基于决策树的高速公路交通安全风险实时预测方法与流程

1.本发明涉及公路交通安全技术领域，具体地涉及基于决策树的高速公路交通安全风险实时预测方法。


背景技术：

2.现有技术方案从一定程度上对交通安全风险进行了预测。具体来说：
3.名称为“一种基于lstm和bf的高速公路风险预测方法”，申请公布号为cn 113744526 a的中国专利申请(以下简称文献[1])，提出了一种基于lstm和bf的高速公路风险预测方法，该方法提取历史事故中的道路线型、天气类型等特征，结合实时的过车流量，对未来时刻的道路安全风险进行预测；名称为“一种基于高速公路桥面气象结冰预测的交通运行风险防控方法”，申请公布号为cn 113706899 a的中国专利申请(以下简称文献[2])提出了一种基于高速公路桥面气象结冰预测的交通运行风险防控方法，该方法基于历史交通事故和车辆动能场理论，评估高速公路桥面环境影响因子和车辆影响因子，构建桥面交通运行风险量化模型；名称为“一种高速公路交织区交通安全状态预测方法”，申请公布号cn 112990545 a为的中国专利申请(以下简称文献[3])提出了一种高速公路交织区交通安全状态预测方法，该方法基于卷积神经网络算法，结合聚类算法得到10种安全风险状态，将每条车道的交通流量、车道占有率和车辆速度作为卷积神经网络的输入构建模型，得到安全风险状态预测值；
[0004]
在上述技术方案的基础上，又有另三份现有技术，均是对交通事故风险进行预测，其中：名称为“一种基于随机森林的道路交通事故风险因素分析方法”，申请公布号为cn 110276370 a的中国专利申请(以下简称文献[4])提出了一种基于随机森林的道路交通事故严重程度预测模型，该模型利用gini指数法进行变量重要性度量，对相关风险因素进行重要性排序，识别出对事故严重程度有显著影响的因素，进行道路交通事故风险预测；名称为“一种高速公路交通事故风险评估系统”，申请公布号为cn 109636125 a的中国专利申请(以下简称文献[5])提出了一种高速公路交通事故风险评估系统，该系统利用支持向量机算法，输入交通事故影响因素，包括环境因素、道路因素，预测道路交通事故起数；名称为“一种高速公路交织区交通事故预测方法”，申请公布号为cn 112990544 a的中国专利申请(以下简称文献[6])提出了一种高速公路交织区交通事故预测方法，该方法通过分析道路几何设计和交通流变量对事故风险的影响机理，建立logistic分层模型，对高速路交通事故风险进行预测。
[0005]
现有技术的缺陷如下：
[0006]
文献[1]、文献[2]、文献[3]、文献[6]对于致险因素的分析不够全面，仅通过分析道路车流量、道路线性、环境和车速，预测某路段的交通安全风险；文献[4]分析了人-车-路-环风险因素对交通事故风险的影响，但其采用的gini指数方法构建的是二叉树，仅能解决二分类问题，且无法支持致险因素超过两个以上的取值，对于致险因素的选取和风险等级的划分均存在一定的局限性，相较而言；文献[5]虽然通过预测道路交通事故起数，对交
通安全风险进行了量化，但无法通过预测结果挖掘影响安全风险的具体因素。


技术实现要素：

[0007]
本发明针对上述问题，提供基于决策树的高速公路交通安全风险实时预测方法，其目的在于能够预测高速公路上每一条实时过车的交通安全风险等级；不受致险因素取值个数和风险等级划分的限制；不仅能快速得到每条过车的安全风险等级，同时也能得到各个关键致险因素对不同安全风险等级的贡献度，越靠近预测模型根节点的致险因素，对于安全风险等级结果划分的贡献度越大；具有较好的可解释性，而通过训练好的模型，能够很容易找到各致险因素对交通安全风险等级的影响程度，有利于帮助后续进行更好的安全风险防控；帮助相关部门有的放矢地进行交通安全管控，进一步使得本发明具有较好的应用前景，不仅可以应用到同行业其他业务系统，也可以推广到其他行业，具有较好的实践意义。
[0008]
为解决上述问题，本发明提供的技术方案为：
[0009]
基于决策树的高速公路交通安全风险实时预测方法，包含以下步骤：
[0010]
