充电难度的预测方法、模型的训练方法、装置以及设备

摘要

本公开涉及充电难度的预测方法、模型的训练方法、装置以及设备，涉及计算机技术技术领域，尤其涉及人工智能、智能交通、深度学习等领域。具体实现方案为：确定待预测的目标充电站的相关特征信息，相关特征信息包括环境特征信息和目标充电站的特征信息中的至少一种；对相关特征信息进行预处理，得到预处理结果；将预处理结果输入预先训练的充电难度预测模型，得到目标充电站的充电难度预测结果；充电难度预测结果包括目标充电站的充电难度预测结果。利用目标充电站的相关特征信息实现对于充电难度的预测，具有较强的泛化能力，能够实现较高的预测精度。应用于地图类应用程序时，可以为车主提供更丰富的地图使用场景。

说明书

技术领域

本公开涉及计算机技术技术领域，尤其涉及人工智能、智能交通、深度学习等领域。

背景技术

随着新能源汽车行业的高速发展，新能源车的数量急剧增长。新能源车充电问题已逐渐成为行业的一个难题。由于充电站中的充电桩的使用情况是时刻动态变化的，当车主在抵达充电站前了解到的充电桩使用情况与车主到达后的实际使用情况往往有较大出入，导致充电难题。

发明内容

本公开提供了一种用于充电难度的预测方法、模型的训练方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种充电难度的预测方法，该方法可以包括以下步骤：

确定待预测的目标充电站的相关特征信息，相关特征信息包括环境特征信息和目标充电站的特征信息中的至少一种；

对相关特征信息进行预处理，得到预处理结果；

将预处理结果输入预先训练的充电难度预测模型，得到目标充电站的充电难度预测结果；充电难度预测结果包括目标充电站在当前时刻之后的至少一个时间段的充电难度预测结果。

根据本公开的另一方面，提供了一种充电难度预测模型的训练方法，该方法可以包括以下步骤：

获取目标充电站的相关特征信息样本；相关特征信息样本包括目标充电站的特征信息样本和环境特征信息样本中的至少一种；

对相关特征信息样本进行预处理，得到样本预处理结果；

将样本预处理结果输入待训练的充电难度预测模型，得到目标充电站的充电难度预测结果；

根据目标充电站的充电难度预测结果及相关特征信息样本对应的充电难度真实结果，调整待训练的充电难度预测模型的参数，直至充电难度预测结果与充电难度真实结果的误差在允许范围内。

根据本公开的第三方面，提供了一种充电难度的预测装置，该装置可以包括组件：

相关特征信息确定模块，用于确定待预测的目标充电站的相关特征信息，相关特征信息包括环境特征信息和目标充电站的特征信息中的至少一种；

预处理模块，用于对相关特征信息进行预处理，得到预处理结果；

充电难度预测结果确定模块，用于将预处理结果输入预先训练的充电难度预测模型，得到目标充电站的充电难度预测结果；充电难度预测结果包括目标充电站在当前时刻之后的至少一个时间段的充电难度预测结果。

根据本公开的第四方面，本申请提供一种充电难度预测模型的训练装置，该装置可以包括：

相关特征信息样本获取模块，用于获取目标充电站的相关特征信息样本；相关特征信息样本包括环境特征信息样本和目标充电站的特征信息样本中的至少一种；

预处理模块，用于对相关特征信息样本进行预处理，得到样本预处理结果；

充电难度预测结果获取模块，用于将样本预处理结果输入待训练的充电难度预测模型，得到目标充电站的充电难度预测结果；

模型训练模块，用于根据目标充电站的充电难度预测结果及相关特征信息样本对应的充电难度真实结果，调整待训练的充电难度预测模型的参数，直至充电难度预测结果与充电难度真实结果的误差在允许范围内。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。

根据本公开的技术，可以利用目标充电站的相关特征信息实现对于充电难度的预测，具有较强的泛化能力，能够实现较高的预测精度。应用于地图类应用程序时，可以为车主提供更丰富的地图使用场景。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开充电难度的预测方法的流程图；

图2是根据本公开确定待预测的目标充电站的相关特征信息的示意图；

图3是根据本公开确定待预测的目标充电站的相关特征信息的示意图；

图4是根据本公开充电难度的预测方法的示意图；

图5是根据本公开充电难度预测模型的训练方法的流程图；

图6是根据本公开充电难度的预测装置的示意图；

图7是根据本公开充电难度预测模型的训练装置的示意图；

图8是用来实现本公开实施例的充电难度的预测方法、充电难度预测模型的训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

