一种GPS轨迹分段及语义标注方法与流程
本发明涉及轨迹分段及标注方法，具体涉及一种gps轨迹分段及语义标注方法。
背景技术：
全球定位系统技术的发展和移动互联设备的广泛使用，产生了大量记载人类移动信息的gps轨迹数据。如何从gps轨迹大数据中分析和理解用户的移动信息，成为大数据分析领域研究的热点。
轨迹分段是轨迹数据处理的基本问题，该技术将一条记载用户移动信息的长轨迹分割为短的子轨迹片段，从而便于进一步实现轨迹查询、轨迹分类和轨迹分析。近年来，随着数据分析领域技术的发展和应用领域需求的变化，轨迹分段的任务已经从以数据精简为目的的简单分割，转变为以语义分析为导向的分段，即研究：如何将连续gps点组成的原始轨迹分割为能够解释用户出行的有意义的语义片段的研究。
根据轨迹语义分段的目标，原始gps的语义分段任务可以分解为两个子问题，即：轨迹分段和轨迹语义丰富。
轨迹分段是将原始轨迹划分为连续多个且各自同质的子轨迹段。现有的方法通常采用基于阈值的分割技术实现。包括：(1)通过预先设定的速度、距离、时间间隔等指标的阈值，定义用户的运动状态，识别出的停留位置，从而实现轨迹分割；(2)根据用户出行的交通方式，使用多种不同轨迹时空标准(如轨迹速度、密度、角度和采样率等)，定义用户乘坐多种交通工具时所处的状态，识别出交通换乘点等语义信息，并依此作为分段依据。
轨迹分段方法虽然已经取得了一定的进展，但是上述方法均需要预先定义阈值。如果随机选取阈值，则导致算法主观性强，缺乏合理解释。因此，一些研究尝试通过学习给出适应性的阈值范围，但是，学习的方法需要预先给定合理的学习样本，然而，实际应用中，很难得到一个有标签的数据集用于监督性学习得到阈值，并且，不同数据集上使用时需要重新学习参数，因此，基于阈值的算法缺乏通用性。
轨迹的语义推理和信息标注是借助丰富的外部信息推理实现原始轨迹中蕴含的用户行为解释过程。该技术需要集成不同种类的数据源(时空，轨迹，地理，领域知识等)，对原始轨迹进行分析推理得出富含语义的信息结果。为了更好的使用外部数据挖掘原始轨迹中蕴含的语义信息，一些研究开始借助基于本体的轨迹语义分析模型，但现有的本体模型结构和推理机制过于简单，且多数研究限于特定的领域，缺乏技术框架的系统性和完备性，缺乏通用性和缺少知识系统支撑的轨迹语义解析和推理。
综上所述，轨迹语义分段目前在如下两个方面有待深入研究：
1、自动识别轨迹中蕴含的运动模式特征变化点的位置，实现原始轨迹分段；
2、构建通用的轨迹语义本体模型，实现分段轨迹的语义标注。
技术实现要素：
本发明的目的在于提供一种gps轨迹分段及语义标注方法，用以解决现有技术中的原始gps轨迹语义分段时需要进行分段参数的阈值学习，导致分段效率低等问题。
为了实现上述任务，本发明采用以下技术方案：
一种gps轨迹分段方法，用于对用户gps轨迹进行分段，所述的gps轨迹由多个轨迹点组成，所述的轨迹点由位置坐标信息以及该轨迹点产生的时间表示，所述的方法按照以下步骤进行：
步骤1、提取所述用户gps轨迹中每个轨迹点的特征向量；
步骤2、根据所述的每个轨迹点的特征向量，提取所述每个轨迹点的当前运动模式矩阵以及历史运动模式矩阵；
所述的每个轨迹点当前运动模式矩阵由该轨迹点产生时间之前的多个轨迹点的特征向量、该轨迹点的特征向量以及该轨迹点产生时间之后的多个轨迹点的特征向量组成；
所述每个轨迹点历史运动模式矩阵由该轨迹点产生时间之前的多个轨迹点的特征向量和该轨迹点的特征向量组成；
步骤3、计算每个轨迹点的当前运动模式矩阵与历史运动模式矩阵之间的距离后进行汇总，获得所述用户轨迹的当前运动模式矩阵与历史运动模式矩阵之间的距离集合；
步骤4、将所述的距离集合转换成图像形式，获得距离曲线；
步骤5、在所述的距离曲线中找到至少一个运动模式变化点；
