用於監控交通系統的計算機系統和方法與流程

2023-05-04 03:39:11 1

本發明總體上涉及交通控制系統，更具體地說，涉及用於交通控制系統監控的方法、電腦程式產品和系統。

背景技術：

交通控制系統用於主要經由各個交通燈來控制車輛和行人的交通流量。能夠預計交通燈的燈信號的車輛可以調整它們的駕駛行為以節約能量或燃料消耗。用於重獲關於任何地理區域(例如城市、城鎮、地區或鄉村地域)的交通控制系統的交通燈狀態以及切換周期的信息的一些機制是本領域公知的。然而，為了訪問區域內的交通燈的信息，一般需要連接到不同技術提供商所交付的若干交通燈基礎架構系統。典型交通燈基礎架構場景包括來自不同提供商以及來自不同技術代系的系統，其中，各系統之間是受限的或無兼容性。當前系統通常提供對交通燈切換周期數據的有限訪問，需要附加的硬體插件和軟體插件。遺留系統所提供的數據傳送延時時間通常非常高，將來自這些遺留系統的可用信息呈現為對於現代實時應用(例如車輛動力總成(powertrain)優化和改進的駕駛者安全服務)不是可用的。當前系統典型地僅同時處理有限量的交通燈的信息。並非所有當前交通燈系統提供對「信號相位和時序」(spat)以及「道路拓撲」(map)交通數據信息格式的支持，歸因於缺少數據均化而增加交叉系統融合的複雜性。利用交通燈切換周期信息的系統並不容易可運輸到和/或應用於新的位置和世界區域。

安裝在車輛的板上的一些相機系統可以用於超前分析交通燈的交通燈狀態，並且使用車輛的信息引導。源自多個車輛的眾包數據用於檢測並且預測實際交通產生的交通燈的交通信號調度。然而，這些預測典型地缺少精度，在於：它們不能被分配給道路的特定車道。

技術實現要素：

因此，需要一種可以通過改進的拓撲精度監控整個交通控制系統的狀態的交通控制監控系統。通過提供一種用於交通控制系統的監控系統、一種用於監控交通控制系統的計算機實現的方法以及一種當由監控系統執行時執行監控方法的電腦程式產品根據獨立權利要求來解決該問題。

所公開的解決方案使用靜態視覺傳感器(例如，比如相機或光電池)，以檢測屬於交通控制系統的交通燈的狀況或狀態。作為簡化假設，假設交通燈的狀態可以是紅色[r]、黃色[y]或綠色[g]。當然，在真實情境中，其它狀況可以產生。例如，在狀態切換到[g]之前，狀況[r/y]可以產生。可以存在其它狀況(例如比如[g閃爍])。此外，不同的色彩或不同數量的色彩或其不同組合可以用於定義狀況。本領域技術人員可以容易地將所公開的構思應用於關於交通燈的多種狀況。交通燈的每個狀況(狀態)具有用於控制交通的清楚地定義的涵義。這些狀態數據於是由交通控制監控系統調用。

監控系統包括內送接口模塊(組件)，用於從視覺傳感器接收指示各個交通燈的當前狀態的狀態數據。

監控系統的分析模塊(組件)使用機器學習算法，以訓練用於交通燈的信號相位的模型。在模塊已經受訓練之後，模塊能夠預測未來的信號狀況。

外送(outbound)信息模塊(組件)可以公布交通信號的當前狀態以及未來狀況的預測。該數據可以與包括car2x情境(例如比如自動駕駛)的所有種類的spat/map應用有關，並且也可以包含spat和map信息。

該文獻的上下文中的交通控制系統至少包括多個交通燈，以控制所定義的地理地區(例如整個城市或街區)中的交通。交通控制系統可以還包括例如用於交通燈前面的車輛檢測的感應線圈或用於交通檢測的其它傳感器。其可以還包括其它符號或激勵器(例如鐵路道口欄杆等)。

內送(inbound)接口組件從多個靜態安裝的視覺傳感器接收傳感器數據流。每個視覺傳感器被配置為：捕獲交通燈中的至少一個的燈信號，並且所述視覺傳感器中的至少一個感測每個交通燈。接收到的傳感器數據包括每個交通燈的當前信號狀態(例如[r]、[y]或[g])。用於靜態安裝的視覺傳感器的示例包括：數字相機，其安裝有包括交通燈中的至少一個的視場；或光電池，安裝在各個交通燈上以測量各個交通燈所發射的光。視覺傳感器可以要麼在本地計算機視覺系統中分析交通燈的圖片或燈信號，要麼將圖片或燈信號轉發到外部計算機視覺系統，以檢測各個交通燈的當前信號狀況。例如，該計算機視覺系統可以提取色彩信息(例如紅色、黃色、綠色)，並且將結果轉發到檢測機構。圖像處理領域技術人員可以在一個圖片中標識多個交通燈，並且重獲每個燈的色彩，以確定位於各個相機傳感器的視場中的每個交通燈的總體狀態。也有可能將特定視覺傳感器的圖像中的所標識的交通燈與在多車道交通情境中的各個交通燈所控制的特定車道關聯。與移動相機對比，視覺傳感器的靜態部署可以提供更精確的數據，因為視覺傳感器的位置是固定的。也就是說，用於確定視覺傳感器的地理位置的處理，因為這在使用移動相機的情境中是需要的，並且用於標識所拍攝的交通燈的隨後計算因此是不需要的。使用靜態部署的視覺傳感器的另一優點可以是，在交通控制系統包括具有不同技術性質(例如，運行在不同的通信協議上，在跟蹤子系統中的各個交通燈的切換狀態方面具有不同的能力等)的多個信號傳送子系統(即，聯合受控的交通燈集群)的情況下，檢測每個交通燈的信號狀態完全脫離於現有交通控制系統基礎架構。因此，所提出的解決方案可以通過僅對視覺傳感器提供普通通信基礎架構來整合任何遺留交通控制系統。例如，可以通過使用通信基礎架構(例如wifi、zigbee或其它移動/無線和/或纜線式通信解決方案)將傳感器數據提交給監控系統。

分析組件被配置為：基於使用應用於當前信號狀態數據以及先前接收到的信號狀態數據的機器學習算法而預測關於多個交通燈中的每個交通燈的至少一個未來信號狀態。至少一個未來信號狀態包括當前信號狀態將從當前信號狀態切換到未來信號狀態的預期時間點。

