一种基于不规则时间序列电力销售日现金流预测方法与流程

1.本说明书涉及机器学习领域，特别涉及一种基于不规则时间序列电力销售日现金流预测方法和系统。


背景技术：

2.近年来，随着科技发展用电量逐渐增加，电力公司的销售金额也在不断上涨。但用户购电或缴费的行为不规律，在不同的时间段缴费的金额差距较大，为资金的管理和统筹增加了难度。
3.为了对销售金额进行管理，考虑基于历史售电情况，对特定日期或时间段内的电力销售金额进行预测。


技术实现要素：

4.本说明书实施例之一提供一种基于不规则时间序列电力销售日现金流预测方法，所述方法包括：获取电力销售历史数据；对所述历史数据进行预处理，得到多个以月为单位电力销售序列；将所述电力销售序列进行分解，得到规则序列和不规则序列；其中，所述规则序列包括趋势因素和周期因素；所述不规则序列包括除所述规则序列外的因素；基于所述规则序列得到第一销售金额预测值；基于机器学习模型得到第二销售金额预测值；所述机器学习模型的输入至少包括所述不规则序列；基于所述第一销售金额预测值和所述第二销售金额预测值得到目标销售金额预测值。
5.本说明书实施例之一提供一种基于不规则时间序列电力销售日现金流预测系统，所述系统包括：历史数据获取模块，用于获取电力销售历史数据；预处理模块，用于对所述历史数据进行预处理，得到多个以月为单位电力销售序列；序列分解模块，用于将所述电力销售序列进行分解，得到规则序列和不规则序列；其中，所述规则序列包括趋势因素和周期因素；所述不规则序列包括除所述规则序列外的因素；第一预测模块，用于基于所述规则序列得到第一销售金额预测值；第二预测模块，用于基于机器学习模型得到第二销售金额预测值；所述机器学习模型的输入至少包括所述不规则序列；基于所述第一销售金额预测值和所述第二销售金额预测值得到目标销售金额预测值。
6.本说明书实施例之一提供一种基于不规则时间序列电力销售日现金流预测装置，包括处理器，所述处理器用于执行基于不规则时间序列电力销售日现金流预测方法。
附图说明
7.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
8.图1是根据本说明书一些实施例所示的基于不规则时间序列电力销售日现金流预测方法的示例性流程图；
9.图2是根据本说明书一些实施例所示的电力销售序列分解示意图；
10.图3是根据本说明书一些实施例所示的第一销售金额预测值和第二销售金额预测值确定方法的示意图；
11.图4是根据本说明书一些实施例所示的神经网络与机器学习模型联合训练的示例性结构图；
12.图5是根据本说明书一些实施例所示的基于不规则时间序列电力销售日现金流预测系统的模块图。
具体实施方式
13.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例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说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
14.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
15.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
16.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
17.由历史电力销售数据可以反映出某日与电力销售金额的关系，对该数据进行统计后分析，可以一定程度上对未来某日的电力销售进行预测，但由于对电力销售的影响因素较多，准确性较低。
18.在一些实施例中，采用机器学习模型，采用历史电力销售数据进行训练，以对电力销售金额进行预测。但电力销售影响因素较多同样造成了模型训练时，训练数据中的增加标签的过程较为困难，增加标签数量导致人工成本的上涨，而标签数量过少则会导致模型性能较差。
19.有鉴于此，在本说明书的一些实施例中，提供一种基于不规则时间序列电力销售日现金流预测方法，将历史电力销售数据中，受周期等因素影响的部分和无规则的部分分别处理，再进行预测。
20.图1是根据本说明书一些实施例所示的基于不规则时间序列电力销售日现金流预测方法的示例性流程图。
