一种基于狼群算法的交通流预测方法、装置及系统与流程

本发明实施例涉及道路交通技术领域，特别是涉及一种基于狼群算法的交通流预测方法、装置及系统。

背景技术：

在对道路的交通流进行预测时，通常会受到诸如路况、时间点、天气变化等因素的影响，从而导致道路交通流数据具有高度不确定性，并且规律不明显。现有技术中，在对道路的交通流进行预测时采用传统的小波神经网络方法来训练小波神经网络的网络参数，但是，由于采用传统小波神经网络训练网络参数时采用的方法是与基本bp神经网络相同的梯度下降法，并且梯度下降法具有单向性，且随机生成相关的网络参数，使网络参数在优化的过程中极其容易陷入局部极小值，从而使交通流的预测速度和预测精度降低。

因此，如何提供一种解决上述技术问题的基于狼群算法的交通流预测方法、装置及系统成为本领域的技术人员目前需要解决的问题。

技术实现要素：

本发明实施例的目的是提供一种基于狼群算法的交通流预测方法、装置及系统，在使用过程在一定程度上提高了预测速度和预测精度。

为解决上述技术问题，本发明实施例提供了一种基于狼群算法的交通流预测方法，所述方法包括：

获取交通流数据；

采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到交通流预测结果；其中，所述小波神经网络交通流预测模型是基于狼群算法训练而成的，其训练过程为：

依据历史数据以及狼群算法计算出初始化小波神经网络参数；

采用小波神经网络以及所述历史数据对所述初始化小波神经网络参数进行训练得到所述小波神经网络交通流预测模型。

可选的，所述依据历史数据以及狼群算法计算出初始化小波神经网络参数的过程具体为：

依据历史数据将各个网络参数编码为各个个体狼，每个所述个体狼的位置与每个所述网络参数一一对应；

依据预设控制参数以及相应策略从各个所述个体狼中找到优化后的头狼所在的位置；

将所述位置进行解码得到与所述位置对应的网络参数，并将所述网络参数作为初始化小波神经网络参数。

可选的，所述预设控制参数包括个体狼的总数量、最大迭代次数、最大游走次数、预设数量以及预设距离；

所述依据预设控制参数以及相应策略从各个所述个体狼中找到优化后的头狼所在的位置的过程具体为：

s2121：选取除头狼外的预设数量的狼作为探狼，执行由万有引力定律优化策略改进的游走行为，并将当前狼群中猎物气味浓度最大的狼所对应的位置作为探狼的游走方向；

s2122：更新探狼的位置，并直至探狼的猎物气味浓度大于所述头狼的猎物气味浓度或当前游走次数达到最大游走次数时，将相应的探狼的位置代替所述头狼的位置，所述探狼成为新的头狼；

s2123：通过所述新的头狼召唤猛狼，并采用混沌初始化对获取的猛狼变量进行处理，得到初始化猛狼的位置；

s2124：依据初始化猛狼的位置产生猛狼新个体的位置，计算所述猛狼新个体的猎物气味浓度，并当所述猎物气味浓度大于所述新的头狼的猎物气味浓度时，将所述猛狼新个体的位置代替所述头狼的位置；直至猛狼新个体与头狼之间的距离小于预设距离；

s2125：执行惯性权重自适策略优化的围攻行为，并对头狼的位置进行更新；

s2126：按照“胜者为王”规则更新头狼的位置，再按照“强者生存”机制和“强者生存，弱肉强食”的原则对狼群进行群体更新；

s2127：判断头狼与猎物之间是否达到预设精度或当前迭代次数大于最大迭代次数，如果是，则将所述头狼作为优化后的头狼，并输出所述优化后的头狼的位置；否则，返回s2121。

可选的，所述更新探狼的位置的过程具体为：

依据第一计算关系式对所述探狼的位置进行更新；所述第一计算关系式为：

其中，所述x′i表示第i只探狼更新后的位置；所述xi表示第i只探狼的当前位置，所述xk表示第k只探狼的位置，所述rand(0,1)表示服从0到1的均匀分布函数，所述xbest表示当前猎物气味浓度最大的位置，所述yik表示第i只探狼相对第k只探狼的猎物气味浓度函数；