外送狀態提供組件被配置為：將至少一條消息發送到車輛，其中，所述至少一條消息包括至少一個交通燈的當前信號狀態和至少一個未來信號狀態。所發送的消息被配置為：影響車輛的操作，其包括：通過控制信號/消息來控制操作，而無需人機互動。例如，所發送的消息可以包括與待由車輛執行的信號相位&時序(spat)和/或十字路口幾何和拓撲(map)應用有關的數據。例如，map消息傳遞關聯十字路口的幾何布局。

在一個實施例中，內送接口可以進一步被配置為：複製接收到的傳感器數據流，並且針對兩個傳感器數據流之一而延遲另一個。在替選實施例中，在分析組件中實現延遲功能。分析組件可以然後使用：延遲的傳感器數據流，作為用於機器學習算法的訓練流；以及非延遲的數據流，用於在線預測信號狀態改變。

在一個實施例中，內送接口可以從與信號傳送子系統的一個或多個交通燈關聯的接收到的傳感器數據流生成相等長度的數據幀。這樣允許使用所生成的數據幀作為用於機器學習算法的輸入。數據幀的長度對狀態預測的精度以及訓練預測模型所需的時間具有影響。合理的幀長度可以是信號傳送子系統的周期時段或其倍數。子系統的周期時段可以定義為在系統已經經歷多次狀態改變之後子系統再次到達初始狀態所耗費的時間間隔。

在一個實施例中，內送接口可以被配置為：從多個靜態安裝的其它傳感器接收另一傳感器數據流，其中，每個其它傳感器與各個交通燈關聯，並且包括關於各個交通燈的交通狀態。交通狀態是用於各個交通燈所影響的當前交通的指示符。例如，感應線圈可以用於檢測交通燈前面的車輛的出現性。檢測到的信號可以觸發交通燈切換到下一狀態，以改進總體交通流量。另一示例是與用於行人的交通燈關聯的請求按鈕，其當由行人按下時指示各個交通燈需要狀態切換。其它示例是壓力傳感器、攝像機等。分析可以在機器學習算法中使用接收到的交通狀態傳感器數據，以用於預測各個關聯交通燈的未來信號狀態。當機器學習算法中包括交通狀態傳感器數據時，交通燈的狀態預測的精度可以顯著改進。

在一個實施例中，內送接口可以進一步從交通管理系統接收用於一個或多個交通燈的交通燈程序數據。交通燈程序數據包括關於控制各個一個或多個交通燈的信號切換的程序的信息。例如，可以重獲當前正運行以控制交通燈或交通燈的子系統的程序的程序id。基於程序id，可以重獲其它程序數據(例如比如程序的當前狀況、自從程序開始以來的逝去時間等)。通常，這些其它程序數據可以包括從操作中的程序得到的運行時間數據(例如比如關於作為典型交通燈切換模式序列的程序的算法的數據，包括各狀態改變之間的時間)。這些數據典型地可得自可以與監控系統進行接口的交通管理系統，以允許實時程序數據重獲。分析組件可以在機器學習算法中使用接收到的交通燈程序數據，以用於預測各個一個或多個交通燈的未來信號狀態，這又可以改進交通燈狀態預測結果的精度。

通過所附權利要求中具體地描述的要素和組合，將實現並且達到本發明的其它方面。應理解，前面的普通描述以及以下詳細描述僅是示例性和解釋性的，而非將本發明限制為所描述的那樣。

附圖說明

圖1是根據本發明一個實施例的具有用於交通控制系統的監控系統的交通控制情境的簡化示圖；

圖2是根據本發明一個實施例的用於監控交通控制系統的計算機實現的方法的簡化流程圖；

圖3和圖4示出監控方法的一些方法步驟的細節；

圖5示出根據本發明一個實施例的用於三個交通燈的數據幀生成；

圖6是關於具有交通燈和車輛檢測器的在穿越時的交通控制系統的示例情境；

圖7示出根據本發明一個實施例的用於示例情境的數據幀生成；

圖8示出根據本發明一個實施例的實現機器學習算法並且執行燈信號預測的監控系統的組件；以及

圖9是可以通過在此所描述的技術而得以使用的普通計算機設備和普通移動計算機設備的示例的示圖。

具體實施方式

圖1是根據本發明一個實施例的具有用於交通控制系統的監控系統100的交通控制情境的簡化示圖。在根據圖2的用於監控交通控制系統的計算機實現的方法的上下文中描述圖1。在以下描述中使用指代這兩幅附圖的標號。

示例中的交通控制系統包括五個交通燈301至305。本公開通篇使用的交通控制系統也指代大型系統的任何子系統。例如，城市可以具有受交通管理系統300管理的交通控制系統。該交通管理系統可以控制各個交通燈中運行的各種程序，並且獲知這些程序的它們的當前狀態。然而，此外，整個交通控制系統的子系統(例如比如用於控制三個車道312(左轉)、313(直行)和314(右轉)的三個交通燈302至304)看作該申請的涵義內的交通控制系統。交通燈302影響左轉車道312上的交通(例如車輛401)。交通燈303影響直行車道313上的交通(例如車輛402、403)。交通燈304影響右轉車道314上的交通(當前無交通)。交通燈301和305可以控制在穿越時來自另一方向的交通，或它們可以與關於(利用車道312、313、314)穿越街道的行人的交通燈有關，或它們可以完全與交通燈302至304無關。

各個交通控制系統中的每個交通燈(其可以包括交通燈或僅交通燈的子系統)與可以捕獲各個交通燈所發射的燈信號的(在固定位置處的)靜態安裝的視覺傳感器201至205關聯。在示例中，使用數字相機傳感器202，其具有(虛線所示的)視場fov2，以捕獲交通燈302至304的燈信號。因為相機傳感器202的靜態性質，所以相機傳感器總是準確地獲知影響特定車道的各個交通燈的燈信號狀態。燈信號狀態(或該申請通篇使用的僅狀態或狀況)與交通燈中的所照亮的燈的當前組合有關。本領域公知的圖像處理技術可以用於提取三個交通燈中的每一個的燈信號狀態。相機傳感器202可以周期性地對三個交通燈的狀態進行採樣。然而，可以有利的是，僅當實際上檢測到所觀測的交通燈中的任一的狀態改變時，將狀態數據提交給監控系統，以節省與監控系統100通信的帶寬。在替選實施例中，傳感器202可以將狀態數據周期性地提供給監控系統。

