通行速度预测模型的训练方法、装置和存储介质与流程

1.本申请涉及导航技术领域，尤其涉及一种通行速度预测模型的训练方法、通行速度预测方法、装置和存储介质。


背景技术：

2.随着人们生活水平的提高，人们出行的频率越来越高，在出行的过程中，为了更加快速、便捷地到达目的地，人们通常会参照具备导航功能的设备(如，个人数字助理、移动终端、mp3、mp4、电子腕式设备以及各类微型电子仪表等)所提供的导航服务进行驾驶。
3.在导航服务中，通常会一并向用户提供预估到达时间(estimated time of arrival，eta)，该预估到达时间的确定很大程度上依赖于该路段的预测通行速度，具体地，可以基于该路段的历史通行速度，得到该路段的预测通行速度，并根据预测通行速度，确定预估到达时间，上述历史通行速度也可通过该路段上的历史通行时长表征。
4.在已有技术中，采用历史平均值法得到一个路段上的预测通行速度。下面以一个示例介绍如何利用历史平均值法得到该路段的预测通行速度。例如，将某路段上过去12周内每一周的同一特征日(例如每周的周五)的同一时间段(例如18:10-18:20)的车辆的通行速度作为12个历史特征区间，确定该12个历史特征区间的通行速度的平均值作为该路段未来一周中相应特征日的相应时间段的预测通行速度。
5.应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。


技术实现要素：

6.发明人发现，在采用历史平均值法得到预测通行速度时，在预测通行速度不准确的情况下，由此确定出的预估到达时间往往极端提前或延后，即预测通行速度的准确性对于预估到达时间的确定非常重要；并且，历史平均值法对于历史数据中的异常数据非常敏感，即，在存在极高或极低的异常数据的情况下，这些异常数据对预测通行速度的影响较大；同时，历史平均值法无法学习历史特征区间内的局部趋势变化，尤其是近期短时间内的趋势变化，由此影响得到的预测通行速度的准确性；此外，历史平均值法仅考虑规定历史特征区间内的历史数据的值，未考虑与车辆行驶相关的其他信息，由此进一步影响得到的预测通行速度的准确性。
7.为了解决上述问题或类似问题，本发明实施例提供了一种通行速度预测模型的训练方法、通行速度预测方法、相应的装置和存储介质，用于达到训练出准确的通行速度预测模型，提高预测出的预测通行速度以及由此预估出的到达时间的准确性，提升用户体验的目的。
8.根据本发明实施例的第一方面，提供一种通行速度预测模型的训练方法，该方法包括：利用路段的历史路况信息和静态属性信息，对通行速度预测模型进行训练，其中，该
通行速度预测模型包括时间卷积网络层、组合层和全连接层，该时间卷积网络层对路段的历史路况信息进行学习，该组合层组合该时间卷积网络层的输出和该路段的静态属性信息，该全连接层对该组合层输出的参数进行综合，该通行速度预测模型用于预测路段的预测通行速度。
9.根据本发明实施例的第二方面，提供一种通行速度预测方法，该方法包括：基于根据上述第一方面所述的方法进行训练后的通行速度预测模型，对路段的预测通行速度进行预测。
10.根据本发明实施例的第三方面，提供一种通行速度预测模型的训练装置，其中，该装置包括：训练单元，其利用路段的历史路况信息和静态属性信息，对通行速度预测模型进行训练，其中，该通行速度预测模型包括时间卷积网络层、组合层和全连接层，该时间卷积网络层对路段的历史路况信息进行学习，该组合层组合该时间卷积网络层的输出和该路段的静态属性信息，该全连接层对该组合层输出的参数进行综合，该通行速度预测模型用于预测路段的预测通行速度。
11.根据本发明实施例的第四方面，提供一种通行速度预测装置，该装置包括：预测单元，其基于根据上述第三方面所述的装置进行训练后的通行速度预测模型，对路段的预测通行速度进行预测。
12.根据本发明实施例的第五方面，提供一种存储有处理器可读程序的存储介质，该程序使得处理器执行上述第一方面和/或第二方面所述的方法。
13.本发明实施例的一个有益效果在于，由于利用路段的历史路况信息和静态属性信息对包括时间卷积网络层、组合层和全连接层的通行速度预测模型进行训练，其中，使时间卷积网络层对路段的历史路况信息进行学习，使组合层组合时间卷积网络层的输出和路段的静态属性信息，使全连接层对组合层输出的参数进行综合，这样，通过时间卷积网络对历史路况信息进行机器学习，因此能够忽略历史路况信息中的异常数据，并且，从历史路况信息中学习到局部趋势信息，此外，还能够进一步基于静态属性信息学习到额外的路段属性信息，因此，能够训练出准确的通行速度预测模型，进而能够提高基于该通行速度预测模型预测出的预测通行速度的准确性，由此实现了提高预估到达时间的准确性，提升用户体验的效果。
14.参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。
