路况预测模型的训练方法、路况预测方法及装置与流程

1.本技术涉及人工智能技术领域，尤其涉及一种路况预测模型的训练方法、路况预测方法及装置。


背景技术：

2.在用户出行前，通过预测城市路况，可以帮助用户判断出行的便利性和安全性，以使用户获得更好的出行体验。路况预测方案主要有知识驱动方案和数据驱动方案，其中数据驱动是建立路况数据集，通过训练模型统计和学习历史路况和未来路况之间的联系进而预测路况。
3.目前数据驱动方案以历史交通状况信息作为训练数据，如历史道路通行时间和车流量等。但是以交通状态类信息作为训练数据，模型能够学习到的特征过于单一，其预测得到的仅仅是出发地到目的地之间的道路通行时间。而城市路况在实际情况下往往复杂多变，单一的预测结果很难满足用户实际需求。


技术实现要素：

4.本技术提供了一种路况预测模型的训练方法、路况预测方法及装置，以解决现有路况预测方法存在预测结果单一的技术问题。
5.为了解决上述技术问题，本技术实施例提供了一种路况预测模型的训练方法，包括
6.对历史路况训练集进行数据变换，得到多个目标图数据，历史路况训练集包括在多个时刻下的路网样本数据和视觉路况样本数据；
7.利用预设的残差图卷积模型，对多个目标图数据进行特征提取，得到多个残差图；
8.对多个残差图进行融合和全连接，输出视觉路况预测值；
9.根据视觉路况预测值，计算残差图卷积模型的损失函数，并基于损失函数更新残差图卷积模型的模型参数，直至残差图卷积模型达到预设收敛条件，得到路况预测模型。
10.本实施例通过对历史路况训练集进行数据变换，得到多个目标图数据，利用预设的残差图卷积模型，对多个目标图数据进行特征提取，得到多个残差图，从而利用图数据的空间依赖关系捕捉具有方向关联性的数据特征，以结合多个时段的历史数据所具有的时间关联性特征；对多个残差图进行融合和全连接，输出视觉路况预测值，并根据视觉路况预测值，计算残差图卷积模型的损失函数，以及基于损失函数更新残差图卷积模型的模型参数，直至残差图卷积模型达到预设收敛条件，得到路况预测模型，从而充分利用时间和空间等全局特征，构建具备视觉路况特征的预测模型，丰富模型预测结果和提高模型预测准确度。
11.在一实施例中，对历史路况训练集进行数据变换，得到多个目标图数据，包括：
12.基于路网样本数据中的多个路段和每个路段的路径长度，建立多个加权图；
13.对视觉路况样本数据进行向量编码，得到特征向量；
14.根据每个时刻下的每个路段与视觉路况样本数据之间的对应关系，建立每个加权
图与特征向量之间的关联关系，得到多个目标图数据。
15.本实施例通过将多个时刻下的路段和路径长度以及视觉路况，构建目标图数据，充分挖掘和利用路况视觉信息，符合在交通环境中人们的主要感官体验，为交通出行预测提供了新方法和新思路。
16.在一实施例中，利用预设的残差图卷积模型，对多个目标图数据进行特征提取，得到多个残差图，包括：
17.利用残差图卷积模型，对多个目标图数据进行图卷积操作，提取每个目标图数据的路况空间特征；
18.基于每个路况空间特征，输出多个残差图。
19.本实施例通过图卷积操作，以有效捕捉非欧几里得数据的空间特征。
20.在一实施例中，基于每个路况空间特征，输出多个残差图，包括：
21.利用残差图卷积结构，对每个路况空间特征进行映射，得到多个残差图，残差图卷积结构为：
[0022][0023]
其中，g
l+1
为第l+1层卷积层的目标图数据，g
l
为第l层卷积层的目标图数据，f(g
l
,w
l
)为路况空间特征的映射函数，为残差图。
[0024]
本实施例采用残差图卷积结构，能够捕捉更多深层特征，提高模型感受野，以适用于规则二维矩阵的卷积神经网络模型无法处理复杂多变的城市道路网络结构。
[0025]
在一实施例中，对多个残差图进行融合和全连接，输出视觉路况预测值，包括：
[0026]
利用预设的门循环单元，基于残差图对应的各个时刻，对多个残差图进行时序融合，得到总残差图；
[0027]
对总残差图进行全连接，输出视觉路况预测值。
[0028]
本实施例通过时序融合，以结合时间特征，提高未来视觉路况预测结果的准确度。
[0029]
第二方面，本技术实施例提供一种路况预测方法，包括：
[0030]
获取出发地到目的地之间的行驶路线；
[0031]
对行驶路线进行数据变换，得到路况图数据；
[0032]
利用路况预测模型，根据路况图数据，预测行驶路线在未来时刻的目标视觉路况数据，路况预测模型为基于第一方面的训练方法训练得到。
[0033]
第三方面，本技术实施例提供一种路况预测模型的训练装置，包括：
[0034]
第一变换模块，用于对历史路况训练集进行数据变换，得到多个目标图数据，历史路况训练集包括在多个时刻下的路网样本数据和视觉路况样本数据；
[0035]
