商业选址的方法、装置、计算机设备及存储介质与流程

本发明涉及大数据应用技术领域，尤其涉及一种采用数字图像识别技术的城市网格相似度算法的商业选址的方法、装置、计算机设备及存储介质。

背景技术：

商业选址是企业制定经营目标和经营战略的重要依据，事关企业成败。现有选址技术大致可分为传统选址和大数据选址两类。

传统选址如开展问卷调查、线下走访，了解意向位置周边的客流、交通、消费能力、消费品级、政府政策、行业竞品、周边产品等相关信息，综合分析对企业的利弊，择优选址。

大数据选址主要是一些大数据公司利用自身所能获取到的数据信息，通过对区域的人口、经济、消费、客户画像、交通、竞品等因素进行分析，辅助商业选址决策。

但是，商业选址的影响因素很多，如地理位置、区域的人流、该区域的发展情况、自身企业文化和价值观的制约、区域竞争对手的数量和经营状况等等，甚至是否符合城市规划发展都很重要。成功关注到这些关键点，现有选址技术很难有效实现。传统的线下调研，首先无法做到时间上的延展性，因为企业不可能连续一年甚至更长时间安排工作人员不间断的持续进行线下调查；其次一些重要的区域群体影响指标，如人群变化、人口构成、人口密度、性别结构、就业情况、婚姻状况等等，这些群体性的数据都是线下调研无法准确获取的。随着人们的日常生活高度曝光，在网络上浏览过的网页、购买过的信息都会留下足迹，而网络后台都会整理、总结出各种数据，使得大数据选址成为了可能。虽然大数据选址在时效性、区域性、准确性上远远优于传统选址，但是在算法的设计、基础数据的完整性、模型变量的筛选上的差异，以及一些无法量化的影响因素，如人文风情等，使得预测结果千差万别，有效指导意义大打折扣。而且一些本来有实际意义的数据，可能因为获取到的数据过于缺失，也可能因为模型算法设计的原因，该数据参与性不强而被弃用，最终都会直接影响到预测结果。

技术实现要素：

本发明的实施例提供了一种商业选址的方法、装置、计算机设备及存储介质，旨在解决现有的大数据选址时，预测参数及权重无法根据用户需求设定而导致预测结果不准确的问题。

为达到上述目的，本发明所提出的技术方案为：

第一方面，本发明提供了一种商业选址的方法，其包括：

计算机接收用户输入的在城市地图上圈选的一块区域，所述圈选的一块区域为选址的参照区域；

将上述城市划分为若干网格，其中，确保所述圈选的一块区域落入某一网格内；

提取设定时间内的画像的大数据，利用大数据对各个网格进行网格画像，并得到网格画像的网格标签的标签值；

引导用户输入网格画像的网格标签的权重值；

根据所述网格画像的标签值及权重值，利用数字图像处理技术将所述各网格画像转换成网格图片；以及

利用图像相似度算法，找到所述用户圈选的一块区域与网格图片的近似度超过预设值的其他网格。

第二方面，本发明实施例提供一种商业选址的装置，其包括：

接收单元，用于接收用户输入的在城市地图上圈选的一块区域，所述圈选的一块区域为选址的参照区域；

网格划分单元，用于将上述城市划分为若干网格，其中，确保所述圈选的一块区域落入某一网格内；

网格画像单元，用于提取设定时间内的画像的大数据，利用大数据对各个网格进行网格画像，并得到网格画像的网格标签的标签值；

引导单元，用于引导用户输入网格画像的网格标签的权重值；

网格图片生成单元，用于根据所述网格画像的标签值及权重值，利用数字图像处理技术将所述各网格画像转换成网格图片；以及

选取单元，用于利用图像相似度算法，找到所述用户圈选的一块区域与网格图片的近似度超过预设值的其他网格。

第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述的商业选址的方法。

第四方面，本发明实施例提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如上任一项所述的商业选址的方法。

与现有技术相比，本发明的实施例提供了一种商业选址的方法、装置、计算机设备及存储介质，用户可根据不同行业的背景，自主选择特征以及特征的权重，将近似度较高的网格以图像的方式展示给用户，简单直观，降低了运算成本，提高了预测选址的效率和准确性。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述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商业选址的方法的流程图；

