对象状态预测方法、系统、计算机设备及存储介质与流程

本发明涉及大数据和人工智能技术领域，尤其涉及一种对象状态预测方法、系统、计算机设备及存储介质。

背景技术：

随着通信产业的不断发展，逐渐形成覆盖全面、质量良好的通信基础设施与通信网络，为各种终端用户实现无线通信。在这一基础通信网络中，大量基站构成其中节点。基站以4g\5g技术为基础，为周边终端设备提供入网、数据交换、通信等服务。一个基站的覆盖范围包括多个服务小区，每个服务小区对基站周边特定空间范围内的终端用户提供通信保障。

通信基站与小区在提供无线通信服务的过程中，根据一定的设定条件，对自身设备性能参数进行设置，设备在这一配置参数下对周边的终端用户形成服务供给。在设备运行过程中，受服务区用户数量波动、通信流量变化、周边干扰以及其他小区故障传递等原因，会影响本小区的性能，继而导致通信服务质量下降，表现为小区内用户连接成功率降低、用户网络上下行速度变慢，以及大量网络访问失败等情况。因此，运营商需要针对设备、小区以及基站建立运营保障机制，通过持续检测特定指标，实现对各种异常、失效情况的捕捉与处置，从而降低故障发生的规模、减少故障影响范围，提高终端用户无线通信服务体验感。

目前，运营商在运维系统搭建过程中，以设备机理以及专家经验为基础，以“数据采集-阈值检测-事件识别”模式为基础构建相关运维管理系统。在实际运营过程中，由于不同小区运行条件不同，运行环境动态变化，上述静态阈值模式无法满足实际情况下的动态变化的状态监测，而且这些问题导致在实际运维工作中工作效率较低，日常监控中，因为阈值设置的问题导致大量虚假警的出现，由于通信运维工作的特殊性，这些虚假警均需要后续处置，继而导致整个运维工作成本持续攀升，影响通信基础设施效能的发挥。同时，由于通信基础设施规模巨大，无法针对性给小区建立个性化阈值监测体系，因此这些问题对通信基础设施的运维管理形成较大影响，亟待解决。

技术实现要素：

本发明提供一种对象状态预测方法、系统、计算机设备及存储介质，用以克服上述现有技术中存在的技术问题，以对设备进行健康状态评估与预测，实现设备运维智能化监测。

本发明提供一种对象状态预测方法，包括：

根据知识库和关联数据挖掘对监测对象的监测数据指标进行分组，并构建状态分析模型，所述状态分析模型包括：单指标值预测模型、主指标分布预测模型以及对象状态分类预测模型；

利用样本数据对状态分析模型进行模型训练，获取计算模型体系；

将状态预测对象当前的数据流输入计算模型体系，对对象状态进行预测。

本发明还提供一种对象状态预测系统，包括：

建模模块，用于根据知识库和关联数据挖掘对监测对象的监测数据指标进行分组，并构建状态分析模型，所述状态分析模型包括：单指标值预测模型、主指标分布预测模型以及对象状态分类预测模型；

训练模块，用于利用样本数据对状态分析模型进行模型训练，获取计算模型体系；

预测模块，用于将状态预测对象当前的数据流输入计算模型体系，对对象状态进行预测。

本发明还提供一种计算机设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述的对象状态预测方法的步骤。

本发明还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序可被执行上述的对象状态预测方法的步骤。

本发明实施例通过构建状态分析模型中采用基于时间序列的单指标值预测模型对参考指标进行预测，进而对与参考指标关联的影响对象状态的主指标进行预测，从而实现了对状态影响因素的动态预测，通过构建并训练状态分析模型形成实用的计算模型体系，对于海量数据的智能化监控提供了解决方案，因此，本发明的不仅提升了对象状态预测的准确性，还有利于智能化监控，对于大型复杂装备监控、交通、物流、智慧城市以及环境保护等方面具有积极的应用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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性的前提下，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对象状态预测方法流程图；

