确定资源需求的制作方法

1.本发明涉及用于确定资源需求的方法、设备和系统。本公开特定来说涉及但不仅仅涉及确定给定地点处的未来资源需求。


背景技术：

2.在运输和物流中，诸如发件人到收件人的递送，资源定位既费时且成本又高。因此，期望通过将资源(诸如递送车辆)定位在战略地点使得所述资源在正确的时间位于正确的地方来达成具有成本效益和时效性的运送。
3.能够定位所述资源是一种挑战且取决于若干个因素，包括但不限于天气条件和季节性事件。因此，期望在考虑到这些因素的同时提高确定资源的方位的效率且降低确定资源的方位的成本。


技术实现要素：

4.根据本发明的第一方面，提供一种用于确定给定地点的未来资源需求的方法，所述方法包括以下步骤：获得事务数据，所述事务数据指示给定地点处的过去的资源使用；基于一组参数通过以下操作训练至少一个模型：确定与所述事务数据相关联的分布；基于所述分布和所述一组参数生成内核，所述内核被布置成输出估计分布；基于所述分布与所述估计分布之间的比较来改进并验证所述内核；基于所述至少一个已训练模型生成密度图；以及将所述密度图发送到控制系统以确定所述给定地点的未来资源需求。此使得控制系统能够基于所述密度图指示放置资源的最高效地点。
5.优选地，确定所述分布的所述步骤包括从所述事务数据提取模式的所述步骤；以及分析来自所述事务数据的所述模式以确定所述分布。此使得所述事务数据内的模式能够用于确定所述分布且因此帮助生成更准确的密度图。
6.所述方法还可包括将所述事务数据归一化的步骤，其中确定分布的所述步骤与所述归一化的事务数据相关联。此使得能够对所述数据进行调整，并且生成考虑到特别繁忙地点的内核，使得其不会对不忙地点造成负面影响。
7.优选地，生成所述密度图的所述步骤包括确定多个已训练模型中的每一者的性能特性；以及基于所述性能特性选择所述已训练模型中的至少一者。此使得能够训练多个不同的模型，并且选择最准确模型。
8.基于所述至少一个已训练模型生成所述密度图的所述步骤可包括将多个已训练模型组合以生成复合模型，并且基于所述复合模型生成所述密度图。此使得能够生成多个模型，并且所述密度图是基于所述模型的组合，使得不同的模型可用于生成所述密度图的不同区域(举例来说)。
9.所述一组参数可包括日期、时间、公休假期和与所述多个地点相关联的天气条件中的至少一者。此确保在确定所述密度图时考虑到在给定时间周期影响特定地点的因素。
10.优选地，所述给定地点表示预限定区域，所述预限定区域可以是建筑物地址、邮递
或邮政编码、街道、城市辖区、城市、郡、州、国家中的至少一者。此使得能够针对多个不同的地点以不同的水平生成密度图，以为不同预限定区域中的每一者提供最准确密度图。
11.优选地，所述方法还包括将所述密度图输出到所述控制系统的显示器和所述控制系统的资源中的至少一者的步骤。此使得所述密度图能够由系统使用以将资源定位在所需地点处。
12.任选地，所述控制系统包括车辆。此使得能够使用所述密度图来定位所述车辆，诸如自主车辆。
13.根据本发明的第二方面，提供一种用于确定给定地点的未来资源需求的设备，所述设备用于实行根据第一方面的方法。
14.根据本发明的第三方面，提供一种控制系统，所述控制系统包括：所述第二方面的设备；以及输出装置，所述输出装置用于接收由所述设备输出的所述密度图。
15.所述系统还可包括存储器件，所述存储器件至少存储指示过去的资源使用的事务数据。此使得所述系统能够高效地存取各种事务数据和其他数据(诸如数组参数)以快速且高效地生成密度图。
16.所述系统还可包括输入接口，所述输入接口被配置成所述系统的用户能够人工调整所述密度图。
17.根据发明的第四方面，提供一种存储指令的计算机可读存储介质，所述指令在由处理器执行时使得所述处理器获得事务数据，所述事务数据指示给定地点处的过去的资源使用；基于一组参数通过以下操作训练至少一个模型：确定与所述事务数据相关联的分布；基于所述分布和所述一组参数生成内核，所述内核被布置成输出估计分布；基于所述分布与所述估计分布之间的比较来改进并验证所述内核；以及基于所述至少一个已训练模型生成密度图；以及将所述密度图发送到控制系统以确定未来资源需求。
附图说明