提取模块，用于利用预设的残差图卷积模型，对多个目标图数据进行特征提取，得到多个残差图；
[0036]
输出模块，用于对多个残差图进行融合和全连接，输出视觉路况预测值；
[0037]
更新模块，用于根据视觉路况预测值，计算残差图卷积模型的损失函数，并基于损失函数更新残差图卷积模型的模型参数，直至残差图卷积模型达到预设收敛条件，得到路况预测模型。
[0038]
第四方面，本技术实施例提供一种路况预测装置，包括：
[0039]
获取模块，用于获取出发地到目的地之间的行驶路线；
[0040]
第二变换模块，用于对行驶路线进行数据变换，得到路况图数据；
[0041]
预测模块，用于利用路况预测模型，根据路况图数据，预测行驶路线在未来时刻的目标视觉路况数据，路况预测模型为基于第一方面的训练方法训练得到。
[0042]
第五方面，本技术实施例提供一种电子设备，包括处理器和存储器，存储器用于存储计算机程序，计算机程序被处理器执行时实现如第一方面的路况预测模型的训练方法，或第二方面的路况预测方法。
[0043]
第六方面，本技术实施例提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现如第一方面的路况预测模型的训练方法，或第二方面的路况预测方法。
[0044]
需要说明的是，上述第二方面至第六方面的有益效果请参见上述第一方面的相关描述，在此不再赘述。
附图说明
[0045]
图1为本技术实施例提供的路况预测模型的训练方法的流程示意图；
[0046]
图2为本技术实施例提供的残差图卷积结构的示意图；
[0047]
图3为本技术实施例提供的整体网络结构的示意图；
[0048]
图4为本技术实施例提供的图数据结构示意图；
[0049]
图5为本技术实施例提供的路况预测方法的流程示意图；
[0050]
图6为本技术实施例提供的路况预测模型的训练装置的结构示意图；
[0051]
图7为本技术实施例提供的路况预测装置的结构示意图；
[0052]
图8为本技术实施例提供的电子设备的结构示意图。
具体实施方式
[0053]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
[0054]
如背景技术相关记载，目前数据驱动方案以历史交通状况信息作为训练数据，如历史道路通行时间和车流量等。但是以交通状态类信息作为训练数据，模型能够学习到的特征过于单一，其预测得到的仅仅是出发地到目的地之间的道路通行时间。而城市路况在实际情况下往往复杂多变，以交通状态类信息为特征，忽略了在车辆行驶中，视觉信息才是交通环境中的主要信息，视觉路况的好坏关乎车辆驾驶体验和交通安全，同样严重影响人们的出行决策，缺少预测城市视觉路况可能会导致交通安全事故的发生和人们极差的车辆驾驶体验，难以满足用户实际需求。
[0055]
为此，本技术实施例提供一种路况预测模型的训练方法、路况预测方法及装置，通过对历史路况训练集进行数据变换，得到多个目标图数据，利用预设的残差图卷积模型，对多个目标图数据进行特征提取，得到多个残差图，从而利用图数据的空间依赖关系捕捉具有方向关联性的数据特征，以结合多个时段的历史数据所具有的时间关联性特征；对多个
残差图进行融合和全连接，输出视觉路况预测值，并根据视觉路况预测值，计算残差图卷积模型的损失函数，以及基于损失函数更新残差图卷积模型的模型参数，直至残差图卷积模型达到预设收敛条件，得到路况预测模型，从而充分利用时间和空间等全局特征，构建具备视觉路况特征的预测模型，丰富模型预测结果和提高模型预测准确度。
[0056]
请参照图1，图1为本技术实施例提供的一种路况预测模型的训练方法的流程示意图。本实施例的训练方法可应用于电子设备，电子设备包括但不限于智能手机、平板电脑、笔记本电脑和桌上型电脑等计算设备。如图1所示，路况预测模型的训练方法包括步骤s101至步骤s104，详述如下：
[0057]
步骤s101，对历史路况训练集进行数据变换，得到多个目标图数据，所述历史路况训练集包括在多个时刻下的路网样本数据和视觉路况样本数据。
[0058]
在本步骤中，路网样本数据包括多个历史时刻下的路段和路段长度，视觉路况样本数据包括但不限于对应路段在多个历史时刻下的气象数据和光照数据等。可选地，通过将路网样本数据采用预设数据形式进行表示，得到每个路网样本数据对应的图数据，再将每个图数据与视觉路况样本数据对应的样本特征进行关联，得到目标图数据。
[0059]
步骤s102，利用预设的残差图卷积模型，对多个所述目标图数据进行特征提取，得到多个残差图。
[0060]
在本步骤中，由于梯度传播问题，图卷积神经网络模型的深度通常不超过三层，浅层的网络结构使模型的感受野有限，无法捕捉更多的特征，而导致无法使模型更好的发挥模型性能。而本技术实施例采用残差图卷积模型，将残差结构迁移到图卷积神经网络模型中，使得图卷积神经网络模型变得更深，在训练中能够稳定收敛，具有更好的模型表达能力。
