交通推理器的制作方法

1.本发明涉及交通控制系统，尤其涉及一种预测交通流量模式和关联特征的系统。


背景技术：

2.交通拥堵给城市基础设施带来了严峻挑战，也影响人们的社会经济生活，因为在等候交通时浪费了时间。交通优化问题是一个具有挑战性的问题，由于道路上的车辆增加和街道上的拥堵加剧，影响越来越大，这可能会给城市带来重大经济损失和高污染。
3.一些城市仍然采用固定时间分配系统来控制交通信号灯。然而，当车辆通过的吞吐量较低时，这些系统的操作效率比较低，从而可能导致交通堵塞。这些系统的主要缺点是没有考虑环境演变。
4.已经研究了许多交通建模方法，目的是基于交通模式优化交通拥堵。虽然提出的一些模型和技术方案复杂且高级，但交通一贯非常灵活，行为变化迅速，特别是道路上发生事故等事件的时候。此外，城市中的每个交叉口通常都会有不同的布局和/或吞吐量，这限制了具体技术方案的部署。正因为如此，大多数优化交通和控制交通信号灯时间以减少交通拥堵或增加吞吐量的技术方案都不能正常实现。
5.许多城市都部署了自适应交通控制系统，以根据一个交叉口或多个相邻交叉口处的实时交通状况调整信号配时。最新的自适应交通信号灯管理系统根据一个或多个相邻交叉口处的实时交通状况调整信号配时(周期长度、相位分离和偏移)。这是使用来自各种传感器(例如，摄像头、嵌入式感应圈和速度传感器)中的交通数据实现的。
6.www.scats.com.au/files/an_introduction_to_scats_6.pdf中描述的scats是分散动态控制系统的一个示例，该系统调整属于同一子组的相邻交叉口之间的偏移。每个交叉口子组由一个关键交叉口协调，每个交叉口根据当地交通状况独立调整其信号相位。scats是一个两级分层自适应交通信号灯平台，该平台根据上一周期的交通流量的变化来调整三个主要参数：周期长度、相位分离和偏移。调整区域计算机从感应圈检测器接收交通测量结果，并计算调整时使用的饱和程度和路段流量。
7.www.ukroads.org/webfiles/tal04-95.pdf中描述的scoot是一种基于模型的自适应交通控制系统。该系统采用在线交通行为模型使用街道检测器数据构建周期流量分布图(cyclic flow profile)。模型输出是三个优化器的输入，这些优化器对相位分离、偏移和周期长度进行小幅调整，使得对交通的干扰最小。
8.v.mauro和c.di taranto发表在ifac运输控制、计算机、通信(1989年)上的“utopia”中介绍的utopia是一种具有分层分布式架构的自校交通控制系统。高层中央系统负责设置网络控制策略。低层(部署spot软件的本地交叉口控制器)受高层的网络控制策略约束，根据在上游和下游交通交叉口处安装的检测器，使用实时本地交通流量实现信号配时。
9.然而，根据一个交叉口(或者甚至相邻交叉口)处的在前几个周期中观察到的交通流量参数调整交通信号灯配时可能无法提供最佳技术方案，这是因为调整一个交叉口处的
交通信号灯配时可能会极大地影响其它交叉口处的交通流量，从而造成交通堵塞。这种系统需要通过在线分析从传感器接收到的交通数据流以提取主要流量模式、计算交通指标、预测未来流量模式并检测非经常性事件(例如可能会极大地影响交通的事故)，从而实时预测城市级交通状况。就所需的处理资源而言，成本比较高。
10.需要开发一种解决这些问题的交通预测方法。


技术实现要素：

11.根据第一方面，提供了一种根据从多个传感器接收到的数据确定和/或预测交通流量模式并形成基于所述流量模式的输出的系统。每个传感器用于在道路布局已知的空间区域内的相应地点处获取数据，所述系统用于：从所述多个传感器接收数据；根据所述道路布局，将所述接收到的数据与来自所述空间区域内的所述多个传感器的历史数据聚合；根据所述聚合数据，确定和/或预测所述地点处的交通流量模式，并分析所述接收到的数据以识别所述接收到的数据和所述确定和/或预测到的交通流量模式之间的偏差，和/或分析所述确定和/或预测到的交通流量模式以识别其中的车辆特征；输出所述偏差和/或车辆特征。
