一种基于轨道交通协调的公交调度方法与流程

本发明属于智能交通系统领域，尤其涉及一种基于轨道交通协调的公交调度方法。

背景技术：

近年来，大城市建设轨道交通的速度显著加快，轨道交通作为一种容量大，安全，环保的客运交通方式，以其独特的优势在解决城市问题上发挥了非常重要和关键的作用。但是由于轨道交通网络的总体容量总会达到上限不可能无尽修建下去，其服务范围通常只能覆盖线路两侧，此时，地面公交则需要为其做客流的二次吸引，将其覆盖范围延伸到城市的每一个角落。因此，基于轨道交通对地面公交的时刻表进行协调优化显得尤为重要。

对于公交与轨道交通的协调调度的理论和方法国内外都取得了一定的成果，但还存在一些不足之处，主要表现在以下几个方面：较少考虑公交车的运载能力，在高峰时期会存在滞留乘客，导致理论研究与实际情况有一定的偏差；以固定的发车间隔作为假设前提或优化目标，较少考虑地面公交的发车间隔往往具有不确定性；未能有效考虑公交车辆在换乘站点的停靠时间，而在实际中，车辆的停靠时间是影响乘客能否实现换乘成功的一个关键因素。

因此，只有充分考虑乘客换乘过程中的各个影响因素，才能制定出更为合理的公交调度方案。

技术实现要素：

发明目的：提供一种基于轨道交通协调的公交调度方法，以提高乘客的换乘效率，减少乘客中转时间的损失。

技术方案：一种基于轨道交通协调的公交调度方法，包括如下步骤：

步骤1：确定待优化的轨道交通站点，确定研究的公交线路和研究时间段；

步骤2：采集待优化的公交线路数据、轨道交通数据和其他数据，公交线路数据包括车辆从始发地到换乘站点的自由行驶时间、离站时刻、研究车辆数、最大发车间隔、最小发车间隔，以及非换乘乘客的平均达到率；轨道交通数据包括列车的到站时刻、到达的列车数、每趟列车到达公交站台的人数、乘客的换乘走行时间，以及通过抽样调查确定研究的公交线路的换乘比例；其他数据包括公交车辆的始发地到换乘站点间的路段交通量；

步骤3：采集乘客的换乘走行时间信息，并对数据进行拟合，计算其均值和方差；

步骤4：基于历史数据预测不同班次的公交车辆到达换乘站点时的剩余运载能力；

步骤5：根据常规公交客流的构成，将换乘站点等候公交的乘客分为随机到达的乘客、换乘乘客和滞留乘客，并基于乘客换乘走行时间对换乘客流进行划分，分别计算各类乘客的等待时间；以公交车辆离站时间为优化变量，建立基于最短乘客等待时间的公交调度模型；

步骤6：根据公交调度模型的特征设计出有序整数编码的遗传算法，并进行求解；

步骤7：基于历史数据预测各班次公交车辆在换乘站点的下车人数；根据步骤6计算出的公交车的离站时间，计算每班次公交车在该站点的换乘人数和上车人数；依据上下车人数计算车辆在站点的停车时间，进而计算出公交车的到站时间；

步骤8：基于BRP函数计算公交车辆到达换乘站点前的行驶时间，生成公交车发车时刻表。

所述步骤2中采集的数据包括：公交车辆的自由行驶时间为t_s，研究车辆数为m，离站时刻为tbd_j，1≤j≤m，最大发车间隔为I_Max，最小发车间隔为I_Min，非换乘乘客平均到达率为λ；到达列车数为n，列车的到站时刻为tr_i，1≤i≤n，乘客换乘走行时间为te，每趟列车到达公交站台的人数为Q_i，通过抽样调查确定研究的公交线路的换乘比例α，公交车辆的始发地到换乘站点间的路段交通量v；