18.阅读对本发明的优选实施方案的以下说明，本发明的其他特征和优点将变得显而易见，所述优选实施方案是参考附图仅通过举例给出，在附图中相似的参考编号用于标示相似的特征。
19.图1是图解说明根据第一实例的方法的流程图；
20.图2是图解说明根据第二实例的方法的流程图；
21.图3示意性地示出根据第一实例的设备；
22.图4示意性地示出根据第二实例的设备；
23.图5示意性地示出由图1或图2的方法生成的密度图；
24.图6示意性地示出根据实例的系统。
具体实施方式
25.参考图阅读以下说明，根据实例的方法、设备和系统的细节将变得显而易见。在出于阐释目的的此说明中，陈述某些实例的许多具体细节。在说明书中提及
‘
实例’或类似语言意指结合所述实例描述的特征、结构或特性至少包括在所述一个实例中，但未必包括在其他实例中。还应注意，为了便于阐释和理解实例的概念，示意性地描述某些实例，其中某
些特征被省略和/或做出了必要的简化。
26.确定区域地点以可提供有成本效益和时效性的资源管理(诸如在输送寄售品时)、定位医疗用品或定位共享资源(诸如用于拼车的车辆或自主车辆)可因缺乏对特定模式的理解而受到阻碍，而所述特定模式在表示在先前时间的资源定位的数据中是显而易见的。此外，虽然特定资源的一个放置模式可在特定的时间有效，但外部因素可影响在另一时间或甚至在另一地点并不正确的所述模式所推荐的放置的可能性。
27.因此，本发明的目标是提供确定给定区域中的资源放置的最优地点的方法、设备和系统。
28.图1是图解说明根据实例的方法100的流程图。在项110处，获得事务数据。所述事务数据表示给定地点处的过去的资源使用，且在一些实例中可从存储器获得，或在其他实例中可由系统的用户输入。所述事务数据表示给定地点的先前资源使用，诸如表示在特定周期内在特定地点发送和接收寄售品的地点的数据。所述特定地点可以是给定国家、给定郡/州、城市、街道、邮递或邮政编码区域或特定建筑物地址。因此，针对特定地点，事务数据提供在所述时间周期内所述特定地点有什么样的资源需求的概览。事务数据内的给定寄售品的数据可包括输送识别符、包装尺寸、到达时间和发车时间、接收者地址信息和发送者地址信息中的任一者。将了解，事务数据内的个别事务可包括其他字段，并且可仅包括上文所列举的字段中的一些字段。
29.一旦已获得事务数据，方法100进行到项120，所述项120用于训练模型以确定密度图。训练所述模型以生成用于图解说明给定地点的未来资源需求的密度图。训练所述模型包括在项121处确定与所述事务数据相关联的分布。所述分布指示由事务数据覆盖的区域内的特定地点的资源需求。举例来说，在事务数据包括给定城市的资源需求(诸如，发送和接收的寄售品)的数据时，所述分布可提供关于在给定周期内所述城市内的特定街道、建筑物或城镇的资源密度的指示。
30.确定分布121可包括例如在事务数据涵盖特定时间周期(诸如，一个月)时从所述事务数据提取模式，接着提取模式可包括确定例如每周二资源使用存在一个高峰。将了解，此仅是所述模式的实例，并且可提取任何其他数目个模式，并且所述事务数据可涵盖更长或更短的时间周期。为了确定分布，可分析从事务数据提取的模式，并且确定分布。接着，可分析所提取的模式以确定分布。在一些实例中，可将事务数据归一化，此确保事务数据内的地点之间的差异相对于彼此被调整。将了解，归一化可发生在训练模型项120内或另一选择为可发生在训练模型120之前，诸如当将训练多个模型时，将在下文参照图2描述。举例来说，如果地点a具有高数目个事务，则可依照高事务阈值将与地点a相关联的数据归一化，而如果地点b具有较低数目个事务，则可依照较低事务阈值将与地点b相关联的数据归一化。此能够对数据进行调整，并且生成将特别繁忙的地点考虑在内的内核。在递送寄售品的实例中，在特定物流公司具有中枢时，列示中枢的地点的数据内将含有大数目个事务，此可对内核生成过程造成负面影响，并且因此将从事务数据生成的分布归一化可解释此异常地点。
31.在项122处，所述分布用于生成输出估计分布的内核。所述内核是用于分类器(诸如支持向量机)中的机器学习内核，且所述内核用于确定两组数据(例如，事务数据或事务数据内的模式与将生成的估计分布)之间的类似性，所述估计分布用于生成表示未来资源
需求的密度图。内核的生成不仅基于事务数据的分布，而且基于一组一个或多个参数。
