本發(fā)明涉及電子技術(shù)領(lǐng)域，尤其涉及一種空氣質(zhì)量指數(shù)預(yù)測(cè)方法和裝置。

背景技術(shù)：

隨著工業(yè)化和城鎮(zhèn)化的推進(jìn)以及城市車輛的持續(xù)增加，大氣污染日益加重，城市空氣質(zhì)量逐步惡化，霧霾天氣也越來越多，嚴(yán)重影響了人們的工作生活，由此造成的健康損害引起了政府和民眾的廣泛關(guān)注。

AQI(空氣質(zhì)量指數(shù)，Air Quality Index)是定量描述城市空氣質(zhì)量情況的一個(gè)參數(shù)，也是目前衡量空氣質(zhì)量情況最常參考的指標(biāo)。AQI通過函數(shù)關(guān)系將二氧化硫(SO₂)、一氧化碳(CO)、二氧化氮(NO₂)、臭氧(O₃)以及懸浮顆粒物PM2.5和PM10五類污染物的含量信息折算為一個(gè)參數(shù)。AQI的取值區(qū)間為[0，500]，AQI數(shù)值越大、級(jí)別越高，表面空氣污染狀況越嚴(yán)重。

對(duì)一個(gè)城市的AQI進(jìn)行快速、準(zhǔn)確地預(yù)測(cè)可為預(yù)防和治理空氣污染發(fā)揮積極作用。目前，針對(duì)AQI預(yù)測(cè)的方法主要分為兩大類：

(1)因素預(yù)測(cè)法：通過建立AQI與其各影響因素之間的定量關(guān)系預(yù)測(cè)AQI。然而，由于AQI的影響因素復(fù)雜，涉及數(shù)據(jù)量大，且各影響因素之間具有高度的非線性關(guān)系，因此難以建立精確的預(yù)測(cè)模型，預(yù)測(cè)精度差。

(2)基于時(shí)間序列的預(yù)測(cè)法：該類方法又可細(xì)分為兩類，具體為針對(duì)原始AQI時(shí)間序列的預(yù)測(cè)方法和融入數(shù)據(jù)分解技術(shù)的AQI時(shí)間序列預(yù)測(cè)方法。其中，數(shù)據(jù)分解技術(shù)例如EMD(經(jīng)驗(yàn)?zāi)B(tài)分解，Empirical Mode Decomposition)、EEMD(集合經(jīng)驗(yàn)?zāi)B(tài)分解，Ensemble Empirical Mode Decomposition)。然而，目前融入數(shù)據(jù)分解技術(shù)的AQI時(shí)間序列預(yù)測(cè)法，只采用單一數(shù)據(jù)分解技術(shù)對(duì)AQI時(shí)間序列數(shù)據(jù)進(jìn)行分解以降低數(shù)據(jù)序列的非平穩(wěn)性，雖然在一定程度上提高了預(yù)測(cè)精度，但由于其分解后的數(shù)據(jù)序列中依然存在高頻震蕩數(shù)據(jù)序列，導(dǎo)致預(yù)測(cè)精度難以大幅提高。

所以，現(xiàn)有預(yù)測(cè)AQI的方法都存在預(yù)測(cè)精度差的技術(shù)問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種空氣質(zhì)量指數(shù)預(yù)測(cè)方法和裝置，用于通過兩階段分解及極限學(xué)習(xí)機(jī)對(duì)空氣質(zhì)量指數(shù)進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)提高預(yù)測(cè)精度的技術(shù)效果。

第一方面，本發(fā)明提供了一種空氣質(zhì)量指數(shù)預(yù)測(cè)方法，包括：

獲得待預(yù)測(cè)地理位置的歷史空氣質(zhì)量指數(shù)AQI數(shù)據(jù)；

根據(jù)互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解CEEMD方法，將所述歷史AQI數(shù)據(jù)分解為m個(gè)固有模態(tài)函數(shù)IMF分量和一個(gè)趨勢(shì)分量；其中，m為大于1的自然數(shù)；

獲得所述m個(gè)IMF分量中的高頻IMF分量；

基于變分模態(tài)分解VMD方法，獲得所述高頻IMF分量的n個(gè)變分模態(tài)VM分量；其中，n為大于1的自然數(shù)；

基于極限學(xué)習(xí)機(jī)模型，獲得所述n個(gè)VM分量的預(yù)測(cè)值、所述高頻IMF分量以外的其它IMF分量的預(yù)測(cè)值以及所述趨勢(shì)分量的預(yù)測(cè)值；

獲得所述高頻IMF分量對(duì)應(yīng)的所述VM分量的預(yù)測(cè)值的第一線性疊加值，并將所述第一線性疊加值確定為所述高頻IMF的預(yù)測(cè)值；

獲得所述高頻IMF的預(yù)測(cè)值、所述其它IMF分量的預(yù)測(cè)值以及所述趨勢(shì)分量的預(yù)測(cè)值的第二線性疊加值，并將所述第二線性疊加值確定為所述待預(yù)測(cè)地理位置的AQI預(yù)測(cè)值。

可選的，根據(jù)互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解CEEMD方法，將所述歷史AQI數(shù)據(jù)分解為m個(gè)固有模態(tài)函數(shù)IMF分量和一個(gè)趨勢(shì)分量，包括：

向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲，獲得兩個(gè)新的集合IMF信號(hào)；其中，向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲是以期望為0，標(biāo)準(zhǔn)差為0.2，正負(fù)成對(duì)且呈正態(tài)分布的形式加入；

基于經(jīng)驗(yàn)?zāi)B(tài)分解EMD對(duì)所述兩個(gè)新的集合IMF信號(hào)中的每一個(gè)信號(hào)進(jìn)行分解，獲得每個(gè)新的集合IMF的IMF分量；

判斷循環(huán)次數(shù)是否達(dá)到預(yù)設(shè)次數(shù)N；

當(dāng)循環(huán)次數(shù)未達(dá)到預(yù)設(shè)次數(shù)時(shí)，再次執(zhí)行：向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲，獲得兩個(gè)新的集合IMF信號(hào)，以及基于經(jīng)驗(yàn)?zāi)B(tài)分解EMD對(duì)所述兩個(gè)新的集合IMF信號(hào)中的每一個(gè)信號(hào)進(jìn)行分解，獲得每個(gè)新的集合IMF的IMF分量；

