基于GW及SVR的汽车站移动流量预测方法、系统及存储介质.pdf

《基于GW及SVR的汽车站移动流量预测方法、系统及存储介质.pdf》由会员分享，可在线阅读，更多相关《基于GW及SVR的汽车站移动流量预测方法、系统及存储介质.pdf（16页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910637279.7 (22)申请日 2019.07.15 (71)申请人 安徽理工大学 地址 232001 安徽省淮南市泰丰大街168号 (72)发明人 郑晓亮来文豪薛生李重情 李尧斌江丙友郑春山陈华亮 (74)专利代理机构 合肥兴东知识产权代理有限 公司 34148 代理人 王伟 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/30(2012.01) G06N 3/00(2006.01) (54)发明名称 基于GW及SVR的汽车站移动流。

2、量预测方法、 系统及存储介质 (57)摘要 本发明公开了一种基于GW及SVR的汽车站移 动流量预测方法、 系统及存储介质。 本发明把SVR 用于长途汽车站移动流量预测， 通过灰狼优化算 法寻优SVR的最优参数， 以此省去繁琐的SVR的人 工参数择优过程， 实现长途汽车站移动流量的准 确预测。 (1)本发明将SVR算法用于长途汽车站移 动网络流量预测， 实现汽车站移动流量的准确预 测， 为节假日人流量大的汽车站的网络安全和用 于体验提供保证。 (2)本发明将先进的元启发式 优化算法用于优化SVR的最优参数， 本发明所选 用GW优化算法不仅继承了元启发优化算法的优 点外， 而且还具有搜索能力强、 。

3、不易陷入局部最 优的优点， 省去SVR算法的复杂人工参数择优过 程。 权利要求书3页 说明书8页 附图4页 CN 110378526 A 2019.10.25 CN 110378526 A 1.一种基于GW及SVR的汽车站移动流量预测方法， 其特征在于， 把SVR用于长途汽车站 移动流量预测， 通过灰狼优化算法寻优SVR的最优参数， 以此省去繁琐的SVR的人工参数择 优过程， 实现长途汽车站移动流量的准确预测。 2.根据权利要求1所述的基于GW及SVR的汽车站移动流量预测方法， 其特征在于， 具体 包括以下步骤： S1、 以24小时为粒度获取长途汽车站的每日移动流量数据， 把获取的序列化的汽车。

4、站 的流量数据映射到特定区间， 并将其转换成等长的SVR的输入数据和对应的输出； S2、 基于SVR算法构建汽车站移动网的流量预测模型， 计算模型预测误差； S3、 把预处理好的汽车站的历史流量数据分别作为构建的SVR预测模型的输入和输出， 然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和g； S4、 将GW优化模型搜索到的最优参数带入SVR预测模型， 用于计算汽车站每天的移动流 量数据， 为节假日汽车站移动网络和人员出行提供保障。 3.根据权利要求2所述的基于GW及SVR的汽车站移动流量预测方法， 其特征在于， 所述 步骤S1中的数据映射方法如下： 其中x 为处理后的流量数据，。

5、 x为实际流量数据， xmax和xmin分别为输入 流量数据的最大值和最小值。 4.根据权利要求3所述的基于GW及SVR的汽车站移动流量预测方法， 其特征在于， 对于 给定序列流量x1,x2,xn， 处理后的输入和输出数据的格式如下： 5.根据权利要求2所述的基于GW及SVR的汽车站移动流量预测方法， 其特征在于， 所述 步骤S2具体计算步骤如下： 对于非线性线回归函数待拟合数据为xi,yi， 误差精度为 ， 其 优化目标为： 根据结构风险最小化准则， 引入松弛因子 i和后， 优化目标等效为： 参数c的取值为C， 采用优化方法可得到其对偶问题， 即二次规划问题， 建立Lagrange方 程， 。

6、偏导数为零， 解得约束条件为： 权利要求书 1/3 页 2 CN 110378526 A 2 从而得到： 由于非线性函数未知， 而特征空间的维数很高(甚至无穷)， 因此w难以求得； 更近一 步， 在约束函数中引入核函数(kernelFunction)： 其中， 参数g的取值为引入核函数后， 约束条件为： 最终可得： 6.根据权利要求2所述的基于GW及SVR的汽车站移动流量预测方法， 其特征在于， 所述 步骤S3中的GW优化模型的实现过程如下： S31:计算种群每个个体的适应度(SVR的误差)， 将狼群中适应度最好的三匹灰狼依次 标记为 、 、 ， 而剩下的灰狼标记为 ， 即， 灰狼群体中的社会。

