车主性格特征的判别方法、装置、车辆及存储介质与流程

1.本技术涉及性格分析技术领域，特别涉及一种车主性格特征的判别方法、装置、车辆及存储介质。


背景技术：

2.国内外对于人群性格特征都有大量研究，但是由于性格结构的复杂性，在心理学的研究中至今还没有大家公认的性格类型划分的原则与标准。过去多采用问卷、访谈等调研的方法，结合相关理论研究得出结论，不仅费时费力，且缺少量化标准。
3.目前，相关技术可以通过对乘客信息及驾驶习惯进行分析，评估婚恋状态及性格类型，避免婚恋行业各种乱相的发生，还可以通过获取车辆在不同速度情况下加速度数据，为分析驾驶风格提供了一种量化、快捷的方法。
4.然而，相关技术人为主观因素造成的误差较大，难以对人群性格模型进行量化，且模型结果的泛化能力较弱，无法对其他领域的工作开展起到一定的指导作用。


技术实现要素：

5.本技术提供一种车主性格特征的判别方法、装置、车辆及存储介质，以解决相关技术人为主观因素造成的误差较大，难以对人群性格模型进行量化，且模型结果的泛化能力较弱，无法对其他领域的工作开展起到一定的指导作用等问题。
6.本技术第一方面实施例提供一种车主性格特征的判别方法，包括以下步骤：获取t-box上传的车辆行驶时序数据；根据所述行驶时序数据生成用户的至少一个驾驶行为习惯指标；以及将所述至少一个驾驶行为习惯指标输入至预先构建的人群性格特征分类模型，得到所述用户的实际人群性格特征分类。
7.可选地，在本技术的一个实施例中，在将所述至少一个驾驶行为习惯指标输入至所述预先构建的人群性格特征分类模型之前，还包括：采集多个训练用户的训练行驶时序数据；对所述训练行驶时序数据进行数据清洗，得到满足预设条件的训练行驶时序数据，生成训练集；利用所述训练集训练模型，构建所述人群性格特征分类模型。
8.可选地，在本技术的一个实施例中，所述构建所述人群性格特征分类模型，包括：基于k-means++算法，根据预设euclidean距离公式计算所有用户在多维空间中与彼此之间的距离；以所述距离为准则产生k个簇，使得每个用户分配到k类中的任一类；通过分析每一个类别中的个体指标分布与整体均值分布的差异，确定各类群体的人群特征，输出总结各类人群性格的特点。
9.可选地，在本技术的一个实施例中，所述预设条件为驾驶时长大于预设时长或者行驶里程大于预设里程。
10.可选地，在本技术的一个实施例中，所述至少一个驾驶行为习惯指标包括平均车速、最高车速、耗油量、急加速次数、急减速次数、急转弯次数、超速次数、abs报警次数、最大制动力、起步时长和快起步次数中的至少一个，且所述行驶时序数据包括车架号、行驶时
间、点火时间、总里程、燃油余量、发动机转速、gps方向、abs报警状态、横向加速度、纵向加速度、速度、方向盘转角、刹车/油门状态、油门踏板位置中的一项或多项。
11.本技术第二方面实施例提供一种车主性格特征的判别装置，包括：获取模块，用于获取t-box上传的车辆行驶时序数据；生成模块，用于根据所述行驶时序数据生成用户的至少一个驾驶行为习惯指标；以及判别模块，用于将所述至少一个驾驶行为习惯指标输入至预先构建的人群性格特征分类模型，得到所述用户的实际人群性格特征分类。
12.可选地，在本技术的一个实施例中，还包括：采集模块，用于在将所述至少一个驾驶行为习惯指标输入至所述预先构建的人群性格特征分类模型之前采集多个训练用户的训练行驶时序数据；预处理模块，用于对所述训练行驶时序数据进行数据清洗，得到满足预设条件的训练行驶时序数据，生成训练集；训练模块，用于利用所述训练集训练模型，构建所述人群性格特征分类模型。
13.可选地，在本技术的一个实施例中，所述训练模块包括：计算单元，用于基于k-means++算法，根据预设euclidean距离公式计算所有用户在多维空间中与彼此之间的距离；分配单元，用于以所述距离为准则产生k个簇，使得每个用户分配到k类中的任一类；输出单元，用于通过分析每一个类别中的个体指标分布与整体均值分布的差异，确定各类群体的人群特征，输出总结各类人群性格的特点。
14.可选地，在本技术的一个实施例中，所述预设条件为驾驶时长大于预设时长或者行驶里程大于预设里程。
15.可选地，在本技术的一个实施例中，所述至少一个驾驶行为习惯指标包括平均车速、最高车速、耗油量、急加速次数、急减速次数、急转弯次数、超速次数、abs报警次数、最大制动力、起步时长和快起步次数中的至少一个，且所述行驶时序数据包括车架号、行驶时间、点火时间、总里程、燃油余量、发动机转速、gps方向、abs报警状态、横向加速度、纵向加速度、速度、方向盘转角、刹车/油门状态、油门踏板位置中的一项或多项。
16.本技术第三方面实施例提供一种车辆，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，以实现如上述实施例所述的车主性格特征的判别方法。