32.所述一个或多个参数表示可使得从事务数据生成的分布被更改的信息，举例来说，如果事务数据表示特定时间周期(诸如，一年中的easter周期)，则在下一年easter周期可能并不在同一周期内，并且因此如果未来资源需求是基于表示前一年的easter周期的数据，则在所述周期内的资源需求可低于预期。因此，所述一组参数可包括日期和时间信息、公休假期信息并且甚至包括季节信息，诸如特定一天的天气预报。在一些实例中，所述一组参数可包括历史给定地点的表示在不同时间周期内的资源使用的密度图。将了解，若干个其他参数可用于确保分布更准确地反映出将确定未来资源需求的周期。此外，这些参数可基于给定地点而变化，举例来说，美国公休假期的设定不同于英国公休假期的设定，并且在跨边境运输资源时，将必须考虑例如两个地点的天气和两者地点的公休假期。
33.在生成内核之后，在项123处，对内核进行改进。即，调整与内核相关联的加权因素，使得内核的输出(估计分布)更准确地表示在项121处确定的分布。此通过对估计分布与在项121处确定的分布进行比较来达成。在一些实例中，对内核进行改进可包括如果不同类型的内核更准确地反映出与事务数据相关联的分布的实际梯度，则选择所述不同类型的内核，诸如选择高斯内核、top hat内核或epanechnikov内核中的任一者。
34.为了确定内核的准确性，在项124处对内核的输出进行验证。内核的验证可包括使用表示事务数据(例如前一年的类似周期)的测试数据从内核生成输出，以确定内核的输出是否基本上类似于依据事务数据确定的分布。将了解，可使用验证内核的输出的其他方法。如果内核的输出基本上类似于在项121处基于事务数据生成的分布，则所述方法进行到项125，在项125处生成表示预期未来资源使用的密度图。如果内核的输出并不基本上类似，则所述方法返回到项123，在所述项123处对内核加以进一步改进，并且在项124处再次验证已改进内核的输出。接着，循环进行项123和124直至内核得到验证且其输出基本上类似于预期分布为止。
35.如上文所述，在项125处，生成密度图。密度图表示在给定未来时间将需要资源的区域。密度图也例如以热图的形式提供所需资源数目的指示，其中资源需求较大的区域以较高的密度示出并且资源需求较低的区域以较低密度示出，此将在下文参考图5加以阐释。
36.在生成密度图之后，将所述密度图发送到控制系统。所述控制系统可包括用于接收密度图的显示器或其他资源。举例来说，显示器可用于向系统的用户示出密度图，使得其可据此布置将被分配的资源，另外和/或另一选择为，可将密度图发送到控制系统的另一资源，诸如存储器和/或车辆本身，诸如递送卡车。在其中车辆是自主车辆的一些实例中，所述密度图可使得车辆能够基于所述密度图设定出的资源需求在未来时间导航到所需地点。
37.图2是图解说明根据第二实例的方法200的流程图。方法200包括上文参照图1所述的实例的若干个步骤110、120、130。此外，训练模型项120也包括相同的步骤121、122、123，124、但生成密度图的步骤125除外。在于项120处训练第一模型之后，存储所述模型并且方法200进行到项210。在项210处，确定是否应生成一个以上训练模型。举例来说，第二训练方法可基于不同类型的内核和/或基于一组不同的参数。如果确定应训练其他模型，则方法200返回到项120，在项120处训练其他模型。
38.反之，如果确定不需要其他模型，则方法200进行到项220，在项220将所述模型进行组合。在项210处，将具有不同参数和/或内核类型的所述多个模型进行组合以产生具有
高的准确性程度并将误差最小化的单个整合模型/复合模型。此可通过在模型中的每一者中单独地或以任何数目个组合使用多数投票技术来达成。
39.于在项220处将模型组合而生成整合模型之后，所述方法200进行到项230，在项230处从整合模型生成密度图。接着，在项130处将此密度图发送到控制系统。
40.在其他实例中，可按照上文参照图2所述地训练多个模型，并且可依照测试数据或经由另一适合的方法来测试每一模型以确定性能特性。所述性能特性可指示每一模型的准确性和/或效率。基于所述性能特性，可在已训练模型中选择性能特性最高的一个。因此，选定模型将提供表示高度准确的未来资源需求的预报的最强结果，而无需组合多个模型，从而将所需的处理最小化并且减低存储多个模型的需求。