所述的运动模式变化点是指在所述的距离曲线中该轨迹点的求导值为0，且与该轨迹点相邻左侧的轨迹点的求导值小于0，与该轨迹点相邻右侧的轨迹点的求导值大于0；
步骤6、以所述的运动模式变化点为分割点，对所述用户gps轨迹进行分段，得到多段用户gps子轨迹。
进一步地，所述的步骤3中计算每个轨迹点的当前运动模式矩阵与历史运动模式矩阵之间的距离，按照以下步骤进行：
步骤31、对每个轨迹点的当前运动模式矩阵以及历史运动模式矩阵分别进行奇异值分解后提取主成分，获得每个轨迹点历史运动模式矩阵的第一主成分矩阵，获得每个轨迹点当前运动模式矩阵的第二主成分矩阵；
步骤32、计算所述每个轨迹点的第一主成分矩阵与第二主成分矩阵之间的距离，获得每个轨迹点的当前运动模式矩阵与历史运动模式矩阵之间的距离。
进一步地，所述的步骤32中计算所述每个轨迹点的第一主成分矩阵与第二主成分矩阵之间的距离时，按照以下步骤执行：
步骤321、获得每个轨迹点的第一主成分矩阵与第二主成分矩阵之间的格拉姆矩阵；
步骤322、计算每个轨迹点的第一主成分矩阵与第二主成分矩阵之间的格拉姆矩阵的最大奇异值σmax；
步骤323、采用式ii获得所述每个轨迹点的第一主成分矩阵与第二主成分矩阵之间的距离dist。
进一步地，所述的步骤1中提取所述用户gps轨迹中每个轨迹点的特征向量时，所述的特征向量包括平均速度特征向量以及平均采样率特征向量。
进一步地，在所述的步骤4将所述的距离集合转换成图像形式之前，先将所述的距离集合归一化至0到1之间。
一种gps轨迹语义标注方法，利用所述的gps轨迹分段方法对用户的gps轨迹进行分段后，获得用户的多段gps子轨迹，采用语义本体模型标注的方式对每段所述的gps子轨迹进行合并后再进行语义标注。
进一步地，所述的采用语义本体模型标注的方式对每个所述的gps子轨迹进行合并后再进行语义标注时，按照以下步骤执行：
step1、构建本体模型，所述的本体模型包括地理本体模型，轨迹本体模型，空间本体模型，时间本体模型以及应用领域本体模型；
step2、将所述的本体模型存储至数据库中；
step3、将所述用户的多段gps子轨迹的终点按照轨迹顺序依次输入至所述数据库的本体模型中进行查询；
对于第r段子轨迹的终点，若查询结果为不包含兴趣点，则将第r段子轨迹与第r+1段子轨迹进行合并后继续查询，直至查询结果为包含兴趣点，则合并后的多段子轨迹形成一条真实语义轨迹；若查询结果为包含兴趣点，则将第r段子轨迹作为一条真实语义轨迹，1≤r≤r，r≥2，r与r均为正整数，r为利用所述的gps轨迹分段方法对用户的gps轨迹进行分段后，获得用户的gps子轨迹的总段数；
获得多条真实语义轨迹；
step4、将所述每条真实语义轨迹的起点与终点输入至所述数据库的本体模型中进行查询，获得每条真实语义轨迹的起点、终点以及轨迹行为的语义标注。
所述的step3中将所述用户的多个gps子轨迹的终点按照轨迹顺序依次输入至所述数据库的本体模型中进行查询时，查询所述本体模型中的地理本体模型和应用领域本体模型。
本发明与现有技术相比具有以下技术效果:
1、本发明提供一种用于原始gps轨迹的语义轨迹建模的semantic-seg框架。该框架分两阶段完成，即为语义轨迹分段和基于本体模型的语义标注；首先，应用自顶向下的方法将原始gps轨迹分割为若干关于用户移动条件一致的连续子轨迹；然后执行自底向上的推理和注释过程来创建层次化的语义片段或现实生活情景。将自顶向下完成轨迹分段和自底向上实现语义推理相结合的semantic-seg框架不仅提高了语义分段任务效率，同时具有高度的灵活性；
2、本发明提供的gps轨迹分段及语义标注方法自动识别轨迹移动模式发生变化的轨迹点位置，不需其他先验知识或预先设定阈值；
