CN110298742A

CN110298742A - 数据处理方法和装置

Info

Publication number: CN110298742A
Application number: CN201910517844.6A
Authority: CN
Inventors: 曾伟雄; 莫卉星; 纪磊
Original assignee: Union Mobile Pay Co Ltd
Current assignee: Union Mobile Pay Co Ltd
Priority date: 2019-06-14
Filing date: 2019-06-14
Publication date: 2019-10-01
Anticipated expiration: 2039-06-14
Also published as: CN110298742B

Abstract

本申请公开了数据处理方法和装置，涉及数据计算技术领域。该方法包括：读取存储的指定用户的上一统计周期的消费极值、最近的一条消费交易数据以及获取衰减因子；其中，若指定用户在指定时间点之前没有消费交易数据，则上一统计周期的消费极值为默认值；根据读取的上一统计周期的消费极值、最近的一条消费交易数据以及衰减因子，计算指定用户在当前统计周期的平均消费数据；根据上一统计周期的消费极值和当前统计周期的平均消费数据，确定指定用户在当前统计周期的消费极值；将得到的当前统计周期的消费极值作为预先建立的神经网络模型的输入参数，通过神经网络模型进行风控预测。该方式能够提高交易风险预测的准确度，从而节约计算机的处理资源。

Description

数据处理方法和装置

技术领域

本申请涉及数据计算技术领域，尤其涉及一种数据处理方法和装置。

背景技术

随着人们生活水平的提高以及互联网的飞速发展，人们的交流和办理业务的方式发生了巨大的变化。以前由线下进行的活动，很多都能够在线上进行。例如，网购，线上贷款交易变得越来越普遍，线上贷款交易不仅节约了用户的时间且为用户带了更多的选择，使得人们的生活变得越来越便捷。但是，部分进行线上贷款交易的用户不具有偿还贷款能力，信贷公司在没有进行金融风控的情况下，信贷公司的利益极可能会损失。当不能很好的进行金融风控时，通过线上方式采用的网络资源和处理资源并不能得到有效的利用，会导致网络资源和处理资源的浪费。

现有技术中在进行金融风控时，通常需要将用户一段时间内的所有历史数据均进行计算，故此其所有历史数据都需要存储，也占用较多的存储资源。

此外，现有技术中，为了防止用户欺诈交易，通过卷积神经网络构建用于风险控模型对交易数据进行特征提取，并通过提取的特征值进行交易风险预测，从而进行金融风控。然而，现有技术中，在风险控制模型进行训练时，输入的用户消费数据的消费极值并不准确，以致用户交易风险的预测的准确度低。而进行金融风控所采用的网络资源和处理资源并不能得到有效的利用，导致网络资源和处理资源的浪费。

发明内容

本申请实施例提供一种数据处理方法和装置，用以解决现有技术中进行金融风控所采用的网络资源和处理资源利用率低的问题。

第一方面，本申请实施例提供一种数据处理方法，该方法包括：

读取存储的指定用户的上一统计周期的消费极值、最近的一条消费交易数据以及获取衰减因子；其中，若指定用户在指定时间点之前没有消费交易数据，则所述上一统计周期的消费极值为默认值；

根据读取的所述上一统计周期的消费极值、所述最近的一条消费交易数据以及所述衰减因子，计算所述指定用户在当前统计周期的平均消费数据；

根据所述上一统计周期的消费极值和所述当前统计周期的平均消费数据，确定所述指定用户在当前统计周期的消费极值；

将得到的所述当前统计周期的消费极值作为预先建立的神经网络模型的输入参数，通过所述神经网络模型进行风控预测。

可选的，所述获取衰减因子，具体包括：

当所述当前统计周期大于设定时间时，确定所述衰减因子为其取值范围内的最大值；

当所述当前统计周期小于或等于设定时间时，确定所述衰减因子为所述当前统计周期与所述设定时间进行除法计算，得到的数值。

可选的，所述根据读取的所述上一统计周期的消费极值、所述最近的一条消费交易数据以及所述衰减因子，计算所述指定用户在当前统计周期的平均消费数据包括：

将所述衰减因子作为所述指定用户的最近的一条消费交易数据的权重系数；

将所述衰减因子的取值范围内的最大值减去所述衰减因子得到的结果作为所述上一统计周期的消费极值的权重系数；

对所述上一统计周期的消费极值和所述最近的一条消费交易数据进行加权求和得到指定用户在当前统计周期的平均消费数据。

可选的，所述指定用户在当前统计周期的消费极值包括：极大值以及极小值中的至少一种。

可选的，所述方法还包括:

将所述当前统计周期的消费极值更新为上一统计周期的消费极值。

第二方面，本发明实施例还提供一种数据处理装置，所述装置包括：

参数获取模块，用于读取存储的指定用户的上一统计周期的消费极值、最近的一条消费交易数据以及获取衰减因子；其中，若指定用户在指定时间点之前没有消费交易数据，则所述上一统计周期的消费极值为默认值；

计算模块，用于根据读取的所述上一统计周期的消费极值、所述最近的一条消费交易数据以及所述衰减因子，计算所述指定用户在当前统计周期的平均消费数据；

确定模块，用于根据所述上一统计周期的消费极值和所述当前统计周期的平均消费数据，确定所述指定用户在当前统计周期的消费极值；

输入模块，用于将得到的所述当前统计周期的消费极值作为预先建立的神经网络模型的输入参数，通过所述神经网络模型进行风控预测。

可选的，所述参数获取模块，具体用于根据以下方式获取衰减因子：

可选的，所述计算模块包括：

第一赋值单元，用于将所述衰减因子作为所述指定用户的最近的一条消费交易数据的权重系数；

第二赋值单元，用于将所述衰减因子的取值范围内的最大值减去所述衰减因子得到的结果作为所述上一统计周期的消费极值的权重系数；

加权求和单元，用于对所述上一统计周期的消费极值和所述最近的一条消费交易数据进行加权求和得到指定用户在当前统计周期的平均消费数据。

可选的，所述装置还包括:

更新模块，用于将所述当前统计周期的消费极值更新为上一统计周期的消费极值。

第三方面，本发明实施例还提供一种计算装置，包括：存储器以及处理器；

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行第一方面所述的方法。

第四方面，本发明实施例还提供一种计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如第一方面所述的方法。

本申请实施例提供的一种数据处理方法和装置，计算机处理器通过对指定用户的上一统计周期的消费极值、最近的一条消费交易数据以及衰减因子进行计算，获取指定用户在当前统计周期的平均消费数据，并根据上一统计周期的消费极值和所述当前统计周期的平均消费数据，确定所述指定用户在当前统计周期的消费极值，最后将得到的当前统计周期的消费极值输入到预先建立的神经网络模型进行风控预测，通过该方式处理的消费数据，不仅节约了计算机设备进行金融风控所采用的网络资源和处理资源，且获取的当前周期的消费极值的准确度高，进而提高了金融风控风险预测的准确度。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种数据处理方法的流程图；

图2为本申请实施例提供的一种数据处理装置的结构示意图；

图3为本申请实施例提供的一种计算装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

现有技术中，进行金融风控时，在进行指定用户在当前统计周期的消费极值的计算时，当指定用户连续多个月的消费极值实际为负值时，现有技术在进行当前统计周期的消费极值计算时得到的极值依然为正值，导致计算的当前统计周期的消费极值与实际不符。因此通过现有技术计算的当前统计周期的消费极值，输入到用于风险控制的卷积神经网络模型时，得到的风控预测数据并不准确，这样通过计算机设备计算当前统计周期的消费极值采用的处理资源就被浪费了。此外，用户的消费数据均是通过网络设备统计采集和传输的，这些数据不能得到有效的利用，也导致网络资源的浪费。

下面对现有技术的当前统计周期的消费极值计算方法进行简要说明，以指定用户当前统计周期的消费极大值为例进行说明。其中，下述例子中的表1为用户最近的一条消费交易数据为正值计算的当前统计周期的消费极大值的统计数据，表2为用户最近的一条消费交易数据存在负值计算的当前统计周期的消费极大值的统计数据。

在表1和表2中currentData表示指定用户最近的一条消费交易数据；oldProData表示指定用户上一统计周期的消费极值；β表示指定用户上一统计周期的消费极值的衰减因子；NewProData表示指定用户在当前统计周期的消费极值。

表1

表2

通过对上述表1和表2中的数据进行分析可知，当用户最近的多条消费交易数据存在负值时，其实际消费极大值应该为负值，而现有技术统计的消费极大值依然得到正值，显然与实际不符。因此，现有技术计算的当前统计周期的消费极值计算的不准确，很难跳出正值和负值转化的问题，使得输入用于风险控制的卷积神经网络模型的输入数据并不准确，因此使得金融风控预测的准确度降低，进而导致通过计算机设备计算当前统计周期的消费极值采用的处理资源被浪费。此外，用户的消费数据均是通过网络设备统计采集和传输的，这些数据不能得到有效的利用，也导致网络资源的浪费。

