一种基于人工智能和大数据的公交车调度方法及系统与流程

1.本发明涉及人工智能、大数据技术领域，具体涉及一种基于人工智能和大数据的公交车调度方法及系统。


背景技术：

2.随着我国经济的快速发展，城市建设日新月异以及城市人口的逐年增加的同时，给城市的交通系统带来了更多的压力，城市交通问题成为许多城市发展中的重点问题之一。城市公共交通与私家车相比，具有客运量大、相对投资少、占有资源少、效率高等优点，城市公共交通中公交车是人们日常生活中使用频率较高的交通工具。
3.由于城市中人口集中，市内交通比较拥堵，公交车作为城市中的主要交通工具，在缓解城市交通压力上发挥着极为重要的作用。为了满足市民们的出行需要以及提高出行效率，需要在交通压力高峰期时段对公交车进行调度。
4.目前公交车调度通常是一种硬性指标，即每辆公交车每天不管路线的交通压力大小必须完成相应的目标趟数。例如在上下班高峰期，固定地调度一定数目的公交车来缓解交通压力，若没有充分利用调度的公交车，在一定程度是浪费了交通资源；若调度车辆较少，不能够充分地缓解交通压力。所以，现有的方式不够精确，调度准确性较差。


技术实现要素：

5.本发明的目的在于提供一种基于人工智能和大数据的公交调度方法及系统，用于解决现有的公交车调度方式不准确的问题。
6.为解决上述技术问题，本发明所采用的技术方案具体如下：本发明提供了一种基于人工智能和大数据的公交车调度方法，包括以下步骤：在所有公交车路线中选出目标路线，并获取该目标路线上的各个站点、任意两个站点之间所需要的行驶时间以及各个站点在各个时间段的上下车人数；根据该目标路线上任意两个站点之间所需要的行驶时间以及各个站点在各个时间段的上下车人数，预测当前发车的公交班次到达各个站点的时间段以及在各个站点的交通压力值；根据预测的当前发车的公交班次在各个站点的交通压力值，确定当前发车的公交班次的目标路线得分；若当前发车的公交班次的目标路线得分大于设定得分阈值，则分别判断当前发车的公交班次在各个站点的交通压力值是否大于设定压力阈值，得到该目标路线大于设定压力阈值的各个站点；根据预测的当前发车的公交班次到达各个站点的时间段，获取大于设定压力阈值的各个站点的所有可替代公交路线；根据所有可替代路线在对应的大于设定压力阈值的各个站点的交通压力值，对当前发车的公交班次在大于设定压力阈值的各个站点的交通压力值进行更新；
根据更新后的当前发车的公交班次在各个站点的交通压力值，重新计算当前发车的公交班次的目标路线得分，并根据该重新计算的目标路线的得分，确定该目标路线上当前发车时段的公交车调度班次。
7.进一步的，预测当前发车的公交班次到达各个站点的时间段以及在各个站点的交通压力值，具体步骤包括：根据当前发车的公交班次发车的时间段在首个站点的上下车人数，计算当前发车的公交班次在首个站点的交通压力值；根据当前发车的公交班次到达前一个站点的时间段、在到达前一个站点的时间段上的上下车人数、在前一个站点的交通压力值以及前一个站点到后一个站点所需要的行驶时间，预测当前发车的公交班次到达后一个站点的时间段；根据预测的当前发车的公交班次到达后一个站点的时间段，预测后一个站点在该时间段对应的上下车人数；根据当前发车的公交班次在前一个站点的交通压力值以及预测的后一个站点在该时间段对应的上下车人数，预测在后一个站点的交通压力值。
8.进一步的，预测当前发车的公交班次到达各个站点的时间段以及在各个站点的交通压力值对应的计算公式为：通压力值对应的计算公式为：其中， 为在第个站点的交通压力值，为当前发车的公交班次到达第个站点的时间段，为在第个站点的交通压力值，为当前发车的公交班次到达第个站点的时间段，为第个站点到第个站点所需要的行驶时间，为第个站点的下车热度值，为第个站点的上车热度值，=，，为第个站点在时间段对应的下车人数， 为第个站点在时间段对应的上车人数，为当前发车的公交班次上的座位数量，为第个站点的下车热度值，为第个站点的上车热度值，=，，为第个站点在时间段对应的下车人数，为第个站点在时间段对应的上车人数，为上下车时间系数，为每个时间段的时间长度，表示对进行向下取整。