21.在一些实施例中，基于不规则时间序列电力销售日现金流预测方法的流程100中的一个或多个步骤，可以由电力销售平台或公司的服务器执行。如图1所示，流程100包括：
22.步骤110，获取电力销售历史数据。在一些实施例中，步骤110可以由历史数据获取模块510执行。
23.在一些实施例中，电力销售历史数据可以一定时间内(如半年、一年或三年等)每天或每周的销售历史数据。在一些实施例中，该历史数据中至少包括用户账户类型以及该账户实际缴费日期、缴费方式和缴费金额。进一步的，在一些实施例中，用户账户类型至少能够反映出该用户用电为工业用电或居民用电、用户所属行业信息等。
24.步骤120，对所述历史数据进行预处理，得到多个以月为单位电力销售序列。在一些实施例中，步骤120可以由预处理模块520执行。
25.在一些实施例中，可以进行剔除无效及干扰数据等预处理。后，在一些实施例中，可以将历史数据以月度总用电量为单位，建立时间序列。示例性的，以历史数据为1年时间的数据为例，可以得到12个月度的电力销售序列。
26.由于一年中不同月份可能会出现包括28～31天不等的情况，在一些实施例中，为了避免天数对用电信息的干扰，将每个月的天数进行统一。在一些实施例中，可以将每个月限定为30天，具体的，当当前月度为31天时，将第30天和第31天取平均值作为新的第30天销售数据；当当前月度为28天或29天时，将月末最后一天的销售数据与次月1日销售数据取平均值，将当月填充至30天。
27.在一些实施例中，还可以将将每月天数统一成28天，即包括4个星期，剩余日期的数据可以平均或舍弃。需要说明的是，将每月天数统一仅仅是对数据的简单处理，在一些其他实施例中，不限制每月统一的天数以及统一的方式。
28.步骤130，将所述电力销售序列进行分解，得到规则序列和不规则序列。在一些实施例中，步骤130可以由序列分解模块530执行。
29.规则序列为电力销售序列中含有如周期性规则的部分序列，电力销售序列中规则序列外的部分序列可以是不规则序列。
30.在一些实施例中，对电力销售序列进行分解的方法包括时间序列分界算法、stl(seasonal and trend decomposition using loess)分解法和x11分解法等。在一些实施例中，所述规则序列包括趋势因素和周期因素；所述不规则序列包括除所述规则序列外的因素。
31.图2是根据本说明书一些实施例所示的电力销售序列分解示意图。
32.参考图2，示例性的，在一些实施例中，对电力销售序列进行分解可以得到趋势子序列210、周期子序列220和余项230(残差子序列)，可以将趋势子序列210和周期子序列220重新组合成规则序列，将余项230作为不规则序列。
33.在一些实施例中，周期因素可能是由一周内，工作日和周末造成的，如写字楼商场等，由于周末休息，通常是在工作日进行缴费或预缴。趋势因素可能是由于气温等因素造成，如在夏天和冬天，由于大面积使用空调，导致电力消耗增加，同时缴费频次及缴费金额也会增加。在一些实施例中，将有规则的序列与无规则的序列分开处理，一方面减轻了模型训练时的压力，另一方面可以自由的调整规则与无规则在最终预测值内的占比。
34.步骤140，基于所述规则序列得到第一销售金额预测值。在一些实施例中，步骤140可以由第一预测模块540执行。
35.由步骤120可以看出，规则序列其稳定且有规律，在一些实施例中，可以采用常规
数据统计方法利用规则序列对目标日期或时间段销售金额进行预测，得到第一销售金额预测值。
36.可以看出，第一销售金额预测值未考虑其他因素(如不规则序列的因素)的影响。因此，在一些实施例中，可以不直接将第一销售金额预测值作为目标预测值。
37.图3是根据本说明书一些实施例所示的第一销售金额预测值和第二销售金额预测值确定方法的示意图。
38.步骤150，基于机器学习模型310得到第二销售金额预测值。在一些实施例中，步骤150可以由第二预测模块550执行。
39.在一些实施例中，不规则序列采用常规数据统计方法处理的难度较大，因此通过机器学习模型310，得到目标日期或时间一个能够表示不规则序列中所有因素的第二销售金额预测值。
