一种异常加油行为识别方法、装置、电子设备及存储介质与流程

1.本发明涉及计算机技术领域，具体涉及一种异常加油行为识别方法、装置、电子设备及存储介质。


背景技术：

2.随着加油卡业务的推行，通过加油卡进行支付的比率逐年增加，同时,石化销售企业设定的促销活动大多基于加油卡实施,使得消费者利用加油卡加油会得到许多利好,例如通过刷卡支付获得奖励、折扣优惠以及累积积分兑换礼品等。然而,在加油卡促进了成品油业务增长的同时,加油站员工和司机利用加油卡进行套现的行为时有发生，但是目前没有对车辆加油异常行为的管控方案。


技术实现要素：

3.本发明的目的是针对上述现有技术的不足提出的一种异常加油行为识别方法、装置、电子设备及存储介质，该目的是通过以下技术方案实现的。
4.本发明的第一方面提出了一种异常加油行为识别方法，所述方法包括：
5.根据接收到的实时加油数据提取与加油卡和绑卡车辆相关的多种特征数据；
6.利用与具有独立性的第一类异常加油行为相关的特征数据判定所述实时加油数据是否存在所述第一类异常加油行为；
7.从分层表中的第一层第二类异常加油行为开始遍历，利用与当前遍历的第二类异常加油行为相关的特征数据，判定所述实时加油数据是否存在所述第二类异常加油行为，所述分层表中相邻层级的第二类异常加油行为具有依赖性；
8.如果存在，则继续遍历所述分层表中的下一层第二类异常加油行为，并继续执行利用与当前遍历的第二类异常加油行为相关的特征数据，判定所述实时加油数据是否存在所述第二类异常加油行为的过程；
9.如果不存在，则结束遍历；
10.对所述实时加油数据存在的第一类异常加油行为和/或第二类异常加油行为进行预警。
11.在本技术的一些实施例中，所述根据接收到的实时加油数据提取与加油卡和绑卡车辆相关的多种特征数据，包括：
12.获取绑卡数据，油站维度表、车辆停靠加油站数据、车辆维度表、以及企业维度表；根据所述实时加油数据和绑卡数据，油站维度表、车辆停靠加油站数据、车辆维度表、以及企业维度表，提取与加油卡和绑卡车辆相关的多种特征数据。
13.在本技术的一些实施例中，所述利用与具有独立性的第一类异常加油行为相关的特征数据判定所述实时加油数据是否存在所述第一类异常加油行为，包括：
14.从所述多种特征数据中获取与第一类异常加油行为相关的特征数据；将获取的特征数据输入所述第一类异常加油行为对应的预测模型中，由所述预测模型利用输入的特征
数据预测所述实时加油数据是否存在所述第一类异常加油行为。
15.在本技术的一些实施例中，所述利用与当前遍历的第二类异常加油行为相关的特征数据，判定所述实时加油数据是否存在所述第二类异常加油行为，包括：
16.从所述多种特征数据中获取与第二类异常加油行为相关的特征数据；将获取的特征数据输入所述第二类异常加油行为对应的预测模型中，由所述预测模型利用输入的特征数据预测所述实时加油数据是否存在所述第二类异常加油行为。
17.在本技术的一些实施例中，所述方法还包括预测模型训练过程：
18.根据历史加油数据、绑卡数据、车辆停靠加油站数据、车辆维度表、企业维度表、油站维度表构建加油和车辆停靠宽表；从所述加油和车辆停靠宽表中提取所述历史加油数据的多种特征数据添加到训练数据集中，并为所述历史加油数据的多种特征数据标注至少一种异常行为标签或者正常行为标签；针对每类异常加油行为对应的预测模型，利用所述训练数据集中与所述预测模型相关的特征数据训练所述预测模型，直至所述预测模型收敛。
19.在本技术的一些实施例中，对所述实时加油数据存在的第一类异常加油行为和/或第二类异常加油行为进行预警之后，所述方法还包括：
20.在接收到反馈通知时，将所述实时加油数据的多种特征数据添加到训练数据集中，并为所述实时加油数据的多种特征数据标注异常标签或者正常行为标签；针对每类异常加油行为对应的预测模型，利用所述训练数据集中与所述预测模型相关的特征数据对所述预测模型进行优化训练。
21.在本技术的一些实施例中，所述第一类异常加油行为包括加油套现行为和高频率加油行为；所述第二类异常加油行为包括非绑卡车辆加油、非企业车辆加油、非当前车辆油品、非企业车辆油品、加油量超出绑卡车辆油箱容积、高油耗异常加油。
22.本发明的第二方面提出了一种异常加油行为识别装置，所述装置包括：
23.特征提取模块，用于根据接收到的实时加油数据提取与加油卡和绑卡车辆相关的多种特征数据；
24.第一识别模块，用于利用与具有独立性的第一类异常加油行为相关的特征数据判定所述实时加油数据是否存在所述第一类异常加油行为；