當(dāng)所述循環(huán)次數(shù)達(dá)到所述預(yù)設(shè)次數(shù)N時(shí)，獲得2N組IMF分量，確定所述2N組IMF分量的平均值為所述歷史AQI數(shù)據(jù)的所述m個(gè)IMF分量和所述趨勢(shì)分量；其中，每組IMF分量均包括m個(gè)IMF分量和一個(gè)趨勢(shì)分量。

可選的，獲得所述m個(gè)IMF分量中的高頻IMF分量，包括：

按照頻率從高到低對(duì)所述m個(gè)IMF分量進(jìn)行排序；

確定滿足預(yù)設(shè)條件的IMF分量為所述高頻IMF分量。

可選的，基于變分模態(tài)分解VMD方法，獲得所述高頻IMF分量的n個(gè)變分模態(tài)VM分量，包括：

初始化和n；其中，為第1次迭代中的第k個(gè)模態(tài)函數(shù)，為的傅里葉轉(zhuǎn)換，λ表示朗格拉日乘法算子，{λ¹}為第1次迭代中的拉格朗日乘法算子，為的傅里葉轉(zhuǎn)換，為初始化中心頻率，u_k為k個(gè)模態(tài)函數(shù)，ω_k為中心頻率，n為迭代次數(shù)；

根據(jù)下列公式更新u_k：

根據(jù)下列公式更新ω_k：

其中，為當(dāng)前剩余量的維納濾波，為當(dāng)前模態(tài)函數(shù)功率譜的重心，分別為g(t)、u_i(t)、λ(t)和的傅里葉轉(zhuǎn)換，g(t)為所述高頻IMF分量，u_i(t)為第i個(gè)模態(tài)函數(shù)，λ(t)為拉格朗日乘法算子，為u_k經(jīng)過n+1次迭代后的值，1≤i≤k，α為二次懲罰因子；

根據(jù)下列公式更新λ：

其中，為λ(ω)經(jīng)過n次迭代后的傅里葉轉(zhuǎn)換，為λ(ω)經(jīng)過n+1次迭代后的傅里葉轉(zhuǎn)換，τ為更新系數(shù)；

判斷是否成立，其中，e＞0；為u_k經(jīng)過n次迭代后的傅里葉轉(zhuǎn)換；

當(dāng)成立時(shí)，將u_k作為所述n個(gè)VM分量；

當(dāng)不成立時(shí)，再次更新u_k和ω_k。

可選的，基于極限學(xué)習(xí)機(jī)模型，獲得所述n個(gè)VM分量的預(yù)測(cè)值、所述高頻IMF分量以外的其它IMF分量的預(yù)測(cè)值以及所述趨勢(shì)分量的預(yù)測(cè)值，包括：

基于極限學(xué)習(xí)機(jī)模型，根據(jù)所述n個(gè)VM分量中每個(gè)VM分量的每前8個(gè)數(shù)據(jù)預(yù)測(cè)第9個(gè)數(shù)據(jù)，獲得每個(gè)VM分量的預(yù)測(cè)值，進(jìn)而獲得所述n個(gè)VM分量的預(yù)測(cè)值；

基于極限學(xué)習(xí)機(jī)模型，根據(jù)所述其它IMF分量中每個(gè)IMF分量的每前8個(gè)數(shù)據(jù)預(yù)測(cè)第9個(gè)數(shù)據(jù)，獲得每個(gè)IMF分量的預(yù)測(cè)值，進(jìn)而獲得所述其它IMF分量的預(yù)測(cè)值；

基于極限學(xué)習(xí)機(jī)模型，根據(jù)所述趨勢(shì)分量的每前8個(gè)數(shù)據(jù)預(yù)測(cè)第9個(gè)數(shù)據(jù)，獲得所述趨勢(shì)分量的預(yù)測(cè)值。

可選的，所述歷史AQI數(shù)據(jù)的長(zhǎng)度大于500。

第二方面，本發(fā)明提供了一種空氣質(zhì)量指數(shù)預(yù)測(cè)裝置，包括：

第一獲得模塊，用于獲得待預(yù)測(cè)地理位置的歷史空氣質(zhì)量指數(shù)AQI數(shù)據(jù)；

CEEMD分解模塊，用于根據(jù)互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解CEEMD方法，將所述歷史AQI數(shù)據(jù)分解為m個(gè)固有模態(tài)函數(shù)IMF分量和一個(gè)趨勢(shì)分量；其中，m為大于1的自然數(shù)；

第二獲得模塊，用于獲得所述m個(gè)IMF分量中的高頻IMF分量；

VMD分解模塊，用于基于變分模態(tài)分解VMD方法，獲得所述高頻IMF分量的n個(gè)變分模態(tài)VM分量；其中，n為大于1的自然數(shù)；

極限學(xué)習(xí)機(jī)模塊，用于基于極限學(xué)習(xí)機(jī)模型，獲得所述n個(gè)VM分量的預(yù)測(cè)值、所述高頻IMF分量以外的其它IMF分量的預(yù)測(cè)值以及所述趨勢(shì)分量的預(yù)測(cè)值；

第一線性疊加模塊，用于獲得所述高頻IMF分量對(duì)應(yīng)的所述VM分量的預(yù)測(cè)值的第一線性疊加值，并將所述第一線性疊加值確定為所述高頻IMF的預(yù)測(cè)值；

第二線性疊加模塊，用于獲得所述高頻IMF的預(yù)測(cè)值、所述其它IMF分量的預(yù)測(cè)值以及所述趨勢(shì)分量的預(yù)測(cè)值的第二線性疊加值，并將所述第二線性疊加值確定為所述待預(yù)測(cè)地理位置的AQI預(yù)測(cè)值。