s100.对历史交通事故数据进行数据预处理，得到样本数据；每条所述历史交通事故数据包含对应的关键致险因素；所述样本数据中包含每条所述历史交通事故数据中所对应的所述关键致险因素和对应的交通事故类型；所述交通事故类型由人工预设；
[0011]
s200.利用所述样本数据，构建风险等级预测模型；
[0012]
s300.实时采集过车数据；然后从每条所述过车数据中提取该过车数据对应的所述关键致险因素；再将每条所述关键致险因素作为所述风险等级预测模型的输入，得到实时的每条所述过车数据所对应的安全风险等级；每条所述过车数据所对应的所述安全风险等级即为本发明的最终输出结果。
[0013]
优选地，s100中对历史交通事故数据进行数据预处理操作，得到样本数据，具体包含以下步骤：
[0014]
s110.根据所述历史交通事故数据，分析得到致险因素；所述致险因素包含静态因素和动态因素；所述静态因素包含驾驶人年龄、驾龄、车龄、道路线型；所述动态因素包含事故案件描述、驾驶行为、车辆速度、道路流量、天气类型、气温；
[0015]
然后将得到的所有分析得到的所述致险因素汇总整理，得到致险因素清单；
[0016]
s120.逐条计算所述致险因素清单中的每条所述致险因素与和交通事故的chi值；然后将chi值高于查表所得临界值的所述致险因素保留作为关键致险因素；
[0017]
s130.将每条所述历史交通事故数据与所述关键致险因素进行模式匹配，得到样本属性；然后将所述历史交通事故数据中的所述交通事故类型映射为交通安全风险等级；所述交通安全风险等级为样本分类的结果，包含低风险、中风险、高风险、极高风险；然后将全部的所述关键致险因素、每条所述关键致险因素所对应的所述交通安全风险等级、所述关键致险因素与所述交通安全风险等级的对应关系打包，得到所述样本数据。
[0018]
优选地，s120采用卡方检验法获得所述关键致险因素，具体包含以下步骤：
[0019]
s121.将所述致险因素设为自变量，按下式表达：
[0020]
xi{x1,x2,x3,...,xj,...,xn}
[0021]
其中：xi为第i个所述致险因素；xj为所述致险因素xi的第j个取值；n表示致险因素
取值的个数。
[0022]
然后将是否发生交通事故作为因变量，按下式表达：
[0023]
y{y1，y2}
[0024]
其中：y1为发生交通事故；y2为未发生交通事故；
[0025]
s122.统计实际值；所述实际值包含所述致险因素xi在不同取值下，发生交通事故的频次、不发生交通事故的频次以及事故率；
[0026]
s123.根据统计的实际值建立假设检验；
[0027]
s124.按照所述假设检验，进行理论值计算；
[0028]
s125.计算用于衡量所述实际值与所述理论值的差异程度的所述chi值，按下式表达：
[0029][0030]
其中：a为s122中的所述实际值；t为s124中的所述理论值；
[0031]
s126.计算自由度，按下式表达：
[0032]
v＝(h-1)
×
(k-1)；
[0033]
s127.将所述chi值与查找卡方分布的临界值表所对应的临界值进行比较，并根据比较结果做出如下操作：
[0034]
如果所述chi值小于临界值，则判定所述假设检验成立，不将对应的所述致险因素保留作为所述关键致险因素；
[0035]
如果所述chi值大于临界值，则判定所述假设检验不成立，然后将对应的所述致险因素保留作为所述关键致险因素；
[0036]
s128.将所有所述关键致险因素打包成为关键致险因素清单，作为s120的最终输出。
[0037]
优选地，s200中利用所述样本数据，构建风险等级预测模型，具体包含以下步骤：
[0038]
s210.获取所述样本数据；
[0039]
s220.计算所述样本数据中的所述交通安全风险等级的类别信息熵；
[0040]
s230.计算所述样本数据中的每个所述致险因素的属性信息熵；
[0041]
s240.计算所述样本数据中的每个所述致险因素的信息增益：
[0042]
s250.根据所述信息增益，计算信息增益率。
[0043]
s260.选择所述样本数据中的所述信息增益率最大的所述致险因素，作为决策树的根节点；然后按照该所述致险因素的不同取值进行分枝；
[0044]