9.为上下车时间系数，反应人员上下车的人均用时，其为一个分段函数，由行业内人员根据经验直接给出，与上一个车站的压力值有关，上一个车站压力值越大表示车内越
拥挤，对应的越大。
10.进一步的，上下车时间系数的表达式为：其中，为上下车时间系数，为在第个站点的交通压力值。
11.进一步的，获取大于设定压力阈值的各个站点的所有可替代公交线路的步骤包括：对于大于设定压力阈值的第个站点，获取经过该第个站点的所有公交路线，所述所有公交路线中不包括目标路线；获取所有公交路线中的各个公交路线上任意两个站点所需要的行驶时间以及各个站点在各个时间段的上下车人数；根据所有公交路线中的各个公交路线上任意两个站点之间所需要的行驶时间以及各个站点在各个时间段的上下车人数，预测所有公交路线中的各个公交路线上各个公交班次到达第个站点的时间段以及在第个站点的交通压力值；从所有公交路线中确定初拟的可替代公交路线，所述初拟的可替代公交路线的公交班次到达第个站点的时间段与目标线路上当前发车的公交班次到达第个站点的时间段相同；计算初拟的可替代公交路线中的每一条公交路线与目标路线的重合度，从初拟的可替代公交路线中筛选出与目标路线的重合度大于设定重合度阈值的公交路线；判断筛选出的重合度大于设定重合度阈值的各个公交路线的各个公交班次到达第个站点的交通压力值是否大于设定压力阈值，将小于设定压力阈值的公交路线作为最终的可替代公交线路。
12.进一步的，计算初拟的可替代公交路线中的每一条公交路线与目标路线的重合度的步骤包括：以目标线路上在第个站点后的各个站点为圆心、以设定距离为半径画圆，将目标线路上各个站点对应的圆作为该站点的重合范围；获取初拟的可替代公交路线中的每一条公交路线在第个站点后的各个站点，并判断每一条公交路线上在第个站点后的各个站点是否位于所述重合范围内，将每一条公交路线上在第个站点后的位于所述重合范围内的所有站点的数目，作为在第个站点该公交路线与目标路线的重合度。
13.进一步的，对当前发车的公交班次在大于设定压力阈值的各个站点的交通压力值
进行更新的公式为：其中，为更新之后第个站点的交通压力值，为更新之前第个站点的交通压力值，为第个站点的所有可替代公交线路的数目，为第个站点的可替代公交线路与目标路线的重合度，为设定压力阈值，为第个站点的可替代公交线路在第个站点的交通压力值，为当前发车的公交班次到达第个站点的时间段。
14.进一步的，确定该目标线路上当前发车时段的公交车调度班次对应的计算公式为：其中，为公交车调度班次的数目，为重新计算的目标路线的得分，为设定压力阈值，为当前发车的公交班次到达首站的时间段，为对进行向下取整。
15.进一步的，将当前发车的公交班次在各个站点的交通压力值的最大值，作为当前发车的公交班次的目标线路得分。
16.本发明还提供了一种基于人工智能和大数据的公交车调度系统，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令，以实现上述基于人工智能和大数据的公交车调度方法。
17.本发明具有如下有益效果：本发明通过在所有的公交路线中选定一个目标路线以及目标路线上各个站点，根据目标路线上任意两个站点的行驶时间以及在各个站点的上下车人数，得出目标路线上的各个站点的交通压力值以及目标路线得分。对于交通压力值大于设定压力阈值的各个站点选取其对应的可替代路线。根据可替代路线信息对目标路线的得分进行更新，从而确定公交车的调度结果。
18.本发明在当前发车的公交班次发出时，由于每一站点交通压力值是之前所有站点交通状态息息相关，所以利用各个站点在各个时间段内的上下车人数，各个站点包括起始站点，对本公交班次到达各个站点时的交通压力值进行预测。同时，充分考虑了起始站点的交通压力值以及交通压力值较大的各个站点的可替代公交路线对该站点交通压力值的影响情况，从而得到了各个站点更加准确的交通压力值，并利用更加准确的交通压力值来确定公交车调度班次，充分考虑了可替代路线对各个站点的交通压力值的影响，使调度更加准确，有效缓解了交通压力，同时也避免浪费交通资源。