17.本技术第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的车主性格特征的判别方法。
18.由此，本技术的实施例具有以下有益效果：
19.本技术的实施例可以通过获取t-box上传的车辆行驶时序数据；根据行驶时序数据生成用户的至少一个驾驶行为习惯指标；将至少一个驾驶行为习惯指标输入至预先构建的人群性格特征分类模型，得到用户的实际人群性格特征分类。本技术通过t-box上传的车辆行驶时序数据生成用户驾驶行为习惯指标，利用大数据算法对指标值进行数据建模和分析，最终输出人群性格特征分类模型，不仅可以有效支撑模型结果的准确性及可靠性，减少人为主观因素造成的误差，还能够将该模型结果广泛推广至营销或用户运营等领域，对相关部门的工作开展起指导作用。由此，解决了相关技术人为主观因素造成的误差较大，难以对人群性格模型进行量化，且模型结果的泛化能力较弱，无法对其他领域的工作开展起到一定的指导作用等问题。
20.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变
得明显，或通过本技术的实践了解到。
附图说明
21.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
22.图1为根据本技术实施例提供的一种车主性格特征的判别方法的流程图；
23.图2为根据本技术的一个实施例提供的一种测试指标明细示意图；
24.图3为根据本技术的一个实施例提供的一种k-means++算法聚类效果示意图；
25.图4为根据本技术的一个实施例提供的一种车主性格特征的判别结果图；
26.图5为根据本技术的一个实施例提供的一种车主性格特征的判别方法的执行逻辑示意图；
27.图6为根据本技术实施例的车主性格特征的判别装置的示例图；
28.图7为本技术实施例提供的车辆的结构示意图。
29.其中，10-车主性格特征的判别装置、100-获取模块、200-生成模块、300-判别模块、701-存储器、702-处理器、703-通信接口。
具体实施方式
30.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
31.下面参考附图描述本技术实施例的车主性格特征的判别方法、装置、车辆及存储介质。针对上述背景技术中提到的问题，本技术提供了一种车主性格特征的判别方法，在该方法中，通过获取t-box上传的车辆行驶时序数据；根据行驶时序数据生成用户的至少一个驾驶行为习惯指标；将至少一个驾驶行为习惯指标输入至预先构建的人群性格特征分类模型，得到用户的实际人群性格特征分类。本技术通过t-box上传的车辆行驶时序数据生成用户驾驶行为习惯指标，利用大数据算法对指标值进行数据建模和分析，最终输出人群性格特征分类模型，不仅可以有效支撑模型结果的准确性及可靠性，减少人为主观因素造成的误差，还能够将该模型结果广泛推广至营销或用户运营等领域，对相关部门的工作开展起指导作用。由此，解决了相关技术人为主观因素造成的误差较大，难以对人群性格模型进行量化，且模型结果的泛化能力较弱，无法对其他领域的工作开展起到一定的指导作用等问题。
32.具体而言，图1为本技术实施例所提供的一种车主性格特征的判别方法的流程图。
33.如图1所示，该车主性格特征的判别方法包括以下步骤：
34.在步骤s101中，获取t-box上传的车辆行驶时序数据。
35.本技术的实施例可以在固定时间范围内，如每隔10秒，通过t-box上传的车辆行驶时序记录，并通过点火时间对车辆的不同行程进行区分，例如，将驾驶时长不超过5分钟或者行驶里程不足1km的行程剔除，从而确保数据更具研究意义。
36.在步骤s102中，根据行驶时序数据生成用户的至少一个驾驶行为习惯指标。
37.在获取t-box上传的车辆行驶时序数据后，本技术的实施例可以筛选出与驾驶行
为习惯高度相关的数据字段，由此组合成驾驶行为习惯的指标口径，并计算出每个用户所有指标的指标值，从而根据行驶时序数据生成用户的驾驶行为习惯指标，为实现实际人群性格特征分类提供可靠的数据依据。
38.可选地，在本技术的一个实施例中，至少一个驾驶行为习惯指标包括平均车速、最高车速、耗油量、急加速次数、急减速次数、急转弯次数、超速次数、abs报警次数、最大制动力、起步时长和快起步次数中的至少一个，且行驶时序数据包括车架号、行驶时间、点火时间、总里程、燃油余量、发动机转速、gps方向、abs报警状态、横向加速度、纵向加速度、速度、方向盘转角、刹车/油门状态、油门踏板位置中的一项或多项。
39.需要说明的是，在本技术的实施例中，上述驾驶行为习惯指标主要包括平均车速、最高车速、耗油量、急加速次数、急减速次数、急转弯次数、超速次数、abs报警次数、最大制动力、起步时长、快起步次数等。