可選的，所述CEEMD模塊用于向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲，獲得兩個(gè)新的集合IMF信號(hào)；其中，向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲是以期望為0，標(biāo)準(zhǔn)差為0.2，正負(fù)成對(duì)且呈正態(tài)分布的形式加入；基于經(jīng)驗(yàn)?zāi)B(tài)分解EMD對(duì)所述兩個(gè)新的集合IMF信號(hào)中的每一個(gè)信號(hào)進(jìn)行分解，獲得每個(gè)新的集合IMF的IMF分量；判斷循環(huán)次數(shù)是否達(dá)到預(yù)設(shè)次數(shù)N；當(dāng)循環(huán)次數(shù)未達(dá)到預(yù)設(shè)次數(shù)時(shí)，再次執(zhí)行：向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲，獲得兩個(gè)新的集合IMF信號(hào)，以及基于經(jīng)驗(yàn)?zāi)B(tài)分解EMD對(duì)所述兩個(gè)新的集合IMF信號(hào)中的每一個(gè)信號(hào)進(jìn)行分解，獲得每個(gè)新的集合IMF的IMF分量；當(dāng)所述循環(huán)次數(shù)達(dá)到所述預(yù)設(shè)次數(shù)N時(shí)，獲得2N組IMF分量，確定所述2N組IMF分量的平均值為所述歷史AQI數(shù)據(jù)的所述m個(gè)IMF分量和所述趨勢(shì)分量；其中，每組IMF分量均包括m個(gè)IMF分量和一個(gè)趨勢(shì)分量。

可選的，所述第二獲得模塊用于按照頻率從高到低對(duì)所述m個(gè)IMF分量進(jìn)行排序；確定滿足預(yù)設(shè)條件的IMF分量為所述高頻IMF分量。

可選的，所述VMD分解模塊用于初始化和n；其中，為第1次迭代中的第k個(gè)模態(tài)函數(shù)，為的傅里葉轉(zhuǎn)換，λ表示朗格拉日乘法算子，{λ¹}為第1次迭代中的拉格朗日乘法算子，為{λ¹}的傅里葉轉(zhuǎn)換，為初始化中心頻率，u_k為k個(gè)模態(tài)函數(shù)，ω_k為中心頻率，n為迭代次數(shù)；根據(jù)下列公式更新u_k：根據(jù)下列公式更新ω_k：其中，為當(dāng)前剩余量的維納濾波，為當(dāng)前模態(tài)函數(shù)功率譜的重心，分別為g(t)、u_i(t)、λ(t)和的傅里葉轉(zhuǎn)換，g(t)為所述高頻IMF分量，u_i(t)為第i個(gè)模態(tài)函數(shù)，λ(t)為拉格朗日乘法算子，為u_k經(jīng)過n+1次迭代后的值，1≤i≤k，α為二次懲罰因子；根據(jù)下列公式更新λ：其中，為λ(ω)經(jīng)過n次迭代后的傅里葉轉(zhuǎn)換，為λ(ω)經(jīng)過n+1次迭代后的傅里葉轉(zhuǎn)換，τ為更新系數(shù)；判斷是否成立，其中，e＞0；為u_k經(jīng)過n次迭代后的傅里葉轉(zhuǎn)換；當(dāng)成立時(shí)，將u_k作為所述n個(gè)VM分量；當(dāng)不成立時(shí)，再次更新u_k和ω_k。

可選的，所述極限學(xué)習(xí)模塊用于基于極限學(xué)習(xí)機(jī)模型，根據(jù)所述n個(gè)VM分量中每個(gè)VM分量的每前8個(gè)數(shù)據(jù)預(yù)測(cè)第9個(gè)數(shù)據(jù)，獲得每個(gè)VM分量的預(yù)測(cè)值，進(jìn)而獲得所述n個(gè)VM分量的預(yù)測(cè)值；基于極限學(xué)習(xí)機(jī)模型，根據(jù)所述其它IMF分量中每個(gè)IMF分量的每前8個(gè)數(shù)據(jù)預(yù)測(cè)第9個(gè)數(shù)據(jù)，獲得每個(gè)IMF分量的預(yù)測(cè)值，進(jìn)而獲得所述其它IMF分量的預(yù)測(cè)值；基于極限學(xué)習(xí)機(jī)模型，根據(jù)所述趨勢(shì)分量的每前8個(gè)數(shù)據(jù)預(yù)測(cè)第9個(gè)數(shù)據(jù)，獲得所述趨勢(shì)分量的預(yù)測(cè)值。

可選的，所述歷史AQI數(shù)據(jù)的長(zhǎng)度大于500。

本申請(qǐng)實(shí)施例中的上述一個(gè)或多個(gè)技術(shù)方案，至少具有如下一種或多種技術(shù)效果：

在本發(fā)明實(shí)施例的技術(shù)方案中，首先通過CEEMD將非平穩(wěn)的歷史AQI數(shù)據(jù)序列分解成一系列具有不同頻率特征的IMF分量和趨勢(shì)分量，然后，通過VMD將其中的每個(gè)高頻IMF分量進(jìn)一步分解為若干VM分量，進(jìn)一步通過極限學(xué)習(xí)機(jī)模型對(duì)各個(gè)VM分量以及除高頻IMF分量以外的其它IMF分量和趨勢(shì)分量進(jìn)行預(yù)測(cè)，并將與每個(gè)高頻IMF分量對(duì)應(yīng)的VM分量的預(yù)測(cè)值進(jìn)行線性疊加得到該IMF的預(yù)測(cè)值，最后通過將所有IMF及趨勢(shì)分量的預(yù)測(cè)值進(jìn)行線性疊加得到最終的AQI預(yù)測(cè)值。相較于現(xiàn)有技術(shù)，對(duì)于AQI的預(yù)測(cè)具有更高的精度。

