间的某个点，这时计算特征间的距离就显得更加合理。最后对特征数据按进行标准化处理,作为特征集。其中标准化作用于每一列为平均值，σ为标准差。
[0059]
图3是本发明实施例提供的对客户收入进行预测的一种应用场景的示意图。如图3所示，对一个季度内客户收入进行预测包括以下步骤：步骤1，在获得客户预测收入之前，将采集的对象样本集划分为训练集和测试集，利用训练集和测试集对建立的收入预测模型进行训练得到训练好的收入预测模型。
[0060]
步骤2，将一个季度内与客户收入相关的信息输入训练好的收入预测模型，得到该季度客户预测收入；训练好的收入预测模型采用了三个隐藏层，每个隐藏层的神经元个数为128，隐藏层采用relu激活函数。采用最小均方误差损失函数(mse
‑
loss)，通过随机梯度下降法(stochastic gradient descent，简称sgd)对参数进行调整，加入一定的动量参数来优化模型，同时采取学习率0.1,0.01,0.001分别进行训练，选择最合适的初始学习率。为
了防止过拟合，在模型中加入学习率衰减函数，在一定步长内，若损失函数的值没有下降，就对学习率进行衰减。此时整个网络的输入x是一个n
×
d的矩阵,输出为y＝[y1,
…
,y
n
]
t
。中间隐藏层的激活函数为从输入层到第一个隐藏层，隐藏层每个神经元都有d个输入，此时第一个隐藏层第j个神经元的输出为将第一个隐藏层的输出作为第二个隐藏层的输入，此时第二个隐藏层每个神经元都有128个输入，则第j个神经元的输出为每一级都是利用前一级的输出做输入，再经过公式计算，输出到下一级，直到得出最后的输出y。通过计均方误差损失，通过反向传播来调整相应的权值从而使得误差最小化。设置一定的迭代次数，直到loss损失不再下降。最终模型会输出预测收入y。
[0061]
步骤3，将获得的客户预测收入与客户上一季度收入的差值与客户一季度收入的比值与预设阈值比较，若该比值小于预设阈值，则不启动预警；若该比值大于预设阈值，启动预警，同时生成预警客户名单。
[0062]
步骤4，根据预警客户名单逐个比较与客户收入相关的特征信息的变化，记录特征变化率，将所记录的特征变化率进行排序，选择排序前五的特征变化率对应的特征进行分析作为客户预警原因。
[0063]
图4是本发明实施例提供的一种收入预测系统的示意图。如图4所示，该收入预测系统包括：
[0064]
获取模块401，用于获取目标对象在目标时间段内与收入相关的特征信息，其中，与收入相关的特征信息包括目标对象的货运信息、目标对象的第三方评估信息、目标对象的企业舆论信息和与目标对象有关的宏观经济信息；
[0065]
预测模块402，用于将所获取的与收入相关的特征信息输入训练好的收入预测模型，得到目标对象在目标时间段的预测收入；训练好的收入预测模型是基于样本对象与收入相关的特征信息以及对应的实际收入标签训练得到；
[0066]
预警模块403，用于根据目标对象在目标时间段的预测收入，与目标对象在目标时间段之前的相同时间段的实际收入，确定预警信息。
[0067]
可选地，收入预测系统，还包括：
[0068]
预处理模块，用于对目标对象在目标时间段内与收入相关的特征信息进行预处理；将预处理后的目标对象在目标时间段内与收入相关的特征信息输入训练好的收入预测模型，得到目标对象在目标时间段的预测收入。
[0069]
可选地，预处理模块，包括：
[0070]
清洗单元，用于通过填补空缺值、识别或删除离群点，利用噪声光滑化清洗目标对象在目标时间段内与收入相关的特征信息；
[0071]
选择模块，用于对清洗后的目标对象在目标时间段内与收入相关的特征信息进行特征选择，得到最优特征集；
[0072]
转换模块，用于将最优特征集中分类型数据转换成数值型数据。
[0073]
可选地，收入预测系统，还包括：
[0074]
训练模块，用于对收入预测模型进行训练；
[0075]
训练模块，包括：
[0076]
分划单元，用于将对象样本集分划为训练集和测试集；
[0077]
调整单元，用于将训练集中样本对象的特征信息输入收入预测模型，根据对应的实际收入标签对收入预测模型的参数进行调整；
[0078]
测试单元，用于将测试集中样本对象的特征信息输入调整参数后的收入预测模型，根据对应的实际收入标签对调整参数后的收入预测模型进行测试；
[0079]
生成单元，用于根据调整参数后的收入预测模型在测试集上的测试结果，确定训练好的收入预测模型。
[0080]
可选地，预警模块403，包括：
[0081]
第一处理单元，用于根据目标对象在目标时间段的预测收入与目标对象在目标时间段之前的相同时间段的实际收入，得到收入波动信息；
[0082]
预警提示单元，用于将收入波动信息与预设阈值进行比较，根据比较的结果确定预警提示信息。
[0083]
可选地，预警模块403，还包括：
[0084]
第二处理单元，用于根据目标对象在目标时间段内与收入相关的特征信息，与目标对象在目标时间段之前的相同时间段内的特征信息，确定各特征信息的变化率；
[0085]
预警分析单元，用于对所确定的各特征信息的变化率进行排序，根据排序的结果确定预警分析信息。
[0086]
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)501、通信接口(communicationsinterface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令，以执行收入预测方法，该方法包括：
[0087]
通过获取目标对象在目标时间段内与收入相关的特征信息，其中，与收入相关的特征信息包括目标对象的货运信息、目标对象的第三方评估信息、目标对象的企业舆论信息和与目标对象有关的宏观经济信息；将所获取的与收入相关的特征信息输入训练好的收入预测模型，得到目标对象在目标时间段的预测收入；训练好的收入预测模型是基于样本对象与收入相关的特征信息以及对应的实际收入标签训练得到；根据目标对象在目标时间段的预测收入，与目标对象在目标时间段之前的相同时间段的实际收入，确定预警信息。
[0088]
此外，上述的存储器503中的逻辑指令可以通过软件功能模块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。
[0089]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的收入预测方法，该方法包括：
[0090]
通过获取目标对象在目标时间段内与收入相关的特征信息，其中，与收入相关的特征信息包括目标对象的货运信息、目标对象的第三方评估信息、目标对象的企业舆论信息和与目标对象有关的宏观经济信息；将所获取的与收入相关的特征信息输入训练好的收入预测模型，得到目标对象在目标时间段的预测收入；训练好的收入预测模型是基于样本对象与收入相关的特征信息以及对应的实际收入标签训练得到；根据目标对象在目标时间段的预测收入，与目标对象在目标时间段之前的相同时间段的实际收入，确定预警信息。
[0091]
又一方面，本发明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所提供的收入预测方法，该方法包括：
[0092]
通过获取目标对象在目标时间段内与收入相关的特征信息，其中，与收入相关的特征信息包括目标对象的货运信息、目标对象的第三方评估信息、目标对象的企业舆论信息和与目标对象有关的宏观经济信息；将所获取的与收入相关的特征信息输入训练好的收入预测模型，得到目标对象在目标时间段的预测收入；训练好的收入预测模型是基于样本对象与收入相关的特征信息以及对应的实际收入标签训练得到；根据目标对象在目标时间段的预测收入，与目标对象在目标时间段之前的相同时间段的实际收入，确定预警信息。
[0093]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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。
[0094]
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的方法。
[0095]
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。