发明内容
本公开的目的在于提供一种仓储分仓辅助分析方法以及一种仓储分仓辅助分析装置,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开的一个方面,提供一种仓储分仓辅助分析方法,包括:
获取一地区在历史时间段内的订单信息并从所述订单信息中获取所述历史时间段内的单品信息;
建立历史三维关联矩阵,所述历史三维关联矩阵的任一点Hi(xi,yi,zi)用于表示单品xi和单品yi在历史时间zi处的关联性为gi;其中,gi是根据所述单品xi和单品yi在历史时间zi的所述单品信息计算得到;
对任意两个所述单品的各所述关联性的时间序列进行拟合,并根据拟合结果计算在未来时间段内的未来三维关联矩阵;
在所述历史三维关联矩阵上增加所述未来三维关联矩阵,并对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵;
对所述二维关联矩阵进行谱聚类,并根据谱聚类结果以分割后的子图间关联性最少为目标对所述二维关联矩阵进行图分割;
根据所述图分割的结果,将单品集合分配到各个仓库中。
在本公开的一种示例性实施例中,所述方法还包括:
通过所述关联性的时间序列的一阶矩和二阶矩对所述关联性的时间序列进行去离群值操作。
在本公开的一种示例性实施例中,所述方法还包括:
根据所述谱聚类结果对所述二维关联矩阵进行进一步聚类,并对聚类结果进行进一步评价。
在本公开的一种示例性实施例中,对任意两个所述单品的各所述关联性的时间序列进行拟合包括:
其中,xi为时间序列上的值,wi为时间序列的权值,T为时间窗的大小。
在本公开的一种示例性实施例中,对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵包括:
其中,n为所述时间序列长度,H
*(x
i,y
i)为所述二维关联矩阵上的任一点,
为所述未来三维关联矩阵上的任一点。
在本公开的一种示例性实施例中,对所述二维关联矩阵进行谱聚类包括:
建立相似图,相似图的带权邻接矩阵为W,其中,W=H*,H*为所述二维关联矩阵;
计算拉普拉斯矩阵L,其中
w
ij为所述带权邻接矩阵W中的任意一点,j为所述带权邻接矩阵W中的列数;
分解所述拉普拉斯矩阵L=UΛU-1,其中,U=[u1,u2,...,ur],
[u1,u2,...,ur]为L的特征向量值,λi为L的特征值,并且在Λ中,λ1≤λ2≤...≤λr,r为W的秩;
选取所述拉普拉斯矩阵L的前k个特征向量值组成一个r*k的矩阵,将所述矩阵中的每一行作为k维空间中的一个向量,利用聚类算法对所述特征向量进行聚类,k为谱聚类的预聚类数量。
在本公开的一种示例性实施例中,根据所述谱聚类结果对所述二维关联矩阵进行进一步聚类包括:
其中,S(k,m)为所述单品集合分配的方案数量,C是二项式系数,m为需要参与计算的仓库的个数,k为谱聚类的预聚类数量,并且有m<k。
根据本公开的另一个方面,提供一种仓储分仓辅助分析装置,包括:
信息获取模块:用于获取一地区在历史时间段内的订单信息并从所述订单信息中获取所述历史时间段内的单品信息;
第一关联矩阵模块:用于建立历史三维关联矩阵,所述历史三维关联矩阵的任一点Hi(xi,yi,zi)用于表示单品xi和单品yi在历史时间zi处的关联性为gi;其中,gi是根据所述单品xi和单品yi在历史时间zi的所述单品信息计算得到;
拟合模块:用于对任意两个所述单品的各所述关联性的时间序列进行拟合;
第二关联矩阵模块:用于根据拟合结果计算在未来时间段内的未来三维关联矩阵;
第三关联矩阵模块:用于在所述历史三维关联矩阵上增加所述未来三维关联矩阵;
融合模块:用于对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵;
谱聚类模块:用于对所述二维关联矩阵进行谱聚类;
图分割模块:用于根据谱聚类结果以分割后的子图间关联性最少为目标对所述二维关联矩阵进行图分割;
单品分配模块:用于根据所述图分割的结果,将单品集合分配到各个仓库中。
在本公开的一种示例性实施例中,所述装置还包括:
去离群值模块:用于通过所述关联性的时间序列的一阶矩和二阶矩对所述关联性的时间序列进行去离群值操作。
在本公开的一种示例性实施例中,所述装置还包括:
第一聚类模块:用于根据所述谱聚类结果对所述二维关联矩阵进行进一步聚类;
