一种基于图论的公交运营高风险区域动态辨识方法

1.本发明涉及公交运营领域，尤其是一种基于图论的公交运营高风险区域动态辨识方法。


背景技术：

2.近年城市公交已经是我国交通的重要组成部分，公交给居民的日常出行带来了极大的便利，城市公交迅速发展的同时，城市公交也面临着安全的挑战，我国每年大约有20万起交通事故，其中由于公共交通驾驶员安全驾驶疏漏、公交车辆等因素导致的交通事故与人员伤害也越来越多，公交安全行车面临严峻的挑战。
3.如何通过科学有效的预防措施来控制、减少公交道路交通事故是目前城市公共交通安全发展的重要任务。


技术实现要素：

4.本部分的目的在于概述本技术的实施例的一些方面以及简要介绍一些较佳实施例，在本部分以及本技术的说明书摘要和申请名称中可能会做些简化或省略以避免使本部分、说明书摘要和申请名称的目的模糊，而这种简化或省略不能用于限制本技术的范围。
5.鉴于上述和/或现有技术中所存在的问题，提出了本技术。
6.因此，本技术所要解决的技术问题是：如何减少公交道路交通事故。
7.为解决上述技术问题，本技术提供如下技术方案：一种基于图论的公交运营高风险区域动态辨识方法，包括，
8.获取公交车驾驶员行驶异常数据，并将行驶异常数据传入数据库，所述行驶异常数据包括驾驶员在行车过车中发生抽烟、打手机、打呵欠、左顾右盼的行为以及公交车出现车道偏离、前向碰撞、急加速、急减速的情况；
9.在数据库所在的区域建立坐标系网格，对每个网格中的行驶异常数据进行统计并建立风险指标；
10.计算每个网格中行驶异常数据类型的权重与网格风险值，基于k-means聚类算法分割每个网格中的高风险网格与低风险网格，基于图论将高风险网格在区域中以无向无环图的形式表征；
11.基于图连通性聚类算法将高风险网格分割为一个或多个独立的备选高风险区域，并筛选公交车运营高风险区域。
12.作为本技术所述一种基于图论的公交运营高风险区域动态辨识方法的一种优选方案，其中：所述行驶异常数据包括以下字段：日期和时间、车辆编号、公交线路号、公交瞬时车速、驾驶员编号、驾驶员姓名、经纬度坐标以及行驶异常类型。
13.作为本技术所述一种基于图论的公交运营高风险区域动态辨识方法的一种优选方案，其中：在数据库所在的区域建立坐标系网格包括：
14.获取数据所在区域的经纬度范围，并区域的坐标系由地理坐标系转为投影坐标
系；
15.投影坐标系左上角坐标为lon
l
,lat
l
，投影坐标系右上角坐标为lonr，latr，则区域横向的最大范围为lon＝lon
r-lon
l
，纵向的最大范围为lat＝lat
r-lat
l
，根据横纵的最大范围，分别做等距插值，划分成横向n个，纵向m个，并两两相交，划分成n
×
m的网格；对每个网格进行编号，记为cell(i,j)，其中1≤i≤n，1≤j≤m。
16.作为本技术所述一种基于图论的公交运营高风险区域动态辨识方法的一种优选方案，其中：对每个网格中的行驶异常数据进行统计并建立风险指标包括：
17.利用gis技术中的空间连接技术统计出每个网格中所包含的每个小时内公交车经过该网格发生的报警类型与次数；
18.记每个网格的报警类型与次数为其中s代表发生的报警类型，t代表发生的报警次数；
19.依据划分的每个网格中的报警类型与次数建立公交运营风险指标体系，建立的指标为公交驾驶人的疲劳驾驶率、公交驾驶人的行车专注度、公交车辆发生的紧急制动率、公交车辆监测设备失效率、公交车辆发生的碰撞率。
20.作为本技术所述一种基于图论的公交运营高风险区域动态辨识方法的一种优选方案，其中：计算每个网格中行驶异常数据类型的权重与网格风险值包括：
21.对风险指标进行标准化处理，处理的公式如下：
[0022][0023]
其中：x'为标准后的指标数据；x为原始数据；x
min
为原始数据中的最小值；x
max
为原始数据中的最大；
[0024]
利用层次分析法确定每个指标的风险权重值，基于权重与每个标准化后的指标计算其总风险值，计算公式如下：
[0025][0026]
其中：n
gre
代表最终风险值，代表每个指标的权重，xi'代表每个标准化后的指标数据。
[0027]
作为本技术所述一种基于图论的公交运营高风险区域动态辨识方法的一种优选方案，其中：基于k-means聚类算法分割每个网格中的高风险网格与低风险网格包括：
[0028]
利用无监督聚类技术中的k-means算法对最终风险值n
gre
