基于OD大数据的网络组团结构划分方法及装置与流程

基于od大数据的网络组团结构划分方法及装置
技术领域
1.本发明涉及数据处理技术领域，尤其涉及一种基于od大数据的网络组团结构划分方法和装置。


背景技术：

2.城市建成区由相对独立非连片得若干团块组成，这些团块具有一定规模承担一定城市功能，团块内部因交通等集聚并紧密联系在一起，这些团块被称为城市组团。
3.城市组团不仅影响着城市得空间结构与形态变化，而且引导着城市的功能建设，进而影响整个城市的全面可持续发展。
4.城市群是指在特定地域范围内，以1 个超大或特大城市为核心，由至少3 个以上都市圈（区）或大城市为基本构成单元，依托发达的交通通信等基础设施网络，所形成的空间组织紧凑、经济联系紧密、并最终实现同城化和高度一体化的城市群体。城市群形成与发育的过程就是城市群的节点、基质和网络3 个构成要素演进的过程，在发育程度上存在较大的差异性。同时，由于城市群所在区域的自然条件、行政区划和经济发展现状各不相同，城市群演化出多样化的形态结构。


技术实现要素：

5.为克服相关技术中存在的问题，本发明提供一种基于od大数据的网络组团结构划分方法和装置，从而实现基于od数据更加准确的进行城市群等网络组团结构的划分。
6.根据本发明实施例的第一方面，提供一种基于od大数据的网络组团结构划分方法，所述方法包括：获取各地市级城市的交通网络运营数据，其中，所述交通网络运营数据包括公路运营数据、铁路运营数据和航空运营数据；根据所述各地市级城市的交通网络运营数据，确定交通综合od矩阵；以各城市为变量，对所述交通综合od矩阵进行至少一次基于主成分分析的城市组团迭代分解，直至收敛，确定城市群的数量和各城市群范围；基于确定的城市群范围，以各城市为样本，计算各样本在所处城市群中的城市样本综合得分；根据各样本在所处城市群中的城市样本综合得分，确定各城市群范围中的城市微观层次结构。
7.在一个实施例中，优选地，根据所述各地市级城市的交通网络运营数据，确定交通综合od矩阵，包括：根据地市级城市之间的交通通达次数，分别构建公路运营od矩阵、铁路运营od矩阵和航空运营od矩阵；将所述公路运营od矩阵、铁路运营od矩阵和航空运营od矩阵进行加权求和，以得到所述交通综合od矩阵。
8.在一个实施例中，优选地，以各城市为变量，对所述交通综合od矩阵进行至少一次基于主成分分析的城市组团迭代分解，直至收敛，确定城市群的数量和各城市群范围，包括：对所述交通综合od矩阵的每个属性列数据，进行标准化处理，得到标准化后的矩阵，其中，每列数据的计算公式包括：其中，ν表示属性列中的数据，average表示每列数据的平均值，σ表示该列数据的标准差；所述标准化后的矩阵包括：以各城市为变量，对所述标准化后的矩阵进行基于主成分分析的城市组团迭代分解，并剔除在各个主成分中因子载荷均小于预设值的城市变量；采用以下第一计算公式计算各城市组团的节点中心性；其中，connecti表示城市节点i的节点中心性，n表示交通综合od矩阵中节点的总数量；i、j分别表示交通综合od矩阵中两个不同的城市节点；σ
ij
表示交通综合od矩阵σ中城市i与城市j之间的交通综合流量；在城市组团迭代分解至收敛时，根据分解结果确定城市群的数量和各城市群范围，其中，收敛条件包括：无法再分解为两个及以上的有效主成分，有效主成分有至少三个因子载荷大于预设值的城市变量，且其中至少一个城市的节点中心性高于阈值；和/或无法再剔除新的城市变量。
9.在一个实施例中，优选地，基于确定的城市群范围，以各城市为样本，计算各样本在所处城市群中的城市样本综合得分，包括：采用以下第二计算公式计算各样本在所处城市群中的城市样本综合得分：其中，fi表示第i个城市样本的城市样本综合得分；γj和y
ij
分别表示主成分j的方差解释量和城市样本i在主成分j上的成分得分；λj表示主成分j的特征值；cij
表示主成分j在变量i上的因子载荷。
10.在一个实施例中，优选地，所述方法还包括：当任一城市同时隶属于第一城市群和第二城市群时，分别计算所述任一城市与所述第一城市群和第二城市群的接近中心性数值；将所述任一城市划分到所述第一城市群和第二城市群中接近中心性数值大的城市群。
