一種交通流預測方法、裝置及系統與流程
2023-12-05 12:29:16 1
本發明實施例涉及道路交通技術領域，特別是涉及一種交通流預測方法、裝置及系統。
背景技術：
在實際生活中，對道路的交通流預測時時常受到諸如路況、時間點、天氣變化等因素的影響，從而導致高速公路交通流數據具有高度不確定性，並且還具有規律不明顯性。現有技術中，在對道路的交通流進行預測時，是通過考慮單個路口的交通流來進行交通流預測的，由於單個路口交通流並不能準確反映交通狀況的整體規律，從而導致其預測精度不高。
因此，如何提供一種解決上述問題的交通流預測方法成為本領域的技術人員目前需要解決的問題。
技術實現要素：
本發明實施例的目的是提供一種交通流預測方法、裝置及系統，在使用過程中可以使預測結果更加精確，在一定程度上提高了預測精確度。
為解決上述技術問題，本發明實施例提供了一種交通流預測方法，包括：
s11：獲取待預測道路卡口及與所述待預測道路卡口相關的各個相關道路卡口的交通流數據；
s12：採用預先建立的小波神經網絡交通流預測模型對所述交通流數據進行處理得到所述待預測道路卡口的交通流預測結果；其中，所述小波神經網絡交通流預測模型是基於多卡口協同模型訓練而成的，其訓練過程為：
s21：利用多卡口協同模型得到小波神經網絡訓練樣本；
s22：採用小波神經網絡對所述小波神經網絡訓練樣本進行訓練得到所述小波神經網絡交通流預測模型；
所述多卡口協同模型是依據所述待預測道路卡口的歷史交通流數據以及各個所述相關道路卡口的歷史交通流數據進行建立的。
可選的，所述利用多卡口協同模型得到小波神經網絡訓練樣本的過程具體為：
s211：分別獲取各個所述相關道路卡口的歷史交通流數據及所述待預測道路卡口的歷史交通流數據；
s212：依據各個所述相關道路卡口的歷史交通流數據及所述待預測道路卡口的歷史交通流數據建立多卡口協同模型，並得到最優多卡口協同模型；
s213：依據所述最優多卡口協同模型得到最優歷史交通流數據，並依據所述最優歷史交通流數據得到小波神經網絡訓練樣本。
可選的，所述依據各個所述相關道路卡口的歷史交通流數據及所述待預測道路卡口的歷史交通流數據建立多卡口協同模型，並得到最優多卡口協同模型的過程具體為：
s2120：獲取第一預設個數的、與所述待預測道路卡口相關的歷史交通流數據，並將其添加至多卡口協同模型中；
s2121：從各個相關道路卡口中選出一個相關道路卡口，並獲取第二預設個數的、與所選出的相關道路卡口相關的第一歷史交通流數據；
s2122：依據所述第一歷史交通流數據及所述預測道路卡口的歷史交通流數據計算出相應的相關道路卡口與所述待預測道路卡口的相關程度值；
s2123：判斷所述相關程度值是否大於預設值，如果是，則將各個所述第一歷史交通流數據添加至多卡口協同模型中，並進入s2124；否則，進入s2125；
s2124：判斷所述多卡口協同模型中當前的歷史交通流數據的總數是否達到預設個數，如果是，則將所述多卡口協同模型中當前的歷史交通流數據作為訓練樣本訓練小波神經網絡，以得到第一小波神經網絡交通流預測模型，並進入s2126；否則判斷所述多卡口協同模型中當前的歷史交通流數據的總數是否小於預設個數，如果是，則進入s2125，否則，返回s2120；
s2125：從剩餘的各個所述相關道路卡口中選出另一個相關道路卡口，獲取與所選出的相關道路卡口相關的第二歷史交通流數據，並將所述第二歷史交通流數據作為所述第一交通流數據，並返回s2122；
s2126：判斷所述第一小波神經網絡交通流預測模型的精度是否達到預設精度，如果是，則將所述多卡口協同模型作為最優多卡口協同模型；否則，將所述多協同卡口模型中的歷史交通流數據清零，並返回s2120。
可選的，所述依據所述第一歷史交通流數據及所述預測道路卡口的歷史交通流數據得出相應的相關道路卡口與所述待預測道路卡口的相關程度值的過程具體為：
