[0001] 本申请涉及人工智能技术领域，特别是涉及一种基于KAN网络的时序随机信号仿真预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

[0002] 时序信号是现实世界中广泛存在的一种数据类型，对时序信号的建模预测，也有着广泛的应用，例如电力行业中的电力负荷预测就是一种典型的时序信号预测技术。

[0003] 电力负荷预测是指对电力系统的预设时间长度之后的电力负荷进行预测。其中，电力负荷预测是电力系统安全运行和精准规划的重要基础。相关技术中，采用预测模型对电力负荷进行预测，但是相关技术中的预测模型的精度较低，影响电力负荷预测的准确性。

[0004] 因此，相关技术中存在着电力负荷预测的准确性较低的问题。

[0045] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

[0046] 在一个实施例中，如图1所示，提供了一种基于KAN网络的时序随机信号仿真预测方法，本实施例以该方法应用于计算机设备进行举例说明。本实施例中，该方法包括以下步骤：

[0047] 步骤S110，获取电力系统在预测时间点之前的预设时间区间内的历史负荷时序数据。

[0048] 其中，预测时间点可以为需要进行电力负荷预测的时间点。

[0049] 其中，预设时间区间包括预测时间点之前的多个历史时间点。

[0050] 其中，预设时间区间内的历史负荷时序数据由各历史时间点对应的历史负荷数据组成。

[0051] 示例性地，以预测时间点为某年4月2日为例，则计算机设备可以获取电力系统在某年3月1日至4月1日的历史负荷数据，得到历史负荷时序数据。

[0052] 步骤S120，将历史负荷时序数据输入至预训练的波动特征提取模型，得到历史负荷时序数据对应的波动特征。

[0053] 其中，波动特征包括随机波动率序列。

[0054] 其中，随机波动率序列为预训练的波动特征提取模型在采用随机过程对历史负荷时序数据进行波动率计算得到的。

[0055] 具体实现中，计算机设备可以将历史负荷时序数据输入至预训练的波动特征提取模型，通过预训练的波动特征提取模型在采用随机过程对历史负荷时序数据进行波动率计算，得到历史负荷时序数据对应的波动特征，该波动特征可以包括随机波动率序列。

[0056] 其中，预训练的波动特征提取模型可以为Heston（赫斯顿）模型。

[0057] 步骤S130，将历史负荷时序数据和随机波动率序列输入至预训练的电力负荷预测模型，输出预测时间点对应的电力负荷预测数据。

[0058] 其中，预训练的电力负荷预测模型为基于KAN（Kolmogorov‑Arnold Networks，科尔莫哥罗夫‑阿诺德网络）神经网络构建得到的。

[0059] 具体实现中，计算机设备可以将历史负荷时序数据和随机波动率序列输入至预训练的电力负荷预测模型，通过预训练的电力负荷预测模型对历史负荷时序数据和随机波动率序列进行拟合，输出预测时间点对应的电力负荷预测数据。

[0060] 其中，电力负荷预测数据可以为电力负荷预测值。

[0061] 上述基于KAN网络的时序随机信号仿真预测方法中，通过获取电力系统在预测时间点之前的预设时间区间内的历史负荷时序数据；将历史负荷时序数据输入至预训练的波动特征提取模型，得到历史负荷时序数据对应的波动特征；波动特征包括随机波动率序列；随机波动率序列为预训练的波动特征提取模型在采用随机过程对历史负荷时序数据进行波动率计算得到的；将历史负荷时序数据和随机波动率序列输入至预训练的电力负荷预测模型，输出预测时间点对应的电力负荷预测数据；预训练的电力负荷预测模型为基于KAN神经网络构建得到的。