11.在一个实施例中，优选地，所述方法还包括：在每次进行城市组团迭代分解时，若分解得到的城市网络组团有重叠或覆盖的网络结构时，将重叠或覆盖的每个城市网络组团分解至收敛后，拼接成一个网络结构。
12.在一个实施例中，优选地，根据所述各城市节点的城市样本综合得分，确定各城市群范围中的城市微观层次结构，包括：当城市样本的城市样本综合得分大于或等于第一得分值时，确定所述城市样本属于城市群的核心层；当城市样本的城市样本综合得分小于所述第一得分值且大于或等于第二得分值时，确定所述城市样本属于城市群的内层；当城市样本的城市样本综合得分小于所述第二得分值时，确定所述城市样本属于城市群的外层。
13.在一个实施例中，优选地，所述方法还包括：基于确定的城市群范围，计算城市群的综合连通度；根据城市群的综合连通度确定城市群的连通级别，其中，所述连通级别包括：高连通度城市群、中连通度城市群、低连通度城市群和待发育城市群；其中，采用以下公式计算所述城市群的综合连通度：其中，connect表示所述城市群的综合连通度，n表示城市群中城市的数量，i、j分别表示城市群中两个不同的城市节点，σ
ij
表示所述交通综合od矩阵σ中城市i与城市j之间的交通综合流量。
14.根据本发明实施例的第二方面，提供一种基于od大数据的网络组团结构划分装置，所述装置包括：获取模块，用于获取各地市级城市的交通网络运营数据，其中，所述交通网络运营数据包括公路运营数据、铁路运营数据和航空运营数据；第一确定模块，用于根据所述各地市级城市的交通网络运营数据，确定交通综合od矩阵；分解模块，用于以各城市为变量，对所述交通综合od矩阵进行至少一次基于主成分分析的城市组团迭代分解，直至收敛；
第二确定模块，用于确定城市群的数量和各城市群范围；计算模块，用于基于确定的城市群范围，以各城市为样本，计算所述交通综合od矩阵中各城市节点的城市样本综合得分；第三确定模块，用于根据所述各城市节点的城市样本综合得分，确定各城市群范围中的城市微观层次结构。
15.根据本发明实施例的第三方面，提供一种基于od大数据的网络组团结构划分装置，所述装置包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取各地市级城市的交通网络运营数据，其中，所述交通网络运营数据包括公路运营数据、铁路运营数据和航空运营数据；根据所述各地市级城市的交通网络运营数据，确定交通综合od矩阵；以各城市为变量，对所述交通综合od矩阵进行至少一次基于主成分分析的城市组团迭代分解，直至收敛，确定城市群的数量和各城市群范围；基于确定的城市群范围，以各城市为样本，计算各样本在所处城市群中的城市样本综合得分；根据各样本在所处城市群中的城市样本综合得分，确定各城市群范围中的城市微观层次结构。
16.根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项所述方法的步骤。
17.本发明的实施例提供的技术方案可以包括以下有益效果：本发明实施例中，基于交通网络的视角，以大城市或中心城市为判断前提，以逐层分解复杂网络的方法为基础，以区域交通网络紧凑性为约束条件，根据区域网络组成，识别城市群的边界范围，最终利用城市样本综合得分对城市群的交通网络结构进行分析，将城市群按照网络综合连通度指标进行分级，从而便于根据城市群的分层和综合连通度等进行进一步的城市建设。
18.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
19.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
20.图1是根据一示例性实施例示出的一种基于od大数据的网络组团结构划分方法的流程图。
21.图2是根据一示例性实施例示出的一种基于od大数据的网络组团结构划分方法中步骤s102的流程图。
