纺织行业违约率预测方法、装置、存储介质及处理器

摘要

本发明实施例提供一种纺织行业违约率预测方法、装置、处理器及存储介质。方法包括：获取所述纺织行业待预测订单的结构化数据；将所述结构化数据输入至违约率预测模型中；通过所述违约率预测模型确定所述待预测订单的违约率。这一预测方法有效地利用了纺织行业的结构化数据，也有效地使用了传统数据分析过程中容易被特征工程筛选过滤掉的稀疏特征数据，提高了模型预测的评分，降低了均方误差，能够有效直接地对订单的违约率进行预测。

说明书

技术领域

本发明涉及计算机技术领域，具体地涉及一种纺织行业违约率预测方法、装置、存储介质及处理器。

背景技术

纺织行业由于业务性质的因素，偶尔会面临：布料采购商没有充足资金可以购买布料，而布料供应商又不愿意承担风险预先提供布料给布料采购商，待布料采购商销售之后再付款给布料供应商。因此产生了一个整合商债权人进行风险承担，上游承接布料供应商，先付款购买布料；下游承接布料采购商，先提供布料后间隔一定时日才收款。然而此种金融贷款商品的方式，却面临了布料采购商家可能无法按时支付还款或欠款的问题。

现有纺织行业放贷风险的评估方法，通常会寻求银行的协助进行风险评估，然而由于银行缺乏纺织行业放贷使布料采购商能够买布料的业务，或缺乏相关业务数据，会导致对于风险的评估并不准确。

发明内容

本发明实施例的目的是提供一种纺织行业违约率预测方法、装置、存储介质及处理器。

为了实现上述目的，本发明第一方面提供一种违约率违约率预测方法，包括：

获取所述纺织行业待预测订单的结构化数据；

将所述结构化数据输入至违约率预测模型中；

通过所述违约率预测模型确定所述待预测订单的违约率。

可选地，违约率预测模型包括：输入层、标准化层、多个全连接层、选弃层和输出层。

可选地，全连接层至少包括7个，通过违约率预测模型确定待预测订单的违约率包括：在输入层获取到结构化数据后，输入层将结构化数据导入至标准化层；通过标准化层对结构化数据进行标准化，再将标准化后的结构化数据输出至第一全连接层；通过第一全连接层对标准化后的结构化数据进行延伸，并将延伸后的结构化数据输出值选弃层；通过选弃层降低违约率预测模型过拟合的程度；通过第二全连接层对结构化数据再次进行延伸；通过第三连接层对浓缩后的结构化数据进行浓缩；通过第四连接层对浓缩后的结构化数据进行再次延伸；通过第五连接层对再次放大后的结构化数据进行再次延伸；通过第六连接层对再次放大后的结构化数据进行放大；通过第七连接层对再次放大后的结构化数据进行再次浓缩；将再次浓缩后的结构化数据传输至输出层；通过输出层输入对结构化数据进行预测得到的违约率。

可选地，全连接层包括的激活函数如以下公式(1)：

其中，x为所述激活函数的输入值，α的值为1。

可选地，方法还包括：获取所述纺织行业的历史结构化数据；对所述历史结构化数据进行清洗，将不符合预设条件的数据进行剔除；对剔除后的历史结构化数据进行标准化处理；对标准化处理后的历史结构化数据进行串接合并；对串接合并后的历史结构化数据进行统计汇整，并将所述分成训练数据集和测试数据集。

可选地，方法还包括：利用所述训练数据集对违约率预测模型进行训练；利用所述测试数据集对训练的违约率预测模型进行测试；在测试通过后，确定违约率预测模型训练完毕。

本发明第二方面提供一种纺织行业违约率预测装置，包括：

数据获取模块，用于获取所述纺织行业待预测订单的结构化数据；

预测模块，用于将所述结构化数据输入至违约率预测模型中；通过所述违约率预测模型确定所述待预测订单的违约率。

本发明第三方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的纺织行业违约率预测方法。

本发明第四方面提供一种处理器，被配置成执行上述的纺织行业违约率预测方法。

上述纺织行业违约率预测方法，通过获取纺织行业待预测订单的结构化数据，将结构化数据输入至违约率预测模型中，通过违约率预测模型确定待预测订单的违约率，这一预测方法有效地利用了纺织行业的结构化数据，也有效地使用了传统数据分析过程中容易被特征工程筛选过滤掉的稀疏特征数据，提高了模型预测的评分，降低了均方误差，能够有效直接地对订单的违约率进行预测。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1示意性示出了根据本发明实施例的纺织行业违约率预测方法的流程示意图；

