本发明涉及金融服务领域，尤其涉及一种物流保险保单的核保方法和装置。
背景技术：
目前，保险公司一般通过专业的核保人员对物流保险的保单进行风险评估和报价，核保人员得出的核保结果将直接影响保单风险标的的报价以及保险公司的风控管理。
技术实现要素：
本发明实施例提供了一种物流保险保单的核保方法和装置，能够提高物流保险保单的核保效率和准确率。
本发明实施例提供的一种物流保险保单的核保方法，包括：
获取目标物流保险保单以及目标报价人信息；
根据所述目标物流保险保单的风险标的信息和投保人信息计算风险标的的第一核保因子；
按照预设的向量模型对所述风险标的信息和所述目标报价人信息进行向量提取，得到所述风险标的的第二核保因子；
将所述第一核保因子和所述第二核保因子作为输入投入至预先训练好的深度学习模型；
获取所述深度学习模型的输出作为所述目标物流保险保单的核保结果。
可选地，所述深度学习模型由以下步骤预先训练得到：
获取作为样本的物流保险保单以及与所述物流保险保单对应的报价人信息；
根据所述物流保险保单的风险标的信息和投保人信息计算风险标的的第一样本因子；
按照预设的向量模型对所述物流保险保单的风险标的信息和所述报价人信息进行向量提取，得到风险标的的第二样本因子；
将所述第一样本因子和所述第二样本因子作为输入投入至所述深度学习模型，得到所述深度学习模型的输出；
将得到的所述输出作为目标，调整所述深度学习模型的隐层参数，以最小化得到的所述输出与所述物流保险保单的核保结果之间的误差；
若所述误差满足预设条件，则确定当前的所述深度学习模型为训练好的深度学习模型。
可选地，所述风险标的信息包括风险标的的类型、运输方式、包装方式和运输的起点终点信息；
所述根据所述目标物流保险保单的风险标的信息和投保人信息计算风险标的的第一核保因子具体包括：
查询所述风险标的的类型对应的标的类型基准损失率作为第一低层调整因子；
确定与所述投保人信息对应的第二低层调整因子；
确定与所述风险标的的运输方式对应的第三低层调整因子；
确定与所述风险标的的包装方式对应的第四低层调整因子；
确定与所述风险标的的运输的起点终点信息对应的第五低层调整因子；
对所述第一低层调整因子、第二低层调整因子、第三低层调整因子、第四低层调整因子和第五低层调整因子进行预处理，得到所述风险标的的第一核保因子。
可选地，所述风险标的信息包括风险标的的承保范围、保额、历史赔付率、市场环境信息和商业竞争信息，所述目标报价人信息包括目标报价人的保险公司信息；
所述按照预设的向量模型对所述风险标的信息和所述目标报价人信息进行向量提取，得到所述风险标的的第二核保因子具体包括：
确定与所述风险标的的承保范围对应的第一数值；
确定与所述风险标的的保额对应的第二数值；
确定与所述风险标的的历史赔付率对应的第三数值；
确定与所述风险标的的市场环境信息对应的第四数值；
确定与所述风险标的的商业竞争信息对应的第五数值；
确定与所述目标报价人的保险公司信息对应的第六数值；
将所述第一数值、第二数值，第三数值、第四数值、第五数值和第六数值导入预设的向量模型，得到所述风险标的的第二核保因子。
可选地，所述获取所述深度学习模型的输出作为所述目标物流保险保单的核保结果具体包括：
判断所述深度学习模型的输出是否满足预设的阈值条件；
若所述深度学习模型的输出不满足预设的阈值条件，则将所述目标物流保险保单对应的输入和输出作为负样本反馈至所述深度学习模型，以修正所述深度学习模型的隐层参数；
若所述深度学习模型的输出满足预设的阈值条件，则确定所述深度学习模型的输出为所述目标物流保险保单的核保结果，并将所述目标物流保险保单对应的输入和输出确定为用于训练所述深度学习模型的新增的正样本。
本发明实施例提供的一种物流保险保单的核保装置，包括：
