基于静态因子的驾驶风险评估方法及装置与流程

本发明涉及风险预测领域，具体而言，涉及一种基于静态因子的驾驶风险评估方法及装置。

背景技术：

随着ubi车联网保险和大数据的兴起，迫切需要一种科学的方法对驾驶员的驾驶风险进行评估，该评估结果可以作为测试车辆车主的驾驶风险数据的支撑，提醒和督促车主改善行车习惯，从而提高车主的安全意识，也可以为保险公司制定不同等级的保费提供依据，目前在国内外关于ubi的保险评估只是将风险因子分配适当权重后，做简单的拟合和运算即可，但是这个方法获得的评估结果，不能准确的反映实际危险的情况，也不能为保险公司针对不同客户制定不同的保费提供更加准确的依据。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种基于静态因子的驾驶风险评估方法及装置，以改善上述问题。

第一方面，本发明实施例提供了一种基于静态因子的驾驶风险评估方法，所述方法包括：获取第一人车静态数据，其中，所述第一人车静态数据包括第一车主个人特征数据、第一车辆物理参数数据及第一出险数据；将所述第一人车静态数据输入到预先获取的风险预测模型进行风险预测；根据所述第一人车静态数据及所述风险预测模型获取评估结果。

第二方面，本发明实施例提供了一种基于静态因子的驾驶风险评估装置，所述装置包括：第一获取模块，用于获取第一人车静态数据，其中，所述第一人车静态数据包括第一车主个人特征数据、第一车辆物理参数数据及第一出险数据；风险预测模块，用于将所述第一人车静态数据输入到预先获取的风险预测模型进行风险预测；评估结果获取模块，用于根据所述第一人车静态数据及所述风险预测模型获取评估结果。

本发明实施例的有益效果是：

本发明实施例提供一种基于静态因子的驾驶风险评估方法及装置，通过获取的第一人车静态数据，并且将该第一人车静态数据输入至预先获取的风险预测模型进行风险预测，再根据该第一人车静态数据和所述风险预测模型即可获得评估结果，该评估结果准确性高，一方面可以为各大保险公司通过数据输出来识别并筛选驾驶风险，从而降低其综合赔付率，实现双赢；另一方面还可以为车险行业创新性差异化定价提供技术支持和数据支撑，为安全驾驶的好车主争取到更加公平合理的商业险保费定价。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了一种可应用于本申请实施例中的电子设备的结构框图；

图2为本发明第一实施例提供的一种基于静态因子的驾驶风险评估方法的流程图；

图3为本发明第二实施例提供的一种基于静态因子的驾驶风险评估方法的流程图；

图4为本发明第三实施例提供的一种基于静态因子的驾驶风险评估装置的结构框图；

图5为本发明第四实施例提供的一种基于静态因子的驾驶风险评估装置的结构框图。

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参照图1，图1示出了一种可应用于本申请实施例中的电子设备100的结构框图。电子设备100可以包括基于静态因子的驾驶风险评估装置、存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、音频单元106、显示单元107。

所述存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、音频单元106、显示单元107各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述基于静态因子的驾驶风险评估装置包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固化在所述基于静态因子的驾驶风险评估装置的操作系统(operatingsystem，os)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块，例如所述基于静态因子的驾驶风险评估装置包括的软件功能模块或计算机程序。

其中，存储器101可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存储器101用于存储程序，所述处理器103在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器103中，或者由处理器103实现。

处理器103可能是一种集成电路芯片，具有信号的处理能力。上述的处理器103可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器等。

所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中，外设接口104，处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

输入输出单元105用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元105可以是，但不限于，鼠标和键盘等。

音频单元106向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。

显示单元107在所述电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元107可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器103进行计算和处理。

所述外设接口104将各种输入/输入装置耦合至处理器103以及存储器101。在一些实施例中，外设接口104，处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

输入输出单元105用于提供给用户输入数据实现用户与处理终端的交互。所述输入输出单元105可以是，但不限于，鼠标和键盘等。

可以理解，图1所示的结构仅为示意，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

第一实施例

请参照图2，图2为本发明第一实施例提供的一种基于静态因子的驾驶风险评估方法的流程图，所述方法具体包括如下步骤：

步骤s110：获取第一人车静态数据，其中，所述第一人车静态数据包括第一车主个人特征数据、第一车辆物理参数数据及第一出险数据。

首先获取第一人车静态数据，所述第一人车静态数据包括第一车主个人特征数据、第一车辆物理参数数据及第一出险数据，这些数据都代表了车主或车辆相关的静态因子。其中，第一车主个人特征数据可以包括该车主在预设时间内的交通违章情况、车主的年龄、车主的性别、车主的信用记录、车主的婚姻状况等数据，例如，交通违章情况为获取数据的前五个月内的违章次数3次，车主的年龄为38，性别为男表示为数字1，车主的信用记录和婚姻状况皆可用相应的数字或量化值来表示，例如，不良信用记录表示为0，良好信用记录表示为1；已婚表示为1，未婚表示为0。