[0062] 如此，在因子特征提取方面，采用随机过程对历史负荷时序数据这一时序信号进行仿真建模，提取相应的波动特征，该波动特征包括随机波动率序列，实现给时序信号增加一维因子“随机波动率”，这种对时序数据的随机波动率的计算，可以更好地捕捉时序数据的动态变化，在增加原始时序数据的维度以外，还可以在一定程度上模拟原始时序数据在小尺度周期上的随机性，从而在将历史负荷时序数据和随机波动率序列输入至预训练的电力负荷预测模型，输出预测时间点对应的电力负荷预测数据的过程中，增加了电力负荷预测模型对真实生产环境中噪音的适应能力，提升了电力负荷预测模型预测的泛化性能，有效提升电力负荷预测的准确性。

[0063] 此外，预训练的电力负荷预测模型为基于KAN神经网络构建得到的，如此，采用KAN网络替代传统的神经网络，不再使用固定的神经元激活函数，而是采用可学习可迭代的函数来代替固定的神经元函数，来对时序数据及其随机波动率进行拟合，并提供一定的可解释性。因此，本申请从因子构成和模型优化两个方向上，提升对真实条件下的电力负荷时序数据预测的泛化能力和精度，有效提升了电力负荷预测的准确性。

[0064] 在一个实施例中，预设时间区间包括多个历史时间点；历史负荷时序数据包括分别对应于不同的历史时间点的多个历史负荷数据。如图2所示，步骤S120，将历史负荷时序数据输入至预训练的波动特征提取模型，得到历史负荷时序数据对应的波动特征，包括以下步骤：

[0065] 步骤S210，分别确定每一目标历史时间点对应的预设时间窗口内的历史负荷数据，得到各目标历史时间点对应的预设时间窗口内的目标历史负荷时序数据。

[0066] 其中，预设时间区间的时间长度大于或等于预设时间窗口的时间长度。

[0067] 其中，各目标历史时间点对应的预设时间窗口以相应的目标历史时间点为右端点。

[0068] 其中，目标历史时间点为在预设时间区间中对应的时间长度，大于或等于预设时间窗口的时间长度的历史时间点。

[0069] 其中，目标历史时间点为在预设时间区间中对应的时间长度，可以用于表征目标历史时间点在预设时间区间中的排序。可以理解的是，预设时间区间内的历史负荷时序数据，是按照相应的历史时间点从早到晚对历史负荷数据进行排序得到的。

[0070] 举例来说，预设时间窗口的时间长度为30个时间单位，则预设时间区间的时间长度至少为30个时间单位。如，预设时间窗口的时间长度为30天，若每天对应一个负荷数据，则历史负荷时序数据至少需要包含30个历史负荷数据。若预测时间点为某年4月2日，假设预设时间区间内的历史负荷时序数据包括在某年3月1日至4月1日的历史负荷数据。由于3月30日在预设时间区间内对应的时间长度为30，等于预设时间窗口的时间长度，因此，3月30日可以作为目标历史时间点。相应的，3月31日在预设时间区间内对应的时间长度为31，大于预设时间窗口的时间长度，因此，3月31日可以作为目标历史时间点；4月1日在预设时间区间内对应的时间长度为32，大于预设时间窗口的时间长度，因此，4月1日可以作为目标历史时间点。

[0071] 相应的，3月30日对应的预设时间窗口为3月1日至3月30日；3月31日对应的预设时间窗口为3月2日至3月31日；4月1日对应的预设时间窗口为3月3日至4月1日。

[0072] 相应的，3月30日对应的预设时间窗口内的目标历史负荷时序数据，包括3月1日至3月30日的历史负荷数据；3月31日对应的预设时间窗口内的目标历史负荷时序数据，包括3月2日至3月31日的历史负荷数据；4月1日对应的预设时间窗口内的目标历史负荷时序数据，包括3月3日至4月1日的历史负荷数据。

