一种网联车系统的调度方法

1.本发明属于智慧交通领域，具体是一种网联车系统的调度方法。


背景技术：

2.车用无线通信技术(vehicle-to-everything,v2x)是将车辆与事物相连接的新一代通信技术，其中v代表车辆(服务方)，x代表任何与车交互信息的对象，包含车、人和网络。v2x将交通参与要素有机地联系在一起，不仅可以支撑车辆获得比单车更多的感知信息，还有利于构建一个智慧的网联系统，对提高交通效率、节省资源、减少污染、降低事故发生率以及改善交通管理具有重要意义。
3.然而，网联车系统的一个主要障碍是时空供需不平衡；例如，当需求高于供应时，服务对象忍受更长的等待时间，降低了用户满意度；相反，服务方空驶去寻找订单，降低了服务方的热情。
4.针对供需不平衡的问题，现有技术提出了两种解决方法，分别是动态定价和车辆调度。动态定价抑制了价格敏感的服务对象，有助于确保高可靠性服务。而车辆调度会为服务方推荐潜在收入高或需求高的区域，来提高系统的性能。
5.但是，现有技术没有考虑优化定价和车辆调度策略的高度相关性，会导致服务平台的性能不佳。如果仅仅依靠定价，服务方会倾向于选择定价高的区域，无法公平实现其他区域的需求。而仅依靠需求驱动的车辆调度无法实现服务方利润最大化，因为定价会影响服务对象的需求分配。


技术实现要素：

6.针对现有网联车系统由于未联合考虑定价和调度，导致服务双方供需失衡的技术问题，本发明提供了一种网联车系统的调度方法，同时提高了网联车系统的订单响应率和服务方的收益，并减少了服务对象的等待时长。
7.所述一种网联车系统的调度方法，包括以下步骤：
8.步骤一、针对当前时刻，实时获取待调度区域及相邻区域的服务方和服务对象的数量，作为供需信息；
9.步骤二、利用样本训练神经网络，并将供需信息输入至训练好的神经网络中，输出每个区域所有定价因子的价值估计值；并利用ε-greedy策略，为各区域选择各自的唯一定价因子；
10.训练神经网络的步骤如下：
11.首先，从样本池中获取经验样本，将各区域当前历史时刻的经验样本输入估计q网络中，输出对应区域定价因子的价值估计值；
12.然后，将各区域下一历史时刻的经验样本输入目标q网络中，输出对应区域定价因子的价值目标值；
13.最后，针对同一个区域的价值估计值与价值目标值，基于最小化差值为训练目标，
构建损失函数更新估计q网络的参数；并每隔固定迭代次数，更新目标q网络；直至达到最大迭代次数，将估计q网络确定为训练完的神经网络模型；
14.损失函数如下：
[0015][0016]
其中，θ是估计q网络的参数，θ-是目标q网络的参数，指区域zi当前历史时刻t的供需信息，指区域zi当前历史时刻t的定价因子，γ为超参数，作为即时回报和未来价值的权重。
[0017]rti
指区域zi当前历史时刻t选择定价因子得到的回报值，计算如下：
[0018][0019]
其中是服务方能够满足服务的对象数量，是由各区域的订单距离和行程时间得到的固定价格，是区域zi当前历史时刻t对应的服务方数量；是区域zi当前历史时刻t对应的服务对象数量；pently是预设的数值。
[0020]
步骤三、将各区域的服务对象数量和唯一定价因子输入至调节函数，计算各区域中接受定价的服务对象数量，随机选择等数量的服务方进行服务；
[0021]
针对区域zi，接受定价的服务对象数量的计算公式为：
[0022][0023]
其中表示区域zi的服务对象请求数，表示接受定价的服务对象数量与定价因子成负线性相关的调节函数。
[0024]
步骤四、同时，将各区域没有接受定价的剩余服务方，输入至已学习的网络流调度模型，输出对各服务方的调度策略并执行；
[0025]
具体过程如下：
[0026]
步骤401，输入每个时刻各区域的供需信息计算各区域的供需差，该时刻所有区域的供需差组成供需不平衡矩阵
[0027]
供需差计算公式为：
[0028]
步骤402，根据供需不平衡矩阵构建节点集和边集，组成时刻t对应的重调度网络流模型；重调度网络流模型表示为有向二部图
[0029]
每个区域作为一个节点，根据供需差将节点集表示为：每个区域作为一个节点，根据供需差将节点集表示为：是服务方大于服务对象的节点集，即方大于服务对象的节点集，即是服务方小于服务对象的节点集，
[0030]
边集ε由从中的节点到中的节点的有向边组成；
[0031]
中的节点zi到中的节点zj组成有向边的权重计算如下，
[0032]
[0033]
其中，权重是节点zj的未来价值减去节点zi的价值，与燃料成本的和；cost(zi,zj)是节点zi到节点zj有向边的燃料成本；是时刻t对节点zi内单个服务方的区域价值；e(zi,zj)是从节点zi过渡到节点zj所需的时刻；是时刻t e(zi,zj)对节点zi内单个服务方的区域价值。
