为预测在测量站的有害物质浓度而生成用于神经网络的训练数据的计算机辅助方法与流程

为预测在测量站的有害物质浓度而生成用于神经网络的训练数据的计算机辅助方法
1.本发明涉及一种根据权利要求1的前序部分所述的生成用于神经网络的训练数据的方法、根据权利要求9的前序部分所述的用于训练神经网络的方法以及根据权利要求10的前序部分所述的用于借助神经网络确定有害物质浓度的方法。
2.在一些德国城市内，有害物质负荷、例如氮氧化物浓度在特定时间范围内可能会高于允许的极限值。
3.为了确保足够的空气质量，城市会采取多种措施、例如驾驶禁令。然而，要使这些措施有效，就必须在可能超过限值之前实施这些措施。为此，需要对污染物浓度进行可靠和尽可能精确的预测(预估)。
4.原则上，排放和影响(量纲为质量或每单位长度每单位时间的质量)和浓度(量纲为每单位体积的质量)是有区别的。排放物是有害物质的排放质量，例如在例如一小时的时间范围内来自交通参与者的排放质量。排放同样可以是基于长度(道路长度、路线长度等)和时间范围而言的，从而在此所述排放具有每单位长度每单位时间的质量的量纲。有害物质浓度例如由测量站在城市内的特定位置基于该出的排放被测量。原则上，排放、影响和污染物浓度与时间相关。
5.由于过程的复杂性，难以预测有害物质浓度，因此为此通常使用神经网络。
6.这种情况下，基本方法被一分为二。首先，借助模型计算排放。随后，借助神经网络根据由基于模型计算的排放确定有害物质浓度。
7.为此需要对神经网络进行训练，也就是说，需要有关有害物质浓度的训练数据。典型地，神经网络必须借助训练数据来学习如何由污染物排放得出有害物质浓度。通常，通过使用有害物质浓度的历史数据作为训练数据来训练神经网络。以这种方式训练的神经网络对于频繁发生的情况提供了良好的预测。因此，可以通过所述预测足够精度地预测平均有害物质浓度。
8.问题在于高负荷的事件或情况，因为它们通常很少发生。因此，只有很少的数据可用于训练神经网络。由于该问题，对于真感兴趣的高负荷的事件、也即对于罕见事件的预测较差。
9.由现有技术基本上已知两种用于改进对这种罕见事件的预测的方法。
10.首先，为训练所使用的数据或测量系列可以不同地加权。例如，高负荷的历史事件被多次使用。对此的弊端在于，由此导致对平均负担的预测变差。由此仍保持了固有的问题：对于高负荷的事件仅存在较少的测量系列或测量数据和由此的训练数据。
11.第二，有害物质排放和有害物质浓度可以通过完整的基于模型的方法来计算。这是巨大的工作，并且此外并非所有的关联性都是已知的。因此，已知的方法通常提供过低的有害物质浓度值。
12.本发明所要解决的技术问题在于，提供一种对神经网络的改进的训练，该训练设计用于由有害物质排放确定有害物质浓度。
13.所述技术问题通过一种具有独立权利要求1的技术特征的生成用于神经网络的训
练数据的方法、通过具有独立权利要求9的技术特征的用于训练神经网络的方法以及具有独立权利要求10的技术特征的用于借助神经网络确定有害物质浓度的方法解决。在从属权利要求中给出了本发明有利的设计方式和改进方案。
14.根据本发明的计算机辅助方法用来生成用于神经网络的训练数据，其中，所述神经网络构造用于由至少一个有害物质排放确定在测量站处的有害物质浓度，所述方法至少包括以下步骤：
[0015]-提供至少一个有害物质浓度的测量系列，所述测量系列具有至少一个测量值，该测量值高于定义的阈值；
[0016]-提供至少一个对应于测得的有害物质浓度的物理测量变量、尤其温度、风速和/或风向和/或化学物质浓度的测量系列；
[0017]-提供传播模型，其中，所述传播模型对有害物质排放、测量站处的测量变量和有害物质影响(或称为有害物质注入、有害物质样本)之间的关系进行建模；
[0018]-借助传播模型由有害物质排放计算有害物质影响的第一值i0，其中，为此使用测量变量的至少一个对应于已提供的测得的有害物质浓度的(原始)值c0的测量值；