s270.计算分枝的所述类别信息熵；然后将所述类别信息熵为0的分枝作为叶子节点，将所述类别信息熵不为0的分枝则再次执行s220～s250的步骤，再次计算分枝中所述样本数据中的所述信息增益率；然后选择所述信息增益率大的所述致险因素继续进行分枝，直到所有分枝都成为叶子节点。
[0045]
优选地，所述样本数据中的所述关键致险因素清单按下式表达：
[0046]
a{a1,a2,a3,...,ai,...,ak}
[0047]
其中：ai为第i个所述致险因素；k为所述关键致险因素的个数。
[0048]
优选地，所述样本数据中的所述安全风险等级按下式表达：
[0049]
c{c1,c2,c3,c4}
[0050]
其中：c1表示低风险；c2表示中风险；c3表示高风险；c4表示极高风险。
[0051]
优选地，所述类别信息熵按下式表达：
[0052][0053]
其中，p
ci
为所述样本数据中第i个交通安全风险等级类别出现的概率。
[0054]
优选地，所述属性信息熵按下式表达：
[0055][0056]
其中：p(x)为所述样本数据中所述致险因素ai取值为x的概率；h(c|ai＝x)为所述致险因素的一个具体取值的条件熵，按下式表达：
[0057][0058]
其中：p(ci|ai＝x)为所述致险因素的取值为x时，所述样本数据中所述安全风险等级为ci的概率。
[0059]
优选地，所述信息增益按下式表达：
[0060]
g(ai,c)＝h(c)-h(c|ai)
[0061]
其中：h(c)为所述类别信息熵；h(c|ai)为每个所述致险因素的所述属性信息熵。
[0062]
优选地，所述信息增益率按下式表达：
[0063][0064]
其中，g(ai,c)为所述致险因素ai的所述信息增益；h(ai)为所述致险因素ai的惩罚项，按下式表达：
[0065][0066]
其中，所述致险因素ai的惩罚项为特征的固有值。
[0067]
本发明与现有技术对比，具有以下优点：
[0068]
1.由于本发明较全面地评估了人-车-路-环对交通安全风险的影响，从而能够预测高速公路上每一条实时过车的交通安全风险等级；
[0069]
2.由于本发明采用的c4.5算法，基于信息增益率构建决策树，支持分裂2个以上子节点，从而可以不受致险因素取值个数和风险等级划分的限制；
[0070]
3.由于本发明能够实时地预测高速公路的交通安全风险等级，选择信息增益率作为决策树的分裂条件，从而不仅能快速得到每条过车的安全风险等级，同时也能得到各个关键致险因素对不同安全风险等级的贡献度，越靠近预测模型根节点的致险因素，对于安全风险等级结果划分的贡献度越大；
[0071]
4.由于本发明引入决策树算法对交通安全风险等级进行预测，从而具有较好的可解释性，而通过训练好的模型，能够很容易找到各致险因素对交通安全风险等级的影响程度，有利于帮助后续进行更好的安全风险防控；
[0072]
5.由于本发明对交通安全风险事件分而治之，从而可以帮助相关部门有的放矢地进行交通安全管控，进一步使得本发明具有较好的应用前景，不仅可以应用到同行业其他业务系统，也可以推广到其他行业，具有较好的实践意义。
附图说明
[0073]
图1为本发明具体实施例的交通安全风险等级预测流程示意图；
[0074]
图2为本发明具体实施例的训练阶段部分样本数据示意图；
[0075]
图3为本发明具体实施例的训练阶段生成的决策树示意图。
具体实施方式
[0076]
下面结合具体实施例，进一步阐明本发明，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所限定的范围。
[0077]
如图1所示，基于决策树的高速公路交通安全风险实时预测方法，包含以下步骤：
[0078]
s100.对历史交通事故数据进行数据预处理，得到样本数据；每条历史交通事故数据包含对应的关键致险因素；样本数据中包含每条历史交通事故数据中所对应的关键致险因素和对应的交通事故类型；交通事故类型由人工预设。
[0079]
本具体实施例中，交通事故类型依据文献《生产安全事故报告和调查处理条例》(中华人民共和国国务院令第493号)；标准号：zdgc 1688，将交通事故类型根据人员伤亡和财产损失程度，划分为轻微事故、一般事故、重大事故、特大事故(交通事故类型)四类。
