一种铁路专网基站小区节能调度方法和系统与流程

1.本发明涉及通信技术领域，具体涉及一种铁路专网基站小区节能调度方法和系统。


背景技术：

2.铁路专网小区成线性分布，业务量随着列车高速运行，一趟列车承载的用户高达数百，铁路专网的小区用户在短时间内波动剧烈，尤其是两车交会时用户数倍增存在瞬时高峰、波动频繁的特点。铁路在行车路段上只需要考虑链形小区前后两个方向上各一个小区做为邻区即可，与公网配置单向邻区关系，路线上专网间互配邻区，保证专网用户在路线小区间的成功切换。与周边宏网站点配置单向邻区，保证公网用户不切换到专网。
3.现有基站预测节能算法可利用历史业务数据单独预测各小区的业务走势，但现有的处理方式评估数据量大，耗时冗长，且无法定位各小区的关联性强度，也难以定位小区之间的节电操作影响关系，依赖人工难于分析地铁小区间的业务流动关系，数据量大，运算复杂性高，在几分钟内难以快速生成调度方案，无法运用于实际生产环境中。


技术实现要素：

4.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种铁路专网基站小区节能调度方法和系统。
5.根据本发明的一个方面，提供了一种铁路专网基站小区节能调度方法，包括以下步骤：
6.每隔单位时间间隔获取数据采集系统从铁路专网基站中采集到的多个小区的小区指标数据；
7.针对每个小区，根据该小区的小区指标数据，对该小区在下一个单位时间间隔内的业务负荷值进行预测，得到该小区的预测业务负荷值；
8.根据多个小区的预测业务负荷值以及多个小区的位置信息，将多个小区划分至多个小区分组中；
9.依据每个小区分组中的各个小区的预测业务负荷值，对该小区分组中的各个小区的运行状态进行统一调度。
10.根据本发明的另一方面，提供了一种铁路专网基站小区节能调度系统，包括：
11.数据采集模块，用于每隔单位时间间隔获取数据采集系统从铁路专网基站中采集到的多个小区的小区指标数据；
12.预测模块，用于针对每个小区，根据该小区的小区指标数据，对该小区在下一个单位时间间隔内的业务负荷值进行预测，得到该小区的预测业务负荷值；
13.分组模块，用于根据多个小区的预测业务负荷值以及多个小区的位置信息，将多个小区划分至多个小区分组中；
14.调度模块，用于依据每个小区分组中的各个小区的预测业务负荷值，对该小区分
组中的各个小区的运行状态进行统一调度。
15.根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
16.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述铁路专网基站小区节能调度方法对应的操作。
17.根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述铁路专网基站小区节能调度方法对应的操作。
18.根据本发明的一种铁路专网基站小区节能调度方法和系统，该方法通过每隔单位时间间隔获取数据采集系统从铁路专网基站中采集到的多个小区的小区指标数据；针对每个小区，根据该小区的小区指标数据，对该小区在下一个单位时间间隔内的业务负荷值进行预测，得到该小区的预测业务负荷值；根据多个小区的预测业务负荷值以及多个小区的位置信息，将多个小区划分至多个小区分组中；依据每个小区分组中的各个小区的预测业务负荷值，对该小区分组中的各个小区的运行状态进行统一调度；通过对铁路专网基站小区的历史小区指标数据对小区在未来时间段内的业务负荷值进行预测，同时对铁路专网基站小区进行分组，从而根据预测的小区在未来时间段内的业务负荷值对该小区分组中的各个小区的运行状态进行统一节电调度，从而实现了动态控制小区运行状态，高效节电，解决了现有技术调度方法准确度不高、耗时长、数据量大的问题。
19.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
20.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
21.图1示出了本发明铁路专网基站小区分布示意图；
22.图2示出了本发明实施例提供的一种铁路专网基站小区节能调度方法的流程图；
23.图3示出了本发明实施例提供的一种铁路专网基站小区节能调度方法的小区指标数据处理过程示意图；
24.图4示出了本发明实施例提供的一种铁路专网基站小区节能调度系统的结构示意图；
25.图5示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
26.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