[0034]
步骤403，根据重调度网络流模型，生成在时刻t对应的最大化服务方的总收益的目标函数：
[0035][0036]
其中表示从供应节点zi调度到需求节点zj的空闲服务方数量；ε为所有区域的集合；
[0037]
同时，设定目标函数对应的约束条件；
[0038]
c1
[0039]
c2
[0040]
c3
[0041]
c4
[0042]
c5
[0043]
约束条件包括：
[0044]
c1确保从供应节点zi调度到每个需求节点zj的空闲服务方数量，不超过该供应节点zi的空闲服务方数量；表示时刻t区域zi的空闲服务方数量；
[0045]
c2确保从所有供应节点zi调度到需求节点zj的空闲服务方数量，不超过该需求节点zj处的剩余需求数量；表示时刻t区域zi的剩余需求服务方数量；
[0046]
c3限制了空闲服务方的调度空间；
[0047]
c4限制了从供应节点到需求节点的重新定位时间，以确保需求节点仍然是需求节点；
[0048]
c5确保服务方数大于等于0；
[0049]
步骤404，基于线性规划的求解目标函数，得到时刻t不同区域对应的服务方调度概率，按概率进行服务方的调度；
[0050]
时刻t停留在区域zi的概率h(t,zi,zi)计算公式为：
[0051][0052]
时刻t从区域zi调度到区域zj的概率h(t,zi,zj)计算公式为：
[0053][0054]
步骤405，更新服务方调度策略，直至全部时刻结束，得到最终的车辆调度策略；
[0055]
更新公式为：
[0056]
h(t,zi,zi)＝(1-α)h'(t,zi,zi) αh(t,zi,zi)；
[0057]
其中，h'(t,zi,zi)为历史服务方调度概率策略；α为超参数，作为衡量历史和现在服务方调度策略的权重。
[0058]
本发明的优点在于：
[0059]
1)一种网联车系统的调度方法，根据时域和空域的离散化，可以分解为多个局部区域的时空定价策略，采用分布式强化学习自适应地生成最优时空定价策略，缓解了求解策略的复杂度。
[0060]
2)一种网联车系统的调度方法，设计了联合时空定价和车辆调度的网络流调度模型，利用网络流方法在满足服务对象需求的前提下，尽可能高的提升服务方收入。
[0061]
3)一种网联车系统的调度方法，以最大化服务方收益为目标，通过考虑调度成本，空驶时间，时空定价以及供需平衡等多方面的约束，实现最大化服务方收益的车辆调度策略，有效的提高系统的订单响应率，服务方利润和减小了服务对象的等待时长。
附图说明
[0062]
图1是本发明一种网联车系统的调度方法的流程图；
[0063]
图2是本发明训练神经网络模型的流程图；
[0064]
图3是本发明神经网络的内部结构示意图；
[0065]
图4是本发明学习网络流调度模型的流程图；
[0066]
图5为本发明实施例提供一种网联车系统的优化装置的结构图；
[0067]
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
[0068]
下面结合实施例和说明书附图对本发明作进一步的说明。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求项要求所限定的范围。
[0069]
本发明提出了一种网联车系统的调度方法，具体包括：实时获取各区域范围内的服务方数量和服务对象数量；将所述实时信息输入至已训练神经网络中，输出每个区域的定价策略；将各区域的服务对象的数量和定价策略输入至调节函数，计算接受定价的服务对象数量，并随机选择等数量的服务方进行服务；将各区域剩余的服务方输入至已学习的网络流调度模型，输出对服务方的调度策略并执行；本发明提高了用户收益和订单服务水平
[0070]
所述一种网联车系统的调度方法，如图1所示，包括以下步骤：
[0071]
步骤一、针对当前时刻，实时获取待调度区域及相邻区域的服务方和服务对象的数量，作为供需信息；
[0072]
所述供需信息包括：当前时刻每个区域及相邻区域的服务方和服务对象的数量；
[0073]
步骤二、利用样本训练神经网络，并将供需信息输入至训练好的神经网络中，输出每个区域所有定价因子的价值估计值；并利用ε-greedy策略，为各区域选择各自的唯一定价因子；
[0074]
如图2所示，训练神经网络的步骤如下：
[0075]
首先，将各个历史时刻的供需信息，区域的定价因子以及区域价值估计值，即存储到样本池；对样本池进行有放回采样，得到经验样本，以此来打破数据间的关联；