第一车辆物理参数数据可以包括车价、车龄、车辆品牌、车辆的轴距、车辆的最大车速、转速、车重及车辆的驱动形式等，例如，车价10万，车龄3年，车辆品牌为大众，车辆轴距为2450mm，最高车速为175km/h，转速800r/min，车重1.2吨，车辆的驱动形式可以量化为前置前驱表示为1，其他表示为0；第一出险数据为车主在预设时间内的出险次数、赔付金额等，例如，车主在上一个保险年度内的出险次数为3，只要其中一次的赔付金额大于500即可定义第一出险数据为1，可以理解为出险概率为1，又或者，车主在上一个保险年度内的出险次数为3，每次的赔付金额小于或等于500以及车主在上一个保险年度内的出险次数为0，即可定义第一出险数据为0，可以理解为出险概率也为0，因为根据2016年商车费改后，前一年的出险情况会导致车主次年的保费大幅上涨，因此费改后车主对于一些小额理赔更倾向于不报出险，自行解决，所以在建模过程中，为了充分体现费改后车主向保险公司报出险的这一变化，特别对费改前理赔数据做了上述优化处理。

第一车主个人特征数据和第一车辆物理参数数据的获取可以通过手机车宝app中车主上传的数据和该app上记录的该车主驾驶的车辆的相关物理参数数据，其第一出险数据可以从保险公司获取。

需要说明的是，一个车主对应一辆车，即获取的第一人车静态数据是指获取的一个车主的车主个人特征数据与该车主的出险数据，以及该车主驾驶的车辆物理参数数据。并且，该第一人车静态数据之间相互独立没有相关性。

步骤s120：将所述第一人车静态数据输入到预先获取的风险预测模型进行风险预测。

将上述步骤中获得的第一人车静态数据输入到预先获取的风险预测模型中进行风险预测。该风险预测模型可以根据输入的第一人车静态数据获得。作为一种实施方式，该风险预测模型可以表示为其中，系数β0,β1,β2...βn可以由统计软件计算出，其中，统计软件可以采用sas、spss、s-plus等。

步骤s130：根据所述第一人车静态数据及所述风险预测模型获取评估结果。

将所述第一人车静态数据输入至风险预测模型中进行风险预测，则可获得评估结果，即该车主的出险概率，则可根据评估结果来进行对车主的驾驶风险进行分析，以提醒和督促车主改善行车习惯，从而提高车主的安全意识，另外，通过该评估结果一方面可以为各大保险公司识别并筛选驾驶风险，从而降低其综合赔付率，实现盈利；另一方面还可以为车险行业创新性差异化定价提供技术支持和数据支撑，为安全驾驶的好车主争取到更加公平合理的保费优惠。

当然，在实际应用过程中，可能由于条件限制并不会获取到全部的第一人车静态数据，所以为了进行风险预测，得到评估结果，本实施例中获取的风险预测模型也可以用来针对单独的风险因素进行评估，例如，针对第一车主个人特征数据、第一车辆物理参数数据、第一出险数据中的至少一种数据进行评估；例如，将车主的年龄30岁、性别男表示为1、车价10万、车龄4年、车辆轴距为2450mm、最高车速为175km/h、转速800r/min、车重1.2吨这些数据中的一种或多种数据输入进风险预测模型，最后可得出出险概率，即该车主的评估结果，通过该风险预测模型进行风险预测，最后获得的评估结果准确性较高，可以有效提高车主驾驶安全性，也为保险公司针对不同客户制定不同等级的保费提供有力的依据。

本发明第一实施例提供的一种基于静态因子的驾驶风险评估方法，通过获取的第一人车静态数据，并且将该第一人车静态数据输入至预先获取的风险预测模型进行风险预测，再根据该第一人车静态数据和所述风险预测模型即可获得评估结果，该评估结果准确性高，一方面可以为各大保险公司通过数据输出来识别并筛选驾驶风险，从而降低其综合赔付率，实现双赢；另一方面还可以为车险行业创新性差异化定价提供技术支持和数据支撑，为安全驾驶的好车主争取到更加公平合理的商业险保费定价。

