[0001] 本发明涉及天气预测技术，尤其涉及基于时序雷达回波强度的天气短临预测方法及天气预测系统。

[0002] 气象雷达是专门用来探测大气中云雨的分布和变化、降水强度、云层的高度和厚度、不同大气层里的风向风速和其他气象要素的雷达。主要有测雨雷达、测风雷达和测云雷
达。

[0003] 雷达回波，即雷达发射的电磁波，在传播过程中被目标物所散射，而被雷达接收机接收到的那部分电磁波，在雷达显示器上可显示出反映雷达回波特征的信号或图像。不同
的天气系统或天气现象的回波特征不同，雷达正是根据这个原理实现气象探测的。

[0004] 天气雷达回波强度取决于某些雷达参数，降水体的散射特性，散射体至雷达的距离以及波束在传播路径中受大气介质的衰减。从天气目标的回波强度及其分布，可以推断
天气系统的性质；此外回波强度是雷达测量降雨量的基本数据。因此，在雷达观测中对回波
强度的分析至关重要。

[0005] 雷达回波强度越大，回波颜色越亮表示大气越不稳定，容易产生雷雨，冰雹等强对流天气的可能性越大。

[0006] 现有技术中，通过雷达回波数据来预测未来的雷达回波数据，是目前比较常用的短临预测模式，然而虽然雷达回波数据对于专业人士来说，可以通过读译了解其反映的未
来降水的趋势，但是对于没有专业知识的用户来说并不直观，因此如何基于雷达回波强度
数据，来为普通用户提供直观理解的天气短临预测结果，是本领域技术人员亟待解决的问
题。

[0046] 为了使本领域的技术人员能够更好的理解本发明的技术方案，下面将结合实施例来对本发明的具体技术方案进行清楚、完整地描述，以助于本领域的技术人员进一步理解
本发明。显然，本案所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。
应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思及相互不冲突的前提
下，本申请中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，在本领域
普通技术人员没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的
揭露及保护范围。

[0047] 此外本发明的说明书和权利要求书及附图中的术语“第一”、“第二”、“S1”、“S2”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数
据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里描述的那些
以外的顺序实施。同时本发明中的术语“包括”和“具有”以及他们的任何变形，意图在于覆
盖不排他的包含。除非另有明确的规定和限定，术语“设置”、“布设”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机
械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元
件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况，结合现有技术来理解
上述术语在本案中的具体含义。

[0048] (一)

[0049] 请参阅图1至图3所示，本发明提供的该基于时序雷达回波强度的降水评估方法步骤包括：

[0050] S1数据处理装置根据第一法则，对时序雷达回波强度数据进行筛选，以获取预测的雷达回波数据并存储；

[0051] S2数据处理装置执行预设的第二法则，搜索预测的雷达回波数据，再据根据Z‑R关系，将预测的雷达回波数据转为时序降水数据；

[0052] S3数据处理装置根据预设的第三法则，将时序降水数据等级化处理，获取等级数组；

[0053] S4数据处理装置执行等级数据筛选程序，对等级数组进行筛选处理，以获取等级数据；

[0054] S5数据处理装置根据预设的多种天气短临预测表述特征及其对应的天气短临预测结果，对所述等级数据做相似判断，直至分辨其所归类的表述特征，以得出对应的天气短
临预测结果。

[0055] 其中本发明中的该数据处理装置泛指具有数据收发，存储功能，并能对数据进行运算处理能力的计算机设备，如服务器，移动终端(包括手机，平板电脑，电子可穿戴设备，
智能汽车)等。

[0056] 具体来说，通过雷达回波数据进行短临预测，需要按经纬度提取雷达回波的时序数据，再根据Z‑R关系得出降水的时序数据。然而全国范围格点数据，按1x1公里的精度存
储，需要存储4200x6200个点的数据，采用传统的存储方式需要14分钟才能完成，但雷达数
据6分钟一次更新，因而如何快速存储大量数据，如何快速通过经纬度提数据是关键。