[0080]
本具体实施例中，对历史交通事故数据进行数据预处理操作，得到样本数据，具体包含以下步骤：
[0081]
s110.根据历史交通事故数据，围绕人-车-路-环提取致险因素，作为交通安全风险等级的研判依据，分析得到致险因素；致险因素包含静态因素和动态因素；静态因素包含驾驶人年龄、驾龄、车龄、道路线型；动态因素包含事故案件描述、驾驶行为、车辆速度、道路流量、天气类型、气温。
[0082]
本具体实施例中，按照静态因素和动态因素分别对人-车-路-环进行致险因素划分，静态因素短期内基本不会发生变化，如驾驶人年龄、驾龄、车龄、道路线型，动态因素会实时地变化，如驾驶行为、车辆速度、道路流量、天气、气温。
[0083]
然后，如表1所示，依据相关行业标准和规范，整理得到致险因素清单：
[0084]
表1.致险因素清单
[0085]
[0086][0087]
然后将得到的所有分析得到的致险因素汇总整理，得到致险因素清单。
[0088]
s120.逐条计算致险因素清单中的每条致险因素与和交通事故的chi值；然后将chi值高于查表所得临界值的致险因素保留作为关键致险因素。
[0089]
需要说明的是，这一步骤的作用在于达到特征降维的目的，防止后续在模型训练中出现过拟合。
[0090]
需要说明的是，s110中得到的致险因素较多，且对交通事故的影响程度未知，需要分析致险因素和交通事故的关联性，取关联性较高的作为关键致险因素，达到特征降维的目的。
[0091]
本具体实施例中，s120采用卡方检验法，通过对每个致险因素与交通事故的关联性分析，进行关键致险因素的选择，获得关键致险因素，最终生成关键致险因素清单，具体包含以下步骤：
[0092]
s121.将致险因素设为自变量，按式(1)表达：
[0093]
xi{x1,x2,x3,...,xj,...,xn}
ꢀꢀꢀ
(1)
[0094]
其中：xi为第i个致险因素；xj为致险因素xi的第j个取值；n表示致险因素取值的个数。
[0095]
然后将是否发生交通事故作为因变量，按式(2)表达：
[0096]
y{y1，y2}
ꢀꢀꢀ
(2)
[0097]
其中：y1为发生交通事故；y2为未发生交通事故。
[0098]
s122.统计实际值；实际值包含致险因素xi在不同取值下，发生交通事故的频次、
不发生交通事故的频次以及事故率。
[0099]
本具体实施例中，为了进一步方便大家理解，采用了若干具体的数值来说明技术方案；此处，本具体实施例中的n＝2，于是可得表2：
[0100]
表2.统计致险因素xi不同取值下，交通事故频次表
[0101][0102]
其中，xi取值为x1，对应的事故率表示为r1；xi取值为x2，对应的事故率表示为r2。
[0103]
s123根据统计的实际值建立假设检验.。
[0104]
本具体实施例中，假设检验按以下逻辑进行：
[0105]
如果，h0:r1＝r2＝r，则xi的取值对y没有影响，即致险因素xi对是否发生交通事故没有影响。
[0106]
如果，h1:r1≠r2，则xi的取值对y有影响，即致险因素xi对是否发生交通事故有影响。
[0107]
需要说明的是，建立假设检验的本质是根据统计的实际值中，所述致险因素xi不同取值下的事故率建立假设检验。
[0108]
s124.按照假设检验h0，进行理论值计算，如表3所示：
[0109]
表3.理论值对照表
[0110] y1y2x1a
×
rb
×
(1-r)x2c
×
rd
×
(1-r)
[0111]
s125.计算用于衡量实际值与理论值的差异程度的chi值，若差异值小于某阈值，则支持假设检验，若差异值大于某阈值，则驳回假设检验；按式(3)表达：
[0112][0113]
其中：a为s122中的实际值；t为s124中的理论值。
[0114]
需要说明的是，这里除以t是为了避免不同观察值与不同期望之间产生的偏差因t的不同而差别太大。
[0115]
本具体实施例中，就可以计算假设检验h0的chi值，按式(4)表达：
[0116][0117]
s126.计算自由度；在卡方检验中，若列联表为h行k列，则自由度按式(5)表达：
[0118]
v＝(h-1)
×
