本發(fā)明屬于智能交通系統(tǒng)領域，尤其涉及一種基于排隊論的連續(xù)交通節(jié)點擁塞程度預測模型、系統(tǒng)及方法。

背景技術：

目前，隨著經濟的發(fā)展和人口的增長，交通擁塞的問題在城市中越來越嚴重。交通擁塞帶來了在經濟、社會和生態(tài)等方面的一系列問題，造成了在這些方面的嚴重損失。很多國家開始大力發(fā)展以城市公共交通為主的公共交通，然而仍然無法解決交通事故、交通擁堵、交通污染的通病。于是各國開始尋找解決的方法，其中一個重要研究方向就是智能運輸系統(tǒng)(ITS)。智能交通系統(tǒng)上是將先進的科學技術(信息技術、計算機技術、數據通信技術、傳感器技術、電子控制技術、自動控制理論、運籌學、人工智能等)有效地綜合運用于交通運輸、服務控制和車輛制造，加強車輛、道路、使用者三者之間的聯系，從而形成一種保障安全、提高效率、改善環(huán)境、節(jié)約能源的綜合運輸系統(tǒng)。

在現有文獻中，研究者們提出了很多模型來減輕交通擁塞，但是很多解決方案都是靜態(tài)的。這些靜態(tài)的解決方案只是來分析和評估交通系統(tǒng)，而不是來對交通系統(tǒng)來進行動態(tài)的調度,無法預測交通擁塞情況。

技術實現要素：

本發(fā)明為了解決上述問題，提出了一種基于排隊論的連續(xù)交通節(jié)點擁塞程度預測模型、系統(tǒng)及方法，本發(fā)明著重于對連續(xù)交通節(jié)點擁塞程度的預測。

本發(fā)明的第一目的是提供一種道路交通擁塞預測模型，本模型基于排隊論和流量具有自相似性，清楚的表明了每個交通節(jié)點的隊列長度分布，明確影響其擁塞程度的參數，進而得到進入交通節(jié)點的道路中道路使用者排隊個數的概率分布，實現對連續(xù)交通節(jié)點的交通擁塞程度的預測。

本發(fā)明的第二目的是提供一種道路交通擁塞預測系統(tǒng)來預測交通擁塞程度，提出的預測系統(tǒng)對交通系統(tǒng)的流量進行建模和分析，通過建立排隊理論模型，分析隊列長度和等待時間的分布，以此作為評價交通節(jié)點擁塞的重要指標。其中隊列長度分布可以作為道路使用者排隊數目的評價標準，等待時間分布展示了交通流量通過路口的時間。

本發(fā)明的第三目的是提供一種基于排隊論的連續(xù)交通節(jié)點擁塞程度預測方法，本方法能夠基于到達單個交通節(jié)點的流量對單節(jié)點的交通擁塞程度進行預測，然后根據當前交通節(jié)點的流量對于與該交通節(jié)點相連的連續(xù)的多個交通節(jié)點的交通擁塞程度進行預測。相關政府部門能根據本系統(tǒng)中的擁塞程度信息來合理地對交通系統(tǒng)進行合理的調整。

為了實現上述目的，本發(fā)明采用如下技術方案：

一種基于排隊論的連續(xù)交通節(jié)點擁塞程度預測模型，包括若干連續(xù)的交通節(jié)點，以隊列長度的分布作為評價交通節(jié)點擁塞的指標，每個交通節(jié)點的隊列長度分布基于排隊理論和具有自相似性的流量構建。

進一步的，任一交通節(jié)點隊列長度分布與該節(jié)點的服務能力、車輛的非轉彎概率、平均到達速率和從兩側方向轉彎準備進入該交通節(jié)點的車流量的平均到達速率相關。

進一步的，任一交通節(jié)點i的隊列長度分布為：

其中，是標準高斯分布的剩余分布函數，λ_i為第i個交通節(jié)點輸入的車流量的平均到達速率，且λ_i＝P_i-1λ_i-1+λ'_i，其中P_i-1為前一交通節(jié)點的非轉彎概率，λ′_i為從兩側方向轉彎準備進入該交通節(jié)點的車流量的平均到達速率，C_i為該主干道上的交通節(jié)點的服務能力、t_x是使得最小的t的值，X代表隊列長度(即P(Q>x)中的x)，t為時間點，S²(t)為方差，S(t)為標準差。