在一個實施例中，監控系統100可以可選地以通信方式與交通管理系統300(tms)耦合。tms可以將關於所觀測的交通燈的附加信息提供給監控系統。例如，tms可以獲知當前正運行以控制交通燈302至304的切換的當前控制程序的標識符(程序id)。其可以進一步發現自從程序的開始以來已經逝去的時間或關於交通控制系統的狀態的其它有用信息。然而，tms的信息是可選的，並且並非總是對於交通控制系統的所有交通燈是可用的。例如，遺留系統可能絕不裝配有這種tms。

在示例中，另一靜態安裝的相機傳感器201對於捕獲各個視場fov1中的交通燈301的狀態是可用的。交通燈305裝配有光電池傳感器203至205，其用於替代相機傳感器。光電池附連到交通燈，從而每個傳感器可以捕獲交通燈305中的燈之一的狀態。所有三個傳感器203至205的狀態信號提供交通燈305的總體狀態。在一些實施例中，可以使用每單獨燈的多個光電池。例如，用於巴士或電車的交通燈有時使用水平燈條(bar)或垂直燈條作為用於駕駛者的符號。在此情況下，每燈兩個傳感器足以標識單獨燈的狀態。傳感器可以安裝得小於90度，從而一個傳感器捕獲水平燈條，而另一傳感器捕獲垂直燈條。

一些交通燈可以與提供關於當前交通情形(交通狀態)的信息的附加傳感器關聯。在示例中，交通燈301至304與這些交通狀態傳感器211至214關聯。用於交通狀態傳感器的示例包括：道路集成式感應線圈，用於識別車輛的出現性；壓力傳感器，其能夠通過車輛的重量確定其出現性；相機傳感器，其可以在視覺上標識車輛的出現性；請求傳感器，其允許通過例如按壓(例如行人所使用的)請求按鈕或使用(例如巴士駕駛者或電車駕駛者所使用的)遠程可操作靜態報告點/位置來請求信號改變。交通狀態數據典型地由tms300收集，並且當適當時可以提供給監控系統100。

監控系統100經由適當的通信基礎架構從視覺傳感器接收交通燈301至305的當前燈信號狀態數據。可選地，其也可以經由tms300接收交通狀態數據和交通燈程序數據。由此，內送接口組件110從視覺傳感器201至205接收(1100)傳感器數據流，並且接收到的傳感器數據包括每個交通燈301至305的當前信號狀態。

分析組件120基於使用應用於當前信號狀態數據和先前接收到的信號狀態數據的機器學習算法而預測(1200)關於每個交通燈的至少一個未來燈信號狀態。至少一個未來信號狀態包括當前信號狀態將從當前信號狀態切換到至少一個未來信號狀態的預期時間點。換言之，在此所使用的未來信號狀態是包括所預期的未來燈信號的值和交通燈將切換到未來值的時間點的值配對。可選地，分析組件也可以考慮通過tms300所提供的交通狀態數據和程序數據，以改進預測結果的精度。

外送狀態提供組件130最終將至少一條消息m1、m2、m3發送(1300)到各個車輛401、402、403，其中，所述至少一條消息包括至少一個交通燈302、303、304的當前信號狀態和至少一個未來信號狀態。由此，所發送的消息被配置為：影響車輛的操作。消息包括車道特定狀態信息。換言之，消息m1與左轉車道312有關，並且因此與車輛401有關。消息m2包括關於直行車道313的狀態信息，並且因此與車輛402、403有關。消息m3包括關於右轉車道314的狀態信息。然而，當前不存在對於該消息可用的數據消費者。例如，監控系統可以將所有消息m1、m2、m3發送到接近包括交通燈302、303、304的交通控制系統的所有車輛401、402、403。例如，監控系統100與車輛之間的通信可以使用標準技術(例如移動通信網絡和網際網路協議)。消息包括與所選擇車輛有關的交通燈相位預測信息。例如，車輛系統協調組件可以根據車輛的位置和朝向來確定哪些車輛應接收消息。發現其車道位置的每個車輛可以於是提取有關消息，並且相應地進行動作。例如，如果消息指示交通燈將在6秒內從綠色切換到紅色，則車輛可以自動地將它們的動力總成系統調整為未來情形。如果特定車輛能夠在所允許的速度限制和交通條件內在綠燈下到達十字路口，則車輛可以調整其速度以到達綠燈。如果車輛不可能到達綠燈，則車輛系統可以通知駕駛者並且準備減慢車輛速度而且在避免突然和危險的剎車操縱的同時避免在紅燈下穿越。這種轉綠時間情境(ttg)可以構建在使得能夠進行交通燈狀況和十字路口拓撲的通信的技術組件上，並且車輛裝配有用於接收該信息的技術。此外，前述信息對車輛的駕駛行為具有正面影響，以減少溫室氣體排放。

利用信號相位信息，向駕駛者通知信號改變之前的剩餘時間，增加駕駛者的即將到來的交通情形的意識性和相應地進行反應的準備性。在自主汽車應用中，ttg可以用於在優化的時間點自動地開始並且停止電機(引擎)。這種開始/停止自動化可以通過影響車輛以通過減少能量供應來自動地足夠早地減慢而非晚剎車來節省燃料/能量。

圖3和圖4示出先前所描述的監控方法的一些方法步驟的細節。圖3示出內送接口執行的接收(1100)步驟的可選子步驟。

在第一實施例中，內送接口可以進一步從多個靜態安裝的其它傳感器(見圖1，例如211-215)接收(1150)另一傳感器數據流。由此，每個其它傳感器與各個交通燈關聯，並且包括關於各個交通燈的交通狀態。交通狀態是用於各個交通燈所影響的當前交通的指示符。所述其它傳感器與監控系統之間的通信式耦合可以實現為直接通信，或交通狀態數據可以通過tms得以路由。

在第二實施例中，內送接口(或替代地，分析組件)可以複製(1110)接收到的傳感器數據流。由此，取決於實施例，僅包括視覺傳感器數據的傳感器數據流得以複製，或在還使用第一實施例的其它交通狀態傳感器數據的情況下，該另外數據流也得以複製。然後，針對兩個傳感器數據流之一延遲(1120)另一個。圖8示出可以如何實現該情況的詳細實施例。通過複製並且延遲接收到的數據流，基於同一數據流，可以生成人工時移，其中，延遲的數據流包括已經獲知未來(即非延遲的數據流)的(過去的)數據。