15.针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
16.应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
17.所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施方式，并与文字描述一起来阐释本发明的原理。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。在附图中：
18.图1是本发明实施例1的通行速度预测模型的示意图。
19.图2是本发明实施例1的通行速度预测模型的训练方法的一个示意图。
20.图3是本发明实施例1的通行速度预测方法的一个示意图。
21.图4是本发明实施例2的通行速度预测模型的训练装置的一个示意图。
22.图5是本发明实施例2的通行速度预测装置的一个示意图。
23.图6是本发明实施例3的电子设备的一个示意图。
具体实施方式
24.参照附图，通过下面的说明书，本发明的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本发明的特定实施方式，其表明了其中可以采用本发明的原则的部分实施方式，应了解的是，本发明不限于所描述的实施方式，相反，本发明包括落入所附权利要求的范围内的全部修改、变型以及等同物。
25.在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
26.在本发明实施例中，术语“第一”、“第二”等用于对不同元素从称谓上进行区分，但并不表示这些元素的空间排列或时间顺序等，这些元素不应被这些术语所限制。术语“和/或”包括相关联列出的术语的一种或多个中的任何一个和所有组合。
27.在本发明实施例中，单数形式“一”、“该”等包括复数形式，应广义地理解为“一种”或“一类”而并不是限定为“一个”的含义；此外术语“所述”应理解为既包括单数形式也包括复数形式，除非上下文另外明确指出。此外术语“根据”应理解为“至少部分根据
……”
，术语“基于”应理解为“至少部分基于
……”
，除非上下文另外明确指出。
28.应当理解的是，当一个单元被称为“连接”或“耦合”到另一单元时，其可以直接连接或耦合到所述另一单元，或者可以存在中间单元。与此相对，当一个单元被称为“直接连接”或“直接耦合”到另一单元时，则不存在中间单元。应当按照类似的方式来解释被用于描述单元之间的关系的其他词语(例如“处于...之间”相比于“直接处于...之间”，“与...邻近”相比于“与...直接邻近”等等)。
29.还应当提到的是，在一些替换实现方式中，所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说，取决于所涉及的功能/动作，相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
30.下面结合附图对本发明实施例的各种实施方式进行说明。这些实施方式只是示例性的，不是对本发明实施例的限制。
31.实施例1
32.本实施例1提供一种通行速度预测模型的训练方法以及一种通行速度预测方法。上述两种方法基于一种新的通行速度预测模型而实现。
33.图1是本实施例的通行速度预测模型的示意图。如图1所示，通行速度预测模型100
包括时间卷积网络层101、组合层102和全连接层103，时间卷积网络层101对路段的历史路况信息111进行机器学习，组合层102组合时间卷积网络层101的输出112和该路段的静态属性信息113，全连接层103对组合层102输出的信息114进行综合。通行速度预测模型100用于预测路段的预测通行速度。
34.图2是本实施例的通行速度预测模型的训练方法的一个示意图。该训练方法基于上述通行速度预测模型100而实现。如图2所示，该方法包括：
35.步骤201，利用路段的历史路况信息和静态属性信息，对通行速度预测模型进行训练，其中，该通行速度预测模型包括时间卷积网络层、组合层和全连接层，该时间卷积网络层对路段的历史路况信息进行学习，该组合层组合该时间卷积网络层的输出和该路段的静态属性信息，该全连接层对该组合层输出的参数进行综合，该通行速度预测模型用于预测路段的预测通行速度。即，步骤201中进行训练的通行速度预测模型为上述通行速度预测模型100。
36.通过上述实施例，利用路段的历史路况信息和静态属性信息对包括时间卷积网络层、组合层和全连接层的通行速度预测模型进行训练，其中，使时间卷积网络层对路段的历史路况信息进行学习，组合层组合时间卷积网络层的输出和路段的静态属性信息，全连接层对组合层输出的参数进行综合，这样，由于通过时间卷积网络对历史路况信息进行机器学习，因此能够忽略历史路况信息中的异常数据，并且从历史路况信息中学习到局部趋势信息，此外，还能够进一步基于静态属性信息学习到额外的路段属性信息，因此，能够训练出准确的通行速度预测模型，进而能够提高基于该通行速度预测模型预测出的预测通行速度的准确性，由此实现了提高预估到达时间的准确性，提升用户体验的效果。
