一种交通事故风险评估方法及系统与流程

本发明涉及高速公路交通工程领域，特别是涉及一种高速公路隧道发生的交通事故风险评估方法及系统。

背景技术：

近年来，随着高速公路隧道的大规模建设和交通量的大幅增长，对高速公路隧道安全运营产生了巨大的压力和挑战。由于高速公路隧道自身特点，高速公路隧道不仅成为交通事故的多发路段，而且增加了事故救援的难度。随着我国对高速公路隧道交通安全问题日益重视，高速公路隧道交通安全形势有些好转，事故发生频率和伤亡人数有所下降，但交通事故依然能够造成很大的生命财产损失，严重影响高速公路的运行效率，而且容易引发二次事故。因此，高速公路隧道交通安全状况仍然不能忽视。

目前，我国关于高速公路隧道的安全评价方法主要集中在隧道的建设时期，并没有涉及到后期高速公路隧道运营期的安全评价。因此，如何准确有效地实现后期高速公路隧道运营期的安全评价，是目前高速公路交通工程研究急需解决的问题。

技术实现要素：

本发明的目的是提供一种交通事故风险评估方法及系统，以准确有效地实现高速公路隧道运营期的安全评价。

为实现上述目的，本发明提供了一种交通事故风险评估方法，所述方法，包括：

获取高速公路隧道交通事故的风险因素；

获取高速公路隧道交通事故的风险等级；

根据所述风险因素，确定每个所述风险因素所对应的风险等级；

根据所述风险因素和所述风险因素所对应的风险等级，确定所述风险因素和所述风险等级之间的关系链；

根据所述关系链，建立风险评估模型；

根据所述风险评估模型，评估高速公路隧道的交通事故风险系数。

可选的，所述确定所述风险因素和所述风险等级之间的关系链，具体包括：

通过谱聚类算法，将多组所述风险因素聚类，得到多个聚类簇；

根据所述风险因素所对应的风险等级，确定每个所述聚类簇中的单个所述风险因素所对应的风险等级，进而确定每个所述聚类簇对应的最终风险等级；

根据所述聚类簇以及所述聚类簇对应的最终风险等级，确定所述风险因素和所述风险等级之间的关系链。

可选的，所述通过谱聚类算法，将多组所述风险因素聚类，得到多个聚类簇，具体包括：

根据所述风险因素，确定聚类样本集X；所述聚类样本集X表示为X＝{x₁,…,x_n}，ε＝1,2,…n；

根据获取的所述高速公路隧道交通事故的风险等级，确定聚类数目k；

根据所述聚类样本集X，构建所述聚类数目为k的最近邻亲和图W；

计算Laplacian矩阵L并标准化；所述Laplacian矩阵L为所述最近邻亲和图的Laplacian矩阵，定义为L＝D-W；标准化的所述Laplacian矩阵L为矩阵L_sym，所述矩阵L_sym表示L_sym＝D^-1/2LD^-1/2；其中，D为对角矩阵；

计算所述矩阵L_sym的前k个特征向量u₁,…,u_k，并将u₁,…,u_k作为列，构造矩阵U；所述矩阵U表示U∈R^n×k；

标准化处理矩阵U的每一行，获取矩阵P；所述矩阵P表示P∈R^n×k；

将所述矩阵P的每一行向量y_ε∈R^k作为一个数据点，采用k-means算法对y_ε进行聚类，得到多个聚类簇；其中，所述矩阵P的第ε行数据y_ε的类别与原始数据点x_ε的类别相同。

可选的，所述建立风险评估模型，具体包括：

根据所述关系链，确定训练样本集；

根据所述训练样本集，采用极限学习机算法，建立风险评估模型；所述风险评估模型为：

式(1)中，g(x)表示激活函数；N为隐含层节点数；x_ε表示第ε个样本的输入；t_ε表示第ε个样本的输出；α_λ表示第λ个输入权值向量；β_λ表示第λ个输出权值向量；b_λ表示第λ个偏置。