3、本发明提供的gps轨迹分段及语义标注方法实现轨迹分段和轨迹语义标注自动化过程，输出层次化的轨迹语义信息，满足不同应用的需求。
附图说明
图1为本发明提供的gps轨迹分段方法流程图；
图2为本发明的一个实施例中提供的原始轨迹示意图；
图3为本发明的一个实施例中提供的经过轨迹分段后的轨迹示意图；
图4为本发明的一个实施例中提供的经过合并后的真实语义轨迹示意图；
图5为本发明的一个实施例中提供的语义标注示意图。
具体实施方式
以下是发明人提供的具体实施例，以对本发明的技术方案作进一步解释说明。
实施例一
一种gps轨迹分段方法，用于对用户gps轨迹进行分段，所述的gps轨迹由多个轨迹点组成，所述的轨迹点由位置坐标信息以及该轨迹点产生的时间表示。
在本实施例中，轨迹数据中蕴含移动模式变化点，根据运动模式变化点就可以将用户原始gps轨迹数据进行分段，具体地，将原始gps轨迹数据作为输入，在本实施例中提出了一种非监督算法mpcd实现原始轨迹运动模式变化点检测的方法。
所述的方法按照以下步骤进行：
步骤1、提取所述用户gps轨迹中每个轨迹点的特征向量；
在本步骤中，首先获取用户gps轨迹，用户移动产生的gps轨迹数据中的每一个原始轨迹点γ，可以用一个三元组表示为：γ＝(x,y,t)，其中t表示产生gps轨迹点的时间，(x,y)表示用户在t时刻的位置坐标信息。
一条gps轨迹是由连续轨迹点组成的序列，其长度为n，表示为：t＝{γ1,γ2,…,γn}。对于原始轨迹t，从任意点k开始，可以形成长度为l的子轨迹，表示为t＝{γk,γk+1,…,γk+l-1}，其中，1≤k≤k+l-1≤n。这里，子轨迹的长度l需等于或小于原始轨迹的长度n。
gps点的轨迹特征定义为从该点所代表的，长度为l的子轨迹中计算和提取的移动特征，其中，子轨迹的速度平均值、速度的最大值、最小值、子轨迹中gps点之间的最大时间间隔等，均可定义为代表性的轨迹移动特征。
在本实施例中，实现数据库中存储的用户日常出行轨迹的语义分割，需根据交通模式变化点或用户进入建筑物等兴趣点(poi：pointofinterest)所产生的轨迹点移动速度变化及采样率变化进行用户移动模式变化点的识别和判断。
因此，作为一种优选的实施方式，所述的步骤1中提取所述用户gps轨迹中每个轨迹点的特征向量时，所述的特征向量包括平均速度特征向量f1以及平均采样率特征向量f2。
在本实施例中，依次扫描原始轨迹t，提取每一个gps点的轨迹特征，构成轨迹特征向量，其中第ti时刻的轨迹点的特征向量为：
其中，
本发明构建的轨迹特征向量中提取了二维特征：平均速度f1和平均采样率f2，因此s＝2。
步骤2、根据所述的每个轨迹点的特征向量，提取所述每个轨迹点的当前运动模式矩阵以及历史运动模式矩阵；
所述的每个轨迹点当前运动模式矩阵由该轨迹点产生时间之前的多个轨迹点的特征向量、该轨迹点的特征向量以及该轨迹点产生时间之后的多个轨迹点的特征向量组成；
所述每个轨迹点历史运动模式矩阵由该轨迹点产生时间之前的多个轨迹点的特征向量和该轨迹点的特征向量组成；
在本步骤中，首先定义了轨迹点当前运动模式矩阵以及历史运动模式矩阵的形式，其中第ti时刻的轨迹点当前运动模式矩阵为：
pcur(ti)＝p(ti-k+r→ti+r)＝[f(ti-k+r),…,f(ti),…,f(ti+r-1),f(ti+r)]
其中，f(ti-k+r)为第ti-k+r时刻轨迹点的特征向量，f(ti)为第ti时刻轨迹点的特征向量，f(ti+r-1)为第ti+r-1时刻轨迹点的特征向量，f(ti+r)为第ti+r时刻轨迹点的特征向量。
第ti时刻的轨迹点历史运动模式矩阵为：
ppast(ti)＝p(ti-k→ti)＝[f(ti-k),f(ti-k+1),…,f(ti-1),f(ti)]