27.在本发明中，列车承载上千用户在铁路奔驰，为了让列车前进时所在的区域时刻有手机信号，没有列车驶过的区域，关闭信号为确保铁路网络性能，为简化邻区关系，规避乒乓切换(指用户频繁在两个相邻小区之间来回切换的现象)，铁路专网基站小区采用定向切换算法，根据不同用户的移动方向，确定该用户今后所有可能的移动位置，据此来设置针对该用户特定的邻区关系，从而确定用户下一个可能的切换小区，只能单向切换，既简化了邻区关系，又可以避免了不必要的乒乓切换。图1为铁路专网基站小区分布示意图，如图1所示，铁路专网基站小区为线状覆盖，由于列车速度过快，单个小区覆盖的区域太小，一般一次不能只控制单个小区开关。必须同时控制一组(往往在地理位置上是连续的)小区，以免发生调度失败，影响用户感知的事故。其中，远端射频模块(remote radio unit，rru)将数字基带信号转换成高频(射频)信号，并将高频(射频)信号送到天线辐射出去。基带处理单元(base band unit，bbu)集中放置在机房，rru可安装至楼层，bbu与rru之间采用光纤传输，rru再通过同轴电缆及功分器(耦合器)等连接至天线，即主干采用光纤，支路采用同轴电缆。
28.实施例一
29.图2示出了本发明一种铁路专网基站小区节能调度方法的流程图，如图2所示，该方法包括以下步骤：
30.s201：每隔单位时间间隔获取数据采集系统从铁路专网基站中采集到的多个小区的小区指标数据。
31.在本步骤中，以单位时间间隔为15分钟为例，每隔15分钟时间粒度定期获取数据采集系统从铁路专网基站中采集到的小区指标数据；具体地，获取通信运营商在铁路专网基站中采集到的真实流量数据作为小区指标数据，对小区指标数据进行预处理，剔除异常指标数据，如为0的数据或无法识别的数据等，补全缺失指标数据，之后分别存储，形成多个小区的小区指标数据。小区指标数据至少包括：小区全球识别码(cgi)、小区名称、小区经纬度、小区业务量、小区用户数、数据采集时间周期、小区天线方位角、小区天线仰角、天气数据和列车运行数据(如列车时刻表、列车晚点表)等。
32.s202：针对每个小区，根据该小区的小区指标数据，对该小区在下一个单位时间间隔内的业务负荷值进行预测，得到该小区的预测业务负荷值。
33.在一种可选的方式中，步骤s202进一步包括：步骤2021、步骤2022和步骤2023。
34.步骤2021：对该小区的小区指标数据进行分解和重构处理，得到该小区的多个重构分量数据。
35.具体地说，图3为小区指标数据处理过程示意图，如图3所示，采用小波变换算法，对该小区的小区指标数据进行分解处理，得到多个分量数据；其中，多个分量数据包括：低频分量数据和高频分量数据；针对每个分量数据，对该分量数据对应的序列进行重构处理，得到该分量数据对应的重构分量数据。
36.例如，具体地，小波基函数设定为sym6，设信号为f(t)＝c1+d1(由小区指标数据仿真得出)，f(t)是小区业务量或用户数随时间变化的曲线，c1是低频分量数据，d1是高频分量数据，通过一级小波变换算法可分解为c1和d1。小波变换的多分辨率分解仅会进一步分解低频分量数据，而不考虑高频分量数据。通过比较c1和f(t)来决定是否继续分解，决定是否继续分解的标准是最低频率因子的趋势应该与原始曲线一致并尽可能圆滑。
37.通过对小区指标数据进行四级小波分解变换，分解为高频分量数据和低频分量数据，得到了五个分支如下公式所示：
38.f(t)＝c4(t)+d1(t)+d2(t)+d3(t)+d4(t)；
39.其中，c4(t)为分解得到的低频分量数据；d1(t)、d2(t)、d3(t)和d4(t)为分解得到的高频分量数据。
40.在得到多个分量数据之后，针对每个分量数据，对该分量数据对应的序列进行单一重构处理，得到该分量数据对应的重构分量数据。重构后的序列长度与原始数据长度相同，同时这些序列的线性和等于原始数据。
41.步骤2022：采用回声状态网络模型和自回归滑动平均模型，对该小区的多个重构分量数据进行预测，得到多个重构分量数据对应的预测业务负荷值。
42.具体地说，针对低频分量数据，将该小区的低频分量数据对应的重构分量数据输入至回声状态网络模型中的输出状态方程中，将输出状态方程的输出结果作为对应的预测业务负荷值；其中，输出状态方程中的连接权值是基于由历史小区指标数据处理得到的低频分量数据对应的重构分量数据以及回声状态网络模型中的状态更新方程训练获得的。
43.其中，回声状态网络(echo state network，esn)模型中的状态更新方程为：
44.x(t+1)＝f(win
·
u(t+1)+w
·
x(t))；
45.其中x(t)是在t时刻下的网络存储状态，x(t+1)是在t+1时刻下的网络存储状态，u(t+1)是在t+1时刻下的输入状态，即c4(t+1)，f是神经激活函数，win和w是在最初建立神经网络时随机初始化的值，并且固定不变。上述公式为esn模型的基础公式，实际运算时只需要调用现成的接口，输入步骤2021中的低频分量数据对应的重构分量数据就自动输出结果，无需赘述基础细节原理。