可选的，所述根据所述训练样本集，采用极限学习机算法，建立风险评估模型，具体包括：

采用极限学习机算法随机生成输入权值α_λ和偏置b_λ，λ＝1,2,...,N；

根据所述训练样本集，所述输入权值α_λ以及所述偏置b_λ，获取隐含层输出矩阵H；所述隐含层输出矩阵H表其中，g(x)表示激活函数，N表示隐含层节点数；

根据所述隐含层输出矩阵H，获取输出权值向量β；所述输出权值向量β表示为β＝H^-1T；其中，t＝[t₁,t₂,…,t_n]为每个所述训练样本集的期望风险等级，T表示

根据所述训练样本集、所述输入权值α_λ、所述偏置b_λ以及所述输出权值向量β，建立风险评估模型。

为实现上述目的，本发明还提供了一种交通事故风险评估系统，所述系统包括：

风险因素获取模块，用于获取高速公路隧道交通事故的风险因素；

风险等级获取模块，用于获取高速公路隧道交通事故的风险等级；

风险因素对应风险等级确定模块，用于根据所述风险因素，确定每个所述风险因素所对应的风险等级；

关系链确定模块，用于根据所述风险因素和所述风险因素所对应的风险等级，确定所述风险因素和所述风险等级之间的关系链；

风险评估模型建立模块，用于根据所述关系链，建立风险评估模型；

评估模块，用于根据所述风险评估模型，评估高速公路隧道的交通事故风险系数。

可选的，所述关系链确定模块，具体包括：

聚类簇得到单元，用于通过谱聚类算法，将多组所述风险因素聚类，得到多个聚类簇；

聚类簇对应最终风险等级确定单元，用于根据所述风险因素所对应的风险等级，确定每个所述聚类簇中的单个所述风险因素对应风险等级，进而确定每个所述聚类簇对应的最终风险等级；

关系链确定单元，用于根据所述聚类簇以及所述聚类簇对应的最终风险等级，确定所述风险因素和所述风险等级之间的关系链。

可选的，所述聚类簇得到单元，具体包括：

聚类样本集子确定单元，用于根据所述风险因素，确定聚类样本集X；所述聚类样本集X表示为X＝{x₁,…,x_n}，ε＝1,2,…n；

聚类数目子确定单元，用于根据获取的所述高速公路隧道交通事故的风险等级，确定聚类数目k；

最近邻亲和图构建子单元，用于根据所述聚类样本集X，构建所述聚类数目为k的最近邻亲和图W；

标准化子单元，用于计算Laplacian矩阵L并标准化；所述Laplacian矩阵L为所述最近邻亲和图的Laplacian矩阵，定义为L＝D-W；标准化的所述Laplacian矩阵L为矩阵L_sym，所述矩阵L_sym表示L_sym＝D^-1/2LD^-1/2；其中，D为对角矩阵；

矩阵U构造子单元，用于计算所述矩阵L_sym的前k个特征向量u₁,…,u_k，并将u₁,…,u_k作为列，构造矩阵U；所述矩阵U表示U∈R^n×k；

矩阵P获取子单元，用于标准化处理矩阵U的每一行，获取矩阵P；所述矩阵P表示P∈R^n×k；

聚类簇得到子单元，将所述矩阵P的每一行向量y_ε∈R^k作为一个数据点，采用k-means算法对y_ε进行聚类，得到多个聚类簇；其中，所述矩阵P的第ε行数据y_ε的类别与原始数据点x_ε的类别相同。

可选的，所述风险评估模型建立模块，具体包括：

训练样本集确定单元，用于根据所述关系链，确定训练样本集；

风险评估模型建立单元，用于根据所述训练样本集，采用极限学习机算法，建立风险评估模型；所述风险评估模型为：

式(1)中，g(x)表示激活函数；N为隐含层节点数；x_ε表示第ε个样本的输入；t_ε表示第ε个样本的输出；α_λ表示第λ个输入权值向量；β_λ表示第λ个输出权值向量；b_λ表示第λ个偏置。