7、等级从高到低排列依次为： 、 、 及 ； S32： 设t为当前迭代次数， A和C是协同系数向量； Xp表示猎物的位置向量； X(t)表示当前 灰狼的位置向量： DC*Xp(t)-X(t) X(t+1)Xp(t)-A*D A2a*r1-a C2r2 (10) S33： 在每次迭代过程中， 保留当前种群中的最好三只灰狼， 然后根据它们的位置信息 来更新其它搜索(包括 )的位置， 如下： 权利要求书 2/3 页 3 CN 110378526 A 3 其中， X、 X和X分别是当前种群中 、 和的位置向量； X是灰狼的位置向量； D、 D和D 分别是当前候选灰狼与最优三条狼之间的距离。 7.根据权利要。

8、求6所述的基于GW及SVR的汽车站移动流量预测方法， 其特征在于， 所述 步骤S31中的GW优化算法的适应度函数如下： 其中f(x)为实际值，为SVR预测结果。 8.一种存储介质， 其特征在于， 所述存储介质上存储有基于GW及SVR的汽车站移动流量 预测程序， 所述基于GW及SVR的汽车站移动流量预测程序被处理器执行时实现如权利要求2 至7任一项所述的基于GW及SVR的汽车站移动流量预测方法的计算流程。 9.一种基于GW及SVR的汽车站移动流量预测系统， 其特征在于， 该系统包括： 流量获取及处理模块： 以24小时为粒度获取长途汽车站的每日移动流量数据， 把获取 的序列化的汽车站的流量数据映射。

9、到特定区间， 并将其转换成等长的SVR的输入数据和对 应的输出； 初步SVR流量预测模块： 基于SVR算法构建汽车站移动网的流量预测模型， 计算模型预 测误差； GW优化流量预测模块： 把预处理好的汽车站的历史流量数据分别作为构建的SVR预测 模型的输入和输出， 然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和g； 在线预测模块： 将GW优化模型搜索到的最优参数带入SVR预测模型， 用于计算汽车站每 天的移动流量数据， 为节假日汽车站移动网络和人员出行提供保障。 权利要求书 3/3 页 4 CN 110378526 A 4 基于GW及SVR的汽车站移动流量预测方法、 系统及存储介。

10、质 技术领域 0001 本发明涉及大场景移动互联网流量预测领域， 尤其涉及一种基于GW及SVR的汽车 站移动流量预测方法、 系统及存储介质。 背景技术 0002 随着移动互联网技术的发展和智能手机的全面普及， 移动互联网数据流量呈现爆 发式增长。 电信网络运营商已从传统的 “话费运营” 模式转变为 “流量运营” 模式， 推出的 “不 限量” 套餐， 也更进一步的推动流量的增长。 急增的移动流量和用户规模给现行网络的压力 带来极大的挑战， 同时也严重影响用户体验。 准确的预测移动网络的总流量， 提前做好保障 工作， 能有效的保证网络安全、 稳定的运行。 由于移动流量和用户数呈现显著的正相关， 对。

11、 于人员高密集、 大流动的长途汽车站， 准确的预测移动网络的总流量， 不仅能为移动网络安 全稳定运营提供有力的保障， 而且可以根据流量数预估未来一段时间乘客量， 给汽车站工 作人员的服务工作做好提前准备工作。 因此， 准确的预测汽车站移动网络流量在安全领域 具有重大意义。 0003 支持向量回归(Support Vector Regression,SVR)是机器学习领域先进的回归算 法 ， 在解决 小 样本 、 非 线性 、 高 维 度预 测问 题中 有 着十分 显 著的 优 点 ， 如专 利 CN201910101733.7把SVR用于的pm2.5浓度的预测， 专利CN20181078560。