进行聚类，聚类数目设置为2，对应网格中的高风险网格与低风险网格两类情形；
[0029]
聚类结束后，输出2个数据簇，令第1个数据簇中的风险最小值为d
1-min
、最大值为d
1-max
，令第2个数据簇中的风险最小值为d
2-min
、最大值为d
2-max
，则网格风险状态判别的阈值计算为：
[0030]
[0031]
依据网格风险状态判别阈值，将每个网格分割成高风险网格和低风险网格，分割规则为：
[0032][0033]
其中，di表示网格对应的风险状态，di＝1表示该样本对应的状态为高风险，否则，其为低风险，高风险网格由di＝1的样本对应的网格构成，低风险网格由di＝0的样本对应的网格构成。
[0034]
作为本技术所述一种基于图论的公交运营高风险区域动态辨识方法的一种优选方案，其中：基于图论将高风险网格在区域中以无向无环图的形式表征包括：
[0035]
从区域中筛选出di＝1的样本，将每个高风险网格记其中cn是区域中的第n个高风险网格，n是高风险网格的总数目；
[0036]
利用图论原理将高风险网格构建一个无向无环图，即高风险网格在区域中的位置关系表达成为一个具有n个节点的无向无环图，用一个邻接矩阵a加以表征，矩阵中的元素表示对应两个节点之间是否存在一条边，若有边则元素值为1，否则，元素值为0；矩阵中元素的总数目为n
×
n，矩阵中的元素a(ia,ja)(1≤ia≤n,1≤ja≤n)由如下公式定义：
[0037][0038]
其中，ia,ja分别表示矩阵中的行索引和列索引，c
ia
，c
ja
分布表示提取的n个高风险网格中的第i个和第j个。c
ia
＝＝neighbor(c
ja
)表示高风险网格c
ia
和c
ja
在区域空间上位置相邻；
[0039]
根据获取的图邻接矩阵构建无向无环图，记为gd＝(vd,ed)，其中vd表示图节点的集合，ed表示无向边的集合。
[0040]
作为本技术所述一种基于图论的公交运营高风险区域动态辨识方法的一种优选方案，其中：根据获取的图邻接矩阵构建无向无环图包括：
[0041]
将c
t
中的n个高风险网格定义为图节点，并将它们添加至vd中；
[0042]
若a(ia,ja)＝＝1，且高风险网格c
ia
与c
ja
对应的图节点之间没有边，则在两个图节点之间添加一个无向边，并将其添加至ed中；
[0043]
重复上述步骤，直到所有的矩阵元素遍历完毕。
[0044]
作为本技术所述一种基于图论的公交运营高风险区域动态辨识方法的一种优选方案，其中：基于图连通性聚类算法将高风险网格分割为一个或多个独立的备选高风险区域包括，
[0045]
采用图论中的深度优先搜索算法对gd中的连通分支进行搜索，对于图gd中的任意节点vd∈vd；
[0046]
若vd没有归属节点，则创建一个新的连通分支，并将vd添加到该连通分支中。同时，以vd为根节点，对vd中的节点进行深度优先搜索，并标记vd为遍历到的每个节点的归属节点；
[0047]
若vd拥有归属节点，说明该节点存在于已有的连通分支当中，将该节点添加至其归属节点对应的连通分支当中；
[0048]
重复上述步骤，直到对图gd中的所有节点都研判完毕；
[0049]
在获取图gd的所有连通分支之后，把每个连通分支对应的高风险网格视作一个独立的备选高风险区域，连通分支的个数等同于独立备选高风险区域的个数。
[0050]
作为本技术所述一种基于图论的公交运营高风险区域动态辨识方法的一种优选方案，其中：高风险区域的筛选基于：独立高风险区域中包涵的高风险网格数和独立备选高风险区域中所有高风险网格的总风险值。
[0051]
本技术的有益效果：通过本方法可以对城市公交运营高风险区域进行动态监控，提高了城市交通的安全指数。
附图说明
[0052]
为了更清楚地说明本技术实施例的技术方案，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，下面描述中的附图仅仅是本技术的一些实施例，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它的附图。其中：
[0053]
图1为本技术实施例一种基于图论的公交运营高风险区域动态辨识方法的逻辑示意图；
[0054]
图2为本技术实施例数据库中公交车驾驶员行驶异常数据的示意图；
[0055]
图3为本技术实施例数据库中公交车驾驶员行驶异常数据的示意图；
[0056]
图4为本技术实施例数据库所在区域的500m*500m坐标网格示意图；