所述yik依据第二计算关系式得到，所述第二计算关系式为：其中，所述g表示万有引力常数；所述y(xi)表示第i只探狼的猎物气味浓度，所述y(xk)表示第k只探狼的猎物气味浓度。

可选的，所述依据初始化猛狼的位置产生猛狼新个体的位置的过程具体为：

依据初始化猛狼的位置以及第三计算关系式得到猛狼新个体的位置，所述第三计算关系式为：

x′n＝yi+ri(2xn,k-1)，其中，所述xn′为猛狼新个体的位置，所述xn,k表示第k次迭代时猛狼新个体的位置；所述yi为猎物的气味浓度；所述ri为奔袭区域半径；

所述xn,k依据第四计算关系式得到，所述第四计算关系式为xn,k+1＝μxn,k(1-xn,k)，其中，n∈[1,n]，所述n表示所述个体狼的总数量，所述μ表示混沌状态的控制参数，所述k表示迭代次数。

可选的，所述执行惯性权重自适策略优化的围攻行为，并对头狼的位置进行更新的过程具体为：

执行惯性权重自适策略优化的围攻行为，并依据第五计算关系式对头狼的位置进行更新，所述第五计算关系式为其中，所述m^k表示迭代次数为k使猎物的位置，所述stepc表示猛狼的攻击步长，所述γ表示惯性权重；所述γ依据第六计算关系式得到，所述第六计算关系式为：

其中，所述γmax表示最大惯性权重；所述γmin表示最小惯性权重，所述zmax表示所述最大迭代次数，所述z表示当前迭代次数。

为解决上述技术问题，本发明实施例提供了一种基于狼群算法的交通流预测装置，所述装置包括：

获取模块，用于获取交通流数据；

处理模块，用于采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到交通流预测结果；其中，所述小波神经网络交通流预测模型包括：

计算模块，用于依据历史数据以及狼群算法计算出初始化小波神经网络参数；

训练模块，用于采用小波神经网络以及所述历史数据对所述初始化小波神经网络参数进行训练得到所述小波神经网络交通流预测模型。

可选的，所述计算模块包括：

个体狼编码单元，用于依据历史数据将各个网络参数编码为各个个体狼，每个所述个体狼的位置与每个所述网络参数一一对应；

头狼寻到单元，用于依据预设控制参数以及相应策略从各个所述个体狼中找到优化后的头狼所在的位置；

解码单元，用于将所述位置进行解码得到与所述位置对应的网络参数，并将所述网络参数作为初始化小波神经网络参数。

为解决上述技术问题，本发明实施例提供了一种基于狼群算法的交通流预测系统，包括如上述所述的基于狼群算法的交通流预测装置。

本发明实施例提供了一种基于狼群算法的交通流预测方法、装置及系统，包括：获取交通流数据；采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到交通流预测结果；其中，小波神经网络交通流预测模型是基于狼群算法训练而成的，其训练过程为依据历史数据以及狼群算法计算出初始化小波神经网络参数；采用小波神经网络以及历史数据对初始化小波神经网络参数进行训练得到小波神经网络交通流预测模型。

可见，本发明实施例在对交通流进行预测时采用的小波神经网络交通流预测模型的初始化小波神经网络参数是依据历史数据以及狼群算法计算得到的，由于狼群算法具有搜索能力强、搜索范围广的特点，因此在很大程度上能收敛于全局最优解，故利用基于狼群算法得到的初始化小波神经网络参数训练出的小波神经网络交通流预测模型在对交通流进行预测时，在一定程度上提高了预测速度和预测精度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和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为本发明实施例提供的一种基于狼群算法的交通流预测方法的流程示意图；