[0061]
在本实施例的残差图学习框架中，如图2所示的残差图卷积结构，“resgcn”表示残差图卷积主干网络，残差图卷积主干网络通过拟合另一个映射函数f来学习底层特征h，采用映射函数f对输入的目标图数据进行变换和顶点加法，得到下一层的残差图。
[0062]
步骤s103，对多个所述残差图进行融合和全连接，输出视觉路况预测值。
[0063]
在本步骤中，由于有多个历史时刻的样本数据，通过融合层融合样本数据之间的时间信息，提取样本的时间关联性，并将融合后的残差图进行输入到全连接层，得到视觉路况预测值。
[0064]
步骤s104，根据所述视觉路况预测值，计算所述残差图卷积模型的损失函数，并基于所述损失函数更新所述残差图卷积模型的模型参数，直至所述残差图卷积模型达到预设收敛条件，得到路况预测模型。
[0065]
在本实施例中，残差图卷积模型得到预测值后，利用损失函数进行反传计算，不断学习和更新模型参数，最终得到权重模型。损失函数需要有利于模型的学习和收敛，可以采用平均损失误差mae loss和huber loss，能够对离群点赋予的权重更小，不会牺牲其他正常数据点的预测效果而降低模型整体性能，更具有鲁棒性。
[0066]
示例性地，如图3所示的整体网络结构，“input”表示输入层，“backone”表示残差图卷积主干网络层，“fuse”表示融合层，“fc”表示全连接层，“output”表示输出层。“resgcn”表示残差图卷积主干网络，gru表示门循环单元。
[0067]
将历史时刻的视觉路况信息作为模型输入，具体来说，x
t
表示当前时刻的图数据，
x
t-t
为固定时间间隔前的图数据，可以是一分钟、一小时、一天或一周前的图数据，共n个时刻。数据输入后利用残差图卷积主干网络提取城市路网结构化空间特征，得到n个残差图，再通过融合残差单元间的时间信息，融合后进行全连接，最后当前时刻的视觉路况预测值。根据当前时刻的视觉路况预测值与当前时刻的图数据，计算损失函数的损失值，并更新残差图卷积模型的模型参数，直至损失值小于预设阈值，或者迭代次数达到预设次数，则表示残差图卷积模型达到预设收敛条件，停止迭代，得到路况预测模型。
[0068]
本实施例将路网和视觉路况建模为可卷积的图，通过构建残差图卷积模型，充分利用视觉路况的时间依赖性和空间依赖性，预测未来时刻视觉路况中的光照信息和气象信息等。以多个时间的历史数据为输入，不仅能实现短期预测，对长期的预测任务也同样适用。该方法以视觉路况中的光照和天气状况等特征为预测结果，满足了人们对路况信息的视觉要求，一定程度上方便了人们的交通出行。
[0069]
在一实施例中，在图1所示实施例的基础上，上述步骤s101具体包括：
[0070]
基于所述路网样本数据中的多个路段和每个路段的路径长度，建立多个加权图；
[0071]
对所述视觉路况样本数据进行向量编码，得到特征向量；
[0072]
根据每个时刻下的每个路段与所述视觉路况样本数据之间的对应关系，建立每个所述加权图与所述特征向量之间的关联关系，得到多个所述目标图数据。
[0073]
在本实施例中，如图4所示的图数据结构示意图，将视觉路况表示为一个加权图g＝(v,e)，其中v是一组无序顶点，v＝{ν1,ν2…
νn}，n是节点数量，v表示路段；e是边的集合，边的权值反映两个路段中心点的路径长度，gcn将每个顶点v与视觉路况样本数据的特征向量hv∈rd联系起来，其中d是特征向量的维度。
[0074]
在一实施例中，在图1所示实施例的基础上，上述步骤s102具体包括：
[0075]
利用所述残差图卷积模型，对多个所述目标图数据进行图卷积操作，提取每个所述目标图数据的路况空间特征；
[0076]
基于每个所述路况空间特征，输出多个所述残差图。
[0077]
在本实施例中，加权图g可以作为一个整体用连接无序顶点的特征来表示，即hg＝[h
v1
,h
v2
,
…
,h
vn
]∈rn×d，其中n是集合v的基数，则第l层的一般图卷积操作f可以表示为以下聚合和更新操作：
[0078][0079]gl
＝(v
l
,e
l
)和g
l+1
＝(v
l+1
,e
+1l
)是第l层的输入图和输出图。和分别是聚合和更新方程的可学习参数。在大多数gcn框架中，聚合函数用于编译来自顶点邻域的信息，而更新函数则对聚合信息进行非线性变换，以计算新的顶点表示。
[0080]
顶点的特征向量即交通数据特征，可以是通行时间、交通流量等信息，在本实施例中为视觉路况信息(如气象、光照等)，用来表示每条道路的视觉路况，因此视觉路况的预测问题可以表达为是在图卷积网络g和特征矩阵h的前提下学习映射函数f，然后计算未来时刻t的视觉路况信息。
[0081]
[h
t+1
,h
t+2
,
…
,h