第二实施例

请参照图3，图3为本发明第二实施例提供的一种基于静态因子的驾驶风险评估方法的流程图，该方法具体包括如下步骤：

步骤s210：获取多个第二人车静态数据，其中，每个所述第二人车静态数据包括第二车主个人特征数据、第二车辆物理参数数据及第二出险数据。

为了构建风险预测模型，提高评估结果的准确性，则需要获取多个第二人车静态数据，每个所述第二人车静态数据包括第二车主个人特征数据、第二车辆物理参数数据及第二出险数据，其中，第二车主个人特征数据可以包括该车主在预设时间内的交通违章情况、车主的年龄、车主的性别、车主的信用记录、车主的婚姻状况等数据，第二车辆物理参数数据包括车价、车龄、车辆品牌、车辆的轴距、车辆的最大车速、转速、车重及车辆的驱动形式等，第二出险数据为车主在预设时间内的出险次数、赔付金额等。

第二车主个人特征数据和第二车辆物理参数数据的获取可以通过手机车宝app中车主上传的数据和该app记录的车辆的相关物理参数数据，其第二出险数据可以从保险公司获取。

需要说明的是，一个车主对应一辆车，本实施例中获取的是多个车主的个人特征数据和多辆车的车辆物理参数数据。并且，该第二人车静态数据之间相互独立没有相关性。

本步骤可具体参考步骤s110中的描述，在此不再过多赘述。

步骤s220：根据所述多个第二人车静态数据获取逻辑回归函数。

若将所述多个第二人车静态数据所构成的向量表示为x＝(x1,x2,x3...xn)，y为出险概率，y＝1表示的是百分之百出险，y＝0表示的是出险概率为0，则条件概率的表达式可以表示为p(y＝1|x)＝p，则逻辑回归函数的表达式可以表示为其中，g(x)＝β0+β1x1+β2x2+…+βnxn。

步骤s230：基于所述逻辑回归函数获取概率函数。

在获取了逻辑回归函数的表达式：后，因为所以即可获取概率函数的表达式，该概率函数的表达式表示为

步骤s240：基于所述概率函数获取风险预测模型。

因为概率函数表达式为即为出险与不出险的概率之比，则可得出又因为g(x)＝β0+β1x1+β2x2+…+βnxn，再通过统计软件，可以计算出g(x)＝β0+β1x1+β2x2+…+βnxn中的系数β0,β1,β2...βn，所以可以推出风险预测模型的表达式可以表示为

步骤s250：获取第一人车静态数据，其中，所述第一人车静态数据包括第一车主个人特征数据、第一车辆物理参数数据及第一出险数据。

若需要对某个车主进行风险预测，则需先获取该车主的第一人车静态数据，其具体实现方法可参照步骤s110，为了描述的简洁，在此不再过多赘述。

步骤s260：将所述第一人车静态数据输入到预先创建好的风险预测模型进行风险预测。

将获取的所述第一人车静态数据输入到上述步骤s240中获得的风险预测模型进行风险预测。其具体实现方法可参照步骤s120，为了描述的简洁，在此不再过多赘述。

步骤s270：根据所述第一人车静态数据及所述风险预测模型获取评估结果。

将获取的第一人车静态数据输入至所述风险预测模型，即将第一人车静态数据带入算式中，从而可以计算出出险概率p的值。其具体实现方法可参照步骤s130，为了描述的简洁，在此不再过多赘述。

需要说明的是，在本实施例中，获取的逻辑回归函数的过程中，在利用统计软件求取g(x)＝β0+β1x1+β2x2+…+βnxn中的系数β0,β1,β2...βn时，该统计软件会将输入的第二人车静态数据，即输入的第二人车静态数据中的n个数据与出险概率不相关的数据进行剔除，也就是当某个单独的数据，例如车龄，输入到风险预测模型中进行检测时，得出的出险概率大于预设的置信水平时，则就说明该车龄变量与出险概率不相关，则剔除该车龄变量，从而在创建风险预测模型时只输入与出险概率相关的数据变量，即最后将剔除后的第二人车静态数据中的剩余m个数据输入至该风险预测模型，从而提高了通过该风险预测模型获得的评估结果的准确性。

另外，通过该评估结果一方面可以为各大保险公司识别并筛选驾驶风险，从而降低其综合赔付率，实现盈利；另一方面还可以为车险行业创新性差异化定价提供技术支持和数据支撑，为安全驾驶的好车主争取到更加公平合理的保费优惠。