附图说明
19.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中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它附图。
20.图1为本发明的基于人工智能和大数据的公交调度方法的流程图1；图2为本发明的基于人工智能和大数据的公交调度方法及系统的系统流程图2。
具体实施方式
21.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。
22.本实施例提供了一种基于人工智能和大数据的公交调度方法，如图1、2所示，具体步骤内容如下：步骤：在所有公交车路线中选出目标路线，并获取该目标路线上的各个站点、任意两个站点之间所需要的行驶时间以及各个站点在各个时间段的上下车人数。
23.该步骤的主要目的是利用实验、统计的方法提前获取在实现公交车智能调度过程中需要使用到的一些参数，这些参数包括：目标路线、目标线路上的各个站点、任意两个站点所需要的行驶时间以及各个站点在各个时间段的上下车人数。下面对该目标路线中各个站点在各个时间段的上下车人数的获取方法进行详细说明，具体步骤如下所示：步骤：首先，利用监控相机找到沿着目标路线行驶的目标公交车。通过监控相机获取目标线路上每一个站点的rgb图像，rgb图像是指彩色图像的每一个像素r（红色）、g（绿色）、b（蓝色）的不同比例来表示的图像。将每一个站点的rgb图像转化成hsv颜色空间，因为hsv颜色空间用于指定图像的颜色分割时，有比较大的作用，更加适合用来判断图像中是否出现目标公交车。
24.rgb图像转化成hsv颜色空间过程中，所使用的hsv颜色空间模型表示色调（h）、饱和度和（s）、明度（v），而在rgb图像表示红色（r）、绿色（g）、蓝色（b）三个分量。在转换过程中设定三个分量的最大值为max，最小值为min，rgb到hsv的转换公式为：rgb到hsv的转换公式为：rgb到hsv的转换公式为：通过上述的转换公式可知，色调（h）的范围为0度到360度，饱和度（s）和明度（v）值
的范围为0到1。当时，色调（h）通道为纯灰色，没有色彩信息；当时，表示没有颜色。分量取值的大小根据场景需要，人为根据先验知识及进行设置。rgb到hsv的转换公式为公知公式，在此不再赘述推理过程。
25.将每一个站点的rgb图像转化至hsv颜色空间之后，人为根据先验知识设置了三个通道的阈值，三个通道的阈值是指h、s、v的设定阈值，可以将公交车的led灯图像分割出来。分割后的led灯图像反映出当前公交车信息，也就是沿着目标路线的公交路数，例如1、2、3、b1、b2、s108、s109等。将分割之后的led图像与数据库中的模板进行匹配，就可以判断当前公交车是否为目标车辆，目标车辆指的是沿着目标路线的公交车。由于模板匹配为现有公知技术，在此不再赘述。
26.上述步骤的目的就是采用图像中识别出目标路线的公交，并给出了一种具体的实施方式，本领域的技术人员来讲，在实现上述目的的情况，也可以采用其他的方式。
27.步骤：然后，利用目标检测网络centernet技术屏蔽无关工况，无关工况是指在屏蔽掉公交车区域以外的背景，避免对后续上下车人数的检测造成影响。当目标车辆出现在监控相机中时，将采集到的rgb图像输入已经训练好的目标检测网络centernet中，得到公交车车门包围框的中心坐标和长宽尺寸。利用包围框对rgb图像进行裁剪，以达到屏蔽无关工况对后续上下车人数检测的目的。目标检测网络centernet及其训练过程以及利用训练好的网络来识别目标的具体过程都属于公知技术，在此不在赘述。