信息获取模块，用于获取目标物流保险保单以及目标报价人信息；
第一核保因子计算模块，用于根据所述目标物流保险保单的风险标的信息和投保人信息计算风险标的的第一核保因子；
第二核保因子获取模块，用于按照预设的向量模型对所述风险标的信息和所述目标报价人信息进行向量提取，得到所述风险标的的第二核保因子；
输入模块，用于将所述第一核保因子和所述第二核保因子作为输入投入至预先训练好的深度学习模型；
核保结果获取模块，用于获取所述深度学习模型的输出作为所述目标物流保险保单的核保结果。
可选地，所述深度学习模型由以下模块预先训练得到：
样本获取模块，用于获取作为样本的物流保险保单以及与所述物流保险保单对应的报价人信息；
第一样本因子计算模块，用于根据所述物流保险保单的风险标的信息和投保人信息计算风险标的的第一样本因子；
第二样本因子获取模块，用于按照预设的向量模型对所述物流保险保单的风险标的信息和所述报价人信息进行向量提取，得到风险标的的第二样本因子；
学习模型训练模块，用于将所述第一样本因子和所述第二样本因子作为输入投入至所述深度学习模型，得到所述深度学习模型的输出；
隐层参数调整模块，用于将得到的所述输出作为目标，调整所述深度学习模型的隐层参数，以最小化得到的所述输出与所述物流保险保单的核保结果之间的误差；
学习模型确认模块，用于若所述误差满足预设条件，则确定当前的所述深度学习模型为训练好的深度学习模型。
所述第一核保因子计算模块具体包括：
第一因子单元，用于查询所述风险标的的类型对应的标的类型基准损失率作为第一低层调整因子；
第二因子单元，用于确定与所述投保人信息对应的第二低层调整因子；
第三因子单元，用于确定与所述风险标的的运输方式对应的第三低层调整因子；
第四因子单元，用于确定与所述风险标的的包装方式对应的第四低层调整因子；
第五因子单元，用于确定与所述风险标的的运输的起点终点信息对应的第五低层调整因子；
因子预处理单元，用于对所述第一低层调整因子、第二低层调整因子、第三低层调整因子、第四低层调整因子和第五低层调整因子进行预处理，得到所述风险标的的第一核保因子。
所述第二核保因子获取模块具体包括：
第一数值单元，用于确定与所述风险标的的承保范围对应的第一数值；
第二数值单元，用于确定与所述风险标的的保额对应的第二数值；
第三数值单元，用于确定与所述风险标的的历史赔付率对应的第三数值；
第四数值单元，用于确定与所述风险标的的市场环境信息对应的第四数值；
第五数值单元，用于确定与所述风险标的的商业竞争信息对应的第五数值；
第六数值单元，用于确定与所述目标报价人的保险公司信息对应的第六数值；
向量模型导入单元，用于将所述第一数值、第二数值，第三数值、第四数值、第五数值和第六数值导入预设的向量模型，得到所述风险标的的第二核保因子。
可选地，所述核保结果获取模块具体包括：
输出判断单元，用于判断所述深度学习模型的输出是否满足预设的阈值条件；
负样本反馈单元，用于若所述深度学习模型的输出不满足预设的阈值条件，则将所述目标物流保险保单对应的输入和输出作为负样本反馈至所述深度学习模型，以修正所述深度学习模型的隐层参数；
正样本反馈单元，用于若所述深度学习模型的输出满足预设的阈值条件，则将所述目标物流保险保单对应的输入和输出作为正样本反馈至所述深度学习模型，以指导所述深度学习模型的隐层参数学习；
核保结果确定单元，用于若所述深度学习模型的输出满足预设的阈值条件，则确定所述深度学习模型的输出为所述目标物流保险保单的核保结果。
从以上技术方案可以看出，本发明实施例具有以下优点：
附图说明
图1为本发明实施例中一种物流保险保单的核保方法一个实施例流程图；
图2为图1对应实施例中一种物流保险保单的核保方法的步骤102在一个应用场景下的流程示意图；