37.本实施例的上述方法可应用于自动驾驶中，例如，自动驾驶车辆可以基于自身产生的历史数据对通行速度预测模型进行训练，这样，基于训练后的通行速度预测模型能够对预测通行速度进行预测，进而利用该预测通行速度帮助自动驾驶车辆进行车辆控制决策，以使用户获得更好的体验。
38.在本实施例中，路段是指，道路在两个交叉口之间的部分。本实施例的方法以路段为单位进行，换言之，针对每个路段，执行上述方法，从而能够基于训练后的通行速度预测模型预测每个路段的未来的通行速度。这样，在确定某一车辆的预估到达时间时，可以根据该车辆的导航路径，基于该导航路径所包含的各路段的未来的通行速度的预测结果，确定该车辆的预估到达时间。由此，能够提高预估到达时间的准确性，提升用户体验。
39.在本实施例中，时间卷积网络(temporal convolutional network,tcn)是一种新型的可以用于解决时间序列预测的网络模型，该网络模型的具体内容为公开文献信息，此处不再赘述。
40.在本实施例中，历史路况信息可以是指示规定历史特征区间内该路段的通行速度随时间变化的情况的信息。换言之，历史路况信息能够反映该路段在某一历史时段内的通行速度的趋势，即历史趋势。通过基于擅长趋势学习的时间卷积网络层对历史路况信息进行机器学习，能够较为准确地获取该路段的通行速度的历史趋势。
41.上述规定历史特征区间是指已经过去的规定的特征区间，其可以根据需要任意设定。例如，可以是过去若干周内每周同一特征日(例如周五)的同一时间批次(例如18:10-18:20)，又如，也可以是过去一周内每日的同一时间批次，且本实施例不以此作为限制。
42.通行速度可通过能够指示通行速度大小的任意参数表征，例如，可通过该路段上的所有车辆的平均通行速率值表征，也可通过该路段上的所有车辆的平均通行时长值表征。
43.在本实施例中，历史路况信息可以包括第一历史路况信息，该第一历史路况信息指示当前年份的规定历史特征区间内该路段的通行速度随时间变化的情况。该历史路况信息还可包括第二历史路况信息，该第二历史路况信息指示当前年份的前一年的同一规定历史特征区间内该路段的通行速度随时间变化的情况。
44.也就是说，在历史路况信息中，可以仅设置第一历史路况信息以反映近期该路段的通行速度趋势的第一历史路况信息，也可以同时设置第一历史路况信息和第二历史路况信息以同时反映近期该路段通行速度趋势以及前一年同期该路段通行速度趋势两者。
45.在历史路况信息中同时设置第一历史路况信息和第二历史路况信息的情况下，能够基于第一和第二历史路况信息学习到该路段的通行速度趋势的年度周期性，由此，能够更加准确地对未来的通行速度进行预测，即，能够得到更准确的预测通行速度。这里，年度周期性是指，路段在每年中的特定时段，会呈现出特定的通行规律，例如，在每年暑假，某一路段的流量会出现大幅增长，从而该路段变得拥堵。
46.在本实施例中，静态属性信息可以是表示该路段的任意属性的信息，其可以经由人工方式提取而得到。这样，静态属性信息可以反映人工提取的该路段的特征。通过在历史路况信息的基础上附加静态属性信息作为对通行速度预测模型进行训练的依据，有助于进一步提升得到的通行速度预测模型的准确性。
47.该静态属性信息可以包括路段属性信息，该路段属性信息指示路段的通行能力。例如，路段属性信息可以包括以下信息中的至少一种：该路段的长度、宽度、车道数，或者该路段的车道宽度、最大限速等。
48.该静态属性信息还可以包括时间属性信息，该时间属性信息指示规定历史特征区间内该路段的通行速度。该时间属性信息可以包括以下信息中的至少一种：指示该路段的当前年份的规定历史特征区间的通行速度平均值的第一时间属性信息、指示当前年份的前一年的同一规定历史特征区间的通行速度平均值的第二时间属性信息。这样，在时间属性信息中同时反映当年的规定历史特征区间和去年同期的通行速度平均值，由此能够通过该时间属性信息体现年度周期性。这样，能够在历史路况信息体现年度周期性的基础上，通过静态属性信息进一步描述年度周期性，由此，通过在通行速度预测模型中同时考虑历史路况信息和静态属性信息两者的影响，能够使通行速度预测模型更加准确。
49.在本实施例中，上述规定历史特征区间可设置为与当前时间之间的距离在规定范围内。这样，使得该规定历史特征区间与当前时间点足够近，通常，足够近的规定历史特征区间所对应的相应属性信息能够反映与当前时间点更为接近类似的对趋势的影响。该规定范围可根据需要任意设置。
50.例如，在一个实施方式中，该时间属性信息包括指示该路段的今年过去的3日中每日的某一时间批次(例如18:10-18:20)的通行速度平均值的第一时间属性信息，以及指示去年同期的通行速度平均值的第二时间属性信息。