[0057] 为此本发明根据雷达回波数据的结构特点，优选采用Redis存储系统的Geo数据结构及pipline管道链路来构建数据处理装置的存储单元，并要求数据处理装置根据第一法
则即，对时序雷达回波强度数据进行筛选，以获取预测的雷达回波数据并存储，理论上可以
将存储时间缩短到25秒，满足了快速存储大量数据以及快速通过经纬度提数据的要求。

[0058] 其中该第一法则包括：根据公式f(lon，lat)＝{p|0≤p≤w}，card(p)＝v规则，对时序雷达回波强度数据进行筛选，其中lon为经度，lat为纬度，p为雷达回波强度数组，单位
是dBz，card(p)表示数组个数v个。其中在优选实施方式中，该w优选为70即其范围是[0，
70]，v为20即20个数组个数，其中每个数据时间间隔为6分钟，数组的数据覆盖时间范围为2
小时。

[0059] 因为要存储的数据量巨大，首先要针对存储数据进行筛选，如果雷达回波强度数组的20个数据均为0，则不进行存储。根据经纬度和雷达回波强度数据一一对应的关系，使
用redis geo数据结构存储。

[0060] redis geo主要用于存储地理信息位置，由于经纬度和雷达回波强度数据的关系，采用此结构存储，不但可以快速存储，也便于提取。存储命令如下：

[0061] GEOADD key longitude latitude member

[0062] 其中，GEOADD是操作命令，key是关键字，longitude是经度，latitude是纬度，member是存储内容。在存储的时候，如果member内容相同，会被覆盖，为了防止覆盖，member
的存储形式为：longitude##latitude##member。在原先内容的基础上加了经纬度，就可以
避免内容相同被覆盖的情况，其中，##为分隔符。

[0063] 由于存储数据的格式统一，存储命令都是GEOADD，所以可以采用redis的pipline管道链路进行批量存储。批量存储，即存储命令一次性执行，比起一条数据执行一次存储命
令的执行速度更快。

[0064] S2数据处理装置执行预设的第二法则，搜索预测的雷达回波数据，再据根据Z‑R关系，将预测的雷达回波数据转为时序降水数据。

[0065] 进一步来说，存储的目的是方便数据的使用，以直观方式地展现降水趋势的变化，方便用户的理解。如图2所示，在步骤S2中，该数据处理装置执行的第二法则中，通过分析降
水范围的特点，将降水区域划分为以下3类：

[0066] 1)本点降水：以当前点为中心，1km范围内搜索到的预测的雷达回波数据。

[0067] 2)附近降水：以当前点为中心，1km到5km范围内搜索到的预测的雷达回波数据。

[0068] 3)周围降水：以当前点为中心，5km到130km范围内搜索到的预测的雷达回波数据。

[0069] 如果在以当前点为中心，130km范围内搜索不到预测的雷达回波数据，则可以认为2小时内，该地区无降水。

[0070] 为此相对应的本实施例中该第二法则设计的逻辑步骤包括：

[0071] S31判断在本点范围内若无法搜索到预测的雷达回波数据，则给出认为本点范围内无降雨的短临预测结果；

[0072] S32并扩大至本点附近范围内搜索预测的雷达回波数据，若仍未搜索预测的雷达回波数据，则给出认为本点附近范围内无降雨/雪的短临预测结果；

[0073] S33并扩大至本点周围范围内搜索预测的雷达回波数据，若仍未搜索预测的雷达回波数据，则给出认为本点周围范围内无降雨/雪的短临预测结果；

[0074] 若步骤S31能搜索到预测的雷达回波数据，则据根据Z‑R关系，将预测的雷达回波数据转为时序降水数据，并进一步执行步骤S4；

[0075] 若步骤S32能搜索到预测的雷达回波数据，则给出存在降雨/雪的短临预测结果。

[0076] 具体来说，由于本发明是按照redis geo数据结构存储的，所以可以直接使用GEORADIUS命令搜索预测的雷达回波数据，如示例中该命令格式如下：GEORADIUS key 
longitude latitude radius m|km|ft|mi[WITHCOORD][WITHDIST][COUNT count][ASC|
DESC]。