附圖說明

圖1為本發(fā)明實(shí)施例中的AQI預(yù)測(cè)方法流程圖；

圖2為本發(fā)明實(shí)施例中預(yù)測(cè)AQI的數(shù)據(jù)流向示意圖；

圖3為本發(fā)明實(shí)施例中的示例性歷史AQI數(shù)據(jù)序列；

圖4為本發(fā)明實(shí)施例中分解圖3示出的歷史AQI數(shù)據(jù)序列獲得的IMF分量示意圖；

圖5為分解圖4示出的第一個(gè)IMF分量獲得的VM分量示意圖；

圖6為不同預(yù)測(cè)方法的擬合曲線示意圖；

圖7為圖6示出的不同預(yù)測(cè)方法的預(yù)測(cè)誤差值條形圖；

圖8為本發(fā)明實(shí)施例中的AQI預(yù)測(cè)裝置示意圖。

具體實(shí)施方式

本發(fā)明實(shí)施例提供了一種空氣質(zhì)量指數(shù)預(yù)測(cè)方法和裝置，用于通過兩階段分解及極限學(xué)習(xí)機(jī)對(duì)空氣質(zhì)量指數(shù)進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)提高預(yù)測(cè)精度的技術(shù)效果。

為了解決上述技術(shù)問題，本發(fā)明提供的技術(shù)方案總體思路如下：

在本發(fā)明實(shí)施例的技術(shù)方案中，首先通過CEEMD將非平穩(wěn)的歷史AQI數(shù)據(jù)序列分解成一系列具有不同頻率特征的IMF分量和趨勢(shì)分量，然后，通過VMD將其中的每個(gè)高頻IMF分量進(jìn)一步分解為若干VM分量，進(jìn)一步通過極限學(xué)習(xí)機(jī)模型對(duì)各個(gè)VM分量以及除高頻IMF分量以外的其它IMF分量和趨勢(shì)分量進(jìn)行預(yù)測(cè)，并將與每個(gè)高頻IMF分量對(duì)應(yīng)的VM分量的預(yù)測(cè)值進(jìn)行線性疊加得到該IMF的預(yù)測(cè)值，最后通過將所有IMF及趨勢(shì)分量的預(yù)測(cè)值進(jìn)行線性疊加得到最終的AQI預(yù)測(cè)值。

下面通過附圖以及具體實(shí)施例對(duì)本發(fā)明技術(shù)方案做詳細(xì)的說明，應(yīng)當(dāng)理解本申請(qǐng)實(shí)施例以及實(shí)施例中的具體特征是對(duì)本申請(qǐng)技術(shù)方案的詳細(xì)的說明，而不是對(duì)本申請(qǐng)技術(shù)方案的限定，在不沖突的情況下，本申請(qǐng)實(shí)施例以及實(shí)施例中的技術(shù)特征可以相互組合。

本文中術(shù)語“和/或”，僅僅是一種描述關(guān)聯(lián)對(duì)象的關(guān)聯(lián)關(guān)系，表示可以存在三種關(guān)系，例如，A和/或B，可以表示：?jiǎn)为?dú)存在A，同時(shí)存在A和B，單獨(dú)存在B這三種情況。另外，本文中字符“/”，一般表示前后關(guān)聯(lián)對(duì)象是一種“或”的關(guān)系。

本發(fā)明第一方面提供了一種AQI預(yù)測(cè)方法，請(qǐng)參考圖1，為本發(fā)明實(shí)施例中的AQI預(yù)測(cè)方法示意圖，以及圖2，為本發(fā)明實(shí)施例中預(yù)測(cè)AQI的數(shù)據(jù)流向示意圖。該方法包括：

S101：獲得待預(yù)測(cè)地理位置的歷史空氣質(zhì)量指數(shù)AQI數(shù)據(jù)；

S102：根據(jù)互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解CEEMD方法，將所述歷史AQI數(shù)據(jù)分解為m個(gè)固有模態(tài)函數(shù)IMF分量和一個(gè)趨勢(shì)分量；

S103：獲得所述m個(gè)IMF分量中的高頻IMF分量；

S104：基于變分模態(tài)分解VMD方法，獲得所述高頻IMF分量的n個(gè)變分模態(tài)VM分量；

S105：基于極限學(xué)習(xí)機(jī)模型，獲得所述n個(gè)VM分量的預(yù)測(cè)值、所述高頻IMF分量以外的其它IMF分量的預(yù)測(cè)值以及所述趨勢(shì)分量的預(yù)測(cè)值；

S106：獲得所述高頻IMF分量對(duì)應(yīng)的所述VM分量的預(yù)測(cè)值的第一線性疊加值，并將所述第一線性疊加值確定為所述高頻IMF的預(yù)測(cè)值；

S107：獲得所述高頻IMF的預(yù)測(cè)值、所述其它IMF分量的預(yù)測(cè)值以及所述趨勢(shì)分量的預(yù)測(cè)值的第二線性疊加值，并將所述第二線性疊加值確定為所述待預(yù)測(cè)地理位置的AQI預(yù)測(cè)值。

為了更加清楚地描述本發(fā)明實(shí)施例的技術(shù)方案，下面將結(jié)合一組具體數(shù)據(jù)來說明。本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，盡管本發(fā)明實(shí)施例中結(jié)合具體數(shù)據(jù)進(jìn)行介紹，但僅是一種示例性，在具體實(shí)現(xiàn)過程中，并不限于下述案例。

圖3所示出了本發(fā)明實(shí)施例的示例性歷史AQI數(shù)據(jù)序列。圖3中的數(shù)據(jù)為湖北省武漢市自2014年7月1日至2016年6月30日的日AQI序列，共計(jì)731個(gè)數(shù)據(jù)。從圖3中可以看出，AQI序列波動(dòng)較劇烈，且無明顯變化規(guī)律。在S101中，獲取上述包含731個(gè)歷史AQI數(shù)據(jù)的歷史AQI數(shù)據(jù)序列。在具體實(shí)現(xiàn)過程中，歷史AQI數(shù)據(jù)的長(zhǎng)度應(yīng)大于500，以保證預(yù)測(cè)的準(zhǔn)確性。

然后，在S102中，利用CEEMD(互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解，Complementary Ensemble Empirical Mode Decomposition)方法，將該歷史AQI數(shù)據(jù)序列分解為m個(gè)IMF(固有模態(tài)函數(shù)，Intrinsic Mode Function)分量和一個(gè)趨勢(shì)分量。其中，m為大于1的自然數(shù)。在本發(fā)明實(shí)施例中，通過以下步驟進(jìn)行分解：