12.所述系统可以用于根据所述输出的偏差和/或车辆特征执行交通异常检测、延迟计算、交通堵塞检测和偏移计算中的一个或多个。这样可以检测到事故等事件，而且降低了这些事件对所述空间区域内交通的影响。
13.所述车辆特征可以包括一个地点处的车辆数量和/或车辆在一个地点处的排队长度。这样可以预测未来交通状况。
14.从所述多个传感器中的每个传感器接收到的所述数据可以包括值的数据系列。从所述多个传感器中的每个传感器接收到的所述数据可以包括值的时间序列。这样可以通过时间预测和/或交通预测任意分析所述接收到的数据。
15.所述系统可以用于通过实现学习的人工智能模型来预测交通流量模式。这样可以在特定区域中进行更准确的流量预测。
16.所述系统可以用于在所述空间区域内的不同大小的相应次区域之间分层地将所述接收到的数据与来自所述多个传感器的历史数据聚合。这样可以进行更准确的流量预测。
17.所述相应地点可以是相应的交通交叉口。每个交叉口可以包括至少三条相交的车辆通道，所述交通流量模式还可以根据以下各项中的至少一个来预测：每个方向驶入交叉口的汽车的数量、车辆停在所述交叉口的概率和车辆在所述交叉口驶入每个方向的概率。这样可以使得空间区域内交叉口相互之间的影响包括在交通预测结果中。
18.所述确定和/或预测到的交通流量模式可以用于确定位于所述交叉口处的交通信号灯的交通信号灯方案。因此，所述系统可以用于控制多个地点处的交通信号灯，这可能有助于避免所述区域内的交通拥堵。
19.所述系统还可以用于通过优化所述交叉口处的至少一个交通指标来确定位于所述交叉口处的交通信号灯的交通信号灯方案。所述至少一个交通指标可以是交通吞吐量、排队长度和所述交通信号灯的浪费的绿灯时间中的一个或多个。这样可以优化所述区域的交通流量，这可能有助于避免交通堵塞。
20.所述系统还可以用于预测所述空间区域内的至少两部车辆的通道，如果这些预测结果指示所述车辆将同时通过同一地点，则调整所述交通信号灯的配时以暂时错开所述通道。这可能有助于避免这些车辆相遇时可能造成的交通堵塞。
21.所述系统部署可以在多个基于云的实体之间。因此，所述系统中的组件可以分布在公有云和私有云之间。
22.所述多个传感器中的每个传感器可以包括摄像头、气象传感器、污染传感器、噪音传感器和感应圈中的一个。这样可以直接测量或推断特定地点处的车辆数量。
23.根据第二方面，提供了一种在根据从多个传感器接收到的数据确定和/或预测交通流量模式并形成基于所述流量模式的输出的系统中实现的方法。每个传感器用于在道路布局已知的空间区域内的相应地点处获取数据，所述方法包括：从所述多个传感器接收数据；根据所述道路布局，将所述接收到的数据与来自所述空间区域内的所述多个传感器的历史数据聚合；根据所述聚合数据，确定和/或预测所述地点处的交通流量模式，并分析所述接收到的数据以识别所述接收到的数据和所述确定和/或预测到的交通流量模式之间的偏差，和/或分析所述确定和/或预测到的交通流量模式以识别其中的车辆特征；输出所述偏差和/或车辆特征。
附图说明
24.下面结合附图通过示例的方式对本发明进行描述。
25.图1示出了交通推理器系统的一个示例的概述。
26.图2示出了在线多指标交通优化的一个功能示例。
27.图3示出了包括参考图1所述的交通推理器的智能交通管理系统的概述。
28.图4示出了系统在公共云和私有云之间的部署。
29.图5示出了一种在预测交通流量模式并形成基于所述流量模式的输出的系统中实现的方法。
30.图6示出了两个不同时刻t1和t2的主要流量。
31.图7示出了主要流量场景的一个示例。
32.图8示出了在线多指标交通信号灯优化增益。
具体实施方式