图2示意性示出了根据本发明实施例的违约率预测模型的结构示意图；

图3示意性示出了根据本发明实施例的激活函数的输出的示意图；

图4示意性示出了根据本发明实施例的纺织行业违约率预测装置的结构框图；

图5示意性示出了根据本发明实施例的计算机设备的内部结构图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

图1示意性示出了根据本发明实施例的纺织行业违约率预测方法的流程示意图。如图1所示，在本发明一实施例中，提供了一种纺织行业违约率预测方法，包括以下步骤：

步骤101，获取纺织行业待预测订单的结构化数据。

步骤102，将结构化数据输入至违约率预测模型中。

步骤103，通过违约率预测模型确定待预测订单的违约率。

纺织行业的数据较为特殊，通常为结构化数据。针对待预测的订单，可以获取到该订单的结构化数据，并将该结构化数据输入至违约率预测模型中。

在一个实施例中，结构化数据包括布料采购商基本信息、布料采购商信用信息、布料采购商历史订单信息及市场金融信息中的至少一者；布料采购商基本信息包括布料采购商的注册资本、成立日期及员工人数中的至少一者；布料采购商信用信息包括法律信息、企业信用信息及经营信息中的至少一者；布料采购商历史订单信息包括订单金额、订单品类、面料数据及还款信息中的至少一者；市场金融信息包括布料市场信息、金融市场信息及竞品信息中的至少一者。

通过违约率预测模型可以确定待预测订单的违约率。其中，违约率指的是布料采购商使用金融商品时，逾期还款的违约几率。

在一个实施例中，违约率预测模型包括：输入层、标准化层、多个全连接层、选弃层和输出层。

其中，违约率预测模型使用结构化宽表数据进行输入，根据不同的预测目标输出为一个维度的数据。如图2所示，提供了一种违约率预测模型的结构示意图。根据图2可以看出，违约率预测模型中包含的连接层(全连接层)有多个。

在一个实施例中，全连接层至少包括7个，通过违约率预测模型确定待预测订单的违约率包括：在输入层获取到结构化数据后，输入层将结构化数据导入至标准化层；通过标准化层对结构化数据进行标准化，再将标准化后的结构化数据输出至第一全连接层；通过第一全连接层对标准化后的结构化数据进行延伸，并将延伸后的结构化数据输出值选弃层；通过选弃层降低违约率预测模型过拟合的程度；通过第二全连接层对结构化数据再次进行延伸；通过第三连接层对浓缩后的结构化数据进行浓缩；通过第四连接层对浓缩后的结构化数据进行再次延伸；通过第五连接层对再次放大后的结构化数据进行再次延伸；通过第六连接层对再次放大后的结构化数据进行放大；通过第七连接层对再次放大后的结构化数据进行再次浓缩；将再次浓缩后的结构化数据传输至输出层；通过输出层输入对结构化数据进行预测得到的违约率。在本实施例中，违约率预测模型中包含的全连接层至少有7层。具体地，第一层为输入层：将数据导入模型，以结构化输入数据120个字段的宽表为例，此处的数据维度是(120,)。第二层标准化层：将输入数据进行标准化，更适合模型训练和实际预测，输入的数据将会转化为平均为零、标准差近似1的数据。以结构化输入数据120个字段的宽表为例，此处的数据维度是(120,)。第三层为全连接层：连接上一层与下一层数据节点，将信息计算并进行传递。以结构化输入数据120个字段的宽表为例，此处的数据维度约为输入数据的四分之一(32,)，第三层的目的是延伸数据的组合。具体使用Elu算法作为激活函数。第四层为选弃层：连接上一层与下一层数据节点，随机将输入数据设置为零，随机的频率为10％。以结构化输入数据120个字段的宽表为例，此处的数据维度约为(32,)，第四层的目的是降低模型过拟合的程度。第五层为全连接层：连接上一层与下一层数据节点，将信息计算并进行传递。以结构化输入数据120个字段的宽表为例，此处的数据维度约等于上一层(32,)，第五层的目的是继续延伸数据的组合。具体使用Elu算法作为激活函数。第六层为全连接层：连接上一层与下一层数据节点，将信息计算并进行传递。以结构化输入数据120个字段的宽表为例，此处的数据维度约为上一层的四分之一(6,)，第六层的目的是进行第一阶段的信息浓缩。具体可以使用Linear算法作为激活函数。第七层为全连接层：连接上一层与下一层数据节点，将信息计算并进行传递。以结构化输入数据120个字段的宽表为例，此处的数据维度约为输入数据的两倍(16,)，第七层的目的是进行第二阶段的数据组合延伸。具体可以使用Softplus算法作为激活函数。第八层为全连接层：连接上一层与下一层数据节点，将信息计算并进行传递。以结构化输入数据120个字段的宽表为例，此处的数据维度约等于输入数据(16,)，第八层的目的是进行第二阶段的数据组合延伸。具体使用Relu算法作为激活函数。第九层为全连接层：连接上一层与下一层数据节点，将信息计算并进行传递。以结构化输入数据120个字段的宽表为例，此处的数据维度约为输入数据的16倍(256,)，第八层的目的是进行数据组合的放大。具体使用Relu算法作为激活函数。第十层为全连接层：连接上一层与下一层数据节点，将信息计算并进行传递。以结构化输入数据120个字段的宽表为例，此处的数据维度约等于输入数据(16,)，第八层的目的是进行输出前的数据组合浓缩。具体使用Softplus算法作为激活函数。第十一层为输出层：将模型计算结果输出。以结构化数据输出预测采购商还款的逾期还款天数为例，此处的数据维度为(1,)，具体使用Elu算法作为激活函数。