51.上述第一时间属性信息可以包含多个子信息，上述第二时间属性信息也可包含多个子信息。例如，上述第一时间属性信息可以包含指示该路段的今年的过去3日中每日的某
一时间批次(例如18:10-18:20)的通行速度平均值的第一子信息，还可以包含指示该路段的今年的过去7日中每日的同一时间批次的通行速度平均值的第二子信息，相应地，上述第二时间属性信息可以包含指示与上述第一子信息对应的去年同期的通行速度平均值的第三子信息，还可以包含指示与上述第二子信息对应的去年同期的通行速度平均值的第四子信息。通过使第一时间属性信息包含多个子信息，能够在静态属性信息中以多种粒度对时间属性进行描述，由此提升通行速度预测模型的准确性。
52.在本实施例中，在上述步骤201中，时间卷积网络层101对路段的历史路况信息111进行机器学习的具体实现方式可以包括：由时间卷积网络层101对路段的历史路况信息111进行卷积处理，以得到时序特征。具体的卷积处理方式可参见前述关于时间卷积网络的论文，此处不再赘述。
53.在上述卷积处理的基础上，组合层102组合时间卷积网络层101的输出112和路段的静态属性信息113，全连接层103对组合层102输出的信息114进行综合。其中，上述组合处理和综合处理的具体实现方式可以参照现有技术，此处不再赘述。
54.本实施例1还提供一种通行速度预测方法。
55.图3是本实施例的通行速度预测方法的一个示意图。如图3所示，该方法包括：
56.步骤301，基于上述步骤201进行训练后的通行速度预测模型，对路段的预测通行速度进行预测。
57.这样，通过步骤201，能够完成对通行速度预测模型的准确训练，进而通过步骤301能够基于根据步骤201进行训练后的通行速度预测模型，预测出准确的预测通行速度。
58.或者，本实施例的通行速度预测方法也可以包括上述步骤201和步骤301。
59.通过本实施例的通行速度预测模型的训练方法和通行速度预测方法，能够训练出准确的通行速度预测模型，进而能够提高基于该通行速度预测模型预测出的预测通行速度的准确性，由此实现了提高预估到达时间的准确性，提升用户体验的效果。
60.实施例2
61.本实施例2提供一种通行速度预测模型的训练装置和一种通行速度预测装置。本实施例2与实施例1相同的内容不再赘述，以下针对本实施例2与实施例1不同的内容进行说明。
62.图4是本实施例的通行速度预测模型的训练装置的一个示意图。如图4所示，通行速度预测装置400包括训练单元401。其中，训练单元401利用路段的历史路况信息和静态属性信息，对通行速度预测模型进行训练，其中，该通行速度预测模型包括时间卷积网络层、组合层和全连接层，该时间卷积网络层对路段的历史路况信息进行学习，该组合层组合该时间卷积网络层的输出和该路段的静态属性信息，该全连接层对该组合层输出的参数进行综合，该通行速度预测模型用于预测路段的预测通行速度。
63.在本实施例中，历史路况信息、静态属性信息等可与实施例1中相同，此处不再赘述。
64.图5是本实施例的通行速度预测装置的一个示意图。如图5所示，通行速度预测装置500包括预测单元501。其中，预测单元502基于上述训练装置400的训练单元401进行训练后的通行速度预测模型，对路段的预测通行速度进行预测。
65.在本实施例中，通行速度预测装置可以仅包括预测单元501，也可以包括训练单元
和预测单元501。其中，该训练单元具有与上述训练单元401相同的功能，预测单元502基于该训练单元进行训练后的通行速度预测模型，对路段的预测通行速度进行预测。
66.通过本实施例的通行速度预测模型的训练装置和通行速度预测装置，能够训练出准确的通行速度预测模型，进而能够提高基于该通行速度预测模型预测出的预测通行速度的准确性，由此实现了提高预估到达时间的准确性，提升用户体验的效果。
67.实施例3
68.本实施例3提供一种电子设备。本实施例3与实施例1或实施例2相同的内容不再赘述，以下针对本实施例3与实施例1或实施例2不同的内容进行说明。
69.图6是本实施例的电子设备的一个示意图。如图6所示，电子设备600可以包括：处理器601和存储器602，存储器602耦合到处理器601。
70.其中，存储器602可存储用于实现一定功能的程序，例如存储实现实施例1的方法的程序，并且该程序在处理器601的控制下执行；此外，存储器602还可存储各种数据，例如路段的历史路况信息和静态属性信息、机器学习过程中的中间数据、预测通行速度等。
71.在一个实施方式中，实施例2中的通行速度预测模型的训练装置400和/或通行速度预测装置500中的功能可以被集成到处理器601中执行。
72.在本实施例中，处理器601可以被配置为：