圖4示出分析組件所執行的預測(1200)步驟的可選子步驟，其中，預測子步驟與接收步驟的子步驟互補。在一個實施例中，分析組件可以在機器學習算法中使用接收到的交通狀態傳感器數據，以用於預測各個關聯交通燈的未來信號狀態。因為其它傳感器數據提供關於交通燈的切換周期可以如何受外部因素(例如當前交通狀態)影響的附加信息，所以這樣可以改進預測的精度。圖4中未示出的是可以進一步改進預測結果的精度的用於各個交通燈的程序數據的可選使用。

在一個實施例中，分析組件可以使用(1210)延遲的傳感器數據流作為用於機器學習算法的訓練流，並且可以進一步使用(1220)非延遲的數據流，以用於在線預測信號狀態改變。此外，其取決於延遲的傳感器流和非延遲的傳感器流中是否包括僅視覺傳感器數據或還包括交通狀態數據和或程序數據的對於接收步驟所使用的實施例。然而，在預測精度與耗費於訓練預測模型的時間之間存在折衷。越多傳感器數據包括於接收到的數據流中，耗費於訓練預測模型就越長，但預測結果將越精確。

圖5示出根據本發明一個實施例的用於三個交通燈(tl)302、303、304的數據幀生成。機器學習算法需要所謂的數據幀作為輸入。數據幀與包括多個交通燈的特徵信號切換行為的狀態矢量序列對應。該序列需要以恆定速率包括狀態矢量。然而，典型地，僅當狀態改變時，視覺傳感器提供各個交通燈的燈信號狀態的狀態更新。圖5的示例中示出該情況。在圖5的頂部，定義用於燈信號狀態的圖例。在示例中，交通燈僅在三個狀態：[r]、[y]和[g]之間切換。該圖的上部分示出三個交通燈302、303、304隨著時間t的切換周期。通過垂直虛線標記每個狀況改變。

該圖的第二部分(事件)示出與每個切換事件關聯的狀態矢量。每個狀態矢量表示按tl302、303、304的順序包括tl302、303、304的交通控制系統的當前狀況。在示例中，每個交通燈的狀況[r]、[y]、[g]分別由數字0、2、1表示。表示狀況的數字也可以是歸一化的。在此情況下，狀況[r]、[y]、[g]將分別由數字0、1、0.5表示。也就是說，燈信號數據歸一化為區間[0，1]。歸一化數據可以是有利的，因為所有數據值處於具有相似性質的相同值範圍內(例如，取決於機器學習算法，在0至1之間、在-1至1之間，或在其它適當的值範圍內)。通常，數據的歸一化可以促進關於計算機的學習處理。假設第一燈信號序列(a)：[g]→[y]→[r]以及第二燈信號(b)：[r]→[y]→[g]。在第一歸一化示例中，[r]、[y]、[g]可以映射為(0，0.5，1)。在第二歸一化示例中，[r]、[y]、[g]可以映射為(0，2，1)。這兩個歸一化是有效的，但在特定情形下，第一歸一化可能是有利的。對於第一歸一化，監控系統計算機可以學習關於信號序列(a)和(b)的線性函數f(t)＝a+b*t，其中，t是時間，a、b是計算機基於訓練數據所確定的自由度。線性性質出自第一歸一化的歸一化數據，其中，表示燈信號狀態的各數值之間的距離是0.5。對於示例序列，用於(a)的數據是0<0.50.5>0，並且f(t)的一階導數是恆定的。對於第二歸一化，因為對於具有01的序列(a)以及具有10的序列(b)，f(t)的一階導數是t的函數，所以計算機需要學習非線性函數。0與2之間的距離進一步從2與1之間的距離變化。也就是說，線性函數對於計算機學習序列(a)、(b)是不足的。取決於機器學習算法，監控系統計算機可以引入附加自由度a、b、c，其增加待學習的函數：f(t)＝a+b*t+c*t*t的複雜度。將要從接收到的數據學習自由度a、b、c。通常，對於這些非線性函數，學習處理比在使用具有線性函數的歸一化的情況下需要更多的數據和更多的時間。因此，第一歸一化將優於第二歸一化，因為其促進用於監控系統的信號序列識別。

為了可視化，在示例中使用非歸一化的值。初始狀態是所有三個交通燈為紅色。對應狀態矢量是(0，0，0)。然後，tl302改變為黃色。因此，對應(非歸一化的)狀態矢量是(2，0，0)，依此類推。

在事件並非等距的情況下，機器學習算法不能隨著原始數據到來而處理它們。因此，內送接口可以首先對於到來數據流執行自動完成步驟。在該圖的第三部分中示出該步驟的結果(等距事件)。內送接口確定用作用於生成人工事件的基本間隔的時間間隔tc。時間間隔tc應至少如事件部分中的兩個真實事件之間的最小時間間隔那樣小。只要所觀測的交通控制系統的總體狀態不改變(即，兩個真實世界切換事件之間的時間間隔)，內送組件就通過複製當前狀態矢量每隔時間間隔tc來生成人工事件。因此，生成具有對應狀態矢量的一系列等距事件。然後，可以對每個幀的每個數據欄位進行歸一化。可以通過將狀態值映射到0至1之間的區間上來實現歸一化。燈信號和其它檢測器數據值可以已經具有0至1之間的值。如果使用在程序開始之後的逝去時間(例如，用於改進的預測精度)，則也可以對各個程序時間數據欄位進行歸一化，從而程序時間數據欄位值位於0至1之間。

最後，連續數據幀可以定義為用於機器學習算法的輸入數據。幀的開始事件是跟隨先前幀的開始事件的等距事件。在示例中，示出前三個幀：幀1、2和3，其中，第二幀與第一幀分離達時間間隔tc。由此，每個數據幀包括相同數量的等距狀態矢量。換言之，每個數據幀具有相同長度。使用覆蓋所觀測的交通控制系統的至少一個切換周期的幀長度可以是有利的。這樣可以確保可接受的預測精度等級。然而，當在狀態矢量中可以考慮附加精度有關數據時，更小的幀長度也可以帶來可接受的預測精度。在示例中，交通控制系統的切換周期包括23tc，並且幀長度是相應地選取的。

通常，具有作為當前時間的t＝0的幀、表示在當前時間的交通控制系統的狀態狀態矢量的事件(t＝0)以及作為定義幀的長度的等距時間間隔tc的數量n具有以下結構：

幀:＝[事件(t＝0),事件(t＝tc),…,事件(t＝(n-1)tc),事件(t＝ntc)]