25.第二识别模块，用于从分层表中的第一层第二类异常加油行为开始遍历，利用与当前遍历的第二类异常加油行为相关的特征数据，判定所述实时加油数据是否存在所述第二类异常加油行为，所述分层表中相邻层级的第二类异常加油行为具有依赖性；如果存在，则继续遍历所述分层表中的下一层第二类异常加油行为，并继续执行利用与当前遍历的第二类异常加油行为相关的特征数据，判定所述实时加油数据是否存在所述第二类异常加油行为的过程；如果不存在，则结束遍历；
26.报警模块，用于对所述实时加油数据存在的第一类异常加油行为和/或第二类异常加油行为进行预警。
27.本发明的第三方面提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所述方法的步骤。
28.本发明的第四方面提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述第一方面所述方法的步骤。
29.基于上述第一方面和第二方面所述的异常加油行为识别方法及装置，本发明至少具有如下有益效果或优点：
30.每产生一条实时加油数据，便提取与所使用加油卡和绑卡车辆相关的多种特征数据，并利用这些特征数据，对实时加油数据做出与加油套现相关的各种异常行为的判定，因此本方案的异常判断实时性高。本方案对加油套现的各种异常行为按照依赖性和独立性进行了区分，对于具有独立性的异常行为，只利用与其相关的特征数据进行单独异常判定，对于具有依赖性的异常行为通过分层级方式进行异常判定，只有上一层级的异常行为判定结果为真的条件下，才对下一层级的异常行为进行判定，使得各种异常行为的判断顺序更加细化，更加符合实际生活中各种加油套现手段的全面识别。
附图说明
31.此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
32.图1为本发明根据一示例性实施例示出的一种异常加油行为识别方法的实施例流程图；
33.图2为本发明根据一示例性实施例示出的一种异常加油行为识别装置的结构示意图；
34.图3为本发明根据一示例性实施例示出的一种电子设备的硬件结构示意图图；
35.图4为本发明根据一示例性实施例示出的一种存储介质的结构示意图。
具体实施方式
36.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。
37.在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“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。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
38.应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，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。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。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
39.现有的加油套现行为识别方式是固定时间点轮询，即统计加油相关数据，包括多个因子，然后根据因子做排列组合，计算后得到加油可疑记录。
40.然而，这种固定周期的轮询计算，预警实时性差，并且最终的判断是根据因子排列组合后计算的某值与规则设定的阈值，判断准确度会受到经验设定阈值的影响。
41.基于此，本技术提出一种异常加油行为识别方法，即根据接收到的实时加油数据
提取与加油卡和绑卡车辆相关的多种特征数据，然后利用与具有独立性的第一类异常加油行为相关的特征数据判定所述实时加油数据是否存在第一类异常加油行为，同时从分层表中的第一层第二类异常加油行为开始遍历，利用与当前遍历的第二类异常加油行为相关的特征数据，判定实时加油数据是否存在第二类异常加油行为，分层表中相邻层级的第二类异常加油行为具有依赖性，如果存在，则继续遍历所述分层表中的下一层第二类异常加油行为，并继续执行利用与当前遍历的第二类异常加油行为相关的特征数据，判定实时加油数据是否存在第二类异常加油行为的过程，如果不存在，则结束遍历，最后对实时加油数据存在的第一类异常加油行为和/或第二类异常加油行为进行预警。
42.基于上述描述可达到的技术效果有：
43.每产生一条实时加油数据，便提取与所使用加油卡和绑卡车辆相关的多种特征数据，并利用这些特征数据，对实时加油数据做出与加油套现相关的各种异常行为的判定，因此本方案的异常判断实时性高。本方案对加油套现的各种异常行为按照依赖性和独立性进行了区分，对于具有独立性的异常行为，只利用与其相关的特征数据进行单独异常判定，对于具有依赖性的异常行为通过分层级方式进行异常判定，只有上一层级的异常行为判定结果为真的条件下，才对下一层级的异常行为进行判定，使得各种异常行为的判断顺序更加细化，更加符合实际生活中各种加油套现手段的全面识别。