S1021：向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲，獲得兩個(gè)新的集合IMF信號(hào)；

S1022：基于經(jīng)驗(yàn)?zāi)B(tài)分解EMD對(duì)所述兩個(gè)新的集合IMF信號(hào)中的每一個(gè)信號(hào)進(jìn)行分解，獲得每個(gè)新的集合IMF的IMF分量；

S1023：判斷循環(huán)次數(shù)是否達(dá)到預(yù)設(shè)次數(shù)N；

S1024：獲得2N組IMF分量，并計(jì)算所述2N組IMF分量的平均值。

具體來講，在本發(fā)明實(shí)施例中，S1021中加入輔助白噪聲，是以期望為0，標(biāo)準(zhǔn)差為0.2，正負(fù)成對(duì)且呈正態(tài)分布的形式加入。具體通過以下公式(1)和公式(2)加入，

其中，X(t)為歷史AQI數(shù)據(jù)序列，w_i(t)為第i次加入的輔助白噪聲的值。其中，w_i(t)的幅值為0.2～2.5倍原始信號(hào)的標(biāo)準(zhǔn)偏差，或者隨噪聲的強(qiáng)度而適當(dāng)調(diào)整，本發(fā)明不做具體限制。和則表示了加入輔助白噪聲后形成的兩個(gè)新的集合IMF信號(hào)。

接下來，在S1022中，對(duì)和進(jìn)行EMD(經(jīng)驗(yàn)?zāi)B(tài)分解，Empirical Mode Decomposition)分解，獲得和各自的IMF分量。具體通過以下過程獲得：

(1)識(shí)別出信號(hào)x(t)的所有極值點(diǎn)，獲得信號(hào)x(t)的上包絡(luò)線e_max(t)和下包絡(luò)線e_min(t)，進(jìn)一步獲得上下包絡(luò)線的平均值m₁(t)，

m₁(t)＝[e_max(t)+e_min(t)]/2。 公式(3)

x(t)表示加入了輔助白噪聲的信號(hào)，即或

(2)x(t)減去m₁(t)得到移除低頻的新數(shù)據(jù)序列h₁(t)，

h₁(t)＝x(t)-m₁(t)。 公式(4)

(3)由于h₁(t)通常不是IMF分量，所以還需要進(jìn)行k次篩選，直到篩選出所得到的平均曲線趨于零，此時(shí)篩選結(jié)果才是IMF分量。具體來講，令h_1k(t)表示第k次篩選所得的數(shù)據(jù)，h_1(k-1)(t)表示第k-1次篩選所得的數(shù)據(jù)。利用限制標(biāo)準(zhǔn)差SD的值來判斷篩選結(jié)果是否為IMF分量，其中，

其中，T為當(dāng)前篩選序列長(zhǎng)度。當(dāng)SD在[0.2,0.3]中時(shí)，篩選結(jié)束，獲得篩選結(jié)果，即IMF分量

h_1k(t)＝x(t)-m_1k(t)。 公式(6)

其中，m_1k(t)為上下包絡(luò)序列的平均值序列第k次篩選后所獲得的數(shù)據(jù)。

(4)令c₁＝h_1k(t)，c₁即為信號(hào)x(t)的第一個(gè)IMF分量，即x(t)的高頻成分，因此，獲得移除最高頻成分的差值數(shù)據(jù)序列

r₁＝x(t)-c₁。 公式(7)

然后，再次通過上述利用公式(5)中SD的值篩選出第二個(gè)IMF分量c₂。

然后再獲得移除c₂的序列，并再篩選出第三個(gè)IMF分量c₃。依次類推，直到獲得c₂,c₃,…,c_n和殘差項(xiàng)r_n。換言之，本發(fā)明實(shí)施例中x(t)可理解為

其中，c_j為第j個(gè)IMF分量，而r_m就為趨勢(shì)分量。

接下來，在S1023中判斷S1021到S1022的循環(huán)次數(shù)是否達(dá)到預(yù)設(shè)次數(shù)N。其中，本發(fā)明實(shí)施例中的N為100～1000中的任意值，本發(fā)明不做限制。在預(yù)測(cè)圖3所示的歷史AQI數(shù)據(jù)序列中，可以取N＝500。

當(dāng)循環(huán)次數(shù)未達(dá)到N＝500時(shí)，重新加入一組新的輔助白噪聲，進(jìn)而再次獲得兩組IMF分量。

當(dāng)循環(huán)次數(shù)達(dá)到N＝500時(shí)，為了消除多次加入的輔助白噪聲的影響，取對(duì)應(yīng)的IMF分量的均值為最終的IMF分量。具體來講，通過下列公式(9)獲得對(duì)應(yīng)的IMF分量的均值：

其中，IMF_j表示第j個(gè)分量，1≤j≤m，如圖4中的IMF1、IMF2、IMF3、IMF4、IMF5、IMF6、IMF7、IMF8、IMF9和Res。表示第i次加入輔助白噪聲得到的分解得到的第j個(gè)IMF，表示第i次加入輔助白噪聲得到的分解得到的第j個(gè)IMF。

接下來，執(zhí)行S103，具體為：

按照頻率從高到低對(duì)所述m個(gè)IMF分量進(jìn)行排序；

確定滿足預(yù)設(shè)條件的IMF分量為所述高頻IMF分量。

首先按照每個(gè)IMF的頻率將m個(gè)IMF進(jìn)行排序，然后選擇滿足預(yù)設(shè)條件的IMF分量為高頻IMF分量。本發(fā)明實(shí)施例中的預(yù)設(shè)條件例如為排序中的第一位，或者頻率較高且對(duì)預(yù)測(cè)結(jié)果影響較大，本發(fā)明不做具體限制。為了方便后續(xù)介紹，假設(shè)取排列在第一位的IMF分量為高頻IMF分量，如圖4中的IMF1。