依據所述第一歷史交通流數據、所述預測道路卡口的歷史交通流數據以及第一計算關係式得到相應的相關道路卡口與所述待預測道路卡口的相關程度值；
所述第一計算關係式為clab(tk)＝∑ca(tj)cb(tj+tk)，其中：
所述ca(tj)與所述cb(tj)分別表示tj時段待預測道路卡口a的歷史交通流數據和tj時段相關道路卡口b的第一歷史交通流數據，所述clab(tk)表示待預測道路卡口a在tj時段的歷史交通流數據與相關道路卡口b在(tj+tk)時段的第一歷史交通流數據的相關程度值。
可選的，所述判斷所述第一小波神經網絡交通流預測模型的精度是否達到預設精度的過程具體為：
依據第二計算關係式計算得出小波神經網絡交通流預測期望值與網絡實際輸出值的均方誤差；
判斷所述均方誤差是否小於預設閾值，如果是，則所述第一小波神經網絡交通流預測模型的精度達到所述預設精度，否則，所述第一小波神經網絡交通流預測模型的精度沒有達到所述預設精度；
所述第二計算關係式為其中，所述tsp表示訓練樣本組數；所述output表示小波神經網絡的輸出個數；所述表示第p訓練樣本組數的第k個訓練期望值輸出；表示第p訓練樣本組數的第k個訓練小波神經網絡實際的輸出值。
可選的，如上述所述的交通流預測方法，所述小波神經網絡交通流預測模型中的小波基函數為：
l(t)＝-1.75×sin(1.75×t)×exp(-t2/2)-t×cos(1.75t)×exp(t2/2)，其中，t為時間單位秒。
為解決上述技術問題，本發明實施例提供了一種交通流預測裝置，包括：
獲取模塊，用於獲取待預測道路卡口及與所述待預測道路卡口相關的各個相關道路卡口的交通流數據；
預測模塊，用於採用預先建立的小波神經網絡交通流預測模型對所述交通流數據進行處理得到所述待預測道路卡口的交通流預測結果；其中，所述小波神經網絡交通流預測模型包括：
處理模塊，用於利用多卡口協同模型得到小波神經網絡訓練樣本；
訓練模塊，用於採用小波神經網絡對所述小波神經網絡訓練樣本進行訓練得到所述小波神經網絡交通流預測模型；所述多卡口協同模型是依據所述待預測道路卡口的歷史交通流數據以及各個所述相關道路卡口的歷史交通流數據進行建立的。
可選的，所述處理模塊包括：
獲取單元，用於分別獲取各個所述相關道路卡口的歷史交通流數據及所述待預測道路卡口的歷史交通流數據；
建立單元，用於依據各個所述相關道路卡口的歷史交通流數據及所述待預測道路卡口的歷史交通流數據建立多卡口協同模型，並得到最優多卡口協同模型；
提取單元，用於依據所述最優多卡口協同模型得到最優歷史交通流數據，並依據所述最優歷史交通流數據得到小波神經網絡訓練樣本。
為解決上述技術問題，本發明實施例提供了一種交通流預測系統，包括如上述所述的交通流預測裝置。
本發明實施例提供了一種交通流預測方法、裝置及系統，包括獲取待預測道路卡口及與待預測道路卡口相關的各個相關道路卡口的交通流數據；採用預先建立的小波神經網絡交通流預測模型對交通流數據進行處理得到待預測道路卡口的交通流預測結果；其中，小波神經網絡交通流預測模型是基於多卡口協同模型訓練而成的，其訓練過程為：利用多卡口協同模型得到小波神經網絡訓練樣本；採用小波神經網絡對小波神經網絡訓練樣本進行訓練得到小波神經網絡交通流預測模型；多卡口協同模型是依據待預測道路卡口的歷史交通流數據以及各個相關道路卡口的歷史交通流數據進行建立的。
可見，本發明實施例在對待預測道路卡口的交通流數據進行預測時，所採用的小波神經網絡交通流預測模型是依據多卡口協同模型訓練而成的，多卡口協同模型是依據待預測道路卡口的歷史交通流數據以及與待預測道路卡口相關的各個相關道路卡口的歷史交通流數據進行建立的，並且在對待預測道路卡口的交通流數據進行預測時是依據待預測道路卡口及與待預測道路卡口相關的各個相關道路卡口的交通流數據進行預測的，考慮到多個卡口協同對待預測道路卡口的交通流的影響。因此，本發明實施例在使用過程中可以使預測結果更加精確，在一定程度上提高了預測精確度。
附圖說明