[0057]
图5为本技术实施例网格风险统计热力图；
[0058]
图6为本技术实施例高风险网格无向无环图；
[0059]
图7为本技术实施例备选高风险区域示意图；
[0060]
图8为本技术实施例公交运营高风险区域；
[0061]
图9为图7对应的交运营高风险区域实际分布示意图；
[0062]
图10为本技术实施例早上8点公交运营高风险区域示意图；
[0063]
图11为本技术实施例中午12点公交运营高风险区域示意图；
[0064]
图12为本技术实施例下午3点公交运营高风险区域示意图；
[0065]
图13为本技术实施例傍晚6点公交运营高风险区域示意图；
具体实施方式
[0066]
为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本技术的具体实施方式做详细的说明。
[0067]
在下面的描述中阐述了很多具体细节以便于充分理解本技术，但是本技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似推广，因此本技术不受下面公开的具体实施例的限制。
[0068]
其次，本技术结合示意图进行详细描述，在详述本技术实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本技术保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0069]
再其次，此处所称的“一个实施例”或“实施例”是指可包含于本技术至少一个实现
方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0070]
实施例1
[0071]
参照图1，本实施例提供了一种基于图论的公交运营高风险区域动态辨识方法，包括以下步骤：
[0072]
s1.在公交车上安装监控系统，获取公交驾驶员的行驶异常数据，并通过无线传输的方式传入数据库。其中，监控系统包括汽车行驶记录仪、智能驾驶辅助终端、驾驶员状态监测(dsm)摄像机、高级驾驶辅助系统(adas)摄像机、主动安全报警系统喇叭、汽车行驶记录仪摄像头。
[0073]
参照图2-3，需要说明的是，行驶异常数据包括：驾驶员在行车过车中发生抽烟、打手机、打呵欠、左顾右盼的行为以及公交车出现车道偏离、前向碰撞、急加速、急减速的情况。
[0074]
且行驶异常数据包括如下字段：日期和时间、车辆编号、公交线路号、公交瞬时车速、驾驶员编号、驾驶员姓名、经纬度坐标以及行驶异常类型。
[0075]
s2.在数据库所在的区域建立坐标系网格，对每个网格中的行驶异常数据进行统计并建立风险指标。
[0076]
参照图4，其中，建立坐标系网格由以下步骤实现：
[0077]
首先获取数据所在区域的经纬度范围，并根据经纬度生成的地理坐标建立投影坐标系，生成的投影坐标系如图1所示。
[0078]
设定投影坐标系左上角坐标为lon
l
,lat
l
，投影坐标系右上角坐标为lonr，latr，则区域横向的最大范围为lon＝lon
r-lon
l
，纵向的最大范围为lat＝lat
r-lat
l
，根据横纵的最大范围，分别做等距插值，划分成横向n个，纵向m个，并两两相交，划分成n
×
m的网格；对每个网格进行编号，记为cell(i,j)，其中1≤i≤n，1≤j≤m。
[0079]
进一步的，对每个网格中的行驶异常数据进行统计并建立风险指标包括：
[0080]
利用gis技术中的空间连接技术统计出每个网格中所包含的每个小时内公交车经过该网格发生的报警类型与次数；
[0081]
参照图5，记每个网格的报警类型与次数为其中s代表发生的报警类型，t代表发生的报警次数；
[0082]
依据划分的每个网格中的报警类型与次数建立公交运营风险指标体系，建立的指标为公交驾驶人的疲劳驾驶率、公交驾驶人的行车专注度、公交车辆发生的紧急制动率、公交车辆监测设备失效率、公交车辆发生的碰撞率。
[0083]
公交驾驶员的疲劳驾驶率反映了公交驾驶员行驶在网格上产生的疲劳驾驶的频率，利用报警数据中的驾驶员发生疑似打瞌睡的报警行为、发生疑似疲劳驾驶的报警行为进行计算，计算公式如下：
[0084][0085]
其中：δ
pt
代表公交驾驶人在该网格产生疲劳驾驶的频率；x
jim
代表第m位驾驶员发生的第j类报警类型(j包括发生驾驶员发生打瞌睡、疲劳驾驶的报警类型)在第cell(i,j)