22.图3是根据一示例性实施例示出的一种基于od大数据的网络组团结构划分方法中步骤s103的流程图。
23.图4是根据一示例性实施例示出的一种基于od大数据的网络组团结构划分方法中步骤s105的流程图。
24.图5是根据一示例性实施例示出的宁夏沿黄城市群的结构分子图。
25.图6是根据一示例性实施例示出的珠三角城市群的结构分子图。
26.图7是根据一示例性实施例示出的又一种基于od大数据的网络组团结构划分方法的流程图。
27.图8是根据一示例性实施例示出的一种基于od大数据的网络组团结构划分装置的框图。
具体实施方式
28.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
29.图1是根据一示例性实施例示出的一种基于od大数据的网络组团结构划分方法的流程图，如图1所示，该方法包括：步骤s101，获取各地市级城市的交通网络运营数据，其中，所述交通网络运营数据包括公路运营数据、铁路运营数据和航空运营数据；为了分析全国交通网络的组团现状及结构特征，可以以全国368个地市级城市为研究对象，利用从网站爬取的实时交通大数据集，构建了368
×
368规模的od矩阵。数据集包括铁路、客车和航空三种历史班次数据，采集范围覆盖所有地市级城市。铁路运营数据包括2019年3月、7月和11月各一天的32万条列车过站数据，包括19万条高速列车过站数据（动车d、高铁g、城际列车c）和13万条普快列车过站数据（临时列车l、快速列车k、特快列车t、直达特快列车z）。客车运营数据包括2019年7月24日至30日一周内，各地市级城市间的10万条客车运营数据。航空运营数据包括2019年10月至2021年1月全国地市级城市间的90万条航班记录。
30.步骤s102，根据所述各地市级城市的交通网络运营数据，确定交通综合od矩阵；步骤s103，以各城市为变量，对所述交通综合od矩阵进行至少一次基于主成分分析的城市组团迭代分解，直至收敛，确定城市群的数量和各城市群范围；步骤s104，基于确定的城市群范围，以各城市为样本，计算各样本在所处城市群中的城市样本综合得分；步骤s105，根据各样本在所处城市群中的城市样本综合得分，确定各城市群范围中的城市微观层次结构。
31.在该实施例中，以地市级城市分别为变量和样本构建的od矩阵具有较好的研究价值，首先对变量进行一次或多次主成分分析可以得到变量的组合结构，反映的是城市群的组团聚集情况；其次以样本为单位计算各个城市样本在网络中的综合得分，可以得到各个城市在组团结构的微观层次结构，如层级划分和内部结构分级。
32.图2是根据一示例性实施例示出的一种基于od大数据的网络组团结构划分方法中步骤s102的流程图。
33.如图2所示，在一个实施例中，优选地，上述步骤s102，包括：步骤s201，根据地市级城市之间的交通通达次数，分别构建公路运营od矩阵、铁路运营od矩阵和航空运营od矩阵；步骤s202，将所述公路运营od矩阵、铁路运营od矩阵和航空运营od矩阵进行加权求和，以得到所述交通综合od矩阵。
34.本发明基于海量交通运营数据，统计了368个地市级城市之间的日均通达次数，构建了列车、客车和航班三类od矩阵，矩阵都经过了均值归一化处理。其中列车od矩阵包括高速列车和普快列车两种类型，根据时速的不同，将高速列车（约300km/h）矩阵和普快列车（约140km/h）矩阵按照0.67：0.33的权重求和，得到了列车od矩阵。根据国家统计局2019年铁路、客运和航空旅客周转量数据，对三者赋予0.45：0.46：0.09的权重，加权得到全国368个地市级城市之间的交通综合od矩阵。
35.图3是根据一示例性实施例示出的一种基于od大数据的网络组团结构划分方法中步骤s103的流程图。