所述步骤5进一步为：

步骤51：令非换乘乘客到达公交站台的时间服从均匀分布，且非换乘乘客平均到达率为常数λ，则非换乘乘客的等待时间为：

其中：T₁为非换乘乘客的等待时间，tbd_j为第j辆公交车的离站时间，λ为非换乘乘客的平均到达率；

步骤52：令乘客换乘走行时间te服从正态分布，其概率密度函数为：

其中：μ为正态分布的均值，σ为正态分布标准差，令te～N(μ,σ²)，乘客最短换乘走行时间temin，乘客最长换乘走行时间temax且

整理可得：

步骤53：当第i辆列车到达后，换乘公交的人都可以搭乘就近的一辆公交车，这种情况下，换乘乘客的等待时间为：

其中：Q_i为每趟列车到达公交站台的人数，α为通过抽样调查确定研究的公交线路的换乘比例，tr_i为第i辆列车的到站时刻；

步骤54：当第i辆列车到达后，步行速度相对较快的乘客搭乘就近的一辆公交车，但步行相对较慢的乘客则需要等待下一辆公交车到来，这种情况下，换乘乘客的等待时间为：

其中，q_i,j为第i辆列车换乘第j辆公交车的人数；

那么换乘乘客的总等待时间为：

其中：T₂为换乘乘客的等待时间，f_i,j为0-1变量，当第i辆列车的换乘乘客能够全部赶上就近的公交车，则f_i,j取1，反之取0；

步骤55：设第j辆公交车的滞留人数为d_j,则滞留乘客的二次等待时间为：

其中：T₃为滞留乘客的等待时间；

步骤56：，以公交车辆的离站时间为优化变量，建立的公交调度模型如下：

约束条件为：

(1)在研究时段内，公交车的发车间隔应该在最大和最小的发车间隔内，即：I_Max≥tbd_j+1-tbd_j≥I_Min；

(2)研究时段内，第一辆公交在换乘站的出发时刻应当在公交的最大发车间隔内，即：I_Max≥tbd₁≥0；

(3)在最后一辆列车到达后，应当保证所有换乘乘客都能实现换乘，即tbd_m≥tr_n+temax；

(4)从轨道交通换乘公交的情况应当满足情况1或者情况2，即：f_i,j(1-f_i,j)＝0，其中，f_i,j为0-1变量，当第i辆列车的乘客都能搭乘第j辆公交，则为1，否则为0。

所述步骤6进一步为：

步骤61：设定遗传算法参数，包括：初始种群数、变异概率、交叉概率和迭代次数；

步骤62：编码，采用实数编码的方式，假设在研究时段[0,H]内，有m辆公交车到达，则优化模型的变量m个，离站时刻分别为{x(1),x(2),x(3),…x(m-2),x(m-1),x(m)}，那么种群中每一个个体都采用X＝{x(1),x(2),x(3),…x(m-2),x(m-1),x(m)}的编码形式；

步骤63：初始种群的生成，由于模型的变量是按照顺序排列的一组数，且无重复数据，按照下面一种方法生成初始种群：

(1)在[0,I_Max]中随机生成一个数x(1)；

(2)在[I_Min,I_Max]间随机生成一个数α，则x(2)＝x(1)+α；

(3)重复上述操作，直至生成x(m)；

步骤64：计算适应度函数，本模型的目标为最小值问题，则取其倒数为适应度函数：

步骤65：选择操作，采用轮盘赌法，每个个体遗传到下一代的概率等于该个体的适应度与整个种群的适应度的比值，则，每个个体遗传到下一代的概率为：

其中，∑p_i＝1

随机产生一个数r∈[0,1]，若p₁+p₂+p₃…+p_k-1≤r≤p₁+p₂+p₃…+p_k,则第k个个体将被选入到下一代；

步骤66：交叉操作，具体如下：

(1)按照随机产生的概率选择两个个体作为父代，并随机选择两个交叉点，交叉点内的所有变量作为交叉对象；

(2)将父代二中的交叉区域内的第一个变量与父代一中每一个变量相减，并取绝对值，从而可以得到一组数据，若该数据中含有0元素，则不进行交叉，如果不含0元素，则将父代二中的这个变量与父代一中与其差值最小的变量进行交换；

步骤67：变异操作，采用均匀变异的方法，具体如下：

(1)随即产生一个数r∈[0,1]，若r小于给定的变异概率，则选取当前位置的基因进行变异；

(2)计算新的变异值，具体可分为以下三种情况：

①若变异的位置不在首末两端，则变异后新的变量值：

x(i)′＝x(i-1)+r×(x(i+1)-x(i))

②若变异的位置在第一个点，则变异后新的变量值：

x(1)′＝x(2)+r×x(2)