图3为图1对应实施例中一种物流保险保单的核保方法的步骤103在一个应用场景下的流程示意图；
图4为图1对应实施例中一种物流保险保单的核保方法的步骤104在一个应用场景下的流程示意图；
图5为本发明实施例中一种物流保险保单的核保装置一个实施例结构图。
具体实施方式
本发明实施例提供了一种物流保险保单的核保方法和装置，用于解决现有物流保险保单通过核保人员进行人工核保，核保准确率受到核保人员的专业水平以及从业经验的影响以及难以提高核保效率的问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中一种物流保险保单的核保方法一个实施例包括：
101、获取目标物流保险保单以及目标报价人信息；
本实施例中，首先，可以获取目标物流保险保单以及目标报价人信息。
102、根据所述目标物流保险保单的风险标的信息和投保人信息计算风险标的的第一核保因子；
在获取到目标物流保险保单之后，可以根据所述目标物流保险保单的风险标的信息和投保人信息计算风险标的的第一核保因子。
进一步地，所述风险标的信息可以包括风险标的的类型、运输方式、包装方式和运输的起点终点信息。图2示出了图1对应实施例中一种物流保险保单的核保方法的步骤102在一个应用场景下的流程示意图，上述步骤102具体可以包括：
201、查询所述风险标的的类型对应的标的类型基准损失率作为第一低层调整因子；
202、确定与所述投保人信息对应的第二低层调整因子；
203、确定与所述风险标的的运输方式对应的第三低层调整因子；
204、确定与所述风险标的的包装方式对应的第四低层调整因子；
205、确定与所述风险标的的运输的起点终点信息对应的第五低层调整因子；
206、对所述第一低层调整因子、第二低层调整因子、第三低层调整因子、第四低层调整因子和第五低层调整因子进行预处理，得到所述风险标的的第一核保因子。
对于上述步骤201，所述标的类型基准损失率是保险系统或保险行业中统计得到的某类型的风险标的承保后单位保险金额的保险赔偿率，其是保险公司针对某风险标的的物流保险保单进行报价和风险评估的重要参数。该风险标的类型对应的标的类型基准损失率可以通过查询基准损失率的统计表获得。需要说明的是，对于不同承保的保险公司来说，同一风险标的类型对应的标的类型基准损失率可能不相同，甚至风险标的的分类也不相同，具体可以根据实际应用情况进行设定。
对于上述步骤202，所述投保人信息可以包括投保人的资质和类型。报价的保险公司可以针对不同资质或类型的投保人分为若干个档次，每个档次的投保人对应预设一个低层调整因子。
对于上述步骤203，可以理解的是，物流保险保单的风险标的的运输方式对保单的风险评估有着极其重要的作用，不同的运输方式对应有不同程度的风险。报价的保险公司可以针对风险标的的不同运输方式分为若干个档次，每个档次的运输方式对应预设一个低层调整因子。
对于上述步骤204，可以理解的是，物流保险保单的风险标的的包装方式对保单的风险评估有着极其重要的作用，不同的包装方式对应有不同程度的风险。报价的保险公司可以针对风险标的的不同包装方式分为若干个档次，每个档次的包装方式对应预设一个低层调整因子。
对于上述步骤205，可以理解的是，物流保险保单的风险标的的起点终点信息对保单的风险评估有着极其重要的作用，不同的起点终点信息对应有不同程度的风险。例如，起点终点之间的距离越近，则风险相对越低，而起点终点之间的距离越远，则风险相对越高。报价的保险公司可以针对风险标的的不同起点终点信息分为若干个档次，每个档次的起点终点信息对应预设一个低层调整因子。
需要说明的是，上述步骤201～205之间不限定先后顺序，例如，步骤202可以于步骤201、203～205中任一步骤前面执行，也可以于步骤201、203～205中任一步骤后面执行，甚至可以与步骤201、203～205中任一步骤同时执行。