在具有t>0的時間的事件描述交通控制系統在過去的狀態。在時間t<0的事件描述交通控制系統的未來狀況。幀於是進一步受具有訓練模塊和預測模塊的分析組件處理。

圖6是具有四個交通燈s1至s4以及四個關聯車輛檢測器d1至d4的十字路口處的關於交通控制系統的示例情境。典型地，車輛檢測器是感應線圈，其工作在交通燈前面的道路中，以檢測車輛是否已經正等待在交通燈前面。如果與總體交通情形兼容，則這樣可以影響交通燈從紅色[r]到綠色[g]的較早狀態改變。然而，此外，在狀態為綠色[g]的同時，檢測器d1至d4的檢測到的信號可以提供關於總體交通情形的有價值的信息。例如，檢測器信號的頻率可以指示交通的密度。其它類型的檢測器(例如壓力檢測器、攝像機系統等)可以用在替選實施例中，以實現d1至d4。在示例情境中，車輛401正接近交通燈s3及其關聯檢測器d3。車輛可以按速度v前行。然而，速度可以隨著時間而變化，並且其它車輛可以按不同速度行駛。

交通燈s1至s4受圖1中所描述的各個視覺靜態安裝的傳感器監控。例如，這種視覺傳感器可以是組裝有相機、板載小計算機以及移動通信發射機的設備，能夠捕獲十字路口處的各個交通燈的當前交通燈狀態。每個交通燈狀態由該視覺傳感器捕獲。相機可以使用不同的方法以確定一個或多個交通信號的當前交通燈狀態。可以通過圖像處理或通過燈檢測來標識當前燈信號狀況。一旦交通燈狀態已經關於各個交通燈得以確定，其就發送到內送接口組件，允許監控系統饋送其預測模型。

圖7示出根據本發明一個實施例的用於圖6的示例情境的數據幀生成。用於幀生成的方法與圖5中所描述的情境相似。然而，在示例情境中，車輛檢測器d1至d4的附加信號是定義事件的狀態矢量的部分。通常，所提出的燈信號預測解決方案可以應對實質上周期性的信號序列，並且可以進一步考慮具有更多事故特徵的信號(例如檢測車輛的出現性的檢測器信號)。

與圖5中相似，在圖7的頂部，圖例定義用於交通燈s1至s4的燈信號狀態[r]、[y]、[g]的視覺表示。此外，定義檢測器d1至d4的檢測器狀態[car]、[nocar]的視覺表示。[car]代表各個檢測器檢測到車輛的情形。否則，檢測器狀態為[nocar]。此外，在示例中，交通燈僅在三個狀態：[r]、[y]和[g]之間切換。該圖的上部分示出四個交通燈s1至s4隨著時間t的切換周期。此外，上部分包括每個檢測器的交通狀態(例如檢測器狀態d1至d4)。通過垂直虛線標記每個狀況改變。由此，特定檢測器的交通狀態的改變也看作交通控制系統的狀況的改變。在示例(參見圖6)中，當車輛401位於d3的檢測範圍內時，d3檢測到的交通狀態從[nocar]改變為[car]。當車輛401離開d3的檢測範圍時，其再次改變為[nocar]。在示例中，當車輛401到達並且d3的檢測器狀態改變為[car]時，s3的信號狀態為[r]。在交通燈s3的狀態改變為[g]之後短暫地，車輛401正穿越交通燈s3並且離開d3的檢測範圍。在此時間點，d3檢測到的交通狀態切換回到[nocar]。

內送接口可以將其它信息(例如所觀測的交通燈的交通燈程序id或交通燈逝去程序時間(如果經由tms是可用的))加入接收到的燈信號狀態數據，以用於進一步的預測精度改進。tms根據交通情形和/或一天的時間來切換交通燈程序。當從一個交通燈程序切換到另一交通燈程序時，交通燈程序id改變。機器學習算法檢測該改變，並且可以關於改變後的程序id選擇對應預測模型。

與圖5相似，圖7的第二部分示出與包括檢測器事件的每個切換事件關聯的狀態矢量。每個狀態矢量表示包括關於每個交通燈的燈信號狀態和交通狀態及其關聯檢測器的配對(s1、d1、s2、d4、s3、d3、s4、d4)的交通控制系統的當前狀況。此外，在示例中，每個交通燈的狀況[r]、[y]、[g]分別由(非歸一化的)數字0、2、1表示。每個檢測器的狀況[car]、[nocar]分別由數字1、0表示。初始狀態矢量是(1,0,1,0,0,0,0,0)。d3檢測到車輛401，並且狀態矢量改變為(1,0,1,0,0,1,0,0)。可以從該圖重獲以下狀態改變事件。

此外，機器學習算法需要等距事件作為輸入。因此，與圖5相似，內送接口可以對於到來數據流執行自動完成步驟，其中，同樣包括檢測器數據流。在該圖的第三(等距事件)部分中示出該步驟的結果。內送接口確定用作用於生成人工事件的基本間隔的時間間隔tc1。時間間隔tc1應至少如事件部分中的兩個真實事件之間的最小時間間隔那樣小。只要所觀測的交通控制系統的總體狀態不改變，內送組件就通過複製當前狀態矢量每隔時間間隔tc1來生成人工事件。因此，生成具有對應狀態矢量的一系列等距事件。

最後，連續數據幀定義為用於機器學習算法的輸入數據。幀的開始事件是跟隨先前幀的開始事件的等距事件。在示例中，示出前三個幀：幀1a、2a和3a，其中，第二幀與第一幀分離達時間間隔tc1。由此，每個數據幀包括相同數量的等距狀態矢量。在該示例中，幀長度選取為六個tc1。雖然在此情況下幀長度小於所觀測的交通控制系統的一個切換周期的長度，但因為檢測器d1至d4的附加交通狀態數據提供附加精度有關數據，所以可以仍確保可接受的預測精度等級。

圖8示出根據本發明一個實施例的可以用於實現機器學習算法並且執行燈信號預測的監控系統100的組件。在監控系統處於操作中(在線)的同時，可以進行燈信號狀況的訓練和預測，從而預測算法可以將自身自動地適配於燈信號程序改變。分析組件可以被配置為：對於作為等距事件時間間隔(例如tc)的倍數的不同未來時間點計算燈信號狀態預測。例如，可以對於未來預測時段-tc、未來預測時段-2tc等計算預測。無需計算所有可能的預測時段。例如，如果僅在準確30秒內交通控制系統的狀態需要預測，則可以僅計算與預測時段-(30/|tc|)tc有關的一個預測時段，其中，|tc|是以秒為單位的tc的長度。