46.通过历史小区指标数据处理得到的低频分量数据对应的重构分量数据以及回声状态网络模型中的状态更新方程训练和输出状态的线性拟合，可以训练出隐藏层到输出层的连接权值wout，然后利用输出状态方程来预测流量的输出，输出状态方程为：
47.y(t+1)＝f
out
.(w
out
.(u(t+1),x(t+1),y(t)))；
48.其中，输出状态方程的输入y(t)是低频分量数据c4(t)对应的重构分量数据，输出y(t+1)即为低频分量数据c4(t)对应的重构分量数据的预测业务负荷值。
49.针对每个高频分量数据，将该高频分量数据对应的重构分量数据输入至自回归滑动平均模型中，将自回归滑动平均模型的输出结果作为对应的预测业务负荷值。
50.具体地说，基于自回归滑动平均模型(autoregressive integrated moving average，arima)模型对高频分量数对应的重构分量数据进行预测，理论上，arima模型的数学描述为：
[0051][0052]
这里δ
d
y
t
表示y
t
经d次差分转换之后的序列,ε
t
是t时刻的随机误差，是相互独立的白噪声序列，且服从均值为0，方差为常量δ2的正态分布。通过观察函数的收敛和截断特征，arima(p,d,q)模型选择值为[4,0,1]，其中征，arima(p,d,q)模型选择值为[4,0,1]，其中和θ
j
(j＝1)是模型的待估计参数，在算法中通过训练得出；p为自回归项，q为移动平均项数。本实施例中，arima模型的输入y
t-i
是高频分量数据d1(t)、d2(t)、d3(t)和d4(t)对应的重构分量数据，输出y
t
是高频
分量数据d1(t)、d2(t)、d3(t)和d4(t)对应的重构分量数据的预测业务负荷值。
[0053]
步骤2023：根据多个重构分量数据对应的预测业务负荷值，计算该小区的预测业务负荷值。预测业务负荷值具体可为预测的用户数，可将esn模型预测的低频分量数据对应的重构分量数据的预测业务值与arima模型预测的高频分量数据对应的重构分量数据的预测业务值直接相加，得到该小区的预测业务负荷值。
[0054]
s203：根据多个小区的预测业务负荷值以及多个小区的位置信息，将多个小区划分至多个小区分组中。
[0055]
在一种可选的方式中，步骤s203进一步包括：根据多个小区的位置信息，确定每个小区的相邻小区；针对每个小区，依据该小区的预测业务负荷值和该小区的相邻小区的预测业务负荷值，计算该小区与相邻小区之间的关联度；将关联度大于预设关联度阈值且位置连续的多个小区划分至同一小区分组中。
[0056]
具体地，首先根据步骤s201的小区指标数据，获取各个小区的位置信息，进而确定每个小区对应的相邻小区，依据该小区和相邻小区的预测业务负荷值，计算该小区与相邻小区之间的关联度，关联度体现该小区和该小区的相邻小区之间的关联度，关联度计算公式如下：
[0057][0058]
其中，x代表某个小区，y代表该小区的相邻小区，通过上述公式计算小区之间的关联度，若预设关联度阈值为1，那么关联度大于1表示该小区与该小区的相邻小区之间具有强关联关系，关联度小于或等于1表示该小区与该小区的相邻小区之间无有效的强关联关系，将关联度大于1且位置连续的多个小区划分至同一小区分组中。
[0059]
s204：依据每个小区分组中的各个小区的预测业务负荷值，对该小区分组中的各个小区的运行状态进行统一调度。
[0060]
在一种可选的方式中，步骤s204进一步包括：设定预设负荷阈值，针对步骤s203每个小区分组，若该小区分组中的各个小区的预测业务负荷值小于预设负荷阈值且各个小区的当前运行状态为工作状态，说明该小区分组中的各个小区在下一个单位时间间隔内的预测业务负荷值较低，可进行节能处理，则将该小区分组中的各个小区在下一个单位时间间隔内的运行状态调度为休眠状态；若该小区分组中的各个小区的预测业务负荷值大于或等于预设负荷阈值且各个小区的当前运行状态为休眠状态，说明该小区分组中的各个小区在下一个单位时间间隔内的预测业务负荷值较高，为了避免影响用户体验，可提前激活小区，具体地，对该小区分组中的各个小区进行激活处理，并将各个小区的运行状态调度为工作状态。
[0061]
另外，若该小区分组中的各个小区的预测业务负荷值小于预设负荷阈值且各个小区的当前运行状态为休眠状态，说明该小区分组中的各个小区在下一个单位时间间隔内的预测业务负荷值较低，可进行节能处理，则将该小区分组中的各个小区在下一个单位时间间隔内的运行状态仍然保持为休眠状态。若该小区分组中的各个小区的预测业务负荷值大于或等于预设负荷阈值且各个小区的当前运行状态为工作状态，说明该小区分组中的各个小区在下一个单位时间间隔内的预测业务负荷值较高，则将该小区分组中的各个小区在下一个单位时间间隔内的运行状态仍然保持为工作状态。