对于上述步骤206，在确定出第一低层调整因子、第二低层调整因子、第三低层调整因子、第四低层调整因子和第五低层调整因子之后，可以对所述第一低层调整因子、第二低层调整因子、第三低层调整因子、第四低层调整因子和第五低层调整因子进行预处理，得到所述风险标的的第一核保因子。可以理解的是，具体地，可以采用X＝ψ(a1,a2,a3,a4,a5)进行预处理，其中，a1～a5分别表示第一低层调整因子、第二低层调整因子、第三低层调整因子、第四低层调整因子和第五低层调整因子，而ψ则为变换函数。
本实施例中，采用上述得到的第一核保因子来表示该目标物流保险保单的风险标的的基准损失率，通过将第一核保因子作为深度学习模型的输入，利用训练好的深度学习模型中暗含的风险标的的基准损失率与核保结果之间的内在联系，从而将深度学习模型的输出尽可能靠近准确的核保结果。
103、按照预设的向量模型对所述风险标的信息和所述目标报价人信息进行向量提取，得到所述风险标的的第二核保因子；
在获取到目标物流保险保单和目标报价人信息之后，可以按照预设的向量模型对所述风险标的信息和所述目标报价人信息进行向量提取，得到所述风险标的的第二核保因子。
进一步地，所述风险标的信息可以包括风险标的的承保范围、保额、历史赔付率、市场环境信息和商业竞争信息，所述目标报价人信息包括目标报价人的保险公司信息。图3示出了图1对应实施例中一种物流保险保单的核保方法的步骤103在一个应用场景下的流程示意图，如图3所示，上述步骤103具体可以包括：
301、确定与所述风险标的的承保范围对应的第一数值；
302、确定与所述风险标的的保额对应的第二数值；
303、确定与所述风险标的的历史赔付率对应的第三数值；
304、确定与所述风险标的的市场环境信息对应的第四数值；
305、确定与所述风险标的的商业竞争信息对应的第五数值；
306、确定与所述目标报价人的保险公司信息对应的第六数值；
307、将所述第一数值、第二数值，第三数值、第四数值、第五数值和第六数值导入预设的向量模型，得到所述风险标的的第二核保因子。
对于上述步骤301，所述承保范围可以包括物流保险保单的主条款、附加条款、限额等关于保单承保范围的信息。对于不同险种的物流保险保单而言，保险公司可以预先设定不同的第一数值对应不同的承保范围，第一数值越大，则表示承保范围越宽。
对于上述步骤302，可以直接采用风险标的的保额的数值作为第二数值，也可以由保险公司预先设定不同的第二数值对应不同的保额区间，当风险标的的保额落入某个保额区间时，则可以确定出该保额对应的第二数值。
对于上述步骤303，可以理解的是，对于保险公司而言，承保过的风险标的均具有对应的历史赔付信息和历史赔付率。可以直接确定风险标的的历史赔付率为第三数值，例如风险标的的历史赔付率为30％，则对应的第三数值为0.3；也可以由保险公司预先设定不同的第三数值对应不同的赔付率区间，当风险标的的历史赔付率(可以为均值)落入某个赔付率区间时，则可以确定出该历史赔付率对应的第三数值。
对于上述步骤304，对于同一风险标的而言，不同的市场环境同样对风险标的的报价和风险评估造成影响。上述的市场环境信息可以是针对某类风险标的而言，该市场环境的评分。因此，可以预先对不同的市场环境信息进行调查、整理和分析，从而为不同的市场环境信息预设对应的不同的第四数值。
对于上述步骤305，同理，对于同一风险标的而言，不同的商业竞争同样对风险标的的报价和风险评估造成影响。上述的商业竞争信息可以是针对某类风险标的而言，对商业竞争的激烈程度的评分。因此，可以预先对不同的商业竞争信息进行调查、整理和分析，从而为不同的商业竞争信息预设对应的不同的第五数值。