44.为了使本领域技术人员更好的理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
45.实施例一：
46.图1为本发明根据一示例性实施例示出的一种异常加油行为识别方法的实施例流程图，如图1所示，所述异常加油行为识别方法包括如下步骤：
47.步骤101：根据接收到的实时加油数据提取与加油卡和绑卡车辆相关的多种特征数据。
48.本实施例中，实时加油数据指的是加油站实时产生的一条加油数据，且该条加油数据包含加油卡卡号、油站id、加油事件信息(如加油金额、油量、价格、油品、加油省份、城市、加油时间等)。
49.单纯依据实时加油数据能够提取到的特征比较少，需要再结合其他维度的数据才能提取到多种类型特征，在一种可能的实现方式中，可以获取绑卡数据，油站维度表、车辆停靠加油站数据、车辆维度表、以及企业维度表，然后根据实时加油数据和绑卡数据，油站维度表、车辆停靠加油站数据、车辆维度表、以及企业维度表，提取与加油卡和绑卡车辆相关的多种特征数据。
50.需要说明的是，绑卡数据包含加油卡卡号、用户信息、企业id、车辆id等；油站维度表记录有油站id和对应的地理位置信息(如经度和纬度)；车辆停靠加油站数据包含车辆停靠事件信息、车辆id；车辆维度表记录有入网时间、油品类型、邮箱升数等；企业维度表记录有每个企业包含的企业车辆id。
51.示例性的，多种特征数据包括：加油金额、油量、价格、加油省份、加油城市与上次加油的时间间隔；绑卡车辆油品；绑卡车辆的里程数；绑卡车辆是否为企业车辆；绑卡车辆的油箱升数；企业车辆的最大油箱升数；加油站提供的油品是否为加油数据中的油品；加油站提供的油品是否为绑卡车辆使用的油品；加油站提供的油品是否为加油站里在加油时间
范围内停靠企业车辆的油品；前9次每次的加油金额、油量、价格、加油省份、加油城市与上次加油的时间间隔、绑卡车辆的里程数；最近一次与近10次的加油站相同的个数、最近一次与近10次的加油油品相同的个数；最近一次与近10次的加油平均升数的差值的绝对值。
52.本领域技术人员可以理解的是，上述给出的各种特征数据说明仅为示例性说明，并不形成对本技术的具体限定。
53.步骤102：利用与具有独立性的第一类异常加油行为相关的特征数据判定实时加油数据是否存在所述第一类异常加油行为。
54.其中，在实际生活中人们会想出各种加油套现手段，而每种加油套现手段均可以根据不同方面的数据反映出，因此本方案提出了多种异常加油行为的检测，并对各种异常加油行为按照依赖性和独立性进行了区分，对于具有独立性的异常加油行为定义为第一类异常加油行为，对于具有依赖性的异常加油行为定义为第二类异常加油行为，并且对于每种异常加油行为的判定均依据与其相关的特征数据进行单独异常判定，以提高判定准确度。
55.在一种可能的实现方式中，从多种特征数据中获取与第一类异常加油行为相关的特征数据，并将获取的特征数据输入第一类异常加油行为对应的预测模型中，由预测模型利用输入的特征数据预测实时加油数据是否存在第一类异常加油行为。
56.其中，对于与第一类异常加油行为相关的特征数据的获取，可以通过确定特征数据与第一类异常加油行为之间的相关系数，并选出相关系数高于一定阈值的特征数据。
57.需要补充说明的是，在将特征数据输入预测模型之前，还可以将特征数据转换为独热向量，并进一步对独热向量进行归一化处理，得到适于输入预测模型的数据。
58.在具体实施时，具有独立性的第一类异常加油行为包括两种：加油套现行为(加油卡高频的在少量油站加油，可能是油站员工用自己的加油卡进行加油套现，或者是中间加油人员的一种加油套现)和高频率加油行为(近几次加油时间间隔很小)，并且每个第一类异常加油行为对应有一个预测模型。
59.步骤103：从分层表中的第一层第二类异常加油行为开始遍历。
60.其中，分层表中相邻层级的第二类异常加油行为具有依赖性，即只有上一层级的异常加油行为成立，才会出现下一层级的异常加油行为。
61.示例性的，具有依赖性的第二类异常加油行为包括非绑卡车辆加油、非企业车辆加油、非当前车辆油品、非企业车辆油品、加油量超出绑卡车辆油箱容积(单次加油量超出油箱容积或者多次加油但加油总量减去理论行驶里程的油耗量超出油箱容积)、高油耗异常加油(车辆上次加油到本次加油的每公里油耗远大于平均油耗)，并且每个第二类异常加油行为对应有一个预测模型。