[0073] 步骤S220，对各目标历史时间点对应的目标历史负荷时序数据进行随机性拟合，得到随机波动率序列。

[0074] 具体实现中，预训练的波动特征提取模型可以对各目标历史时间点对应的目标历史负荷时序数据进行随机性拟合，得到随机波动率序列。

[0075] 步骤S230，根据随机波动率序列，得到历史负荷时序数据对应的波动特征。

[0076] 具体实现中，预训练的波动特征提取模型可以根据随机波动率序列，得到历史负荷时序数据对应的波动特征。

[0077] 在一些实施例中，预训练的波动特征提取模型对各目标历史时间点对应的目标历史负荷时序数据进行随机性拟合，得到随机波动率序列，包括：预训练的波动特征提取模型对各目标历史时间点对应的目标历史负荷时序数据进行随机性拟合，得到各目标历史时间点对应的随机波动率；预训练的波动特征提取模型根据各目标历史时间点对应的随机波动率，组成随机波动率序列。

[0078] 在一些实施例中，随机性拟合的拟合次数为多次；对各目标历史时间点对应的目标历史负荷时序数据进行随机性拟合，得到各目标历史时间点对应的随机波动率，包括：针对任一目标历史时间点，获取任一目标历史时间点对应的随机性拟合结果；随机性拟合结果包括每次进行随机性拟合得到的随机性拟合数值；根据随机性拟合结果中满足预设数值阈值的随机性拟合数值，得到任一目标历史时间点对应的随机波动率。

[0079] 其中，随机性拟合的拟合次数为多次，预训练的波动特征提取模型在对各目标历史时间点对应的目标历史负荷时序数据进行随机性拟合，得到各目标历史时间点对应的随机波动率的过程中，针对任一目标历史时间点，预训练的波动特征提取模型可以获取该任一目标历史时间点对应的随机性拟合结果，该随机性拟合结果包括每次进行随机性拟合得到的随机性拟合数值；如此，预训练的波动特征提取模型可以根据随机性拟合结果中满足预设数值阈值的随机性拟合数值，得到该任一目标历史时间点对应的随机波动率，该随机波动率即为该任一目标历史时间点对应的预设时间窗口的随机波动率。

[0080] 在一些实施例中，根据随机性拟合结果中满足预设数值阈值的随机性拟合数值，得到任一目标历史时间点对应的随机波动率，包括：在随机性拟合结果中存在多个满足预设数值阈值的随机性拟合数值的情况下，将满足预设数值阈值的各随机性拟合数值作为候选随机性拟合数值；在各候选随机性拟合数值中筛选出最新一次进行拟合的候选随机性拟合数值，作为目标随机性拟合数值；根据目标随机性拟合数值，得到任一目标历史时间点对应的随机波动率。

[0081] 具体实现中，预训练的波动特征提取模型在根据随机性拟合结果中满足预设数值阈值的随机性拟合数值，得到该任一目标历史时间点对应的随机波动率的过程中，在随机性拟合结果中存在多个满足预设数值阈值的随机性拟合数值的情况下，预训练的波动特征提取模型可以将满足预设数值阈值的各随机性拟合数值作为候选随机性拟合数值；在各候选随机性拟合数值中筛选出最新一次进行拟合的候选随机性拟合数值，作为目标随机性拟合数值；根据目标随机性拟合数值，得到该任一目标历史时间点对应的随机波动率。

[0082] 如此，基于相同的方法，可以获取每一目标历史时间点对应的随机波动率。

[0083] 在一些实施例中，针对任一目标历史时间点，获取任一目标历史时间点对应的随机性拟合结果，包括：在每次进行随机性拟合的过程中，获取任一目标历史时间点对应的波动率、任一目标历史时间点对应的波动率的长期均值、任一目标历史时间点对应的波动率的均值回归速度和任一目标历史时间点对应的波动性的波动率，以及任一目标历史时间点对应的布朗运动；根据波动率、波动率的长期均值、波动率的均值回归速度、波动性的波动率和布朗运动，得到任一目标历史时间点对应的随机性拟合数值。