為了更清楚地說明本發明實施例中的技術方案，下面將對現有技術和實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
圖1為本發明實施例提供的一種交通流預測方法的流程示意圖；
圖2為本發明實施例提供的一種交通流預測裝置的結構示意圖；
圖3為本發明實施例提供的一種小波神經網絡交通流預測模型的結構示意圖。
具體實施方式
本發明實施例提供了一種交通流預測方法、裝置及系統，在使用過程中可以使預測結果更加精確，在一定程度上提高了預測精確度。
為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
請參照圖1，圖1為本發明實施例提供的一種交通流預測方法的流程示意圖。
該方法包括：
s11：獲取待預測道路卡口及與待預測道路卡口相關的各個相關道路卡口的交通流數據；
s12：採用預先建立的小波神經網絡交通流預測模型對交通流數據進行處理得到待預測道路卡口的交通流預測結果；其中，小波神經網絡交通流預測模型是基於多卡口協同模型訓練而成的，其訓練過程為：
s21：利用多卡口協同模型得到小波神經網絡訓練樣本；
s22：採用小波神經網絡對小波神經網絡訓練樣本進行訓練得到小波神經網絡交通流預測模型；
多卡口協同模型是依據待預測道路卡口的歷史交通流數據以及各個相關道路卡口的歷史交通流數據進行建立的。
需要說明的是，在對待預測道路卡口的交通流進預測之前，需要預先建立小波神經網絡交通流預測模型。預先設置道路卡口的個數及各個，例如可以設置為k個，輸入卡口k長度為tfs的交通流數據(或交通流時間序列)ck＝{ck(i)|i＝1,2,...,tfs，k＝1,2,...,k}；並設置控制參數，控制參數包括input(輸入層神經元個數，且input≤tfs)、hidden(小波層神經元個數)、ouput(輸出層神經元個數，正整數)。
此外，還需要建立小波神經網絡交通流預測模型：其中，o表示小波神經網絡交通流輸出；wij表示連接第i個輸入與第j個小波元的連接權值；(f(1),f(2),…,f(input))為相空間重構交通流輸入數據；vij表示連接小波層與輸出層的權值；bj表示第j個平移係數；aj表示第j個伸縮係數；l表示小波基函數，且l的具體關係式可以採用如下形式：
l(t)＝-1.75×sin(1.75×t)×exp(-t2/2)-t×cos(1.75t)×exp(t2/2)，其中，t為時間單位秒。
當然，l也可以採用其他的具體形式，本發明實施例對此不做特殊的限定，能實現本發明實施例的目的即可。
由於，待預測道路卡口的交通流不僅與待道口卡口的當前或歷史交通狀況有關，還與其他的與其相關的各個相關道路卡口的交通狀況有關，所以本發明實施例中預先建立多卡口協同模型，並通過多卡口協同模型得到小波神經網絡訓練樣本，進一步將該小波神經網絡訓練樣本作為相空間重構交通流輸入數據，訓練得到小波神經網絡交通流預測模型，以對待預測道路卡口進行交通流預測。
具體的，將獲取到的待預測道路卡口(例如某段高速公路卡口)的交通流數據及與待預測道路卡口相關的各個相關道路卡口的交通流數據輸入至預先建立好的小波神經網絡交通流預測模型，通過該小波神經網絡交通流預測模型對待預測道路卡口的交通流進行預測，進一步可以得到該待預測道路卡口的交通流預測結果。
本發明實施例中，在對小波神經網絡交通流預測模型訓練的過程中，首先，利用多卡口協同模型得到小波神經網絡訓練樣本；然後，再採用小波神經網絡對小波神經網絡訓練樣本進行訓練，從而可以得到小波神經網絡交通流預測模型。
需要說明的是，在上述s21中，利用多卡口協同模型得到小波神經網絡訓練樣本的過程，具體可以為：
s211：分別獲取各個相關道路卡口的歷史交通流數據及待預測道路卡口的歷史交通流數據；
通過設計多卡口協同模型，進一步優化小波神經網絡訓練樣本。由上述可知，一共有k個卡口，也就是待預測道路卡口和各個相關道路卡口的數量之和為k個(另k＝1,2,…,k)，分別從卡口k中抽取長度為dk的歷史交通流數據xk，且0≤dk≤input，且d1+d2+…+dk＝input。