內送組件接收可以如圖5或圖7的上下文中所描述的那樣生成的隨著時間的連續幀流(幀4、幀5、……)。此外，內送接口(或分析組件)可以被配置為：複製接收到的傳感器數據流，並且針對兩個傳感器數據流之一延遲另一個。一個數據流可以用於在線預測，另一數據流用於訓練。在該實施例中，訓練數據流受延遲達作為tc的倍數的時間間隔tfuture。tfuture與監控系統能夠預測交通控制系統的未來燈信號狀態的時間點對應。非延遲的數據流中的交通控制系統的當前狀態從延遲的數據流的觀點來看顯現為未來。由此，系統可以從過去學習，並且將學習投射到未來。換言之，從延遲的數據流的觀點來看，分析組件發現上達tfuture的所有顯然未來事件。因此，對於訓練數據流，可以確定性地計算燈信號切換其色彩的時間。訓練樣本及其對應在線預測可以用於對機器學習算法給出反饋。算法可以使用該反饋以增加預測精度，並且可以自動地適配於交通控制系統的編程改變。這樣允許還包括如圖7所示的交通狀態傳感器數據所產生的動態改變。

例如，緩衝器140可以用作延遲元件。在示例實施例中，延遲的數據流用於機器學習算法的訓練目的。訓練矢量(tv)緩衝器140可以實現為fifo(先入先出)存儲器結構組件，以按接收到各個訓練矢量的順序來緩衝它們。在示例中，當前接收到的幀是幀4。已經存儲在緩衝器140中的較早接收到的幀是幀2和3。幀4在先前接收到的幀3之後受緩衝。

換言之，tv緩衝器140可以存儲允許緩衝器中的最低編號幀(即接收為所緩衝的幀中的最早幀的幀)在意圖的預測時段將當前幀看作在未來出現的幀所需的幀的編號。在示例中，對於預測時段-tc，緩衝器140僅需要存儲當前幀(幀4)和先前接收到的幀(幀3)。對於預測時段-2tc，緩衝器140需要存儲從幀4到幀2的幀，依此類推。因此，分析組件的訓練部分可以通過使用受延遲達tfuture的數據幀的數據流來改進較晚預測，從而訓練部分感知為當前訓練幀的幀實際上反映交通控制系統在過去的狀態，並且可以看作從-tc到-tfuturetc的交通燈狀況。監控系統因此能夠確定在時間：-tc、-2tc、……-(tfuture-1)tc、-tfuturetc的交通燈的「未來」狀況。

訓練集合發生器150可以於是將較早接收到的所緩衝的幀與未來幀的燈信號值關聯。在示例中，幀3與包括當前幀4中可用的交通控制系統的當前燈信號的訓練信號矢量tsv關聯。較早接收到的幀2與幀3的未來訓練信號矢量(tsv)關聯，依此類推。對於預測時段-2tc，訓練集合發生器150將把較早接收到的幀2與當前幀4的tsv關聯，依此類推。也就是說，與訓練矢量緩衝器組合的訓練集合發生器可以將任何所緩衝的較早接收到的幀與對應實際幀的tsv關聯，其中，較早接收到的幀與當前幀之間的時間間隔對應於可以計算預測值的時間間隔。

所描述的訓練方法允許在線學習和離線學習。(在交通控制系統的操作期間的)在線學習的優點在於，對交通燈程序的改變在其正運行的同時得以自動地學習，並且無需任何手動人工介入。此外，無需關於交通燈程序自身的顯式信息，因為該信息在交通控制系統的切換周期中是隱式地可用的。

因為支持矢量機器的訓練是計算量巨大的任務，而支持矢量機器所計算的預測是計算量不巨大的，所以在線學習情境可以分離訓練和預測。因為真實世界交通流量正隨著例如道路網絡的改變、駕駛者的行為改變以及交通燈程序的改變所產生時間而改變，所以在線訓練有利於長期將預測精度保持得很高。因此，在示例中，訓練支持矢量機器(svm)160訓練判斷邊界，其充當對預測支持矢量機器170的輸入，從而預測支持矢量機器170使用受訓練的判斷邊界以預測未來信號狀況。換言之，svm160對於每個新的訓練集合訓練新的判斷邊界，從而交通流量的改變得以表示在某時間之後的邊界中，其然後注入到預測支持矢量機器170中，從而其預測考慮交通流量的改變。

對於每個時間[-tc，-2tc，……，-(tfuture-1)tc，-tfuturetc]，對於交通控制系統的每個交通燈信號訓練svm。通過使用圖8所示的數據幀及其對應未來信號狀況來訓練每個svm。在訓練之後，對於每個交通信號計算tfuture支持矢量機器的列表。

可以通過概率估計對於單個交通燈信號訓練tfuture支持矢量機器，從而對於每個支持矢量機器計算置信度分數。這些訓練方法的示例由chang、chih-chung和chih-jenlin公開於"libsvm:alibraryforsupportvectormachines",acmtransactionsonintelligentsystemsandtechnology(tist)2.3(2011):27中。因為關於所有tfuture狀況的置信度等級是已知的並且可以用在spat消息內以提供關於預測的精度信息，所以這允許更精細粒度的預測。

支持矢量機器可以使用徑向基函數或任何另外內核函數(例如線性函數、多項式函數或高斯基函數)。

判斷邊界由預測支持矢量機器170應用於當前幀4，關於各個預測時段提供關於交通控制系統的燈信號的各個預測結果。在示例中，詳細示出對於預測時段-tc關於幀4的燈信號預測的計算。相應地計算關於其它預測時段-2tc、……的預測。

預測子模塊也消耗分析組件的訓練模塊所處理的幀。然而，對於預測，非延遲的數據流用於產生預測幀。在受訓練的支持矢量機器上生成每個預測幀，以預測在時間[-tc，-2tc，……，(tfuture-1)tc，tfuturetc]的信號狀況。如果概率估計也受訓練，則計算用於每個預測的置信度等級。預測和置信度等級(如果可用)轉發到外送狀態提供組件，其中，數據公開給外部系統或設備(例如車輛控制系統)。

