交通运输单位信用评级方法、系统、电子设备及存储介质与流程

[0001]
本发明涉及交通运输技术领域，尤其涉及一种交通运输单位信用评级方法、系统、电子设备及计算机可读存储介质。


背景技术：

[0002]
交通信用体系的建设是近年来交通管理部门的重点工作之一，交通运输企业交通信用评估对规范企业信用信息，营造城市信用市场促进自律具备极其重要的意义。
[0003]
企业信用评级模型的发展引起了学术界和商业界的广泛研究兴趣。国外对于企业信用的评级研究较早，评级方法可以分为传统方法与基于人工智能的评级方法。传统方法中主要有：因子分析法、经验判别法、多元判别分析预测；人工智能评级中主要有：支持向量机、人工神经网络、归纳学习等。上述方法均是建立在数据具备标签前提下的有监督学习，需要大量的数据支撑，获取数据的成本较高，标签的准确性不能保证。不仅如此，传统的评级方法和模型，聚类损失严重、收敛慢、鲁棒性差，因为不能准确有效地维持特征数据的特征特性，因此不能准确稳定的为交通运输单位交通信用考评提供决策支持。


技术实现要素：

[0004]
本发明的目的在于解决背景技术中的至少一个技术问题，提供一种交通运输单位信用评级方法、系统、电子设备及计算机可读存储介质。
[0005]
为实现上述目的，本发明提供一种交通运输单位信用评级方法，包括：
[0006]
提取交通运输单位的交通信用评级的特征数据集；
[0007]
对所述特征数据集进行聚类处理，选取最佳簇数，建立评级模型；
[0008]
将所述特征数据集输入所述评级模型，对交通运输单位进行无标签数据评级。
[0009]
根据本发明的一个方面，还包括：在建立评级模型后，以所述特征数据集的马氏距离作为优化目标，优化所述评级模型，其中马氏距离公式为：
[0010]
其中x
i
为第i条数据，m
j
为数据i属于对应簇j的质心，∑-1
为协方差的逆。
[0011]
根据本发明的一个方面，所述特征数据集包括：行政处罚z1；受到一般行政处罚x4；受到严重行政处罚x5；信誉考评z2；信誉考评获得aaa级x1；信誉考评获得aa级x2；信誉考评获得b级x3。
[0012]
根据本发明的一个方面，基于因子分析法获取所述特征数据集，其中因子分析法包括：
[0013]
获取交通信用评级的特征数据集；
[0014]
构造矩阵公式：x＝az+ε，其中矩阵a为n*m荷载矩阵，向量z为m维公共因子，ε为n维误差向量，x为n维观测向量，z为数据集x筛选后的特征数据集；；
[0015]
根据式cov(x)＝aa
t
+cov(ε)可以求出载荷矩阵a，其中cov(*)代表变量的协方差；
[0016]
求出公共因子z，z＝a
t
cov(x)-1
x；
[0017]
要求kmo值大于0.5，bartlett检验sig值小于0.05，则说明数据集可以进行因子分析，否则需要重新修改数据集。
[0018]
根据本发明的一个方面，基于全局k-means算法对特征数据集进行聚类，以类平方和结合肘部原则选取最佳簇数，建立全局k-means交通信用评级模型；
[0019]
其中，选取最佳簇数的方法包括：
[0020]
初始化聚类中心为全量数据的平均值；
[0021]
以马氏距离作为优化目标，观察在n次迭代后，类平方和损失达到最小对应的聚类中心，为最优聚类中心；
[0022]
令k
′
＝k+1依次增大聚类簇数，k
′
的初始化聚类中心由所述最优聚类中心与随机选取一个初始点构成，其中k为簇数；
[0023]
观察不同k值下的类平方和损失函数曲线变化，按照肘部法则确定最优聚类簇数。
[0024]
根据本发明的一个方面，建立所述全局k-means交通信用评级模型后，将聚类中心归一化后获得对应簇的评级结果，将所述特征数据集输入所述全局k-means交通信用评级模型，依照距离最短将特征数据划分至对应簇并根据所述簇的评级结果进行评级。
[0025]
根据本发明的一个方面，所述将聚类中心归一化后获得对应簇的评级结果，将所述特征数据集输入所述全局k-means交通信用评级模型，依照距离最短将特征数据划分至对应簇并根据所述簇的评级结果进行评级，包括：
[0026]
将所述特征数据集输入簇数k类聚类中心的全局k-means交通信用评级模型中，获取各个聚类中心的质心。
[0027]
根据本发明的一个方面，所述将聚类中心归一化后获得对应簇的评级结果，将所述特征数据集输入所述全局k-means交通信用评级模型，依照距离最短将特征数据划分至对应簇并根据所述簇的评级结果进行评级，还包括：
[0028]
聚类中心归一化，通过指标的标称意义，对各质心划分到对应的信用等级中；
[0029]
基于马氏距离计算各个质心与交通运输单位的特征数据之间的距离，按照距离最短将特征数据划分到对应的簇中；
[0030]