可选的，所述风险评估模型建立单元，具体包括：

输入权值α_λ和偏置b_λ生成子单元，用于采用极限学习机算法随机生成输入权值α_λ和偏置b_λ，λ＝1,2,...,N；

隐含层输出矩阵H获取子单元，用于根据所述训练样本集，所述输入权值α_λ以及所述偏置b_λ，获取隐含层输出矩阵H；所述隐含层输出矩阵H表其中，g(x)表示激活函数，N表示隐含层节点数；

输出权值向量β获取子单元，根据所述隐含层输出矩阵H，获取输出权值向量β；所述输出权值向量β表示为β＝H^-1T；其中，t＝[t₁,t₂,…,t_n]为每个所述训练样本集的期望风险等级，T表示

风险评估模型建立子单元，用于根据所述训练样本集、所述输入权值α_λ、所述偏置b_λ以及所述输出权值向量β，建立风险评估模型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开了一种交通事故风险评估方法及系统，该方法及系统通过获取高速公路隧道交通事故风险因素和高速公路隧道交通事故风险等级，采用谱聚类算法，计算确定风险因素与风险等级之间关系链；并根据关系链和极限学习算法，构建风险评估模型；将任意风险因素数据输入到风险评估模型，就可以得到该风险因素所对应的最终风险等级。因此，采用本发明提供的方法或系统，有效提高高速公路隧道交通事故风险评估效率，使高速公路隧道交通事故风险评估过程更加高效、便捷，准确有效地实现了高速公路隧道运营期的安全评价。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的交通事故风险评估方法流程图；

图2为本发明实施例的交通事故风险评估系统结构图；

图3为本发明实施例一风险评估模型训练的混淆矩阵；

图4为本发明实施例一风险评估模型验证的混淆矩阵；

图5为本发明实施例一风险评估模型测试的混淆矩阵。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是为了提高高速公路隧道交通事故风险评估的准确性及高效性，准确有效实现高速公路隧道运营期的安全评价，而提出了一种谱聚类算法与极限学习机算法相结合的高速公路隧道交通事故风险评估方法及系统。首先，通过谱聚类方法获得极限学习机算法所需的必要先验信息，即准确的风险因素与风险等级之间的关系链；然后，通过极限学习机方法进行风险评估，有效避免传统风险评估方法中，定性分析和主观分析过多等问题，有效提高高速公路隧道交通事故风险评估效率，使高速公路隧道交通事故风险评估过程更加高效、便捷，准确有效地实现了高速公路隧道运营期的安全评价。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例的交通事故风险评估方法流程图，如图1所示，所述方法包括：

步骤101：获取高速公路隧道交通事故的风险因素；

其中，高速公路隧道交通事故的风险因素包括：隧道长度、交通流量，大车比例，交通饱和度，行驶速度，平曲线半径。本发明重点在于风险评估的方法，影响因素在不同的隧道环境中可以适当的增加或减少。本发明仅给出部分影响因素作为示例，来说明本发明提出的风险评估方法。

步骤102：获取高速公路隧道交通事故的风险等级；

其中，高速公路隧道交通事故风险损失包括人员伤亡、经济损失、环境损失等。根据交通事故风险损失，将交通事故风险等级划分为四个等级：非常安全、较安全、较危险、危险，并将交通事故风险等级赋予风险赋值，分别为1、2、3、4。

步骤103：根据所述风险因素，确定每个所述风险因素所对应的风险等级；

所述步骤103具体包括：根据每一个风险因素的特点，确定每个风险因素与交通事故风险等级的对应关系。

步骤104：根据所述风险因素和所述风险因素所对应的风险等级，确定所述风险因素和所述风险等级之间的关系链；

所述步骤104包括：通过谱聚类算法，将多组所述风险因素聚类，得到多个聚类簇；所述谱聚类算法是根据不同划分准则将全体数据点集划分成多个集合(两两集合的交集为空)，通过满足集合之间的边权总和最小，而集合内的边权总和较大的要求来实现类别的划分的方法。

根据所述风险因素所对应的风险等级，确定每个所述聚类簇中的单个所述风险因素所对应的风险等级；并根据每个聚类簇中的单个风险因素的等级，给定每个聚类簇的最终风险等级，并进行赋值，进而确定每个所述聚类簇对应的最终风险等级；所述赋值方法与步骤102相同；