图2为本发明实施例提供的技术结构图；

图3为本发明实施例中指标分布的模式挖掘的流程图；

图4为本发明实施例中状态分析模型训练的流程图；

图5为本发明实施例中单指标值预测模型的训练过程流程图；

图6为本发明实施例中主指标分布预测模型的网络结构示意图；

图7为本发明实施例中主指标分布预测模型的训练流程图；

图8为本发明实施例中状态分类预测模型的网络结构示意图；

图9为本发明实施例中主指标分布预测模型的训练流程图；

图10为本发明实施例中对对象状态进行预测的流程示意图；

图11为本发明实施例中对对象状态预测计算的具体流程图；

图12为本发明实施例提供的一种对象状态预测系统的结构示意图；

图13为本发明实施例提供的另一种对象状态预测系统的结构示意图。

具体实施方式

为使本发明的目的、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作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。

为使本发明的技术方案更加清楚，以下结合附图对本发明的实施例进行详细说明。

本发明实施例以移动通信行业中海量基站运维维护为应用场景，针对其中运维管理工作智能化、精细化的发展需求，本发明实施例提供一个状态分析与预测的计算架构。在这一架构中，首先将对象状态根据业务领域知识进行分类。在这一基础上，结合专家知识以及关联挖掘，形成“状态-主指标-参考指标”三级分析模型。围绕这一模型，对参考指标建立时间序列分析模型，实现对其值预测。在这一基础上，通过联合分布概率(贝叶斯网)的方式实现对主指标的值分布预测。最后利用bp神经网络，在多个主指标值分布预测的基础上，实现对对象状态的分类预测。

图1为本发明实施例提供的一种对象状态预测方法流程图，图2为本发明实施例提供的技术结构图，本发明实施例中图1所示的流程可由图2所示的技术结构图实现，本发明在多指标综合监控的基础上，针对设备状态预测提出一种基于时间序列预测的技术。该技术结构如图2所示，整个计算架构由建模、训练挖掘与计算分析三个环节构成。其中：

建模：这一环节的主要目标在于建立对象状态分类，并建立指标分组，在多个指标分组之间建立数值传递关系，最终形成与状态分类之间的连接关系。由此形成多个层次的指标-状态网络结构。在建模过程中，首先在被监控对象采集数据指标集的基础上，结合专家领域知识、机理模型等手段，筛选出一批表征模式明确的指标。在此基础上，根据相关知识或关联挖掘手段建立指标分组。在这些分组中，一部分分组的指标对对象状态形成直接的值传递关系，这一分组称为主指标分组，其他指标所处的分组成为参考指标分组。其中的参考指标在日常运行中，其值的变换并不直接影响对象状态，而是通过传递关系，影响主指标分组中的具有关联关系的主指标。在本发明中，通过参考指标的值预测与变化传递、主指标分布判断、对象状态分类三级关系实现预测。

在三级模型中，一个主指标可能与一个或多个参考指标有关联关系。通常情况下，主指标的值分布经过参考指标的预测值计算获得，在一定程度下主指标自己也可以独立作为基于时间序列的单指标值预测处理。

训练挖掘：在这一环节中，通过带入样本数据实现各个模型的训练。首选根据参考指标的样本时间序列数据进行训练，获取该指标对应的值预测模型；而后，通过对参考指标的全部数据进行聚类，获取对应的值分布簇结果。这样，可以将前述的预测值映射在某个簇中，将预测值进行离散化处理；接着，将参考指标与对应主指标之间构建贝叶斯网并进行训练，获取主指标联合概率分布预测模型；最后，在多个主指标的基础上，构建神经网络，通过样本训练形成基于多个主指标的状态分类模型，完成训练挖掘后获得完成计算模型体系。

计算分析：在这一环节中，即状态预测环节，接入实时数据流，在ti时刻对ti+1时刻对象的状态进行预测。在这一过程中，将接入数据流中参考指标对应的数据进行处理并预测其在ti+1时刻的值。获取这一值后将其在对应的值分布簇中进行聚类，获取预测分布结果。而后将全部参考指标的预测分布结果作为输入代入到联合概率分布预测模型，计算全部主指标在ti+1时刻的最大可能分布范围。而后将这一结果作为输入代入到状态分类模型中获取最终状态预测结果，从而实现对对象的状态预测。

