技术领域
[0001] 本发明涉及天气预测技术领域，特别涉及一种天气预测方法、天气预测模型的训练方法、天气预测装置、天气预测模型的训练装置、电子设备及计算机可读存储介质。
相关背景技术
[0002] 天气预测在现代社会中必不可少，对于人们的日常生活、社会活动、农业生产、交通运输、灾害预防等多个领域都具有至关重要的意义。通过天气预测了解未来可能出现的天气状况，有利于人们安排调整社会活动，保证航空、航运等交通运输行业的安全运营，为农业生产提供更科学的种植和收割指导，有助于及时发布灾害预警，指导民众采取防御措施，减少自然灾害带来的损失。因此，有必要对天气进行及时准确预测和预报。
[0003] 现有技术中，在进行天气预报时，需要依赖气象时空数据，通常根据当前的天气数据情况来预测下一时刻的天气情况，且通常对获得的当前天气数据直接输入相关的预测模型，直接开始预测，对当前天气数据不做其他处理。气象时空数据包含大气层变量和地面层变量。其中，大气层变量例如包括温度、湿度、风速等，地面层变量例如包括降水量、气压等。然而，气象时空数据具有非常高的空间分辨率，具有比较大的数据冗余性。因而，在通过当前的天气数据直接进行预测时，可能存在冗余数据过多导致的预测速度慢的问题，还可能存在预测结果不够准确，误差较大的问题。
具体实施方式
[0069] 以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合较佳实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0070] 应注意的是，在本说明书中，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0071] 术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0072] 在本实施例的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“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，可以具体情况理解上述术语在本实施例中的具体含义。
[0073] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
[0074] 发明人经过仔细研究现有技术，发现现有技术通常直接对获得的当前的天气数据进行预测，而在预测前不做其他处理。然而，天气数据具有较大的冗余性，不利于快速准确地预测天气。发明人希望解决上述问题。
[0075] 第一方面，参考图1，本发明的实施方式提供了一种天气预测方法，通过天气预测模型进行天气预测，天气预测模型包括时空变分自编码器(VAE)，时空变分自编码器包括编码器和解码器，天气预测方法包括以下步骤：
[0076] S1：获取包含当前天气情况信息的当前天气数据。
[0077] 其中，当前天气数据可以包含天气变量，例如当前气压层的温度、当前气压层的湿度、当前气压层的风速、当前气压层的气压、当前地面层的温度、当前地面层的降水量和当前地面层的气压。
[0078] S2：通过编码器对当前天气数据在隐空间进行编码，将当前天气数据转化为当前天气隐空间数据。
[0079] 其中，当前天气隐空间数据为当前天气数据增加特征维度并降低时间维度和空间维度后的数据。隐空间是指编码器(encoder)将输入的数据映射到的潜在表示空间，在此空间中，数据被转换成一种压缩的、通常是低维度的形式，可以捕获原始输入的数据的主要特征和结构。即在本实施例中，通过编码器对当天天气数据在隐空间进行编码，具体是指将当前天气数据转换成一种在隐空间上的低维度的形式。通过将当前天气数据重新编码转换至隐空间，有利于对当前天气数据的时空维度进行降维，增加当前天气数据的特征维度，在消除冗余数据的同时提取保留与天气预测更相关的天气特征，既能减小数据量，又能保证后续天气预测的准确性。