36.如图3所示，在一个实施例中，优选地，上述步骤s103包括：步骤s301，对所述交通综合od矩阵的每个属性列数据，进行标准化处理，得到标准化后的矩阵，其中，每列数据的计算公式包括：其中，ν表示属性列中的数据，average表示每列数据的平均值，σ表示该列数据的标准差；所述标准化后的矩阵包括：步骤s302，以各城市为变量，对所述标准化后的矩阵进行基于主成分分析的城市组团迭代分解，并剔除在各个主成分中因子载荷均小于预设值的城市变量；主成分分析（pca）是利用降维的思想，在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法。转化生成的综合指标称为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分之间互不相关，在几何方向上表现为正交关系。将交通综合od矩阵的起点和终点分作为变量和样本（反之亦可，本发明不考虑od矩阵的方向性），变量的主成分结构反映了局部区域内城市的组团成分，因子载荷反映了城市对该组团结构的依赖性程度，一般认为因子载荷大于预设值，如0.5的变量才能达到较高的显著性水平。
37.计算协方差矩阵：
计算协方差矩阵cova的特征值和对应的特征向量：选择特征值大于1的特征值和对应的特征向量：（特征值分别为λ1、λ2...λ
p
）式中：特征向量zi表示第i个主成分；c
ij
为主成分中各变量的因子载荷；每个主成分满足。
38.通过逐层pca（principalcomponentsanalysis，主成分分析）分解的方法，不断剔除在各个主成分中因子载荷均小于预设值，如0.5的城市变量，即城市群的“边缘枝叶”和“中间空地”。
39.采用以下第一计算公式计算各城市组团的节点中心性；其中，connecti表示城市节点i的节点中心性，n表示交通综合od矩阵中节点的总数量；i、j分别表示交通综合od矩阵中两个不同的城市节点；σ
ij
表示交通综合od矩阵σ中城市i与城市j之间的交通综合流量；若两城市间没有交通往来，则数值为0。城市的中心性值越高，则表示其在网络范围内越重要，如交通运输网络中的交通枢纽城市。城市的中心性表示的是节点到网络中其他所有节点的接近程度，能较好地反映节点在整个复杂网络中的中心程度。用城市间的交通通达次数表示节点间接近程度的大小。
40.步骤s303，在城市组团迭代分解至收敛时，根据分解结果确定城市群的数量和各城市群范围，其中，收敛条件包括：无法再分解为两个及以上的有效主成分，有效主成分有至少三个因子载荷大于预设值的城市变量，且其中至少一个城市的节点中心性高于阈值；和无法再剔除新的城市变量。
41.下面以一个具体实施例详细说明上述技术方案。
42.以全国范围368个地级城市构成的复杂网络为例，第一次分解得到的组团结构中，只有部分组团结构已经达到了较好的紧凑程度，如宁夏沿黄城市群，如表1所示。但大部分城市的组团结构依旧很松散，且范围太大，不能形成有效的网络联系，需要进一步的分解，如珠三角城市群，如表2、表3、表4和表5所示。长三角地区网络结构尤其复杂，包括了浙江省网络结构、安徽省网络结构和横贯苏浙徽沪的主要网络结构。对各个网络进行先分解再拼接，形成长三角地区的网络形态结构。
43.表1第一次组团划分的宁夏沿黄城市群收敛结构
从表1可见，宁夏沿黄城市群已经无法再进行分解，一次分解就达到了收敛。
44.表2第一次组团划分的珠三角城市群未收敛结构表3珠三角城市群第二次组团划分的未收敛结构
表4珠三角城市群第三次组团划分的未收敛结构
从表2-表4可以看出，珠三角城市群第三次分解剥离了梅州、河源、赣州三个城市。
45.表5珠三角城市群第四次组团划分的收敛结构
如表5所示，珠三角城市群第四次分解剥离了湛江、茂名、阳江三个城市，不能再进行分解，达到了收敛条件。
46.已经剔除掉“边缘枝叶”和“中间空地”的交通组团结构是一个相互作用能力较强的网络系统，不能再进行pca分解。城市样本综合得分（pca得分）能反映城市在网络中的节点影响力大小，pca得分越高，城市对网络中其他城市节点的影响作用越强。采用以下第二计算公式计算各样本在所处城市群中的城市样本综合得分：其中，fi表示第i个城市样本的城市样本综合得分；γj和y
ij
分别表示主成分j的方差解释量和城市样本i在主成分j上的成分得分；
λj表示主成分j的特征值；c
ij
表示主成分j在变量i上的因子载荷。