[0062]
需要特别说明的是，在本实施例中，每隔15分钟时间粒度定期获取数据采集系统从铁路专网基站中采集到的小区指标数据，依据小区指标数据生成各个小区的预测业务负荷值，对该小区分组中的各个小区的运行状态进行统一调度为工作状态或休眠状态，但是，由于节假日、天气和人工调度等因素，可能会造成列车时刻表变动，导致获取的历史小区指标数据不准确，若采用之前所有的历史小区指标数据进行预测的话，所得到的预测业务负荷值也就没有了应用价值，那么在这种情况下，可以抛弃当日之前的历史小区指标数据，只用当天小区指标数据生成预测业务负荷值，使得本实施例仍然能够得到准确的调度方案，确保节电调度准确无误。
[0063]
采用本实施例的这种方法，通过对铁路专网基站小区的历史小区指标数据对小区在未来时间段内的业务负荷值进行预测，同时对铁路专网基站小区进行分组，从而根据预测的小区在未来时间段内的业务负荷值对该小区分组中的各个小区的运行状态进行统一节电调度，从而实现了动态控制小区运行状态，高效节电，解决了现有技术调度方法准确度不高、耗时长、数据量大的问题；并且，在节假日、天气和人工调度等因素影响导致历史小区指标数据不准确的情况下，抛弃当日之前的小区指标数据，仅用当天的小区指标数据进行预测，实现了对小区业务负荷值的精准预测，仍然能够得到准确的调度方案，确保节电调度准确无误。
[0064]
实施例二
[0065]
图4示出了本发明实施例一种铁路专网基站小区节能调度系统的结构示意图，包括数据采集模块401、预测模块402、分组模块403以及调度模块404。
[0066]
其中，数据采集模块401，用于每隔单位时间间隔获取数据采集系统从铁路专网基站中采集到的多个小区的小区指标数据。
[0067]
其中，小区指标数据包括：小区全球识别码、小区名称、小区经纬度、小区业务量、小区用户数、数据采集时间周期、小区天线方位角、小区天线仰角、天气数据和列车运行数据。
[0068]
预测模块402，用于针对每个小区，根据该小区的小区指标数据，对该小区在下一个单位时间间隔内的业务负荷值进行预测，得到该小区的预测业务负荷值。
[0069]
在一种可选的方式中，预测模块402进一步用于：对该小区的小区指标数据进行分解和重构处理，得到该小区的多个重构分量数据；采用回声状态网络模型和自回归滑动平均模型，对该小区的多个重构分量数据进行预测，得到多个重构分量数据对应的预测业务负荷值；根据多个重构分量数据对应的预测业务负荷值，计算该小区的预测业务负荷值。
[0070]
其中，预测模块402进一步用于：采用小波变换算法，对该小区的小区指标数据进行分解处理，得到多个分量数据；针对每个分量数据，对该分量数据对应的序列进行重构处理，得到该分量数据对应的重构分量数据。
[0071]
其中，多个分量数据包括：低频分量数据和高频分量数据。预测模块402进一步用于：针对低频分量数据，将该小区的低频分量数据对应的重构分量数据输入至回声状态网络模型中的输出状态方程中，将输出状态方程的输出结果作为对应的预测业务负荷值；其中，输出状态方程中的连接权值是基于由历史小区指标数据处理得到的低频分量数据对应的重构分量数据以及回声状态网络模型中的状态更新方程训练获得的；针对每个高频分量数据，将该高频分量数据对应的重构分量数据输入至自回归滑动平均模型中，将自回归滑
动平均模型的输出结果作为对应的预测业务负荷值。
[0072]
分组模块403，用于根据多个小区的预测业务负荷值以及多个小区的位置信息，将多个小区划分至多个小区分组中。
[0073]
在一种可选的方式中，分组模块403进一步用于：根据多个小区的位置信息，确定每个小区的相邻小区；针对每个小区，依据该小区的预测业务负荷值和该小区的相邻小区的预测业务负荷值，计算该小区与相邻小区之间的关联度；将关联度大于预设关联度阈值且位置连续的多个小区划分至同一小区分组中。
[0074]
调度模块404，用于依据每个小区分组中的各个小区的预测业务负荷值，对该小区分组中的各个小区的运行状态进行统一调度。
[0075]
在一种可选的方式中，调度模块404进一步用于：针对每个小区分组，若该小区分组中的各个小区的预测业务负荷值小于预设负荷阈值且各个小区的当前运行状态为工作状态，则将该小区分组中的各个小区在下一个单位时间间隔内的运行状态调度为休眠状态；若该小区分组中的各个小区的预测业务负荷值大于或等于预设负荷阈值且各个小区的当前运行状态为休眠状态，则对该小区分组中的各个小区进行激活处理，并将各个小区的运行状态调度为工作状态。
[0076]