在一个实施例中，在将违约率预测模型投入至实际使用之前，还需要先对该模型进行训练。训练步骤包括：获取纺织行业的历史结构化数据；对历史结构化数据进行清洗，将不符合预设条件的数据进行剔除；对剔除后的历史结构化数据进行标准化处理；对标准化处理后的历史结构化数据进行串接合并；对串接合并后的历史结构化数据进行统计汇整，并将分成训练数据集和测试数据集；利用训练数据集对违约率预测模型进行训练；利用测试数据集对训练的违约率预测模型进行测试；在测试通过后，确定违约率预测模型训练完毕。

在一个实施例中，针对违约率预测模型的训练步骤具体如下：

1、数据获取：包含自动获取数据库数据、网络数据等。

其中，数据种类主要分为布料采购商基本信息、布料采购商信用信息、布料采购商历史订单信息、市场金融信息、及多种指标等。布料采购商基本信息包含：注册资本、成立日期、员工人数等；布料采购商信用信息包含：法律信息、企业信用信息、经营信息等；布料采购商历史订单信息包含：订单金额、订单品类及面料相关数据、还款信息等；市场金融信息包含：布料市场信息、金融市场信息、竞品信息等；其他指标包含汇率、物价指数等。数据来源包括但不限于：网络公开信息数据、向第三方购买信息数据、整合商债权人自有历史信息数据等。在将数据输入至模型中时，可以采用整合后的宽表形式作为数据输入。在获取到数据后，还可以对数据进行清洗及预处理操作。

2、数据清洗与预处理：将获取到的信息进行整理与清洗，处理数据编码、处理缺失值、处理字串及时间等数据类型。

具体地，可以去除无法定义是否逾期的订单数据，去除无法确认经济损失的订单数据，去除缺失订单时间及采购商编号的数据。数据的处理方面，可以以结构化的订单数据作为分析数据的主要维度，即预测模型会根据每一笔订单数据，预测该订单采购商的延迟还款的几率及延迟还款所造成的经济损失。模型输出方面，其主要输出目标为：预测逾期还款的几率。时间类型数据，可以采用时间相减的方式转换为数值型数据；类别型数据，可以采用多维度的独热转换方法，转换为稀疏数值矩阵，与现有风控数据分析不同的是，由于使用深度学习算法，采用较丰富的数据进行建模，而不作过度的特征筛选过滤，目的是保留容易被检定过滤掉的细微风险特征，因此将保留稀疏矩阵中去重比例未超过原有数据量的一成或未超过100种种类的类别型数据。

3、数据汇整：进行必要的数据串接、数据维度转换、及计算衍生字段，将原始数据转化为算法模型适合的输入数据。

所有不同表格的数据，将透过主要的串表键值串接至订单信息表，成为一个初始的宽表，保留订单时间及采购商代号作为后续数据统计的主要维度。之后对初始宽表进行数据统计，根据每一笔订单，统计该采购商过去一个月、三个月、半年、一年的统计信息，包含：订单数量、平均采购金额、采购金额中位数、最小采购金额、最大采购金额、平均借贷使用率、平均每日订单金额、平均每日使用借贷的订单金额等共计约80项以上字段，然后合并上类别型维度的转化数据，包含布料类型、织造类型、弹力类型、布料品质，例如是否为净色布、是否为花型布、是否为无纺、是否为梭织、是否为针织，共计约40项以上字段，总计约120项以上字段内容作为数据输入。