73.利用路段的历史路况信息和静态属性信息，对通行速度预测模型进行训练，其中，所述通行速度预测模型包括时间卷积网络层、组合层和全连接层，所述时间卷积网络层对路段的历史路况信息进行学习，所述组合层组合所述时间卷积网络层的输出和所述路段的静态属性信息，所述全连接层对所述组合层输出的参数进行综合，该通行速度预测模型用于预测路段的预测通行速度。
74.在本实施例中，处理器601还可以被配置为：
75.基于进行训练后的通行速度预测模型，对路段的预测通行速度进行预测。
76.本实施例中的上述各步骤以及历史路况信息、静态属性信息可与实施例1中相同，此处不再赘述。
77.如图6所示，电子设备600还可以包括通信部603，通信部603可以经由互联网发送或接收信息，例如可从其他设备接收历史路况信息、静态属性信息，和/或，向其他设备发送得到的预测通行速度等。
78.值得注意的是，电子设备600并不是必须要包括图6中所示的所有部件，可根据需要省略某些部件，例如可省略通信部603；此外，电子设备600还可以包括图6中没有示出的部件，可以参考现有技术。
79.在本发明实施例中，术语“电子设备”包括用户设备与网络设备。其中，所述用户设备包括但不限于智能手机、平板电脑等通用电子设备以及导航设备等专用电子设备；所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(cloud computing)的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，所述计算机设备可单独运行来实现本申请，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本申请。其中，所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、vpn网络等。
80.需要说明的是，所述用户设备、网络设备和网络等仅为举例，其他现有的或今后可能出现的计算机设备或网络如可适用于本申请，也应包含在本申请保护范围以内，并以引用方式包含于此。
81.通过本实施例的电子设备，能够训练出准确的通行速度预测模型，进而能够提高基于该通行速度预测模型预测出的预测通行速度的准确性，由此实现了提高预估到达时间的准确性，提升用户体验的效果。
82.本发明实施例还提供一种处理器可读程序，所述程序使得处理器执行本发明实施例所述的方法。
83.本发明实施例还提供一种存储有处理器可读程序的存储介质，所述程序使得处理器执行本发明实施例所述的方法。
84.本发明以上的方法/装置可以由硬件实现，也可以由硬件结合软件实现。本发明涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。逻辑部件例如现场可编程逻辑部件、微处理器、计算机中使用的处理器等。本发明还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、dvd、flash存储器等。
85.结合本发明实施例描述的方法/装置可直接体现为硬件、由处理器执行的软件层或二者组合。例如，图4中所示的功能框图中的一个或多个和/或功能框图的一个或多个组合，既可以对应于计算机程序流程的各个软件层，亦可以对应于各个硬件层。这些软件层，可以分别对应于图2中所示的各个步骤。这些硬件层例如可利用现场可编程门阵列(fpga)将这些软件层固化而实现。
86.软件层可以位于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动磁盘、cd-rom或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息；或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于asic中。该软件层可以存储在设备的存储器中，也可以存储在可插入设备的存储卡中。例如，若设备采用的是较大容量的mega-sim卡或者大容量的闪存装置，则该软件层可存储在该mega-sim卡或者大容量的闪存装置中。
87.针对附图中描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，可以实现为用于执行本发明所描述功能的通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。针对附图描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，还可以实现为计算设备的组合，例如，dsp和微处理器的组合、多个微处理器、与dsp通信结合的一个或多个微处理器或者任何其它这种配置。
88.以上结合具体的实施方式对本申请进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本申请保护范围的限制。本领域技术人员可以根据本申请的原理对本申请做出各种变型和修改，这些变型和修改也在本申请的范围内。