[0077] 其中，GEORADIUS是操作命令，key是关键字，longitude是经度，latitude是纬度，radius是半径距离，m|km|ft|mi是距离单位(m是米，km是公里，ft是英尺，mi是英里)，
WITHCOORD表示将位置元素的经度和维度也一并返回，WITHDIST表示在返回位置元素的同
时，COUNT表示限定返回的记录数，ASC表示查找结果根据距离从近到远排序，DESC表示查找
结果根据从远到近排序。

[0078] 本发明示例以搜索130公里范内的降水数据为例，按照从近到远排序，获得最近的1个点的数据，其命令例如下：

[0079] GEORADIUS key longitude latitude 130km WITHCOORD WITHDIST count 1 ASC

[0080] 由于GEORADIUS可以直接返回搜索结果距定位点的距离，根据距离的数值可以选择使用哪种描述方法。

[0081] 例如以本点降水为例的描述方法步骤包括：

[0082] 首先，搜索结果的数据点距定位点在1公里范围内，使用本点降水的判断方法。

[0083] 再次，据根据Z‑R关系，将时序雷达回波强度转为时序降水数据。其关系如下，其中Z是回波强度，单位是dBz，R是降水量，单位是mm。

[0084]

[0085] 例如，预测的雷达回波强度数据如下：

[0086] [25，26，27，28，42，43，43，43，43，43，42，28，28，27，27，26，25，24，24，23]

[0087] 经过Z‑R关系处理后的时序降水数据结果如下：降水毫米数

[0088] [1.3，1.3，1.3，1.3，11.53，11.53，11.53，11.53，11.53，11.53，11.53，1.3，1.3，1.3，1.3，1.3，1.3，0.6，0.6，0.6]。

[0089] S3数据处理装置根据预设的第三法则，将时序降水数据等级化处理，获取等级数组。

[0090] 进一步来说，可选的，为了使数据趋势保证平滑，在优选实施方式中可先采用插值处理，将每6分钟一个的降水数据插值为每分钟一个的降水数据，也就是将原来20个的预测
数据，插值为120个数据后，再进行时序降水数据等级化处理。

[0091] 为此该时序降水数据的插值处理步骤包括：

[0092] 计算公式 且1≤i＜n，以获得插值后的时序降水数据，其中，n为插入的个数，i为插入数据的下标，Rm和Rm+1分别是要插入的前后相邻的数据，Ii为要
插入的数据，Z为整数集合。

[0093] 例如，上面的时序降水数据经过插值计算后，如下：

[0094] [1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，3.005，4.71，6.415，8.12，9.825，11.53，11.53，11.53，11.53，11.53，11.53，
11.53，11.53，11.53，11.53，11.53，11.53，11.53，11.53，11.53，11.53，11.53，11.53，
11.53，11.53，11.53，11.53，11.53，11.53，11.53，11.53，11.53，11.53，11.53，11.53，
11.53，11.53，11.53，11.53，11.53，11.53，11.53，9.825，8.12，6.415，4.71，3.005，1.3，
1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，
1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.3，1.183，1.067，0.95，0.833，0.717，0.6，
0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6，0.6]。

[0095] 进一步地，通过Z‑R关系和插值计算后，将原来的雷达回波数据转为降水数据，虽然通过降水数据可以看到降水趋势的变化，但是无法判断降水的等级，以及其开始和持续
时间，所以还不够直观。