[0019]-借助传播模型由有害物质排放计算有害物质影响的第二值i1，其中，测量变量的用于计算有害物质影响的第一值i0的测量值在数值上被改变；并且
[0020]-通过已提供的测得的有害物质浓度的测量系列的值c0的改变δc来生成合成的测量系列作为训练数据，其中，所述改变δc借助有害物质排放的计算值的相对变化δi/i0实现。
[0021]
根据本发明的用于生成训练数据的方法提供了数据或者说有害物质浓度的时间系列，借助所述方法能够训练神经网络。该训练可以借助已知的方法、例如深度学习进行。
[0022]
神经网络(英文：artificial neural network)在此配置或构造用于由有害物质排放确定测量站处的有害物质浓度。一个有害物质影响或者说多个有害物质影响借助传播模型由一种有害物质排放或多种有害物质排放计算得出。由此，传播模型对所排放的有害物质从排放地、例如街道至影响地、也即测量点的传输进行建模。传播模型可以优选包括化学转化过程和相关的方程。
[0023]
在根据本发明的用于生成训练数据的方法的第一步骤中提供有害物质浓度的测量系列，其中，至少一个有害物质浓度的值或者说测量值高于定义的阈值。换言之，提供了测量系列，该测量系列对应于至少一个在某个时刻的高有害物质浓度，并且由此对应于高有害物质负荷。由此发生了高有害物质负荷的罕见事件。
[0024]
阈值通常由极限值定义，例如氮氧化物为200微克/立方米(μg/m3)。测量系列是有害物质浓度的测量值的时间顺序(连续或离散的)，例如单位为μg/m3。测量系列具有一个或多个测量值，其中，每个测量值已经在特定时刻被检测。时刻同样可以是时间范围，从而已经针对该时间范围检测或确定了测量值。例如，针对每小时确定、例如通过一次或多次测量来确定有害物质浓度的测量值。换言之，例如检测一天中每小时的有害物质浓度的测量值。然后，这些检测到的测量值的按时间顺序排列的序列形成有害物质浓度的示例性的测量系列。
[0025]
在根据本发明的用于生成训练数据的方法的第二步骤中提供物理/技术测量变量的至少一个测量系列。在此，测量变量是物理/技术变量，例如温度、风速和/或风向和/或一
种或多种化学物质浓度。测量变量与所提供的测得的有害物质浓度相关，也即针对每个时刻都存在有害物质浓度的测量值和测量变量的测量值。可以设置多个测量变量和相应的测量系列。
[0026]
例如，对于一天中的每个小时都检测平均有害物质浓度和针对该平均有害物质浓度存在的进而所属的平均温度、风速和/或风向。换言之，随时间检测至少两个测量变量，所述有害物质浓度和物理/技术测量变量，例如在测得有害物质浓度温度时存在或者说曾经存在的温度、风速和/或风向。测量变量是重要的，因为一个测量变量或多个测量变量，例如温度、风速和/或风向和/或空气的化学成分(化学物质浓度)主要影响有害物质浓度，也就是说，有害物质浓度取决于一个或多个测量变量。因此，城市内测量站处的有害物质浓度可决定性地取决于风向和/或风速以及空气的化学成分。
[0027]
在根据本发明的用于生成训练数据的方法的第三步骤中提供传播模型，其中，所述传播模型对有害物质排放、在测量站处的测量变量和有害物质影响之间的关系(关联)进行建模或者说描述。因此，借助传播模型能够根据测量变量、例如温度、风速和/或风向和/或化学物质浓度来计算有害物质影响、例如交通参与者的有害物质影响。所述传播模型通常是复杂的，并且还补充地包括与空气中的化学转化过程相关的方程。由此，传播模型包括输入变量和至少一个输出变量，其中，输入变量是污染物排放和测量变量，而输出变量是测量站的有害物质影响。
[0028]
在根据本发明的用于生成训练数据的方法的第四步骤中，借助传播模型由有害物质排放计算有害物质影响的第一值i0。为此，使用测量变量的对应于已提供的测得的有害物质浓度的值c0的至少一个测量值。换言之，测量变量的对应于已提供的测得的有害物质浓度的值c0的值、例如温度的对应于有害物质浓度的值的值被用作模型的输入变量。其他输入变量是同样能够被计算的有害物质排放。传播模型则由此计算出有害物质影响的第一值i0。例如将温度、风速和/或风向作为输入变量输入传播模型，由此传播模型则计算出在测量站处或者说在测量站的区域中的第一有害物质影响i0。