監控系統可以被配置為：計算關於預測時段的範圍的預測。各種結果可以最終由信號預測融合組件180融合為包括對於整個預測時段範圍的關於幀4的所有信號預測的單個數據結構190。圖1中的消息m1至m3可以包括這些融合的信號預測。

示例情境綠燈優化速度建議(glosa)：

城區中的車輛流通典型地歸因於管制穿過城市的車輛移動的變化的交通條件和交通燈而經受頻繁停止和速度改變。因此，車輛消耗更多的能量，並且在不同的子系統(例如剎車)中具有增加的磨損。

公知的是，如果車輛(或其駕駛者)預先獲知是否可能到達即將到來的交通燈信號以及車輛應以何種速度流通以使得停止的數量最小化，則可以避免很多突然的速度變化。

在glosa情境中，交通燈的當前狀態廣播到處於預定距離內並且接近(例如十字路口處的)交通燈的車輛。此外，關於十字路口拓撲自身的信息以及十字路口處的每個交通信號的預期燈相位調度(所預測的燈信號狀態)廣播到車輛。可以按spat和/或map消息格式來發送對應的所發送的消息中的信息。例如，在來自2009-11-19的us標準j2735版本201509中指定spat消息。

接近十字路口的車輛可以接收該信息，並且將其與預期路線相關，以確定優化的近似速度。優化的近似速度允許車輛改進能效並且顯著地減少不必要的停止的數量。

在glosa情境中，外送狀態提供組件可以將狀態預測結果轉發到車輛系統協調器系統。

車輛系統協調器系統然後根據車輛的位置和朝向來確定哪些車輛應接收所預測的狀態信息，並且將有關交通燈相位預測信息轉發到所標識的車輛。車輛接收信息，並且相應地調整它們的動力總成系統。如果特定車輛能夠在所允許的速度限制和交通條件內在綠燈下到達十字路口的交通燈，則車輛調整其速度以到達綠燈。如果車輛不可能到達綠燈，則車輛系統可以通知駕駛者，並且可以準備減慢車輛速度，以避免在紅燈下穿越。此外，這樣避免突然的和危險的剎車操縱。

圖9是示出可以通過在此所描述的技術而得以使用的普通計算機設備900和普通移動計算機設備950的示例的示圖。計算設備900意圖表示各種形式的數字計算機(例如膝上型計算機、臺式計算機、工作站、個人數字助理、伺服器、刀片伺服器、大型機以及其它適當的計算機)。普通計算機設備可以(900)對應於圖1的計算機系統100。計算設備950意圖表示各種形式的行動裝置(例如個人數字助理、蜂窩電話、智慧型電話、駕駛輔助系統或車輛(例如車輛401、402、403，參見圖1)的板載計算機以及其它相似的計算設備)。例如，計算設備950可以包括圖1所示的代理設備的數據存儲組件和/或處理組件。在此所示的組件、它們的連接和關係以及它們的功能僅表示為示例性的，而非表示為限制該文獻中所描述和/或要求的本發明的實現方式。

計算設備900包括處理器902、存儲器904、存儲設備906、連接到存儲器904和高速擴展埠910的高速接口908以及連接到低速總線914和存儲設備906的低速接口912。組件902、904、906、908、910和912中的每一個是使用各種總線互連的，並且可以安裝在公共主板上或以適當的其它方式得以安裝。處理器902可以處理用於計算設備900內執行的指令，包括存儲器904中或存儲設備906上可以存儲的用於在外部輸入/輸出設備(例如耦合到高速接口908的顯示器916)上顯示關於gui的圖形信息的指令。在其它實現方式中，連同多個存儲器和/或多種類型的存儲器一起適當地使用多個處理器和/或多種總線。此外，可以連接多個計算設備900，其中，每個設備提供必要操作的部分(例如作為伺服器組、刀片伺服器組或多處理器系統)。

存儲器904將信息存儲在計算設備900內。在一種實現方式中，存儲器904是一個或多個易失性存儲器單元。在另一種實現方式中，存儲器904是一個或多個非易失性存儲器單元。存儲器904也可以是另一形式的計算機可讀介質(例如磁碟或光碟)。

存儲設備906能夠提供用於計算設備900的海量存儲。在一種實現方式中，存儲設備906可以是或可以包含計算機可讀介質(例如軟盤設備、硬碟設備、光碟設備、或帶式設備、快閃記憶體或另外相似的固態存儲器設備或設備陣列)，包括存儲域網或其它配置中的設備。電腦程式產品可以有形地實施在信息載體上。電腦程式產品可以還包含當執行時執行一種或多種方法(例如上述方法)的指令。信息載體是計算機或機器可讀介質(例如存儲器904、存儲設備906或處理器902上的存儲器)。

高速控制器908管理用於計算設備900的帶寬密集操作，而低速控制器912管理較低帶寬密集操作。這些功能的分配僅是示例性的。在一種實現方式中，高速控制器908耦合到存儲器904、(例如通過圖形處理器或加速器耦合到)顯示器916、以及高速擴展埠910，其可以接受各種擴展卡(未示出)。在實現方式中，低速控制器912耦合到存儲設備906和低速擴展埠914。可以包括各種通信埠(例如usb、藍牙、無線乙太網)的低速擴展埠可以耦合到一個或多個輸入/輸出設備(例如鍵盤、指點設備、掃描器或(例如通過網絡適配器耦合到)連網設備(例如交換機或路由器))。

可以通過多種不同形式來實現計算設備900，如圖所示。例如，其可以實現為標準伺服器920，或多次在這些伺服器組中。其也可以實現為機架伺服器系統924的部分。此外，其可以實現於個人計算機(例如膝上型計算機922)中。替代地，來自計算設備900的組件可以與行動裝置(未示出)(例如設備950)中的其它組件組合。這些設備中的每一個可以包含計算設備900、950中的一個或多個，並且彼此進行通信的多個計算設備900、950可以構成整個系統。

在其它組件當中，計算設備950包括處理器952、存儲器964、輸入/輸出設備(例如顯示器954、通信接口966以及收發機968)。設備950可以還具備存儲設備(例如微驅動器或另外設備)，以提供附加存儲。組件950、952、964、954、966和968中的每一個是使用各種總線互連的，並且若干組件可以安裝在公共主板上或以適當的其它方式得以安裝。

