运力检测方法及装置、存储介质、电子设备与流程

1.本公开涉及计算机技术领域，尤其涉及一种运力检测方法与运力检测装置、计算机可读存储介质及电子设备。


背景技术：

2.随着城市规模的不断扩大和人口数量的增长，对城市生活资源的需求量在逐步增大。其中，当城市交通出行资源需求越来越多时，某一区域对运力的需求也会超过当前时间运力的供应量，导致交通运行瘫痪。尤其是类似于飞机场、火车站等枢纽站或者商业区等地方，都具有超高概率发生运力不足的情况。
3.在这种情况下，大多集中区域车辆调度，包括出租车、公交车和共享单车等进行缓解，或者是通过爬取网络舆情数据进行调度。但是，这种调度方式对区域的人群异常聚集和车辆运力不足的情况不能进行检测和感知，且检测方法具有滞后性，难以准确评估事件造成的影响。更进一步的，由于人群异常聚集和车辆运力不足的标签数量较少，且难以获得的，因此无法训练规模较大的机器学习模型进行检测，也无法对不同区域的和城市进行迁移，适用性较差。
4.鉴于此，本领域亟需开发一种新的运力检测方法及装置。
5.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

6.本公开的目的在于提供一种运力检测方法、运力检测装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制而导致的运力检测滞后、不准确和自适应程度低的技术问题。
7.本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
8.根据本发明实施例的第一个方面，提供一种运力检测方法，所述方法包括：获取多源运力数据的运力数据特征图，并对所述运力数据特征图进行数据对齐处理得到多源特征图；
9.对所述多源特征图进行特征提取处理得到运力特征图，并对所述运力特征图进行维度统一处理得到高级特征图；
10.对所述高级特征图进行运力检测处理得到所述多源运力数据的运力检测结果。
11.在本发明的一种示例性实施例中，所述对所述运力数据特征图进行数据对齐处理得到多源特征图，包括：
12.对所述运力数据特征图进行地址编码处理得到多个原始特征图，并确定所述多个原始特征图中的标准特征图；
13.基于所述标准特征图，对所述多个原始特征图中除所述标准特征图之外的其他特
征图进行特征图对齐处理得到多个对齐特征图；
14.对所述标准特征图和所述多个对齐特征图进行特征图连接处理得到多源特征图。
15.在本发明的一种示例性实施例中，所述对所述运力特征图进行维度统一处理得到高级特征图，包括：
16.对所述运力特征图进行特征图划分处理得到多个池化区域；
17.对所述多个池化区域进行目标取值处理得到多个目标值，并对所述多个目标值进行拼接处理得到高级特征图。
18.在本发明的一种示例性实施例中，所述获取多源运力数据的运力数据特征图，包括：
19.确定基准区域以及与所述基准区域关联的邻近区域和远离区域，并分别获取所述基准区域的基准区域数据、所述邻近区域的邻近区域数据和所述远离区域的远离区域数据；
20.对所述基准区域数据和所述邻近区域数据进行数据组合处理得到正例区域数据，并对所述基准区域数据和所述远离区域数据进行数据组合处理得到负例区域数据，以根据所述正例区域数据和所述负例区域数据确定多源运力数据的运力数据特征图。
21.在本发明的一种示例性实施例中，所述获取多源运力数据的运力数据特征图，包括：
22.确定基准时间段以及与所述基准时间段关联的同时段时间段和不同时时间段，并分别获取所述基准时间段的基准运力数据、所述同时段时间段的同时运力数据和所述不同时时间段的不同运力数据；
23.对所述基准运力数据和所述同时运力数据进行数据组合处理得到正例时间数据，并对所述基准运力数据和所述不同运力数据进行数据组合处理得到负例时间数据，以根据所述正例时间数据和所述负例时间数据确定多源运力数据的运力数据特征图。
24.在本发明的一种示例性实施例中，所述对所述高级特征图进行运力检测处理得到所述多源运力数据的运力检测结果，包括：
25.对与所述运力数据特征图对应的两个所述高级特征图进行特征图转换处理得到两个特征向量；
26.对所述两个特征向量进行训练损失计算得到训练损失值，并根据所述训练损失值对所述高级特征图进行运力检测处理得到所述多源运力数据的运力检测结果。
27.在本发明的一种示例性实施例中，所述根据所述训练损失值对所述高级特征图进行运力检测处理得到所述多源运力数据的运力检测结果，包括：
28.若所述训练损失值小于与所述训练损失值对应的训练损失阈值，对所述高级特征图进行运力检测处理得到所述多源运力数据的运力检测结果；
29.若所述训练损失值大于或等于与所述训练损失值对应的训练损失阈值，重新对所述运力数据特征图进行数据对齐处理、所述特征提取处理和所述维度统一处理，以得到所述多源运力数据的运力检测结果。