个网格上发生的报警次数，tm代表第m位驾驶员平均运营的驾驶时间，n
mi
代表第m位驾驶员经过第cell(i,j)个网格的次数。
[0086]
公交驾驶人的行车专注度代表了公交驾驶员行驶在网格上的行车专注程度，利用公交报警数据中的驾驶员发生抽烟、左顾右盼、打电话、车道偏离的报警行为进行计算，计算公式如下：
[0087][0088]
其中：δ
pa
代表公交驾驶员在网格中的行车专注度，a
ji
代表第j类报警类型(j包括发生抽烟、左顾右盼、打电话、车道偏离四类报警行为)在第cell(i,j)个网格上发生的报警次数。
[0089]
公交车辆发生的紧急制动率代表了公交车辆行驶在网格上发生紧急制动的频率，利用公交报警数据中的车辆发生急加速、急减速的报警行为进行计算。计算公式如下：
[0090][0091]
其中：η
ce
代表了公交车辆发生的紧急制动率，z
jic
代表第c辆公交车发生的第j类报警类型(j包括发生公交车辆发生急加速、急减速的报警类型)在第cell(i,j)个网格上发生的报警次数；nc代表第c辆车在第cell(i,j)个网格经过的次数；tc代表第c辆车平均运营的时间。
[0092]
公交车辆监测设备失效率代表了公交车辆行驶在网格上监测设备发生失效的频率，利用公交报警数据中的车辆发生车辆监测设备被遮挡的报警行为进行计算。计算公式如下：
[0093][0094]
其中：η
cw
代表了公交车辆发生的监测设备失效率，w
jic
代表第c辆公交车发生的第j类报警类型(j包括发生公交车辆发生监测设备被遮挡的报警类型)在第cell(i,j)个网格上发生的报警次数。
[0095]
公交车辆发生的碰撞率代表了公交车辆行驶在网格上公交车辆发生碰撞的频率，利用公交报警数据中的车辆发生前向碰撞的报警行为进行计算。计算公式如下：
[0096][0097]
其中：η
cu
代表了公交车辆发生的碰撞率，u
jic
代表第c辆公交车发生的第j类报警类型(j包括发生前向碰撞的报警类型)在第cell(i,j)个网格上发生的报警次数。
[0098]
以上指标均属于正向指标，指标值越大说明该网格的风险程度就越高。
[0099]
s3.计算每个网格中行驶异常数据类型的权重与网格风险值，具体包括以下步骤：
[0100]
对风险指标进行标准化处理，处理的公式如下：
[0101]
[0102]
其中：x'为标准后的指标数据；x为原始数据；x
min
为原始数据中的最小值；x
max
为原始数据中的最大；
[0103]
利用层次分析法确定每个指标的风险权重值，基于权重与每个标准化后的指标计算其总风险值，计算公式如下：
[0104][0105]
其中：n
gre
代表最终风险值，代表每个指标的权重，xi'代表每个标准化后的指标数据。
[0106]
s4.基于k-means聚类算法分割每个网格中的高风险网格与低风险网格，具体包括以下步骤：
[0107]
利用无监督聚类技术中的k-means算法对最终风险值n
gre
进行聚类，聚类数目设置为2，对应网格中的高风险网格与低风险网格两类情形；
[0108]
聚类结束后，输出2个数据簇，令第1个数据簇中的风险最小值为d
1-min
、最大值为d
1-max
，令第2个数据簇中的风险最小值为d
2-min
、最大值为d
2-max
，则网格风险状态判别的阈值计算为：
[0109][0110]
依据网格风险状态判别阈值，将每个网格分割成高风险网格和低风险网格，分割规则为：
[0111][0112]
其中，di表示网格对应的风险状态，di＝1表示该样本对应的状态为高风险，否则，其为低风险，高风险网格由di＝1的样本对应的网格构成，低风险网格由di＝0的样本对应的网格构成。
[0113]
s5.基于图论将高风险网格在区域中以无向无环图的形式表征，具体包括以下步骤：
[0114]
参照图6，从区域中筛选出di＝1的样本，将每个高风险网格记其中cn是区域中的第n个高风险网格，n是高风险网格的总数目；
[0115]
利用图论原理将高风险网格构建一个无向无环图，即高风险网格在区域中的位置关系表达成为一个具有n个节点的无向无环图，用一个邻接矩阵a加以表征，矩阵中的元素表示对应两个节点之间是否存在一条边，若有边则元素值为1，否则，元素值为0；矩阵中元素的总数目为n
×
n，矩阵中的元素a(ia,ja)(1≤ia≤n,1≤ja≤n)由如下公式定义：
[0116][0117]
其中，ia,ja分别表示矩阵中的行索引和列索引，c