(k-1)
ꢀꢀꢀ
(5)
[0119]
本具体实施例中，上述致险因素xi对是否发生交通事故y影响的卡方检验的自由度按式(6)表达：
[0120]
v＝(2-1)
×
(2-1)
ꢀꢀꢀ
(6)
[0121]
s127.将chi值与查找卡方分布的临界值表所对应的临界值进行比较，并根据比较结果做出如下操作：
[0122]
如果chi值小于临界值，则判定假设检验成立，不将对应的致险因素保留作为关键致险因素。
[0123]
如果chi值大于临界值，则判定假设检验不成立，然后将对应的致险因素保留作为关键致险因素。
[0124]
本具体实施例中，通过对照卡方分布的临界值表判断假设检验h0是否成立。取自由度为1，显著性水平为0.05对应的临界值3.84，若chi(ai,y)的值小于3.84，则认为假设检验h0成立，即致险因素xi与是否发生交通事故(95％的概率)无关，反之，假设检验h0不成立，致险因素xi与是否发生交通事故(95％的概率)相关。
[0125]
通过以上卡方检验的方法，对致险因素进行选择，从致险因素清单中选取与是否发生交通事故有较大概率相关性的致险因素作为关键致险因素。
[0126]
如表4所示，为一个典型的关键致险因素清单：
[0127]
表4.关键致险因素清单
[0128][0129]
s128.将所有关键致险因素打包成为关键致险因素清单，作为s120的最终输出。
[0130]
s130.将每条历史交通事故数据与关键致险因素进行模式匹配，得到样本属性；然后将历史交通事故数据中的交通事故类型映射为交通安全风险等级；交通安全风险等级为样本分类的结果，包含低风险、中风险、高风险、极高风险；然后将全部的关键致险因素、每条关键致险因素所对应的交通安全风险等级、关键致险因素与交通安全风险等级的对应关系打包，得到样本数据。
[0131]
需要说明的是，这一步的关键点在于将关键致险因素与历史交通事故进行模式匹配，得到样本数据。
[0132]
需要进一步说明的是，将历史交通事故数据中的事故案件描述、天气类型、道路线型等与关键致险因素进行模式匹配，作为样本属性，将历史交通事故数据中的事故类型映射为交通安全风险等级，作为样本分类结果，包括低风险、中风险、高风险、极高风险。
[0133]
如表5所示，为事故类型和交通安全风险等级映射关系。
[0134]
表5.事故类型和安全风险等级映射关系
[0135]
事故类型轻微事故一般事故重大事故特大事故安全风险等级低风险中风险高风险极高风险
[0136]
如图2所示，为生成的样本数据。
[0137]
本具体实施例中，采用c4.5算法构建决策树，使用信息增益率来选择和划分属性。将样本数据中的关键致险因素清单按式(7)表达：
[0138]
a{a1,a2,a3,...,ai,...,ak}
ꢀꢀꢀ
(7)
[0139]
其中：ai为第i个致险因素；k为关键致险因素的个数。
[0140]
本具体实施例中，样本数据中的安全风险等级按式(8)表达：
[0141]
c{c1,c2,c3,c4}
ꢀꢀꢀ
(8)
[0142]
其中：c1表示低风险；c2表示中风险；c3表示高风险；c4表示极高风险。
[0143]
s200.利用样本数据，构建风险等级预测模型。
[0144]
需要说明的是，本步骤的原理在于将样本数据中的事故类型映射为交通事故风险等级，输入关键致险因素和交通安全风险等级，采用c4.5算法，基于关键致险因素的信息增益率训练决策树，最终构建风险等级预测模型。
[0145]
本具体实施例中，s200具体包含以下步骤：
[0146]
s210.获取样本数据。
[0147]
s220.计算样本数据中的交通安全风险等级的类别信息熵。
[0148]
本具体实施例中，类别信息熵按式(9)表达：
[0149][0150]
其中，p
ci
为样本数据中第i个类别出现的概率。
[0151]
需要说明的是，类别信息熵越大，样本中各安全风险等级出现的不确定性之和越大。
[0152]
s230.计算样本数据中的每个致险因素的属性信息熵。
[0153]
本具体实施例中，属性信息熵按式(10)表达：
[0154][0155]
其中：p(x)为样本数据中致险因素ai取值为x的概率；h(c|ai＝x)为致险因素的一个具体取值的条件熵，按式(11)表达：