30.在本发明的一种示例性实施例中，所述对所述高级特征图进行运力检测处理得到所述多源运力数据的运力检测结果，包括：
31.获取与所述多源运力数据对应的参考检测结果，并对所述高级特征图进行运力检
测处理得到所述多源运力数据的待定检测结果；
32.对所述参考检测结果和所述待定检测结果进行推断损失计算得到推断损失值，并根据所述推断损失值确定所述多源运力数据的运力检测结果。
33.在本发明的一种示例性实施例中，所述根据所述推断损失值确定所述多源运力数据的运力检测结果，包括：
34.若所述推断损失值小于与所述推断损失值对应的推断损失阈值，确定所述待定检测结果为所述多源运力数据的运力检测结果；
35.若所述推断损失值大于或等于与所述推断损失值对应的推断损失阈值，根据所述参考检测结果重新对所述高级特征图进行运力检测处理得到所述多源运力数据的运力检测结果。
36.根据本发明实施例的第二个方面，提供一种运力检测装置，所述装置包括：数据对齐模块，被配置为获取多源运力数据的运力数据特征图，并对所述运力数据特征图进行数据对齐处理得到多源特征图；
37.维度统一模块，被配置为对所述多源特征图进行特征提取处理得到运力特征图，并对所述运力特征图进行维度统一处理得到高级特征图；
38.运力检测模块，被配置为对所述高级特征图进行运力检测处理得到所述多源运力数据的运力检测结果。
39.根据本发明实施例的第三个方面，提供一种电子设备，包括：处理器和存储器；其中，存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现上述任意示例性实施例的运力检测方法。
40.根据本发明实施例的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意示例性实施例中的运力检测方法。
41.由上述技术方案可知，本发明示例性实施例中的运力检测方法、运力检测装置、计算机存储介质及电子设备至少具备以下优点和积极效果：
42.在本公开的示例性实施例提供的方法及装置中，一方面，对运力数据特征图进行数据对齐处理，在考虑到运力检测结果受到多种运力数据影响的情况下，通过对多种运力数据进行数据融合的方式保证了运力检测在数据方面的准确性，也提高了运力数据的丰富性，有利于训练用于运力检测的机器学习模型，便于向不同城市和区域迁移，提升了运力检测的自适应程度和应用场景的丰富度；另一方面，对运力特征图进行维度统一处理，考虑到了不同多源运力数据的可达区域的不同，解决了不同多源运力数据带来的对应特征图尺寸差异问题，整合性好，也保障了运力检测结果的准确度和实时性，解决了运力检测的滞后问题，能够对运力异常带来的影响进行实时预估。
43.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
44.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开
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的前提下，还可以根据这些附图获得其他的附图。
45.图1示意性示出本公开示例性实施例中一种运力检测方法的流程示意图；
46.图2示意性示出本公开示例性实施例中一种获取运力数据特征图的方法的流程示意图；
47.图3示意性示出本公开示例性实施例中确定的各个区域的界面示意图；
48.图4示意性示出本公开示例性实施例中另一种获取运力数据特征图的方法的流程示意图；
49.图5示意性示出本公开示例性实施例中数据对齐处理的方法的流程示意图；
50.图6示意性示出本公开示例性实施例中维度统一处理的方法的流程示意图；
51.图7示意性示出本公开示例性实施例中维度统一处理的样例示意图；
52.图8示意性示出本公开示例性实施例中运力检测处理的方法的流程示意图；
53.图9示意性示出本公开示例性实施例中训练运力检测模型的模型架构图；
54.图10示意性示出本公开示例性实施例中确定运力检测结果的方法的流程示意图；
55.图11示意性示出本公开示例性实施例中进一步进行运力检测处理的方法的流程示意图；
56.图12示意性示出本公开示例性实施例中进一步确定运力检测结果的方法的流程示意图；
57.图13示意性示出本公开示例性实施例中应用场景下的运力检测模型的模块示意图；
58.图14示意性示出本公开示例性实施例中一种运力检测装置的结构示意图；
59.图15示意性示出本公开示例性实施例中一种用于实现运力检测方法的电子设备；
60.图16示意性示出本公开示例性实施例中一种用于实现运力检测方法的计算机可读存储介质。
具体实施方式
61.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