[0029]
在根据本发明的用于生成训练数据的方法的第五步骤中，借助传播模型基于同样的有害物质影响计算有害物质影响的第二值i1。有害物质排放由此保持不变。然而测量变量的为计算有害物质影响的第一值i0所使用的测量值在数值上发生改变。换言之，针对测量变量的改变的值、例如针对温度、风速和/或风向的改变的值和/或空气中化学物质(例如氮氧化物、氧气和/或臭氧)的改变的物质浓度，计算第二有害物质影响i1。因此，测量变量的改变的值或相应地测量变量的改变的测量系列作为输入值被输入传播模型。由此，计算有害物质影响的第二值i1或者说第二有害物质影响或者说有害物质影响的第二时间系列。在此情况下，有害物质影响的第二值i1对应于合成的有害物质影响，在测量变量的值相应改变时，例如在改变的温度、改变的风速和/或改变的风向和/或改变的化学边界条件下就将出现所述合成的有害物质影响。在此有利的是，仅稍微改变测量变量的值。例如，测量变量的值的相对变化优选小于10％。
[0030]
在根据本发明的方法的第六步骤中，生成训练数据集所依据的新的、进一步的或合成的测量系列。换言之，训练数据集包括新的测量系列，神经网络是可训练的或正在训练的或已经通过新的测量系列训练的。新的测量系列通过已提供的测得的有害物质浓度的测量系列的值c0的改变δc生成，其中，该改变δc借助有害物质影响的计算值的相对变化δ
i/e0＝(i
1-i0)/i0实现。在此，同样包括与所述相对变化在数学上等同的方程。由于新的测量系列基于有害物质影响的(合成)计算的第二值i1，并且第二值i1也不基于测量变量的测得的值，因此有害物质浓度的新的或进一步的测量系列同样可以被称为合成测量系列。换言之，相对于已提供的测得的测量系列，新生成的测量系列不是被测量得到的，而是借助上述方法合成生成的。
[0031]
由此，通过本发明可以生成有害物质浓度的多个合成的测量系列，所述合成的测量系列可用于训练神经网络，就像有害物质浓度的原始测量的测量系列一样。由于原始提供的测得的有害物质浓度的测量系列以及因此所对应的测量变量的测量值和有害物质排放对应于或指向高负荷的罕见事件——这由本方法第一步骤的阈值保证——因此能够合成地生成高负荷的罕见事件的多个测量系列。该情况的原因在于，根据本发明，测量变量的测量值从罕见事件发生时实际测量的测量值开始发生改变。如果借助新生成的合成的测量系列来训练神经网络，则改进神经网络对所述罕见事件的预测，而不会使平均特性恶化。由此可以以改进的方式预测有害物质浓度的高值。
[0032]
换言之，本发明能够使神经网络学习全面的训练数据集。由此改进神经网络对罕见、但最为重要的高负荷事件的预测。
[0033]
此外，将预测算法集成到既有的模型中并不比使用神经网络的传统算法更复杂。这种情况的原因在于，尽管模型被改进，但它们的结构保持不变。换言之，本发明首先涉及神经网络的训练，或者相关的训练数据集的生成或者说对既有的训练数据集的扩展。
[0034]
与测量值的加权相比，同样可以产生明显更好的数据库。与完全基于模型的方法相比，显著降低了工作量和数据需求。此外，传播模型不必为预测而在线运行，而仅仅需要为训练神经网络的特定和相关事件或场景运行。由此能够有利地节约计算时间。然而也可以设置在线运行。
[0035]
由此，本发明实现了在较低工作量和减少数据请求的情况下更准确的预测。
[0036]
根据本发明的用于训练神经网络的计算机辅助方法，其中，所述神经网络被构造用于由至少一种有害物质排放确定有害物质浓度，其特征在于，根据本发明和/或其设计方式之一生成的训练数据集被用于训练所述神经网络。
[0037]
对于用于生成训练数据的根据本发明的方法，形成了类似和等效的优点和设计方式。
[0038]