12、6.9将SVR用于解决 高速公路短时流量预测问题等； 但还未有将SVR用于解决人员高密集、 大流动的长途汽车站 移动流量预测问题。 本发明提出一种基于灰狼(Grey Wolf,GW)优化的SVR长途汽车站日移 动流量预测方法， 把先进的元启发优化算法GW用于搜索预测算法SVR的最优参数， 并将其用 于汽车站移动流量预测。 相比于上述所提发明专利， 本发明的预测方法不仅省去SVR繁琐的 人工参数择优的过程， 而且能准确的预测长途汽车站每日移动流量。 发明内容 0004 本发明的主要目的是提出一种基于GW及SVR的汽车站移动流量预测方法、 系统及 存储介质， 旨在解决现有技术中繁琐的人工参数择优的。

13、过程以及不能实现简单、 准确的预 测长途汽车站日移动流量的问题。 0005 为实现上述目的， 本发明提出一种基于GW及SVR的汽车站移动流量预测方法， 把 SVR用于长途汽车站移动流量预测， 通过灰狼优化算法寻优SVR的最优参数， 以此省去繁琐 的SVR的人工参数择优过程， 实现长途汽车站移动流量的准确预测。 0006 进一步地， 具体包括以下步骤： 0007 S1、 以24小时为粒度获取长途汽车站的每日移动流量数据， 把获取的序列化的汽 车站的流量数据映射到特定区间， 并将其转换成等长的SVR的输入数据和对应的输出； 0008 S2、 基于SVR算法构建汽车站移动网的流量预测模型， 计算模型。

14、预测误差； 0009 S3、 把预处理好的汽车站的历史流量数据分别作为构建的SVR预测模型的输入和 输出， 然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和g； 说明书 1/8 页 5 CN 110378526 A 5 0010 S4、 将GW优化模型搜索到的最优参数带入SVR预测模型， 用于计算汽车站每天的移 动流量数据， 为节假日汽车站移动网络和人员出行提供保障。 0011 进一步地， 所述步骤S1中的数据映射方法如下： 0012其中x 为处理后的流量数据， x为实际流量数据， xmax和xmin分别为 输入流量数据的最大值和最小值。 0013 优选地， 对于给定序列流量x1。

15、,x2,xn， 处理后的输入和输出数据的格式如下： 0014 0015 进一步地， 所述步骤S2具体计算步骤如下： 0016对于非线性线回归函数待拟合数据为xi,yi， 误差精度为 ， 其优化目标为： 0017 0018根据结构风险最小化准则， 引入松弛因子 i和后， 优化目标等效为： 0019 0020 参数c的取值为C， 采用优化方法可得到其对偶问题， 即二次规划问题， 建立 Lagrange方程， 偏导数为零， 解得约束条件为： 0021 0022 0023 从而得到： 0024 0025由于非线性函数未知， 而特征空间的维数很高(甚至无穷)， 因此w难以求得； 更 近一步， 在约束函数。

16、中引入核函数(kernel Function)： 0026 0027其中， 参数g的取值为引入核函数后， 约束条件为： 说明书 2/8 页 6 CN 110378526 A 6 0028 0029 最终可得： 0030 0031 优选的， 所述步骤S3中的GW优化模型的实现过程如下： 0032 S31:计算种群每个个体的适应度(SVR的误差)， 将狼群中适应度最好的三匹灰狼 依次标记为 、 、 ， 而剩下的灰狼标记为 ， 即， 灰狼群体中的社会等级从高到低排列依次 为： 、 、 及 ； 0033 S32： 设t为当前迭代次数， A和C是协同系数向量； Xp表示猎物的位置向量； X(t)表 示当。

17、前灰狼的位置向量： 0034 DC*Xp(t)-X(t) 0035 X(t+1)Xp(t)-A*D 0036 A2a*r1-a 0037 C2r2 (10) 0038 S33： 在每次迭代过程中， 保留当前种群中的最好三只灰狼， 然后根据它们的位置 信息来更新其它搜索(包括 )的位置， 如下： 0039 0040 0041 0042 其中， X、 X和X分别是当前种群中 、 和的位置向量； X是灰狼的位置向量； D、 D和D分是当前候选灰狼与最优三条狼之间的距离。 0043 进一步地， 所述步骤S31中的GW优化算法的适应度函数如下： 0044 0045其中f(x)为实际值，为SVR预测结果。。