③若变异的位置在最后一个点，则变异后新的变量值：

x(m)′＝x(m-1)+r×(R-x(m-1))

其中，R为研究时间长度，表示每个变量的最大值。

步骤68：最优个体保存策略；其具体的操作过程如下：

(1)通过计算适应度的值，找出当前迭代中种群中最大的适应度值；

(2)将当前适应度最高的个体与迄今为止最好的个体相比，若当前适应度最好的个体其适应度大于迄今为止最好的个体，则将当前适应度最佳的个体作为迄今为止适应度最佳的个体；

(3)经过选择，交叉，变异等操作，找出当前适应度最差的个体，用迄今为止适应度最高的个体进行替换；

(4)重复上述操作；

步骤69：输出结果，最后一次迭代后迄为止适应度最佳的个体即为问题的最优解，即优化后的公交离站时刻表，将结果输出。

所述步骤7进一步为：

步骤71：对于下车乘客数，采用灰色预测模型对工作日或节假日不同班次公交车辆在换乘站点的下车乘客数进行预测；

步骤72：根据步骤6算出的公交车的离站时间，计算出公交车的上车人数为：

步骤73：公交车辆的停靠时间为：

其中：C_j为公交车的剩余运载能力，t_d为公交车的停靠时间，t_oc为公交车的开关门时间，T_a为公交车后门下客时间，T_b公交车前门上客时间，t_b为单个乘客平均上车时间，t_a为单个乘客平均下车时间，P_ja为下客人数，P_jb为上客人数；

步骤74：公交车辆的到站时间为:

tba_j＝tbd_j-t_d＝tbd_j-t_oc-max(T_a,T_b)＝tbd_j-t_oc-max(t_aP_ja,t_bP_ja)

其中：tba_j为第j辆公交车的到站时间；

所述步骤8进一步为：

步骤81：公交车辆的从始发点到换乘站点的行驶时间为：

其中，t_s为公交车辆从始发站到换乘站点的实际运行时间，t_f为该路段自由行驶的时间，v为当时通过该路段的交通量，c为路段的实际通行能力，β为模型的待定参数，其值分别为0.15和0.4；

步骤82：计算公交车辆的发车时刻：t_0j＝tbd_j-t_s；

其中，t_0j为第j辆公交车的发车时刻。

有益效果：本发明综合考虑了乘客的换乘走行时间，公交载客量和车辆停靠时间等因素，划分常规公交客流，提出了一种新的调度方法。对于发挥轨道交通和地面公交的各自优势，提高换乘效率，满足乘客的换乘需求具有重要的意义。

附图说明

图1是本发明方法的流程图。

图2是本发明换乘行为分析图。

图3是本发明遗传算法结果图。

具体实施方式

以下详细描述本发明的技术方案：一种基于轨道交通协调的公交调度方法主要包括如下步骤：

步骤1：确定待优化的轨道交通站点，确定研究的公交线路和研究时间段；

步骤2：采集待优化的公交线路数据、轨道交通数据和其他数据，公交线路数据包括车辆从始发地到换乘站点的自由行驶时间、离站时刻、研究车辆数、最大发车间隔、最小发车间隔，以及非换乘乘客的平均达到率；轨道交通数据包括列车的到站时刻、到达的列车数、每趟列车到达公交站台的人数、乘客的换乘走行时间，以及通过抽样调查确定研究的公交线路的换乘比例；其他数据包括公交车辆的始发地到换乘站点间的路段交通量；

步骤3：采集乘客的换乘走行时间信息，并对数据进行拟合，计算其均值和方差；

步骤4：基于历史数据预测不同班次的公交车辆到达换乘站点时的剩余运载能力；

步骤5：根据常规公交客流的构成，将换乘站点等候公交的乘客分为随机到达的乘客、换乘乘客和滞留乘客，并基于乘客换乘走行时间对换乘客流进行划分，分别计算各类乘客的等待时间；以公交车辆离站时间为优化变量，建立基于最短乘客等待时间的公交调度模型；

步骤6：根据公交调度模型的特征设计出有序整数编码的遗传算法，并进行求解；

步骤7：基于历史数据预测各班次公交车辆在换乘站点的下车人数；根据步骤6计算出的公交车的离站时间，计算每班次公交车在该站点的换乘人数和上车人数；依据上下车人数计算车辆在站点的停车时间，进而计算出公交车的到站时间；