62.本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。
63.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标
positioning system，全球定位系统)位置数据、网约车gps位置数据、公交车gps轨迹数据和空间区域poi数据等数据作为多源运力数据。除此之外，多源运力数据也可以包括其他影响运力的数据，本示例性实施例对此不作特殊限定。
76.除此之外，在运力检测模型的训练过程中，多源运力数据即为训练运力检测模型的特征图样本的数据来源。由于在训练运力检测模型的过程中，对于某一区域的人群异常聚集且车辆运力不足的标签数量较少或者难以获得，且正负样本不平衡，不能训练规模较大的机器学习模型，且对不同区域和城市的迁移较为困难。
77.因此，在训练运力检测模型的过程中，通过采样相似和不同的样本生成正相关和负相关的运力数据的训练样本。同时，还可以考虑时间和空间两方面特征进行数据增广。
78.在可选的实施例中，图2示出了一种获取运力数据特征图的方法的流程示意图，如图2所示，该方法至少包括以下步骤：在步骤s210中，确定基准区域以及与基准区域关联的邻近区域和远离区域，并分别获取基准区域的基准区域数据、邻近区域的邻近区域数据和远离区域的远离区域数据。
79.由于城区的交通运力情况和属性，临近区域的运力情况是相近的，几乎不存在骤变的情况，因此，可以根据位置的空间区域进行采样，生成用于训练运力检测模型的样本。
80.图3示出了确定的各个区域的界面示意图，如图3所示，对城市区域中采样4个样本。其中，a1为基准区域，区域a2为与基准区域a1相邻的邻近区域，区域b1为与基准区域相距甚远的远离区域，区域b2可以是在把a2看作基准区域的情况下的远离区域。
81.在确定基准区域、邻近区域和远离区域之后，可以分别获取基准区域、邻近区域和远离区域的区域内人口流量数据、出租车gps位置数据、网约车gps位置数据、公交车gps轨迹数据和空间区域poi数据等数据得到对应的基准区域数据、邻近区域数据和远离区域数据。
82.在步骤s220中，对基准区域数据和邻近区域数据进行数据组合处理得到正例区域数据，并对基准区域数据和远离区域数据进行数据组合处理得到负例区域数据，以根据正例区域数据和负例区域数据为多源运力数据的运力数据特征图。
83.在得到基准区域数据、邻近区域数据和远离区域数据之后，可以将a1中的基准区域数据与a2中的邻近区域数据进行数据组合处理得到正例样本，亦即正例区域数据。
84.进一步的，还可以将a1中的基准区域数据和b1中的远离区域数据进行数据组合处理得到负例样本，亦即负例区域数据。负例样本具有随机性，且随采样样本的空间距离的增大，生成的负例样本的机率越高。
85.因此，可以确定正例区域数据和负例区域数据为训练运力检测模型的多源运力数据。
86.进一步的，可以根据多源运力数据构建对应的特征图，亦即运力数据特征图，作为后续处理的数据基础。
87.在本示例性实施例中，通过空间相关性的构造方式得到包括正例区域数据和负例区域数据的多源运力数据，解决了区域运力异常的标签数量少的问题，对训练运力检测模型具有重要的意义。
88.在可选的实施例中，图4示出了另一种获取运力数据特征图的方法的流程示意图，如图4所示，该方法至少包括以下步骤：在步骤s410中，确定基准时间段以及与基准时间段
关联的同时段时间段和不同时时间段，并分别获取基准时间段的基准运力数据、同时段时间段的同时运力数据和不同时时间段的不同运力数据。
89.交通运力的分布在时间方面也具有周期性，具体体现在每天、每周或者每月的相同时段。
90.因此，可以确定一基准时间段，例如每天早上9点钟。对应的，与该时间段相同，且处于不同天数的时间段作为同时段时间段，而与该时间段不同，且时间间隔较大的时间段作为不同时时间段。
91.进一步的，获取基准时间段、同时段时间段和不同时时间段的区域内人口流量数据、出租车gps位置数据、网约车gps位置数据、公交车gps轨迹数据和空间区域poi数据等数据得到对应的基准运力数据、同时运力数据和不同运力数据。
92.在步骤s420中，对基准运力数据和同时运力数据进行数据组合处理得到正例时间数据，并对基准运力数据和不同运力数据进行数据组合处理得到负例时间数据，以根据正例时间数据和负例时间数据确定多源运力数据的运力数据特征图。
93.在得到基准运力数据、同时运力数据和不同运力数据之后，可以对基准运力数据和同时运力数据进行数据组合处理得到一组正例样本，亦即正例时间数据。
94.相应的，也可以将基准运力数据和不同运力数据进行数据组合处理得到一组负例样本，亦即负例时间数据。
95.进一步的，通过正例时间数据和负例时间数据组成训练训练检测模型的时间相关性上的多源运力数据。