[0084] 具体实现中，在针对该任一目标历史时间点，获取该任一目标历史时间点对应的随机性拟合结果的过程中，在每次进行随机性拟合的过程中，可以获取该任一目标历史时间点对应的波动率、该任一目标历史时间点对应的波动率的长期均值、该任一目标历史时间点对应的波动率的均值回归速度和任一目标历史时间点对应的波动性的波动率，以及该任一目标历史时间点对应的布朗运动，从而可以根据该任一目标历史时间点对应的波动率、该任一目标历史时间点对应的波动率的长期均值、该任一目标历史时间点对应的波动率的均值回归速度和任一目标历史时间点对应的波动性的波动率，以及该任一目标历史时间点对应的布朗运动，得到该任一目标历史时间点对应的随机性拟合数值，使得随机过程更加平稳。

[0085] 以预训练的波动特征提取模型为Heston模型为例，对各目标历史时间点对应的目标历史负荷时序数据进行随机性拟合的过程中，目标历史负荷时序数据的波动率动态过程为：

[0086]

[0087] 其中， 是目标历史时间点t对应的波动率；是目标历史时间点t对应的波动率的长期均值（根据目标历史时间点t对应的预设时间窗口内的各历史时间点对应的波动率计算得到）， 是目标历史时间点t对应的波动率的均值回归速度（根据目标历史时间点t对应的预设时间窗口内的各历史时间点对应的波动率计算得到）， 是目标历史时间点t对应的波动性的波动率（即对目标历史时间点t对应的波动率序列再求一次波动率）， 是目标历史时间点对应的布朗运动， 是一个标准布朗运动，用于模拟随机性。

[0088] 如此，可以根据波动率动态过程的计算公式计算得到每次随机性拟合得到的随机性拟合数值。

[0089] 实际应用中，可以对每一个目标历史时间点进行1000次随机性拟合，在每个目标历史时间点对应的随机性拟合结果中，取最后一个大于0的随机性拟合数值作为该目标历史时间点对应的预设时间窗口的随机波动率。

[0090] 如此，在做数据预处理时，增加了对时序数据的随机波动率的计算，可以更好地捕捉原始时序数据的动态变化，在增加原始时序数据的维度以外，还可以在一定程度上模拟原始时序数据在小尺度周期上的随机性，增加了电力负荷预测模型对真实生产环境中噪音的适应能力，从而增加电力负荷预测模型预测的泛化性能。

[0091] 在一个实施例中，预训练的电力负荷预测模型的训练过程，包括：获取样本负荷时序数据；样本负荷时序数据包括每个样本时间点对应的样本负荷数据；获取样本负荷时序数据对应的样本随机波动率序列；根据样本负荷时序数据和样本随机波动率序列，对待训练的电力负荷预测模型进行迭代训练，得到预训练的电力负荷预测模型；待训练的电力负荷预测模型为基于KAN神经网络构建得到的。

[0092] 其中，样本随机波动率序列包括每个目标样本时间点对应的样本随机波动率。

[0093] 其中，目标样本时间点为在样本时间区间中对应的时间长度，大于或等于预设时间窗口的时间长度的样本时间点。

[0094] 其中，样本时间区间为所述样本负荷时序数据对应的时间区间。

[0095] 其中，可以采用使用torch深度学习框架构建KAN模型，以构建待训练的电力负荷预测模型。KAN模型的激活函数在神经网络的“边”上，而不在节点上，而且这些激活函数不是固定的，而是可以学习的。其具体方法是将原始数据到标签的训练过程理解为一个多元函数，然后将该函数拆分成多个单变量函数的累加，并定义曲线‑>系数和系数‑>曲线的两个函数对单变量函数进行建模，通过前馈网络对系数进行迭代，达到激活函数学习的目的，从而使多个单变量函数累加的结果逼近输入到输出的函数。