将特征数据对应簇转化为对应的交通信用评级结果，完成对交通运输单位的交通信用评级。
[0031]
为实现上述目的，本发明还提供一种交通运输单位信用评级系统，包括：
[0032]
数据提取模块，用于提取交通运输单位的交通信用评级的特征数据集；
[0033]
数据处理模块，用于对所述特征数据集进行聚类处理，选取最佳簇数，建立评级模型；
[0034]
评级模块，将所述特征数据集输入所述评级模型，对交通运输单位进行无标签数据评级。
[0035]
根据本发明的一个方面，还包括：
[0036]
模型优化模块，用于所述数据处理模块建立评级模型后，以马氏距离作为优化目标，优化所述评级模型。
[0037]
为实现上述目的，本发明还提供一种电子设备，包括：
[0038]
至少一个处理器；以及
[0039]
与所述至少一个处理器耦合连接的存储器；其中，
[0040]
所述存储器存储有计算机程序，所述计算机程序能够被所述至少一个处理器执行，以实现上述方法。
[0041]
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，当所述计算机程序被执行时，能够实现上述方法。
[0042]
根据本发明的一个方案，本发明提供的一种基于数据驱动的交通运输单位交通信用评级方法，该方法采用无监督学习模式(即采用无标签数据)为交通运输单位的信用进行评级，采用无标签数据评级的方法不需要大量的数据支撑，不需要参考历史经验数据，获取数据的成本小，而且不再需要考虑例如传统的有监督学习中的标签数据的准确性。因此，在无标签数据进行评级的情况下，本发明的评级方法处理数据的速度更快、更稳定，而且准确率更高。不仅如此，本发明考虑到数据的空间分布关系，提出基于马氏距离优化的全局k-means算法对数据集进行聚类并分级，这样一来本发明的方法比传统的模型聚类损失低、收敛快、鲁棒性更强，能够为企业交通信用考评提供准确稳定的决策支持。
附图说明
[0043]
图1表示根据本发明的交通运输单位信用评级方法的流程图；
[0044]
图2表示因子分析法流程图；
[0045]
图3表示全局k-means流程图；
[0046]
图4表示肘部法则示意图；
[0047]
图5为欧式距离与马氏距离下传统k-means与全局k-means的类平方误差比较图；
[0048]
图6为企业交通信用评级流程图；
[0049]
图7表示根据本发明的交通运输单位信用评级系统的结构框图；
[0050]
图8为在最优簇数下数据集的分类结果图。
具体实施方式
[0051]
现在将参照示例性实施例来论述本发明的内容。应当理解，论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
[0052]
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”。术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
[0053]
图1示意性表示根据本发明的交通运输单位信用评级方法的流程图。如图1所示，根据本发明的交通运输单位信用评级方法，包括以下步骤：
[0054]
a.提取交通运输单位的交通信用评级的特征数据集；
[0055]
b.对所述特征数据集进行聚类处理，选取最佳簇数，建立评级模型；
[0056]
c.将所述特征数据集输入所述评级模型，对交通运输单位进行无标签数据评级。
[0057]
在本发明中，无标签数据评级为特征数据采用无监督学习模式下的评级，相比于有标签数据评级需要借鉴历史经验数据获得数据特性的情况，无标签数据评级不需要参考历史经验数据，只要将其输入评级模型即可获取评级所需数据特性。
[0058]
根据本发明的一种实施方式，在上述b步骤之前或者b步骤和c步骤之间还包括e步
骤：以特征数据集的马氏距离作为优化目标，优化所述评级模型，以解决量纲差异问题。
[0059]
传统的k-means聚类采用的欧式距离，若变量之间的差据十分悬殊，则小的变量值在聚类过程中的作用会被忽略，引入马氏距离，即对欧式距离引入协方差，修改距离公式，优化目标。马氏距离公式为：
[0060][0061]
其中x
i
为第i条数据，m
j
为数据i属于对应簇j的质心，∑-1
为协方差的逆。
[0062]
根据本发明的一种实施方式，上述特征数据集包括：行政处罚z1；受到一般行政处罚x4；受到严重行政处罚x5；信誉考评z2；信誉考评获得aaa级x1；信誉考评获得aa级x2；信誉考评获得b级x3。
[0063]
进一步地，在上述a步骤中，采用因子分析法获取上述特征数据集，其中因子分析法如图2所示，包括：
[0064]
a1.获取交通信用评级的特征数据集；
[0065]
a2.构造矩阵公式：x＝az+ε，其中矩阵a为n*m荷载矩阵，向量z为m维公共因子，ε为n维误差向量，x为n维观测向量；