如图1所示，本申请提供一种充电难度的预测方法，该方法可以包括以下步骤：

S101：确定待预测的目标充电站的相关特征信息，相关特征信息包括环境特征信息和目标充电站的特征信息中的至少一种；

S102：对相关特征信息进行预处理，得到预处理结果；

S103：将预处理结果输入预先训练的充电难度预测模型，得到目标充电站的充电难度预测结果；充电难度预测结果包括目标充电站在当前时刻之后的至少一个时间段的充电难度预测结果。

本申请的执行主体可以是车辆的车机，或者充电站的服务器，或者是地图类应用程序的服务器等。以下以地图类应用程序的服务器为例进行说明。

目标充电站可以是车主期望前往进行充电的充电站。例如，在车主打开地图类应用程序后，根据距离、路径规划或者优惠活动等方式从多个候选充电站中选择出的目标充电站(或者，也可以是地图类应用程序在多个候选充电站中推荐的目标充电站)。地图类应用程序的服务器接收到车主选择的目标充电站，即可对目标充电站进行解析，以获取目标充电站的特征信息。

目标充电站的特征信息可以是目标充电站的位置、目标充电站位置周边的路况信息、目标充电站所属停车场的性质、该目标充电站中充电桩的使用频率(竞争激烈程度)等信息。

另外，地图类应用程序的服务器还可以获取当前时段的环境信息，例如是否为早晚高峰时段、气温等情况。

上述目标充电站的特征信息和/或环境信息可以作为目标充电站的相关特征信息。

目标充电站的相关特征信息可以以特征信息集合的形式表现。

对相关特征信息进行预处理，可以包括数据的解析、去重、归一化等处理。

数据的解析可以包括将以文字形式表现的特征信息进行映射，转换为词向量。

数据的去重可以针对在同一维度的数据存在多个的情况。例如，地图类应用程序的服务器可以从导航历史记录、互联网等不同途径获取目标充电站的相关特征信息。

示例性地，地图类应用程序的服务器通过地图数据和互联网数据分别获取道路目标充电站的位置信息，且两种方式获取的位置信息差异在允许范围内，则可以仅保留其中任意一个位置信息。

又例如，地图类应用程序的服务器可以通过设置于车辆上的温度检测装置检测环境温度，还可以通过互联网获取当前地区的环境温度。在不同方式获取的环境温度差异超过允许范围的情况下，可以对环境温度的准确性进行识别。例如，可以以互联网获取的环境温度为准。以上准确性识别的具体识别过程仅为示例性表述，在此不进行限定。

数据归一化可以将以数值表示的目标充电站的相关特征信息转换至相同数据范围，例如转换至0至1的数据范围。

将预处理结果输入已训练好的充电难度预测模型，得到目标充电站的充电难度预测结果。

充电难度预测模型可以采用长短期记忆人工神经网络(LSTM，Long Short-TermMemory)模型。该网络可以利用目标充电站的相关特征信息样本以及充电难度真值进行训练，以使充电难度预测模型可以根据目标充电站的相关特征信息，得到该目标充电站在当前时刻之后的至少一个时段的充电难度预测结果。例如，充电难度预测模型可以得到目标充电站在未来1小时、未来2小时、未来3小时的充电难度预测结果。

通过上述方案，可以利用目标充电站的相关特征信息实现对于充电难度的预测，具有较强的泛化能力，能够实现较高的预测精度。应用于地图类应用程序时，可以为车主提供更丰富的地图使用场景。

结合图2所示，在一种实施方式中，步骤S101中涉及的确定待预测的目标充电站的相关特征信息，可以包括以下步骤：

S201：确定目标充电站的位置；

S202：将位置周围预定范围内的交通信息以及位置的属性确定为目标充电站的特征信息。

利用数据去重、数据解析等方式，可以确定出目标充电站的位置。根据目标充电站的位置，即可确定出该位置周围预定范围内的交通信息，例如交通拥堵指数、出行政策信息、到达目标充电站所需时间等。

交通拥堵指数可以通过互联网获取，利用交通拥堵指数可以计算出到达目标充电站的所需时间。

出行政策信息可以包括限号行驶、临时交通管制信息等。

目标充电站的位置的属性可以目标充电站所在位置的标签，例如商场、电影院、写字楼等。不同标签可以对应不同的充电信息，例如设置于商场的充电站使用率较高，设置于电影院的充电站在周末以及傍晚时段使用率较高，设置于写字楼的充电站在工作日的使用率较高。