[0156][0157]
其中：p(ci|ai＝x)为致险因素的取值为x时，样本数据中安全风险等级为ci的概率。
[0158]
需要说明的是，致险因素的属性信息熵越大，该致险因素条件下，安全风险等级的不确定性越大。
[0159]
s240.计算样本数据中的每个致险因素的信息增益：
[0160]
本具体实施例中，信息增益按式(12)表达：
[0161]
g(ai,c)＝h(c)-h(c|ai)
ꢀꢀꢀ
(12)
[0162]
其中：h(c)为类别信息熵；h(c|ai)为每个致险因素的属性信息熵。
[0163]
s250.根据信息增益，计算信息增益率。
[0164]
本具体实施例中，信息增益率按式(13)表达：
[0165][0166]
其中，g(ai,c)为致险因素ai的信息增益；h(ai)为致险因素ai的惩罚项，按式(14)表达：
[0167][0168]
其中，致险因素ai的惩罚项为特征的固有值。
[0169]
需要说明的是，信息增益率在信息增益的基础上增加了惩罚项；惩罚项是特征的固有值；为了避免极端情况下，某个属性的取值即致险因素的取值很多，每个取值对应的安全风险等级只有一个，导致信息增益很大的情况，因此将致险因素本身的信息熵作为惩罚项，从而得到了式(14)。
[0170]
需要说明的是，对于样本数据中每个致险因素，计算信息增益与惩罚项的比值，得到每个致险因素的信息增益率，从而得到了式(13)。
[0171]
s260.选择样本数据中的信息增益率最大的致险因素，作为决策树的根节点；然后按照该致险因素的不同取值进行分枝。
[0172]
s270.计算分枝的类别信息熵；然后将类别信息熵为0的分枝作为叶子节点，将类别信息熵不为0的分枝则再次执行s220～s250的步骤，再次计算分枝中样本数据中的信息增益率；然后选择信息增益率大的致险因素继续进行分枝，直到所有分枝都成为叶子节点。
[0173]
本具体实施例中，选取10万条历史交通事故数据，进行交通安全风险等级预测模型构建，按照7:3的比例进行划分，分别用于训练和验证。具体来说：
[0174]
如图3所示，选取10万条历史交通事故数据，进行交通安全风险等级预测模型构建，按照7:3的比例进行划分，分别用于训练和验证。对样本数据执行训练过程，得到的决策树其中每个节点显示了当前样本集中占比最大的风险等级，每个节点的划分条件是当前样本集中信息增益率最大的致险因素。对该发明构建的交通安全风险预测模型进行验证，预测正确率可以达到96.1％，能够较准确地对交通安全风险等级值进行预测。将训练好的决策树作为交通安全风险预测模型。
[0175]
s300.实时采集过车数据；然后从每条过车数据中提取该过车数据对应的关键致险因素；再将每条关键致险因素作为风险等级预测模型的输入，得到实时的每条过车数据所对应的安全风险等级；每条过车数据所对应的安全风险等级即为本发明的最终输出结果。
[0176]
本具体实施例中，采集实时的过车数据，提取关键致险因素，将每条过车数据中的关键致险因素作为交通安全风险预测模型的输入，进行实时预测，输出实时的交通安全风险等级。
[0177]
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的
那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
[0178]
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本技术公开的原理和新颖性特征的最广范围相一致。
[0179]
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或”是要表示“非排它性的或者”。
[0180]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不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，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。