根据本发明的计算机辅助方法用于借助神经网络并借助有害物质排放的域模型确定有害物质浓度，其中，所述神经网络被构造用于由有害物质排放确定有害物质浓度，并且根据本发明和/或其设计方式之一被训练，其中，所述域模型对物理/技术测量变量、尤其温度、风速和/或交通强度水平与污染物排放之间的关系建模，其特征在于以下步骤：
[0039]-借助域模型计算有害物质排放的值，其中，为此使用测量变量的至少一个测量值；并且
[0040]-借助神经网络由测得的有害物质排放的值确定有害物质浓度。
[0041]
由此有利地提供了对于有害物质浓度的预测。该预测是被确定的有害物质浓度。基于被确定的有害物质浓度，能够设置技术措施来实现有害物质浓度的实际降低。该预测已经可以备选或补充地设置和/或建议这种自动化的措施。例如，作为这种措施，通过相应的信号灯切换来改道交通和/或完全封闭道路。此外，还能够自动化地且基于根据本发明的
预测提供更多的公共汽车和/或路上轨道车辆。
[0042]
对于用于生成训练数据的根据本发明的方法或者说根据本发明被训练的神经网络，形成了类似和等效的优点和设计方式。
[0043]
根据本发明的一种有利的设计方式，还借助有害物质浓度的由交通所致的份额α实现有害物质浓度的已提供的测量系列的至少一个值c0的改变δc。
[0044]
换言之，考虑有害物质浓度的由交通所致的份额。通常，有害物质、例如氮氧化物的有害物质浓度由多个份额组成。该份额主要是交通、建筑和工业以及能源生成。交通的份额、也即由交通所致的份额α通常是已知的。例如通过由于另一个未那么剧烈地承受交通负荷的测量站的比较。由此能够有利地以高效的方式由有害物质排放推断有害物质影响或有害物质浓度，而不需要具体和复杂的计算或确定。因此，这种近似启发式的方法允许由有害物质排放有效地确定有害物质浓度，并因此提供或生成训练数据集。
[0045]
在本发明的一种有利的设计方式中，借助δc/c0＝αδi/i0实现有害物质浓度的已提供的测量系列的至少一个值c0的改变δc。
[0046]
换言之，优选使用有害物质影响的相对变化与有害物质浓度的相对变化之间的线性关联。根据本发明，有害物质影响的相对变化通过传播模型确定。也即，该测量变量在其值方面从测量变量、例如温度、风速和/或风向和/或化学物质浓度的测量值开始改变，并且确定与改变的测量值相对应的新的有害物质影响，并且计算新的有害物质影响(第二有害物质影响)与对应于测量变量的原始测量值的有害物质影响(第一有害物质影响)之间的相对变化。为训练神经网络所必需的有害物质浓度是借助由交通所致的份额α由所确定的有害物质影响的相对变化确定的。尤其针对有害物质浓度的原始测量系列的每个值或者说每个时刻都如此实施。换言之，有害物质浓度的测量系列的每个值c0都改变了通常不同的δc。随后，有害物质浓度的由此新形成的合成的测量系列的值c1则针对每个时刻t通过c1(t)＝c0(t)+δc(t)确定或者说针对离散的时间值tn通过c1(tn)＝c0(tn)+δc(tn)确定。同样可以仅改变有害物质浓度的测量系列的部分范围，尤其仅仅改变所述测量系列的一个值或时刻。可以设置其他数学上等价的公式和/或变化。
[0047]
根据本发明的一种有利的设计方式，使用在0.3至0.5范围内的由交通所致的份额α。
[0048]
换言之，例如包括道路交通的交通例如在道路上的测量站处具有份额在0.3至0.5的范围内的有害物质浓度。特别优选的是较高的、局部的由交通所致的份额(交通份额)。由交通所致的份额α基本上取决于个别情况、例如城市、道路、测量站的位置等的情况。然而有显示表明，高的局部的、由交通所致的份额(最好在与尽可能均匀的城市背景相结合的情况下)特别适合于由有害物质影响的相对变化来确定有害物质浓度的相对变化。
[0049]
在本发明的一种有利的设计方式中，氮氧化物浓度用作有害物质浓度，氮氧化物排放用作有害物质排放。
[0050]
换言之，所关注的有害物质是一氧化氮和/或二氧化氮(概括为nox)。备选地或附加地，还提供其他氮氧化物化合物。同样，备选地或附加地，可以提供其他的有害物质。因此，本发明可用于多种有害物质或有害物质类别。尤其同样可用于颗粒类的有害物质，例如pm