40.此外，上述车辆t-box每10秒上传的车辆行驶时序数据至少包括：车架号、行驶时间、点火时间、总里程、燃油余量、发动机转速、gps方向、abs报警状态、横向加速度、纵向加速度、速度、方向盘转角、刹车/油门状态、油门踏板位置等，如图2所示。
41.由此，本技术的实施例通过详尽全面地考虑到可能与人群性格特征分类相关的多个数据类型，有效保证了后续模型分类的准确性和可信度。
42.在步骤s103中，将至少一个驾驶行为习惯指标输入至预先构建的人群性格特征分类模型，得到用户的实际人群性格特征分类。
43.在根据行驶时序数据生成用户的驾驶行为习惯指标后，本技术的实施例可将上述驾驶行为习惯指标输入至预先构建的人群性格特征分类模型中，以实时对用户的性格特征进行分类，从而不仅可以减少人为主观因素造成的误差，也极大提升了用户性格特征分类的效率。
44.可选地，在本技术的一个实施例中，在将至少一个驾驶行为习惯指标输入至预先构建的人群性格特征分类模型之前，还包括：采集多个训练用户的训练行驶时序数据；对训练行驶时序数据进行数据清洗，得到满足预设条件的训练行驶时序数据，生成训练集；利用训练集训练模型，构建人群性格特征分类模型。
45.需要说明的是，在将上述驾驶行为习惯指标输入至人群性格特征分类模型之前，本技术的实施例还需对该分类模型进行训练。
46.具体地，本技术的实施例可以采集多个用户在驾驶车辆时，通过t-box每隔固定时间如10s，上传的车辆行驶时序数据。
47.其次，通过点火时间对车辆的不同行程作区分，以将驾驶时长不超过5分钟或者行驶里程不足1km的行程剔除，对所获取的训练时序数据进行初步处理，以确保数据更具研究意义。
48.进而，本技术的实施例根据与驾驶行为习惯高度相关的指标，如平均车速、最高车速、耗油量等，输出各指标的计算口径，各指标计算过程如下所示：
49.1)平均速度＝对应时间范围内，∑各行程的行驶里程/∑各行程的驾驶时长；
50.2)最高车速＝对应时间范围内，max(各行程的行驶里程/各行程的驾驶时长)；
51.3)耗油量＝对应时间范围内，∑(行程结束时的燃油余量百分比-行程开始时的燃油余量百分比)*油箱容量；
52.4)急加速次数＝对应时间范围内，∑(行程中出现发动机转速变化异常&未踩制动踏板&油门幅度≥30％的记录)；
53.5)急减速次数＝对应时间范围内，∑(行程中出现纵向加速度变化异常&踩制动踏板&油门幅度＝0的记录)；
54.6)急减速次数＝对应时间范围内，∑(行程中出现相邻记录的gps方向差≥70
°
&速度＞15km/h&|横向加速度|＞0.085的记录)；
55.7)超速次数＝对应时间范围内，∑[(各行程的行驶里程/各行程的驾驶时长)》60m/h]；
[0056]
8)abs报警次数＝对应时间范围内，∑(行程中出现abs报警提醒的记录)；
[0057]
9)最大制动力＝对应时间范围内，max(各记录的纵向加速度*车辆质量)；
[0058]
10)起步时长＝对应时间范围内，∑(各行程最开始速度从0到20km/h所需时长)；
[0059]
11)快起步次数＝对应时间范围内，∑(上一时刻速度＜10km/h，下一时刻踩油门&纵向加速度＞0.1，相邻时刻发动机转速相差＞2000转的记录)。
[0060]
计算每位用户在统计时间范围内各指标的指标值，由于各特征之间数值差异过大，本技术的实施例可以通过标准化操作去除量纲的影响，将有量纲的数值变成无量纲的纯数值，如最大最小归一化方法等，从而对训练行驶时序数据进行数据清洗，进一步保证了数据的质量，避免分类模型出现过拟合等情况，增强了模型的泛化能力。
[0061]
可选地，在本技术的一个实施例中，预设条件为驾驶时长大于预设时长或者行驶里程大于预设里程。
[0062]
在对上述训练数据进行数据清洗等操作后，便可得到满足预设条件的训练行驶时序数据，从而生成训练数据集。
[0063]
需要说明的是，在本技术的实施例中，上述预设条件可为驾驶时长大于预设时长或者行驶里程大于预设里程，例如，车载系统中的训练数据集要求数据为将驾驶时长超过5分钟或者行驶里程大于1km的行程所采集的数据，进而在该条件基础上，对所获取的数据进行数据处理，进一步保证了数据的质量和研究意义。
[0064]
可选地，在本技术的一个实施例中，构建人群性格特征分类模型，包括：基于k-means++算法，根据预设euclidean距离公式计算所有用户在多维空间中与彼此之间的距离；以距离为准则产生k个簇，使得每个用户分配到k类中的任一类；通过分析每一个类别中的个体指标分布与整体均值分布的差异，确定各类群体的人群特征，输出总结各类人群性格的特点。
[0065]
在通过上述操作生成训练数据集后，本技术的实施例可以利用该训练集对模型进行训练，以构建人群性格特征分类模型。
[0066]
具体地，本技术的实施例可选取聚类算法中最常用的k-means++算法，依据euclidean距离公式，如下式所示：
[0067][0068]