18、 0046 此外， 为实现上述目的， 本发明一种存储介质， 所述存储介质上存储有基于GW及 SVR的汽车站移动流量预测程序， 所述基于GW及SVR的汽车站移动流量预测程序被处理器执 行时实现上文所述的基于GW及SVR的汽车站移动流量预测方法的计算流程。 0047 此外， 为实现上述目的， 本发明还提出一种基于GW及SVR的汽车站移动流量预测系 说明书 3/8 页 7 CN 110378526 A 7 统， 其特征在于， 该系统包括： 0048 流量获取及处理模块： 以24小时为粒度获取长途汽车站的每日移动流量数据， 把 获取的序列化的汽车站的流量数据映射到特定区间， 并将其转换成等长的SVR的。

19、输入数据 和对应的输出； 0049 初步SVR流量预测模块： 基于SVR算法构建汽车站移动网的流量预测模型， 计算模 型预测误差； 0050 GW优化流量预测模块： 把预处理好的汽车站的历史流量数据分别作为构建的SVR 预测模型的输入和输出， 然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和 g； 0051 在线预测模块： 将GW优化模型搜索到的最优参数带入SVR预测模型， 用于计算汽车 站每天的移动流量数据， 为节假日汽车站移动网络和人员出行提供保障。 0052 本发明的技术方案中， 具有以下有益效果： (1)本发明将SVR算法用于长途汽车站 移动网络流量预测， 实现汽车站移动。

20、流量的准确预测， 为节假日人流量大的汽车站的网络 安全和用于体验提供保证。 (2)本发明将先进的元启发式优化算法用于优化SVR的最优参 数， 本发明所选用GW优化算法不仅继承了元启发优化算法的优点外， 而且还具有搜索能力 强、 不易陷入局部最优的优点， 省去SVR算法的复杂人工参数择优过程。 附图说明 0053 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简单地介绍， 显而易见地， 下面描述中的附图仅仅是本 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 根据这些附图示出的结构获得其他的附图。 。

21、0054 图1是实施例1中的基于GW及SVR的汽车站移动流量预测方法的实现流程图； 0055 图2是2019年4月24日6月11日淮南某汽车站预处理后移动流量数据； 0056 图3是GW寻优SVR的最优参数g的变化曲线； 0057 图4是GW寻优SVR的最优参数c的变化曲线； 0058 图5是最优参数下SVR的预测结果和实际结果对比图； 0059 图6是实施例3中的基于GW及SVR的汽车站移动流量预测系统结构示意图。 0060 本发明目的的实现、 功能特点及优点将结合实施例， 参照附图做进一步说明。 具体实施方式 0061 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、。

22、 完 整地描述， 显然， 所描述的实施例仅仅是本发明的一部分实施例， 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。 0062 需要说明， 若本发明实施例中有涉及方向性指示(诸如上、 下、 左、 右、 前、 后)， 则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、 运动情况等， 如果该特定姿态发生改变时， 则该方向性指示也相应地随之改变。 0063 另外， 若本发明实施例中有涉及 “第一” 、“第二” 等的描述， 则该 “第一” 、“第二” 等 说明书 4/8 页 。

23、8 CN 110378526 A 8 的描述仅用于描述目的， 而不能理解为指示或暗示其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。 另外， 全文中出现的 “和/或” 的含义， 包括三个并列的方案， 以 “A和/或B” 为例， 包括A方 案、 或B方案、 或A和B同时满足的方案。 另外， 各个实施例之间的技术方案可以相互结合， 但 是必须是以本领域普通技术人员能够实现为基础， 当技术方案的结合出现相互矛盾或无法 实现时应当认为这种技术方案的结合不存在， 也不在本发明要求的保护范围之内。 0064 本发明提出。

24、一种基于GW及SVR的汽车站移动流量预测方法、 系统及存储介质， 旨在 解决现有技术中繁琐的人工参数择优的过程以及不能实现简单、 准确的预测长途汽车站日 移动流量的问题。 0065 实施例1 0066 为实现上述目的， 本实施例提出一种基于GW及SVR的汽车站移动流量预测方法， 把 SVR用于长途汽车站移动流量预测， 通过灰狼优化算法寻优SVR的最优参数， 以此省去繁琐 的SVR的人工参数择优过程， 实现长途汽车站移动流量的准确预测。 0067 需要说明的是， 本发明将SVR算法用于长途汽车站移动网络流量预测， 实现汽车站 移动流量的准确预测， 为节假日人流量大的汽车站的网络安全和用于体验提供。