[0096] 为此本示例中提供了第三法则，来将时序降水数据等级化处理，以获取等级数组，其中该第三法则步骤包括：

[0097] S31根据预设降水量的阀值层分出降水等级数值；

[0098] S32判断各时序降水数据所处对应的降水级别，以转换成对应等级数值，并依序排序成等级数组。

[0099] 具体来说，在气象学中降水级别通常分为无降水、毛毛细雨(零星小雪)、小雨(雪)、中雨(雪)、大雨(雪)、豪雨(雪)、超大豪雨(雪)、暴雨(雪)8个级别。其级别与阀值的对
应关系如下，其中，L从0到7对应8各等级，降水量R的单位为毫米mm。

[0100]

[0101] 例如，上面插值计算后的数据经过等级化处理后所形成的等级数组，结果如下：

[0102] [2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，3，2，2，2，2，2，2，2，
2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，
2，2，2，2，2，2，2，2，2，2]。

[0103] S4数据处理装置执行等级数据筛选程序，对等级数组进行筛选处理，以获取等级数据。

[0104] 进一步地，将插值后的降水数据等级化处理后所形成的等级数组，还需要进行筛选出某个等级开始坐标和连续数目才能更直观的用于评价，因此本实施例中该数据筛选程
序包括：将等级数组转换成[{level，start，count}，......]格式的等级数据，其中level为
等级，start为开始等级的数组下标，count为该等级的持续时间。如这个等级数组代表的是
2个小时，则每个数据就是1分钟的数据。

[0105] 比如2在数组中第一次出现的位置以及连续出现了多少次，就代表了从第几分钟开始并持续了多少分钟。

[0106] 这样就可以很明确地看到某个等级的降水从什么时间开始，持续了多长时间。

[0107] 本示例下，用于计算机处理的代码逻辑处理过程如下，其中levels是等级化处理后的数据，target为要筛选的等级。

[0108]

[0109]

[0110] 例如，上面等级数组经过筛选后获得的等级数据结果如下：

[0111] [{2，0，20}，{3，20，45}，{2，65，55}]

[0112] 其含义为，以降水等级2从开始将持续下20分钟，之后将上升到降水等级3并持续下45分钟，之后下降至降水等级2持续下55分钟。(总计120分钟，即预测了2小时内的短临天
气情况)

[0113] S5数据处理装置根据预设的多种天气短临预测表述特征及其对应的天气短临预测结果，对所述等级数据做相似判断，直至分辨其所归类的表述特征，以得出对应的天气短
临预测结果。

[0114] 具体来说，本实施例根据步骤S2中的第二法则设置有3种范围的短临预测过程。

[0115] A.本点降水描述：

[0116] 即以当前点为中心，1km范围，示例了预设的6种天气短临预测表述特征及其对应的天气短临预测结果，以说明采用此类表述特征及对应预测结果可被用于判断等级数据，
以供给出一种直观表述天气短临预测结果的可能，因此本领域技术人员还可以根据实际情
况，在不脱离本发明构思的前提下，做出更多的表述特征及其对应预测结果的方案，因此本
实施例并未做出限制。

[0117] 本示例中该6种天气短临预测表述特征及其对应的天气短临预测结果包括：

[0118] (1)恒定持续：一直持续某个等级的降水。描述为，一直在下xx雨(雪)，出门记得带伞。

[0119] (2)单调递增：降水趋势是从低等级向高等级。描述为，现在一直下xx雨(雪)，雨(雪)渐大，多少分钟后转为xx雨(雪)。

[0120] (3)单调递减：降水趋势是从高等级向低等级。描述为，现在一直下xx雨(雪)，雨(雪)渐小，多少分钟后转为xx雨(雪)。

[0121] (4)凹字形：降水趋势是从高等级向低等级，然后又从低等级向高等级。描述为，现在一直下xx雨(雪)，雨(雪)渐小，多少分钟后转为xx雨(雪)，但再过多少分钟后转为xx雨
(雪)。

[0122] (5)凸字形：降水趋势是从低等级向高等级，然后又从高等级向低等级。描述为，现在一直下xx雨(雪)，雨(雪)渐大，多少分钟后转为xx雨(雪)，但再过多少分钟后转为xx雨
(雪)。