s212：依據各個相關道路卡口的歷史交通流數據及待預測道路卡口的歷史交通流數據建立多卡口協同模型，並得到最優多卡口協同模型；
需要說明的是，預先設置多卡口協同模型的交通流數據的個數為n，則通過各個相關道路卡口的歷史交通流數據及待預測道路卡口的歷史交通流數據建立多卡口協同模型，也就是找到與預測道路卡口相關程度最高的各個相關道路卡口，並將這些相關道路卡口的歷史交通流數據加入到多卡口協同模型中，進一步找到用於訓練小波神經網絡的最優訓練樣本，從而使訓練出的小波神經網絡交通流預測模型的預測精度更高。
具體的，在上述s212中依據各個相關道路卡口的歷史交通流數據及待預測道路卡口的歷史交通流數據建立多卡口協同模型，並得到最優多卡口協同模型的過程，具體可以為s2120-s2126：
s2120：獲取第一預設個數的、與待預測道路卡口相關的歷史交通流數據，並將其添加至多卡口協同模型中；
需要說明的是，具體可以隨機抽取與待預測道路卡口相關的p(具體值可以根據實際情況而定)個歷史交通流數據，使p小於n，並計算多卡口協同模型中的歷史交通流數據的總數量，也就是當前的歷史交通流數據的數量與之前多卡口協同模型中所具有的交通流數據總數量之和。
s2121：從各個相關道路卡口中選出一個相關道路卡口，並獲取第二預設個數的、與所選出的相關道路卡口相關的第一歷史交通流數據；
具體的，可以從各個相關道路卡口中隨機選取一個相關道路卡口，並可以隨機抽取出r1個與所選出的相關道路卡口相關的第一歷史交通流數據。
s2122：依據第一歷史交通流數據及預測道路卡口的歷史交通流數據計算出相應的相關道路卡口與待預測道路卡口的相關程度值；
需要說明的是，在s2122中，具體可以依據第一歷史交通流數據、預測道路卡口的歷史交通流數據以及第一計算關係式得到相應的相關道路卡口與待預測道路卡口的相關程度值；
第一計算關係式為clab(tk)＝∑ca(tj)cb(tj+tk)，其中：
ca(tj)與cb(tj)分別表示tj時段待預測道路卡口a的歷史交通流數據和tj時段相關道路卡口b的第一歷史交通流數據，clab(tk)表示待預測道路卡口a在tj時段的歷史交通流數據與相關道路卡口b在(tj+tk)時段的第一歷史交通流數據的相關程度值。
s2123：判斷相關程度值是否大於預設值，如果是，則將各個第一歷史交通流數據添加至多卡口協同模型中，並進入s2124；否則，進入s2125；s2124：判斷多卡口協同模型中當前的歷史交通流數據的總數是否達到預設個數，如果是，則將多卡口協同模型中當前的歷史交通流數據作為訓練樣本訓練小波神經網絡，以得到第一小波神經網絡交通流預測模型，並進入s2126；否則判斷多卡口協同模型中當前的歷史交通流數據的總數是否小於預設個數，如果是，則進入s2125，否則，將多協同卡口模型中的歷史交通流數據清零，並返回s2120；
s2125：從剩餘的各個相關道路卡口中選出另一個相關道路卡口，獲取與所選出的相關道路卡口相關的、第三預設個數個第二歷史交通流數據，並將第二歷史交通流數據作為第一交通流數據，並返回s2122；
需要說明的是，在所計算出上述選出的相關道路卡口與待預測道路卡口的相關程度值大於預設值時，說明該相關道路卡口與待預測道路卡口的相關度較高，其交通流情況會對待預測道路卡口的交通流產生一定的影響。當上述選出的相關道路卡口與待預測道路卡口的相關程度值大於預設值時，將抽取的、與上述選出的相關道路卡口相關的第一預設個數(r1)個第一歷史交通流數據添加至多協同卡口模型中，並計算此時多協調卡口模型中的歷史交通流數據總數是否達到預設個數n，如果沒有達到，則繼續從剩餘的各個相關道路卡口中隨機選出一個相關道路卡口，同樣可以隨機抽取第三預設個數(r2)個與該相關道路卡口相關的第二歷史交通流數據，同樣依據第一計算關係式計算出該相關道路卡口與待預測道路卡口的相關程度值，並當該相關程度值大於預設值時，將第三預設個數(r2)個第二歷史交通流數據添加至多卡口協同模型中，並判斷多卡口協同模型中的歷史交通流數據的總數量是否等於預設個數n，如果不是，則繼續選擇相關道路卡口，並計算相應的相關程度值，直至多卡口協同模型中的歷史交通流數據的總數量達到預設個數n為止。