t+t
]＝f(g,[h
t-t
,
…
,h
t-1
,h
t
])；
[0082]
在原来的图学习框架中，学习底层特征的映射函数f，该映射函数将一个图数据作
为输入，输出一个新的图数据。而本实施例则通过拟合一个映射函数f来学习底层特征h。可选地，如图2所示的残差图卷积结构的示意图，所述基于每个所述路况空间特征，输出多个所述残差图，包括：
[0083]
利用残差图卷积结构，对每个所述路况空间特征进行映射，得到多个所述残差图，所述残差图卷积结构为：
[0084][0085]
其中，g
l+1
为第l+1层卷积层的目标图数据，g
l
为第l层卷积层的目标图数据，f(g
l
,w
l
)为所述路况空间特征的映射函数，为所述残差图。
[0086]
在一实施例中，在图1所示实施例的基础上，上述步骤s103具体包括：
[0087]
利用预设的门循环单元，基于所述残差图对应的各个时刻，对多个所述残差图进行时序融合，得到总残差图；
[0088]
对所述总残差图进行全连接，输出所述视觉路况预测值。
[0089]
在本实施例中，门循环单元gru是一种用于处理序列数据的神经网络，在本实施例用于融合各个残差图之间的时间信息。全连接为1
×
1卷积结构。
[0090]
请参照图5，图5为本技术实施例提供的一种路况预测方法的流程示意图。本实施例的路况预测方法可应用于电子设备，电子设备包括但不限于智能手机、平板电脑、笔记本电脑和桌上型电脑等计算设备。可以理解的是，实现上述训练方法的电子设备与实现本路况预测方法的电子设备可以相同，也可以不同，即可以在其他电子设备训练上述路况预测模型，再将训练好的模型文件移植到本电子设备。如图5所示，路况预测方法包括步骤s501至步骤s503，详述如下：
[0091]
步骤s501，获取出发地到目的地之间的行驶路线；
[0092]
步骤s502，对所述行驶路线进行数据变换，得到路况图数据；
[0093]
步骤s503，利用路况预测模型，根据所述路况图数据，预测所述行驶路线在未来时刻的目标视觉路况数据，所述路况预测模型为基于所述第一方面所述的训练方法训练得到。
[0094]
在本实施例中，通过当前时刻用户所要前往的目的地与当前位置，规划行驶路线，行驶路线分为多个路段，每个路段对应有路径长度，通过行驶路线构建图数据，并通过路况预测模型预测该行驶路线对应的目标视觉路况数据。
[0095]
为了执行上述方法实施例对应的路况预测模型的训练方法，以实现相应的功能和技术效果。参见图6，图6示出了本技术实施例提供的一种路况预测模型的训练装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本技术实施例提供的路况预测模型的训练装置，包括：
[0096]
第一变换模块601，用于对历史路况训练集进行数据变换，得到多个目标图数据，所述历史路况训练集包括在多个时刻下的路网样本数据和视觉路况样本数据；
[0097]
提取模块602，用于利用预设的残差图卷积模型，对多个所述目标图数据进行特征提取，得到多个残差图；
[0098]
输出模块603，用于对多个所述残差图进行融合和全连接，输出视觉路况预测值；
[0099]
更新模块604，用于根据所述视觉路况预测值，计算所述残差图卷积模型的损失函
数，并基于所述损失函数更新所述残差图卷积模型的模型参数，直至所述残差图卷积模型达到预设收敛条件，得到路况预测模型。
[0100]
在一实施例中，所述第一变换模块601，包括：
[0101]
第一建立单元，用于基于所述路网样本数据中的多个路段和每个路段的路径长度，建立多个加权图；
[0102]
编码单元，用于对所述视觉路况样本数据进行向量编码，得到特征向量；
[0103]
第二建立单元，用于根据每个时刻下的每个路段与所述视觉路况样本数据之间的对应关系，建立每个所述加权图与所述特征向量之间的关联关系，得到多个所述目标图数据。
[0104]
在一实施例中，所述提取模块602，包括：
[0105]
提取单元，用于利用所述残差图卷积模型，对多个所述目标图数据进行图卷积操作，提取每个所述目标图数据的路况空间特征；
[0106]
输出单元，用于基于每个所述路况空间特征，输出多个所述残差图。
[0107]
在一实施例中，所述输出单元，包括：
[0108]
映射子单元，用于利用残差图卷积结构，对每个所述路况空间特征进行映射，得到多个所述残差图，所述残差图卷积结构为：
[0109][0110]
其中，g
l+1
为第l+1层卷积层的目标图数据，g
l
为第l层卷积层的目标图数据，f(g
l
,w
l
)为所述路况空间特征的映射函数，为所述残差图。
[0111]
在一实施例中，所述输出模块603，包括：
[0112]
融合单元，用于利用预设的门循环单元，基于所述残差图对应的各个时刻，对多个所述残差图进行时序融合，得到总残差图；