4、特征处理：依照建模时所筛选的特征进行过滤，并计算衍生字段。

5、模型预测输出：调用已经训练好的算法模型，输入符合模型的输入数据，模型将会输出预测结果。

数据将切分为训练集与测试集，主要有两种切分方式：其一以时间为切分主体，整体数据以去重的时间维度作为切分数据的依据，以80比20的比例区分为训练集数据及测试集数据；其二以客户为切分主体，整体数据以去重的客户维度作为切分数据的依据，以80比20的比例区分为训练集数据及测试集数据。

具体地，违约率预测模型包含：标准化层、全连接层、输入层、输出层、选弃层等，激活函数具体包含：Relu函数、Elu函数、Softplus函数、Linear函数等。激活函数输出的对应图形如图3所示。

本违约率预测模型使用结构化宽表数据进行输入，根据不同的预测目标输出为一个维度的数据。以不使用批量训练的情形进行说明，一次将会输入一笔订单维度的宽表数据，若字段数为120，则此处的输入数据维度为(120,)，经过模型各层计算之后，将会输出维度为(1,)的预测数据，此处预测的是采购商使用金融商品的逾期还款违约率。模型训练及预测过程可以选用批量进行。

具体地，第一层输入层：将数据导入模型，以结构化输入数据120个字段的宽表为例，此处的数据维度是(120,)。

第二层标准化层：将输入数据进行标准化，更适合模型训练，输入的数据将会转化为平均为零、标准差近似1的数据。以结构化输入数据120个字段的宽表为例，此处的数据维度是(120,)。

第三层全连接层：连接上一层与下一层数据节点，将信息计算并进行传递。以结构化输入数据120个字段的宽表为例，此处的数据维度约为输入数据的四分之一(32,)，第三层的目的是延伸数据的组合。具体使用Elu算法作为激活函数。

第四层选弃层：连接上一层与下一层数据节点，随机将输入数据设置为零，随机的频率为10％。以结构化输入数据120个字段的宽表为例，此处的数据维度约为(32,)，第四层的目的是降低模型过拟合的程度。

第五层全连接层：连接上一层与下一层数据节点，将信息计算并进行传递。以结构化输入数据120个字段的宽表为例，此处的数据维度约等于上一层(32,)，第五层的目的是继续延伸数据的组合。具体使用Elu算法作为激活函数。

第六层全连接层：连接上一层与下一层数据节点，将信息计算并进行传递。以结构化输入数据120个字段的宽表为例，此处的数据维度约为上一层的四分之一(6,)，第六层的目的是进行第一阶段的信息浓缩。具体使用Linear算法作为激活函数。

第七层全连接层：连接上一层与下一层数据节点，将信息计算并进行传递。以结构化输入数据120个字段的宽表为例，此处的数据维度约为输入数据的两倍(16,)，第七层的目的是进行第二阶段的数据组合延伸。具体使用Softplus算法作为激活函数。

第八层全连接层：连接上一层与下一层数据节点，将信息计算并进行传递。以结构化输入数据120个字段的宽表为例，此处的数据维度约等于输入数据(16,)，第八层的目的是进行第二阶段的数据组合延伸。具体使用Relu算法作为激活函数。

第九层全连接层：连接上一层与下一层数据节点，将信息计算并进行传递。以结构化输入数据120个字段的宽表为例，此处的数据维度约为输入数据的16倍(256,)，第八层的目的是进行数据组合的放大。具体使用Relu算法作为激活函数。

第十层全连接层：连接上一层与下一层数据节点，将信息计算并进行传递。以结构化输入数据120个字段的宽表为例，此处的数据维度约等于输入数据(16,)，第八层的目的是进行输出前的数据组合浓缩。具体使用Softplus算法作为激活函数。

第十一层输出层：将模型计算结果输出。以结构化数据输出预测采购商还款的逾期还款天数为例，此处的数据维度为(1,)，具体使用Elu算法作为激活函数。与其他深度学习模型架构不同的是，此模型架构适合分析上述结构化数据的输入，相较于其他算法，在结构化数据的纺织行业采购商违约率的预测方面具有更低的均方误差。