另外，如果第一預設個數(r1)個第一歷史交通流數據添加至多協同卡口模型中，並且此時多協調卡口模型中的歷史交通流數據總數等於預設個數n，則將此時的多卡口協同模型中當前的所有歷史交通流數據作為訓練樣本訓練小波神經網絡，以用來訓練小波神經網絡。如果，此時多協調卡口模型中的歷史交通流數據總數大於預設個數n，則將將多協同卡口模型中的歷史交通流數據清零後返回s2120中，從新進行抽取，直至多協調卡口模型中的歷史交通流數據總數等於預設個數n為止。
s2126：判斷第一小波神經網絡交通流預測模型的精度是否達到預設精度，如果是，則將多卡口協同模型作為最優多卡口協同模型；否則，返回s2120。
還需要說明的是，當多卡口協同模型中當前的歷史交通流數據的總數等於預設個數時，將多卡口協同模型中當前的所有歷史交通流數據作為訓練樣本訓練小波神經網絡，並得到第一小波神經網絡交通流預測模型後，對第一小波神經網絡交通流預測模型的精度進行檢驗，當其精度可以達到預設精度，則此時的多卡口協同模型即為最優多卡口協同模型。
進一步的，在上述s212中判斷第一小波神經網絡交通流預測模型的精度是否達到預設精度的過程具體為：
依據第二計算關係式計算得出小波神經網絡交通流預測期望值與網絡實際輸出值的均方誤差；
判斷均方誤差是否小於預設閾值，如果是，則第一小波神經網絡交通流預測模型的精度達到預設精度，否則，第一小波神經網絡交通流預測模型的精度沒有達到預設精度；
第二計算關係式為其中，tsp表示訓練樣本組數；output表示小波神經網絡的輸出個數；表示第p訓練樣本組數的第k個訓練期望值輸出；表示第p訓練樣本組數的第k個訓練小波神經網絡實際的輸出值。
如果，|te|小於預設閾值，則說明第一小波神經網絡交通流預測模型的精度達到預設精度，即可進入下一步；如果，|te|大於預設閾值，則說明第一小波神經網絡交通流預測模型的精度沒有達到預設精度，則返回s2120。
s213：依據最優多卡口協同模型得到最優歷史交通流數據，並依據最優歷史交通流數據得到小波神經網絡訓練樣本。
具體的，依據該最優多卡口協同模型即可得到最優歷史交通流數據，並且將所得到的最優歷史交通流數據通過g-p算法進行相空間重構，即可得到小波神經網絡訓練樣本(例如訓練輸入、輸出交通流數據)，以進一步訓練小波神經網絡。
需要說明的是，在得到小波神經網絡訓練樣本後，可以採用小波神經網絡對小波神經網絡訓練樣本進行訓練得到小波神經網絡交通流預測模型。即s22的過程具體可以為：
s221：根據input個輸入神經元利用g-p算法重構交通流序列相空間(即輸入input交通流序列預測第input+1交通流時間序列)得到訓練輸入樣本以及訓練輸出樣本。
s222：建立訓練目標函數其中e表示小波神經網絡交通流預測期望值與網絡實際輸出值的均方誤差函數；sp表示訓練樣本組數；sj表示第j個交通流期望值輸出。
s223：如果|e|大於設定值，則如按照式以及更新小波神經網絡參數，跳至s222，以修正小波神經網絡參數；其中η為小波神經網絡學習因子。
把訓練好的小波神經網絡參數wij，vij，aj，bj(i＝1,2,…,input；j＝1,2,…,output)代入預測小波神經網絡，可以得到小波神經網絡交通流預測模型，並利用獲取的待預測道路卡口的交通流數據、與待預測道路卡口相關的各個相關道路卡口的交通流數據以及計算關係式得到小波神經網絡預測輸出。