图2为本发明实施例提供的商业选址的方法的子流程图；

图3为本发明实施例提供的商业选址的方法的子流程图；

图4为本发明实施例提供的商业选址的方法的子流程图；

图5为本发明实施例提供的商业选址装置的示意性简图；以及

图6为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅附图1，附图1为本发明实施例提供的商业选址的方法的流程图，该商业选址的方法包括以下步骤：

步骤s101、计算机接收用户输入的在城市地图上圈选的一块区域，所述圈选的一块区域为选址的参照区域。

例如：基于数字图像识别技术的城市网格相似度算法，依托大数据平台，将具有网格属性的数据图像化，通过图像识别技术准确高效的计算网格之间的相似性关系。本发明实施例的应用场景为，用户在计算机端的电子地图上圈选了北京国贸区域的一个地块，目的是在北京地区找到其他几个与之相似的地块用来做商业活动，该选定的区域即为参考区域。

步骤s102、将上述城市划分为若干网格，其中，确保所述圈选的一块区域落入某一网格内。

在本实施例中，需要利用已经成熟的geohash算法进行城市网格化。将整个北京市地图划分为若干个标准大小的网格。用户圈选的地块能够落在其中一个网格里面，然后通过本发明算法为用户推荐其他与之相似的网格。geohash是一种成熟的地址编码方法，它能够把二维的空间经纬度数据编码成一个字符串。其基本原理是将地球理解为一个二维平面，将平面递归分解成更小的子块，每个子块在一定经纬度范围内拥有相同的编码，这种方式简单易用，可以满足对小规模的数据进行经纬度的检索。可以发现，当用六位的geohash进行网格划分时，用户圈选的地块刚好落在id为wx4g41的网格里。因此，这里将整个北京市地图按六位的geohash进行网格划分，六位的geohash网格大小约为1.2km*0.6km。

步骤s103、提取设定时间内的画像的大数据，利用大数据对各个网格进行网格画像，并得到网格画像的网格标签的标签值。

其中，请参阅图2，图2为本发明实施例的子流程图，所述提取设定时间内的画像的大数据，利用大数据对各个网格进行网格画像，并得到网格画像的网格标签的标签值的步骤s103包括：

步骤s103a、选取网格画像的网格标签；

步骤s103b、提取设定时间内的画像的大数据；

步骤s103c、根据所述的大数据，对所述网格标签进行数值化，以得到网格标签的标签值。

具体为：为了对上一步划分好的网格进行360度画像，需要充分挖掘网格内人群线上线下行为，网格poi类型以及到访人数等。这里罗列了大约300个网格画像标签，包含网格内居住人口总数、工作人口总数、性别比例、整体人群年龄分布、学历、消费能力、收入能力、消费品级、价值观、网格内不同类型poi总数、到访人数等等，对网格进行多粒度画像。各标签最短更新周期为天。网格标签数值化后作为特征变量供算法使用。

步骤s104、引导用户输入网格画像的网格标签的权重值；

网格画像的所有标签都将作为特征变量参与模型算法，但是针对不同行业的用户，他所关注的重点不同，即不同的特征变量对不同行业的选址贡献是不一样的。贡献的大小我们可以通过给特征变量设置权重系数来调整。比如用户是给4s店选址，那么与之毫无关系的特征变量就可以剔除，不参与算法计算；与之相关的一些特征变量也有相关性强弱的区别，这里采用人机互动的方式，通过用户选择其对各特征变量的不同关注程度(重点关注、关注、一般关注、弱关注)来分别给与不同的权重大小(0.4、0.3、0.2、0.1)。

步骤s105、根据所述网格画像的标签值及权重值，利用数字图像处理技术将所述各网格画像转换成网格图片；

其中，请参阅图3，图3为本实施例的子流程图，所述根据所述网格画像的标签值及权重值，利用数字图像处理技术将所述各网格画像转换成网格图片的步骤s105包括：

步骤s105a、将所述网格画像的标签值和权重值进行加权相乘，生成数值矩阵；

步骤s105b、根据所述数值矩阵转换成网格图片，所述数值矩阵的数值即为图像的像素。

具体为：提取各网格连续一段时间内(本实施例选半年)的画像，数值化后，根据用户需求筛选有效标签作为特征变量，每个特征变量乘以各自的权重，生成一个新的数值矩阵。将这些处理后的数值看做图像的像素，利用数字图像处理技术转换成具有行业属性的网格图片。此例中用户圈选的区域所属网格对应的特征图片。