接下來，在S104中，將高頻IMF分量分解成n個(gè)VM(變分模態(tài)，Variational Mode)分量。n為大于1的自然數(shù)，本發(fā)明所屬領(lǐng)域的普通技術(shù)人員可以根據(jù)實(shí)際進(jìn)行設(shè)置，本發(fā)明不做具體限制。在處理圖3示出的歷史AQI數(shù)據(jù)時(shí)，可以設(shè)置n＝10。本發(fā)明通過以下步驟對(duì)高頻IMF分量進(jìn)行分解：

S1041：將高頻IMF分量分解為k(其中，k＝10)個(gè)模態(tài)函數(shù)，每個(gè)模態(tài)均為具有中心頻率的有限帶寬。使每個(gè)模態(tài)的帶寬估計(jì)之和最小，約束條件為f與各模態(tài)之和相等，則約束變分問題如下：

其中，g(t)表示高頻IMF分量，u_k為g(t)的第k個(gè)模態(tài)函數(shù)，ω_k為u_k的中心頻率，δ(t)為u_k的Dirac分布。

S1042：為獲得該約束變分的最優(yōu)解，基于增廣拉格朗日函數(shù)將公式(11)轉(zhuǎn)換為公式(12)，以將約束性變分問題轉(zhuǎn)化為非約束性變分問題。

其中，λ為朗格拉日乘法算子，公式(12)中的α為二次懲罰因子。

S1043：初始化和n。

其中，為第1次迭代中的第k個(gè)模態(tài)函數(shù)，為的傅里葉轉(zhuǎn)換，λ表示朗格拉日乘法算子，{λ¹}為第1次迭代中的拉格朗日乘法算子，為{λ¹}的傅里葉轉(zhuǎn)換，為初始化中心頻率，u_k為k個(gè)模態(tài)函數(shù)，ω_k為中心頻率，n為當(dāng)前迭代次數(shù)。初始化就是把各個(gè)變量賦為默認(rèn)值，本發(fā)明實(shí)施例中的初始化就是將和n賦值為0。

S1044：交替更新和λⁿ⁺¹。

其中，通過公式(13)更新

通過公式(14)更新

通過公式(15)更新λⁿ⁺¹：

其中，為當(dāng)前剩余量的維納濾波，為當(dāng)前模態(tài)函數(shù)功率譜的重心，分別為g(t)、u_i(t)、λ(t)和的傅里葉轉(zhuǎn)換，u_i(t)為第i個(gè)模態(tài)函數(shù)，為u_k經(jīng)過n+1次迭代后的值，1≤i≤k，為λ(ω)經(jīng)過n次迭代后的傅里葉轉(zhuǎn)換，為λ(ω)經(jīng)過n+1次迭代后的傅里葉轉(zhuǎn)換，τ為更新系數(shù)。

S1045：判斷公式(16)是否成立。

其中，e為大于0的任意值，為u_k經(jīng)過n次迭代后的傅里葉轉(zhuǎn)換。

如果此時(shí)公式(16)不成立，則返回步驟S1044，重新更新和λⁿ⁺¹。如果公式(16)成立，則執(zhí)行S1046：將u_k作為所述n個(gè)VM分量。輸出此時(shí)的u_k，u_k中的10個(gè)量就是高頻IMF的VM分量，如圖5所示。

接著，執(zhí)行S105：基于極限學(xué)習(xí)機(jī)模型，獲得所述n個(gè)VM分量的預(yù)測(cè)值、所述高頻IMF分量以外的其它IMF分量的預(yù)測(cè)值以及所述趨勢(shì)分量的預(yù)測(cè)值。在本發(fā)明實(shí)施例中，具體為通過如下過程實(shí)現(xiàn)S105：

根據(jù)輸入ELM(極限學(xué)習(xí)機(jī)，Extreme Learning Machine)模型的序列，利用每前8個(gè)數(shù)據(jù)預(yù)測(cè)第9個(gè)數(shù)據(jù)。

具體來講，輸入ELM模型的序列為每個(gè)高頻IMF分量的VM分量，高頻IMF分量以外的每一個(gè)IMF分量，以及趨勢(shì)分量。在具體實(shí)現(xiàn)過程中，輸入順序，即獲得預(yù)測(cè)值的順序可以任意選擇，本發(fā)明不做具體限制。圖3中IMF′_i表示第i個(gè)IMF分量IMF_i的預(yù)測(cè)值，Res’表示趨勢(shì)分量Res的預(yù)測(cè)值。

利用每前8個(gè)數(shù)據(jù)預(yù)測(cè)第9個(gè)數(shù)據(jù)，是指從序列中的第9個(gè)數(shù)據(jù)開始，每個(gè)數(shù)據(jù)的預(yù)測(cè)值根據(jù)前8個(gè)數(shù)據(jù)來預(yù)測(cè)。具體來講，請(qǐng)參考公式(17)，

x'_i+9＝f(x_i+1,x_i+2,…,x_i+8) 公式(17)

公式(17)中的x'_i+9表示第i+9個(gè)數(shù)據(jù)的預(yù)測(cè)值，_i≥0，x_i+1,x_i+2,…,x_i+8表示第i+9個(gè)數(shù)據(jù)的前8個(gè)數(shù)據(jù)，公式(17)中的f為建立的ELM。

換言之，第9個(gè)數(shù)據(jù)由第1～8個(gè)數(shù)據(jù)預(yù)測(cè)，第10個(gè)數(shù)據(jù)由第2～9個(gè)數(shù)據(jù)預(yù)測(cè)，第11個(gè)數(shù)據(jù)由第3～10個(gè)數(shù)據(jù)預(yù)測(cè)，…

其中，模型訓(xùn)練時(shí)設(shè)存在N個(gè)獨(dú)立的訓(xùn)練樣本{(x_i,t_i),i＝1,2,…,N}。x_i表示ELM的輸入樣本，t_i為期望輸出樣本，具體輸入樣本值x_i＝[x_i1,x_i2,…,x_in]^T∈R，具體期望輸出樣本值t_i＝[t_i1,t_i2,…,t_im]^T∈R。