[0080] 需说明的是，在本发明提供的一些可能的实施例中，当前天气隐空间数据是一种在隐空间上的抽象的特征数据，是耦合了多种天气特征的数据，其中的天气特征例如可以包括温度、风速、压力、大气特征等。
[0081] S3：在隐空间上对当前天气隐空间数据进行天气预测，得到预测天气隐空间数据。
[0082] 其中，可以在隐空间上采用预先训练完成的预测模型对当前天气隐空间数据进行天气预测。
[0083] S4：通过解码器对预测天气隐空间数据进行解码，将预测天气隐空间数据转化为预测天气数据。
[0084] 预测天气数据为预测天气隐空间数据降低特征维度并增加时间维度和空间维度后的数据，预测天气数据为当前天气数据对应的预测的天气情况的结果。
[0085] 时空变分自编码器的解码器(decoder)可以将隐空间中的数据进行重建映射，回到原始的数据空间。通过采用解码器(decoder)将预测天气隐空间数据转化为预测天气数据，得到的预测天气数据的时间维度、空间维度和特征维度得到还原，从而可以通过读取预测天气数据直接观测到预测的时刻的天气情况。
[0086] 采用上述技术方案，本发明的天气预测方法能够通过对当前天气数据进行维度处理，增加当前天气数据的特征纬度，降低当前天气数据的时间纬度和空间纬度，提取出与天气预测相关的关键特征，同时消除数据的冗余性，加快预测速度，提升天气预测的准确性。
[0087] 进一步地，编码器包括编码残差模块，参考图2，上述步骤S2具体包括以下步骤：
[0088] S21：通过编码残差模块对当前天气数据从标准数据空间映射至隐空间，以使当前天气数据转化为当前天气隐空间数据。
[0089] 其中，标准数据空间为当前天气数据对应的数据空间。编码残差模块(即Resblock)有助于解决时空变分自编码器训练过程中的梯度消失或梯度爆炸的问题，有助于促进当前天气数据到当前天气隐空间数据的转换，提升时空变分自编码器的性能。
[0090] 进一步地，编码残差模块包括多个编码残差卷积层，参考图3，上述步骤S21具体包括以下步骤：
[0091] S211：通过多个编码残差卷积层对当前天气数据进行维度处理，以增加当前天气数据的特征维度，降低当前天气数据的时间维度和空间维度，得到当前天气隐空间数据。
[0092] 其中，编码残差卷积层的个数越多，当前天气数据被增加的特征维度的倍数越多，当前天气数据被降低的时间维度和空间维度的倍数越多。进一步地，通过多个编码残差卷积层对当前天气数据降低的时间维度和空间维度的倍数可以是4倍、8倍或16倍，具体编码残差卷积层的个数和对当前天气数据降低的时间维度和空间维度的倍数可以根据不同情况下天气预测的实际需求来确定。通过采用多个编码残差卷积层逐步降低时间维度和空间维度，并逐步增加特征维度，既能有效降低当前天气数据的时空维度，减少数据冗余，又能把握重要的天气特征，防止重要的特征数据丢失。
[0093] 进一步地，解码器包括解码残差模块，参考图4，上述步骤S4具体包括以下步骤：
[0094] S41：通过解码残差模块对预测天气隐空间数据从隐空间重建至标准数据空间，得到预测天气数据。
[0095] 解码器的解码残差模块有助于解决时空变分自编码器训练过程中的梯度消失或梯度爆炸的问题，提高整个模型的表达能力，增强对数据的重建能力，提高输出的预测天气数据的质量，减少过拟合，提升天气预测的准确性。
[0096] 进一步地，解码残差模块包括多个解码残差卷积层，参考图5，上述步骤S41具体包括以下步骤：
[0097] S411：通过多个解码残差卷积层对预测天气隐空间数据进行维度处理，以降低预测天气隐空间数据的特征维度，增加预测天气隐空间数据的时间维度和空间维度，得到预测天气数据。
[0098] 其中，编码残差模块的编码残差卷积层的层数与解码残差模块的解码残差卷积层的层数相同，以使当前天气数据被增加的特征维度的倍数与预测天气隐空间数据被降低的特征维度的倍数相同，使当前天气数据被降低的时间维度和空间维度的倍数与预测天气隐空间数据被增加的时间维度和空间维度的倍数相同。更具体地，解码残差卷积层的个数与编码残差卷积层的个数相同，以将预测天气隐空间数据还原至与当前天气数据相同的特征维度、时间维度和空间维度。通过采用多个解码残差卷积层逐步增加时间维度和空间维度，并逐步降低特征维度，有利于保证重建输出的预测天气数据保留更多的天气特征细节，保证预测天气数据的质量。