28.步骤：最后，通过对乘客头部关键点的检测判断上下车人数。将上述步骤中裁剪好的裁剪图输入到人体关键点检测网络，输出人体头部关键点的heatmap，经函数处理得到关键点的位置信息。利用光流法对头部关键点进行检测，得到人员的运动信息，规定运动方向指向车门包围框中心点的为上车人员，否则为下车人员。人体关键点检测网络可以选用现有的openpose网络，为公知技术，在此不再赘述。
29.总结上述步骤，利用监控相机对所有公交路线的每一个站点进行图像识别，根据图像识别判定分割图像是否为沿着目标路线的公交车。然后，需要排除掉可能会影响到上下车人数检测的背景因素。最后，利用乘客头部的关键点信息去检测到目标路线在任意一段时间内各个站点的上车人数的具体数值和下车人数的具体数值。由此，可以检测到所有公交路线上的各个站点在任意一段时间内的各个站点的上车人数和下车人数，通过人为设定若干个时间段，然后利用大数据统计的方式，就可以确定各个站点在设定的各个时间段内的上下车人数，并将所确定的各个站点在各个时间段内的上下车人数存储到相应的数据库中。
30.步骤：根据该目标路线上任意两个站点所需要的行驶时间以及各个站点在各个时间段的上下车人数，预测当前发车的公交班次到达各个站点的时间段以及在各个站点的交通压力值，具体步骤如下所示：步骤：根据当前发车的公交班次发车的时间段在起始站的上下车人数，计算
当前发车的公交班次在起始站的交通压力值。
31.从起始站开始计算，获得每一个站点的交通压力值。起始站不受其他站点的影响，发车时间段下其交通压力值为当前站点的人员上车热度和人员下车热度之差：其中，为起始站点的交通压力值，为发车时间段在起始站点的乘客上车热度，=，为起始站在时间段内的上车人数，为公交车上的座位数量，为发车时间段在起始站点的乘客下车热度，，为起始站在时间段内的下车人数，，为关于时间的函数，每一个时间段的时间长度对应一个数值。
32.步骤：根据当前发车的公交班次到达起始站的时间段、在到达起始站的时间段上的上下车人数、在起始站的交通压力值以及起始站到下一个站点之间所需要的行驶时间，预测当前发车的公交班次到达下一个站点的时间段，具体实现的计算公式如下所示：其中，分别为公交车到达起始站点和当前站点的时间段，单位为。为公交车从初始站点到达当前站点行驶所需要的时间，单位为。为初始站点乘客上下车所用时间，单位为。为每个时间段的时间长度，此处 。为向下取整符号，为上下车时间系数，其对应的表达式为： 其中，为上下车时间系数，为在第个站点的交通压力值。上下车系数反应乘客上下车时的人均用时，其为一个分段函数，由行业内人员根据经验直接给出，与上一个车站的压力值有关，上一个车站压力值越大表示车内越拥挤，对应的越大。
33.步骤：根据预测的当前发车的公交班次到达下一个站点的时间段，预测下一个站点在该时间段对应的上下车人数；根据当前发车的公交班次在前一个站点的交通压力值以及预测的下一个站点在该时间段对应的上下车人数，预测在下一个站点的交通压力值，实现计算公式如下所示：
为后一个站点时间段的交通压力值，为前一个站点时间段的交通压力值，为后一个站点的乘客下车热度，为后一个站点的乘客上车热度。
34.步骤：根据当前发车的公交班次到达前一个站点的时间段、在到达前一个站点的时间段上的上下车人数、在前一个站点的交通压力值以及前一个站点到下一个站点所需要的行驶时间，预测当前发车的公交班次到达后一个站点的时间段。根据预测当前发车的公交班次到达后一个站点的时间段来预测后一个站点的上下车人数以及前一个站点交通压力值，得出后一个站点的交通压力值，具体实现的计算公式如下所示：具体实现的计算公式如下所示：其中，为在第个站点的交通压力值， 为在第个站点的交通压力值，为第个站点的下车热度值，为第个站点的上车热度值，=，，为第个站点在时间段对应的下车人数， 为第个站点在时间段对应的上车人数，为当前发车的公交班次上的座位数量；为当前发车的公交班次到达第个站点的时间段，为当前发车的公交班次到达第个站点的时间段，为第个站点到第个站点所需要的行驶时间，为上下车时间系数，为第个站点的下车热度值，为第