进而，计算所有用户在多维空间中与彼此之间的距离，为保证同一个簇内数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大，即聚类后
同一类的数据尽可能聚集到一起，不同类数据尽量分离，以距离为准则产生k个簇，每个个体都可以准确分配到k类中的某一类。
[0069]
需要说明的是，本技术实施例中的聚类算法的类别数k可以根据有效性检验结果而定，初始设定时，可以将类别数k设置为3，后续可以根据实验情况不断调整，聚类效果如图3所示。
[0070]
通过分析每一个类别中的个体指标分布与整体均值分布的差异，剖析出各类群体的人群特征，输出总结各类人群性格的特点，从而构建出人群性格特征分类模型。
[0071]
由此，根据用户驾驶车辆时所获取上述行驶时序数据，并进行数据处理，输入至所构建的人群性格特征分类模型后，即可实时获取用户的实际人群性格特征分类，分类结果如图4所示，从而有效降低性格分类的成本，扩大了数据样本的覆盖率，提高了分类的准确性和可信度。
[0072]
下述将通过一个具体的实施例结合附图对本技术的车主性格特征的判别方法进行说明。
[0073]
图5为本技术实施例的车主性格特征的判别方法的执行逻辑示意图。本技术实施例中的计算可通过数据库hive和编程软件python实现，如图5所示，车主性格特征的判别的具体过程如下所述：
[0074]
s1：将驾驶时长不超过5分钟或者行驶里程不足1km的行程剔除，确保数据更具研究意义；
[0075]
s2：计算每辆车在统计时间范围内各指标的指标值，包括平均车速ai、最高车速bi、耗油量ci、急加速次数di、急减速次数ei、急转弯次数ei以及超速次数gi等；
[0076]
s3：将每个对象看做一类，计算两辆之间的最小距离d(x，y)；
[0077]
s4：将距离最小的两个类cluster(x)和cluster(y)合并成一个新类cluster(z)；
[0078]
s5：重新计算新类cluster(z)与所有类之间的距离d(x，z)；
[0079]
s6：判断聚类数是否为k，若不为k，则转到s4，重复操作，直到所有类最后侯冰成k类；
[0080]
s7：若聚类数为k，则执行s7，进行有效性检验，若有效性检验未通过，则转到s3，重复操作，直到有效性检验通过；
[0081]
s8：若有效性检验通过，则执行s8，计算整体各指标均值，解析每个类别中个体指标分布与整体均值分布的差异；
[0082]
s9：总结优化各类别人群特征。
[0083]
根据本技术实施例提出的车主性格特征的判别方法，通过获取t-box上传的车辆行驶时序数据；根据行驶时序数据生成用户的至少一个驾驶行为习惯指标；将至少一个驾驶行为习惯指标输入至预先构建的人群性格特征分类模型，得到用户的实际人群性格特征分类。本技术通过t-box上传的车辆行驶时序数据生成用户驾驶行为习惯指标，利用大数据算法对指标值进行数据建模和分析，最终输出人群性格特征分类模型，不仅可以有效支撑模型结果的准确性及可靠性，减少人为主观因素造成的误差，还能够将该模型结果广泛推广至营销或用户运营等领域，对相关部门的工作开展起指导作用。
[0084]
其次参照附图描述根据本技术实施例提出的车主性格特征的判别装置。
[0085]
图6是本技术实施例的车主性格特征的判别装置的方框示意图。
[0086]
如图6所示，该车主性格特征的判别装置10包括：获取模块100、生成模块200以及判别模块300。
[0087]
其中，获取模块100，用于获取t-box上传的车辆行驶时序数据。
[0088]
生成模块200，用于根据行驶时序数据生成用户的至少一个驾驶行为习惯指标。
[0089]
判别模块300，用于将至少一个驾驶行为习惯指标输入至预先构建的人群性格特征分类模型，得到用户的实际人群性格特征分类。
[0090]
可选地，在本技术的一个实施例中，本技术实施例的车主性格特征的判别装置10还包括：采集模块、预处理模块以及训练模块。
[0091]
其中，采集模块，用于在将至少一个驾驶行为习惯指标输入至预先构建的人群性格特征分类模型之前采集多个训练用户的训练行驶时序数据。
[0092]
预处理模块，用于对训练行驶时序数据进行数据清洗，得到满足预设条件的训练行驶时序数据，生成训练集。
[0093]
训练模块，用于利用训练集训练模型，构建人群性格特征分类模型。
[0094]
可选地，在本技术的一个实施例中，训练模块包括：计算单元、分配单元以及输出单元。
[0095]
其中，计算单元，用于基于k-means++算法，根据预设euclidean距离公式计算所有用户在多维空间中与彼此之间的距离。
[0096]
分配单元，用于以距离为准则产生k个簇，使得每个用户分配到k类中的任一类。
[0097]
输出单元，用于通过分析每一个类别中的个体指标分布与整体均值分布的差异，确定各类群体的人群特征，输出总结各类人群性格的特点。