评价模块:用于对聚类结果进行进一步评价。
在本公开的一种示例性实施例中,对任意两个所述单品的各所述关联性的时间序列进行拟合,所述拟合包括:
其中,xi为时间序列上的值,wi为时间序列的权值,T为时间窗的大小。
在本公开的一种示例性实施例中,对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵,所述融合包括:
其中,n为所述时间序列长度,H
*(x
i,y
i)为所述二维关联矩阵上的任意一点,
为所述未来三维关联矩阵上的任意一点。
在本公开的一种示例性实施例中,所述谱聚类模块包括:
相似图建立模块:用于建立相似图,相似图的带权邻接矩阵为W,其中,W=H*,H*为所述二维关联矩阵;
拉普拉斯矩阵计算模块:用于计算拉普拉斯矩阵L,其中,
w
ij为所述带权邻接矩阵W中的任意一点,j为所述带权邻接矩阵W中的列数;
拉普拉斯矩阵分解模块:用于分解所述拉普拉斯矩阵L=UΛU-1,其中,U=[u1,u2,...,ur],
[u1,u2,...,ur]为L的特征向量值,λi为L的特征值,并且在Λ中,λ1≤λ2≤...≤λr,r为W的秩;
第二聚类模块:用于选取所述拉普拉斯矩阵L的前k个特征向量值组成一个r*k的矩阵,将所述矩阵中的每一行作为k维空间中的一个向量,利用聚类算法对所述特征向量进行聚类,k为谱聚类的预聚类数量。
在本公开的一种示例性实施例中,根据所述谱聚类结果对所述二维关联矩阵进行进一步聚类,所述聚类包括:
其中,S(k,m)为所述单品集合分配的方案数量,C是二项式系数,m为需要参与计算的仓库的个数,k为谱聚类的预聚类数量,并且有m<k。
本公开一种示例性实施例的仓储分仓辅助分析方法及装置中,一方面通过将用户的订单信息抽象为商品关联矩阵,使得商品分布的计算完全基于关联矩阵,不用遍历用户订单,提高了计算效率;另一方面通过时间序列的分析可对短期内的关联矩阵进行预测,从而可以预测商品分仓后的拆单情况,辅助企业实现更优的分仓,进而可以在很大程度上降低“高拆单率”给企业运营带来的成本。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种仓储分仓辅助分析方法,该仓储分仓辅助分析方法可以从客户订单的数据分析出发,针对不同地区,不同时间段,从用户的购买行为出发,分析商品的购买关联性,通过规划商品布局将n个仓库拆分为m个仓库。参考图1中所示,所述仓储分仓辅助分析方法可以包括以下步骤:
在步骤S110中,获取一地区在历史时间段内的订单信息并从所述订单信息中获取所述历史时间段内的单品信息。参考图2所示,本示例实施方式中步骤S110例如可以包括下述步骤S112~S116。其中:
在步骤S112中,从hadoop集群中获取一段时间周期内的订单信息。
Hadoop集群是一个由Apache基金会所开发的分布式***基础架构,用户可以在不了解分布式底层细节的情况下开发分布式程序,充分利用集群的优势进行高速运算和存储。本示例实施方式中,从hadoop集群中获取的订单信息可以包括:父订单编号,子订单编号,购买单品(sku或品类)信息,仓库信息(仓库信息包括仓库名称,所述区域以及出库时间),下单时间,订单有效标识等,但本公开不以此为限。此外,在本公开的其他示例性实施例中,也可以根据情况以其他方式获取订单信息,本示例性实施例中对此不做特殊限定。
在步骤S114中,对上述订单信息进行分类整理。
本示例实施方式中,对订单信息的分类整理比如可以包括无效订单排除、订单类型标识一级属性信息标识等,且本公开不以此为限。本示例实施方式中,通过步骤S114可以实现:过滤掉无效订单(订单有效标识为无效的);过滤掉没有仓库信息的订单;根据订单业务类型对订单进行标识:比如可以标识为:自营订单、第三方订单、自营和第三方混合订单等,订单业务类型可以从订单编号推断,或在订单信息中加入订单业务类型标识;以及,对订单增加属性信息:比如可以增加属性信息区分跨区域订单和跨品类订单等。
在步骤S116中,整理单品信息。
本示例实施方式中,单品itemi可以为订单中的商品,其可以是sku(storekeeping unit,库存量单位)或品类等;sku为仓库管理中的最小存储单元,品类根据业务的不同可以分为多级:比如燕京啤酒和青岛啤酒,按sku算为两个单品,但按三级品类两者都为啤酒,是一种单品;又比如燕京啤酒和青岛啤酒和飞天茅台,按sku为三个单品,但三级品类为啤酒和白酒两个单品,按二级品类为中国酒算一个单品。在整理单品信息时根据实际的应用需求,选择加工的粒度(sku或品类)。