[0076]
从样本池中获取经验样本，将各区域当前历史时刻的经验样本输入估计q网络中，输出对应区域定价因子的价值估计值；
[0077]
然后，将各区域下一历史时刻的经验样本输入目标q网络中，输出对应区域定价因子的价值目标值；
[0078]
最后，针对同一个区域的价值估计值与价值目标值，基于最小化差值为训练目标，构建损失函数，通过随机梯度下降最小化损失函数，更新估计q网络的参数；并每隔固定迭代次数，更新目标q网络；直至达到最大迭代次数，将估计q网络确定为训练完的神经网络模型；
[0079]
损失函数如下：
[0080][0081]
其中，θ是估计q网络的参数，θ-是目标q网络的参数，估计q网络和目标q网络是两个结构和初始权重都相同的神经网络，只是估计q网络每次迭代都会更新，而目标q网络是每隔一段时间才会更新。目的是为了防止过拟合，有助于防止神经网络自举的失控偏差在数值上占主导地位，从而导致估计的q值发散。如果仅使用一个神经网络，每次更新时，target也会更新，容易导致参数不收敛。
[0082]
指区域zi当前历史时刻t的供需信息，指区域zi当前历史时刻t的定价因子，γ为超参数，作为即时回报和未来价值的权重。
[0083]rti
指区域zi当前历史时刻t选择定价因子得到的回报值，计算如下：
[0084][0085]
其中是服务方能够满足服务的对象数量，是由各区域的订单距离和行程时间得到的固定价格，是区域zi当前历史时刻t对应的服务方数量；是区域zi当前历史时刻t对应的服务对象数量；pently是预设的数值。
[0086]
为了权衡接单服务方收入和未接单服务方数量，回报的目标是双重的：(1)在区域成功接单的服务方的总收益，以及(2)对闲置服务方的惩罚。
[0087]
步骤三、将各区域的服务对象数量和唯一定价因子输入至调节函数，计算各区域中接受定价的服务对象数量，随机选择等数量的服务方进行服务；
[0088]
针对区域zi，接受定价的服务对象数量的计算公式为：
[0089][0090]
其中表示区域zi的服务对象请求数，表示接受定价的服务对象数量与定价因子成负线性相关的调节函数。
[0091]
步骤四、同时，将各区域没有接受定价的剩余服务方，输入至已学习的网络流调度模型，输出对各服务方的调度策略并执行；
[0092]
所述的剩余服务方是没有服务对象的服务方；
[0093]
具体过程如下：
[0094]
步骤401，输入每个时刻各区域的供需信息计算各区域的供需差，该时刻所有区域的供需差，组成供需不平衡矩阵
[0095]
供需差计算公式为：
[0096]
步骤402，根据供需不平衡矩阵构建节点集和边集，组成时刻t对应的重调度网络流模型；重调度网络流模型表示为有向二部图
[0097]
每个区域作为一个节点，基于供需不平衡矩阵划分节点集，节点集表示为：每个区域作为一个节点，基于供需不平衡矩阵划分节点集，节点集表示为：是服务方大于服务对象的节点集，即是服务方大于服务对象的节点集，即是服务方小于服务对象的节点集，
[0098]
边集ε由从中的节点到中的节点的有向边组成，表示可行的重调度；根据和以及时空约束确定边集ε；中的节点zi到中的节点zj组成有向边的权重计算如下，
[0099][0100]
其中，权重是目的地节点zj的未来价值减去出发地节点zi的价值(区域价值)，与燃料成本的和；cost(zi,zj)是节点zi到节点zj有向边的燃料成本；是时刻t对节点zi内单个服务方的区域价值(区域定价的价值估计值/司机数量)；e(zi,zj)是从节点zi过渡到节点zj所需的时刻；是时刻t e(zi,zj)对节点zi内单个服务方的区域价值。
[0101]
步骤403，根据重调度网络流模型，生成在时刻t对应的最大化服务方的总收益的目标函数：
[0102][0103]
其中表示从供应节点zi调度到需求节点zj的空闲服务方数量；ε为所有区域的集合；
[0104]
同时，设定目标函数对应的约束条件；
[0105]
c1
[0106]
c2
[0107]
c3
[0108]
c4
[0109]
c5
[0110]
约束条件包括：
[0111]
c1确保从供应节点zi调度到每个需求节点zj的空闲服务方数量，不超过该供应节点zi的空闲服务方数量；表示时刻t区域zi的空闲服务方数量；
[0112]
c2确保从所有供应节点zi调度到需求节点zj的空闲服务方数量，不超过该需求节点zj处的剩余需求数量；表示时刻t区域zi的剩余需求服务方数量；
[0113]
c3限制了空闲服务方的调度空间；
[0114]
c4限制了从供应节点到需求节点的重新定位时间，以确保需求节点仍然是需求节点；