[0066]
a3.根据式cov(x)＝aa
t
+cov(ε)可以求出载荷矩阵a，其中cov(*)代表变量的协方差；
[0067]
a4.求出公共因子z，z＝a
t
cov(x)-1
x；
[0068]
a5.要求kmo值大于0.5，bartlett检验sig值小于0.05，则说明数据集可以进行因子分析，否则需要重新修改数据集。
[0069]
根据本发明的一种实施方式，在上述b步骤中，基于全局k-means算法对特征数据集进行聚类，以类平方和结合肘部原则选取最佳簇数，建立全局k-means交通信用评级模型；
[0070]
其中，选取最佳簇数的方法如图3所示，包括：
[0071]
b1.初始化聚类中心为全量数据的平均值；
[0072]
b2.以马氏距离作为优化目标，观察在n次迭代后，类平方和损失达到最小对应的聚类中心，为最优聚类中心；
[0073]
b3.令k
′
＝k+1依次增大聚类簇数，k
′
的初始化聚类中心由最优聚类中心与随机选取一个初始点构成，其中k为簇数；
[0074]
b4.观察不同k值下的类平方和损失函数曲线变化，按照肘部法则确定最优聚类簇数。
[0075]
例如，选取最佳簇数的方法以特征数据集的平均值作为簇数为1时的质心，以步长为1逐渐增大k值，初始质心为(o1，o2，...，o
k-1
，o
k
),其中o1，o2，...，o
k-1
为获取的最优聚类质心，o
k
为随机选取的质心点。接下来进行内循环迭代，在每一次选取k个最优质心时候需要进行n次迭代，直至类平方误差趋于稳定。然后外循环迭代，在选取k个最优质心后观察损失-簇数曲线，是否满足肘部法则，见图4，其肘部位置即为拐点位置，实例中最优k为3。最后输出最优k值以及对应的k个质心。
[0076]
根据本发明的一种实施方式，在上述c步骤中，建立全局k-means交通信用评级模型后，将聚类中心归一化后获得对应簇的评级结果，将特征数据集输入全局k-means交通信
用评级模型，依照距离最短将特征数据划分至对应簇并根据簇的评级结果进行评级。在本实施方式中，将特征数据集输入评级模型进行评级的过程包括：
[0077]
将特征数据集输入簇数k类聚类中心的全局k-means交通信用评级模型中，获取各个聚类中心的质心。
[0078]
对比四类模型应用于交通运输企业交通信用相关数据集，分别为k-means+欧式距离(ke)、k-means+马氏距离(km)、全局k-means+欧式距离(gke)、全局k-means+马氏距离(gkm)。对比结果由类平方损失曲线表示，如图5所示。
[0079]
根据本发明的一种实施方式，在上述c步骤中，将聚类中心归一化后获得对应簇的评级结果，将特征数据集输入优化后的全局k-means交通信用评级模型，依照距离最短将特征数据划分至对应簇并进行评级，如图6所示，还包括以下步骤：
[0080]
d1.聚类中心归一化，通过指标的标称意义，对各质心划分到对应的信用等级中；
[0081]
d2.基于马氏距离计算各个质心与交通运输单位的特征数据之间的距离，按照距离最短将特征数据划分到对应的簇中；
[0082]
d3.将特征数据对应簇转化为对应的交通信用评级结果，完成对交通运输单位的交通信用评级。
[0083]
具体地，将特征数据集输入优化后的全局k-means中，将质心坐标归一化，即映射至[0,1]之间，相关管理部门确定属性之间的重要度，将数据通过加权和确定最终考评数据，并根据标度意义进行排序，确定各个簇代表的分级等级，基于马氏距离计算企业数据与质心坐标之间的距离，依照最短距离，对企业交通信用进行评级。
[0084]
根据本发明的上述方法，与同类传统聚类方法相比，精度更高、鲁棒性更强、收敛更快，能够为交通运输企业信用评级提供决策支持。
[0085]
为了实现本发明的目的，本发明还提供一种交通运输单位信用评级系统，系统的结构框图如图7所示，包括：
[0086]
数据提取模块，用于提取交通运输单位的交通信用评级的特征数据集；
[0087]
数据处理模块，用于对特征数据集进行聚类处理，选取最佳簇数，建立评级模型；
[0088]
评级模块，将特征数据集输入评级模型，对交通运输单位进行无标签数据评级。
[0089]
根据本发明的一种实施方式，还包括模型优化模块，用于数据处理模块建立评级模型后，以马氏距离作为优化目标，优化所述评级模型，以解决量纲差异问题。
[0090]
传统的k-means聚类采用的欧式距离，若变量之间的差据十分悬殊，则小的变量值在聚类过程中的作用会被忽略，引入马氏距离，即对欧式距离引入协方差，修改距离公式，优化目标。马氏距离公式为：
[0091][0092]
其中x
i
为第i条数据，m
j
为数据i属于对应簇j的质心，∑-1
为协方差的逆。
[0093]