参阅图1，为本申请实施例中一种数据处理方法流程图，该方法包括如下步骤：

步骤101：读取存储的指定用户的上一统计周期的消费极值、最近的一条消费交易数据以及获取衰减因子；其中，若指定用户在指定时间点之前没有消费交易数据，则所述上一统计周期的消费极值为默认值。

需要说明的是，在本发明实施例中，在指定用户在指定时间点之前没有消费交易数据，则将上一统计周期的消费极值设置为默认值，本发明实施例中的计算均将其设置为0，但也可根据用户需求设置成其他数值，在此不做具体限定。

步骤102：根据读取的所述上一统计周期的消费极值、所述最近的一条消费交易数据以及所述衰减因子，计算所述指定用户在当前统计周期的平均消费数据。

在一个实施例中，指定用户在当前统计周期的平均消费数据可通过下述计算步骤得到，包括：

步骤S1：将所述衰减因子作为所述指定用户的最近的一条消费交易数据的权重系数。

步骤S2：将所述衰减因子的取值范围内的最大值减去所述衰减因子得到的结果作为所述上一统计周期的消费极值的权重系数。

步骤S3：对所述上一统计周期的消费极值和所述最近的一条消费交易数据进行加权求和得到指定用户在当前统计周期的平均消费数据。

通过步骤S1-步骤S3的计算可知，指定用户在当前统计周期的平均消费数据avgvalue＝(1-α)oldProData+α*currentData，其中1-α为上一统计周期的消费极值的权重系数，α在此处为指定用户的最近的一条消费交易数据的权重系数，此外需要说明的是，oldProData以及currentData的符号含义均与上述表1和表2重提到的符号含义相同，α表示衰减因子；avgvalue表示指定用户在当前统计周期的平均消费数据。

通过步骤S1-步骤S3计算的指定用户在当前统计周期的平均消费数据，可以跳出正值和负值转化，使得计算的当前统计周期的消费极值与实际值更加接近。

步骤103：根据所述上一统计周期的消费极值和所述当前统计周期的平均消费数据，确定所述指定用户在当前统计周期的消费极值。

在一个实施例中，指定用户在当前统计周期的消费极值包括：极大值以及极小值中的至少一种。当前统计周期的消费极值既可为极大值也可以为极小值，也可将两者均进行计算。

步骤104：将得到的所述当前统计周期的消费极值作为预先建立的神经网络模型的输入参数，通过所述神经网络模型进行风控预测。

此外，还要说明的是，应用本发明实施例计算当前统计周期的消费极值，仅需要存储指定用户上一统计周期的消费极值，而不需要存储指定用户所有的历史消费极值，该方式节约了计算机存储器的存储空间，也提升了计算机处理器的处理速度。

在一个实施例中，获取衰减因子，具体可执行为：

当所述当前统计周期大于设定时间时，确定所述衰减因子为其取值范围内的最大值；当所述当前统计周期小于或等于设定时间时，确定所述衰减因子为所述当前统计周期与所述设定时间进行除法计算，得到的数值。

需要说明的是，衰减因子α的取值范围为可以为0-1，假定设定时间为T，当前统计周期为t₁，当t₁>T时，在方式1中α的取值为1；当前统计周期为t₂，当t₂≤T时，在方式2中α的取值为t/T。

通过对衰减因子的计算限定可以使得当前统计周期的消费极值计算不受统计周期之外的消费极值数据影响，使得消费极值的计算更加准确。

此外还要说明的是，在一个实施例中，将所述当前统计周期的消费极值更新为上一统计周期的消费极值。也即，在计算完成当前统计周期的消费极值后，如若需要计算当前统计周期的下一统计周期的消费极值，则需要将当前统计周期的消费极值更新为上一统计周期的消费极值，计算当前统计周期下一统计周期的消费极值。这样，便于之后每个统计周期的消费极值的计算。

需要说明的是，通过在最近的一条消费交易数据currentData和指定用户在当前统计周期的平均消费数据avgvalue中，选取最大的数值作为指定用户在当前统计周期的消费极大值，即NewProData1＝max(currentData，avgvalue)；通过在最近的一条消费交易数据currentData和指定用户在当前统计周期的平均消费数据avgvalue中，选取最小的数值作为指定用户在当前统计周期的消费极大值，即NewProData2＝min(currentData，avgvalue)，其中，NewProData表示指定用户在当前统计周期的消费极值；NewProData1表示指定用户在当前统计周期的消费极大值；NewProData2表示指定用户在当前统计周期的消费极小值。