96.进一步的，可以根据多源运力数据构建对应的特征图，亦即运力数据特征图，作为后续处理的数据基础。
97.在本示例性实施例中，通过空间相关性的构造方式得到包括正例时间数据和负例时间数据的多源运力数据，解决了区域运力异常的标签数量少的问题，对训练运力检测模型具有重要的意义。
98.在得到多源运力数据的运力数据特征图之后，还可以对多源运力数据的运力数据特征图进行数据对齐处理。
99.在可选的实施例中，图5示出了数据对齐处理的方法的流程示意图，如图5所示，该方法至少包括以下步骤：在步骤s510中，对运力数据特征图进行地址编码处理得到多个原始特征图，并确定多个原始特征图中的标准特征图。
100.为对齐多源运力数据空间上的位置，可以采用geohash对运力数据特征图进行地址编码处理，进行网格划分。geohash是一种地址编码方法，把二维的空间经纬度网格数据编码成一个字符串。
101.geohash算法首先可以将经纬度转换成二进制。然后，合并经纬度。其中，经度占偶数位，维度占奇数位，并且，0也为偶数位。最后，按照base32进行编码。geohash比直接用经纬度的高效很多，而且使用者可以发布地址编码，既能表明自身所在位置，又不至于暴露自己的精确坐标，有助于隐私保护。
102.其中，geohash算法的长度可以选择7，空间大小近似为152*152的矩形区域。
103.因此，通过geohash算法进行地址编码处理可以分别得到多源运力数据中区域内人口流量数据、出租车gps位置数据、网约车gps位置数据、公交车gps轨迹数据和空间区域
poi数据等数据对应的原始特征图。
104.由于检测区域的不同，所以原始特征图的大小并不固定为常数，而是可以根据检测区域的大小的实际情况进行调整的。
105.由于区域内人口流量和公共客运交通工具的可达区域不同，因此，不同维度的多源运力数据的原始特征图的形状可以不同。其中，原始特征图的形状包括张量的维度以及每一维的长度。
106.进一步的，由于人口流量的可达区域较为标准，通常使用人口规模划分区域，因此，可以确定人口流量数据对应的原始特征图为标准特征图，以进行后续的特征图对齐处理。
107.在步骤s520中，基于标准特征图，对多个原始特征图中除标准特征图之外的其他特征图进行特征图对齐处理得到多个对齐特征图。
108.其中，特征图对齐处理需要以标准特征图为依据，分别对其他特征图进行卷积的预处理。
109.具体的，标准特征图的大小为x
people_rawout
*y
people_raw_out
，出租车gps位置数据的原始特征图的大小为x
taxi_raw_out
*y
taxi_raw_out
，因此，通过(x
taxi_raw_out-x
people_raw_out
+1，y
taxi_raw_out-y
people_raw_out
+1)的卷积核，以及步长为1的卷积进行预处理。其中，x
taxi_raw_out
*y
taxi_raw_out
的大小大于x
people_raw_out
*y
people_raw_out
。
110.进行预处理的卷积核是可以训练的，并且，该卷积核可以是一个卷积，也可以是多个类似卷积结构的堆叠。
111.值得说明的是，其余网约车gps位置数据、公交车gps轨迹数据和空间区域poi数据等数据对应的原始特征图的大小也要大于标准数据图的大小。
112.因此，通过标准特征图对网约车gps位置数据、公交车gps轨迹数据和空间区域poi数据等数据对应的原始特征图进行特征图对齐处理之后可以得到多个对齐特征图。
113.在步骤s530中，对标准特征图和多个对齐特征图进行特征图连接处理得到多源特征图。
114.经过特征图对齐处理之后，多个对齐特征图的大小和标准特征图的大小是相同的，因此，可以对标准特征图和多个对齐特征图进行特征图连接处理。
115.该特征图连接处理可以使一个标准特征图和4个对齐特征图分别构成一个通道，形成一个三维的张量，亦即多源特征图。
116.在本示例性实施例中，对运力数据特征图进行数据对齐处理得到多源特征图，考虑到了多源运力数据的异构性，可以对多源运力数据进行融合，为后续的特征提取处理提供了数据基础。
117.在步骤s120中，对多源特征图进行特征提取处理得到运力特征图，并对运力特征图进行维度统一处理得到高级特征图。
118.在本公开的一种示例性实施例中，对多源特征图进行特征提取处理可以得到运力特征图。该特征提取处理可以使用resnet(residual network，残差网络)实现。该resnet网络是多个由cnn(convolutional neural networks，卷积神经网络)、bn(batch normalization，批量归一化)和relu(rectified linear unit，线性整流函数)的结构堆叠组成，以实现对多源特征图的特征提取处理。