步骤8：基于BRP函数计算公交车辆到达换乘站点前的行驶时间，生成公交车发车时刻表。

在进一步的实施例中，所述步骤2中采集的数据包括：公交车辆的自由行驶时间为t_s，研究车辆数为m，离站时刻为tbd_j，1≤j≤m，最大发车间隔为I_Max，最小发车间隔为I_Min，非换乘乘客平均到达率为λ；到达列车数为n，列车的到站时刻为tr_i，1≤i≤n，乘客换乘走行时间为te，每趟列车到达公交站台的人数为Q_i，通过抽样调查确定研究的公交线路的换乘比例α，公交车辆的始发地到换乘站点间的路段交通量v；

在进一步的实施例中，所述步骤5进一步为：

步骤51：令非换乘乘客到达公交站台的时间服从均匀分布，且非换乘乘客平均到达率为常数λ，则非换乘乘客的等待时间为：

其中：T₁为非换乘乘客的等待时间，tbd_j为第j辆公交车的离站时间，λ为非换乘乘客的平均到达率；

步骤52：令乘客换乘走行时间te服从正态分布，其概率密度函数为：

其中：μ为正态分布的均值，σ为正态分布标准差，令te～N(μ,σ²)，乘客最短换乘走行时间temin，乘客最长换乘走行时间temax且

整理可得：

步骤53：当第i辆列车到达后，换乘公交的人都可以搭乘就近的一辆公交车，这种情况下，换乘乘客的等待时间为：

其中：Q_i为每趟列车到达公交站台的人数，α为通过抽样调查确定研究的公交线路的换乘比例，tr_i为第i辆列车的到站时刻；

步骤54：当第i辆列车到达后，步行速度相对较快的乘客搭乘就近的一辆公交车，但步行相对较慢的乘客则需要等待下一辆公交车到来，这种情况下，换乘乘客的等待时间为：

其中，q_i,j为第i辆列车换乘第j辆公交车的人数；

那么换乘乘客的总等待时间为：

其中：T₂为换乘乘客的等待时间，f_i,j为0-1变量，当第i辆列车的换乘乘客能够全部赶上就近的公交车，则f_i,j取1，反之取0；

步骤55：设第j辆公交车的滞留人数为d_j,则滞留乘客的二次等待时间为：

其中：T₃为滞留乘客的等待时间；

步骤56：，以公交车辆的离站时间为优化变量，建立的公交调度模型如下：

约束条件为：

(1)在研究时段内，公交车的发车间隔应该在最大和最小的发车间隔内，即：I_Max≥tbd_j+1-tbd_j≥I_Min；

(2)研究时段内，第一辆公交在换乘站的出发时刻应当在公交的最大发车间隔内，即：I_Max≥tbd₁≥0；

(3)在最后一辆列车到达后，应当保证所有换乘乘客都能实现换乘，即tbd_m≥tr_n+temax；

(4)从轨道交通换乘公交的情况应当满足情况1或者情况2，即：f_i,j(1-f_i,j)＝0，其中，f_i,j为0-1变量，当第i辆列车的乘客都能搭乘第j辆公交，则为1，否则为0。

在进一步的实施例中，所述步骤6进一步为：

步骤61：设定遗传算法参数，包括：初始种群数、变异概率、交叉概率和迭代次数；步骤62：编码，采用实数编码的方式，假设在研究时段[0,H]内，有m辆公交车到达，则优化模型的变量m个，离站时刻分别为{x(1),x(2),x(3),…x(m-2),x(m-1),x(m)}，那么种群中每一个个体都采用X＝{x(1),x(2),x(3),…x(m-2),x(m-1),x(m)}的编码形式；