47.在计算pca综合得分之前，可以先将网络进行均值归一化处理。
48.图4是根据一示例性实施例示出的一种基于od大数据的网络组团结构划分方法中步骤s105的流程图。
49.在一个实施例中，优选地，所述方法还包括：当任一城市同时隶属于第一城市群和第二城市群时，分别计算所述任一城市与所述第一城市群和第二城市群的接近中心性数值；将所述任一城市划分到所述第一城市群和第二城市群中接近中心性数值大的城市群。
50.城市群范围划定的过程中，可能有少数城市同时隶属于多个城市群范围。为了精确城市群的范围，通过计算城市在网络中的接近中心性来比较该城市与不同城市群的联系强度，将该城市划分到与它联系更强的城市群当中。如枣庄市同时隶属于山东半岛城市群和苏淮城市群，采用上述得第一计算公式对其进行接近中心性计算，得到枣庄市与两个城市群的接近中心性数值分别为0.07434（山东半岛城市群）、0.0712（苏淮城市群），因此枣庄市被划分到苏淮城市群范围。白银市同时隶属于宁夏沿黄城市群和兰西城市群，计算得到接近中心性数值分别为0.0177（兰西城市群）、0.01477（宁夏沿黄城市群），因此白银市被划分到兰西城市群范围。
51.在一个实施例中，优选地，所述方法还包括：在每次进行城市组团迭代分解时，若分解得到的城市网络组团有重叠或覆盖的网络结构时，将重叠或覆盖的每个城市网络组团分解至收敛后，拼接成一个网络结构如图4所示，在一个实施例中，优选地，上述步骤s105包括：步骤s401，当城市样本的城市样本综合得分（即pca综合得分）大于或等于第一得分值时，确定所述城市样本属于城市群的核心层；步骤s402，当城市样本的城市样本综合得分小于所述第一得分值且大于或等于第二得分值时，确定所述城市样本属于城市群的内层；步骤s403，当城市样本的城市样本综合得分小于所述第二得分值时，确定所述城市样本属于城市群的外层。
52.具体的，根据对主成分分析的数学推导，pca得分大于1表示城市节点具有很强的网络支配能力；pca得分大于0表示城市节点具有较强的网络支配能力；pca得分小于0表示城市节点在网络中处于被支配地位，对其他城市节点的影响力很小。基于pca得分可以确定交通网络的结构分层如表6所示。
53.表6基于pca综合得分的网络分层
传统衡量连通度的方法有两个缺点：一是受到城市聚集分布的信息冗余影响很大，二是不能很好地反映样本城市对区域经济的带动效益。例如，长三角城市群南京-苏州沿线城市交通水平都较高，传统方法计算这些城市的连通度都很高并且相似，甚至比杭州还要高，但是杭州对周围城市的区域交通经济带动效益明显比前者高，这就不能正确反映城市对周围城市区域交通经济带动效益。pca综合得分能很大程度地降低因为城市密集分布造成的信息冗余。从而能较好地反映城市群网络的节点带动效益，更加符合地理学规律。pca分析包括两个模块：主成分分解和样本综合得分。利用pca综合得分可以很好地解决上述问题，对网络中的节点城市的区域控制能力进行合理评估。
54.其中，宁夏炎黄城市群和珠三角城市群的城市样本综合得分如表7和表8所示。
55.表7宁夏沿黄城市群城市样本综合得分表8珠三角城市群城市样本综合得分
在计算得到城市群内部分层结构得基础上，还可以绘制宁夏炎黄城市群和珠三角城市群的内部结构图，如图5和图6所示。
56.通过上述技术方案，形成了一整套pca拓展算法。具体地，将算法进行了拓展研究，利用迭代的方法和一定的限制条件不断抽取主成分城市变量，将复杂网络逐步简化，划分的组团结构更为精确；对模糊的节点城市，使用精确的判断方法将其归类到已经划分的城市群组团结构。同时，通过城市样本综合得分来确定组团的内部结构特征，包括中心城市、重要节点城市和边缘城市，以及它们的分子结构。在数据的利用方面，将网络节点既视为变量（迭代分解组团），又看作样本（分析组团结构特征），形成了一套完整算法体系，最大程度地对网络节点数据进行深层次挖掘。
57.图7是根据一示例性实施例示出的评估划分组团结构整体联通度方法的流程图。