119.除此之外，也可以使用其他cnn结构的堆叠结构实现特征提取处理，例如vgg、googlenet、transformer或gnn等，本示例性实施例对此不作特殊限定。
120.由于多源运力数据的多源特征图的大小不同，因此需要进行维度的统一。那么，在得到运力特征图之后，可以对运力特征图进行维度统一处理。
121.在可选的实施例中，图6示出了维度统一处理的方法的流程示意图，如图6所示，在步骤s610中，对运力特征图进行特征图划分处理得到多个池化区域。
122.在进行维度统一处理时，可以对特征提取处理的网络的最后加入roi pooling(regions of interest pooling，感兴趣区域层)层进行处理。
123.其中，roi pooling层是pooling层的一种，特点是输入特征图的尺寸不固定，但是输出特征图尺寸是固定的，用于处理样本间维度不统一的情况。
124.并且，roi pooling层设置的输出特征图，亦即高级特征图的大小为x
roi_out
*y
roi_out
，通过roi pooling层之前的特征提取处理后的运力特征图的大小为x
fea_out
*y
fea_out
。
125.进一步的，对pooling区域进行划分，分别计算和
126.计算第i个区域的下横向和纵向索引范围分别为计算第i个区域的下横向和纵向索引范围分别为因此，将大小为x
fea_out
*y
fea_out
的运力特征图划分为x
roi_out
*y
roi_out
个区域，亦即池化区域。
127.在步骤s620中，对多个池化区域进行目标取值处理得到多个目标值，并对多个目标值进行拼接处理得到高级特征图。
128.在得到池化区域之后，可以对每一池化区域进行目标取值处理。例如，可以对每一池化区域取最大值得到多个目标值。
129.进一步的，按照池化区域划分的相对位置对多个目标值进行拼接处理得到高级特征图。该高级特征图为大小是x
roi_out
*y
roi_out
的特征图。
130.图7示出了维度统一处理的样例示意图，如图7所示，将pooling区域划分为4个池化区域，并取4个池化区域内的最大值，亦即目标值。该目标值为0.89、0.96、0.90和0.86。然后，按照池化区域划分的相对位置对多个目标值进行拼接处理得到0.89、0.96、0.90和0.86组成的高级特征图。
131.该高级特征图相比于运力特征图，厚度更大，但是长和宽更小，举例而言，运力特征图可以是大小为64*64*5的特征图，高级特征图可以是16*16*512的特征图。
132.在本示例性实施例中，通过维度统一处理可以得到与运力特征图对应的高级特征图，能够适应不同尺寸的原始特征图的差异，并对不同尺寸的原始特征图进行整合。
133.在步骤s130中，对高级特征图进行运力检测处理得到多源运力数据的运力检测结果。
134.在本公开的一种示例性实施例中，得到高级特征图之后，可以通过对高级特征图进行运力检测处理的方式训练运力检测模型中的数据对齐处理层、特征提取处理层和维度统一处理层。
135.在可选的实施例中，图8示出了运力检测处理的方法的流程示意图，如图8所示，该方法至少包括以下步骤：在步骤s810中，对与运力数据特征图对应的两个高级特征图进行
特征图转换处理得到两个特征向量。
136.不同城市或者城市的不同区域间都有差异，且对样本标签的获取较为困难，因此，对规模较大的运力检测模型难以训练，因此可以采用自监督的方式进行训练。
137.图9示出了训练运力检测模型的模型架构图，如图9所示，在训练运力检测模型的模型架构中，除了输入运力数据特征图的输入模块、实现数据对齐处理的预处理模块以及实现特征提取处理和维度统一处理的特征提取模块之外，还可以包括线性层。该线性层用于实现对两个高级特征图的特征图转换处理，因此，该线性层可以将高级特征图转换为特征向量。
138.值得说明的是，预处理模块、特征提取模块和线性层的参数是共享的。并且，在进行特征图转换处理的过程中，同时输入两个由时间和/或空间两方面特征进行数据增广得到的多源运力数据。通过预处理模块、特征提取模块和线性层处理之后输出特征向量。
139.在步骤s820中，对两个特征向量进行训练损失计算得到训练损失值，并根据训练损失值对高级特征图进行运力检测处理得到多源运力数据的运力检测结果。
140.在得到两个特征向量之后，经过训练损失计算进行反向传播训练。当两个多源运力数据为正例样本时，让两个正例样本的特征表征距离，亦即训练损失值尽可能接近；而当两个多源运力数据为负例样本时，让两个负例样本的特征表征距离，亦即训练损失值尽可能远离。
141.其中，训练损失值的方式如式(1)所示：
[0142][0143]
其中，的取值范围为{0,1}，当[
·
]为真取函数式为1，当[