[0099] 进一步地，天气预测模型还包括预测模型，参考图6，上述步骤S3具体包括以下步骤：
[0100] S31：通过预测模型采用分组注意力机制对当前天气隐空间数据进行特征融合，得到下一个状态的天气情况的预测天气隐空间数据。
[0101] 图14示出本发明采用的预测模型的结构示意图，整个预测模型都在隐空间上进行数据处理和天气预测。本发明中采用的预测模型是Weather Transformer模型，通过结合时空变分自编码器与Weather Transformer模型，有利于在减少气象时空相关的数据的冗余性的同时，进一步提升天气预测的精度，保证整个天气预测模型的稳定性和泛化能力，天气预测更准确。
[0102] Weather Transformer模型包含Transformer模块(即Transformer Block)，更具体地，Weather Transformer模型中可以包含d个Transformer模块(d为正整数)，Transformer模块的具体个数可以根据天气预测的实际需求来选择。其中，Transformer模块中包括归一化层AdaLN，分组注意力机制模块QGA和全连接层MLP。
[0103] 分组注意力机制模块QGA采用分组注意力机制进行图像处理。具体地，分组注意力机制用于对当前天气隐空间数据中包含的用于预测的天气特征进行量化处理和分组处理，得到多个特征组，对多个特征组中的用于预测的天气特征重新确定权重以进行特征融合。通过在Transformer模块中应用分组注意力机制，有助于提高计算效率、增强模型的表达能力、降低计算复杂度，提升预测的准确性。
[0104] 全连接层MLP可以将Transformer模块中其他层预测的结果进行整合和数据转换，得到预测天气隐空间数据。
[0105] 进一步地，参考图7，上述步骤S31具体包括以下步骤：
[0106] S311：根据当前天气隐空间数据对应的时间戳，通过预测模型采用分组注意力机制对当前天气隐空间数据进行天气预测，得到下一个状态的天气情况的预测天气隐空间数据。
[0107] 具体地，归一化层AdaLN用于接收输入的时间戳。时间戳是输入预测模型的当前天气隐空间数据的时间戳，而不是待预测的时刻。当前天气隐空间数据的时间戳例如可以是一天的第几个小时(hour)，一年当中的第几天(doy，即day of year的缩写形式)。由于一年中的天气通常呈现周期性变化，输入的时间戳中会隐含天气变化的周期性信息，通过结合当前天气隐空间数据及其对应的时间戳(即采集到当前天气隐空间数据的当前时间点)，有助于进一步提升模型天气预测的准确性。
[0108] 由于气象时空数据通常包含气象层变量和地面层变量，空间分辨率通常很高，具有比较大的冗余性，为了解决上述问题，本发明首次针对气象时空数据，设计了时空变分自编码器，有效降低数据的时空维度，提取重要的气象要素特征，同时保持较低的重建误差，经过时空变分自编码器编码后，天气预测可以直接在隐空间上进行，由于隐空间的特征表达能力更强，有利于提高天气预测的准确性，此外，在输入的天气数据的时间维度和空间维度降低后，可以使用注意力模块(例如全局注意力机制、分组注意力机制等)，增大网络模型的参数量，指导气象领域大模型的进一步优化和提升，改善模型的预测性能，进一步提高预测的准确性。
[0109] 第二方面，参考图8，本发明的实施方式还提供了一种天气预测模型的训练方法，用于训练前述任一项实施方式中的天气预测方法中用于进行天气预测的天气预测模型，天气预测模型包括时空变分自编码器(VAE)，时空变分自编码器包括编码器和解码器，天气预测模型的训练方法包括以下步骤：
[0110] S01：获取天气数据样本。