如图1所示，本实施例中的对象状态预测方法，包括：

步骤10、根据知识库和关联数据挖掘对监测对象的监测数据指标进行分组，并构建状态分析模型，所述状态分析模型包括：单指标值预测模型、主指标分布预测模型以及对象状态分类预测模型。

本步骤中，根据知识库从监测对象的监测数据集中筛选出表征模式明确的指标；然后采用关联挖掘方法进行指标分组，将指标分为主指标和参考指标，其中，主指标直接影响对象状态，参考指标通过关联关系将参考指标的变化传递给主指标。

其中，单指标值预测模型是基于时间序列对参考指标进行值预测，主指标分布预测模型采用贝叶斯网络实现多因素关联的主指标分布预测，对象状态分类预测模型采用神经网络实现对对象状态的分类预测。实际应用中，根据接入分析对象的规模和/或计算性能需求，神经网络中间层的层数及每层的节点数可弹性配置。

由于一个被监控对象具有多个观测指标，以这些指标为依据，监控系统实现数据采集，在状态预测过程中，需要依赖这些指标的计算实现对状态的分类并形成预测结论。因此，在本发明中，需要首先建立指标-状态之间的依赖关系与值传递模型，这一模型基本定义如下：

statemodel＝{statedef，mainparams，referparams}

其中：

statedef为对象状态定义集合，其中定义了对象全部状态信息，其定义如下：

statedef＝{nan，health，risk，alert，sick}

其中

nan表示对象当前处于无法获知状态，其通常由于数据质量不足或丢失数据引起；

health表示对象当前状态良好，没有出现性能退化或运行条件达到边界的情况；

risk表示当前对象处于风险状态，出现一定性能退化，或部分主要指标出现溢出安全边界的情况；

sick表示当前对象处于失效\失能状态，不能正常运行；

从故障发展规律的角度来说，上述状态的恶化序列表示为

dis(health，sick)＜dis(risk，sick)

在模型中mainparams为主指标集合。主指标集合中包括一组观测指标，这些指标数值的异常直接引起对象在某个性质方面失效\失能的发生，其定义如下：

mainparams＝{(a，w，vcluster，cps，cas)i|i＝1，2，....n}

其由一个指标组构成，在指标组中：

a表示为该主指标的标识；

w为该主指标对最终状态的影响权重，这一权重值需要通过模型训练获得；

vcluster为该主指标的值域分布簇集合，其由一组簇信息构成，这一分布簇集合需要通过挖掘获得；

cps为该主指标与对应具有关联关系的参考指标联合概率分布表。其定义如下：

cps＝{(p(a∈vi|∑ck∈cvp))j|j＝1，2，....m}

vi∈vcluster

ck∈referparams，cvp∈ck

cas为传递关系网，其中定义了当前参考指标与主指标之间的关联关系，其定义如下：

cas＝{cp|p＝1，2，...n}

cp∈referparams

这一传递关系网通过专家知识或指标关联关系挖掘，例如：apriori方法实现构建，具体方法不再赘述。

referparams为参考指标集，其中包含了一组参考指标，这些指标的数据并不直接反应对象性质的变化程度。但是，其值在时间序列上的波动或分布通过传递关系会影响主指标的值分布，继而导致对象状态的变换。其定义如下：

referparams＝{(c，cas)i|i＝1，2，....m}

c为参考指标，其定义如下：

c＝{ckey，{cvp|p＝1，2，...n}}

其中，ckey为该参考指标的名称；

cvp为该指标的值分布簇集合，这一簇通过挖掘获得。

通过上述方法，构建了“状态-主指标-参考指标”三级模型，围绕这一模型，首先，对参考指标建立时间序列分析模型，实现对其值预测；其次，通过联合分布概率(贝叶斯网)的方式实现对主指标的值分布预测；最后利用bp神经网络，在多个主指标值分布预测的基础上，实现对对象状态的分类预测。