使用指數分布來描述交通路口的服務速率，即使用指數分布來決定在交通燈為綠燈的時間內通過的車輛數。

本模型適用的路段，車道都是單向行駛的車道，并且主干道上的交通流量為主要的交通流量，并且連續(xù)的交通節(jié)點都具有交通燈。

一種基于排隊論的連續(xù)交通節(jié)點擁塞程度預測系統(tǒng)，包括多個設置于交通節(jié)點的車流量傳感器、服務器和數據庫，其中：

所述車流量傳感器，被配置為記錄到達各交通節(jié)點的主干道上的車流量，通過各節(jié)點后轉彎的車流量以及從兩側方向轉彎準備進入下一個交通節(jié)點的車流量，并存儲至數據庫；

所述服務器，獲取并處理數據庫內的信息，包括實時車流量參數模塊和獲取隊列長度分布模塊，所述實時車流量參數模塊，被配置為統(tǒng)計單位時間內主干道方向上到達相應交通節(jié)點的車輛數，計算得到平均到達速率、Hurst參數，同時根據車流量傳感器采集的信息，確認車輛的非轉彎概率和相應主干道上的交通節(jié)點的服務能力；

所述獲取隊列長度分布模塊，根據實時車流量參數模塊的輸入參數，得到當前交通節(jié)點的隊列長度分布圖以及與其連續(xù)的交通節(jié)點的隊列長度分布圖。

所述獲取隊列長度分布模塊，計算當前變化度，然后根據當前變化度和其歷史數據計算了最終變化度，并計算變化度的閾值。

所述實時車流量參數模塊計算在一個時間窗口內的車流量的平均到達速率，若平均到達速率大于閾值，則以該時間窗口的起點時間開始記錄的到達車輛數，使用重標極差方法或方差時間方法來分別計算車流量的Hurst參數。

一種基于排隊論的連續(xù)交通節(jié)點擁塞程度預測方法，包括以下步驟：

(1)獲取某一個交通節(jié)點的主干道上的車流量、通過該節(jié)點后轉彎的車流量以及從兩側方向轉彎準備進入下一個交通節(jié)點的車流量，根據設定時段內的記錄信息確定該交通節(jié)點的車輛的非轉彎概率和服務能力；

(2)對實時記錄的車輛量進行處理，統(tǒng)計單位時間內主干道方向上到達該交通節(jié)點的車輛數，確定平均到達速率，判斷交通流量的狀態(tài)是否可能會進入高峰期，若進入高峰期則實時測定該段時間內的車流量的Hurst參數，否則返回步驟(1)；

(3)根據車流量的Hurst參數、平均到達速率，以及該主干道上的交通節(jié)點的服務能力作為輸入參數，得到當前交通節(jié)點的隊列長度分布圖，根據該分布預測當前交通節(jié)點在當前車流量的情況下擁塞程度；

(4)結合從兩側方向轉彎準備進入該交通節(jié)點的車流量平均到達速率以及當前交通節(jié)點的車輛的非轉彎概率，確認下一個交通節(jié)點的隊列長度分布圖，以此得到每一個交通節(jié)點的流量對后繼的交通節(jié)點的擁塞程度的影響，對其擁塞程度進行預測。

所述步驟(2)中，先計算在一個時間窗口內的車流量的平均到達速率，若平均到達速率大于閾值，則以該時間窗口的起點時間開始記錄的到達車輛數，使用重標極差方法和方差時間方法來分別計算車流量的Hurst參數，通過取兩種方法測得的Hurst參數的均值作為模型的參數輸入。

所述步驟(2)中，車流量的Hurst參數為衡量第t個時間單位內到達的車輛數序列的自相似性的參數。

與現有技術相比，本發(fā)明的有益效果為：

(1)本發(fā)明在對交通擁塞程度的預測中，利用高峰期交通流量的自相似性，根據排隊理論對交通系統(tǒng)的自相似流量進行建模，得到基于隊列論的對連續(xù)道路節(jié)點擁塞的預測模型。