由于节假日、天气和人工调度等因素，可能会造成列车时刻表变动，导致获取的历史小区指标数据不准确，若采用之前所有的历史小区指标数据进行预测的话，所得到的预测业务负荷值也就没有了应用价值，那么在这种情况下，可以抛弃当日之前的历史小区指标数据，只用当天小区指标数据生成预测业务负荷值，使得本实施例仍然能够得到准确的调度方案，确保节电调度准确无误。
[0077]
采用本实施例的这种系统，通过对铁路专网基站小区的历史小区指标数据对小区在未来时间段内的业务负荷值进行预测，同时对铁路专网基站小区进行分组，从而根据预测的小区在未来时间段内的业务负荷值对该小区分组中的各个小区的运行状态进行统一节电调度，从而实现了动态控制小区运行状态，高效节电，解决了现有技术调度方法准确度不高、耗时长、数据量大的问题；并且，在节假日、天气和人工调度等因素影响导致历史小区指标数据不准确的情况下，抛弃当日之前的小区指标数据，仅用当天的小区指标数据进行预测，实现了对小区业务负荷值的精准预测，仍然能够得到准确的调度方案，确保节电调度准确无误。
[0078]
实施例三
[0079]
本发明实施例提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的一种铁路专网基站小区节能调度方法。
[0080]
可执行指令具体可以用于使得处理器执行以下操作：
[0081]
每隔单位时间间隔获取数据采集系统从铁路专网基站中采集到的多个小区的小区指标数据；
[0082]
针对每个小区，根据该小区的小区指标数据，对该小区在下一个单位时间间隔内的业务负荷值进行预测，得到该小区的预测业务负荷值；
[0083]
根据多个小区的预测业务负荷值以及多个小区的位置信息，将多个小区划分至多个小区分组中；
[0084]
依据每个小区分组中的各个小区的预测业务负荷值，对该小区分组中的各个小区的运行状态进行统一调度。
[0085]
实施例四
[0086]
图5示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
[0087]
如图5所示，该计算设备可以包括：处理器(processor)、通信接口(communications interface)、存储器(memory)、以及通信总线。
[0088]
其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口，用于与其它设备比如客户端或其它服务器等的网元通信。处理器，用于执行程序，具体可以执行上述铁路专网基站小区节能调度方法实施例中的相关步骤。
[0089]
具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
[0090]
处理器可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。服务器包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0091]
存储器，用于存放程序。存储器可能包含高速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。
[0092]
程序具体可以用于使得处理器执行以下操作：
[0093]
每隔单位时间间隔获取数据采集系统从铁路专网基站中采集到的多个小区的小区指标数据；
[0094]
针对每个小区，根据该小区的小区指标数据，对该小区在下一个单位时间间隔内的业务负荷值进行预测，得到该小区的预测业务负荷值；
[0095]
根据多个小区的预测业务负荷值以及多个小区的位置信息，将多个小区划分至多个小区分组中；
[0096]
依据每个小区分组中的各个小区的预测业务负荷值，对该小区分组中的各个小区的运行状态进行统一调度。
[0097]
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0098]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0099]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。
因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0100]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0101]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0102]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0103]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。