33.本发明涉及一种可以用于优化空间区域内的交通信号灯方案的系统和方法，其中，所述空间区域的范围是一个地点或交叉口到城市。所述系统可以优选地使用基于云的大数据分布式流处理方案。所述系统可以通过从多个传感器接收数据确定和/或预测交通流量模式并形成基于所述流量模式的输出，其中，每个传感器用于在道路布局已知的空间区域内的相应地点处获取数据。根据所述空间区域的道路布局，所述系统将所述接收到的传感器数据与来自所述空间区域内的所述多个传感器的历史数据聚合。根据所述聚合数据，所述系统可以确定和/或预测所述地点处的交通流量模式，并分析所述接收到的数据以识别所述接收到的数据与所述确定和/或预测到的交通流量模式之间的偏差。这使得所述系统可以检测所述模式中的异常，例如可能导致交通堵塞的事故。所述系统还可以分析所述确定和/或预测到的交通流量模式以识别车辆特征，例如一个地点或交叉口处的车辆数
量或车辆在一个地点或交叉口处的排队长度。
34.图1示出了交通推理器系统100的整体架构。
35.接收交通指标作为数据流，通常如101所示，这些数据流是从各种源采集到的事件序列(例如，包括汽车数量、汽车速度等各种数据的元组)。例如，数据可以按时间顺序从汽车中的传感器、从嵌入在道路上的摄像头和感应圈等传感器，或者从wifi接入点、污染传感器和噪音传感器等其它数据源采集到。
36.数据流可以从涉及的空间区域的地区中的一个地点或交叉口处的传感器接收。这些地区如图1中的102、103和104所示。因此，从多个传感器中的每个传感器接收到的数据包括值的数据序列，数据序列在一些示例中可以是时间序列。摄像机和感应圈可以直接测量交通流量(即在一定时间段内经过一个地点的汽车的数量)。交通流量可以根据污染传感器等其它类型的传感器测量到的参数来推断出，这些传感器可以测量co、no2或no的量，这些量可能与传感器所在地点处的车辆的数量有关。
37.道路布局服务105提供关于涉及的空间区域内的道路和交叉口布局的详细信息。详细信息可以包括交叉口类型、每方向车道的数量、道路或车道的长度、每个车道的最大速度和每个车道或道路的允许驾驶方向的数量。道路布局服务105还提供交叉口布局的详细信息，例如每个交叉口的进出道路和相邻交叉口。“相邻”是指两个交叉口之间(通过道路或边缘)的显式连接。与参考的交叉口直接相邻的交叉口在滞后间隔(space lag)1(1跳距离)处相邻。一个交叉口距离参考的交叉口越远，滞后间隔就越大。道路和交叉口布局可以使用可扩展标记语言(xml)格式表示。道路布局服务可以使用java或c 来构建，以加载xml文件并构建和初始化表示该布局的数据结构。
38.每个交叉口至少包括三条相交的车辆通道。道路布局服务可以指示特定地点处的交叉口是高速公路交叉口(例如，4个方向、每方向5到6条车道)、t型交叉口(例如，3个方向、每方向3到4条车道)或常规交叉口(例如，4个方向、每方向3到4条车道)。
39.聚合服务106从交通传感器采集数据。将接收到的数据与各个地点处的历史数据(如107所示)聚合，对聚合数据进行处理以向其它交通推理器组件提供实时的历史交叉口和城市级交通预测和分析。如图1所示，聚合器106具有分层结构，地区、区域和城市级都存在聚合。这些次区域在考涉及的空间区域内具有不同的大小(从小到大分别是地区、区域和城市)(也就是说，地区小于区域，而区域小于城市)。地区聚合器通过订阅apache kafka或类似的低延迟数据馈送平台，从部署好的传感器实时接收交通数据和其它数据流。根据来自道路布局服务的连接数据，可以在车道、道路和交叉口级聚合接收到的数据。地区聚合器将计算到的数据直接或通过区域聚合器转发给全局聚合器，以计算城市级全局聚合。该服务可以在rpc的支持下使用java或c 来构建，以与交通智能代理110和增值服务109进行通信。因此，聚合服务106可以在涉及的空间区域(即全范围)内的大小递增的相应次区域(即地区、区域)分层地将接收到的数据与来自传感器的历史数据聚合。如果涉及的空间区域较小，同时交叉口的数量较少，则全局聚合器可能就足够，因此不执行分层聚合。在这种情况下，针对整个空间区域聚合数据。因此，该系统可以部署在一些地点或交叉口处、城市的一个区域内或城市中。