图2采用本发明实施例所提供的基于狼群算法的交通流预测方法的高速公路交通流预测仿真示意图；

图3为采用现有技术中的小波神经网络的交通流预测方法的高速公路交通流预测仿真示意图；

图4为本发明实施例提供的一种基于狼群算法的交通流预测装置的结构示意图；

图5为本发明实施例提供的一种小波神经网络交通流预测模型的结构示意图。

具体实施方式

本发明实施例提供了一种基于狼群算法的交通流预测方法、装置及系统，在使用过程在一定程度上提高了预测速度和预测精度。

为使本发明实施例的目的、技术方案和优点更加清楚，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。

请参照图1，图1为本发明实施例提供的一种基于狼群算法的交通流预测方法的流程示意图。该方法包括：

s11：获取交通流数据；

s12：采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到交通流预测结果；其中，小波神经网络交通流预测模型是基于狼群算法训练而成的，其训练过程为：

s21：依据历史数据以及狼群算法计算出初始化小波神经网络参数；

s22：采用小波神经网络以及历史数据对初始化小波神经网络参数进行训练得到小波神经网络交通流预测模型。

需要说明的是，获取道路(例如高速公路)的交通流数据，依据这些交通流数据通过预先建立好的小波神经网络交通流预测模型进行交通流预测。本发明实施例中用来训练小波神经网络交通流预测模型的初始化小波神经网络参数(例如，小波神经网络连接权值以及阈值参数等)是通过狼群算法计算得出的，例如，可以预先从交通数据控制中心获取历史数据(也即历史交通流数据)，并采用狼群算法进行计算处理，从而得到初始化小波神经网络参数，再利用将历史数据及初始化小波神经网络参数输入至小波神经网络中进行训练得到小波神经网络交通流预测模型。

具体的，在实际应用中，例如对于某段高速公路的交通流的预测，可以先从该高速公路对应的交通数据控制中心的数据库中获取交通流数据，并可以将选取预测断面2016年5月份31天共2976个交通流数据作为实验用数据。为了使预测结果更加精确，还可以将获取的原始交通流数据进行数据处理包括数据降噪，异常数据识别与修复以及归一化处理后将其中一部分交通流数据(例如，将该月中前24天共2016个交通流数据)作为历史数据，将这部分历史数据通过相空间重构后作为训练样本，即对这些历史数据采用狼群算法进行训练，得到初始化小波神经网络参数，将另一部分数据(即最后7天中的672个交通流数据)进行相空间重构后作为测试样本(即作为用于预测的交通流数据)。也就是，采用前24天的历史数据训练初始化小波神经网络参数构建小波神经网络交通流预测模型，再通过构件好的小波神经网络交通流预测模型对后7天的交通流量实行单点单步预测，以得到预测结果。

当然，上述只是举例说明，在实际应用中历史数据和预测数据可以采用同一组历史交通流数据，也可以是不同的历史交通流数据，具体采用哪些交通流数据作为历史数据和预测数据可以根据实际情况而定，本发明实施例对此不做特殊的限定，能实现本发明实施例的目的即可。

本发明实施例提供了一种基于狼群算法的交通流预测方法，包括：获取交通流数据；采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到交通流预测结果；其中，小波神经网络交通流预测模型是基于狼群算法训练而成的，其训练过程为依据历史数据以及狼群算法计算出初始化小波神经网络参数；采用小波神经网络以及历史数据对初始化小波神经网络参数进行训练得到小波神经网络交通流预测模型。

可见，本发明实施例在对交通流进行预测时采用的小波神经网络交通流预测模型的初始化小波神经网络参数是依据历史数据以及狼群算法计算得到的，由于狼群算法具有搜索能力强、搜索范围广的特点，因此在很大程度上能收敛于全局最优解，故利用基于狼群算法得到的初始化小波神经网络参数训练出的小波神经网络交通流预测模型在对交通流进行预测时，在一定程度上提高了预测速度和预测精度。