根据本发明的一种实施方式，上述特征数据集包括：行政处罚z1；受到一般行政处罚x4；受到严重行政处罚x5；信誉考评z2；信誉考评获得aaa级x1；信誉考评获得aa级x2；信誉考评获得b级x3。
[0094]
进一步地，数据提取模块采用因子分析法获取上述特征数据集，其中因子分析法如图2所示，包括：
[0095]
a1.获取交通信用评级的特征数据集；
[0096]
a2.构造矩阵公式：x＝az+ε，其中矩阵a为n*m荷载矩阵，向量z为m维公共因子，ε为n维误差向量，x为n维观测向量；
[0097]
a3.根据式cov(x)＝aa
t
+cov(ε)可以求出载荷矩阵a，其中cov(*)代表变量的协方差；
[0098]
a4.求出公共因子z，z＝a
t
cov(x)-1
x；
[0099]
a5.要求kmo值大于0.5，bartlett检验sig值小于0.05，则说明数据集可以进行因子分析，否则需要重新修改数据集。
[0100]
根据本发明的一种实施方式，数据处理模块基于全局k-means算法对特征数据集进行聚类，以类平方和结合肘部原则选取最佳簇数，建立全局k-means交通信用评级模型；
[0101]
其中，选取最佳簇数的方法如图3所示，包括：
[0102]
b1.初始化聚类中心为全量数据的平均值；
[0103]
b2.以马氏距离作为优化目标，观察在n次迭代后，类平方和损失达到最小对应的聚类中心，为最优聚类中心；
[0104]
b3.令k
′
＝k+1依次增大聚类簇数，k
′
的初始化聚类中心由最优聚类中心与随机选取一个初始点构成，其中k为簇数；
[0105]
b4.观察不同k值下的类平方和损失函数曲线变化，按照肘部法则确定最优聚类簇数。
[0106]
例如，选取最佳簇数的方法以特征数据集的平均值作为簇数为1时的质心，以步长为1逐渐增大k值，初始质心为(o1，o2，...，o
k-1
，o
k
),其中o1，o2，....，o
k-1
为获取的最优聚类质心，o
k
为随机选取的质心点。接下来进行内循环迭代，在每一次选取k个最优质心时候需要进行n次迭代，直至类平方误差趋于稳定。然后外循环迭代，在选取k个最优质心后观察损失-簇数曲线，是否满足肘部法则，见图4，其肘部位置即为拐点位置，实例中最优k为3。最后输出最优k值以及对应的k个质心。
[0107]
根据本发明的一种实施方式，数据处理模块建立全局k-means交通信用评级模型后，评级模型将聚类中心归一化后获得对应簇的评级结果，将特征数据集输入全局k-means交通信用评级模型，依照距离最短将特征数据划分至对应簇并根据簇的评级结果进行评级。在本实施方式中，将特征数据集输入评级模型进行评级的过程包括：
[0108]
将特征数据集输入簇数k类聚类中心的全局k-means交通信用评级模型中，获取各个聚类中心的质心。
[0109]
对比四类模型应用于交通运输企业交通信用相关数据集，分别为k-means+欧式距离(ke)、k-means+马氏距离(km)、全局k-means+欧式距离(gke)、全局k-means+马氏距离(gkm)。对比结果由类平方损失曲线表示，如图5所示。
[0110]
根据本发明的一种实施方式，评级模块将聚类中心归一化后获得对应簇的评级结果，将特征数据集输入优化后的全局k-means交通信用评级模型，依照距离最短将特征数据划分至对应簇并进行评级，如图6所示，还包括以下步骤：
[0111]
d1.聚类中心归一化，通过指标的标称意义，对各质心划分到对应的信用等级中；
[0112]
d2.基于马氏距离计算各个质心与交通运输单位的特征数据之间的距离，按照距离最短将特征数据划分到对应的簇中；
[0113]
d3.将特征数据对应簇转化为对应的交通信用评级结果，完成对交通运输单位的交通信用评级。
[0114]
具体地，将特征数据集输入基于优化后的全局k-means中，将质心坐标归一化，即映射至[0,1]之间，相关管理部门确定属性之间的重要度，将数据通过加权和确定最终考评数据，并根据标度意义进行排序，确定各个簇代表的分级等级，基于马氏距离计算企业数据与质心坐标之间的距离，依照最短距离，对企业交通信用进行评级。
[0115]
根据本发明的上述系统，与同类传统聚类系统相比，精度更高、鲁棒性更强、收敛更快，能够为交通运输企业信用评级提供决策支持。
[0116]
为了实现本发明的目的，本发明还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器耦合连接的存储器；其中，存储器存储有计算机程序，计算机程序能够被至少一个处理器执行，以实现上述方法。
[0117]
本发明还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机程序，当计算机程序被执行时，能够实现上述方法。
[0118]