(2)本發(fā)明在對交通趨勢預測的過程中，通過對實際交通流量的分析得到預測模型所需的參數，得到隊列長度分布圖。從中可以得到進入交通節(jié)點的道路中道路使用者排隊個數的概率分布。在實際應用中，有了對這些概率分布，可以得到隊列長度大于各個數值的概率，從而實現對連續(xù)交通節(jié)點的交通擁塞程度的預測。對政府部門對交通的調度工作和人們的出行提供實時有用的參考。

附圖說明

構成本申請的一部分的說明書附圖用來提供對本申請的進一步理解，本申請的示意性實施例及其說明用于解釋本申請，并不構成對本申請的不當限定。

圖1為本發(fā)明適用的連續(xù)交通節(jié)點的場景示意圖；

圖2為本發(fā)明的基于隊列模型的對連續(xù)道路節(jié)點擁塞的預測模型示意圖；

圖3位本發(fā)明的模型會產生的隊列長度分布例圖；

圖4為本發(fā)明的擁塞程度預測方法的總體流程圖。

具體實施方式：

下面結合附圖與實施例對本發(fā)明作進一步說明。

應該指出，以下詳細說明都是例示性的，旨在對本申請?zhí)峁┻M一步的說明。除非另有指明，本文使用的所有技術和科學術語具有與本申請所屬技術領域的普通技術人員通常理解的相同含義。

需要注意的是，這里所使用的術語僅是為了描述具體實施方式，而非意圖限制根據本申請的示例性實施方式。如在這里所使用的，除非上下文另外明確指出，否則單數形式也意圖包括復數形式，此外，還應當理解的是，當在本說明書中使用術語“包含”和/或“包括”時，其指明存在特征、步驟、操作、器件、組件和/或它們的組合。

本發(fā)明針對在公開文獻中所指出的實際交通系統(tǒng)中的一個現象：在對濟南經十路上連續(xù)交通節(jié)點的車流量進行分析后，得出在高峰時期的車流量的Hurst參數大于0.5，說明高峰時期的車流量擁有一個重要性質：自相似性。利用了該性質，本發(fā)明提出一種基于排隊論的交通擁塞程度的預測系統(tǒng)，具體來說：

一是根據高峰期交通流量自相似的特性以及排隊理論，提出了基于隊列模型的對連續(xù)道路節(jié)點擁塞的預測系統(tǒng)，使用排隊理論和通過對具有自相似性的流量建模，以隊列長度作為評價標準，提出了基于隊列論的對連續(xù)道路節(jié)點擁塞的預測模型。

二是使用部署在交通節(jié)點附近的傳感器記錄的長時間內(比如一個月內)的交通流量數據，對長時間記錄的交通數據進行處理分析，得到當前交通節(jié)點的參數：車輛的非轉彎概率P和該主干道上的交通節(jié)點的服務能力C。同時對實時獲取的交通流量數據進行處理，獲得車流量的參數：Hurst參數、平均到達速率。將這些參數作為預測模型的輸入參數，可以得到當前交通節(jié)點的隊列長度分布圖以及與其連續(xù)的交通節(jié)點的隊列長度分布圖，以此為依據來判斷和預測交通節(jié)點的擁塞程度。

具體包括：

計算交通節(jié)點參數模塊：使用預先布置在交通節(jié)點周邊的傳感器(比如說磁感線圈)記錄到達該交通節(jié)點的主干道上的車流量，通過該節(jié)點后轉彎的車流量以及從兩側方向轉彎準備進入下一個交通節(jié)點的車流量。分析一個月內記錄的交通流量數據來得到交通系節(jié)點的參數：車輛的非轉彎概率P和該主干道上的交通節(jié)點的服務能力C；