41.图3示意性地示出根据实例的设备300。设备300被布置成实行上文参照图1和图2所述的方法100、200。设备300包括至少一个处理器310以实行所述方法，在方法200需要训练多个模型的一些实例中，所述设备可包括多个处理器310，此将在下文参照图4加以描述。
42.处理器310可以是中央处理单元(cpu)、神经网络加速度计或神经处理单元(npu)、图像信号处理器(isp)或图形处理单元(gpu)。将了解，处理器310可以是被布置成执行上文参照图1和图2所述的方法100、200的任何类型的处理器。
43.设备300被布置成接收呈事务数据形式的输入数据320。所述事务数据表示给定地点处的过去的资源使用，且在一些实例中可从存储器获得，或在其他实例中可由系统的用户输入。所述事务数据表示给定地点的先前资源使用，诸如表示在特定周期内在特定地点发送和接收寄售品的地点的数据。所述特定地点可以是给定国家、给定郡/州、城市、街道、邮递或邮政编码区域或特定建筑物地址。因此，针对特定地点，事务数据提供在所述时间周期内所述特定地点有什么样的资源需求的概览。事务数据内的给定寄售品的数据可包括输送识别符、包装尺寸、到达时间和发车时间、接收者地址信息和发送者地址信息中的任一者。将了解，事务数据内的个别事务可包括其他字段，并且可仅包括上文所列举的字段中的一些字段。
44.将输入数据320提供到处理器310的输入模组330，所述输入模组330可被布置成将输入数据缓冲或暂时存储在处理器内部存储器中。处理器内部存储器可以是易失性存储器或
‘
芯片上’存储器，诸如同步动态随机存取存储器(sdram)或双倍数据速率同步动态随机存取存储器(ddr-sdram)。
45.处理器310也包括训练模组340，所述训练模组340训练至少一个模型以生成表示给定地点的资源需求的密度图。训练模组340本身包括多个模组341、342、343、344。首先将输入数据320传递到确定模组341以确定与所述输入数据320相关联的分布。确定模组341可从事务数据提取模式，例如涵盖特定时间周期的模式。接着，可分析所提取的模式以确定分布。
46.训练模组340还包括内核生成模组342以生成用于输出估计分布的内核。所述内核是用于分类器(诸如支持向量机)中的机器学习内核，并且所述内核用于确定两组数据(例如，事务数据或事务数据内的模式与将被生成的表示未来资源需求的密度图)之间的类似性。内核的生成不仅基于事务数据的分布，而且基于一组一个或多个参数350，在一些实例中所述一个或多个参数350可从外部存储器获得，此将在下文参考图6加以描述。
47.所述一个或多个参数350表示可使得从事务数据生成的分布被更改的信息，举例
来说，如果事务数据表示特定时间周期(诸如，一年中的easter周期内)，则在下一年所述easter周期可能并不在同一周期内，并且因此如果未来资源需求是基于表示前一年的easter周期的数据，则所述周期内的资源需求可低于预期。因此，所述一组参数350可包括日期和时间信息、公休假期信息并且甚至包括季节信息，诸如特定一天的天气预报。在一些实例中，所述一组参数可包括给定地点的表示在不同时间周期内的资源使用的历史密度图。将了解，若干个其他参数可用于确保分布更准确地反映出将确定未来资源需求的周期。此外，这些参数可基于给定地点而变化，举例来说，美国公休假期的设定不同于英国公休假期的设定，并且在跨边境运输资源时，将必须考虑例如两个地点的天气和两者地点的公休假期。
48.训练模组340也包括改进模组343以改进由内核生成模组342生成的内核。改进模组343可被布置成调整与所述内核相关联的加权因素，使得所述内核的输出(估计分布)更准确地表示由确定模组341确定的分布。此通过对估计分布与由确定模组341确定的分布进行比较来达成。在一些实例中，对内核进行改进可包括如果不同类型的内核更准确地反应出与输入数据320相关联的分布的实际梯度，则选择所述不同类型的内核，诸如选择高斯内核、top hat内核或epanechnikov内核中的任一者。