此外，本发明结合附图以一种实施例的方式具体说明本发明的上述方案。
[0119]
实施例1：
[0120]
结合图1，评级方法步骤如下：
[0121]
a：提取交通信用评级的特征集合
[0122]
a1：获取如表1所示的交通信用评级数据，数据条是该企业在半年来获得的奖惩次数，一行数据条代表一家交通运输企业；
[0123]
基于a2、a3、a4和a5，可以求出公共因子z以荷载矩阵a。如表2所示。z
i
为公共因子，x
j
为观测变量。
[0124][0125]
表1
[0126]
[0127][0128]
表2
[0129]
e：用马氏距离代替欧式距离作为优化目标，解决量纲差异问题；
[0130]
b：基于全局k-means算法对构建数据集进行聚类，以类平方和结合肘部原则选取最佳簇数；
[0131]
通过观察损失函数随簇数变化曲线结合肘部原则，对比基于欧式距离与马氏距离的全局k-means与k-means，见图5，可知基于马氏距离的全局k-means算法损失具备收敛快，损失小，稳定性。确定基于马氏距离的全局k-means簇数为5，对应信用评级为a,b,c,d,e，其标度意义是信用为a最好，信用为e最差。
[0132]
c：将数据集输入优化后的全局k-means交通信用评级模型以对运输企业进行无标签条件下的评价；
[0133]
对应簇数5，各个质心数据坐标如表3。当簇数为5时候，数据集聚类结果见图8。
[0134][0135]
表3
[0136]
d：将聚类中心归一化后排序获得对应簇的评级结果；将数据集输入全局k-means中，依照距离最短将数据划分至对应簇并进行评级；
[0137]
d1：选取10条实例数据作为确定最优簇数的k-means输入；
[0138]
d2：对质心进行归一化；
[0139]
d3：此处假设管理部门定权重为信誉考评与行政处罚具备同等重要，各自占比0.5；
[0140]
d4：基于d2与d3确定质心的综合考评排序，如表3所示
[0141][0142]
表4
[0143]
d5：计算企业信用相关数据与质心间的马氏距离；
[0144]
d6：基于d5的计算结果，按照最短距离将企业进行分级，结果如表4
[0145][0146][0147]
表5
[0148]
由上所述，本发明的上述实施方法首先分析和识别出影响交通信用的5个因素；在此基础上建立通过因子分析法对5个因素进行总结，将变量映射至二维空间，该方法能较好地解释变量之间的关系；考虑到数据的空间分布关系，提出基于马氏距离优化的全局k-means算法对数据集进行聚类并分级。
[0149]
本发明的方法比传统的模型聚类损失低、收敛快、鲁棒性更强，能够为企业交通信用考评评提供决策支持。
[0150]
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模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。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。
[0151]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0152]
在本申请所提供的实施例中，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，所述模块的划分，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，例如多个模块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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0153]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
[0154]
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
[0155]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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，服务器，或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0156]
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
[0157]
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。