根据所述聚类簇以及所述聚类簇对应的最终风险等级，确定所述风险因素和所述风险等级之间的关系链。

其中，通过谱聚类算法，将多组所述风险因素聚类，得到多个聚类簇，具体包括：

谱聚类算法包括两个不同阶段：1)使用样本数据集构造亲和图；2)通过亲和图的最优分割，聚类数据点。

亲和图是一个无向图G(V,E,W)，其中V＝[v₁,…,v_n]表示顶点，E表示边，W为相应的亲和矩阵。e_i,j为顶点v_i与v_j之间的边，所对应的非负权重为w_i,j，表示样本x_i和x_j之间的亲和度。因此，亲和图可用亲和矩阵W＝[w_i,j]表示。通过高斯相似度函数求解w_i,j为：

其中，式(2)中的σ²为所有样本的方差。亲和图的Laplacian矩阵定义为L＝D-W，矩阵L的特征向量与聚类密切相关。其中，D为对角矩阵，对角线元素

本发明采用基于聚类数目k的最近邻亲和图的NJW(Ng-Jordan-Weiss)谱聚类算法，具体为：根据所述风险因素，确定聚类样本集X；所述聚类样本集X表示为X＝{x₁,…,x_n}，ε＝1,2,…n；

根据获取的所述高速公路隧道交通事故的风险等级，确定聚类数目k；

根据所述聚类样本集X，构建所述聚类数目为k的最近邻亲和图W；

计算Laplacian矩阵L并标准化；标准化的所述Laplacian矩阵L为矩阵L_sym，所述矩阵L_sym表示L_sym＝D^-1/2LD^-1/2；其中，D为对角矩阵；

计算所述矩阵L_sym的前k个特征向量u₁,…,u_k，并将u₁,…,u_k作为列，构造矩阵U；所述矩阵U表示U∈R^n×k；

根据标准化处理矩阵U的每一行，获取矩阵P；所述矩阵P表示P∈R^n×k；

将所述矩阵P的每一行向量y_ε∈R^k作为一个数据点，采用k-means算法对y_ε进行聚类，得到4个聚类簇；其中，所述矩阵P的第ε行数据y_ε的类别与原始数据点x_ε的类别相同。

步骤105：根据所述关系链，建立风险评估模型；

所述步骤105包括：根据步骤104可知将风险因素数据分为四类，根据每一类中的单个风险因素的特征，确定每一类的风险等级并赋值，记作t。由此可得风险因素和风险等级关系链，即风险因素与最终风险等级对应关系的多组数据。并根据风险因素与最终风险等级对应关系的多组数据构造训练样本集，采用极限学习机算法，建立风险评估模型。具体为：

根据所述关系链，确定训练样本集；训练样本集的输入为风险因素数据集X＝{x₁,…,x_n}，训练集的输出为风险等级t；

根据所述训练样本集，采用极限学习机算法，建立风险评估模型；所述风险评估模型为：

式(1)中，g(x)表示激活函数；N为隐含层节点数；x_ε表示第ε个样本的输入；t_ε表示第ε个样本的输出；α_λ表示第λ个输入权值向量；β_λ表示第λ个输出权值向量；b_λ表示第λ个偏置。

其中，根据所述训练样本集，采用极限学习机算法，建立风险评估模型，具体包括：

采用极限学习机算法随机生成输入权值α_λ和偏置b_λ，λ＝1,2,...,N；

根据所述训练样本集，所述输入权值α_λ以及所述偏置b_λ，获取隐含层输出矩阵H；所述隐含层输出矩阵H表其中，g(x)表示激活函数，N表示隐含层节点数；所述隐含层输出矩阵H的矩阵片的第i列为对应于W个输入样本的第i个隐含结点的输出向量。前馈神经网络对于任意一个紧密输入样本集，当输入权值和偏置随机设定且网络激活函数非零连续可微时，则网络可以逼近任意的连续函数。这也就说明了前馈神经网络的输入权值和偏置可随机设定，且在训练过程中无需再不断迭代更新。