‑
1个站点的上车热度值，=，，为当前发车的公交班次上的座位数量，为每个时间段的时间长度，是根据步骤中人为设定的时间段的时间长度确定的），表示对进行向下取整。
35.这里对上述计算当前发车的公交班次到达第个站点的时间段的计算公式进行如下说明：根据大数据统计的各个站点的时间段，利用设定的每个时间段的时间长度将时间划分为不同时间段，从而判断当前发车的公交班次到达后一个站点时是处于哪一个时间段。为划分每个时间段的时间长度，到达下一个站点的时间是处于哪一个时间段是需要向下取整，向下取整是为了确保计算到达后一个站点时间段的准确度。利用可以判定前一个站点到达后一个站点所需要的时间移动了几个时间段。
36.例如，将时间段5:00
‑
5:30、5:30
‑
6:00、6:00
‑
6:30
……
分别作为时间段1、时间段
2、时间段3
……
，此时 =30min。那么在数据存储时，是按照时间段1、时间段2、时间段3
……
，所对应的上下车人数进行存储的。如果当前发车的公交班次到达第个站点的时间段为时间段1，通过计算=32min，此时，即从时间段1只需移动一个时间段，也就是时间段2。所以，时间段2就是当前发车的公交班次到达第个站点的时间段。
37.步骤：根据预测的当前发车的公交班次在各个站点的交通压力值，确定当前发车的公交班次的目标线路得分。
38.基于步骤的基础所得到的目标线路上各个站点的交通压力值，计算当前发车的公交班次的目标线路得分，则目标线路得分的计算方法：其中，为公交站点的数目， 为各个站点的交通压力值，表示时间段发车时的目标路线得分。
39.步骤：根据步骤所得目标路线得分进行判断，若当前发车的公交班次的目标路线得分大于设定得分阈值，则分别判断当前发车的公交班次在各个站点的交通压力值是否大于设定压力阈值，得到该目标线路大于设定压力阈值的各个站点。
40.该步骤的目的是获得交通压力值较大的站点，构成集合，后续会对集合内的站点逐一分析。具体实现方式为：将上述步骤获得的各站点交通压力值与经验阈值比较，将大于阈值的站点计入集合。需要说明的是，为经验阈值，实施者可根据城市交通需求设定。
41.步骤：根据预测的当前发车的公交班次到达各个站点的时间段，获取小于设定压力阈值的各个站点的所有可替代公交线路。
42.该步骤的目的是获得集合内每一个站点的可替代路线，可替代路线可以缓解目标路线在当前站点的交通压力值。主要是考虑到可替代路线对于目标路线上站点交通压力值的影响，确保交通压力值的准确性以及公交调度的精准性，具体实现方法如下：步骤：对所有公交路线进行第一次筛选。先从集合中随机选择一个站点进行分析，记该站点为。然后，从数据库中筛选出经过站点的所有公交路线，这里的公交路线不包括目标路线。最后，可以得到经过第一次筛选初拟的可替代路线。
43.步骤：对上一步骤筛选出来的初拟的可替代路线再次进行筛选。根据所有公
交路线中的各个公交路线上任意两个站点之间所需要的行驶时间以及各个站点在各个时间段的上下车人数，预测所有公交路线中的各个公交路线上各个公交班次到达第个站点的时间段。为了保障乘客的出行时间，筛选出来的路线必须和目标路线到达站点的时间段相同，将相同时间段的所有初拟的可替代路线保留下来，记为可替代路线集合。
44.步骤：对于上一步骤筛选出来的可替代路线集合再一次进行筛选。计算可替代公交路线集合中的每一条公交路线与目标路线的重合度，从可替代路线集合中筛选出与目标路线的重合度大于设定重合度阈值的公交路线。
45.具体的筛选步骤如下，本发明认为当两个站点之间的直线距离小于一定数值时，即乘客在较短的时间内从一个站点到达另一个站点，则表示两个站点具有一定的重合度。数值的确定和城市的交通便利程度有关，实施者根据不同的城市设定合适的阈值。