在上述构建了三级模型后，需要对指标值分布模式进行挖掘以便于进行预测计算。图3为本发明实施例中指标分布的模式挖掘的流程图，模式挖掘主要指针对指标值分布模式进行挖掘，根据日常监测数据，对数据分布进行聚类处理，形成分布簇，继而实现对连续波形数据的离散化。

将指标的数据进行聚类，形成分布簇并进行标记。在分析过程中，将采样数据或预测值与聚类簇进行计算，获得采样数据或预测值的分布簇信息；通过分布簇信息的提取实现采样数据与预测值的离散化处理，将其作为预测模型的输入，提高模型计算效率。

在本发明中，模式挖掘涉及主指标与参考指标，对象主指标的值分布模式存储在前述vcluster中，参考指标的值分布模式存储在cvp中。这两类指标值分布模式挖掘采用同样的算法，其具体处理过程如图3所示。

步骤20、利用样本数据对状态分析模型进行模型训练，获取计算模型体系；

图4为本发明实施例中状态分析模型训练的流程图，本发明中状态分析模型主要包括基于时间序列的单指标值预测模型、多因素关联的主指标分布预测模型以及对象状态分类预测模型。这些模型的训练过程具体如图4所示：

步骤201、根据参考指标对应的样本数据分布特点选择平滑处理函数，将原始数据转化成数据序列带入构建的单指标值预测模型进行训练迭代，获取稳定的基于时间序列的单指标值预测模型；

步骤202、将参考指标的样本数据的分布簇信息作为训练值带入构建的表示主指标与参考指标关联关系的贝叶斯网络进行训练，获取稳定的多因素关联的主指标分布预测模型；

步骤203、将主指标预测值的分布簇信息作为训练值带入构建的对对象状态预测分类的分类模型中进行训练，获取稳定的对象状态分类预测模型。

上述模型及模型训练过程分别如下：

1、基于时间序列的单指标值预测模型与模型训练

图5为本发明实施例中单指标值预测模型的训练过程流程图，如图5所示，这一模型主要针对参考指标，在时间序列基础上，建立预测模型，在本发明中预测模型所需的算法采用arima算法。在训练过程中，首先根据参考指标数值变换的特点选择合适的平滑方法，包括d阶差分、logistics等方法，将原始数据进行转化后形成数据序列，而后将该数据序列带入模型中，经过多次迭代后，形成稳定的基于时间序列的单指标值预测模型。

2、多因素关联的主指标分布预测模型与模型训练

图6为本发明实施例中主指标分布预测模型的网络结构示意图，如图6所示，这一模型是在主指标与参考指标关联关系的基础上构建贝叶斯网络，基于本发明对应应用场景中对象规模的特点，为了减少计算量，提高效率，贝叶斯网络采用简单的一层网络结构如图6所示，这一模型针对每一个主指标建立预测贝叶斯网，这一网络由一个输入层以及一个输出层构成。输入层中各个节点为与该主指标具有关联关系的参考指标，输出层为该主指标对应的联合分布概率表。输入层的参考指标c1，c2，…..cn节点与输出层之间建立连接关系，连接关系中记录该输入节点与输出节点之间的概率表。

图7为本发明实施例中主指标分布预测模型的训练流程图，如图7所示，在模型构建完毕后，带入样本数据进行训练，在训练过程中，首选需要将c1，c2，…..cn的样本数据进行值处理，获取其对应的分布簇信息，将分布簇信息作为训练值带入网络，经过迭代形成稳定的贝叶斯网络，具体过程如图7所示。

3、对象状态分类预测模型与模型训练

当获得多个主指标的预测值分布后，就可以依赖这些主指标的预测值对对象的状态进行分类，继而实现预测。如前所述，在本发明中将对象的状态分为nan、health、risk、sick几个级别，通过这一方式实现状态信息的离散表达。