在获取每个地区的订单信息后,本示例实施方式中可以针对每个地区,将该地区的订单信息合成一个单品集合I,I包含该地区一段时间内订单中出现的所有单品,比如为:I={item
i}。此外,本示例实施方式中,还可以对订单信息进行整合,同一个父单的子单需合并,生成订单集合;比如订单o
1包括子订单
和子订单
其中
订单包括单品(item
1,item
2,item
3),
订单包括单品((item
4,item
5),即
整合后订单o
1为o
1{item
1,item
2,item
3,item
4,item
5};其中,item
1,item
2,item
3,item
4,item
5为单品。
在步骤S120中,建立历史三维关联矩阵,所述历史三维关联矩阵的任一点Hi(xi,yi,zi)用于表示单品xi和单品yi在历史时间zi处的关联性为gi。其中,gi是根据所述单品xi和单品yi在历史时间zi的所述单品信息计算得到。
参考图3(a)所示,本示例实施方式中,针对每一地区,可以从订单信息入手进行关联分析,统计粒度到天;得到一个三维关联矩阵—数据立方体H(X,Y,Z),该数据立方体以天为粒度对商品的关联性进行记录;参考图3(b)所示,其中每一个关联矩阵的每一个XY层H(*,*,z)代表同一个时间的点。
在步骤S130中,对任意两个所述单品的各所述关联性的时间序列进行拟合,并根据拟合结果计算在未来时间段内的未来三维关联矩阵。
参考图4(a)所示,矩阵上每一个点H(x1,y1,z1)(即为图中的A)代表某两个单品在某时间点的关联性,该点沿着z轴的数据为某两个单品关联性的时间序列H(x1,y1,*)。本示例实施方式中,对关联性的时间序列进行拟合可以通过下面公式计算:
其中,xi为时间序列上的值,wi为时间序列的权值,T为时间窗的大小。
参考图4(b)所示,图4(b)表示任意两商品关联性的时间序列,图中N1表示真实数据,N2表示拟合数据,N3区域表示预测预期。在步骤S140中,在所述历史三维关联矩阵上增加所述未来三维关联矩阵,并对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵。但本领域技术人员容易理解的是,在本公开的其他示例性实施例中,也可以采用其他方式计算在未来时间段内的未来三维关联矩阵,本示例实施方式中对此不做特殊限定。
参考图5所示,图5与图3(a)的区别为,增加了预测时间段的关联矩阵;其中C1是未来三维关联矩阵,C2时历史三维关联矩阵;对图5中的三维关联矩阵进行时间维度上的融合,可以形成新的二维关联矩阵H*。本示例实施方式中,融合方式可以如下:
上式将矩阵在时间维度上进行了求和形成一个新的矩阵H*,与矩阵H不同的是,矩阵H*是一个二维矩阵,H*矩阵中的每一个元素代表一段时间内某两个单品的总关联性。
在步骤S150中,对所述二维关联矩阵进行谱聚类,并根据谱聚类结果以分割后的子图间关联性最少为目标对所述二维关联矩阵进行图分割。参考图6所示,本示例实施方式中,谱聚类可以包括步骤S602~S608。其中:
在步骤S602中,建立相似图(similarity graph)。本示例实施方式中,相似图的带权邻接矩阵为W,其中,W=H*,H*为上述二维关联矩阵。
在步骤S604中,计算非标准图(unnormalized graph)拉普拉斯矩阵L,其中
为所述带权邻接矩阵W中的任意一点,j为所述带权邻接矩阵W中的列数。
在步骤S606中,对所述拉普拉斯矩阵L进行SVD分解。例如:
L=UΛU-1;
其中,
[u
1,u
2,...,u
r]为L的特征向量值,λ
i为L的特征值,并且在Λ中,λ
1≤λ
2≤...≤λ
r,r为W的秩。
在步骤S608中,选取所述拉普拉斯矩阵L的前k个特征向量值组成一个r*k的矩阵,将所述矩阵中的每一行作为k维空间中的一个向量,利用聚类算法对所述特征向量进行聚类,k为谱聚类的预聚类数量。
选取L的前k个最小的特征向量(与谱聚类的预聚类数量k相同),k值选取需要充分考虑分仓条件;例如,预将2个仓分为3个仓(即新建一个仓,需要参与计算的仓库为3个),则k值选择在15即可;又例如,预将4个仓变为6个仓(即新建2个仓,需要参与计算的仓库为6个),则需要将k值定在30左右;一般k值的选择至少为仓数的5倍并且不大于H*的秩r,但本公开不以此为限。