25、保证。 0068 在具体实现中， 本发明将先进的元启发式优化算法用于优化SVR的最优参数， 本发 明所选用GW优化算法不仅继承了元启发优化算法的优点外， 而且还具有搜索能力强、 不易 陷入局部最优的优点， 省去SVR算法的复杂人工参数择优过程。 0069 进一步地， 参见图1： 具体包括以下步骤： 0070 S1、 以24小时为粒度获取长途汽车站的每日移动流量数据， 把获取的序列化的汽 车站的流量数据映射到特定区间， 并将其转换成等长的SVR的输入数据和对应的输出； 0071 所述步骤S1中的数据映射方法如下： 0072其中x 为处理后的流量数据， x为实际流量数据， xmax和xmin分别为。

26、 输入流量数据的最大值和最小值。 0073 对于给定序列流量x1,x2,xn， 处理后的输入和输出数据的格式如下： 0074 0075 S2、 基于SVR算法构建汽车站移动网的流量预测模型， 计算模型预测误差； 所述步 骤S2具体计算步骤如下： 0076对于非线性线回归函数待拟合数据为xi,yi， 误差精度为 ， 其优化目标为： 0077 0078根据结构风险最小化准则， 引入松弛因子 i和后， 优化目标等效为： 说明书 5/8 页 9 CN 110378526 A 9 0079 0080 参数c的取值为C， 采用优化方法可得到其对偶问题， 即二次规划问题， 建立 Lagrange方程， 偏导。

27、数为零， 解得约束条件为： 0081 0082 从而得到： 0083 0084由于非线性函数未知， 而特征空间的维数很高(甚至无穷)， 因此w难以求得； 更近一步， 在约束函数中引入核函数(kernel Function)： 0085 0086其中， 参数g的取值为引入核函数后， 约束条件为： 0087 0088 最终可得： 0089 0090 S3、 把预处理好的汽车站的历史流量数据分别作为构建的SVR预测模型的输入和 输出， 然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和g； 0091 所述步骤S3中的GW优化模型的实现过程如下： 0092 S31:根据公式(4)计算种群每。

28、个个体的适应度(SVR的误差)， 将狼群中适应度最好 的三匹灰狼依次标记为 、 、 ， 而剩下的灰狼标记为 ， 即， 灰狼群体中的社会等级从高到 低排列依次为： 、 、 及 ； 所述步骤S31中的GW优化算法的适应度函数如下： 0093 0094其中f(x)为实际值，为SVR预测结果。 0095 S32： 设t为当前迭代次数， A和C是协同系数向量； Xp表示猎物的位置向量； X(t)表 示当前灰狼的位置向量： 0096 DC*Xp(t)-X(t) 0097 X(t+1)Xp(t)-A*D 说明书 6/8 页 10 CN 110378526 A 10 0098 A2a*r1-a 0099 C2。

29、r2 (10) 0100 S33： 在每次迭代过程中， 保留当前种群中的最好三只灰狼， 然后根据它们的位置 信息来更新其它搜索(包括 )的位置， 如下： 0101 0102 0103 0104 其中， X、 X和X分别是当前种群中 、 和的位置向量； X是灰狼的位置向量； D、 D和D分别是当前候选灰狼与最优三条狼之间的距离。 0105 S4、 将GW优化模型搜索到的最优参数带入SVR预测模型， 用于计算汽车站每天的移 动流量数据， 为节假日汽车站移动网络和人员出行提供保障。 0106 需要说明的是， 本发明把先进的元启发优化算法GW用于搜索预测算法SVR的最优 参数， 并将其用于汽车站移动流。