[0111] 示例性的，天气数据样本可以选自ERA5数据集。ERA5数据集是由欧洲中期天气预报中心(ECMWF)开发和维护的全球气候再分析数据集，ERA5数据集提供了多种气象要素的高分辨率全球数据，包括大气温度、气压、风速、降水量等。
[0112] S02：通过编码器对天气数据样本在隐空间进行编码，得到天气数据样本在隐空间上对应的天气隐空间数据。
[0113] 其中，天气隐空间数据为天气数据样本增加特征维度并降低时间维度和空间维度后的数据。编码器即为前述天气预测方法实施例中采用的编码器。
[0114] S03：通过解码器对天气隐空间数据进行解码还原，得到天气隐空间数据对应的还原天气数据。
[0115] 其中，还原天气数据为天气隐空间数据降低特征维度并增加时间维度和空间维度后的数据。解码器即为前述天气预测方法实施例中采用的解码器。
[0116] S04：根据天气数据样本和还原天气数据确定损失函数。
[0117] 其中，损失函数包括重建损失函数和KL散度损失函数，重建损失函数可以是均方误差损失函数和/或交叉熵损失函数。通过采用重建损失函数，有利于衡量输出的还原天气数据与天气数据样本之间的差异，有利于确保时空变分自编码器在编码和解码的过程中尽可能地保留输入的天气数据样本的信息。通过采用KL散度损失函数，可以确保隐空间中的分布接近先验分布(例如标准正态分布)，有利于保证隐空间的连续性和平滑性，有助于防止过拟合，促进数据重建的效果。通过综合重建损失函数和KL散度损失函数，可以稳定训练过程，保证模型的泛化能力。
[0118] S05：根据损失函数、天气数据样本和还原天气数据对待训练的时空变分自编码器进行参数更新，直至待训练的时空变分自编码器满足预设训练条件，得到训练完成的时空变分自编码器。
[0119] 其中，预设训练条件可以是达到预设的训练时间或训练过程中的迭代次数，也可以是损失函数收敛，损失函数趋于稳定。
[0120] 采用上述技术方案，本发明提供的天气预测模型的训练方法训练出的天气预测模型能够通过对当前天气数据进行维度处理，增加当前天气数据的特征纬度，降低当前天气数据的时间纬度和空间纬度，提取出与天气预测相关的关键特征，同时消除数据的冗余性，加快预测速度，提升天气预测的准确性。
[0121] 参考图13，图13示出本发明上述各实施例中采用的时空变分自编码器的结构示意图。输入的天气数据样本首先通过时空变分自编码器的编码器被编码至隐空间，再通过时t‑k t空变分自编码器的解码器被还原重建，得到还原天气数据。其中，图中左侧的X …X (初始输入)表示输入的天气数据样本(可以输入多种样本以训练时空变分自编码器)，T*Cin*H*W中，T表示时间(对应时间维度)，Cin表示特征通道(对应特征维度)，H*W表示空间(对应空间t
维度)。Latent表示隐空间，h表示天气隐空间数据，对应的Tf*Cf*Hf*Wf是天气隐空间数据相应在隐空间上的维度(相应地，Tf表示时间，对应时间维度；Cf表示特征通道，对应特征维度；
Hf*Wf表示空间，对应空间维度)，其中，Cf大于Cin，Tf小于T，Hf*Wf小于H*W。天气隐空间数据经t‑k t
过解码器还原后，输出的是还原天气数据(即图13右侧显示的X …X (输出结果)，期望输入的天气数据样本与输出的还原天气数据尽可能地一致，最佳情况是完全一致)，还原天气数据的T*C*H*W与天气数据样本的T*Cin*H*W相同(即还原天气数据与天气数据样本的时间维度、空间维度、特征维度都分别相同)。
[0122] 在上述实施例中，天气预测模型还包括预测模型，预测模型用于在隐空间上进行天气预测。参考图9，天气预测模型的训练方法还包括以下步骤：
[0123] S06：获取原始天气数据样本、原始天气数据样本中包含的天气情况对应的时间戳、原始天气数据样本对应的天气预测标签。
[0124] 其中，示例性的，原始天气数据样本、相对应的时间戳、天气预测标签均可以选自ERA5数据集。
[0125] S07：通过预测模型采用分组注意力机制对原始天气数据样本进行特征融合，得到下一个状态的天气情况的预测天气数据。