[0115]
c5确保服务方数大于等于0；
[0116]
步骤404，基于线性规划的求解目标函数，得到时刻t不同区域对应的服务方调度概率，按概率进行服务方的调度；
[0117]
时刻t停留在区域zi的概率h(t,zi,zi)计算公式为：
[0118][0119]
时刻t从区域zi调度到区域zj的概率h(t,zi,zj)计算公式为：
[0120][0121]
步骤405，更新服务方调度策略，直至全部时刻结束，得到最终的车辆调度策略；
[0122]
更新公式为：
[0123]
h(t,zi,zi)＝(1-α)h'(t,zi,zi) αh(t,zi,zi)；
[0124]
其中，h'(t,zi,zi)为历史服务方调度概率策略；α为超参数，作为衡量历史和现在服务方调度策略的权重。
[0125]
例如区域1中有10个服务方，分别要去的目的区域有a，b和c；对应的概率分别为0.2，0.3和0.5，则调度策略为2个去区域a，3个去区域b，5个去区域c。
[0126]
本发明提供了一种网联车系统的优化装置，包括：
[0127]
获取模块，通过v2x通信的方式获取实时区域范围内的供需信息；
[0128]
定价模块，将实时的信息输入至已训练神经网络中，输出每个区域的定价策略及其价值；
[0129]
训练模块，用于训练神经网络；
[0130]
将一个区域范围内的供需信息输入至已训练神经网络中，输出此区域的定价因子及其价值；以一定概率选择区域价值最大的定价因子，否则，选择一个随机定价因子；直到全部区域结束，输出每个区域的定价策略及其价值。
[0131]
调节模块，将各区域的服务对象的数量和定价策略输入至调节函数，计算接受定
价的服务对象数量；其中，接受定价的服务对象数量与定价因子成负线性相关；
[0132]
调度模块，将各区域剩余服务方输入至已学习的网络流调度模型，输出对服务方的调度策略并执行；
[0133]
网络流模块，用于构建时隙t对应的重调度网络流模型；具体为：首先，基于供需不平衡矩阵划分节点集平衡矩阵划分节点集是供大于需的节点集，是供小于需的节点集；然后，根据和以及时空约束确定边集ε；其中是ε从中的节点到中的节点的有向边组成，表示可行的重调度；根据燃料成本和区域价值，计算每条边的权重；最后，基于节点集，边集和边的权重，构建重定位网络流模型，表示为有向二部图
[0134]
学习模块，用于学习网络流调度模型；具体为：首先，输入每个时隙各区域供需信息和区域价值；计算每个时隙各区域供需不平衡程度(供需差)，生成供需不平衡矩阵；然后，根据供需不平衡矩阵和区域价值，构建时隙t对应的重调度网络流模型，生成在时隙t对应的最大化用户的总收益的目标函数，同时设定目标函数对应的约束条件；最后，基于线性规划的求解目标函数，得到时隙t对应的车辆调度策略；根据计算结果，更新车辆调度策略；直至全部时隙结束，得到已学习的车辆调度策略。
[0135]
存储模块，将各个历史时刻的供需信息，区域的定价以及区域价值估计值，存储到样本池；
[0136]
抽样模块，对样本池进行有放回采样，得到经验样本；
[0137]
本发明实施所述网联车系统的优化装置时，需应用以下电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；
[0138]
存储器，用于存放计算机程序；
[0139]
处理器，用于执行存储器上所存放的计算机程序时，实现上述任一网联车系统的调度方法。
[0140]
同时，还包括计算机可读存储介质，用于存储计算机程序，被处理器执行时实现上述网联车系统的调度方法。
[0141]
实施例：
[0142]
所述网联车系统的调度方法，具体为：
[0143]
步骤s11，获取区域范围内的供需信息。
[0144]
将城市划分为m个不重叠的六边形区域，即z＝{z1,...,zm}；其中每个区域的区域范围包括当前区域和相邻区域。将每天划分为个t时隙，即t＝{1,...,t}。统计在时隙t每个区域zi的服务方和服务对象的数量记为和作为供需信息；
[0145]
步骤s12，将所述供需信息输入至已训练神经网络中，输出每个区域的定价策略及其价值，具体为：
[0146]
步骤一，将一个区域范围内的供需信息输入至已训练神经网络中，输出此区域的定价因子及其价值；其中，定价因子是给定区间的离散乘数因子；
[0147]
步骤二，以一定概率选择区域价值最大的定价因子，否则，选择一个随机定价因子；
[0148]
步骤三，返回步骤一直到全部区域结束，输出每个区域的定价策略及其价值；
[0149]