49.为了确定任何给定内核的准确性，训练模组340还包括验证模组344。验证模组344可包括使用表示输入数据320(例如前一年中的类似周期)的测试数据从内核生成输出以确定所述内核的输出是否基本上类似于由分布模组341确定的分布。将了解，可使用验证内核的输出的其他方法。如果内核的输出基本上类似于由分布模组341生成的分布，则处理器310使用已训练模型使用生成模组360来生成密度图。如果内核的输出并不基本上类似，则可使用改进模组343进一步改进内核，接着使用验证模组34再次验证所述内核。此过程可重复进行直至所述内核得到验证且其输出基本上类似于预期分布为止。
50.由生成模组360生成的密度图表示在给定未来时间将需要资源的区域。密度图也例如以热图的形式提供所需资源数目的指示，其中资源需求较大的区域以较高的密度示出并且资源需求较低的区域以较低密度示出，此将在下文参考图5加以阐释。
51.在生成模组360生成密度图之后，将所述密度图发送370到控制系统(未示出)。所述控制系统可包括用于接收密度图的显示器或其他资源。举例来说，显示器可用于向系统的用户示出密度图，使得用户可据此布置资源以供分配。另外和/或另一选择为，可将密度图发送到控制系统的另一资源，诸如存储器和/或车辆本身，诸如递送车辆或拼车车辆。在其中车辆是自主车辆的一些实例中，密度图可使得所述车辆能够在未来时间基于所述密度图中设定出的资源需求导航到所需地点。
52.图4示意性地示出根据第二实例的设备400。设备400被布置成接收呈事务数据形式的输入数据320。所述事务数据表示给定地点处的过去的资源使用，且在一些实例中可从存储器获得，或在其他实例中可由系统的用户输入。在此实例中，可通过归一化模组410将输入数据320归一化。此确保事务数据内的地点之间的差异相对于彼此被调整。举例来说，如果地点a具有高数目个事务，则可依照高事务阈值将与地点a相关联的数据归一化，而如果地点b具有较低数目个事务，则可依照较低事务阈值将与地点b相关联的数据归一化。此能够对数据进行调整，并且生成将特别繁忙的地点考虑在内的内核。在递送寄售品的实例中，在特定快递公司具有中枢时，列示所述中枢的地点的数据内将含有大数目个事务，此可
对内核生成过程造成负面影响，并且因此将从事务数据生成的分布归一化可解释此异常地点。
53.设备400也可包括多个处理器310a、310b、310c，诸如上文参照图4所述的处理器310。所述多个处理器310a、310b、310c中的每一者可被布置成训练不同的模型(例如基于不同内核的模型)，或另一选择为其可被布置成使用数组不同的参数来训练模型。处理器310a、310b、310c中的每一者输出不同的已训练模型，接着由优化模组420将所述不同的已训练模型组合，优化模组420被布置成基于由处理器310a、310b、310c输出的所述多个已训练模型生成密度图。
54.优化模组420可被布置成生成指示每一模型的准确性和/或效率的性能特性。基于性能特性，可选择具有最高性能特性的已训练模型。因此，选定模型将提供最强结果从而输出高度准确的未来资源需求的预报，而无需组合多个模型，从而将所需的处理最小化。接着，可使用选定模型来生成密度图，将所述密度图输出320到控制系统(未示出)。
55.另一选择为，可使用优化模组420组合所述多个已训练模型以产生具有高的准确性程度并将误差最小化的单个整合模型/复合模型。此可通过在模型中的每一者中单独地或以任何数目个组合使用多数投票技术来达成。接着，可使用所述整合模型来生成密度图，将所述密度图输出320到控制系统(未示出)。
56.图5示意性地示出由上文参照图1或图2所述的方法100、200生成的密度图500。密度图500以热图的形式表示区域510并且所述区域510内的地点的资源需求520、530。将了解，密度图500可以适合于指示相对资源需求的其他方式表示给定区域510的资源需求。
57.在图5中，密度图500示出英国510和一个或多个已训练模型已指示需要特定资源的区域。在一些实例中，所述地点中的每一者可基于不同的事务数据和/或已训练模型，使得使用上文在图1和图2中所述的方法100、200来生成每一地点的多个个别密度图。可将这些个别密度图组合以产生涵盖多个地点的复合密度图500。