[0126] 其中，预测模型即为上述天气预测方法实施例中采用的预测模型。相应地，参考图t t+114，h为原始天气数据样本，h 为预测天气数据。
[0127] S08：根据天气预测标签和预测天气数据确定预测损失函数。
[0128] 其中，示例性地，预测损失函数例如可以选择采用交叉熵损失或MAE损失，也可以采用自行设计的其他损失函数。
[0129] S09：根据预测损失函数、预测天气数据和天气预测标签对待训练的预测模型进行参数更新，直至待训练的预测模型满足预测预设训练条件，得到训练完成的预测模型。
[0130] 其中，预测预设训练条件例如可以是达到预设的训练时间或训练过程中的迭代次数，也可以是损失函数收敛，损失函数趋于稳定。
[0131] 第三方面，参考图10，本发明的实施方式还提供了一种天气预测装置1，通过天气预测模型进行天气预测，天气预测模型包括时空变分自编码器，时空变分自编码器包括编码器和解码器。天气预测装置1包括数据获取模块11、隐空间编码模块12、隐空间预测模块13和隐空间解码模块14。
[0132] 其中，数据获取模块11与隐空间编码模块12连接，隐空间编码模块12与隐空间预测模块13连接，隐空间预测模块13与隐空间解码模块14连接。
[0133] 数据获取模块11用于获取包含当前天气情况信息的当前天气数据。
[0134] 隐空间编码模块12用于通过编码器对当前天气数据在隐空间进行编码，将当前天气数据转化为当前天气隐空间数据；当前天气隐空间数据为当前天气数据增加特征维度并降低时间维度和空间维度后的数据。
[0135] 隐空间预测模块13用于在隐空间上对当前天气隐空间数据进行天气预测，得到预测天气隐空间数据。
[0136] 隐空间解码模块14用于通过解码器对预测天气隐空间数据进行解码，将预测天气隐空间数据转化为预测天气数据；预测天气数据为预测天气隐空间数据降低特征维度并增加时间维度和空间维度后的数据，预测天气数据为当前天气数据对应的预测的天气情况的结果。
[0137] 采用上述技术方案，天气预测装置1能够通过对当前天气数据进行维度处理，增加当前天气数据的特征纬度，降低当前天气数据的时间纬度和空间纬度，提取出与天气预测相关的关键特征，同时消除数据的冗余性，加快预测速度，提升天气预测的准确性。
[0138] 进一步地，隐空间编码模块12还可以用于执行前述步骤S21、S211。隐空间预测模块13还可以用于执行前述步骤S31、S311。隐空间解码模块14还可以用于执行前述步骤S41、S411。
[0139] 第四方面，参考图11，本发明的实施方式还提供了一种天气预测模型的训练装置2，用于训练前述任一项实施方式中的天气预测方法中用于进行天气预测的天气预测模型，天气预测模型包括时空变分自编码器，时空变分自编码器包括编码器和解码器.天气预测模型的训练装置2包括训练数据获取模块21、编码模块22、解码模块23、损失函数确定模块
24和训练模块25。
[0140] 其中，训练数据获取模块21与编码模块22连接，编码模块22与解码模块23连接，解码模块23与损失函数确定模块24连接，损失函数确定模块24与训练模块25连接。
[0141] 训练数据获取模块21用于获取天气数据样本。
[0142] 编码模块22用于通过编码器对天气数据样本在隐空间进行编码，得到天气数据样本在隐空间上对应的天气隐空间数据；天气隐空间数据为天气数据样本增加特征维度并降低时间维度和空间维度后的数据。
[0143] 解码模块23用于通过解码器对天气隐空间数据进行解码还原，得到天气隐空间数据对应的还原天气数据；还原天气数据为天气隐空间数据降低特征维度并增加时间维度和空间维度后的数据。
[0144] 损失函数确定模块24用于根据天气数据样本和还原天气数据确定损失函数。
[0145] 训练模块25用于根据损失函数、天气数据样本和还原天气数据对待训练的时空变分自编码器进行参数更新，直至待训练的时空变分自编码器满足预设训练条件，得到训练完成的时空变分自编码器。