本发明实施例公开了一种基于狼群算法的交通流预测方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。

需要说明的是，在训练小波神经网络交通流预测模型之前，需要预先设置所输入的交通流数据或历史数据的长度以及模型的控制参数。例如，可以将输入长度设为tfs(正整数)，则输入长度为tfs的交通流数据(或交通流时间序列)为c＝{c(i)|i＝1,2,,tfs}；

所设置的控制参数可以包括：input，即输入层神经元个数；hidden，即小波层神经元个数；ouput，即输出层神经元个数，其中，input≤tfs。

此外，还需要建立小波神经网络高速公路交通流预测模型：

其中，o表示小波神经网络交通流输出；wij表示连接第i个输入与第j个小波元的连接权值；(f(1),f(2),,f(input))为所输入的交通流数据(即相空间重构交通流输入数据)；vij表示连接小波层与输出层的权值；bj表示第j个平移系数；aj表示第j个伸缩系数；l表示小波基函数，并且其中，t为时间单位秒。本发明实施例中，通过计算出初始化小波神经网络参数wij，vij，aj，bj(i＝1,2,…,input；j＝1,2,…,output)，即可进一步得到小波神经网络交通流预测模型，并用于对交通流的预测。具体的：

在上一实施例的s21中，依据历史数据以及狼群算法计算出初始化小波神经网络参数的过程，具体可以为：

s211：依据历史数据将各个网络参数编码为各个个体狼，每个个体狼的位置与每个网络参数一一对应；

具体的，编码个体狼是将各个网络参数wij，vij，aj，bj(i＝1,2,…,input；j＝1,2,…,output)进行编码，其中，第i个d维个体狼的位置为xi＝(wij,vij,aj,bj)^t，即，每个个体狼的位置与相应的网络参数一一对应，并且d表示的是小波神经网络参数个数总和。

s212：依据预设控制参数以及相应策略从各个个体狼中找到优化后的头狼所在的位置；

需要说明的是，预先进行控制参数的设置，得到各个预设控制参数，预设控制参数可以包括，个体狼的总数量n(也即探狼、猛狼以及头狼的总数目)、最大迭代次数zmax、最大游走次数tmax、预设数量h(即探狼个数)以及预设距离(即猛狼与头狼之间的最小距离hnear)。还可以用t表示当前游走次数；用yi表示当前狼的猎物气味浓度(也即当前狼检测到的猎物气味浓度)；用ylead表示头狼的猎物气味浓度；用z表示当前代数迭代次数。

则，上述s212中依据预设控制参数以及相应策略从各个个体狼中找到优化后的头狼所在的位置的过程，具体可以为：

需要说明的是，首先需要确定狼群的游走策略，即选取除头狼外的预设数量的狼作为探狼，执行由万有引力定律优化策略改进的游走行为。具体如s2121-s2122：

s2121：选取除头狼外的预设数量的狼作为探狼，执行由万有引力定律优化策略改进的游走行为，并将当前狼群中猎物气味浓度最大的狼所对应的位置作为探狼的游走方向；s2122：更新探狼的位置，并直至探狼的猎物气味浓度大于头狼的猎物气味浓度(即yi＞ylead)或当前游走次数t达到最大游走次数tmax时，将相应的探狼的位置代替头狼的位置，探狼成为新的头狼；

可选的，本发明实施例中的预设控制参数可以包括个体狼的总数量、最大迭代次数、最大游走次数、预设数量以及预设距离；

当然，预设控制参数不仅限于包括上述几种参数，还可以包括其他的参数，具体的可以根据实际情况而定，本发明实施例对此不做特殊的限定，能实现本发明实施例的目的即可。

进一步的，在s2122中更新探狼的位置的过程，具体可以为：

依据第一计算关系式对探狼的位置进行更新；第一计算关系式为：

其中，x′i表示第i只探狼更新后的位置；xi表示第i只探狼的当前位置，xk表示第k只探狼的位置，rand(0,1)表示服从0到1的均匀分布函数，xbest表示当前猎物气味浓度最大的位置，yik表示第i只探狼相对第k只探狼的猎物气味浓度函数；

yik依据第二计算关系式得到，第二计算关系式为：其中，g表示万有引力常数；y(xi)表示第i只探狼的猎物气味浓度(也即，小波神经网络训练输出值与其期望值的误差为目标函数值)，y(xk)表示第k、只探狼的猎物气味浓度。