本發明實施例提供了一種交通流預測方法，包括獲取待預測道路卡口的交通流數據；採用預先建立的小波神經網絡交通流預測模型對交通流數據進行處理得到待預測道路卡口的交通流預測結果；其中，小波神經網絡交通流預測模型是基於多卡口協同模型訓練而成的，其訓練過程為：利用多卡口協同模型得到小波神經網絡訓練樣本；採用小波神經網絡對小波神經網絡訓練樣本進行訓練得到小波神經網絡交通流預測模型；多卡口協同模型是依據待預測道路卡口的歷史交通流數據以及與待預測道路卡口相關的各個相關道路卡口的歷史交通流數據進行建立的。
可見，本發明實施例在對待預測道路卡口的交通流數據進行預測時，所採用的小波神經網絡交通流預測模型是依據多卡口協同模型訓練而成的，多卡口協同模型是依據待預測道路卡口的歷史交通流數據以及與待預測道路卡口相關的各個相關道路卡口的歷史交通流數據進行建立的，並且在對待預測道路卡口的交通流數據進行預測時是依據待預測道路卡口及與待預測道路卡口相關的各個相關道路卡口的交通流數據進行預測的，考慮到多個卡口協同對待預測道路卡口的交通流的影響。因此，本發明實施例在使用過程中可以使預測結果更加精確，在一定程度上提高了預測精確度。
相應的本發明實施例還公開了一種交通流預測裝置，具體請參照圖2，圖2為本發明實施例提供的一種交通流預測裝置的結構示意圖。在上述實施例的基礎上：
該裝置包括：
獲取模塊1，用於獲取待預測道路卡口及與待預測道路卡口相關的各個相關道路卡口的交通流數據；
預測模塊2，用於採用預先建立的小波神經網絡交通流預測模型對交通流數據進行處理得到待預測道路卡口的交通流預測結果；其中，小波神經網絡交通流預測模型包括：
處理模塊，用於利用多卡口協同模型得到小波神經網絡訓練樣本；
訓練模塊，用於採用小波神經網絡對小波神經網絡訓練樣本進行訓練得到小波神經網絡交通流預測模型；多卡口協同模型是依據待預測道路卡口的歷史交通流數據以及各個相關道路卡口的歷史交通流數據進行建立的。
本發明實施例提供了一種交通流預測裝置，在使用過程中可以使預測結果更加精確，在一定程度上提高了預測精確度。
需要說明的是，對於本發明實施例中涉及到的交通流預測方法的具體介紹請參照上述方法實施例，本申請在此不再贅述。
在上述實施例的基礎上，請參照圖3，圖3為本發明實施例提供的一種小波神經網絡交通流預測模型的結構示意圖。
可選的，處理模塊包括：
獲取單元，用於分別獲取各個相關道路卡口的歷史交通流數據及待預測道路卡口的歷史交通流數據；
建立單元，用於依據各個相關道路卡口的歷史交通流數據及待預測道路卡口的歷史交通流數據建立多卡口協同模型，並得到最優多卡口協同模型；
提取單元，用於依據最優多卡口協同模型得到最優歷史交通流數據，並依據最優歷史交通流數據得到小波神經網絡訓練樣本。
在上述實施例的基礎上，本發明實施例提供了一種交通流預測系統，包括如上述的交通流預測裝置。
需要說明的是，本發明實施例提供了一種交通流預測系統，在使用過程中可以使預測結果更加精確，在一定程度上提高了預測精確度。另外，對於本發明實施例中涉及到的交通流預測方法的具體介紹請參照上述方法實施例，本申請在此不再贅述。
還需要說明的是，在本說明書中，諸如第一和第二等之類的關係術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關係或者順序。而且，術語「包括」、「包含」或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句「包括一個……」限定的要素，並不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。
對所公開的實施例的上述說明，使本領域專業技術人員能夠實現或使用本發明。對這些實施例的多種修改對本領域的專業技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發明的精神或範圍的情況下，在其他實施例中實現。因此，本發明將不會被限制於本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的範圍。