計算實時車流量參數模塊：所實時記錄的車輛量進行處理，統(tǒng)計單位時間內(比如30秒或者1分鐘)的主干道方向上到達該交通節(jié)點的車輛數。先計算在一個時間窗口內(比如5分鐘)的車流量的平均到達速率，若平均到達速率大于閾值，則以該時間窗口的起點時間開始記錄的到達車輛數，使用重標極差方法(Rescaled Range Method，簡稱R/S方法)和方差時間方法(Variance Time Method，簡稱VT方法)來分別計算車流量的Hurst參數，通過取兩種方法測得的Hurst參數的均值作為模型的參數輸入。

獲取隊列長度分布模塊：根據以上模塊實時測量得到的實際交通流量的參數(車流量的Hurst參數、平均到達速率)，以及該主干道上的交通節(jié)點的服務能力C、車輛的非轉彎概率P作為本發(fā)明提出的基于隊列理論的對連續(xù)道路節(jié)點擁塞的預測模型的參數，可以得到當前交通節(jié)點的隊列長度分布圖以及與其連續(xù)的交通節(jié)點的隊列長度分布圖。

自相似過程：在數學上，自相似物體與其自身的一部分完全或大致相似(即整體具有與一個或多個部分相同的形狀)。自相似過程是隨機過程的一種，特點是統(tǒng)計特性不隨空間或時間尺度的變化而變化，一個連續(xù)隨機過程{X＝X(t_i),t_i∈T,i∈N}滿足：對于任意a∈N和b>0，有{X(bt₁),X(bt₂),...,X(bt_a)}＝{b^HX(t₁),b^HX(t₂),...,b^HX(t_a)}，即X(t)的有限維度的分布與b^HX(t)的有限維度的分布的統(tǒng)計特性相同，稱X(t)是具有自相似參數H(即Hurst參數)的自相似過程。在網絡流量的應用中，X(t)可以理解為第t個時間單位內到達的網絡數據包個數。在本發(fā)明中，即在實際交通環(huán)境下，X(t)可以理解為第t個時間單位內到達的車輛數。

Hurst參數：自相似參數H又可以稱為Hurst參數，用來度量隨機過程的持續(xù)性。通常，Hurst參數用來衡量網絡流量的自相似程度，在實際交通環(huán)境下，則可以用來衡量到達一個交通節(jié)點的交通流量的自相似程度。一般情況下，自相似參數H∈(0.5,1)，在這個范圍內，H越大，說明流量的自相似特性越強。測定Hurst參數有很多方法，在本發(fā)明中，采用重標極差方法(Rescaled Range Method，簡稱R/S方法)和方差時間方法(Variance Time Method，簡稱VT方法)來分別測量交通流量的自相似參數H。

重標極差方法：R/S方法是一種啟發(fā)式圖形的方法，對于一個長度為c的時間序列X＝{X₁,X₂,...,X_c},c∈N，對時間序列求和的函數為時間序列的方差為則有

這樣就可以計算統(tǒng)計量R(n)/S(n)。對于自相似隨機過程，當n→∞時，E[R(n)/S(n)]～en^H，其中，e是一個與n無關的常數。在實際應用中，H的估計過程為：把觀測到的長度為c的時間序列分為M塊，對每一塊計算R(M_i,n)/S(M_i,n)，然后對其取對數得到log(R(M_i,n)/S(M_i,n))，最后使用最小二乘法擬合曲線，可以得到斜率為H的曲線，從而得到Hurst參數。

方差時間方法：VT方法利用自相似過程的慢衰減方差特性，由Var(x^(m))～am^-β兩邊取對數可得，log(Var(x^(m)))～-βlog(m)+loga，采用最小二乘擬合散點圖，在方差時間對數圖上顯示斜率為-β的直線，如果滿足-1＜-β＜0，利用H＝1-β/2，從而得到交通流量序列的Hurst參數值。