通过目标充电站的位置，可以确定其周围环境中的交通信息和标签，从而可以表征目标充电站可能发生的使用情况，利用上述信息可以实现对于充电难度的准确预测。

在一种实施方式中，位置的属性包括：休闲场所、办公场所或住宅场所。

休闲场所可以包括商场、电影院、景区等。办公场所可以包括写字楼、机关、办事处等。住宅场所可以包括居民楼、社区等。

通过将位置的属性划分成不同属性，可以更加准确的表征出目标充电站的情况。

结合图3所示，在一种实施方式中，步骤S101中涉及的确定待预测的目标充电站的相关特征信息，可以包括以下步骤：

S301：获取气候信息和时间信息；

S302：将气候信息和时间信息确定为环境特征信息。

气候信息可以包括季节信息、温度信息、以及风云雨雪等气象信息。

时间信息可以包括当前时间，另外，时间信息还可以包括对当前时间加载的标签。例如，标签可以是周中或周末、早高峰或晚高峰、工作时间(例如早8点至晚8点)或非工作时间等。

不同的气候信息以及时间信息所对应的目标充电站的使用率、竞争激烈程度等也是不同的。因此，可以利用上述信息表征目标充电站可能发生的使用情况，利用上述信息可以实现对于充电难度的准确预测。

在一种实施方式中，步骤S101中涉及的确定待预测的目标充电站的相关特征信息，还可以包括以下步骤：

将目标充电站包含的充电桩数量、目标充电站中的充电桩使用率和目标充电站的检索热度中的至少一种，确定为目标充电站的相关特征信息。

例如，目标充电站的充电桩数量越多，可以表示目标充电站的充电难度相对较低。目标充电站中的充电桩使用率较高，或者目标充电站的检索热度较高，都可以表征目标充电站的充电难度相对较高。

以当前时间为下午13点为例，目标充电站中的充电桩使用率可以利用过去N天中每天下午13点(左右)的充电桩使用情况计算得到的。或者，目标充电站中的充电桩使用率还可以结合当天11点、12点，或者12点至13点之间等过往时间点或者时间段的充电桩使用情况计算得到的。

目标充电站的检索热度可以是地图类应用程序的服务器接收到的目标充电站的导航总次数；或者，是在最近1小时内收到的目标充电站的导航次数等。

因此，可以更加丰富的表征目标充电站可能发生的使用情况。

在一种实施方式中，对相关特征信息进行预处理，得到预处理结果，包括：

对相关特征信息进行归一化处理，将归一化处理的结果作为预处理结果。

可以选择对以数值形式表现的相关特征信息进行归一化处理。例如，目标充电站周边的拥堵指数可以采用数值1至10表示。目标充电站中的充电桩的使用频率可以用0至100％表示，则可以将拥堵指数和充电桩的使用频率归一化为0至1范围内。

另外，对于时间信息的归一化处理，还可以包括利用正弦计算或余弦计算等方式，对时间进行转换。例如23点和凌晨1点，在时间上二者很接近，但是数值上相差较大。将数值进行正弦计算或余弦计算后，可以实现对数值的归一化。

通过对相关特征信息进行归一化处理，可以将数值差异较大的特征信息调整至统一数据差异维度中。从而避免数值差异过大导致的预测出入较大的问题，提高预测精准度。

如图4所示，本申请提供一种充电难度的预测方法，该方法可以包括：

在接收到目标充电站的充电难度预测请求的情况下，获取目标充电站的相关特征信息。

将目标充电站的相关特征信息输入小时级预测模型。利用小时级预测模型得到当前时间节点(t)之后的至少一个时间段(t+1、t+2、t+N)的充电难度预测结果。其中，t可以对应当前时刻，N可以盯着对应正整数，表示小时数。

其中，小时级预测模型可以采用之前实施方式中的预先训练的充电难度预测模型。

另外，在当前实施方式中，目标充电站的相关特征信息可以包括目标充电站包含的充电桩总数、目标充电站的周边路况、目标充电站POI属性标签、T-1天t时刻充电桩剩余数、t-1时刻充电桩剩余数、t-2时刻充电桩剩余数、时间、季节、天气等。