46.将目标路线在站点之后的所有站点记作集合，集合中每一条公交路线在站点之后的所有站点，记为集合。以目标线路的每个站点为圆心，数值以为半径画圆，本发明取。各个目标路线上的站点对应的圆作为该站点的重合范围，从而获得目标路线上每一个站点的重合范围。当集合中有一个站点的重合范围内包括集合内的站点时，将累加器加1，则目标公交路线在站点之后的重合度的计算公式如下所示：其中，为路线 在站点之后的重合度，为累加器， 为集合中的站点个数。的路线表示在站点之后的初拟的可替代路线上与目标路线的站点存在重合站点，将满足的站点保留，得到公交线路集合。
47.步骤：判断筛选出的重合度大于设定重合度阈值的各个公交路线的各个公交班次到达第个站点的交通压力值是否大于设定压力阈值，将小于设定压力阈值的公交路线作为最终的可替代公交线路。
48.根据集合内公交路线在站点处的交通压力值结果对筛选出来的公交线路集合进行最后一次的筛选。按照步骤的方法计算集合内所有公交路线在站点处的交通压力值，舍去交通压力值结果大于设定压力阈值，认为当前的公交路线没有能力分担目标路线的交通压力，保留交通压力值结果小于设定压力阈值的公交路线。至此，可以得到目
标路线上站点最终的可替代路线集合，记作可替代路线集合。
49.因此，按照同样的方法遍历集合中的每一个站点，就可得到每一个站点的可替代公交路线集合。每一个站点的可替代路线在一定程度上为乘客提供了更多可以选择路线，缓解了目标路线上交通压力值较大的站点的交通压力。
50.步骤：根据所有可替代线路在对应的小于设定压力阈值的各个站点的交通压力值，对当前发车的公交班次在大于设定压力阈值的各个站点的交通压力值进行更新。
51.在目标线路上的各个站点交通压力值进行更新时，考虑到不同替代路线对于目标路线在当前站点的交通压力影响程度不同，根据替代路线获得各个站点更新后更准确的交通压力值，具体实现方法如下：首先，获得集合内的每一个站点的可替代路线集合，这里以站点的可替代路线集合详细介绍交通压力值更新方法。然后，已知站点的可替代公交路线集合内每一个路线均包含重合度、交通压力得分两个信息，记作替代线路的重合度和交通压力分别为，则目标路线在站点更新之后的交通压力值的计算公式为：其中，为更新之后站点的交通压力值，为更新之前站点的交通压力值，为站点的所有可替代公交路线的数目，为站点的可替代线路与目标路线的重合度，为站点的可替代路线在第个站点的交通压力值，为设定压力阈值，为当前发车的公交班次到达第个站点的时间段。说明一下，为了防止可替代路线过多出现负数的情况，当时将其值置0。
52.在最后，按照相同的方法对集合内每个站点的交通压力值进行更新。
53.步骤：根据更新后的当前发车的公交班次在各个站点的交通压力值，重新计算当前发车的公交班次的目标线路得分。根据重新计算的更新后的目标路线得分，确定该目标线路上当前发车时段的公交车调度班次，具体实现内容如下所示：根据更新后的集合内每个站点的交通压力值，将更新后的交通压力值的最大值作为更新后的目标路线的得分。将更新后的时间段的目标路线得分与交通压力阈值进行比较获得当前时间段的调度班次，计算公式为：
其中，为公交车调度班次的数目，为重新计算的目标路线的得分，为设定压力阈值，为当前发车的公交班次到达首站的时间段，为对进行向下取整。
54.由此，根据以上步骤，最终确定了基于人工智能和大数据的公交调度方案。
55.本实施例还提供了一种基于人工智能和大数据的公交车调度系统，包括处理器和存储器，处理器用于处理存储在存储器中的指令，以实现上述的基于人工智能和大数据的公交车调度方法，由于该调度方法已经在上述内容中进行了详细介绍，这里不再作详细阐述。
56.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
57.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
58.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。