其中，f(ti-k)为第ti-k时刻轨迹点的特征向量，f(ti-k+1)为第ti-k+1时刻轨迹点的特征向量，f(ti-1)为第ti-1时刻轨迹点的特征向量，f(ti)为第ti时刻轨迹点的特征向量。
经过步骤2，获得用户轨迹中每个时刻获得的轨迹点的当前运动模式矩阵和历史运动模式矩阵。
步骤3、计算每个轨迹点的当前运动模式矩阵与历史运动模式矩阵之间的距离后进行汇总，获得所述用户轨迹的当前运动模式矩阵与历史运动模式矩阵之间的距离集合；
在本步骤中，计算每个轨迹点的当前运动模式矩阵与历史运动模式矩阵之间的距离时，从原始轨迹上的第一个点开始，依次对每个时刻所产生的轨迹点，计算当前运动模式矩阵和历史运动模式矩阵之间的距离dist。
在本实施例中，计算每个时刻的轨迹点的当前运动模式矩阵与历史运动模式矩阵之间的距离时，可以利用矩阵距离的方法进行计算，即直接计算当前运动模式矩阵与历史运动矩阵之间的距离，在本实施例中，为了提高算法的效率，按照以下步骤计算当前运动模式矩阵和历史运动模式矩阵之间的距离dist：
步骤31、对每个轨迹点的当前运动模式矩阵以及历史运动模式矩阵分别进行奇异值分解后提取主成分，获得每个轨迹点历史运动模式矩阵的第一主成分矩阵，获得每个轨迹点当前运动模式矩阵的第二主成分矩阵；
在本步骤中，以第ti时刻轨迹点的当前运动模式矩阵pcur(ti)和历史运动模式矩阵ppast(ti)为例：
首先，对第ti时刻轨迹点当前模式运动模式矩阵pcur(ti)和历史运动模式矩阵ppast(ti)分别采取奇异值分解，计算运动模式中最强的主成分，获得第ti时刻轨迹点当前模式运动模式矩阵pcur(ti)的h1个奇异值，获得第ti时刻轨迹点历史模式运动模式矩阵ppast(ti)的h2个奇异值。
之后，将第ti时刻轨迹点当前模式运动模式矩阵pcur(ti)的h1个奇异值对应的左奇异向量组成第一主成分矩阵，该第一主成分矩阵是一个大小为s×h1的矩阵
因此，第一主成分矩阵以及第二主成分矩阵作为当前模式运动模式矩阵pcur(ti)以及历史模式运动模式矩阵ppast(ti)的代表子空间，作为代表运动模式矩阵。
因此对于所有轨迹点组成了整个轨迹的第一主成分矩阵
步骤32、计算所述每个轨迹点的第一主成分矩阵与第二主成分矩阵之间的距离。
在本实施例中，计算第一主成分矩阵与第二主成分矩阵的方法可以是直接矩阵距离计算的方法，但是在本实施例中，采用格拉姆矩阵计算第一主成分矩阵与第二主成分矩阵之间的距离。
可选地，所述的步骤32中计算所述每个轨迹点的第一主成分矩阵与第二主成分矩阵之间的距离时，按照以下步骤执行：
步骤321、获得每个轨迹点的第一主成分矩阵与第二主成分矩阵之间的格拉姆矩阵k，其中
在本步骤中，以对第ti时刻轨迹点为例，根据第一主成分矩阵
步骤322、计算所述格拉姆矩阵k的最大奇异值σmax；
在本步骤中，采用式i获得格拉姆矩阵k的最大奇异值σmax：
其中，l为子轨迹的长度。
步骤323、采用式ii获得所述每个轨迹点的第一主成分矩阵与第二主成分矩阵之间的距离dist。
在本步骤的最后，从原始轨迹上的第一个点开始，依次计算每个时刻轨迹点的当前运动模式矩阵和历史运动模式矩阵之间的距离dist，将所有的轨迹点的距离dist形成一个距离集合。
步骤4、将所述的距离集合转换成图像形式，获得距离曲线；
可选地，在所述的步骤4将所述的距离集合转换成图像形式之前，先将所述的距离集合归一化至0到1之间。
在本步骤中，首先对距离集合进行正则化，将距离集合的取值范围归一到[0,1]之内。对距离值集合进行曲线拟合，形成一条变化的距离曲线，记为fitdist(t)。