下面参照一个具体实施例计算当前统计周期的极大值进行说明，假定T＝180天，计算日期为2018年，当前统计周期的消费极值，如表3所示。

表3

将表2同表3进行类比可知，通过采用本申请方法计算的当前统计周期的极大值可以跳出正值和负值的转化问题，使得计算的当前统计周期的消费极值更加接近真实值，计算的前统计周期的极大值准确度更高，因此应用本发明实施例计算当前统计周期的消费极值，仅需要存储指定用户上一统计周期的消费极值，而不需要存储指定用户所有的历史消费极值，该方式节约了计算机存储器的存储空间，也提升了计算机处理器的处理速度。

参阅图2，为本申请实施例中一种数据处理装置示意图，该装置包括：

参数获取模块20，用于读取存储的指定用户的上一统计周期的消费极值、最近的一条消费交易数据以及获取衰减因子；其中，若指定用户在指定时间点之前没有消费交易数据，则所述上一统计周期的消费极值为默认值；

计算模块21，用于根据读取的所述上一统计周期的消费极值、所述最近的一条消费交易数据以及所述衰减因子，计算所述指定用户在当前统计周期的平均消费数据；

确定模块22，用于根据所述上一统计周期的消费极值和所述当前统计周期的平均消费数据，确定所述指定用户在当前统计周期的消费极值；

输入模块23，用于将得到的所述当前统计周期的消费极值作为预先建立的神经网络模型的输入参数，通过所述神经网络模型进行风控预测。

可选的，所述参数获取模块20，具体用于根据以下方式获取衰减因子：当所述当前统计周期大于设定时间时，确定所述衰减因子为其取值范围内的最大值；

可选的，所述计算模块21包括：

可选的，所述装置还包括:

在介绍了本申请示例性实施方式中的智能终端控制方法和装置之后，接下来，介绍本申请的另一示例性实施方式的计算装置。

所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

在一些可能的实施方式中，根据本申请的计算装置可以至少包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的数据处理方法中的步骤。例如，处理器可以执行如图1中所示的步骤101-步骤104。

下面参照图3来描述根据本申请的这种实施方式的计算装置130。图3显示的计算装置130仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图3所示，计算装置130以通用计算装置的形式表现。计算装置130的组件可以包括但不限于：上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。

总线133表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。

存储器132可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)1321和/或高速缓存存储器1322，还可以进一步包括只读存储器(ROM)1323。

存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325，这样的程序模块1324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

计算装置130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信，还可与一个或者多个使得目标对象能与计算装置130交互的设备通信，和/或与使得该计算装置130能与一个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且，计算装置130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器136通过总线133与用于计算装置130的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置130使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

在一些可能的实施方式中，本申请提供的数据处理方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的数据处理方法中的步骤，例如，计算机设备可以执行如图1中所示的步骤101-步骤104。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

本申请的实施方式的用于智能设备控制的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算装置上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在目标对象计算装置上执行、部分地在目标对象设备上执行、作为一个独立的软件包执行、部分在目标对象计算装置上部分在远程计算装置上执行、或者完全在远程计算装置或服务器上执行。在涉及远程计算装置的情形中，远程计算装置可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到目标对象计算装置，或者，可以连接到外部计算装置(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。

此外，尽管在附图中以特定顺序描述了本申请方法的操作，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操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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。

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。

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。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims

1.一种数据处理方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述获取衰减因子，具体包括：

3.根据权利要求1所述的方法，其特征在于，所述根据读取的所述上一统计周期的消费极值、所述最近的一条消费交易数据以及所述衰减因子，计算所述指定用户在当前统计周期的平均消费数据包括：

对所述上一统计周期的消费极值和所述最近的一条消费交易数据进行加权求和，得到指定用户在当前统计周期的平均消费数据。

4.根据权利要1所述的方法，其特征在于，所述指定用户在当前统计周期的消费极值包括：极大值以及极小值中的至少一种。

5.根据权利要求1所述的方法，其特征在于，还包括:

6.一种数据处理装置，其特征在于，所述装置包括：

7.根据权利要求6所述的装置，其特征在于，所述参数获取模块，具体用于根据以下方式获取衰减因子：

8.根据权利要求6所述的装置，其特征在于，所述计算模块包括：

9.根据权利要6所述的装置，其特征在于，所述指定用户在当前统计周期的消费极值包括：极大值以及极小值中的至少一种。

10.根据权利要求6所述的装置，其特征在于，所述装置还包括:

11.一种计算装置，其特征在于，包括：存储器以及处理器；

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1-5任一项所述的方法。

12.一种计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行如权利要求1-5中任一权利要求所述的方法。