[0123] (6)无降水：一直持为0的降水。描述为，未来两小时不会下雨(雪)，放心出门。

[0124] 而该降水趋势判断的方法如下。

[0125] 首先，经过处理后的等级数据结果称为等级数组，即levelobjs。再次判断levelobjs的个数，length＝levelobjs.size，如果length＝1，则认为该降水趋势为恒定持
续。如果length＝2，当

[0126] levelobjs[0].level＝levelobjs[1].level，则认为该降水趋势为恒定持续；当levelobjs[0].level＞levelobjs[1].level，则认为该降水趋势为单调递减；当levelobjs
[0].level＜levelobjs[1].level，则认为该降水趋势为单调递增。如果length＝3，当
levelobjs[0].level＝levelobjs[1].level且levelobjs[1].level＝levelobjs[2]
.level，则这说明该降水趋势为恒定持续；当levelobjs[0].level＞levelobjs[1].level
且levelobjs[1].level＞levelobjs[2].level，则认为该降水趋势为单调递减；当
levelobjs[0].level＜levelobjs[1].level且levelobjs[1].level＜levelobjs[2]
.level，则认为该降水趋势为单调递增；当levelobjs[0].level＜levelobjs[1].level且
levelobjs[1].level＞levelobjs[2].level，则认为该降水趋势为凸字形；当levelobjs
[0].level＞levelobjs[1].level且levelobjs[1].level＜levelobjs[2].level，则认为
该降水趋势为凹字形。

[0127] 因此对应该等级数据[{2，0，20}，{3，20，45}，{2，65，55}]可被判断为属于第(5)种天气短临预测表述特征，即对应前述降雨等级所对应的雨量表述：0无降水、1毛毛细雨(零
星小雪)、2小雨(雪)、3中雨(雪)、4大雨(雪)、5豪雨(雪)、6超大豪雨(雪)、7暴雨(雪)。其等
级数据含义为：小雨(雪)‑20分钟‑中雨(雪)‑45分钟‑小雨(雪)55分钟。

[0128] 可见上述等级数据被判断为属于第(5)种天气短临预测表述特征后，在该天气短临预测结果中填入相关数据即可获得最终天气短临预测结果，即：现在一直下小雨(雪)，雨
(雪)渐大，20分钟后转为中雨(雪)，但再过45分钟后转为小雨(雪)。

[0129] 另一方面，根据步骤S2中的第二法则，若本点范围无降水，则进一步进入：

[0130] B.附近降水描述：

[0131] 数据处理装置可以通过调取Redis的Geo数据获得附近1km到5km范围内的最近点的时序降水数据，再实进行等级化处理，获取等级数组，以供通过上述6种情况做判断，来获
取最终天气短临预测结果。

[0132] 也可以经数据处理装置通过调取Redis的Geo数据获得附近1km到5km范围内的最近点的时序降水数据后，直接判断该时序降水数据所处第三法则中对应降雨等级所对应的
雨量表述：。从而直接描述为，您附近正在下xx雨(雪)，出门记得带伞。其中xx雨(雪)为雨量
表述，如：毛毛细雨(零星小雪)、小雨(雪)、中雨(雪)、大雨(雪)、豪雨(雪)、超大豪雨(雪)、
暴雨(雪)。

[0133] 另一方面，根据步骤S2中的第二法则，若附近范围无降水，则进一步进入：

[0134] C周围降水描述：

[0135] 数据处理装置可通过如同附近降水描述的手段，搜索5km到130km范围内的最近点的时序降水数据，再实进行等级化处理，获取等级数组，以供通过上述6种情况做判断，来获
取最终天气短临预测结果。

[0136] 也可以经数据处理装置通过调取Redis的Geo数据获得附近5km到130km范围内的最近点的时序降水数据后，直接判断该时序降水数据所处第三法则中对应降雨等级所对应
的雨量表述。