将上述k个特征向量排列在一起组成一个r*k的矩阵,将其中每一行作为k维空间中的一个向量,并使用k-means算法进行聚类;在本公开的其他示例性实施例中,也可以根据其他方式进行聚类,本示例性实施例中对此不做特殊限定。
在步骤S160中,根据所述图分割的结果,将单品集合分配到各个仓库中。
本公开的一种仓储分仓辅助分析方法及装置,一方面通过将用户的订单信息抽象为商品关联矩阵,使得商品分布的计算完全基于关联矩阵,不用遍历用户订单,提高了计算效率;另一方面通过时间序列的分析可对短期内的关联矩阵进行预测,从而预测商品分仓后的拆单情况。
本公开的另一种仓储分仓辅助分析方法及装置,通过对时间序列的去离群值,过滤掉了促销对单品关联性的影响,提高了关联性的准确率,降低了拆单率,大大降低了成本。
在本公开的另一些实施例中,上述仓储分仓辅助分析方法还包括:通过所述关联性的时间序列的一阶矩和二阶矩对所述关联性的时间序列进行去离群值操作。
参考图7所示,去离群值的步骤可以包括:
在步骤S702中,使用任意两个单品的关联性符合T分布,根据单位时间内任意两个单品的时间序列,计算在上述单位时间内的一阶矩阵M1和二阶矩阵M2。
在步骤S704中,选择置信度95%,即α=0.05,自由度为样本数量减1,即p-1(p为时间序列的极差,以天为单位)。
在上述步骤S704中,选取α=0.05,但是本公开不以此为限,可以根据实际自行选取。
在步骤S706中,计算临界值c=t(1-α/2)(p-1),其中t(1-α/2)(p-1)可以通过查t分布表获取。
在步骤S708中,选取
为置信区间,并对时间序列中的每一个值x进行变换,
如果x'在区间
中则保留,否则去除。
通过去离群值,去掉了关于促销的订单信息,增加了关联性的准确率。此外,上述去离群值方法仅作为示范,通过其他方式实现的去离群值方案同样属于本公开的保护范围。
在本公开的另一些实施例中,上述仓储分仓辅助分析方法还包括:对上述二维关联矩阵进行清洗。举例而言:
参考图8所示,第一行为单品a和其他单品(a,b,c,d,e,f)的关联性,颜色深浅代表关联性的强弱,越深关联性越强;此时,本方案只保留每行的前m个关联数据(m>k,k为谱聚类的欲聚类数量),其余置零。另外,清洗后的H*仍然是对称矩阵。
通过清洗掉关联性不强的数据,保证了聚类的效果。
在本公开的另一些实施例中,上述仓储分仓辅助分析方法还包括:根据所述谱聚类结果对所述二维关联矩阵进行进一步聚类,并对聚类结果进行进一步评价。
在上述方案中,已经将所涉及的单品集分为了k类,需要参与计算的仓库为m个;由于k大于m,则需要进一步聚类,将k类聚到m个类,则有S(k,m)种可能,如下式所示,最后m个类中的每一个类代表分仓后仓库中存放的品类。
在上述步骤中,通过再次聚类,生成了S(k,m)种可能的单品布局方案,在本步骤中,需要对S(k,m)个方案进行评价,选出最优方案;优秀的单品布局方案可以有效的减少拆单情况的发生,因此此处使用商品布局方案对拆单的贡献度作为评价标准。
评价步骤包括:
S(k,m)={s1,s2,s3...,sl},l代表有l个组合方案,即集合S(k,m)的长度;
si={m1,m2,m3,...,mm};
其中,s
i为S(k,m)个方案中的一种单品布局方案,每一个s
i中均有m个分类,其中每一个分类m
i由单品组成,且一个s
i的m个分类中的单品不是重复的,即
代表item
i,item
j的关联性,
代表H
*上的一行,代表item
i和所有商品的关联性;
如上所述,item
i在H
*中有一个对应的行
对应行上的值代表item
i和所有商品的关联性;如果item
i和item
j放在同一个仓库中,则可以减少拆单;相反的,如果item
i和item
j放在不同的仓库中,则必然会增加拆单量。
因此,评价方案s
i的好坏时,需要计算s
i中的每一个类m
i对拆单的贡献度score_m
i,对m
i中单品item
i所对应的
行进行求和。item
i和item
j均在m
i中,则有:score_m
i加上
说明这两个单品放在一起可以减少拆单;
相反的,如果item
i和item
j不在m
i中,则有:score_m
i加上
说明这两个单品没有放在一起,会增加拆单率。