ia
，c
ja
分布表示提取的n个高风险
网格中的第i个和第j个。c
ia
＝＝neighbor(c
ja
)表示高风险网格c
ia
和c
ja
在区域空间上位置相邻；
[0118]
根据获取的图邻接矩阵构建无向无环图，记为gd＝(vd,ed)，其中vd表示图节点的集合，ed表示无向边的集合。
[0119]
无环图的构建步骤如下：
[0120]
将c
t
中的n个高风险网格定义为图节点，并将它们添加至vd中；
[0121]
若a(ia,ja)＝＝1，且高风险网格c
ia
与c
ja
对应的图节点之间没有边，则在两个图节点之间添加一个无向边，并将其添加至ed中；
[0122]
重复上述步骤，直到所有的矩阵元素遍历完毕。
[0123]
s6.基于图连通性聚类算法将高风险网格分割为一个或多个独立的备选高风险区域。具体包括以下步骤：
[0124]
采用图论中的深度优先搜索算法对gd中的连通分支进行搜索，对于图gd中的任意节点vd∈vd；
[0125]
若vd没有归属节点，则创建一个新的连通分支，并将vd添加到该连通分支中。同时，以vd为根节点，对vd中的节点进行深度优先搜索，并标记vd为遍历到的每个节点的归属节点；
[0126]
若vd拥有归属节点，说明该节点存在于已有的连通分支当中，将该节点添加至其归属节点对应的连通分支当中；
[0127]
重复上述步骤，直到对图gd中的所有节点都研判完毕；
[0128]
在获取图gd的所有连通分支之后，把每个连通分支对应的高风险网格视作一个独立的备选高风险区域，连通分支的个数等同于独立备选高风险区域的个数，示意图如图7所示。
[0129]
s7.筛选公交车运营高风险区域，独立高风险区域中包涵的高风险网格数和独立备选高风险区域中所有高风险网格的总风险值。
[0130]
每个独立备选高风险区域的总分值，公式如下：
[0131]fi
＝α1β1+α2β2[0132]
其中：fi表示每个独立备选高风险区域的总分值，α1和α2代表两个指标的权值，可利用层次分析法标定。β1和β2分别代表高风险网格数和独立备选高风险区域中所有高风险网格的总风险值的标准化数据，标准化公式可利用步骤s3中的标准化处理公式计算。
[0133]
同样根据步骤s4中划分高风险网格与低风险网格的原理，利用k-means聚类算法将每个独立备选高风险区域的总分值进行聚类，聚类个数为2，得到两个数据团，代表公交运营高风险区域与淘汰区域，并得到了两个数据团中每个数据团的最小值和最大值。
[0134]
实施例2
[0135]
本实施例基于实施例1提供的辨识方法，以某市的500m*500m区域为实验对象进行验证，试验结果如图8-13所示；
[0136]
结合图8-9，可以发现大部分公交运营高风险区域位于市中心，涉及多条道路。这与实际情况中，公交车容易发生意外情况的地区相符，侧面论证了方法计算出的公交车运营高风险区域的真实性和有效性。
[0137]
根据每个小时公交发生报警的不同，公交运营高风险区域也会发生变化，因此可
以对公交运营高风险区域进行动态辨识，如图10-13所示。可以证明本发明提供的公交车运营高风险区域辨识方法能够动态提供不同时段下的运营高风险区域，具有很好的时效性和实用性。
[0138]
综上所述，本本发明利用数据挖掘技术与真实场景下的公交日常运营报警数据研究公交运营高风险区域，公交运营报警数据通过车载设备获取。通过应用公交运营报警数据的挖掘方法，动态辨识公交运营高风险区域保障公交安全，同时为相关部门的决策和管理提供理论依据和技术支持，最终有效提升城市公交安全水平。
[0139]
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0140]
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
[0141]
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
[0142]
如在本技术所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组
(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
[0143]
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。