·
]为假取函数式为0。x表示为样本数据的多源运力数据，τ为常数。
[0144]
在计算出训练损失值之后，可以根据训练损失值确定多源运力数据的运力检测结果。
[0145]
在可选的实施例中，图10示出了确定运力检测结果的方法的流程示意图，如图10所示，该方法至少包括以下步骤：在步骤s1010中，若训练损失值小于与训练损失值对应的训练损失阈值，对高级特征图进行运力检测处理得到多源运力数据的运力检测结果。
[0146]
为确定运力检测模型中的预处理模块、特征提取模块是否训练成功，可以获取与训练损失值对应的训练损失阈值进行比较判定。
[0147]
当比较结果为训练损失值小于训练损失阈值时，确定该运力检测模型中的预处理模块和特征提取模块已经训练成功，可以对高级特征图进行运力检测处理。
[0148]
在可选的实施例中，图11示出了进一步进行运力检测处理的方法的流程示意图，如图11所示，该方法至少包括以下步骤：在步骤s1110中，获取与多源运力数据对应的参考检测结果，并对高级特征图进行运力检测处理得到多源运力数据的待定检测结果。
[0149]
在进行运力检测处理的过程中，还可以进一步对运力检测模型中的推断模块进行训练和是否训练成功的判定。
[0150]
因此，可以获取与多源运力数据对应的参考检测结果。其中，训练推断模块的多源运力数据为真实的样本数据，不使用训练预处理模块和特征提取模块过程中使用的数据增
广得到的样本数据，因此，该参考检测结果也为与真实的样本数据对应的真实运力是否异常结果。并且，由于训练推断模块的样本数据只需要少量即可，因此可以对这部分多源运力数据和参考检测结果进行人工标注，也可以根据实际情况进行自动化标注，本示例性实施例对此不做特殊限定。
[0151]
在得到参考检测结果之后，可以将高级特征图输入至二分类网络，例如mlp(muti－layer perception，多层感知机)进行运力检测处理，以得到多源运力数据的待定检测结果，该待定检测结果包括运力异常和运力正常两种结果的概率。
[0152]
mlp神经网络是一种正常传播和误差逆向传播的神经网络。正向传播时，输入信号经过隐藏层的处理后传向输出层。若输出层神经元未能达到期望的输出，则输入误差的逆向传播阶段，将输出误差按照某种形式通过隐藏层向输入层返回，并“分摊”给隐藏层和输入层的神经元，从而获得各层神经元的误差信号，作为修改各单元权重值的依据。
[0153]
这种信号正常传播和误差逆向传播的各层权重矩阵的修改过程是重复进行的，权重不断修改直至网络输出的误差逐渐减少到可接收的程度或者达到设定的学习次数为止，完成网络的学习和训练。
[0154]
在步骤s1120中，对参考检测结果和待定检测结果进行推断损失计算得到推断损失值，并根据推断损失值确定多源运力数据的运力检测结果。
[0155]
进一步的，选用log loss(交叉熵)损失函数对参考检测结果和待定检测结果进行推断损失计算得到推断损失值。推断损失计算的方式参考公式(2)：
[0156]
loss＝-(ylog(p)+(1-y)log(1-p))
ꢀꢀꢀ
(2)
[0157]
其中，y为样本真实的标签，亦即参考检测结果，p为模型预测的概率。
[0158]
在得到推断损失值之后，可以根据推断损失值确定出多源运力数据的运力检测结果。
[0159]
在可选的实施例中，图12示出了进一步确定运力检测结果的方法的流程示意图，如图12所示，该方法至少包括以下步骤：在步骤s1210中，若推断损失值小于与推断损失值对应的推断损失阈值，确定待定检测结果为多源运力数据的运力检测结果。
[0160]
为确定多源运力数据的运力检测结果，因袭可以确定与推断损失值对应的推断损失阈值，并对推断损失值和推断损失阈值进行比较和判定。
[0161]
当推断损失值小于推断损失阈值时，表明进行运力检测处理的推断层训练完成，因此可以确定待定检测结果即为多源运力数据的运力检测结果。
[0162]
在步骤s1220中，若推断损失值大于或等于与推断损失值对应的推断损失阈值，根据参考检测结果重新对高级特征图进行运力检测处理得到多源运力数据的运力检测结果。
[0163]
当推断损失值大于或等于推断损失阈值时，表明进行运力检测处理的推断层未训练完成，因此可以修改进行运力检测处理的mlp网络的权重矩阵，并重新对高级特征图进行运力检测处理，直至运力检测处理的待定检测结果与参考检测结果之间的推断损失值符合推断损失阈值的标准时，确定对应的待定检测结果为多源运力数据的运力检测结果。
[0164]
在本示例性实施例中，当进行数据对齐处理、特征提取处理和维度统一处理的预处理模块和特征提取模块训练完成之后，还可以利用真实标签对运力检测模型的推断模块进行训练得到运力检测结果，训练方式简单准确，并且环环相扣，逻辑缜密，保证了运力检测模型的训练完整度和准确度，以及后续对多源运力数据的检测结果正确程度。