40.在一些实施例中，得到第二销售金额预测值的机器学习模型310可以是预先训练好的模型，机器学习模型310输入至少包括所述不规则序列。训练好的机器学习模型310可以基于日期或时间，对不规则序列对应时间段内所用电金额进行预测，得到预测值(即第二销售金额预测值)。在一些实施例中，机器学习模型310可以包括一个或多个预先训练好的模型。在一些实施例中，机器学习模型310可以包括以下的一种或多种组合：卷积神经网络(cnn)、循环神经网络(rnn)和长短期记忆人工神经网络(lstm)等。关于机器学习模型310的具体细节可以参见后文图3和图的相关描述，在此不做赘述。
41.在一些实施例中，机器学习模型310的输入可以包括用户缴费特征，其中缴费特征至少由单次缴费金额等级和缴费渠道确定。可以理解的，不规则序列可以通过用户缴费特征确定。需要说明的是，在一些其他实施例中，机器学习模型的输入不仅限于不规则序列和用户缴费特征，还可以包括其他信息如天气信息、民/商用电分布等。在一些实施例中，用户缴费特征可以通过图3中神经网络320得到的方法得到。
42.用户缴费特征可以是用户缴纳电费的时间节点确定。在一些实施例中，可以通过用户缴费特征反映用户在一定时间内用电的多少，例如，用户通常会在电费用完时进行缴纳。
43.单次缴费金额等级可以是通过用户单次缴纳电费的金额数值进行评级。例如，单次缴纳电费50元以下、50～200元、200～1000元、1000元以上分别对应a、b、c、d等级，其中a、b、c、d等级为由低到高进行排列。通过单次缴费金额等级可以大致确定用户近期的用电量。
44.缴费渠道可以是用户缴纳电费的方式，例如，用户通过线上缴费软件进行缴纳、或者线下城市服务中心或电力公司进行缴纳。可以通过缴费渠道大致确定用户的类型，进而确定用户近期用电情况，例如，通常用户用电需求较大时，会比较集中的通过服务单位或线上进行缴纳；用户用电需求较小时，线下服务网点(如超市充值的方式)或等待支付渠道在进行活动时进行缴纳。
45.在一些实施例中，通过将用户缴费特征输入模型，使得模型在对销售金额预测时，能够充分的考虑用户缴费习惯的影响因素，在不同时间段和人群均能够提供较好的预测效果。
46.在一些实施例中，通过单次缴费金额等级和缴费渠道确定缴费特征的方式可以通过算法或机器学习模型310进行确定。关于神经网络320确定缴费特征、以及神经网络320的
相关描述可以参照后文中图4中的详细描述。
47.在一些实施例中，通过至少包括用户缴费特征的不规则序列输入机器学习模型310，确定预测得到的第二销售金额预测值。在一些实施例中，通过将单次缴费金额等级和缴费渠道输入神经网络320，确定用户的缴费特征，并将其输入机器学习模型310确定预测得到的第二销售金额预测值。
48.步骤160，基于所述第一销售金额预测值和所述第二销售金额预测值得到目标销售金额预测值。在一些实施例中，步骤160可以由目标预测值获取模块560执行。
49.在一些实施例中，基于规则序列得到的第一销售金额预测值和表示不规则序列中因素的第二销售金额预测值共同表示各种因素下得到的预测值，因此，基于所述第一销售金额预测值和所述第二销售金额预测值得到表示目标日期或时间段电力销售金额的目标销售金额预测值。
50.在一些实施例中，可以将第一销售金额预测值和所述第二销售金额预测值的平均数作为目标销售金额预测值。可以理解的，取平均数作为目标销售金额预测值时，基于历史销售数据中，有规则因素和无规则因素各自占一半的比例。
51.在一些实施例中，在不同时间段，第二销售金额预测值所代表的趋势因素和周期因素外的因素比重也不同。示例性的，如11月内除了周末外无其他节假日，补贴活动也趋于稳定(如南方的丰水期电费补贴也已经结束，北方供暖已经开始)，因此，需要预测的日期在11月内，目标销售金额预测值可以更多的参照第一销售金额预测值的数据。又例如，5月内气温变化较大，同时劳动节放假时间、是否调休、调休工作日来自于4月或5月等不确定性因素较强，此时，目标销售金额预测值可以更多的参照第二销售金额预测值的数据。基于此，在一些实施例中，步骤160可以进一步包括：
52.确定权重参数；
53.基于所述权重参数确定所述第二销售金额预测值在所述目标销售金额预测值中的占比。
54.在一些实施例中，权重参数的取值可以小于1，此时，表示目标销售金额中参考第二销售金额预测值较少，如上文示例中，当预测日期或时间段位于11月份，此时权重参数可以取0.4；在一些实施例中，权重参数的取值可以大于1，如当预测日期或时间段位于5月份，此时权重参数可以取1.5。