[0098]
可选地，在本技术的一个实施例中，预设条件为驾驶时长大于预设时长或者行驶里程大于预设里程。
[0099]
可选地，在本技术的一个实施例中，至少一个驾驶行为习惯指标包括平均车速、最高车速、耗油量、急加速次数、急减速次数、急转弯次数、超速次数、abs报警次数、最大制动力、起步时长和快起步次数中的至少一个，且行驶时序数据包括车架号、行驶时间、点火时间、总里程、燃油余量、发动机转速、gps方向、abs报警状态、横向加速度、纵向加速度、速度、方向盘转角、刹车/油门状态、油门踏板位置中的一项或多项。
[0100]
需要说明的是，前述对车主性格特征的判别方法实施例的解释说明也适用于该实施例的车主性格特征的判别装置，此处不再赘述。
[0101]
根据本技术实施例提出的车主性格特征的判别装置，通过获取t-box上传的车辆行驶时序数据；根据行驶时序数据生成用户的至少一个驾驶行为习惯指标；将至少一个驾驶行为习惯指标输入至预先构建的人群性格特征分类模型，得到用户的实际人群性格特征分类。本技术通过t-box上传的车辆行驶时序数据生成用户驾驶行为习惯指标，利用大数据算法对指标值进行数据建模和分析，最终输出人群性格特征分类模型，不仅可以有效支撑模型结果的准确性及可靠性，减少人为主观因素造成的误差，还能够将该模型结果广泛推广至营销或用户运营等领域，对相关部门的工作开展起指导作用。
[0102]
图7为本技术实施例提供的车辆的结构示意图。该车辆可以包括：
[0103]
存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序。
[0104]
处理器702执行程序时实现上述实施例中提供的车主性格特征的判别方法。
[0105]
进一步地，车辆还包括：
[0106]
通信接口703，用于存储器701和处理器702之间的通信。
[0107]
存储器701，用于存放可在处理器702上运行的计算机程序。
[0108]
存储器701可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0109]
如果存储器701、处理器702和通信接口703独立实现，则通信接口703、存储器701和处理器702可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。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7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0110]
可选地，在具体实现上，如果存储器701、处理器702及通信接口703，集成在一块芯片上实现，则存储器701、处理器702及通信接口703可以通过内部接口完成相互间的通信。
[0111]
处理器702可能是一个中央处理器(central processing unit，简称为cpu)，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0112]
本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的车主性格特征的判别方法。
[0113]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0114]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0115]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0116]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设
备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或n个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0117]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0118]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0119]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以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，也可以存储在一个计算机可读取存储介质中。
[0120]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。