需要说明的是，上述的y(xi)可以由目标函数式得到，并且狼群中探狼位置的平均值满足式。

在确定了狼群的游走策略后，接着需要确定狼群的奔袭策略，通过上边产生的新的头狼召唤猛狼，使猛狼执行混沌策略优化奔袭行为，具体如s2123-s2124：

s2123：通过新的头狼召唤猛狼，并采用混沌初始化对获取的猛狼变量进行处理，得到初始化猛狼的位置；

s2124：依据初始化猛狼的位置产生猛狼新个体的位置，计算猛狼新个体的猎物气味浓度，并当猎物气味浓度大于新的头狼的猎物气味浓度时，将猛狼新个体的位置代替头狼的位置；直至猛狼新个体与头狼之间的距离小于预设距离；

进一步的，在s2124中依据初始化猛狼的位置产生猛狼新个体的位置的过程，具体可以为：

依据初始化猛狼的位置以及第三计算关系式得到猛狼新个体的位置，第三计算关系式为：

x′n＝yi+ri(2xn,k-1)，其中，xn′为猛狼新个体的位置，xn,k表示第k次迭代时猛狼新个体的位置yi为猎物的气味浓度；ri为奔袭区域半径；

其中，xn,k可以依据第四计算关系式得到，第四计算关系式为xn,k+1＝μxn,k(1-xn,k)，其中，n∈[1,n]，n表示个体狼的总数量，μ表示混沌状态的控制参数，k表示迭代次数。

具体的，该过程也即，将变量xn混沌映射到优化变量x′n，x′n在以转变为头狼的狼所在处的猎物浓度气味yi为中心，以ri为半径的奔袭区域上，计算猎物气味浓度y(x′n)，并且更新在混沌迭代过程中的最大猎物气味浓度ybest(x′n)，如果当前狼的猎物气味浓度大于头狼的猎物气味浓度，则替换头狼。直到猛狼与头狼之间的距离小于预设距离hnear。

需要说明的是，本发明实施例中的μ的取值可以为4，当μ取4时可以完全进入混沌状态。当然，在实际应用中，μ的取值不仅限于取4，也可以为其他的数值，其具体数值可以根据实际情况而定，本发明实施例对此不做特殊的限定，能实现本发明实施例的目的即可。

在确定了狼群的奔袭策略后，接着需要确定狼群的围攻策略，执行惯性权重自适策略优化的围攻行为，具体如s2125：

s2125：执行惯性权重自适策略优化的围攻行为，并对头狼的位置进行更新；

进一步的，在s2125中执行惯性权重自适策略优化的围攻行为，并对头狼的位置进行更新的过程，具体可以为：

执行惯性权重自适策略优化的围攻行为，并依据第五计算关系式对头狼的位置进行更新，第五计算关系式为其中，m^k表示迭代次数为k使猎物的位置，stepc表示猛狼的攻击步长，γ表示惯性权重；γ依据第六计算关系式得到，第六计算关系式为：

其中，γmax表示最大惯性权重；γmin表示最小惯性权重，zmax表示最大迭代次数，z表示当前迭代次数。

s2126：按照“胜者为王”规则更新头狼的位置，再按照“强者生存”机制和“强者生存，弱肉强食”的原则对狼群进行群体更新；

具体的，在对狼群进行群体更新时，可以将距离猎物(目标函数值)最远的p匹狼淘汰掉并随机产生p匹狼，以对狼群进行更新。其中，p∈[n/(2β),n/β]，β为更新比例因子。