步骤63：初始种群的生成，由于模型的变量是按照顺序排列的一组数，且无重复数据，按照下面一种方法生成初始种群：

(1)在[0,I_Max]中随机生成一个数x(1)；

(2)在[I_Min,I_Max]间随机生成一个数α，则x(2)＝x(1)+α；

(3)重复上述操作，直至生成x(m)；

步骤64：计算适应度函数，本模型的目标为最小值问题，则取其倒数为适应度函数：

步骤65：选择操作，采用轮盘赌法，每个个体遗传到下一代的概率等于该个体的适应度与整个种群的适应度的比值，则，每个个体遗传到下一代的概率为：

其中，∑p_i＝1

随机产生一个数r∈[0,1]，若p₁+p₂+p₃…+p_k-1≤r≤p₁+p₂+p₃…+p_k,则第k个个体将被选入到下一代；

步骤66：交叉操作，具体如下：

(1)按照随机产生的概率选择两个个体作为父代，并随机选择两个交叉点，交叉点内的所有变量作为交叉对象；

(2)将父代二中的交叉区域内的第一个变量与父代一中每一个变量相减，并取绝对值，从而可以得到一组数据，若该数据中含有0元素，则不进行交叉，如果不含0元素，则将父代二中的这个变量与父代一中与其差值最小的变量进行交换；

步骤67：变异操作，采用均匀变异的方法，具体如下：

(1)随即产生一个数r∈[0,1]，若r小于给定的变异概率，则选取当前位置的基因进行变异；

(2)计算新的变异值，具体可分为以下三种情况：

①若变异的位置不在首末两端，则变异后新的变量值：

x(i)′＝x(i-1)+r×(x(i+1)-x(i))

②若变异的位置在第一个点，则变异后新的变量值：

x(1)′＝x(2)+r×x(2)

③若变异的位置在最后一个点，则变异后新的变量值：

x(m)′＝x(m-1)+r×(R-x(m-1))

其中，R为研究时间长度，表示每个变量的最大值。

步骤68：最优个体保存策略；其具体的操作过程如下：

(1)通过计算适应度的值，找出当前迭代中种群中最大的适应度值；

(2)将当前适应度最高的个体与迄今为止最好的个体相比，若当前适应度最好的个体其适应度大于迄今为止最好的个体，则将当前适应度最佳的个体作为迄今为止适应度最佳的个体；

(3)经过选择，交叉，变异等操作，找出当前适应度最差的个体，用迄今为止适应度最高的个体进行替换；

(4)重复上述操作；

步骤69：输出结果，最后一次迭代后迄为止适应度最佳的个体即为问题的最优解，即优化后的公交离站时刻表，将结果输出。

在进一步的实施例中，所述步骤7进一步为：

步骤71：对于下车乘客数，采用灰色预测模型对工作日或节假日不同班次公交车辆在换乘站点的下车乘客数进行预测；

步骤72：根据步骤6算出的公交车的离站时间，计算出公交车的上车人数为：

步骤73：公交车辆的停靠时间为：

其中：C_j为公交车的剩余运载能力，t_d为公交车的停靠时间，t_oc为公交车的开关门时间，T_a为公交车后门下客时间，T_b公交车前门上客时间，t_b为单个乘客平均上车时间，t_a为单个乘客平均下车时间，P_ja为下客人数，P_jb为上客人数；

步骤74：公交车辆的到站时间为:

tba_j＝tbd_j-t_d＝tbd_j-t_oc-max(T_a,T_b)

＝tbd_j-t_oc-max(t_aP_ja,t_bP_ja)

其中：tba_j为第j辆公交车的到站时间；

在进一步的实施例中，所述步骤8进一步为：

步骤81：公交车辆的从始发点到换乘站点的行驶时间为：

其中，t_s为公交车辆从始发站到换乘站点的实际运行时间，t_f为该路段自由行驶的时间，v为当时通过该路段的交通量，c为路段的实际通行能力，β为模型的待定参数，其值分别为0.15和0.4；

步骤82：计算公交车辆的发车时刻：t_0j＝tbd_j-t_s；

其中，t_0j为第j辆公交车的发车时刻。

以下描述某个实施案例。

结合图1描述本发明的基于与轨道交通协调的公交调度方法，包括以下步骤：

步骤1：选取某市地铁二号线城市运动公园站为换乘站点，据调查，该站点公交329路换乘人数较多，故选其为研究对象，对其发车时刻表进行优化；

步骤2：据调查，公交329路，上行线路为泾渭分明生态半岛至西安北客站，下行线路为西安北客站至泾渭分明生态半岛，总长25400m，行驶车速约为20km/h，全程运营时间约为1.5h；研究时段内，车辆数为9辆，最大发车间隔为21min，最小发车间隔为9min；采集西安地铁二号线的到站时刻表，并统计每趟列车换乘公交车的人数；