根据所述隐含层输出矩阵H，获取输出权值向量β；所述输出权值向量β表示为β＝H^-1T；其中，t＝[t₁,t₂,…,t_n]为每个所述训练样本集的期望风险等级，T表示

根据所述训练样本集、所述输入权值α_λ、所述偏置b_λ以及所述输出权值向量β，建立风险评估模型。

步骤106：根据所述风险评估模型，评估高速公路隧道的交通事故风险系数。

通过本发明实施例提供的方法，将任意风险因素数据输入到风险评估模型，就可以得到该风险因素所对应的最终风险等级，进而确定该风险因素所对应的风险系数。因此，通过本发明实施例提供的方法，有效提高高速公路隧道交通事故风险评估效率，使高速公路隧道交通事故风险评估过程更加高效、便捷，准确有效地实现了高速公路隧道运营期的安全评价。

为实现上述目的，本发明还提供了一种交通事故风险评估系统。

图2为本发明实施例的交通事故风险评估系统结构图，如图2所示，所述系统包括：

风险因素获取模块201，用于获取高速公路隧道交通事故的风险因素；

风险等级获取模块202，用于获取高速公路隧道交通事故的风险等级；

风险因素对应风险等级确定模块203，用于根据所述风险因素，确定每个所述风险因素所对应的风险等级；

关系链确定模块204，用于根据所述风险因素和所述风险因素所对应的风险等级，确定所述风险因素和所述风险等级之间的关系链；

所述关系链确定模块204，具体包括：

聚类簇得到单元，用于通过谱聚类算法，将多组所述风险因素聚类，得到多个聚类簇；

聚类簇对应最终风险等级确定单元，用于根据所述风险因素所对应的风险等级，确定每个所述聚类簇中的单个所述风险因素对应风险等级，进而确定每个所述聚类簇对应的最终风险等级；

关系链确定单元，用于根据所述聚类簇以及所述聚类簇对应的最终风险等级，确定所述风险因素和所述风险等级之间的关系链。

其中，所述聚类簇得到单元，具体包括：

聚类样本集子确定单元，用于根据所述风险因素，确定聚类样本集X；所述聚类样本集X表示为X＝{x₁,…,x_n}，ε＝1,2,…n；

聚类数目子确定单元，用于根据获取的所述高速公路隧道交通事故的风险等级，确定聚类数目k；

最近邻亲和图构建子单元，用于根据所述聚类样本集X，构建所述聚类数目为k的最近邻亲和图W；

标准化子单元，用于计算Laplacian矩阵L并标准化；所述Laplacian矩阵L为所述最近邻亲和图的Laplacian矩阵，定义为L＝D-W；标准化的所述Laplacian矩阵L为矩阵L_sym，所述矩阵L_sym表示L_sym＝D^-1/2LD^-1/2；其中，D为对角矩阵；

矩阵U构造子单元，用于计算所述矩阵L_sym的前k个特征向量u₁,…,u_k，并将u₁,…,u_k作为列，构造矩阵U；所述矩阵U表示U∈R^n×k；

矩阵P获取子单元，用于标准化处理矩阵U的每一行，获取矩阵P；所述矩阵P表示P∈R^n×k；

聚类簇得到子单元，将所述矩阵P的每一行向量y_ε∈R^k作为一个数据点，采用k-means算法对y_ε进行聚类，得到多个聚类簇；其中，所述矩阵P的第ε行数据y_ε的类别与原始数据点x_ε的类别相同。

风险评估模型建立模块205，用于根据所述关系链，建立风险评估模型；

所述风险评估模型建立模块205，具体包括：

训练样本集确定单元，用于根据所述关系链，确定训练样本集；

风险评估模型建立单元，用于根据所述训练样本集，采用极限学习机算法，建立风险评估模型；所述风险评估模型为：

式(1)中，g(x)表示激活函数；N为隐含层节点数；x_ε表示第ε个样本的输入；t_ε表示第ε个样本的输出；α_λ表示第λ个输入权值向量；β_λ表示第λ个输出权值向量；b_λ表示第λ个偏置。