其中，输入数据的部份，与图像分类的深度学习模型作比较，一个长宽为256×256的图像分类的深度学习模型，若图层为四层，1万笔输入数据，其输入数据的维度是(10000,256,256,4)；而此采购商违约率的预测模型的输入数据，以宽表120个维度、1万笔输入数据为例，其输入数据的维度是(10000,120)，由于输入的数据结构是单维度的，且各个字段彼此间不存在如同图形数据的位移关系，因此不适合使用CNN卷积神经网络，且输入数据非时序或有序数列，因此也不适合采用RNN循环神经网络，故在此主要使用多层的连接层进行模型架构的构建。

具体地，在一个实施例中，Relu函数为

各层全连接层的计算公式如下：

输出＝激活函数(输入矩阵×系数+乖离率)；其中，输入矩阵即为深度学习各层的输入数据，系数及乖离率将在训练模型时以梯度下降的方式进行拟合计算。

另外，本违约率预测模型中，损失函数采用的是均方误差的计算方式。采用这种方式时，对模型进行持续训练可以获得更佳的评分效果。具体地，违约率预测模型大约在120批次训练之后，其评分超越了表现最优的XGBoost算法模型，且经过200批次训练之后，其均方误差依然呈现下降的趋势，约在280批次训练之后下降趋势渐缓。

上述纺织行业违约率预测方法，通过获取纺织行业待预测订单的结构化数据，将结构化数据输入至违约率预测模型中，通过违约率预测模型确定待预测订单的违约率，这一预测方法有效地利用了纺织行业的结构化数据，也有效地使用了传统数据分析过程中容易被特征工程筛选过滤掉的稀疏特征数据，提高了模型预测的评分，降低了均方误差，能够有效直接地对订单的违约率进行预测。

在一个实施例中，如图4所示，提供了一种纺织行业违约率预测装置，包括：

数据获取模块401，用于获取纺织行业待预测订单的结构化数据；

预测模块402，用于将结构化数据输入至违约率预测模型中；通过违约率预测模型确定待预测订单的违约率。

在一个实施例中，违约率预测模型包括：输入层、标准化层、多个全连接层、选弃层和输出层。

在一个实施例中，预测模块402还用于在输入层获取到结构化数据后，输入层将结构化数据导入至标准化层；通过标准化层对结构化数据进行标准化，再将标准化后的结构化数据输出至第一全连接层；通过第一全连接层对标准化后的结构化数据进行延伸，并将延伸后的结构化数据输出值选弃层；通过选弃层降低违约率预测模型过拟合的程度；通过第二全连接层对结构化数据再次进行延伸；通过第三连接层对浓缩后的结构化数据进行浓缩；通过第四连接层对浓缩后的结构化数据进行再次延伸；通过第五连接层对再次放大后的结构化数据进行再次延伸；通过第六连接层对再次放大后的结构化数据进行放大；通过第七连接层对再次放大后的结构化数据进行再次浓缩；将再次浓缩后的结构化数据传输至输出层；通过输出层输入对结构化数据进行预测得到的违约率。

在一个实施例中，纺织行业违约率预测装置还包括训练模块(图中未示出)，用于获取纺织行业的历史结构化数据；对历史结构化数据进行清洗，将不符合预设条件的数据进行剔除；对剔除后的历史结构化数据进行标准化处理；对标准化处理后的历史结构化数据进行串接合并；对串接合并后的历史结构化数据进行统计汇整，并将分成训练数据集和测试数据集。

在一个实施例中，训练模块还用于利用训练数据集对违约率预测模型进行训练；利用测试数据集对训练的违约率预测模型进行测试；在测试通过后，确定违约率预测模型训练完毕。

在一个实施例中，结构化数据包括布料采购商基本信息、布料采购商信用信息、布料采购商历史订单信息及市场金融信息中的至少一者；布料采购商基本信息包括布料采购商的注册资本、成立日期及员工人数中的至少一者；布料采购商信用信息包括法律信息、企业信用信息及经营信息中的至少一者；布料采购商历史订单信息包括订单金额、订单品类、面料数据及还款信息中的至少一者；市场金融信息包括布料市场信息、金融市场信息及竞品信息中的至少一者。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现上述的纺织行业违约率预测方法。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述纺织行业违约率预测方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述纺织行业违约率预测方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储纺织行业的结构化数据等。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种纺织行业违约率预测方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现上述纺织行业违约率预测方法的步骤。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有上述纺织行业违约率预测方法步骤的程序。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。