55.在一些实施例中，通过y表示目标销售金额预测值，其计算方法可以表示为：y＝y1 α
·
y2ꢀꢀꢀꢀ
(1)
56.式(1)中，y1表示第一销售金额预测值，y2表示第二销售金额预测值；α表示权重参数。在一些实施例中，通过权重参数的设置，使得在存在外部因素时(如活动、天气影响等)，可以对第二销售金额的占比进行针对性的调整。
57.在一些实施例中，所述权重至少由所述电力销售历史数据中用户行业信息和所预测月份中节假日数量确定。将月份经过预处理后，其天数固定，但节假日不同，在一些实施例中，可以认为节假目的数量会增加不确定性。此外，当用户行业为商业(如商场类、场馆类)时，可以认为其由于用电不规律，其缴费也不规律，而写字楼较商业会更加规律缴费，因此，用户行业信息和所预测月份中节假日数量能够一定程度上反映出无规则序列中的权重。
58.在一些实施例中，该权重参数可以通过机器学习模型310得到。具体的，将目标日期或时间段输入机器模型后，其输出包括第二销售金额预测值和权重参数。可以理解的，若要输出权重参数，机器学习模型310的训练数据中，还包括电力销售历史数据中用户行业信息和历史数据各月份中节假日的数量。
59.在一些实施例中，如图3所示，当机器学习模型310为一个单独的模型时，例如，为步骤210中所述的神经网络(nn)、卷积神经网络(cnn)、循环神经网络(rnn)和长短期记忆人工神经网络(lstm)之一时，可以通过多个携带有标签的不规则序列训练得到机器学习模型310。在一些实施例中，标签可以表示样本不规则序列的电力金额预测值。在一些实施例中，标签可以是不规则序列对应时间段所实际销售电力金额生成，其中，实际销售电力金额可以通过电力公司电力花销报表获取得到。具体的，可以基于多个训练样本迭代更新初始机器学习模型310的参数，以使模型的损失函数满足预设条件，例如，损失函数收敛，或损失函数值小于预设值。当损失函数满足预设条件时模型训练完成，得到训练好的机器学习模型310。
60.在一些实施例中，如图3所示，可以通过多个携带有标签的缴费特征训练样本训练得到神经网络320。在一些实施例中，缴费特征训练样本至少可以包括样本单次缴费金额等级和样本缴费渠道。在一些实施例中，标签可以是在特定单次缴费金额等级以及缴费渠道时，对应的用户缴费不规则特征，其中，缴费不规则特征可以通过对单次缴费金额等级以及缴费渠道进行特征提取获得。具体的，可以基于多个缴费特征训练样本迭代更新神经网络320的参数，以使模型的损失函数满足预设条件，例如，损失函数收敛，或损失函数值小于预设值。当损失函数满足预设条件时模型训练完成，得到训练好的神经网络320。
61.在一些实施例中，通过将用户的单次缴费金额等级以及缴费渠道输入训练好的神经网络320，确定从神经网络320输出的用户缴费特征。而后将用户缴费特征输入机器学习模型310，对电力销售金额进行预测，获得第二电力销售金额预测值。在一些实施例中，利用该神经网络320获取用户缴费特征时，神经网络320的输入还可以包括步骤150中的权重参数，通过该权重参数，体现用户行业以及月节假日对缴费特征的影响。
62.图4是根据本说明书一些实施例所示的神经网络与机器学习模型联合训练的示例性结构图。
63.如图4所示，在一些实施例中，图3中的神经网络320与机器学习模型310可以进行联合训练。具体的，在一轮迭代训练中，将不规则序列训练样本、缴费特征训练样本分别输入机器学习模型310以及神经网络320，确定机器机器学习模型310中的第二损失函数loss
b
以及神经网络320中的第一损失函数loss
a
，通过将第二损失函数和第一损失函数进行处理，构造联合损失函数loss
c
。
64.在一些实施例中，将第二损失函数和第一损失函数进行处理时，还可以为两者赋予权重，例如两者平均加权。所述权重可以预先设定，以反应两对模型不同重视程度。在一些实施例中，联合损失函数loss
c
可以表示为：loss
c
＝loss
a
loss
b
ꢀꢀ
(2)
65.在得到联合损失函数后，利用其对机器学习模型310和神经网络320中的参数进行更新，以实现对机器学习模型310和神经网络320的联合训练，以使训练好的机器学习模型310和神经网络320的模型参数拥有关联性，提高同时使用两个模型的预测精度，预测出更