需要说明的是，上述步骤301～306之间不限定先后顺序，例如，步骤302可以于步骤301、303～306中任一步骤前面执行，也可以于步骤301、303～306中任一步骤后面执行，甚至可以与步骤301、303～306中任一步骤同时执行。
对于上述步骤307，预设的向量模型具体可以表示为Y＝(b1,b2,b3,b4,b5,b6)，其中，b1～b6分别表示所述第一数值、第二数值，第三数值、第四数值、第五数值和第六数值。进一步地，在将所述第一数值、第二数值，第三数值、第四数值、第五数值和第六数值导入预设的向量模型，还可以将得到的向量进行标准化处理，标准化处理后得到所述风险标的的第二核保因子。
104、将所述第一核保因子和所述第二核保因子作为输入投入至预先训练好的深度学习模型；
在得到所述第一核保因子和所述第二核保因子之后，可以将所述第一核保因子和所述第二核保因子作为输入投入至预先训练好的深度学习模型。
进一步地，如图4所示，所述深度学习模型可以由以下步骤预先训练得到：
401、获取作为样本的物流保险保单以及与所述物流保险保单对应的报价人信息；
402、根据所述物流保险保单的风险标的信息和投保人信息计算风险标的的第一样本因子；
403、按照预设的向量模型对所述物流保险保单的风险标的信息和所述报价人信息进行向量提取，得到风险标的的第二样本因子；
404、将所述第一样本因子和所述第二样本因子作为输入投入至所述深度学习模型，得到所述深度学习模型的输出；
405、将得到的所述输出作为目标，调整所述深度学习模型的隐层参数，以最小化得到的所述输出与所述物流保险保单的核保结果之间的误差；
406、若所述误差满足预设条件，则确定当前的所述深度学习模型为训练好的深度学习模型。
对于上述步骤401，首先需要获取作为样本的物流保险保单以及与所述物流保险保单对应的报价人信息。在本实施例中，上述样本可以是正样本和/或负样本，一般来说，对深度学习模型进行训练时，可以采用大量预先标记好的样本进行训练。而后续正样本和负样本可以用于对训练好的深度学习模型进行验证和修正。
对于上述步骤402，在获取到作为样本的物流保险保单以及与所述物流保险保单对应的报价人信息之后，可以根据所述物流保险保单的风险标的信息和投保人信息计算风险标的的第一样本因子。其中该第一样本因子的具体计算方法与上述步骤102类似，具体可以参考关于步骤102第一核保因子的具体计算过程，此处不再赘述。
对于上述步骤403，在获取到作为样本的物流保险保单以及与所述物流保险保单对应的报价人信息之后，可以按照预设的向量模型对所述物流保险保单的风险标的信息和所述报价人信息进行向量提取，得到风险标的的第二样本因子。其中该第二样本因子的具体计算方法与上述步骤103类似，具体可以参考关于步骤103第二核保因子的具体计算过程，此处不再赘述。
对于上述步骤404，该深度学习模型的输出与作为样本的第一样本因子和第二样本因子的输入相对应。因此，一般来说，在深度学习模型的训练过程中，该深度学习模型的输出与作为样本的物流保险保单的实际核保结果存在或多或少的出入，也即误差。
对于上述步骤405，可以通过不断调整所述深度学习模型的隐层参数，使得所述输出与所述物流保险保单的核保结果之间的误差最小化，对深度学习模型逐层进行监督学习和训练。可以理解的是，所述深度学习模型包括N个隐层，其中N≥1，N的具体数值可以根据实际情况设定。在对深度学习模型进行训练时，可以通过调整这N个隐层的参数，实现对当前深度学习模型的输出的值进行调整，在调整的过程中对比其与物流保险保单的核保结果之间的误差，尽可能使得误差最小。误差越小，则表示当前的深度学习模型训练效果越好，反之，则训练效果越差。