假設(shè)激活函數(shù)為p(x)，隱含層神經(jīng)元的閾值為b_i，那么網(wǎng)絡(luò)輸出y_j為

其中，j＝1,2,…,N，w_i＝[w_i1,w_i2,…,w_in]為輸入層神經(jīng)元與隱含層第i層之間的連接權(quán)值，β_i＝[β_i1,β_i2,…,β_im]為隱含層第i個(gè)神經(jīng)元與輸出層神經(jīng)元之間的連接權(quán)值。

容易看出，公式(18)可以轉(zhuǎn)化為

Y＝Hβ， 公式(19)

其中，Y為網(wǎng)絡(luò)的輸出矩陣，H為網(wǎng)絡(luò)的隱含層輸出矩陣，β為隱含層與輸出層之間的連接權(quán)值。

公式(19)中的矩陣形式為

當(dāng)激活函數(shù)p(x)無限可微時(shí)，輸入層與隱含層之間的連接權(quán)值w以及隱含層神經(jīng)元的閾值b在訓(xùn)練前可以隨機(jī)選擇，且在訓(xùn)練過程中保持不變。而隱含層與輸出層之間的連接權(quán)值β可以為公式(20)的最小二乘解，

即H⁺為隱含層輸出矩陣H的Moore-Penrose廣義逆矩陣。

接下來，在S106中，將高頻IMF分量的VM進(jìn)行線性疊加，并將線性疊加得到的第一線性疊加值作為高頻IMF分量的預(yù)測(cè)值。

具體來講，如果高頻IMF分量?jī)H有一個(gè)，則將所有VM分量線性疊加得到的第一線性疊加值作為該唯一的高頻IMF分量的預(yù)測(cè)值。如果高頻IMF分量有多個(gè)，則將每個(gè)高頻IMF分量自身分解出的VM分量進(jìn)行疊加，得到每個(gè)高頻IMF分量的第一線性疊加值，進(jìn)而將由自身的VM分量疊加出的值作為該高頻IMF分量的預(yù)測(cè)值。

最后，在S107中，將S106獲得的每個(gè)高頻IMF分量的預(yù)測(cè)值、每個(gè)其它IMF分量的預(yù)測(cè)值以及趨勢(shì)分量的預(yù)測(cè)值線性疊加，得到的第二線性疊加值就是AQI預(yù)測(cè)值。

圖6示出了不同預(yù)測(cè)方法的擬合曲線示意圖。其中，未添加標(biāo)識(shí)符的曲線表示歷史AQI數(shù)據(jù)序列，曲線“ELM”表示現(xiàn)有的直接預(yù)測(cè)方法的擬合曲線，曲線“CEEMD-ELM”表示現(xiàn)有的融入CEEMD分解技術(shù)的AQI預(yù)測(cè)方法的擬合曲線，曲線“VMD-ELM”表示現(xiàn)有的融入VMD分解技術(shù)的AQI預(yù)測(cè)方法的擬合曲線，曲線“CEEMD-VMD-ELM”表示本發(fā)明實(shí)施例的預(yù)測(cè)方法的擬合曲線。

圖7示出了圖6所示的不同預(yù)測(cè)方法的預(yù)測(cè)誤差值。本發(fā)明實(shí)施例中的誤差包括平均絕對(duì)誤差(MAE)、均方根誤差(RMSE)和平均絕對(duì)百分誤差(MAPE)。可以看出，相較于現(xiàn)有技術(shù)中的多種預(yù)測(cè)方法，本發(fā)明的預(yù)測(cè)方法誤差最小，因此，本發(fā)明提高了AQI預(yù)測(cè)的精度。

基于與前述實(shí)施例中AQI預(yù)測(cè)方法同樣的發(fā)明構(gòu)思，本發(fā)明第二方面還提供一種AQI預(yù)測(cè)裝置，如圖8所示，包括：

第一獲得模塊101，用于獲得待預(yù)測(cè)地理位置的歷史空氣質(zhì)量指數(shù)AQI數(shù)據(jù)；

CEEMD分解模塊102，用于根據(jù)互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解CEEMD方法，將所述歷史AQI數(shù)據(jù)分解為m個(gè)固有模態(tài)函數(shù)IMF分量和一個(gè)趨勢(shì)分量；其中，m為大于1的自然數(shù)；

第二獲得模塊103，用于獲得所述m個(gè)IMF分量中的高頻IMF分量；

VMD分解模塊104，用于基于變分模態(tài)分解VMD方法，獲得所述高頻IMF分量的n個(gè)變分模態(tài)VM分量；其中，n為大于1的自然數(shù)；

極限學(xué)習(xí)機(jī)模塊105，用于基于極限學(xué)習(xí)機(jī)模型，獲得所述n個(gè)VM分量的預(yù)測(cè)值、所述高頻IMF分量以外的其它IMF分量的預(yù)測(cè)值以及所述趨勢(shì)分量的預(yù)測(cè)值；

第一線性疊加模塊106，用于獲得所述高頻IMF分量對(duì)應(yīng)的所述VM分量的預(yù)測(cè)值的第一線性疊加值，并將所述第一線性疊加值確定為所述高頻IMF的預(yù)測(cè)值；

第二線性疊加模塊107，用于獲得所述高頻IMF的預(yù)測(cè)值、所述其它IMF分量的預(yù)測(cè)值以及所述趨勢(shì)分量的預(yù)測(cè)值的第二線性疊加值，并將所述第二線性疊加值確定為所述待預(yù)測(cè)地理位置的AQI預(yù)測(cè)值。

可選的，CEEMD模塊102用于向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲，獲得兩個(gè)新的集合IMF信號(hào)；其中，向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲是以期望為0，標(biāo)準(zhǔn)差為0.2，正負(fù)成對(duì)且呈正態(tài)分布的形式加入；基于經(jīng)驗(yàn)?zāi)B(tài)分解EMD對(duì)所述兩個(gè)新的集合IMF信號(hào)中的每一個(gè)信號(hào)進(jìn)行分解，獲得每個(gè)新的集合IMF的IMF分量；判斷循環(huán)次數(shù)是否達(dá)到預(yù)設(shè)次數(shù)N；當(dāng)循環(huán)次數(shù)未達(dá)到預(yù)設(shè)次數(shù)時(shí)，再次執(zhí)行：向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲，獲得兩個(gè)新的集合IMF信號(hào)，以及基于經(jīng)驗(yàn)?zāi)B(tài)分解EMD對(duì)所述兩個(gè)新的集合IMF信號(hào)中的每一個(gè)信號(hào)進(jìn)行分解，獲得每個(gè)新的集合IMF的IMF分量；當(dāng)所述循環(huán)次數(shù)達(dá)到所述預(yù)設(shè)次數(shù)N時(shí)，獲得2N組IMF分量，確定所述2N組IMF分量的平均值為所述歷史AQI數(shù)據(jù)的所述m個(gè)IMF分量和所述趨勢(shì)分量；其中，每組IMF分量均包括m個(gè)IMF分量和一個(gè)趨勢(shì)分量。