40.在线流量检测服务108从聚合数据中实时提取流量模式。流量模式表示车辆在一定时间段内或一定距离内沿着同一路线或路径行驶。检测主要交通流量模式对于十字形交
叉口城市级交通优化非常有用，这是因为多个流量模式可能在某个点重叠或在交叉口处相互约束，这可能导致交通堵塞。计算到的流量模式对于城市级交通优化也很有用，而且有利于分析交通优化系统的整体性能。流量模式还可以调整交通信号灯偏移以产生绿波(即，当协调一系列交通信号灯以使得连续性交通流量通过几个交叉口时)。在线流量检测器服务可以通过扩展flink处理函数等流运算符的经典架构来实现。流运算符可以实时接收从所有相邻交叉口到达每个交叉口的车辆的数量，计算每个方向停车和继续前进的概率，并更新之前观察到的流量模式。
41.如109所示的增值服务根据从聚合服务106接收到的数据计算交通特征和模式。例如，系统中的这一组件可以执行检测事故等非经常性事件的在线异常检测。该组件还可以根据来自聚合服务的实时更新预测车辆特征，例如后续周期中的车辆数量和/或排队长度。根据各个地点处的聚合数据和预测到的交通流量模式，系统可以识别接收到的数据和预测到的交通流量模式之间的偏差，和/或分析预测到的交通流量模式以识别流量模式中的车辆特征。该系统可以输出109所示的增值服务提供的所述偏差和/或车辆特征。
42.交通流量模式还可以根据以下各项中的至少一个来预测：每个方向驶入交叉口的汽车的数量、车辆停在该交叉口的概率和车辆在该交叉口驶入每个方向的概率。在一些实现方式中，该系统可以用于通过实现学习的人工智能模型、使用已知技术来预测交通流量模式。
43.交通流量模式可以表示沿着相同路径行驶一段时间的车辆。在本文描述的系统中，交通流量模式可以通过估计路径的可能性来预测。除了停车概率和车辆驶入每个方向的概率之外，还可以根据从所有方向驶入交叉口的汽车的数量来计算交通流量模式。这些交通流量模式可以用于十字形交叉口交通信号灯优化，以避免不同的重叠流量模式造成或不同车辆的流量模式在交叉口相互约束造成的堵塞。由于整个城市(例如，在居民区和商业区或工作区之间通勤的车辆)的主要重叠流量模式导致交通拥堵，因此这些交通流量模式对于交通优化非常重要。了解这些流量模式使得优化技术超越了每交叉口方法。
44.在一种实现方式中，该系统可以预测区域内的至少两部车辆的交通流量模式，如果这些预测结果指示车辆将同时通过同一地点，则调整交通信号灯的配时以暂时错开车辆的通道(即确保车辆的通道不会同时在同一地点相遇)。这可能有助于避免这些车辆相遇时可能造成的交通堵塞。
45.因此，聚合服务106中的实时数据和历史交通数据的聚合以及流量检测器108中的交通流量模式的提取能够部署一系列智能交通服务，例如ai分析、延迟计算、事件或异常检测(例如事故检测)和交通预测，这些可以用于交通信号灯模拟器(如图1中的112所示)或自动驾驶模拟器中。
46.110所示的交通智能代理根据全局交通优化策略实时优化离线优化方案。这可以使用来自聚合服务和流量检测的城市级交通数据更新以及来自增值服务的本地和全局视角和相关性来实现，本地和全局视角和相关性包括区域相关性和分类、交叉口聚类、绿波和异常检测等。交通智能代理可以根据单一交通指标(例如，吞吐量、排队长度或浪费的绿灯时间)实时调整优化离线交通方案。由增值服务109实时检测到的异常模式(例如事故和堵塞)也可以用于调整方案。
47.基于多个指标的离线方案优化可以进一步提高性能。在线多指标优化器111采集
交通指标，在搜索状态中对交通指标进行建模，对未来交通流量进行预测，并从搜索状态中选择控制顺序以增加道路交通流量。在线多指标交通优化器根据最大吞吐量、最短排队长度和最少浪费的绿灯时间等多指标调整离线优化方案。因此，可以从交通指标的传入流连续实时地执行交通优化，以根据多个指标调整离线优化方案。