62.上述第二类异常加油行为的分层关系具体为：非绑卡车辆加油-》非企业车辆加油、加油油品非当前车辆油品-》加油油品非企业车辆油品-》加油量超出绑卡车辆油箱升数|高油耗异常加油。其中，第一层为非绑卡车辆加油行为，以此类推。
63.步骤104：利用与当前遍历的第二类异常加油行为相关的特征数据判定实时加油数据是否存在第二类异常加油行为。
64.基于上述步骤103描述预测实现，在步骤104中，也可以从多种特征数据中获取与第二类异常加油行为相关的特征数据，并将获取的特征数据输入第二类异常加油行为对应
的预测模型中，由预测模型利用输入的特征数据预测实时加油数据是否存在所述第二类异常加油行为。
65.其中，对于与第二类异常加油行为相关的特征数据的获取，也可以通过确定特征数据与第一类异常加油行为之间的相关系数，并选出相关系数高于一定阈值的特征数据。
66.需要补充说明的是，在将特征数据输入预测模型之前，还可以将特征数据转换为独热向量，并进一步对独热向量进行归一化处理，得到适于输入预测模型的数据。
67.步骤105：，如果存在，则在当前遍历的第二类异常加油行为不是分层表的最后一层时，继续遍历分层表中的下一层第二类异常加油行为，并继续执行步骤104的过程。
68.步骤106：如果不存在或者当前遍历的第二类异常加油行为是分层表的最后一层，则结束遍历分层表。
69.其中，在当前遍历的第二类异常加油行为不成立时，直接结束分层表中后面异常加油行为的预测。
70.值得注意的是，上述步骤102中的第一类异常加油行为与步骤103至步骤106的第二类异常加油行为的预测过程可以并行且独立执行。
71.需要补充说明的是，在执行上述步骤102至步骤106之前，需要预先训练每一异常加油行为对应的预测模型，训练过程包括：根据历史加油数据、绑卡数据、车辆停靠加油站数据、车辆维度表、企业维度表、油站维度表构建加油和车辆停靠宽表，然后从加油和车辆停靠宽表中提取历史加油数据的多种特征数据，并为历史加油数据的多种特征数据标注至少一种异常行为标签或者正常行为标签，然后针对每类异常加油行为对应的预测模型，利用训练数据集中与所述预测模型相关的特征数据训练所述预测模型，直至预测模型收敛。
72.其中，对于预测模型的选择可以采用二分类模型，例如逻辑回归概率估算模型。本领域技术人员可以理解的是，模型收敛条件可以是模型的精确度、召回率和损失值均符合相应的阈值条件。
73.在具体实施时，加油和车辆停靠宽表属于包含多种字段的数据库表，对于加油和车辆停靠宽表的构建过程，使用加油卡卡号将历史加油数据和绑卡数据进行关联生成a表，按照企业id对a表进行分组统计以得到每个企业id的车辆id集合，从而生成b表；通过企业id关联a表和b表，再通过企业id、地理位置信息和加油时间在车辆停靠油站时间范围内关联车辆停靠加油站数据，再按照加油卡卡号和加油时间进行聚合得到加油事件数据、绑卡信息、企业车辆集合和加油时间在同一加油站的企业车辆集合，再关联车辆维度表、企业维度表、油站维度表，最终得到包括加油事件、停靠事件、车辆信息、加油油站信息、企业信息、企业车辆信息集合、同一时间在加油站的企业车辆集合作为加油和车辆停靠宽表。
74.步骤107：对实时加油数据存在的第一类异常加油行为和/或第二类异常加油行为进行预警。
75.需要补充说明的是，在执行步骤107之后，相关业务员收到异常加油行为预警后进行人工判断和处理，并将判断的错误结果反馈，从而在接收到反馈通知时，通过将实时加油数据的多种特征数据添加到训练数据集中，并为实时加油数据的多种特征数据标注异常标签或者正常行为标签，以扩大训练数据集，然后针对每类异常加油行为对应的预测模型，利用扩大后的训练数据集中与预测模型相关的特征数据对所述预测模型进行优化训练。
76.其中，通过人工判断错误结果的反馈，可以扩大训练数据集的异常数据量，从而可
以对预测模型进行持续的优化升级，使得预测模型的预测准确度更高。
77.至此，完成上述图1所示的识别流程，每产生一条实时加油数据，便提取与所使用加油卡和绑卡车辆相关的多种特征数据，并利用这些特征数据，对实时加油数据做出与加油套现相关的各种异常行为的判定，因此本方案的异常判断实时性高。本方案对加油套现的各种异常行为按照依赖性和独立性进行了区分，对于具有独立性的异常行为，只利用与其相关的特征数据进行单独异常判定，对于具有依赖性的异常行为通过分层级方式进行异常判定，只有上一层级的异常行为判定结果为真的条件下，才对下一层级的异常行为进行判定，使得各种异常行为的判断顺序更加细化，更加符合实际生活中各种加油套现手段的全面识别。
78.与前述异常加油行为识别方法的实施例相对应，本发明还提供了异常加油行为识别装置的实施例。
79.图2为本发明根据一示例性实施例示出的一种异常加油行为识别装置的结构示意图，该装置用于执行上述任一实施例提供的异常加油行为识别方法，如图2所示，该异常加油行为识别装置包括：