基于隊列論的對連續(xù)道路節(jié)點擁塞的預測模型：本模型對有自相似性的實際高峰期交通流量進行建模。在排隊理論研究中，由于真實交通系統(tǒng)中的交通流量的隨機性，所以使用指數分布來描述交通路口的服務速率，即使用指數分布來決定在交通燈為綠燈的時間內通過的車輛數。如圖1和圖2中所示，在本模型中，一個單向車道的裝有交通燈的十字路口作為模型中一個單服務排隊節(jié)點。在單個服務節(jié)點中，交通燈可以作為排隊節(jié)點中的服務器。故單個交通節(jié)點的服務性能能夠通過檢查排隊節(jié)點的性能來得到。在本模型中分析隊列長度的分布，以此作為評價交通節(jié)點擁塞的重要指標，隊列長度分布可以作為道路使用者排隊數目的評價標準。

通過分析圖2中的車流量的平均到達速度，可以得到圖中作為第i個交通節(jié)點輸入的車流量的平均到達速率為λ_i＝P_i-1λ_i-1+λ'_i，根據歸納法可以得到第n個交通節(jié)點輸入的車流量的平均到達速率為從中可以看出到達第一個交通節(jié)點流量對其后連續(xù)的交通節(jié)點有很大的影響。通過已發(fā)表論文中的數學公式的推導，最后可以得到隊列長度分布的范圍：

其中，t_x是使得最小的t的值，φ(·)是標準高斯分布的剩余分布函數(residual distribution function)。最后，在本模型中對其上下界取算術均值來估算，得到隊列長度分布公式為：

隊列長度分布圖：通過前面幾個模塊，可以得到模型中隊列長度分布公式所需的各個參數，以此作為輸入，就可以得到某個交通節(jié)點的隊列長度分布圖。如圖3所示，其中利用率α(utilization)可以由α＝λ/C得到。在圖中可以得到，在某一利用率曲線中上，到交通節(jié)點的路上會產生某一隊列長度(即道路使用者排隊數目)的概率。

具體的，模型所需要的Hurst參數H由R/S方法和VT方法分別測得的數據取均值得到。

具體的，某個交通節(jié)點的處理能力C和車輛非轉彎概率P通過長時間記錄(比如至少一個月)的數據分析得到。

具體的，實時記錄數據的傳感器，可以布置在距離交通節(jié)點稍微遠點的地點，這樣系統(tǒng)在測量某一波高峰流量的時候，這樣系統(tǒng)在預測擁堵程度時候，道路使用者會有較長的反應時間。

具體的，本發(fā)明適用的路段，如圖1所示，車道都是單向行駛的車道，并且主干道上的交通流量的主要的交通流量(比如濟南的經十路)，并且連續(xù)的幾個交通節(jié)點都有交通燈。

此外，本發(fā)明的交通擁塞趨勢預測方法，包括以下實現步驟：

a.在交通節(jié)點(十字路口)周邊的布置傳感器(比如說磁感線圈)，記錄到達該交通節(jié)點的主干道上的車流量，通過該節(jié)點后轉彎的車流量以及從兩側方向轉彎準備進入下一個交通節(jié)點的車流量。根據這些長時間記錄的車流量信息進行統(tǒng)計得到該交通系節(jié)點的參數：車輛的非轉彎概率P和該主干道上的交通節(jié)點的服務能力C(即在正常狀況下該交通節(jié)點單位時間內最大能夠通過多少車流量。)；

b.對所實時記錄的車輛量進行處理，統(tǒng)計單位時間內(比如30秒或者1分鐘)的主干道方向上到達該交通節(jié)點的車輛數。先計算在一個時間窗口內(比如5分鐘)的車流量的平均到達速率λ₀，若平均到達速率大于閾值，則以該時間窗口的起點時間開始記錄的到達車輛數來計算車流量的Hurst參數H，否則說明在此主干道的車流量未能進入高峰期，這樣理論上就不會進入交通擁塞；

c.根據以上實時測量得到的實際交通流量的參數(車流量的Hurst參數、平均到達速率)，以及該主干道上的交通節(jié)點的服務能力C作為本發(fā)明提出的基于隊列模型的對連續(xù)道路節(jié)點擁塞的預測模型的參數輸入，可以得到當前交通節(jié)點的隊列長度分布圖，根據該分布圖可以得到在該進入該交通節(jié)點的主干道上的車輛排隊數目的概率分布，根據該分布可以得到當前交通節(jié)點在當前車流量的情況下擁塞程度的預測；

d.同時，在也測得從兩側方向轉彎準備進入下一個交通節(jié)點的車流量的情況下，測量得到這些車輛量的參數(平均到達速率λ′₁)，以及當前交通節(jié)點的車輛的非轉彎概率P₀，與上一步驟的參數一起作為預測模型的輸入，則可以得到下一個交通節(jié)點的隊列長度分布圖，以此進行擁塞程度的預測。