48.图2示出了在线多指标交通优化模块200的功能的一个示例。在这个示例中，除了203所示的流量检测服务的输出之外，在线多度量交通优化器还使用排队长度201和车辆数量202来调整交通信号灯方案(示为最终的绿灯方案)。这里，在线多指标组件是从flink中的处理函数运算符开始实现的。该组件借助于源从聚合组件中读取数据，借助于宿输出调整后的方案。这些组件一起构成流拓扑，该流拓扑执行在线优化交通的逻辑。在线多指标的内部逻辑包括多个模块，这些模块可以根据用户配置调用，每个模块使用一个逻辑来建模交通指标，根据该逻辑进行预测，并独立提出方案。然后，根据用户定义的策略合并所提出的方案。
49.因此，该系统可以通过优化地点或交叉口处的至少一个交通指标来优化位于地点或交叉口处的交通信号灯的交通信号灯方案。
50.图3示出了包括图1的交通推理器的智能交通管理系统的概述。如图3所示，使用从区域302采集的交通数据，交通推理器系统100中的交通智能代理和在线多度量交通优化组件向在线控制器代理301发送调整后的交通信号灯配时，以调整和部署新的交通信号灯方案到区域302。303所示的交通分析可视化工具和仪表板还可以使用交通推理器100产生的城市级交通预测，以向交通当局提供城市中交通状况的详细大图。系统100中的聚合服务的输出也可以提供给304所示的第三方数据客户。因此，除了向第三方交通数据客户之外，交通推理器及其聚合服务、流量检测器和增值服务还可以向交通分析可视化工具和仪表板提供实时城市级交通预测。
51.交通推理器可以部署在集中式系统、分布式架构中，或者可以分布在多个基于云的实体之间。所提出的交通推理器中的组件可以优选地部署和分布在控制交通信号灯的公有云和政府云之间。在一个示例中，地区聚合器和区域聚合器部署在政府云上，全局聚合器部署在公有云上。如图4所示，政府云401可以从交通传感器和摄像头采集数据，除了部署用于优化交通信号灯方案的在线交通智能代理和多指标优化器之外，还可以部署地区聚合器和区域聚合器。然后，公共云402可以持有全局聚合器服务、流量提取和管理服务以及增值服务。其它组件可以根据需要部署和分布在多个基于云的实体(例如公共云和政府云)之间。因此，该系统可以在线实现。
52.图5示出了一种在根据从多个传感器接收到的数据预测交通流量模式并形成基于所述流量模式的输出的系统中实现的方法，其中，每个传感器用于在道路布局已知的空间区域内的相应地点处获取数据。在步骤501中，所述方法包括：从所述多个传感器接收数据。在步骤502中，所述方法包括：根据所述道路布局，将所述接收到的数据与来自所述空间区域内的所述多个传感器的历史数据聚合。在步骤503中，所述方法包括：根据所述聚合数据，预测所述地点处的交通流量模式，并分析所述接收到的数据以识别所述接收到的数据和所述预测到的交通流量模式之间的偏差，和/或分析所述预测到的交通流量模式以识别其中的车辆特征。在步骤504中，所述方法包括：输出所述偏差和/或车辆特征。
53.因此，交通推理器实现了一种方法，所述方法除了从其它数据源(例如噪音和污染
传感器)还从道路和摄像头中的嵌入式感应圈等源实时采集交通数据。聚合器根据所述涉及的空间区域内的道路布局计算详细的交叉口和城市级交通预测。所述系统能够在线检测交通流量模式，这些交通流量模式可以用于实时调整城市级离线优化交通信号灯方案，例如通过创建绿波。所述系统根据环境的实时最新视图和多指标优化算法，实现了调度控制的在线适应性。
54.所述系统可以包括处理器和非易失性存储器。所述系统可以包括多个处理器和多个存储器。所述存储器可以存储所述处理器可执行的数据。所述处理器可以用于根据以非瞬时形式存储在机器可读存储介质中的计算机程序进行操作。所述计算机程序可以存储使得所述处理器以本文所述的方式执行其方法的指令。如上所述，所述系统可以优选地在云中实现。
55.为了评估本文所述系统的能力，图6至图8示出了两种场景的结果。simulation of urban mobility(sumo，版本0.32.0，http://sumo.dlr.de/)是一种模拟环境，这种模拟在一台24gram的pc上运行。