如图5所示，本申请提供一种充电难度预测模型的训练方法，该方法可以包括以下步骤：

S501：获取目标充电站的相关特征信息样本；所述相关特征信息样本包括环境特征信息样本和目标充电站的特征信息样本中的至少一种；

S502：对相关特征信息样本进行预处理，得到样本预处理结果；

S503：将样本预处理结果输入待训练的充电难度预测模型，得到目标充电站的充电难度预测结果；

S504：根据目标充电站的充电难度预测结果及相关特征信息样本对应的充电难度真实结果，调整待训练的充电难度预测模型的参数，直至充电难度预测结果与充电难度真实结果的误差在允许范围内。

目标充电站的特征信息样本可以包括目标充电站的位置、目标充电站周边的路况信息的历史数据、目标充电站所属停车场的属性、目标充电站的使用频率(竞争激烈程度)的历史数据等。

环境特征信息样本可以包括气候历史数据等。

上述环境特征信息样本和目标充电站的特征信息样本可以按照时间区间划分，例如，可以按照一天24小时分为24个时间区间。或者，也可以按0.5小时划分为48个时间区间等。历史数据可以选择过往6个月、12个月的数据等，具体不进行限定。

对于每个时间区间，分别统计目标充电站在未来至少一个时间区间的充电难度历史数据。例如，对于时间区间为下午17点至18点，可以将时间区间18点至19点、19点至20点、20点至21点对应的充电难度历史数据作为充电难度真实结果。即，该充电难度真实结果是与相关特征信息样本对应的。

充电难度可以分为容易、一般和困难三个类别。上述程度可以分别对应目标充电站空闲、目标充电站需要短时间等候(正常)、目标充电站需要长时间等候(紧张)等。另外，充电难度还可以进行更细粒度的类别划分，在此不再详述。

将目标充电站的相关特征信息样本输入待训练的充电难度预测模型，可以得到目标充电站的充电难度预测结果。充电难度预测结果和充电难度真实结果相比较会存在一个误差。这个误差会在待训练的充电难度预测模型中的每一层进行反向传播，每一层的参数都会根据这个误差进行调整，直到待训练的充电难度预测模型的输出收敛或达到预期的效果才结束。

可以将80％的获取目标充电站的相关特征信息样本用于制作训练集以训练充电难度预测模型，20％的样本用于制作测试集，以检验充电难度预测模型泛化能力。

在一种实施方式中，获取目标充电站的相关特征信息样本，包括：

获取目标充电站的位置；

将位置周围预定范围内的交通信息历史数据，以及位置的属性确定为目标充电站的相关特征信息样本。

根据目标充电站的位置，即可确定出该位置周围预定范围内的交通信息历史数据，例如交通拥堵指数的历史数据、出行政策信息的历史数据等。

出行政策信息的历史数据可以包括限号行驶、临时交通管制信息等。

目标充电站的位置的属性可以目标充电站所在位置的标签，例如商场、电影院、写字楼等。

在一种实施方式中，获取目标充电站的相关特征信息样本，包括：

获取气候信息历史数据和时间信息历史数据；

将气候信息历史数据和时间信息历史数据确定为环境特征信息样本。

气候信息历史数据可以包括季节信息历史数据、温度信息历史数据、以及风云雨雪等气象信息历史数据等。

时间信息历史数据可以包括时间标签，例如周中或周末、早高峰或晚高峰、工作时间或非工作时间等。

在一种实施方式中，获取目标充电站的相关特征信息样本，还可以包括：

将目标充电站包含的充电桩数量、目标充电站中的充电桩使用率历史数据和目标充电站的检索热度历史数据中的至少一种，确定为目标充电站的特征信息样本。

以当前时间为下午13点为例，目标充电站中的充电桩使用率可以利用过去N天中每天下午13点的充电桩使用情况计算得到。或者，目标充电站中的充电桩使用率还可以N天充电桩的平均使用情况计算得到。

目标充电站的检索热度历史数据是地图类应用程序的服务器接收到的目标充电站的导航总次数。

在一种实施方式中，对相关特征信息样本进行预处理，得到样本预处理结果；包括：

对相关特征信息样本进行归一化处理，将归一化处理的结果作为样本预处理结果。

可以选择对以数值形式表现的相关特征信息样本进行归一化处理。例如，目标充电站周边的拥堵指数样本可以采用数值1至10表示。目标充电站中充电桩的使用频率样本可以用0至100％表示，则可以将拥堵指数样本和目标充电站中充电桩的使用频率样本归一化为0至1范围内。