将计算好的score_mi进行求和即可获得si的评价值si_score;si_score代表了单品分布对订单的影响,该值越大,说明该商品布局方案对拆单贡献越多;反之,则说明该方案越好,对拆单贡献越低;如果si_score的值为负数,则表明该方案可以有效的减少拆单。在所有si中选取最小si_score即为最终的单品布局方案。通过该再次聚类并结合评价参数,可以对分仓方案进行进一步的优化,进而实现最佳的分仓方案。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
本示例实施方式中还提供了一种仓储分仓辅助分析装置,该仓储分仓辅助分析装置从客户订单的数据分析出发,针对不同地区,不同时间段,从用户的购买行为出发,分析商品的购买关联性,通过规划商品布局将n个仓库拆分为m个仓库。参考图9中所示,所述仓储分仓辅助分析装置包括:信息获取模块900,第一关联矩阵模块910,第二关联矩阵模块920,第三关联矩阵模块930,融合模块940,谱聚类模块950,图分割模块960以及单品分配模块970;其中,
信息获取模块900:用于获取一地区在历史时间段内的订单信息并从所述订单信息中获取所述历史时间段内的单品信息;
第一关联矩阵模块910:用于建立历史三维关联矩阵,所述历史三维关联矩阵的任一点Hi(xi,yi,zi)用于表示单品xi和单品yi在历史时间zi处的关联性为gi;其中,gi是根据所述单品xi和单品yi在历史时间zi的所述单品信息计算得到;
拟合模块:用于对任意两个所述单品的各所述关联性的时间序列进行拟合;
第二关联矩阵模块920:用于根据拟合结果计算在未来时间段内的未来三维关联矩阵;
第三关联矩阵模块930:用于在所述历史三维关联矩阵上增加所述未来三维关联矩阵;
融合模块940:用于对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵;
谱聚类模块950:用于对所述二维关联矩阵进行谱聚类;
图分割模块960:用于根据谱聚类结果以分割后的子图间关联性最少为目标对所述二维关联矩阵进行图分割;
单品分配模块970:用于根据所述图分割的结果,将单品集合分配到各个仓库中。
在本公开的另一些实施例中,所述装置还包括:
去离群值模块:用于通过所述关联性的时间序列的一阶矩和二阶矩对所述关联性的时间序列进行去离群值操作。
在本公开的另一些实施例中,所述装置还包括:
第一聚类模块:用于根据所述谱聚类结果对所述二维关联矩阵进行进一步聚类;
评价模块:用于对聚类结果进行进一步评价。
在本公开的另一些实施例中,对任意两个所述单品的各所述关联性的时间序列进行拟合,所述拟合包括:
其中,xi为时间序列上的值,wi为时间序列的权值,T为时间窗的大小。
在本公开的另一些实施例中,对增加后的三维关联矩阵在时间维度上进行融合得到二维关联矩阵,所述融合包括:
其中,n为所述时间序列长度,H
*(x
i,y
i)为所述二维关联矩阵上的任意一点,
为所述未来三维关联矩阵上的任意一点。
在本公开的另一些实施例中,所述谱聚类模块包括:
相似图建立模块:用于建立相似图,相似图的带权邻接矩阵为W,其中,W=H*,H*为所述二维关联矩阵;
拉普拉斯矩阵计算模块:用于计算拉普拉斯矩阵L,其中,
w
ij为所述带权邻接矩阵W中的任意一点,j为所述带权邻接矩阵W中的列数;
拉普拉斯矩阵分解模块:用于分解所述拉普拉斯矩阵L=UΛU-1,其中,U=[u1,u2,...,ur],
[u1,u2,...,ur]为L的特征向量值,λi为L的特征值,并且在Λ中,λ1≤λ2≤...≤λr,r为W的秩;
第二聚类模块:用于选取所述拉普拉斯矩阵L的前k个特征向量值组成一个r*k的矩阵,将所述矩阵中的每一行作为k维空间中的一个向量,利用聚类算法对所述特征向量进行聚类,k为谱聚类的预聚类数量。
在本公开的另一些实施例中,根据所述谱聚类结果对所述二维关联矩阵进行进一步聚类,所述聚类包括:
其中,S(k,m)为所述单品集合分配的方案数量,C是二项式系数,m为需要参与计算的仓库的个数,k为谱聚类的预聚类数量,并且有m<k。
由于本发明实施方式的仓储分仓辅助分析装置的各个功能模块与上述方法发明实施方式中相同,因此在此不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。