[0146] 采用上述技术方案，天气预测模型的训练装置2训练出的天气预测模型能够通过对当前天气数据进行维度处理，增加当前天气数据的特征纬度，降低当前天气数据的时间纬度和空间纬度，提取出与天气预测相关的关键特征，同时消除数据的冗余性，加快预测速度，提升天气预测的准确性。
[0147] 进一步地，天气预测模型还包括预测模型，预测模型用于在隐空间上进行天气预测，天气预测模型的训练装置2还可以包括预测模型数据获取模块、预测模型处理模块、预测损失函数确定模块和预测模型训练模块。其中，预测模型数据获取模块与预测模型处理模块连接，预测模型处理模块与预测损失函数确定模块连接，预测损失函数确定模块与预测模型训练模块连接。
[0148] 预测模型数据获取模块用于获取原始天气数据样本、原始天气数据样本中包含的天气情况对应的时间戳、原始天气数据样本对应的天气预测标签。
[0149] 预测模型处理模块用于通过预测模型采用分组注意力机制对原始天气数据样本进行特征融合，得到下一个状态的天气情况的预测天气数据。
[0150] 预测损失函数确定模块用于根据天气预测标签和预测天气数据确定预测损失函数。
[0151] 预测模型训练模块用于根据预测损失函数、预测天气数据和天气预测标签对待训练的预测模型进行参数更新，直至待训练的预测模型满足预测预设训练条件，得到训练完成的预测模型。
[0152] 第五方面，参考图12，本发明的实施方式还提供了一种电子设备3，包括处理器32和存储器31，存储器31中存储有至少一条指令，至少一条指令在被处理器32执行时实现前述任一项实施方式中的天气预测方法，和/或，实现前述任一项实施方式中的天气预测模型的训练方法。其中，存储器31例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
[0153] 采用上述技术方案，电子设备3使训练出的天气预测模型能够对当前天气数据进行维度处理，增加当前天气数据的特征纬度，降低当前天气数据的时间纬度和空间纬度，提取出与天气预测相关的关键特征，同时消除数据的冗余性，加快预测速度，提升天气预测的准确性。
[0154] 第六方面，本发明的实施方式还提供了一种计算机可读存储介质，计算机可读存储介质中存储有至少一条指令，至少一条指令在被执行时实现前述任一项实施方式中的天气预测方法，和/或，实现前述任一项实施方式中的天气预测模型的训练方法。
[0155] 采用上述技术方案，计算机可读存储介质使训练出的天气预测模型能够对当前天气数据进行维度处理，增加当前天气数据的特征纬度，降低当前天气数据的时间纬度和空间纬度，提取出与天气预测相关的关键特征，同时消除数据的冗余性，加快预测速度，提升天气预测的准确性。
[0156] 本领域内的技术人员应当明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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非瞬时性存储介质(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。
[0157] 本发明是参照根据本发明实施例的方法、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。应理解为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。
[0158] 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。
[0159] 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。
[0160] 虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。本领域技术人员可以在形式上和细节上对其作各种改变，包括做出若干简单推演或替换，而不偏离本发明的精神和范围。