30、量预测。 0107 应理解的是， 本发明将元启发优化式灰狼优化算法用于SVR预测算法的参数优化， 省去SVR繁琐的人工参数择优的过程， 并实现了长途汽车站的移动流量的准确预测， 其实现 过程简单。 0108 在具体实现中， 本发明能能准确的预测长途汽车站每日移动流量， 下面以实际案 例仿真说明实施方案的有效性。 0109 首先获取移动网络流量数据， 实验数据是淮南某汽车站2019年4月24日6月11日 共计49日的每天流量数据(其中包含五一假期和端午节)， 将其归一化， 结果如图2所示。 0110 将获取的汽车站移动网络流量数据处理等长序列的输入序列以及其对应的输出 序列， 其中序列的长度为7。

31、， 即公式2中的d的取值为7。 0111 SVR算法的核函数k(xi,xj)选用高斯核函数为： 0112 k(xi,xj)exp(-|xi-xj|2/2 2) 0113 GW优化算法的初始参数设置如下表： 0114 参数值 最大迭代次数50 灰狼数10 c的取值范围0.01 100 g的取值范围0.01 100 0115 GW优化算法优化SVR过程中， 参数g和参数c的变化曲线分别如图3和图4所示。 说明书 7/8 页 11 CN 110378526 A 11 0116 GW优化算法拥有较强的参数搜索能力， 且不易陷入局部最优， 在灰狼数为10的情 况下， 不到50次的迭代就已搜索到SVR的最。

32、优参数c和g的取值。 其中最优参数c和g的取值分 别为57.79和1.148。 0117 将GW搜索到的最优参数带入SVR预测算法， 预测结果和实际值的对比如图5所示。 从图5中可知， 把GW优化获取的最优参数用于SVR预测汽车站每日移动网络总流量的误差较 小。 0118 综上可得， 本发明将GW优化SVR的最优参数， 并将最优参数用于汽车站每日移动流 量的预测， 不仅省去繁琐的人工参数择优过程， 而且能较准确的预测汽车站移动流量。 0119 实施例2 0120 此外， 为实现上述目的， 本实施例一种存储介质， 所述存储介质上存储有基于GW及 SVR的汽车站移动流量预测程序， 所述基于GW及S。

33、VR的汽车站移动流量预测程序被处理器执 行时实现上文所述的基于GW及SVR的汽车站移动流量预测方法的计算流程。 0121 实施例3 0122 此外， 为实现上述目的， 参见图6： 本实施例还提出一种基于GW及SVR的汽车站移动 流量预测系统， 该系统包括： 0123 流量获取及处理模块： 以24小时为粒度获取长途汽车站的每日移动流量数据， 把 获取的序列化的汽车站的流量数据映射到特定区间， 并将其转换成等长的SVR的输入数据 和对应的输出； 0124 初步SVR流量预测模块： 基于SVR算法构建汽车站移动网的流量预测模型， 计算模 型预测误差； 0125 GW优化流量预测模块： 把预处理好的汽。

34、车站的历史流量数据分别作为构建的SVR 预测模型的输入和输出， 然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和 g； 0126 在线预测模块： 将GW优化模型搜索到的最优参数带入SVR预测模型， 用于计算汽车 站每天的移动流量数据， 为节假日汽车站移动网络和人员出行提供保障。 0127 上述本发明实施例序号仅仅为了描述， 不代表实施例的优劣。 0128 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上述实施例方 法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， 但很多情况下 前者是更佳的实施方式。 基于这样的理解， 本发明的技术方案本质上或者说。

35、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， 该计算机软件产品存储在一个存储介质 (如只读存储器/随机存取存储器、 磁碟、 光盘)中， 包括若干指令用以使得一台终端设备(可 以是手机， 计算机， 服务器， 空调器， 或者网络设备等)执行本发明各个实施例所述的方法。 0129 以上仅为本发明的优选实施例， 并非因此限制本发明的专利范围， 凡是利用本发 明说明书及附图内容所作的等效结构或等效流程变换， 或直接或间接运用在其他相关的技 术领域， 均同理包括在本发明的专利保护范围内。 说明书 8/8 页 12 CN 110378526 A 12 图1 图2 说明书附图 1/4 页 13 CN 110378526 A 13 图3 图4 说明书附图 2/4 页 14 CN 110378526 A 14 图5 说明书附图 3/4 页 15 CN 110378526 A 15 图6 说明书附图 4/4 页 16 CN 110378526 A 16 。