步骤s106、利用图像相似度算法，找到所述用户圈选的一块区域与网格图片的近似度超过预设值的其他网格。

其中，请参阅图4，图4为本发明实施例的子流程图，所述利用图像相似度算法，找到所述用户圈选的一块区域与网格图片的近似度超过预设值的其他网格的步骤s106包括：

步骤s106a、对网格图片进行缩放，以致所有的网格图片的尺寸相同；

步骤s106b、将缩放后的网格图片进行灰度处理；

步骤s106c、计算网格图片的每行像素点的平均值，以得到每行的特征值；

步骤s106d、计算网格图片里的每行特征值的方差，以得到网格图片的特征值；以及

步骤s106e、将网格图片的特征值与圈选的一块区域的特征值进行比较，近似度超过预设值的网格图片即为推荐的选址区域。

具体为：经过上一步将北京地区所有网格都转换成如上图所示的特征图片后，在这一步我们将要用wx4g41.jpg这张图片与其他图片进行相似度计算，找出相似度高的图片。

图片缩放，所有参与计算的图片都必须缩放到同一尺寸，本实施例约定为256*256。缩放后的图片大小由原始图片的信息量和复杂度决定，信息量少，复杂度低的，需要缩放小一点，而信息量大，复杂度高的，就不能缩放太小，容易丢失重要信息。因此需要根据具体需求，弹性的定义缩放尺寸，在效率和准确度之间维持平衡。

灰度处理，正常情况下，计算图片相似度与颜色没有什么关系，为了保证算法的效率，统一处理为灰度图，减少后期计算的复杂度。

计算平均值，这里的求平均值，指的是计算图片每行像素点的平均值。这样每一个平均值就代表着该行的特征。

计算方差，计算一张图片里所有平均值的方差，得到的方差就是该图片的特征值。方差可以很好的反应每行像素特征的波动，记录了图片的主要信息。

方差比较，经过上面的计算，每张图片都会生成一个特征值(方差)。图像相似度的比较就是比较图像方差的接近成程度。一组数据的方差大小可以判断数组的稳定性，多组数据方差的接近程度可以反应各组数据波动的接近程度。这里我们不过多关注方差的大小，只关注两张图片方差的差值大小，方差差值越小图像越相似。

在另一实施例中，还公开了另一种商业选址的方法，该方法与上述实施例的选址方法相同，唯一不同在于：所述利用图像相似度算法，找到所述用户圈选的一块区域与网格图片的近似度超过预设值的其他网格的步骤s106之后还包括：

将超过预设值的其他网络根据近似度的大小顺序输出；

根据近似度大小顺序进行颜色由深至浅在地图上显示推荐的选址区域。

例如：得到用户圈选的网格与北京地区所有网格的画像特征相似度后，根据用户需求输出排名前topn的网格和相似度大小(百分制)，

根据具体的geohashid(就是去掉.jpg后的图片名称)，可以在地图上检索到具体的网格位置，相似度大小即为算法的推荐度，用户可以根据需求选择对应的区域进行下一步的商业营销等活动。下图为本发明算法前端页面的推荐效果图，红色矩形框为用户圈选的参照区域，其他蓝色的矩形框为本发明算法推荐的区域，颜色由深到浅代表推荐度由强到弱，1/2/3/4/5为推荐排名。