另外，对于时间区间的归一化处理，还可以包括利用正弦计算或余弦计算等方式，对时间区间进行转换。

如图6所示，本申请提供一种充电难度的预测装置，该装置可以包括组件：

相关特征信息确定模块601，用于确定待预测的目标充电站的相关特征信息，相关特征信息包括环境特征信息和目标充电站的特征信息中的至少一种；

预处理模块602，用于对相关特征信息进行预处理，得到预处理结果；

充电难度预测结果确定模块603，用于将预处理结果输入预先训练的充电难度预测模型，得到目标充电站的充电难度预测结果；充电难度预测结果包括目标充电站在当前时刻之后的至少一个时间段的充电难度预测结果。

在一种实施方式中，相关特征信息确定模块601可以进一步包括：

位置确定子模块，用于确定目标充电站的位置；

相关特征信息确定执行子模块，用于将位置周围预定范围内的交通信息以及位置的属性确定为目标充电站的特征信息。

在一种实施方式中，位置的属性包括：休闲场所、办公场所或住宅场所。

在一种实施方式中，相关特征信息确定模块601可以进一步包括：

气候信息和时间信息获取子模块，用于获取气候信息和时间信息；

相关特征信息确定执行子模块，用于将气候信息和时间信息确定为环境特征信息。

在一种实施方式中，相关特征信息确定模块601还可以用于：将目标充电站包含的充电桩数量、目标充电站中的充电桩使用率和目标充电站的检索热度中的至少一种，确定为目标充电站的相关特征信息。

在一种实施方式中，预处理模块602具体用于：对相关特征信息进行归一化处理，将归一化处理的结果作为预处理结果。

如图7所示，本申请提供一种充电难度预测模型的训练装置，该装置可以包括：

相关特征信息样本获取模块701，用于获取目标充电站的相关特征信息样本；相关特征信息样本包括环境特征信息样本和目标充电站的特征信息样本中的至少一种；

预处理模块702，用于对相关特征信息样本进行预处理，得到样本预处理结果；

充电难度预测结果获取模块703，用于将样本预处理结果输入待训练的充电难度预测模型，得到目标充电站的充电难度预测结果；

模型训练模块704，用于根据目标充电站的充电难度预测结果及相关特征信息样本对应的充电难度真实结果，调整待训练的充电难度预测模型的参数，直至充电难度预测结果与充电难度真实结果的误差在允许范围内。

在一种实施方式中，相关特征信息样本获取模块701可以进一步包括：

位置获取子模块，用于获取目标充电站的位置；

相关特征信息样本获取执行子模块，用于将位置周围预定范围内的交通信息历史数据，以及位置的属性确定为目标充电站的相关特征信息样本。

在一种实施方式中，相关特征信息样本获取模块701可以进一步包括：

气候信息历史数据和时间信息历史数据获取子模块，用于获取气候信息历史数据和时间信息历史数据；

相关特征信息样本获取执行子模块，用于将气候信息历史数据和时间信息历史数据确定为环境特征信息样本。

在一种实施方式中，相关特征信息样本获取模块701具体用于：将目标充电站包含的充电桩数量、目标充电站中的充电桩使用率的历史数据和目标充电站的检索热度的历史数据中的至少一种，确定为目标充电站的特征信息样本。

在一种实施方式中，预处理模块702具体用于：对相关特征信息样本进行归一化处理，将归一化处理结果作为样本预处理结果。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本公开的实现。

如图8所示，电子设备800包括计算单元810，其可以根据存储在只读存储器(ROM)820中的计算机程序或者从存储单元880加载到随机访问存储器(RAM)830中的计算机程序来执行各种适当的动作和处理。在RAM 830中，还可存储设备800操作所需的各种程序和数据。计算单元810、ROM 820以及RAM 830通过总线840彼此相连。输入输出(I/O)接口850也连接至总线840。

电子设备800中的多个部件连接至I/O接口850，包括：输入单元860，例如键盘、鼠标等；输出单元870，例如各种类型的显示器、扬声器等；存储单元880，例如磁盘、光盘等；以及通信单元890，例如网卡、调制解调器、无线通信收发机等。通信单元890允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元810可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元810的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元810执行上文所描述的各个方法和处理，例如充电难度的预测方法、充电难度预测模型的训练方法。例如，在一些实施例中，充电难度的预测方法、充电难度预测模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元880。在一些实施例中，计算机程序的部分或者全部可以经由ROM 820和/或通信单元890而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 830并由计算单元810执行时，可以执行上文描述的充电难度的预测方法、充电难度预测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元810可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行充电难度的预测方法、充电难度预测模型的训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。