處理器952可以執行計算設備950內的指令，包括存儲器964中所存儲的指令。處理器可以實現為包括分離的多個模擬處理器和數字處理器的晶片的晶片集。處理器可以提供例如設備950的其它組件的協調(例如用戶接口的控制、設備950所運行的應用以及設備950進行的無線通信)。

處理器952可以通過耦合到顯示器954的控制接口958以及顯示接口956與用戶進行通信。顯示器954可以是例如tftlcd(薄膜電晶體液晶顯示器)或oled(有機發光二極體)顯示器或其它適當的顯示技術。顯示接口956可以包括用於驅動顯示器954以將圖形或其它信息呈現給用戶的適當電路。控制接口958可以從用戶接收命令，並且轉換它們，以用於提交給處理器952。此外，可以提供與處理器952進行通信的外部接口962，從而使得能夠進行設備950與其它設備的近區域通信。外部接口962可以提供例如在一些實現方式中的有線通信或在其它實現方式中的無線通信，並且多個接口也可以得以使用。

存儲器964將信息存儲在計算設備950內。存儲器964可以實現為一個或多個計算機可讀介質、一個或多個易失性存儲器單元或一個或多個非易失性存儲器單元中的一個或多個。擴展存儲器984也可以得以提供並且通過可以包括例如simm(單列直插存儲器模塊)卡接口的擴展接口982連接到設備950。該擴展存儲器984可以對設備950提供額外存儲空間，並且也可以存儲關於設備950的應用或其它信息。具體地說，擴展存儲器984可以包括用於執行或補充上述處理的指令，並且可以還包括安全信息。因此，例如，擴展存儲器984可以充當用於設備950的安全性模塊，並且可以編程有允許安全使用設備950的指令。此外，可以連同附加信息一起經由simm卡(例如，以不可破解的方式將標識信息放置在simm卡上)提供安全應用。

存儲器可以包括例如快閃記憶體和/或nvram存儲器，如下所述。在一種實現方式中，電腦程式產品有形地實施在信息載體中。電腦程式產品包含當執行時執行一種或多種方法(例如上述方法)的指令。信息載體是可以例如通過收發機968或外部接口962接收的計算機或機器可讀介質(例如存儲器964、擴展存儲器984或處理器952上的存儲器)。

設備950可以通過可以在必要的情況下包括數位訊號處理電路的通信接口966以無線方式進行通信。其中，通信接口966可以在各種模式或協議(例如gsm語音呼叫、sms、ems或mms消息傳送、cdma、tdma、pdc、wcdma、cdma2000或gprs)下提供通信。這些通信可以例如通過射頻收發機968而產生。此外，短距離通信可以例如使用藍牙、wifi或另外這樣的收發機(未示出)而產生。此外，gps(全球定位系統)接收模塊980可以將附加的與導航和位置有關的無線數據提供給設備950，其可以由設備950上運行的應用適當地使用。

設備950也可以使用可以從用戶接收所說出的信息並且將其轉換為可用的數字信息的音頻編解碼器960以聽覺方式進行通信。音頻編解碼器960可以類似地例如通過例如在設備950的手機中的揚聲器生成用於用戶的聽覺聲音。這些聲音可以包括來自語音電話呼叫的聲音，可以包括所記錄的聲音(例如語音消息、音樂文件等)，並且可以還包括設備950上操作的應用所生成的聲音。

可以通過多種不同形式來實現計算設備950，如圖所示。例如，其可以實現為蜂窩電話980。其也可以實現為智慧型電話982、個人數字助理或另外相似的行動裝置的部分。

可以在數字電子電路、集成電路、專用asic(專用集成電路)、計算機硬體、固件、軟體和/或其組合中實現在此所描述的和技術系統的各種實現方式。這些各種實現方式可以包括可在包括耦合為將數據和指令接收自並且發送到存儲系統、至少一個輸入設備以及至少一個輸出設備的可以是專用或通用的至少一個可編程處理器的可編程系統上執行和/或解釋的一個或多個電腦程式中的實現方式。

這些電腦程式(又稱為程序、軟體、軟體應用或代碼)包括用於可編程處理器的機器指令，並且可以通過高級過程和/或面向對象的程式語言和/或通過彙編/機器語言得以實現。如在此所使用的那樣，術語「機器可讀介質」和「計算機可讀介質」指代用於將機器指令和/或數據提供給包括接收機器指令作為機器可讀信號的機器可讀介質的可編程處理器的任何電腦程式產品、裝置和/或設備(例如磁碟、光碟、存儲器、可編程邏輯器件(pld))。術語「機器可讀信號」指代用於將機器指令和/或數據提供給可編程處理器的任何信號。

為了提供與用戶的交互，在此所描述的系統和技術可以實現在具有用於將信息顯示給用戶的顯示設備(例如crt(陰極射線管)或lcd(液晶顯示器)監視器)以及用戶可以將輸入提供給計算機的鍵盤和點擊設備(例如滑鼠或軌跡球)的計算機上。其它種類的設備同樣可以用於提供與用戶的交互；例如，提供給用戶的反饋可以是任何形式的感覺反饋(例如視覺反饋、聽覺反饋、或觸覺反饋)；並且可以通過任何形式(包括聲學輸入、話音輸入或觸覺輸入)來接收來自用戶的輸入。

可以在包括後端組件(例如數據伺服器)或包括中間件組件(例如應用伺服器)或包括前端組件(例如具有用戶可以與在此所描述的系統和技術的實現方式進行交互的圖形用戶接口或web瀏覽器的客戶機計算機)或這些後端組件、中間件組件、或前端組件的任何組合的計算設備中實現在此所描述的系統和技術。系統的組件可以通過任何形式的數字數據通信的介質(例如通信網絡)而互連。通信網絡的示例包括區域網(「lan」)、廣域網(「wan」)以及網際網路。

計算設備可以包括客戶機和伺服器。客戶機和伺服器通常距彼此遠程，並且典型地通過通信網絡而交互。客戶機和伺服器的關係通過在各個計算機上運行並且具有對彼此的客戶機-伺服器關係的計算程序而產生。

已經描述了多個實施例。然而，應理解，可以在不脫離本發明的精神和範圍的情況下進行各種修改。

此外，附圖中描述的邏輯流程不要求所示的特定順序或依次順序，以實現期望的結果。此外，可以從所描述的流程提供其它步驟，或可以消除步驟，並且其它組件可以添加到或移除自所描述的系統。相應地，其它實施例處於所附權利要求的範圍內。