[0165]
在步骤s1020中，若训练损失值大于或等于与训练损失值对应的训练损失阈值，重新对运力数据特征图进行数据对齐处理、特征提取处理和维度统一处理，以得到多源运力数据的运力检测结果。
[0166]
当训练进行数据对齐处理、特征提取处理和维度统一处理的预处理模块和特征提取模块的过程中，也可能出现训练损失值大于或等于训练损失阈值的情况。该情况表明预处理模块和特征提取模块并未训练成功。
[0167]
因此，可以对预处理模块和特征提取模块中的权重进行修改，并重新对运力数据特征图进行数据对齐处理、特征提取处理和维度统一处理，亦即继续对预处理模块和特征提取模块进行训练，直至训练损失值符合训练损失阈值的要求，并按照图11所示的方式得到多源运力数据的运力检测结果。
[0168]
在本示例性实施例中，通过训练损失值和训练损失阈值对涉及数据对齐处理、特征提取处理和维度统一处理的模块进行完整训练，对训练运力检测模型具有十分重要的意义，也保障了运力检测结果输出的准确性。
[0169]
下面结合一应用场景对本公开实施例中的运力检测方法做出详细说明。
[0170]
图13示出了应用场景下的运力检测模型的模块示意图，如图13所示，该运力检测模型包括数据输入、预处理、特征提取网络、推断和输出五个部分。
[0171]
在数据输入模块中，分别以区域内的人口流量数据、出租车gps位置数据、网约车gps位置数据、公交车gps轨迹数据和空间区域poi数据等数据作为多源运力数据，并构建与多源运力数据对应的运力数据特征图输入网络。除此之外，多源运力数据也可以包括其他影响运力的数据，本示例性实施例对此不作特殊限定。
[0172]
在预处理模块中，由于输入模块输入的特征图的shape不同，需要预处理模块对特征图进行预处理，形成一个多通道的特征图。
[0173]
为对齐多源运力数据空间上的位置，可以采用geohash对运力数据特征图进行地址编码处理，进行网格划分。geohash是一种地址编码方法，把二维的空间经纬度网格数据编码成一个字符串。
[0174]
其中，geohash算法的长度可以选择7，空间大小近似为152*152的矩形区域。
[0175]
因此，通过geohash算法进行地址编码处理可以分别得到多源运力数据中区域内人口流量数据、出租车gps位置数据、网约车gps位置数据、公交车gps轨迹数据和空间区域poi数据等数据对应的原始特征图。
[0176]
由于检测区域的不同，所以原始特征图的大小并不固定为常数，而是可以根据检测区域的大小的实际情况进行调整的。
[0177]
由于区域内人口流量和公共客运交通工具的可达区域不同，因此，不同维度的多源运力数据的原始特征图的形状可以不同。其中，原始特征图的形状包括张量的维度以及每一维的长度。
[0178]
进一步的，由于人口流量的可达区域较为标准，通常使用人口规模划分区域，因此，可以确定人口流量数据对应的原始特征图为标准特征图，以进行后续的特征图对齐处理。
[0179]
其中，特征图对齐处理需要以标准特征图为依据，分别对其他特征图进行卷积的预处理。
[0180]
具体的，标准特征图的大小为x
people_raw_out
*y
people_raw_out
，出租车gps位置数据的原始特征图的大小为x
taxi_raw_out
*y
taxi_raw_out
，因此，通过(x
taxi_raw_out-x
people_raw_out
+1，y
taxi_raw_out-y
people_raw_out
+1)的卷积核，以及步长为1的卷积进行预处理。其中，x
taxi_raw_out
*y
taxi_raw_out
的大小大于x
people_raw_out
*y
people_raw_out
。
[0181]
进行预处理的卷积核是可以训练的，并且，该卷积核可以是一个卷积，也可以是多个类似卷积结构的堆叠。
[0182]
值得说明的是，其余网约车gps位置数据、公交车gps轨迹数据和空间区域poi数据等数据对应的原始特征图的大小也要大于标准数据图的大小。
[0183]
因此，通过标准特征图对网约车gps位置数据、公交车gps轨迹数据和空间区域poi数据等数据对应的原始特征图进行特征图对齐处理之后可以得到多个对齐特征图。
[0184]
经过特征图对齐处理之后，多个对齐特征图的大小和标准特征图的大小是相同的，因此，可以对标准特征图和多个对齐特征图进行特征图连接处理。
[0185]
该特征图连接处理可以使一个标准特征图和4个对齐特征图分别构成一个通道，形成一个三维的张量，亦即多源特征图。
[0186]
特征提取模块主要使用卷积神经网络的结构进行特征提取。考虑到样本标签无标记和标记数量少，采用对比学习的方式对特征提取模块进行pre-train(预训练)。