58.如图7所示，在一个实施例中，优选地，所述方法还包括：步骤s701，基于确定的城市群范围，计算城市群的综合连通度；步骤s702，根据城市群的综合连通度确定城市群的连通级别，其中，所述连通级别包括：高连通度城市群、中连通度城市群、低连通度城市群和待发育城市群；具体的，可以使用自然段点法（jenks）将划分的城市群连通度进行分级。
59.其中，采用以下公式计算所述城市群的综合连通度：
其中，connect表示所述城市群的综合连通度，n表示城市群中城市的数量，i、j分别表示城市群中两个不同的城市节点，σ
ij
表示所述交通综合od矩阵σ中城市i与城市j之间的交通综合流量。
60.由于区域差异，划分得到的城市群组团结构的联系强度必然存在差异，城市群组团综合连通度分级能综合评价其自身发展状态。
61.如长三角城市群就是由多个网络结构拼接的复杂结构。
62.现有方案的城市群组团分解存在两个明显的问题：（1）每次组团分解的得到的各个组团结构分解程度参差不齐。就第一次组团分解的结果而言，有的城市群组团结构依然较为松散，没有形成紧凑的网络结构。很多划分出来的组团范围依然太大，特别是对于大尺度的复杂网络，这个问题更为突出。因此需要不断地进行迭代分解，直至不能再进行分解，形成一个紧凑的网络结构。（2）某地区的网络结构从网络数量来看分为单网络和多网络两种不同的结构。每次组团分解得到的网络可能有重叠的或者覆盖的网络结构，说明该地区是多网络结构，针对多网络结构的组团划分，需要对每个网络进行分解至最紧凑的结构，再将各个网络进行拼接。
63.图8是根据一示例性实施例示出的一种基于od大数据的网络组团结构划分装置的框图。
64.如图8所示，根据本发明实施例的第二方面，提供一种基于od大数据的网络组团结构划分装置，所述装置包括：获取模块81，用于获取各地市级城市的交通网络运营数据，其中，所述交通网络运营数据包括公路运营数据、铁路运营数据和航空运营数据；第一确定模块82，用于根据所述各地市级城市的交通网络运营数据，确定交通综合od矩阵；分解模块83，用于以各城市为变量，对所述交通综合od矩阵进行至少一次基于主成分分析的城市组团迭代分解，直至收敛；第二确定模块84，用于确定城市群的数量和各城市群范围；计算模块85，用于基于确定的城市群范围，以各城市为样本，计算各样本在所处城市群中的城市样本综合得分；第三确定模块86，用于根据各样本在所处城市群中的城市样本综合得分，确定各城市群范围中的城市微观层次结构。
65.根据本发明实施例的第三方面，提供一种基于od大数据的网络组团结构划分装置，所述装置包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取各地市级城市的交通网络运营数据，其中，所述交通网络运营数据包括公路运营数据、铁路运营数据和航空运营数据；
根据所述各地市级城市的交通网络运营数据，确定交通综合od矩阵；以各城市为变量，对所述交通综合od矩阵进行至少一次基于主成分分析的城市组团迭代分解，直至收敛，确定城市群的数量和各城市群范围；基于确定的城市群范围，以各城市为样本，计算各样本在所处城市群中的城市样本综合得分；根据各样本在所处城市群中的城市样本综合得分，确定各城市群范围中的城市微观层次结构。
66.根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项所述方法的步骤。
67.进一步可以理解的是，本发明中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
68.进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
69.进一步可以理解的是，本发明实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
70.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
71.应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。