其中，所述风险评估模型建立单元，具体包括：

输入权值α_λ和偏置b_λ生成子单元，用于采用极限学习机算法随机生成输入权值α_λ和偏置b_λ，λ＝1,2,...,N；

隐含层输出矩阵H获取子单元，用于根据所述训练样本集，所述输入权值α_λ以及所述偏置b_λ，获取隐含层输出矩阵H；所述隐含层输出矩阵H表其中，g(x)表示激活函数，N表示隐含层节点数；

输出权值向量β获取子单元，根据所述隐含层输出矩阵H，获取输出权值向量β；所述输出权值向量β表示为β＝H^-1T；其中，t＝[t₁,t₂,…,t_n]为每个所述训练样本集的期望风险等级，T表示

风险评估模型建立子单元，用于根据所述训练样本集、所述输入权值α_λ、所述偏置b_λ以及所述输出权值向量β，建立风险评估模型。

评估模块206，用于根据所述风险评估模型，评估高速公路隧道的交通事故风险系数。

本发明实施例提供的一种交通事故风险评估系统，有效避免传统风险评估方法中，定性分析和主观分析过多等问题，有效提高高速公路隧道交通事故风险评估效率，使高速公路隧道交通事故风险评估过程更加高效、便捷，准确有效地实现了高速公路隧道运营期的安全评价。

为了验证本发明提供的一种交通事故风险评估方法及系统，能够提高高速公路隧道交通事故风险评估的准确性及高效性，准确有效实现高速公路隧道运营期的安全评价，本发明提供了一个具体实施例来说明。

实施例一

本实施例主要针对本发明所提出的评估方法进行算例说明和验证。

步骤一，选取影响高速公路隧道交通事故风险的6种因素，各种风险因素与交通事故风险等级之间的关系，如下表1所示。

表1风险因素与交通事故风险等级之间的关系

本实施例选取全国高速公路隧道共计100条，进行相关数据的收集，得到100组交通事故风险因素数据。以这些数据为依据，说明算法具体实施方式。

步骤二、高速公路隧道风险等级划分

将风险等级划分为四个等级安全、较安全、较危险、危险。分别进行赋值为1、2、3、4。

步骤三、风险因素与风险等级关系链确定

通过谱聚类算法，将100组交通事故风险因素数据分为四类，分别对应四种事故风险等级。根据每一类数据中，单个风险因素的特点，确定最终的风险等级，这样就得到了风险因素与风险等级的关系链。风险因素与风险等级的对应关系数据如下表2所示.

表2风险因素与风险等级的对应关系数据

步骤四、建立风险评估模型

1、确定隐含层节点数N，随机生成输入权值α和偏置b；其中，隐层节点数N取10

2、计算隐含层输出矩阵H；

3、求解输出矩阵β的最小二乘范数解，即Hβ＝T的最小二乘范数解β，计算输出权值向量β，β＝H^-1T；其中

其中，步骤四中的第1、2、3步的计算方法已在上述内容中论述，在此不一一详解。

4、根据所述训练样本集、所述输入权值α_λ、所述偏置b_λ以及所述输出权值向量β，建立风险评估模型。

从100组风险因素和风险等级的关系样本中，随机选取70组作为风险评估模型的训练样本集，15组作为验证集。风险评估模型训练和验证结果的混淆矩阵分别如图3和图4所示，混淆矩阵最右下角方格表示风险评估的整体正确率(上面)和错误率(下面)。由图3-4可见，风险评估模型的训练正确率为100％，验证正确率为93.3％。

步骤五、评估高速公路隧道的交通事故风险系数

将风险评估模型用于评估高速公路隧道的交通事故风险系数，该风险评估模型输入为各种风险因素，该风险评估模型输出即为风险等级，然后根据最终的风险等级，确定该高速公路隧道的交通事故风险系数。本实施例使用剩余的15组风险因素和风险等级的关系样本作为测试集，测试结果的混淆矩阵如图5所示。由图5可见，交通事故风险评估的正确率为93.3％。

通过本实施例可得出，本发明提供的一种交通事故风险评估方法及系统，能够提高高速公路隧道交通事故风险评估的准确性及高效性，准确有效实现高速公路隧道运营期的安全评价。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。