10
和/或pm
2.5
。传播模型可以包括氮氧化物和/或其他化学物质的化学转化过程。尤其包括基于太阳辐射的化学转化过程。
[0051]
根据本发明的一种有利的设计方式，所使用的物理/技术测量变量是温度、风速和/或交通强度水平和/或一种或多种物质浓度。
[0052]
温度、风速和/或交通强度水平和/或化学物质浓度是技术上重要的变量，特别是温度、风向/风速和/或太阳辐射和/或交通强度水平，其决定性地影响和/或确定有害物质排放(传播)的时间和空间分布和扩散，并由此确定尤其在测量站的位置处的有害物质浓度的形成。换言之，通过测量站测得的、例如在某时刻或时间范围内测量的有害物质浓度取决于温度、风速和/或交通水平和/或空气中的化学物质浓度和/或太阳辐射(瓦特每平方米)。原则上，风速是一个矢量场，该矢量场通常具有相对于地球表面水平和垂直的分量。在此，风速的子变量、例如风向(水平分量)、风速的绝对值和/或风力(分类为速度区间)同样可以用作测量变量。作为备选或补充，还提供进一步的物理/技术测量变量。
[0053]
在本发明的一种有利的设计方式中，有害物质浓度的测量系列和测量变量的测量系列已经借助城市内的测量站被检测。
[0054]
这之所以是优选的，是因为在城市内出现高有害物质浓度，并且该处直接涉及大量人群。由此尤其有必要在该出采取措施来避免这种高的有害物质浓度。本发明和/或其设计方式之一可以为此通过由改进训练的神经网络实现的更好的预测来作出相应的贡献。
[0055]
优选地，为根据本发明和/或其设计方式之一的方法检测所述测量系列。
[0056]
根据本发明的一种优选的设计方式，作为传播模型，使用考虑空气的化学成分和/或空气中的化学反应或转化过程的模型。
[0057]
由此，可以有利地考虑同样取决于温度、特定物质浓度和/或太阳辐射、特别是在uv和/或光学范围内的重要化学转化过程。
[0058]
此外，有害物质排放同样可以优选借助域模型确定。
[0059]
域模型尤其包括交通专属的有害物质排放。换言之，域模型可用于计算交通的、例如在城市范围内和/或道路上有害物质排放。由此，域模型模拟了交通专属的有害物质排放。
[0060]
本发明的其它优点、特征和细节由以下描述的实施例并且借助附图得出。在此，唯一的视图示出本发明的设计方式的示意性流程。
[0061]
相同种类、等价或相同作用的元件可以在附图中被标注以相同的附图标记。
[0062]
该附图示出根据本发明的设计方式的流程图或者说过程图。
[0063]
首先，在对步骤s1中提供用于有害物质浓度c0(t)、温度t0(t)、风向w0(t)和/或风速v(t)的测量系列。该有害物质浓度例如是氮氧化物浓度。氮氧化物浓度和测量变量、也即在此温度、风向和/或风速已经一并测量。在此情况下，测量变量的值对应于由有害物质浓度的值。由此，针对每个时刻、例如一天中的每个小时提供例如四个值，也即针对该时刻的有害物质浓度、针对该时刻的温度、针对该时刻的风速和针对该时刻的风向。在此可以使用针对相应时刻的、例如在一小时时间范围内的平均的、中位的和/或加权的值。此外，相应地还可以确定太阳辐射和/或化学物质浓度。
[0064]
换言之，在此示例性的提供了四个时间系列c0(t),、t0(t)、w0(t)、v(t)，其中，针对时间系列的每个时刻存在有害物质浓度的测量值、温度的测量值、风速的测量值和风向的测量值。测量值不是必须在该时刻被检测的，而是可以选择或确定为代表该时刻，例如通过平均。例如时间系列包括24个值，所述值对应于一天中的小时。
[0065]
在第二步骤s2中，借助测量变量的测得的时间系列t0(t)、w0(t)、v(t)和由域模型所确定的有害物质排放，通过传播模型针对至少一个时刻t、优选针对所有时刻t计算出第一有害物质影响i0。由此，第一有害物质影响i0基于实际的测量值或者说测量数据。在此通常与温度、风向和风速相关。
[0066]