距离曲线fitdist(t)表明原始轨迹中每个gps轨迹点的移动模式变化的程度，该曲线中的极大值表明该位置上的gps轨迹点相较于前后的轨迹点的时空特征变换最为明显，是轨迹移动模式特征变化点。
步骤5、在所述的距离曲线中找到至少一个极大值点，所述的极大值点为运动模式变化点，获得至少一个运动模式变化点；
所述的极大值点是指在所述的距离曲线中该轨迹点的求导值为0，且与该轨迹点相邻左侧的轨迹点的求导值小于0，与该轨迹点相邻右侧的轨迹点的求导值大于0；
在本步骤中，为了求得模式距离变化曲线fitdist(t)中的极大值集合，沿曲线上的点依次进行求导计算，并根据下述条件一，实现极大值的选取，即：在距离变化曲线上，如果第ti时刻轨迹点求导值为0，同时第ti-1时刻轨迹点求导值大于0且第ti+1时刻轨迹点求导值小于0，则第ti时刻轨迹点是极大值点。
将距离曲线上位于极大值的轨迹点的即作为用户轨迹分段依据的移动模式变化点。
步骤6、以所述的运动模式变化点为分割点，对所述用户gps轨迹进行分段，得到多段用户gps子轨迹。
根据移动模式变化点，对原始轨迹进行分段，将用户原有的gps轨迹分割成不相交的若干子轨迹，这些子轨迹的起始节点与结束节点均由模式变化点决定，子轨迹的内部运动模式保持一致性，从而形成子轨迹。
在本实施例中明一种移动模式变化检测方法(mpcd：movingpatternchangedetection)。mpcd方法实现运动模式中的特征提取，并采用奇异值分解实现运动模式中轨迹时空特征的变化点检测。有别于传统的根据特征描述或先验知识设置全局阈值来划分原始轨迹的方法，mpcd方法通过依次扫描原始gps轨迹数据，对每一个数据点提取该点当前和过去时间段的运动模式，并计算运动模式之间的变化程度。当变化程度满足理论条件时，即可以确定该轨迹点所代表的当前时空特征有别于过去的时空特征，即判断该点是一个模式变化点，然后依此产生一个轨迹分割点。运用mpcd方法检测得出的轨迹的分割点，将原始gps轨迹分割成若干原子语义子轨迹(ases：atomicsemanticsegment)。
实施例二
一种gps轨迹语义标注方法，利用如实施例一所述的gps轨迹分段方法对用户的gps轨迹进行分段后，获得用户的多段gps子轨迹，采用语义本体模型标注的方式对每段所述的gps子轨迹进行合并后再进行语义标注。
可选地，所述的采用语义本体模型标注的方式对每段所述的gps子轨迹进行语义标注时，按照以下步骤执行：
step1、构建本体模型，所述的本体模型包括地理本体模型，轨迹本体模型，空间本体模型，时间本体模型以及应用领域本体模型；
首先设计用于轨迹分割的通用本体。在本实施例中设计的本体由五个子本体构成，分别为：地理本体、轨迹本体、空间本体、时间本体和应用领域本体。
其中，地理本体是指地理空间信息，类似于地图的路网信息等；
轨迹本体是指针对于所要标注的轨迹，该轨迹的停留信息，起点、终点以及时间信息；
空间本体是指空间中物体与物体之间的相邻或相交的关系；
时间本体是指时间的概念，年-季度-月-日-小时的概念；
应用领域本体是根据产生轨迹的对象获得的，例如对于研究人的轨迹行为，应用领域本体可以是交通等；对于研究其他生物的迁徙轨迹行为，应用领域本体可以是迁徙路线等其他特征。
使用protégé软件实现本体模型的构建(在此并不局限于本体构建的软件平台，采用其他本体构建的软件也可以实现)。protégé软件中通过创建“类(class)”来表示模型中的概念，通过父类与子类之间的逻辑关系表达概念之间的层次关系。通过类与类之间的包含逻辑关系，表达概念之间的包含与被包含关系。
step2、将所述的本体模型存储至数据库中；