请参阅图5，图5为本发明实施例公开的一种商业选址的装置的示意性简图，该商业选址的装置，其包括：

接收单元101，接收用户输入的在城市地图上圈选的一块区域，所述圈选的一块区域为选址的参照区域；

网格划分单元102，将上述城市划分为若干网格，其中，确保所述圈选的一块区域落入某一网格内；

网格画像单元103，提取设定时间内的画像的大数据，利用大数据对各个网格进行网格画像，并得到网格画像的网格标签的标签值；

其中，在另一实施例中，如在本实施例中，所述的网格画像单元103包括：

标签单元1031，用于选取网格画像的网格标签；

提取单元1032，用于提取设定时间内的画像的大数据；

数值化单元1033，用于根据所述的大数据，对所述网格标签进行数值化，以得到网格标签的标签值。

引导单元104，引导用户输入网格画像的网格标签的权重值；

网格图片生成单元105，根据所述网格画像的标签值及权重值，利用数字图像处理技术将所述各网格画像转换成网格图片；以及

选取单元106，利用图像相似度算法，找到所述用户圈选的一块区域与网格图片的近似度超过预设值的其他网格。

其中，在另一实施例中，如在本实施例中，所述的选取单元106包括：

缩放单元1061，用于对网格图片进行缩放，以致所有的网格图片的尺寸相同；

灰度处理单元1062，用于将缩放后的网格图片进行灰度处理；

平均值计算单元1063，用于计算网格图片的每行像素点的平均值，以得到每行的特征值；

方差计算单元1064，用于计算网格图片里的每行特征值的方差，以得到网格图片的特征值；以及

比较单元1065，用于将网格图片的特征值与圈选的一块区域的特征值进行比较，近似度超过预设值的网格图片即为推荐的选址区域。

请再次参阅图6，图6为本发明的实施例提供的一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述商业选址的方法。

该计算机设备为终端，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。

参阅图6，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种商业选址的方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行以下步骤：计算机接收用户输入的在城市地图上圈选的一块区域，所述圈选的一块区域为选址的参照区域；将上述城市划分为若干网格，其中，确保所述圈选的一块区域落入某一网格内；提取设定时间内的画像的大数据，利用大数据对各个网格进行网格画像，并得到网格画像的网格标签的标签值；引导用户输入网格画像的网格标签的权重值；根据所述网格画像的标签值及权重值，利用数字图像处理技术将所述各网格画像转换成网格图片；以及利用图像相似度算法，找到所述用户圈选的一块区域与网格图片的近似度超过预设值的其他网格。

具体执行过程如下：

请参阅附图1，附图1为本发明实施例提供的商业选址的方法的流程图，该商业选址的方法包括以下步骤：

步骤s101、计算机接收用户输入的在城市地图上圈选的一块区域，所述圈选的一块区域为选址的参照区域。

例如：基于数字图像识别技术的城市网格相似度算法，依托大数据平台，将具有网格属性的数据图像化，通过图像识别技术准确高效的计算网格之间的相似性关系。本发明实施例的应用场景为，用户在计算机端的电子地图上圈选了北京国贸区域的一个地块，目的是在北京地区找到其他几个与之相似的地块用来做商业活动，该选定的区域即为参考区域。

步骤s102、将上述城市划分为若干网格，其中，确保所述圈选的一块区域落入某一网格内。

在本实施例中，需要利用已经成熟的geohash算法进行城市网格化。将整个北京市地图划分为若干个标准大小的网格。用户圈选的地块能够落在其中一个网格里面，然后通过本发明算法为用户推荐其他与之相似的网格。

步骤s103、提取设定时间内的画像的大数据，利用大数据对各个网格进行网格画像，并得到网格画像的网格标签的标签值。

其中，请参阅图2，图2为本发明实施例的子流程图，所述提取设定时间内的画像的大数据，利用大数据对各个网格进行网格画像，并得到网格画像的网格标签的标签值的步骤s103包括：

步骤s103a、选取网格画像的网格标签；

步骤s103b、提取设定时间内的画像的大数据；

步骤s103c、根据所述的大数据，对所述网格标签进行数值化，以得到网格标签的标签值。

具体为：为了对上一步划分好的网格进行360度画像，需要充分挖掘网格内人群线上线下行为，网格poi类型以及到访人数等。这里罗列了大约300个网格画像标签，包含网格内居住人口总数、工作人口总数、性别比例、整体人群年龄分布、学历、消费能力、收入能力、消费品级、价值观、网格内不同类型poi总数、到访人数等等，对网格进行多粒度画像。各标签最短更新周期为天。网格标签数值化后作为特征变量供算法使用。

步骤s104、引导用户输入网格画像的网格标签的权重值；

网格画像的所有标签都将作为特征变量参与模型算法，但是针对不同行业的用户，他所关注的重点不同，即不同的特征变量对不同行业的选址贡献是不一样的。贡献的大小我们可以通过给特征变量设置权重系数来调整。这里采用人机互动的方式，通过用户选择其对各特征变量的不同关注程度(重点关注、关注、一般关注、弱关注)来分别给与不同的权重大小(0.4、0.3、0.2、0.1)。