图8为本发明实施例中状态分类预测模型的网络结构示意图，如图8所示，在本发明中，针对应用场景的特点，通过bp神经网络实现多个主指标的联合分类预测。结合本发明所对应的应用场景中对象规模较大的特点，这一神经网络采用可伸缩的层次关系。针对对象状态预测建立bp神经网络，这一网络中将前述的主指标预测值分布簇作为网络输入节点，输入层中每个节点对应某一个主指标，中间层为可伸缩层，根据整体计算性能要求，对层数以及每层的节点数进行弹性伸缩配置。在本发明所提及的应用场景中为了提高计算效率，采用一层结构，这一层中的隐单元个数与输入层的节点个数一致，输出层为对应的状态分类结果。

图9为本发明实施例中主指标分布预测模型的训练流程图，如图9所示，在模型构建完毕后，带入样本数据进行训练，在训练过程中，首选需要将a1，a2，…..am的样本数据进行值处理，获取其对应的值分布簇信息，将值分布簇信息作为训练值带入网络，经过迭代形成稳定的分类网络。

在实际应用中，针对不同应用场景中对象的特点以及计算性能的要求，可采用不同的分类算法适配，实现灵活适应。

步骤30、将状态预测对象当前的数据流输入计算模型体系，对对象状态进行预测。

图10为本发明实施例中对对象状态进行预测的流程示意图，实际状态预测中如图10所示，包括如下步骤：

步骤301、将监控对象当前的数据流进行采样并聚类，获取该监控对象当前主指标的分布簇信息；

步骤302、将当前主指标的分布簇信息带入计算模型体系，检测监控对象当前所处的状态，若为非正常状态，则获取当前对象主指标对应的参考指标的采样数据，对采样数据进行时间序列预测，并根据预测值获取对应的参考指标的分布簇信息；

步骤303、将参考指标的分布簇信息分别带入对应的训练后的主指标分布预测模型，获取主指标的分布簇信息；

步骤304、将主指标的分布簇信息带入训练后的对象状态分类预测模型，获取对象的预测状态。

在针对海量对象的监控活动中，本发明利用前述的模型与算法对不同对象状态实现智能分析。在这一过程中，应用系统首先利用历史数据构建样本集，在样本集的基础上，针对每一个对象，完成前述相关值分布模式挖掘与预测模型的训练，形成完备的分析知识库。在此基础上，针对增量数据进行分析，实现对象状态的识别与预警。

图11为本发明实施例中对对象状态预测计算的具体流程图，如图11所示，在预警过程中，首先对主指标值进行分布簇检测，如果对象的主指标分布簇检测结果没有出现异常情况，并经过状态序列检测后也没有出现异常，则将当前对象状态标记为正常状态health；如果当前对象主指标分布簇检测结果出现部分异常，则提取其参考指标数据，带入前述预测模型中进行状态预测，根据结果标记当前对象的状态信息，如对象状态具有发生异常化的可能，则将对象状态标注为预测结果risk，如对象状态不具有发生异常化的可能，则标注正常状态health；如果当前对象主指标分布簇检测结果出现较大范围异常，则标记当前状态sick并进行后续状态预测。

在上述状态预测标记过程中，为提高工作效率，可以在预测状态之前增加对对象状态是否达到异常标准进行判断，即当检测到监控对象当前所处的状态为非正常状态时，且对象状态达到预设的异常标准，则可以直接标注对象状态，无需再进行预测计算来判断以节省系统的计算量和状态预测时间；而当检测到监控对象当前所处的状态为非正常状态时，且对象状态未达到预设的异常标准时再依照上述预测模型采用的预测方法进行状态预测，预设的异常标准可以为特定的部分主指标出现异常，也可以为多个主指标同时出现异常。

在本发明实施例中，针对海量对象的实时状态检测过程中，首先对主指标进行模式匹配，识别当前对象的状态，经识别确认具有非正常的对象才进入后续的分析计算流程；对象状态被识别为非正常后，根据主指标的模式匹配结果标记对象当前状态，根据前述三级模型计算结果获取其预测状态，将结果进行标注与发布。