在本实施例中，在现有的数据库安装完后首先建立一个protégé的数据库，接下来还需要下载jdbc驱动程序，它的作用是将protégé和数据库连接起来。然后在protégé中，选择以owldatabase形式转换项目。将本体模型以数据形式和现有数据同时存储在数据库中，即可以在给定条件下进行查询。
step3、将所述用户的多段gps子轨迹的终点按照轨迹顺序依次输入至所述数据库的本体模型中进行查询；
对于第r段子轨迹的终点，若查询结果为不包含兴趣点，则将第r段子轨迹与第r+1段子轨迹进行合并后继续查询直至查询结果为包含兴趣点，则合并后的多段子轨迹形成一条真实语义轨迹；若查询结果为包含兴趣点，则将第r段子轨迹作为一条真实语义轨迹，1≤r≤r，r≥2，r与r均为正整数，r为利用所述的gps轨迹分段方法对用户的gps轨迹进行分段后，获得用户的gps子轨迹的总段数；
获得多条真实语义轨迹；
可选地，所述的step3中将所述用户的多段gps子轨迹的终点按照轨迹顺序依次输入至所述数据库的本体模型中进行查询时，查询所述本体模型中的地理本体模型和应用领域本体模型。
在本实施例中，从第一段子轨迹(原始语义轨迹ases)开始，依次对每一段子轨迹ases的终止节点，在地理本体和应用领域本体中进行检索，如果子轨迹ases的终止节点不包含兴趣点poi或兴趣区域roi，则将该条子轨迹ases与下一段子轨迹ases进行合并，合并后的原始语义轨迹形成真实语义轨迹集合。
step4、将所述每条真实语义轨迹的起点与终点输入至所述数据库的本体模型中进行查询，获得每条真实语义轨迹的起点、终点以及轨迹行为的语义标注。
在本实施例中，构建了一个自底向上的基于本体模型的轨迹语义推理和丰富框架。首先设计实现用于轨迹语义分段的通用本体，该本体融合了地理，环境，应用和领域的概念和层次关系。然后，基于构建的本体模型推理出隐含在原子轨迹中的语义信息。语义丰富的推理过程结合了语义修正和信息标注两个功能。最后，将子轨迹转化为的层次化的语义信息或易理解的现实生活场景。
实施例三
在本实施例中，采用来自微软亚洲研究院公开的轨迹数据集geolife的gps轨迹。该数据集中收集了69位用户日常活动所产生的10902条gps轨迹。
在本实施例中以数据库中179号轨迹为例，描述如何采用本发明提出的方法实现轨迹分段及语义标注。179号轨迹在地图中进行可视化结果如图2所示。
采用发明提出的mpcd轨迹分割方法，对179号原始轨迹进行分割形成原子语义轨迹段(ases)，分割产生52段ases，结果可视化如图3所示。其中，红色的点为采用mpcd算法产生的原始语义分割点。这里因为地图显示的尺寸有限，语义分割点可视化时有部分重叠。
接下来采用实施例二中的step3，对ases中的每一条轨迹的终点进行语义查询和合并，形成真实语义轨迹。本例中共产生16条真实语义轨迹，每一段真实语义轨迹代表用户一种持续性的运动状态。本案例从用户起始点轨迹到终止点轨迹，对真实语义轨迹进行1到16的标号，可视化结果如图4所示。
将16条真实语义轨迹依次输入至所述数据库的通用本体模型中进行查询，获得层次化的语义信息，描述用户移动过程产生的生活场景。图5为179号轨迹实施本方案中的语义解析及标注后的生活场景示意图。图4描述了用户的移动模式，其中，用户移动的交通方式如图4中l1所描述：用户在早晨9：14-10：15期间，交通方式为乘坐公交车，一共经过了包含起始站点和结束站点的7个公交车站。从l2，l3的交通换乘和行为可解读，该用户早晨8：58分出发，采用不同的交通方式(乘坐公交车，步行)移动，经过多个poi，在上午10：02分到达休闲区域，步行前往餐馆poi，期间停留2小时55分钟后，前往地铁站，继续产生移动行为，并经过多种交通方式(乘坐地铁，乘坐公交车，步行)，最终于下午14：03分到达学校poi。
- 还没有人留言评论。精彩留言会获得点赞！