s2127：判断头狼与猎物之间是否达到预设精度或当前迭代次数大于最大迭代次数，如果是，则将头狼作为优化后的头狼，并输出优化后的头狼的位置；否则，返回s2121。

s213：将位置进行解码得到与位置对应的网络参数，并将网络参数作为初始化小波神经网络参数。

具体的，由于狼群中每个个体狼的位置与网络参数一一对应，所以当找到优化后的头狼后，对优化后的头狼的位置进行解码即可得到初始化小波神经网络参数。

需要说明的是，在计算出初始化小波神经网络参数后，可以采用小波神经网络以及历史数据对初始化小波神经网络参数进行训练得到小波神经网络交通流预测模型。即s22的过程具体如下：

s221：根据input个输入层神经元，利用g-p算法重构交通流序列相空间(即输入input历史数据(即交通流序列)预测第input+1交通流时间序列)得到训练输入样本以及训练输出样本。

s222：建立训练目标函数其中e表示小波神经网络交通流预测期望值与网络实际输出值的均方误差函数；sp表示训练样本组数；sj表示第j个交通流期望值输出。

s223：如果|e|大于设定值，则如按照式以及更新小波神经网络参数，跳至s222，以修正小波神经网络参数；其中η为小波神经网络学习因子。

把训练好的小波神经网络参数wij，vij，aj，bj(i＝1,2,…,input；j＝1,2,…,output)代入预测小波神经网络，可以得到小波神经网络交通流预测模型，并利用获取的交通流数据以及计算关系式得到小波神经网络预测输出。

另外，请参照图2和图3，图2为采用本发明实施例所提供的基于狼群算法的交通流预测方法的高速公路交通流预测仿真示意图，图3为采用现有技术中的小波神经网络的交通流预测方法的高速公路交通流预测仿真示意图。图2中的iwn-wnn表示基于狼群算法的小波神经网络预测方法；图3中的wnn表示基于小波神经网络的预测方法。由图2和图3可知，本发明实施例所提供的基于狼群算法的交通流预测方法的精确度更高，预测效果更好。

相应的，本发明实施例公开了一种基于狼群算法的交通流预测装置。具体请参照图4图4为本发明实施例提供的一种基于狼群算法的交通流预测装置的结构示意图。在上述实施例的基础上：

该装置包括：

获取模块1，用于获取交通流数据；

处理模块2，用于采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到交通流预测结果；其中，小波神经网络交通流预测模型包括：

计算模块，用于依据历史数据以及狼群算法计算出初始化小波神经网络参数；

训练模块，用于采用小波神经网络以及历史数据对初始化小波神经网络参数进行训练得到小波神经网络交通流预测模型。

需要说明的是，本发明实施例提供的一种基于狼群算法的交通流预测系统，在使用过程中可以在一定程度上提高了预测速度和预测精度。

另外，对于本发明实施例中所涉及到的基于狼群算法的交通流预测方法的具体介绍，请参照上述方法实施例，本申请在此不再赘述。

在上述实施例的基础上，请参照图5，图5为本发明实施例提供的一种小波神经网络交通流预测模型的结构示意图。

可选的，计算模块包括：

个体狼编码单元，用于依据历史数据将各个网络参数编码为各个个体狼，每个个体狼的位置与每个网络参数一一对应；

头狼寻到单元，用于依据预设控制参数以及相应策略从各个个体狼中找到优化后的头狼所在的位置；

解码单元，用于将位置进行解码得到与位置对应的网络参数，并将网络参数作为初始化小波神经网络参数。

为解决上述技术问题，本发明实施例提供了一种基于狼群算法的交通流预测系统，包括如上述的基于狼群算法的交通流预测装置。

需要说明的是，本发明实施例提供的一种基于狼群算法的交通流预测系统，在使用过程中可以在一定程度上提高了预测速度和预测精度。

另外，对于本发明实施例中所涉及到的基于狼群算法的交通流预测方法的具体介绍，请参照上述方法实施例，本申请在此不再赘述。

还需要说明的是，在本说明书中，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。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。