本发明实施例通过构建状态分析模型中采用基于时间序列的单指标值预测模型对参考指标进行预测，进而对与参考指标关联的影响对象状态的主指标进行预测，从而实现了对状态影响因素的动态预测，通过构建并训练状态分析模型形成实用的计算模型体系，对于海量数据的智能化监控提供了解决方案，因此，本发明的不仅提升了对象状态预测的准确性，还有利于智能化监控，对于大型复杂装备监控、交通、物流、智慧城市以及环境保护等方面具有积极的应用价值。

对于前述的运维系统中出现的虚假警问题，本发明在大数据与人工智能技术的基础上提出一种基于多指标时间序列的对象状态预测技术。该技术在监控数据集基础上筛选一组指标，这一组指标由主指标和以及具有关联性的参考指标构成，小区的健康状态由主指标联合计算获得，参考指标的数值变化影响主指标的值分布，在计算过程中，针对参考指标建立时间序列预测函数，预测下一个时间节点其值所对应的分布区间。在此基础上，将预测值分布区间作为主指标预测模型的输入，继而实现对主指标的值预测，最终实现对设备状态进行预测，从而有效降低了实际中出现虚假警的情况。

本发明所提出的方法，针对特定对象实现健康状态评估与预测，在电网、轨道交通、航空器等同类装备智能化监控与运维管理场景中同样适用。

图12为本发明实施例提供的一种对象状态预测系统的结构示意图，如图12所示，本发明的系统，包括：建模模块100、训练模块200和预测模块300，其中，建模模块100，用于根据知识库和关联数据挖掘对监测对象的监测数据指标进行分组，并构建状态分析模型，所述状态分析模型包括：单指标值预测模型、主指标分布预测模型以及对象状态分类预测模型；训练模块200，用于利用样本数据对状态分析模型进行模型训练，获取计算模型体系；预测模块300，用于将状态预测对象当前的数据流输入计算模型体系，对对象状态进行预测。

本发明实施例二能够执行上述方法实施例一的方案，其工作原理及达到的技术效果类似，不再赘述。

在上述图12的基础上，本发明的系统还进一步包括聚类模块，以用于对数据聚类离散化，便于计算机处理。

图13为本发明实施例提供的另一种对象状态预测系统的结构示意图，如图13所示，本实施例的系统在上述实施例二的基础上还包括：聚类模块400，用于将各个指标的监测采样数据或预测值进行聚类，形成不同的分布簇；以及对分布簇序列化处理，获取离散化的采样数据或预测值的分布簇信息。对采样值或预测值聚类序列化输入各个模型进行分析预测计算。

本发明对象状态预测系统的具体实施例中，建模模块100具体可用于根据知识库从监测对象的监测数据集中筛选出表征模式明确的指标；并采用关联挖掘方法进行指标分组，将指标分为主指标和参考指标。训练模块200具体用于根据参考指标对应的样本数据分布特点选择平滑处理函数，将原始数据转化成数据序列带入构建的单指标值预测模型进行训练迭代，获取稳定的基于时间序列的单指标值预测模型；将参考指标的样本数据的分布簇信息作为训练值带入构建的表示主指标与参考指标关联关系的贝叶斯网络进行训练，获取稳定的多因素关联的主指标分布预测模型；将主指标预测值的分布簇信息作为训练值带入构建的对对象状态预测分类的分类模型中进行训练，获取稳定的对象状态分类预测模型。预测模块300具体用于将监控对象当前的数据流进行采样并聚类，获取该监控对象当前主指标的分布簇信息；将当前主指标的分布簇信息带入计算模型体系，检测监控对象当前所处的状态，若为非正常状态，则获取当前对象主指标对应的参考指标的采样数据，对采样数据进行时间序列预测，并根据预测值获取对应的参考指标的分布簇信息；将参考指标的分布簇信息分别带入对应的训练后的主指标分布预测模型，获取主指标的分布簇信息；将主指标的分布簇信息带入训练后的对象状态分类预测模型，获取对象的预测状态。

本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述图1所示的对象状态预测方法的步骤。

本发明实施例还提供一种存储介质，该可读存储介质如：rom/ram、磁碟、光盘等，存储介质存储有计算机程序，所述计算机程序可被终端设备、计算机或服务器等硬件设备执行上述的对象状态预测方法的步骤。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。