加准确的目标电力销售金额预测值。
66.图5是根据本说明书一些实施例所示的基于不规则时间序列电力销售日现金流预测系统的模块图。
67.如图5所示，该基于不规则时间序列电力销售日现金流预测系统500可以包括历史数据获取模块510、预处理模块520、序列分解模块530、第一预测模块540、第二预测模块550和目标预测值获取模块560。
68.历史数据获取模块510，用于获取电力销售历史数据；预处理模块520，用于对所述历史数据进行预处理，得到多个以月为单位电力销售序列；序列分解模块530，用于将所述电力销售序列进行分解，得到规则序列和不规则序列；其中，所述规则序列包括趋势因素和周期因素；所述不规则序列包括除所述规则序列外的因素；第一预测模块，用于基于所述规则序列得到第一销售金额预测值；第二预测模块550，用于基于机器学习模型310得到第二销售金额预测值；所述机器学习模型310的输入至少包括所述不规则序列；目标预测值获取模块560，用于基于所述第一销售金额预测值和所述第二销售金额预测值得到目标销售金额预测值。
69.在一些实施例中，目标预测值获取模块560还用于确定权重参数；基于所述权重参数确定所述第二销售金额预测值在所述目标销售金额预测值内的占比。
70.在一些实施例中，所述权重至少由所述电力销售历史数据中用户行业信息和所预测月份中节假日数量确定。
71.在一些实施例中，第二预测模块550还用于，所述机器学习模型310的输入包括用户缴费特征；所述缴费特征至少由单次缴费金额等级和缴费渠道确定。
72.应当理解，图5所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd
‑
rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
73.需要注意的是，以上仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，例如，图5中披露的历史数据获取模块510、预处理模块520、序列分解模块530、第一预测模块540、第二预测模块550和目标预测值获取模块560可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，历史数据获取模块510、预处理模块520可以是两个模块，也可以是一个模块同时具有历史数据获取功能和数据预处理功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
74.本说明书实施例可能带来的有益效果包括但不限于：通过同时对电力销售中有规则的部分进行预测，以及利用机器学习模型对不规则因素进行预测，并获取综合两者的目标预测结果，进而实现对特定日期或时间段内电力销售金额值更为准确的预测。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
75.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
76.同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
77.此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
78.计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。
79.此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
80.同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
81.一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例
描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
82.针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
83.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。