[0096] 由于KAN模型训练“边”而不是训练“节点”的特性，在不影响精度的情况下，可以大幅缩小模型的参数规模，提升模型的训练速度，相应的，如果保持和传统神经网络模型同样的参数规模，则模型的精度将获得提升，且依然具有较快的训练速度。

[0097] 如此，计算机设备可以获取样本负荷时序数据，基于相同的方法，计算机设备可以获取每个目标样本时间点对应的随机波动率，得到每个目标样本时间点对应的样本随机波动率，以组成样本随机波动率序列，作为样本负荷时序数据对应的样本随机波动率序列。目标样本时间点即为在样本时间区间中对应的时间长度，大于或等于预设时间窗口的时间长度的样本时间点。

[0098] 从而，计算机设备可以利用样本负荷时序数据和样本随机波动率序列，对待训练的电力负荷预测模型进行迭代训练，得到预训练的电力负荷预测模型。其中， 在训练过程中，以目标样本时间点t’对应的预设时间窗口内的目标样本负荷时序数据（包括处于该目标样本时间点t’对应的预设时间窗口内的样本负荷数据）和对应的样本随机波动率为输入数据x，输入至待训练的电力负荷预测模型，得到t’的下一目标样本时间点t’+1对应的样本负荷预测数据，计算t’+1对应的样本负荷数据与对应的样本负荷预测数据之间的均方根误差，得到损失函数值，以迭代训练待训练的电力负荷预测模型。

[0099] 训练结束，将预训练的电力负荷预测模型的模型权重保存为torch框架的pt格式文件，用于推理时加载。如此，在利用预训练的电力负荷预测模型进行推理预测时，需要加载模型的pt格式权重文件，输入预测时间点之前的预设时间区间内的历史负荷时序数据至预训练的电力负荷预测模型，模型输出预设时间区间的右端点的下一时间点对应的电力负荷预测数据；从而可以基于下一时间点对应的电力负荷预测数据，预测出再下一时间点对应的电力负荷预测数据，直到下一时间点为预测时间点。

[0100] 在另一个实施例中，如图3所示，提供了一种基于KAN网络的时序随机信号仿真预测方法，以该方法应用于计算机设备为例进行说明，包括以下步骤：

[0101] 步骤S302，获取电力系统在预测时间点之前的预设时间区间内的历史负荷时序数据。

[0102] 步骤S304，分别确定每一目标历史时间点对应的预设时间窗口内的历史负荷数据，得到各目标历史时间点对应的预设时间窗口内的目标历史负荷时序数据。

[0103] 步骤S306，对各目标历史时间点对应的目标历史负荷时序数据进行随机性拟合，得到各目标历史时间点对应的随机波动率。

[0104] 步骤S308，根据各目标历史时间点对应的随机波动率，组成随机波动率序列。

[0105] 步骤S310，将历史负荷时序数据和随机波动率序列输入至预训练的电力负荷预测模型，输出预测时间点对应的电力负荷预测数据。

[0106] 需要说明的是，上述步骤的具体限定可以参见上文对一种基于KAN网络的时序随机信号仿真预测方法的具体限定。

[0107] 应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

[0108] 基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于KAN网络的时序随机信号仿真预测方法的基于KAN网络的时序随机信号仿真预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于KAN网络的时序随机信号仿真预测装置实施例中的具体限定可以参见上文中对于基于KAN网络的时序随机信号仿真预测方法的限定，在此不再赘述。

[0109] 在一个示例性的实施例中，如图4所示，提供了一种基于KAN网络的时序随机信号仿真预测装置，包括：获取模块410、特征提取模块420和预测模块430，其中：

[0110] 获取模块410，用于获取电力系统在预测时间点之前的预设时间区间内的历史负荷时序数据。

[0111] 特征提取模块420，用于将所述历史负荷时序数据输入至预训练的波动特征提取模型，得到所述历史负荷时序数据对应的波动特征；所述波动特征包括随机波动率序列；所述随机波动率序列为所述预训练的波动特征提取模型在采用随机过程对所述历史负荷时序数据进行波动率计算得到的。