针对上述方法的执行过程，下面以一个具体的实施例来详细说明本发明所述的基于静态因子的驾驶风险评估方法。

利用统计软件sas软件对近500万条数据进行统计合并，其中包括8个第二车辆物理参数数据，1个第二车主个人特征数据，1个第二出险数据，将这些数据进行逻辑回归的统计建模。逻辑回归函数里面的驾驶检验假设(h0)表示所给的第二人车静态数据变量与出险概率不相关。所以当p值(pr>chisq)小于置信水平(0.05)时，拒绝检验假设；而当p值大于置信水平时，不拒绝检验假设。

当统计软件的输出结果中某个变量对应的p值显著大于0.05时，不拒绝驾驶检验假设(h0)，即不拒绝所给的第二人车静态数据变量与出险概率不相关的假设(认为是与出险概率不相关)，因此在进行下一步之前剔除这些不显著的变量。从统计软件输出的结果来看，第一次回归筛选掉的因子为车重(p＝0.685)、轴距(p＝0.634)。

剔除上述数据后，再重复上述逻辑回归步骤，得到某地区车型结合第二人车静态数据的模型为：

g(x)＝β0+β1x1+β2x2+…βnxn，其中，可得系数β0＝-1.5121，β1＝-0.0226，β2＝0.1418，β3＝0.00944，β4＝0.0184。

例如，38岁车主，驾驶一台3年新前置前驱最大车速为220公里的马自达6，代入公式得到g(x)＝-0.0971，那么该用户的出险概率大概为0.48，高于样本平均出险率0.4。

本发明第二实施例提供的一种基于静态因子的驾驶风险评估方法，通过获取多个第二人车静态数据，再根据该多个第二人车静态数据获取逻辑回归函数，然后基于所述逻辑回归函数即可获得概率函数，基于概率函数获取风险预测模型，再获取第一人车静态数据，将该第一人车静态数据输入至该风险预测模型进行风险预测，从而获得准确性较高的评估结果，一方面可以为各大保险公司通过数据输出来识别并筛选驾驶风险，从而降低其综合赔付率，实现双赢；另一方面还可以为车险行业创新性差异化定价提供技术支持和数据支撑，为安全驾驶的好车主争取到更加公平合理的商业险保费定价。

第三实施例

请参照图4，图4为本发明第三实施例提供一种基于静态因子的驾驶风险评估装置200的结构框图，所述装置具体包括：

第一获取模块210，用于获取第一人车静态数据，其中，所述第一人车静态数据包括第一车主个人特征数据、第一车辆物理参数数据及第一出险数据。

风险预测模块220，用于将所述第一人车静态数据输入到预先获取的风险预测模型进行风险预测。

评估结果获取模块230，用于根据所述第一人车静态数据及所述风险预测模型获取评估结果。

第四实施例

请参照图5，图5为本发明第四实施例提供的一种基于静态因子的驾驶风险评估装置300的结构框图，所述装置具体包括：

第二获取模块310，用于获取多个第二人车静态数据，其中，每个所述第二人车静态数据包括第二车主个人特征数据数据、第二车辆物理参数数据及第二出险数据。

逻辑回归函数获取模块320，用于根据所述多个第二人车静态数据获取逻辑回归函数。

概率函数获取模块330，用于基于所述逻辑回归函数获取概率函数。

风险预测模型获取模块340，用于基于所述概率函数获取风险预测模型。

第一获取模块350，用于获取第一人车静态数据，其中，所述第一人车静态数据包括第一车主个人特征数据、第一车辆物理参数数据及第一出险数据。

风险预测模块360，用于将所述第一人车静态数据输入到预先获取的风险预测模型进行风险预测。

评估结果获取模块370，用于根据所述第一人车静态数据及所述风险预测模型获取评估结果。

其中，所述逻辑回归函数为

其中，x＝(x1,x2,x3...xn)为所述多个第二人车静态数据所构成的向量，y为出险概率，g(x)＝β0+β1x1+β2x2+…+βnxn。

所述逻辑回归函数获取模块330包括：第一运算子模块，用于基于获得概率函数，其中，所述概率函数为

所述风险预测模型获取模块340包括：第二运算子模块，用于基于获得风险预测模型，其中，所述风险预测模型为

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

综上所述，本发明实施例提供一种基于静态因子的驾驶风险评估方法及装置，通过获取的第一人车静态数据，并且将该第一人车静态数据输入至预先获取的风险预测模型进行风险预测，再根据该第一人车静态数据和所述风险预测模型即可获得评估结果，该评估结果准确性高，一方面可以为各大保险公司识别并筛选驾驶风险，从而降低其综合赔付率，实现盈利；另一方面还可以为车险行业创新性差异化定价提供技术支持和数据支撑，为安全驾驶的好车主争取到更加公平合理的保费优惠。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。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。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

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。