80.特征提取模块210，用于根据接收到的实时加油数据提取与加油卡和绑卡车辆相关的多种特征数据；
81.第一识别模块220，用于利用与具有独立性的第一类异常加油行为相关的特征数据判定所述实时加油数据是否存在所述第一类异常加油行为；
82.第二识别模块230，用于从分层表中的第一层第二类异常加油行为开始遍历，利用与当前遍历的第二类异常加油行为相关的特征数据，判定所述实时加油数据是否存在所述第二类异常加油行为，所述分层表中相邻层级的第二类异常加油行为具有依赖性；如果存在，则继续遍历所述分层表中的下一层第二类异常加油行为，并继续执行利用与当前遍历的第二类异常加油行为相关的特征数据，判定所述实时加油数据是否存在所述第二类异常加油行为的过程；如果不存在，则结束遍历；
83.报警模块240，用于对所述实时加油数据存在的第一类异常加油行为和/或第二类异常加油行为进行预警。
84.上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
85.对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
86.本发明实施方式还提供一种与前述实施方式所提供的异常加油行为识别方法对应的电子设备，以执行上述异常加油行为识别方法。
87.图3为本发明根据一示例性实施例示出的一种电子设备的硬件结构图，该电子设备包括：通信接口601、处理器602、存储器603和总线604；其中，通信接口601、处理器602和存储器603通过总线604完成相互间的通信。处理器602通过读取并执行存储器603中与异常
加油行为识别方法的控制逻辑对应的机器可执行指令，可执行上文描述的异常加油行为识别方法，该方法的具体内容参见上述实施例，此处不再累述。
88.本发明中提到的存储器603可以是任何电子、磁性、光学或其它物理存储装置，可以包含存储信息，如可执行指令、数据等等。具体地，存储器603可以是ram(random access memory，随机存取存储器)、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。通过至少一个通信接口601(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
89.总线604可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器603用于存储程序，所述处理器602在接收到执行指令后，执行所述程序。
90.处理器602可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器602中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器602可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。
91.本技术实施例提供的电子设备与本技术实施例提供的异常加油行为识别方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
92.本技术实施方式还提供一种与前述实施方式所提供的异常加油行为识别方法对应的计算机可读存储介质，请参考图4所示，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的异常加油行为识别方法。
93.需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
94.本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的异常加油行为识别方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
95.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。本发明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。
96.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的
包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
97.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。