[0113]
全连接单元，用于对所述总残差图进行全连接，输出所述视觉路况预测值。
[0114]
上述的路况预测模型的训练装置可实施上述方法实施例的路况预测模型的训练方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本技术实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
[0115]
为了执行上述方法实施例对应的路况预测方法，以实现相应的功能和技术效果。参见图7，图7示出了本技术实施例提供的一种路况预测装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本技术实施例提供的路况预测装置，包括：
[0116]
获取模块701，用于获取出发地到目的地之间的行驶路线；
[0117]
第二变换模块702，用于对所述行驶路线进行数据变换，得到路况图数据；
[0118]
预测模块703，用于利用路况预测模型，根据所述路况图数据，预测所述行驶路线在未来时刻的目标视觉路况数据，所述路况预测模型为基于所述第一方面所述的训练方法训练得到。
[0119]
上述的路况预测装置可实施上述方法实施例的路况预测方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本技术实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
[0120]
图8为本技术一实施例提供的电子设备的结构示意图。如图8所示，该实施例的电
子设备8包括：至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意方法实施例中的步骤。
[0121]
所述电子设备8可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该电子设备可包括但不仅限于处理器80、存储器81。本领域技术人员可以理解，图8仅仅是电子设备8的举例，并不构成对电子设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0122]
所称处理器80可以是中央处理单元(central processing unit，cpu)，该处理器80还可以是其他通用处理器、数字信号处理器(digital signalprocessor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0123]
所述存储器81在一些实施例中可以是所述电子设备8的内部存储单元，例如电子设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述电子设备8的外部存储设备，例如所述电子设备8上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器81还可以既包括所述电子设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
[0124]
另外，本技术实施例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存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
[0125]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时实现上述各个方法实施例中的步骤。
[0126]
在本技术所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
[0127]
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，本技术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电子设备执行本技术各个实施例所述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、只读存储器(rom，read－only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0128]
以上所述的具体实施例，对本技术的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本技术的具体实施例而已，并不用于限定本技术的保护范围。特别指出，对于本领域技术人员来说，凡在本技术的精神和原则之内，所做的任何修
改、等同替换、改进等，均应包含在本技术的保护范围之内。