在可以与第二步骤s2并行实施的第三步骤s3中，至少一个测量变量的至少一个值被改变。例如，在时刻t存在的温度提高3％，并且由此生成新的合成的测量系列。由此生成的时间系列或者说测量系列具有至少一个值，该值以变化为基础并且因此不是被测量得到的。在此情况下，通过改变生成的测量系列是合成的。随后，由用于风速和风向的改变的时间系列并由用于温度的改变的测量系列，针对温度的测量值发生改变的时刻，借助传播模型由保持不变的有害物质排放计算出第二有害物质影响i1。由此，第二有害物质影响i1基于实际的测量值或者说测量数据和由改变合成生成的测量系列。
[0067]
在步骤s2和s3之后，由此针对至少一个时刻存在两个借助传播模型由有害物质排放计算出的有害物质影响i0、i1。
[0068]
在第四步骤s4中，借助计算出的有害物质影响的相对偏差δi/i0＝(i
1-i0)/i0由δc/c0＝αδi/i0计算有害物质浓度的相对变化。在此，利用α计算有害物质浓度的由交通所致的份额。例如α具有0.4的值。
[0069]
由有害物质浓度(在所观测时刻)的相对变化，借助有害物质浓度的测量系列生成用于有害物质浓度的新的合成的测量系列，从而与所观测时刻对应的测量值c0改变δc。由此生成新的时间系列(合成的测量系列)，除了有害物质浓度的原始提供的、测得的测量系列之外，该时间系列也能够用于神经网络的训练。原则上，上述方法可以针对所有时刻或部分时刻实施。
[0070]
以下阐释简化的实施例。
[0071]
针对一个特定的时刻和特定的地点(例如在测量站的地点或区域)存在氮氧化物浓度的高测量值，也即高于阈值或极限值的测量值。为此，针对该时刻测得特定的温度、风向和风速。
[0072]
借助交通的有害物质排放专属的域模型，针对该测得的温度、风向和风速和/或交通密度/交通强度水平(域模型的输入变量或输入参数)计算出该时刻的第一有害物质排放，例如氮氧化物30μg/m/s。
[0073]
基于计算出的有害物质排放，借助传播模型确定在测量站的第一有害物质影响。
[0074]
随后，借助传播模型随着略微改变的温度、例如相对于原始测得的温度提高5％或5度实施进一步的计算。在此，风速和风向保持不变。由此得到第二有害物质影响、例如氮氧化物33μg/m/s。由此形成了有害物质影响的相对变化为10％。有害物质影响的相对变化在此被转换或者说换算为(在测量站处的)有害物质浓度的相对变化。
[0075]
有害物质浓度通常包括多个份额，例如交通的份额(由交通所致的份额)、建筑的份额和能源生产的份额。例如由交通所致的份额α等于44％，由建筑所致的份额或由地区所致的份额等于18％，并且由能源生产所致的份额等于38％。尤其地，在氮氧化物方面由交通所致的份额多年以来下降，并且预计在未来几年将继续减少。
[0076]
那么借助δc/c0＝αδi/i0可以通过由交通所致的份额来判断有害物质浓度的相对变化。由此，在有害物质影响的相对变化为10％时，得出有害物质浓度的相对变化为
4.4％。也即，原始测得的有害物质浓度在所观测的时刻会改变4.4％。换言之，温度变化10％或者温度变化5摄氏度导致有害物质浓度变化4.4％。
[0077]
如果针对用于有害物质浓度的测得的时间系列的每个时刻或针对其他选定的时刻实施上述方法，就可以生成用于有害物质浓度的新的合成的时间系列或者说测量系列。神经网络可以利用该新生成的时间系列被训练。
[0078]
所述方法是计算机辅助的，并且能够利用计算机、中央服务器或去中心服务器、在云端或借助量子计算机实施。此外，计算机辅助方法基于物理测量变量的测量值，所述测量值作为输入变量或输入参数被使用。
[0079]
尽管通过优选的实施例对本发明的细节进行了详细的图解和描述，但本发明不受所公开的例子的限制，并且本领域技术人员可以从中推导出其它不同的变型，只要不脱离本发明的保护范围即可。
[0080]
附图标记清单
[0081]
s1
ꢀꢀꢀꢀ
第一步骤
[0082]
s2
ꢀꢀꢀꢀ
第二步骤
[0083]
s3
ꢀꢀꢀꢀ
第三步骤
[0084]
s4
ꢀꢀꢀꢀ
第四步骤