对于上述步骤406，可以理解的是，可以反复执行上述步骤401～405，使用大量的样本对深度学习模型进行训练。训练后，当该误差满足预设条件时，则可以认为当前的深度学习模型已经完成训练。该预设条件例如可以是：采用M个样本进行训练，其中K个样本对应的输出与核保结果之间的误差小于10％，并且K/M大于等于50％，也即满足一定条件的误差对应的样本的比例超过设定的阈值，则可以认为误差满足预设条件。
105、获取所述深度学习模型的输出作为所述目标物流保险保单的核保结果。
在将所述第一核保因子和所述第二核保因子作为输入投入至预先训练好的深度学习模型之后，可以获取到所述深度学习模型的输出，然后将该输出作为所述目标物流保险保单的核保结果。
进一步地，上述步骤105具体可以包括：判断所述深度学习模型的输出是否满足预设的阈值条件，若否，则将所述目标物流保险保单对应的输入和输出作为负样本反馈至所述深度学习模型，以修正所述深度学习模型的隐层参数，若是，则确定所述深度学习模型的输出为所述目标物流保险保单的核保结果，并将所述目标物流保险保单对应的输入和输出确定为用于训练所述深度学习模型的新增的正样本。
可以理解的是，对于采用深度学习模型得到的输出，可以预先对所述目标物流保险保单的核保结果进行估算，例如可以根据核保人对某一类型的物流保险保单的核保结果进行数据统计，得到这一类型的物流保险保单的核保结果均值，然后在该核保结果均值的基础上设定上下波动的阈值范围，比如±10％，即可形成这一类型的物流保险保单的阈值条件。当深度学习模型的输出不满足该阈值条件时，则认为该输出与正常的核保结果偏差较大，然后将所述目标物流保险保单对应的输入和输出作为负样本反馈至深度学习模型中，以便对深度学习模型的隐层参数进行修正。
另外，当所述深度学习模型的输出满足预设的阈值条件时，则不仅可以确定所述深度学习模型的输出为所述目标物流保险保单的核保结果，而且可以将该目标物流保险保单对应的输入和输出确定为用于训练所述深度学习模型的新增的正样本，增加深度学习模型用于训练的正样本数量，提高深度学习模型的训练完成度。
上面主要描述了一种物流保险保单的核保方法，下面将对一种物流保险保单的核保装置进行详细描述。
图5示出了本发明实施例中一种物流保险保单的核保装置一个实施例结构图。
本实施例中，一种物流保险保单的核保装置包括：
信息获取模块501，用于获取目标物流保险保单以及目标报价人信息；
第一核保因子计算模块502，用于根据所述目标物流保险保单的风险标的信息和投保人信息计算风险标的的第一核保因子；
第二核保因子获取模块503，用于按照预设的向量模型对所述风险标的信息和所述目标报价人信息进行向量提取，得到所述风险标的的第二核保因子；
输入模块504，用于将所述第一核保因子和所述第二核保因子作为输入投入至预先训练好的深度学习模型；
核保结果获取模块505，用于获取所述深度学习模型的输出作为所述目标物流保险保单的核保结果。
进一步地，所述深度学习模型可以由以下模块预先训练得到：
进一步地，所述风险标的信息可以包括风险标的的类型、运输方式、包装方式和运输的起点终点信息；
所述第一核保因子计算模块具体可以包括：
进一步地，所述风险标的信息可以包括风险标的的承保范围、保额、历史赔付率、市场环境信息和商业竞争信息，所述目标报价人信息可以包括目标报价人的保险公司信息；
进一步地，所述核保结果获取模块具体可以包括：
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明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-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。