步骤3：采集乘客的换乘走行时间，首先应确定样本的容量大小，其计算方法如下：

其中：n为样本容量的大小；z为标准误差的置信水平，取置信水平为0.95，则z为1.96；σ为总体标准差。在未知的情况下，可以用样本先进行估算；E为换乘走行时间的允许误差，可设允许误差为10％；

先选取部分样本，进行初步估计，乘客换乘走行时间方差为0.55，则最小样本容量为：

通过跟踪调查，获取样本数据，并用正态分布对数据进行拟合，然后进行k-s检验，检验结果如表1所示：

表1 K-S检验结果

由检验结果可知，均值为240s(约为4min)，标准差为33s(约为0.55min)，显著性水平为0.849，大于0.05，因此可以认为该数据是服从正态分布的。

步骤4：利用灰色系统模型预测不同班次的公交车在换乘站点的剩余运载能力的具体过程如下：

第一步，计算历史数据X⁽⁰⁾＝(X⁽⁰⁾(1),X⁽⁰⁾(2),...,X⁽⁰⁾(n))的级比

其中，X⁽⁰⁾(m)表示第m个历史数据，k(m)为级比；

如果该数列所有的级比k(m)都落在内，则可以采用灰色系统模型对数据进行预测。否则，需要对原始数据进行处理，可以取适当的常数K，作平移变换，使其级比都落入可容覆盖的范围内；

第二步，对历史数据数列做1次累加生成数列，公式如下：

第三步，建立灰微分方程，公式如下：

X⁽¹⁾(t)＝(X⁽¹⁾(0)-u/a)e-^at+u/a

式中，系数a与u构成的待定系数A，可由最小二乘法求出，公式为：

A＝(a,u)^T

可设Yn＝[X⁽⁰⁾(2),X⁽⁰⁾(3),…X⁽⁰⁾(n)]^T，则A＝(B^TB)-¹B^TYn，可以建立响应时间方程，进而可求得预测值；

第四步，检验残差，残差的计算公式如下：

一般情况下，若ε(m)<0.2，则可认为检验合格。

同理，本发明的步骤71中提及的GM(1，1)预测过程同上。

步骤5：本发明建模过程中所需要的参数标定如表2所示：

表2模型部分参数标定表

利用matlab编写模型程序，然后将上述参数带入模型。

步骤6：算法的参数取值如表3所示：

表3遗传算法参数取值表

据步骤6所述的遗传算法步骤，编写算法程序，如附图3所示，经过1000次迭代，可以求解出优化后的公交离站时刻表，如表4所示。

步骤7：利用上述所述的灰色系统模型预测方法，可以预测出各趟次公交车在换乘站点的下车人数，其结果如表4所示。

据步骤6所求出的公交车离站时间，计算每辆车需接驳的乘客数，然后与步骤4预测出的公交车剩余载客能力进行比较，取最小值为上客人数。

根据上下客人数计算公交车的停站时间。其中，通过大量的数据调查，公交车的开关门t_oc取3s，单位乘客上车时间t_b为1.2s，下客时间t_a为0.9s。则每趟公交车的停站时间计算结果如下表所示：

表4公交停站时间计算结果表

然后将公交车辆的离站时刻减去停靠时间，可以得出公交车辆的到站时刻表。

步骤8：据调查，公交车辆从始发地到换乘站点的自由流行驶时间约为1200s，实际交通量v为1400pcu/h，车道的通行能力为1500pcu/h，车道数为3，则车辆的实际行驶时间为：

则计算出的公交车的发车时刻表如下表所示：

表5公交发车时刻表

将本发明的优化结果与现状进行对比，对比结果如表所示，可以看出，优化后的乘客的总等待时间为1.041×105s，与优化前相比，总等待时间减少了0.409×105s，优化幅度为28.29％，改善效果较为明显，因此本发明所涉及的调度模型和算法优化作用较为显著，具有一定实际价值。

表6优化前后对比表

综上，本发明提出了基于与轨道交通协调的公交调度方法。本发明在考虑换乘走行时间，车辆停靠时间以及公交容量限制等因素的基础上，对公交站台的客流进行划分，建立乘客等待时间最短的公交调度模型，并设计了算法进行求解。在案例分析中，应用本发明求解出的乘客总等待时间与现状相比，能够有效减少了乘客的出行时间，提高换乘效率。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。