58.基于所需资源的密度在密度图500上示出每一地点520、530。资源密度由在方法100、200中训练的模型确定，并且提供资源需求大的区域和资源需求较少的区域的指示。此可通过在图5中所示的密度图上描绘的区域示出，或另一选择为可使用不同的颜色示出，其中颜色从一种融合到另一种以指示资源需求的改变。
59.举例来说，具有大资源需求的区域520a、530a可在图上以粗线勾勒(在图5的密度图500中示出)或以特定颜色的线勾勒。另一选择为，所述区域可覆盖有指示高资源需求的颜色。将了解，可使用指示密度的这些不同方式的组合，也可使用指示资源需求的其他方式。类似地，资源需求520b、530b较少的区域可通过较细的线、不同颜色的线或通过覆盖上指示较低资源需求的颜色来指示。为了用户的理解，可在图例或符号说明中详述所使用的不同指示。
60.在一些实例中，可期望用户操控或更改密度图500以获得特定地点的更详细视图。在所述实例中，可将密度图500作为用户界面的一部分提供到包括变焦特征540的计算机程序。用户界面可提供使得用户能够在密度图上导航以观看特别关注区域的其他控制(诸如平移控制)。
61.当用户放大和缩小密度图500时，可更新密度图500以提供关注区域的更详细视图(诸如郡/州水平、城市水平或甚至街道水平)。在一些实例中，在密度图500包括所述信息
时，可将密度图500直接提供给用户，在其他实例中，将了解可需要基于新地点的事务数据、数组新参数和/或不同的模型或内核来生成其他密度图。
62.图6示意性地示出根据实例的系统600。所述系统可形成用于将资源分配到给定地点的计算机终端的一部分，并且在一些实例中，可形成能够审阅密度图内的信息并导航到所需地点的车辆的一部分。系统600包括输入装置610、设备300、400(诸如，上文参照图3和图4所述的设备)以及输出装置620。所述输出装置可以是用于向用户呈现密度图的显示器，或如上文所述可以是自主地或在驾驶员输入的帮助下分析密度图并确定车辆导航到的地点的车辆导航系统。
63.输入装置610可以是用户交互装置，诸如鼠标、键盘或与显示器或其他输出装置相关联的触摸屏元件，所述用户交互装置可由用户使用以输入事务数据、所述一组参数或甚至调整由设备300、400生成的密度图。
64.在一些实例中，系统600可包括外部存储器件630以用于存储密度图、给定地点和时间周期的先前密度图以及数组参数，诸如与公休假期相关的信息。经由存储器控制器640存取存储器件630。存储器件630也可被布置成存储由系统600使用的其他信息，诸如用于确定密度图和/或将用户界面提供给用户以观看或编辑密度图的计算机程序。
65.存储器控制器640可包括动态存储器控制器(dmc)。存储器控制器640耦合到存储器件630。存储器控制器640被配置成管理往来于存储器件630的数据流。存储器件630可包括主存储器(main memory)，或者被称为
‘
主要存储器(primary memory)’。由于存储器件630在系统600外部，因此存储器件630可以是外部存储器件。举例来说，存储器件630可包括
‘
芯片外’存储器。存储器件630可具有比设备300、400的存储器高速缓冲存储器大的存储容量。在一些实例中，存储器件630包括在系统600中。举例来说，存储器件630可包括
‘
芯片上’存储器。举例来说，存储器件630可包括磁盘或光盘以及磁盘驱动器或固态驱动器(ssd)。在一些实例中，存储器件630包括同步动态随机存取存储器(sdram)。举例来说，存储器件630可包括双倍数据速率同步动态随机存取存储器(ddr-sdram)。
66.输入装置610、设备300、400、输出装置620和存储器控制器640中的一者或多者可例如使用系统总线650互连。此允许在各种组件之间传送数据。系统总线650可以是或包括任何适合的接口或总线
67.以上实施方案应被理解为本发明的图解说明性实例。设想本发明的其他实施方案。应理解，参照任一个实施方案所述的任何特征可单独使用，或与所述的其他特征组合，并且也可与所述实施方案的任何其他的实施方案或所述实施方案的任何其他实施方案的任何组合的一个或多个特征组合使用。此外，也可采用上文未描述的等效形式和修改，而此并不背离本发明的范围，本发明的范围在随附权利要求书中限定。