[0137] 同时优选实施方式下，数据处理装置还可通过GEORADIUS命令返回符合范围要求的信息的经纬度，再根据中心点的经纬度，由于GEORADIUS可以直接返回搜索结果的距离和
经纬度，再根据结果的经纬度和定位点的经纬度可以计算出方向、距离，并最终结合方向、
距离与雨量表述，来给出天气短临预测结果。

[0138] 具体的，结合图3来说，计算一个经纬度点相对另一个经纬度点的过程，是先计算两点的方位角度，再根据方位角度判断方位。其方位角度和方位的关系如下。方位角度以ox
轴为0度，逆时针旋转一周，范围是0～360°。其关系如下。

[0139] 本发明针对的是中国区域，因此一北半球为例，经度由西向东增大，纬度由南向北增大。

[0140] 假设P为定位点，其经纬度为(x1，y1)，T为搜索的结果点，其经纬度为(x2，y2)。

[0141] 首先，如果P和T的经度相等，即x1＝x2，那么此时如果y1＞y2，则说明T在P的正南方，其方位角度为270°，否则，T在P的正北方，其方位角度为900。

[0142] 再次，如果x1＞x2，说明T在P的西边，那么此时如果y1＞y2，则说明T在P西边偏南，其方位角度为180°+偏位角度，否则，T在P西边偏北，其方位角度为180°‑偏位角度。

[0143] 最后，如果x1＜x2，说明T在P的东边，那么此时如果y1＞y2，则说明T在P东边偏南，其方位角度为360°‑偏位角度，否则，T在P东边偏北，其方位角度为偏位角度。

[0144] 其中偏位角度的计算方法如下。

[0145]

[0146] 然后，再根据第一个点的降水判断当前的降水情况。描述为，距您xx方向xx公里正在下xx雨(雪)。从而给出直观的天气短临预测结果。

[0147] (二)

[0148] 请参阅图4所示，对应实施例一的方法，本发明另一方面还提供了一种天气预测系统，其包括：数据收发单元，其接收客户端发送的短临天气短临预测指令，数据处理单元，接
收指令，控制数据采集单元采集时序雷达回波强度数据，数据处理单元，其执行第一法则，
以根据公式f(lon，lat)＝{p|0≤p≤w}，card(p)＝v规则，对数据采集单元发送的时序雷达
回波强度数据进行筛选，以得出预测的雷达回波数据，数据存储单元，其至少部分存储模块
采用Redis存储系统的Geo数据结构及pipline管道链路结构建立，以批量存储数据处理单
元传输的预测的雷达回波数据，数据处理单元，进一步执行第二法则，搜索数据存储单元中
存储的预测的雷达回波数据，再据根据Z‑R关系，将预测的雷达回波数据转为时序降水数
据，之后，数据处理单元根据计算公式：

[0149] 且1≤i＜n

[0150] 对时序降水数据进行插值处理后，再判断各时序降水数据所处预设降水等级数值的级别，以转换成对应等级数值，并排序成等级数组后，执行等级数据筛选程序，将等级数
组转换成[{level，start，count}，……]格式的等级数据，之后，数据处理单元调取数据存
储单元存储的天气短临预测表述特征及其对应的天气短临预测结果，对等级数据做相似判
断，直至分辨其所归类的表述特征，以得出对应的天气短临预测结果，并令数据收发单元向
客户端发送。

[0151] 综上所述，通过本发明提供的该基于时序雷达回波强度的降水评估方法及天气预测系统，能够将雷达回波强度数据，转变为本地短临降水趋势的变化数据，并给出直观的及
天气预测结果，以方便用户理解。

[0152] 以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，
可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明
的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅
受权利要求书及其全部范围和等效物的限制，凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。

[0153] 本领域技术人员可以理解，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供
的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式
微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认
为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结
构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部
件内的结构。

[0154] 此外实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器
(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：
U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random 
Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0155] 此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。