56.在第一种场景中，如图6和图7所示，除了深圳市特定时间窗的从地点a到h的道路布局之外，还根据来自聚合服务的历史和实时交通数据提取主要流量模式(车辆在一段时间内沿着同一路径行驶)。这些流量模式可以用于优化交通信号灯并调整其偏移，以减少堵塞和产生绿波并构建分析仪表板。深圳的交通模型由深圳警察局提供。在这个小规模的场景中，研究了8个交通信号灯系统，控制高速公路交叉口(4个方向、每方向5到6条车道)、t型交叉口(3个方向、每方向3到4条车道)和常规交叉口(4个方向、每方向3到4条车道)。这样存在30条不同的路线，车辆以一定的概率在这些路线上行驶。模拟还包括其它建模详细内容，例如，右转始终为绿灯、模拟可以无限期运行。图6和图7示出了在两个不同时刻t1和t2提取的主要流量模式。
57.在图8所示的第二种场景中，在线多指标交通信号灯优化系统应用于天津市7个交叉口的数据。模拟是在上班高峰期运行的，使用了离线优化方案的离线优化强化学习模型和实时调整模型。在这种小规模场景中，使用了7个交通信号灯系统，控制：高速公路交叉口(4个方向、每方向2到4条车道)、t型交叉口(3个方向、每方向2到3条车道)和常规交叉口(4个方向、每方向2到4条车道)。使用在线多指标调整模型使得平均延迟时间减少了13.82％。
58.本发明使得城市级智能交通管理系统能够用于多个交叉口的在线交通信号灯模型优化，这可以改善空间区域内的交通流量。
59.根据聚合数据，交通推理器能够评估城市区域或城市级的交通质量和交通诊断，还能够实时计算表示车辆沿着同一路径行驶一定距离的交通流量模式。产生的流量模式对于通过产生绿灯波实时调整城市级离线优化交通信号灯方案很有用，使得车辆可以行驶几个交叉口，而不必等红灯。实时和历史交通聚合数据还支持部署一系列智能交通服务，这样可以提取交通预测、模式、交叉地点或十字形交叉口相关性和信息，例如主要交通流量、交通质量、异常检测(例如事故)、ai分析、交通预测和延迟计算。因此，该系统可以跨区域或在城市中评估交通质量和交通诊断。
60.该系统还根据环境的实时最新视图和单指标或多指标优化算法，实现调度控制的在线适应性。交通推理器为构建实时交通可视化工具和仪表板提供必要的分析数据，这可以实现城市级道路交通的高效监控、管理和优化。
61.本文描述的交通推理器方案可以提供关于当前交通状况的详细预测，并可以使用在线统计和机器学习技术来预测交通流量。交通智能代理和在线多指标交通优化技术可以使用实时采集到的数据和交通流量预测结果来调整交通信号灯配时，以减少交通堵塞并增加特定地点或交叉口处的流量。
62.沿着不同路径行驶的车辆的多种流量模式可能会在某个点重叠，或者在交叉口处相互约束，从而造成堵塞。检测主要流量模式并根据这些检测结果调整交通信号灯参数可以有助于提高吞吐量并减少延迟。协调相邻交叉口之间的方案偏移以产生绿波可以减少行程和延误时间，并可以有助于将车辆在交通信号灯处的次数减到最少。
63.事故等非经常性事件是交通堵塞的主要原因。本文描述的系统可以连续监控经过交叉口的流量，这对于实时检测这些事件是必要的，并且可以调整交通信号灯序列以减少事件区域内的堵塞，触发路线重规划过程，并启动背压机制以避免拥堵蔓延。
64.大多数现有技术系统部署在管理交通信号灯的政府工作站和计算机上。本文描述的系统中的服务和组件可以优选地部署和分布在多个基于云的实体之间，例如在公有云和政府云之间，从而利用云计算优势和处理能力。
65.该系统适用于智慧城市中的基础设施以及交通信号灯管理，从城市的一小地区(有少量交叉口)扩展到整个城市。
66.申请人在此单独公开本文所述的每个单独的特征以及两个以上此类特征的任意组合。在这个意义上，鉴于本领域技术人员的常识，此类特征或组合能够根据本说明书作为整体实现，而不考虑此类特征或特征的组合是否能解决本文中公开的任何问题，且不对权利要求书的范围造成限制。申请人表明本发明的各方面可以由任何这类单独特征或特征的组合构成。鉴于上文描述，可以在本发明的范围内进行各种修改对本领域技术人员来说是显而易见的。