[0112] 预测模块430，用于将所述历史负荷时序数据和所述随机波动率序列输入至预训练的电力负荷预测模型，输出所述预测时间点对应的电力负荷预测数据；所述预训练的电力负荷预测模型为基于KAN神经网络构建得到的。

[0113] 在其中一个实施例中，所述预设时间区间包括多个历史时间点；所述历史负荷时序数据包括分别对应于不同的所述历史时间点的多个历史负荷数据；所述特征提取模块420，具体用于分别确定每一目标历史时间点对应的预设时间窗口内的历史负荷数据，得到各所述目标历史时间点对应的预设时间窗口内的目标历史负荷时序数据；所述预设时间区间的时间长度大于或等于所述预设时间窗口的时间长度；各所述目标历史时间点对应的预设时间窗口以相应的目标历史时间点为右端点；所述目标历史时间点为在所述预设时间区间中对应的时间长度，大于或等于所述预设时间窗口的时间长度的历史时间点；对各所述目标历史时间点对应的目标历史负荷时序数据进行随机性拟合，得到所述随机波动率序列；根据所述随机波动率序列，得到所述历史负荷时序数据对应的波动特征。

[0114] 在其中一个实施例中，所述特征提取模块420，具体用于对各所述目标历史时间点对应的目标历史负荷时序数据进行随机性拟合，得到各所述目标历史时间点对应的随机波动率；根据各所述目标历史时间点对应的随机波动率，组成所述随机波动率序列。

[0115] 在其中一个实施例中，所述随机性拟合的拟合次数为多次；所述特征提取模块420，具体用于针对任一目标历史时间点，获取所述任一目标历史时间点对应的随机性拟合结果；所述随机性拟合结果包括每次进行所述随机性拟合得到的随机性拟合数值；根据所述随机性拟合结果中满足预设数值阈值的随机性拟合数值，得到所述任一目标历史时间点对应的随机波动率。

[0116] 在其中一个实施例中，所述特征提取模块420，具体用于在每次进行随机性拟合的过程中，获取所述任一目标历史时间点对应的波动率、所述任一目标历史时间点对应的波动率的长期均值、所述任一目标历史时间点对应的波动率的均值回归速度和所述任一目标历史时间点对应的波动性的波动率，以及所述任一目标历史时间点对应的布朗运动；根据所述波动率、所述波动率的长期均值、所述波动率的均值回归速度、所述波动性的波动率和所述布朗运动，得到所述任一目标历史时间点对应的随机性拟合数值。

[0117] 在其中一个实施例中，所述装置还包括：训练模块，用于获取样本负荷时序数据；所述样本负荷时序数据包括每个样本时间点对应的样本负荷数据；获取所述样本负荷时序数据对应的样本随机波动率序列；所述样本随机波动率序列包括每个目标样本时间点对应的样本随机波动率；所述目标样本时间点为在样本时间区间中对应的时间长度，大于或等于预设时间窗口的时间长度的样本时间点；所述样本时间区间为所述样本负荷时序数据对应的时间区间；根据所述样本负荷时序数据和所述样本随机波动率序列，对待训练的电力负荷预测模型进行迭代训练，得到所述预训练的电力负荷预测模型；所述待训练的电力负荷预测模型为基于KAN神经网络构建得到的。

[0118] 上述基于KAN网络的时序随机信号仿真预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

[0119] 在一个示例性的实施例中，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。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预训练的电力负荷预测模型的模型参数数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于KAN网络的时序随机信号仿真预测方法。

[0120] 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。

[0121] 在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

[0122] 在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

[0123] 在一个实施例中，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上述各方法实施例中的步骤。

[0124] 需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。

[0125] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性存储器和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read‑Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（Resistive Random Access Memory，ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器、人工智能（Artificial Intelligence，AI）处理器等，不限于此。

[0126] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本申请记载的范围。

[0127] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。