如圖4所示，本發(fā)明中的擁塞程度預測系統(tǒng)包括計算交通節(jié)點參數模塊、計算實時車流量參數模塊和獲取隊列長度分布模塊。

計算交通節(jié)點參數模塊，使用長時間記錄的交通流量數據，進行統(tǒng)計分析后獲取交通節(jié)點參數；

計算實時車流量模塊，對實時獲取的車流量進行預處理，得到統(tǒng)計單位時間內(比如30秒或者1分鐘)的主干道方向上到達該交通節(jié)點的車輛數的序列，計算序列的平均到達速率，使用R/S方法和VT方法得到Hurst參數；

獲取隊列長度分布模塊，用于計算當前變化度，然后根據當前變化度和其歷史數據計算了最終變化度，并同時計算了變化度的閾值。最終變化度和變化度閾值作為下一模塊的輸入。

下面以一個實施例對交通擁塞程度預測算法進行具體的闡述。

步驟1：對長時間記錄的交通流量數據進行統(tǒng)計分析，得到該交通系節(jié)點的參數：車輛的非轉彎概率P和該主干道上的交通節(jié)點的服務能力C(即在正常狀況下該交通節(jié)點單位時間最大能夠通過多少車流量。)

步驟201：實時獲取交通流量數據，對其進行預處理，得到單位時間內(比如30秒)到達的車輛數序列；

步驟202：計算在一個時間窗口內(比如5分鐘)的車流量的平均到達速率，若平均到達速率大于閾值，則以該時間窗口的起點時間開始記錄的到達車輛數來計算車流量的Hurst參數H，否則說明在此主干道的車流量未能進入高峰期，這樣理論上就不會進入交通擁塞，轉步驟201；

步驟203：使用R/S方法和VT方法分別計算車流量的Hurst參數，取其均值作為模型的參數輸入。

步驟3：使用前面計算得到的模型所需的參數，模型實時輸出某個交通節(jié)點及其后繼交通節(jié)點的隊列長度分布，則可以得到進入交通節(jié)點的道路上的道路使用者排隊數目的概率分布，從而實現對當前交通節(jié)點以及后繼交通節(jié)點的擁塞程度的預測。

綜上所述，通過本發(fā)明實施例，通過計算交通節(jié)點參數模塊、計算實時車流量參數模塊和獲取隊列長度分布模塊相結合，提出交通擁塞程度預測方法，能夠對某一特定路段的交通擁塞程度進行預測，為交通部門的對交通系統(tǒng)的總體調度和人們的出行選擇提供參考。

本領域內的技術人員應明白，本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機程序產品。因此，本發(fā)明可采用硬件實施例、軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器和光學存儲器等)上實施的計算機程序產品的形式。

本發(fā)明是參照根據本發(fā)明實施例的方法、設備(系統(tǒng))、和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合?？商峁┻@些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執(zhí)行的指令產生用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執(zhí)行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執(zhí)行的指令提供用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關的硬件來完成，所述的程序可存儲于一計算機可讀取存儲介質中，該程序在執(zhí)行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質可為磁碟、光盤、只讀存儲記憶體(Read-Only Memory，ROM)或隨機存儲記憶體(Random AccessMemory，RAM)等。

以上所述僅為本申請的優(yōu)選實施例而已，并不用于限制本申請，對于本領域的技術人員來說，本申請可以有各種更改和變化。凡在本申請的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本申請的保護范圍之內。

上述雖然結合附圖對本發(fā)明的具體實施方式進行了描述，但并非對本發(fā)明保護范圍的限制，所屬領域技術人員應該明白，在本發(fā)明的技術方案的基礎上，本領域技術人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內。