神经网模型内部结构如图3所示，具体包括了估计q网络，目标q网络和样本池。在每个训练步骤中，抽取经验样本输入到估计q网络和目标q网络中，用来更新两个网络的参数。直至两个网络收敛。在实际步骤中，用估计q网络估计出相应的区域价值并确定定价因子。最后将得到的经验样本存储到样本池中。
[0150]
步骤s13，根据所计算区域的定价因子，生成接受定价的服务对象数量，计算如下；
[0151][0152]
其中表示区域zi的服务对象请求数，是定价因子，指基础价格的乘积，表示接受定价的服务对象数量与定价因子成负线性相关。
[0153]
步骤s14，将各区域剩余服务方输入至已学习的网络流调度模型，输出对服务方的调度策略并执行；
[0154]
其中，所述网络流调度模型是通过以下步骤学习得到的，如图4所示：
[0155]
步骤一，输入每个时隙各区域供需信息和区域价值；
[0156]
步骤二，根据每个时隙各区域供需不平衡程度，计算供需不平衡矩阵
[0157]
步骤三，根据供需不平衡矩阵和区域价值，构建时隙t对应的重调度网络流模型；
[0158]
基于节点集，边集和边的权重，构建重定位网络流模型，表示为有向二部图
[0159]
步骤四，根据重调度网络流模型，生成在时隙t对应的最大化用户的总收益的目标函数；
[0160]
步骤五，设定目标函数对应的约束条件；
[0161]
c1
[0162]
c2
[0163]
c3
[0164]
c4
[0165]
c5
[0166]
步骤六，基于线性规划的求解目标函数，得到时隙t对应的车辆调度策略
[0167]
步骤七，根据计算结果，更新车辆调度策略；
[0168]
h(t,zi,zi)＝(1-α)h'(t,zi,zi) αh(t,zi,zi)
[0169]
其中，h'(t,zi,zi)为历史车辆调度策略；
[0170]
步骤八，返回步骤二，直至全部时隙结束，得到已学习的车辆调度策略；
[0171]
本发明实施例提供的一种网联车系统的优化装置的第一结构示意图，如图5所示，包括如下模块：获取模块，定价模块，调节模块和调度模块；
[0172]
定价模块具体用于：将一个区域范围内的供需信息输入至已训练神经网络中，输出此区域的定价因子及其价值；其中，定价因子是范围内的乘数；以一定概率选择区域价值最大的定价因子，否则，选择一个随机定价因子；直到全部区域结束，输出每个区域的定价策略及其价值；
[0173]
可选的，优化装置还包括训练模块，学习模块，存储模块，抽样模块和网络流模块。
[0174]
本发明实施例还提供了一种电子设备，如图6所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，
[0175]
上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0176]
通信接口用于上述电子设备与其他设备之间的通信。
[0177]
存储器包括随机存取存储器(random access memory，ram)，非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0178]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，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。
[0179]
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一网联车车辆行程时间估计方法的步骤。
[0180]
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一网联车系统的调度方法。
[0181]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0182]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备
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、物品或者设备中还存在另外的相同要素。
[0183]
本说明书中的各个实施例均采用相关的方式描述，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。尤其，对于装置、电子设备、存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0184]
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。