可選的，第二獲得模塊103用于按照頻率從高到低對(duì)所述m個(gè)IMF分量進(jìn)行排序；確定滿足預(yù)設(shè)條件的IMF分量為所述高頻IMF分量。

可選的，VMD分解模塊104用于初始化和n；其中，為第1次迭代中的第k個(gè)模態(tài)函數(shù)，為的傅里葉轉(zhuǎn)換，λ表示朗格拉日乘法算子，{λ¹}為第1次迭代中的拉格朗日乘法算子，為{λ¹}的傅里葉轉(zhuǎn)換，為初始化中心頻率，u_k為k個(gè)模態(tài)函數(shù)，ω_k為中心頻率，n為迭代次數(shù)；根據(jù)下列公式更新u_k：根據(jù)下列公式更新ω_k：其中，為當(dāng)前剩余量的維納濾波，為當(dāng)前模態(tài)函數(shù)功率譜的重心，分別為g(t)、u_i(t)、λ(t)和的傅里葉轉(zhuǎn)換，g(t)為所述高頻IMF分量，u_i(t)為第i個(gè)模態(tài)函數(shù)，λ(t)為拉格朗日乘法算子，為u_k經(jīng)過n+1次迭代后的值，1≤i≤k，α為二次懲罰因子；根據(jù)下列公式更新λ：其中，為λ(ω)經(jīng)過n次迭代后的傅里葉轉(zhuǎn)換，為λ(ω)經(jīng)過n+1次迭代后的傅里葉轉(zhuǎn)換，τ為更新系數(shù)；判斷是否成立，其中，e＞0；為u_k經(jīng)過n次迭代后的傅里葉轉(zhuǎn)換；當(dāng)成立時(shí)，將u_k作為所述n個(gè)VM分量；當(dāng)不成立時(shí)，再次更新u_k和ω_k。

可選的，極限學(xué)習(xí)模塊105用于基于極限學(xué)習(xí)機(jī)模型，根據(jù)所述n個(gè)VM分量中每個(gè)VM分量的每前8個(gè)數(shù)據(jù)預(yù)測(cè)第9個(gè)數(shù)據(jù)，獲得每個(gè)VM分量的預(yù)測(cè)值，進(jìn)而獲得所述n個(gè)VM分量的預(yù)測(cè)值；基于極限學(xué)習(xí)機(jī)模型，根據(jù)所述其它IMF分量中每個(gè)IMF分量的每前8個(gè)數(shù)據(jù)預(yù)測(cè)第9個(gè)數(shù)據(jù)，獲得每個(gè)IMF分量的預(yù)測(cè)值，進(jìn)而獲得所述其它IMF分量的預(yù)測(cè)值；基于極限學(xué)習(xí)機(jī)模型，根據(jù)所述趨勢(shì)分量的每前8個(gè)數(shù)據(jù)預(yù)測(cè)第9個(gè)數(shù)據(jù)，獲得所述趨勢(shì)分量的預(yù)測(cè)值。

可選的，所述歷史AQI數(shù)據(jù)的長(zhǎng)度大于500。

前述圖1-圖7實(shí)施例中的AQI預(yù)測(cè)方法的各種變化方式和具體實(shí)例同樣適用于本實(shí)施例的AQI預(yù)測(cè)裝置，通過前述對(duì)AQI預(yù)測(cè)方法的詳細(xì)描述，本領(lǐng)域技術(shù)人員可以清楚的知道本實(shí)施例中AQI預(yù)測(cè)裝置的實(shí)施方法，所以為了說明書的簡(jiǎn)潔，在此不再詳述。

本申請(qǐng)實(shí)施例中的上述一個(gè)或多個(gè)技術(shù)方案，至少具有如下一種或多種技術(shù)效果：

在本發(fā)明實(shí)施例的技術(shù)方案中，首先通過CEEMD將非平穩(wěn)的歷史AQI數(shù)據(jù)序列分解成一系列具有不同頻率特征的IMF分量和趨勢(shì)分量，然后，通過VMD將其中的每個(gè)高頻IMF分量進(jìn)一步分解為若干VM分量，進(jìn)一步通過極限學(xué)習(xí)機(jī)模型對(duì)各個(gè)VM分量以及除高頻IMF分量以外的其它IMF分量和趨勢(shì)分量進(jìn)行預(yù)測(cè)，并將與每個(gè)高頻IMF分量對(duì)應(yīng)的VM分量的預(yù)測(cè)值進(jìn)行線性疊加得到該IMF的預(yù)測(cè)值，最后通過將所有IMF及趨勢(shì)分量的預(yù)測(cè)值進(jìn)行線性疊加得到最終的AQI預(yù)測(cè)值。相較于現(xiàn)有技術(shù)，對(duì)于AQI的預(yù)測(cè)具有更高的精度。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、系統(tǒng)、或計(jì)算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤存儲(chǔ)器、CD-ROM、光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實(shí)施例的方法、設(shè)備(系統(tǒng))、和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。可提供這些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個(gè)機(jī)器，使得通過計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也可存儲(chǔ)在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲(chǔ)器中，使得存儲(chǔ)在該計(jì)算機(jī)可讀存儲(chǔ)器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。

這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。

顯然，本領(lǐng)域的技術(shù)人員可以對(duì)本發(fā)明進(jìn)行各種改動(dòng)和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動(dòng)和變型在內(nèi)。