步骤s105、根据所述网格画像的标签值及权重值，利用数字图像处理技术将所述各网格画像转换成网格图片；

其中，请参阅图3，图3为本实施例的子流程图，所述根据所述网格画像的标签值及权重值，利用数字图像处理技术将所述各网格画像转换成网格图片的步骤s105包括：

步骤s105a、将所述网格画像的标签值和权重值进行加权相乘，生成数值矩阵；

步骤s105b、根据所述数值矩阵转换成网格图片，所述数值矩阵的数值即为图像的像素。

步骤s106、利用图像相似度算法，找到所述用户圈选的一块区域与网格图片的近似度超过预设值的其他网格。

其中，请参阅图4，图4为本发明实施例的子流程图，所述利用图像相似度算法，找到所述用户圈选的一块区域与网格图片的近似度超过预设值的其他网格的步骤s106包括：

步骤s106a、对网格图片进行缩放，以致所有的网格图片的尺寸相同；

步骤s106b、将缩放后的网格图片进行灰度处理；

步骤s106c、计算网格图片的每行像素点的平均值，以得到每行的特征值；

步骤s106d、计算网格图片里的每行特征值的方差，以得到网格图片的特征值；以及

步骤s106e、将网格图片的特征值与圈选的一块区域的特征值进行比较，近似度超过预设值的网格图片即为推荐的选址区域。

具体为：经过上一步将北京地区所有网格都转换成如上图所示的特征图片后，在这一步我们将要用wx4g41.jpg这张图片与其他图片进行相似度计算，找出相似度高的图片。

图片缩放，所有参与计算的图片都必须缩放到同一尺寸，本实施例约定为256*256。缩放后的图片大小由原始图片的信息量和复杂度决定，信息量少，复杂度低的，需要缩放小一点，而信息量大，复杂度高的，就不能缩放太小，容易丢失重要信息。因此需要根据具体需求，弹性的定义缩放尺寸，在效率和准确度之间维持平衡。

灰度处理，正常情况下，计算图片相似度与颜色没有什么关系，为了保证算法的效率，统一处理为灰度图，减少后期计算的复杂度。

计算平均值，这里的求平均值，指的是计算图片每行像素点的平均值。这样每一个平均值就代表着该行的特征。

计算方差，计算一张图片里所有平均值的方差，得到的方差就是该图片的特征值。方差可以很好的反应每行像素特征的波动，记录了图片的主要信息。

方差比较，经过上面的计算，每张图片都会生成一个特征值(方差)。图像相似度的比较就是比较图像方差的接近成程度。一组数据的方差大小可以判断数组的稳定性，多组数据方差的接近程度可以反应各组数据波动的接近程度。这里我们不过多关注方差的大小，只关注两张图片方差的差值大小，方差差值越小图像越相似。

在另一实施例中，还公开了另一种商业选址的方法，该方法与上述实施例的选址方法相同，唯一不同在于：所述利用图像相似度算法，找到所述用户圈选的一块区域与网格图片的近似度超过预设值的其他网格的步骤s106之后还包括：

将超过预设值的其他网络根据近似度的大小顺序输出；

根据近似度大小顺序进行颜色由深至浅在地图上显示推荐的选址区域。

本发明实施例的商业选址的方法、装置、计算机设备及存储介质，所述方法包括：检测浏览器当前已使用的内存空间值；若所述已使用的内存空间值超过预设的阀值，则开始删除内存中的历史缓存数据；以及返回所述检测浏览器已使用的内存空间值的步骤，当浏览器启动时，开始自动重复检测内存，当内存超过设定阀值，则删除历史缓存数据，从而保证内存空间的充足，避免闪退或数据丢失。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元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，或者该技术方案的全部或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，终端，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。

上述内容，仅为本发明的较佳实施例，并非用于限制本发明的实施方案，本领域普通技术人员根据本发明的主要构思和精神，可以十分方便地进行相应的变通或修改，故本发明的保护范围应以权利要求书所要求的保护范围为准。