[0187]
对多源特征图进行特征提取处理可以得到运力特征图。该特征提取处理可以使用resnet实现。该resnet网络是多个由cnn、bn和relu的结构堆叠组成，以实现对多源特征图的特征提取处理。
[0188]
除此之外，也可以使用其他cnn结构的堆叠结构实现特征提取处理，例如vgg、googlenet、transformer或gnn等，本示例性实施例对此不作特殊限定。
[0189]
由于多源运力数据的多源特征图的大小不同，因此需要进行维度的统一。那么，在得到运力特征图之后，可以对运力特征图进行维度统一处理。
[0190]
在进行维度统一处理时，可以对特征提取处理的网络的最后加入roi pooling层进行处理。
[0191]
其中，roi pooling层是pooling层的一种，特点是输入特征图的尺寸不固定，但是输出特征图尺寸是固定的，用于处理样本间维度不统一的情况。
[0192]
并且，roi pooling层设置的输出特征图，亦即高级特征图的大小为x
roi_out
*y
roi_out
，通过roi pooling层之前的特征提取处理后的运力特征图的大小为x
fea_out
*y
fea_out
。
[0193]
进一步的，对pooling区域进行划分，分别计算和
[0194]
计算第i个区域的下横向和纵向索引范围分别为计算第i个区域的下横向和纵向索引范围分别为因此，将大小为x
fea_out
*y
fea_out
的运力特征图划分为x
roi_out
*y
roi_out
个区域，亦即池化区域。
[0195]
得到池化区域之后，可以对每一池化区域进行目标取值处理。例如，可以对每一池化区域取最大值得到多个目标值。
[0196]
进一步的，按照池化区域划分的相对位置对多个目标值进行拼接处理得到高级特征图。该高级特征图为大小是x
roi_out
*y
roi_out
的特征图。
[0197]
该高级特征图相比于运力特征图，厚度更大，但是长和宽更小，举例而言，运力特
征图可以是大小为64*64*5的特征图，高级特征图可以是16*16*512的特征图。
[0198]
通过对比学习训练完成的预处理和特征提取模块进行固定参数，并通过少量的标签，对最后的推断模块进行fine-tuning(微调)。少量标签可以手动进行标注，通过外部事件或对各种车辆和人口数据设置阈值进行粗略的筛选样本，进一步通过人工的方式对具体样本进行标注。模型最终输出为一个长度为2的向量，分别为运力异常、正常的概率。
[0199]
在进行运力检测处理的过程中，还可以进一步对运力检测模型中的推断模块进行训练和是否训练成功的判定。
[0200]
因此，可以获取与多源运力数据对应的参考检测结果。其中，训练推断模块的多源运力数据的特征图为真实的样本数据，不使用训练预处理模块和特征提取模块过程中使用的数据增广得到的样本数据，因此，该参考检测结果也为与真实的样本数据对应的真实运力是否异常结果。并且，由于训练推断模块的样本数据只需要少量即可，因此可以对这部分多源运力数据的特征图和参考检测结果进行人工标注，也可以根据实际情况进行自动化标注，本示例性实施例对此不做特殊限定。
[0201]
在得到参考检测结果之后，可以将高级特征图输入至二分类网络，例如mlp进行运力检测处理，以得到多源运力数据的待定检测结果，该待定检测结果包括运力异常和运力正常两种结果的概率。
[0202]
进一步的，选用log loss(交叉熵)损失函数对参考检测结果和待定检测结果进行推断损失计算得到推断损失值。推断损失计算的方式参考公式(2)。
[0203]
在得到推断损失值之后，可以根据推断损失值确定出多源运力数据的运力检测结果。
[0204]
为确定多源运力数据的运力检测结果，因袭可以确定与推断损失值对应的推断损失阈值，并对推断损失值和推断损失阈值进行比较和判定。
[0205]
当推断损失值小于推断损失阈值时，表明进行运力检测处理的推断层训练完成，因此可以确定待定检测结果即为多源运力数据的运力检测结果。
[0206]
当推断损失值大于或等于推断损失阈值时，表明进行运力检测处理的推断层未训练完成，因此可以修改进行运力检测处理的mlp网络的权重矩阵，并重新对高级特征图进行运力检测处理，直至运力检测处理的待定检测结果与参考检测结果之间的推断损失值符合推断损失阈值的标准时，确定对应的待定检测结果为多源运力数据的运力检测结果。
[0207]
在本公开的应用场景中，一方面，对运力数据特征图进行数据对齐处理，在考虑到运力检测结果受到多种运力数据影响的情况下，通过对多种运力数据进行数据融合的方式保证了运力检测在数据方面的准确性，也提高了运力数据的丰富性，有利于训练用于运力检测的机器学习模型，便于向不同城市和区域迁移，提升了运力检测的自适应程度和应用场景的丰富度；另一方面，对运力特征图进行维度统一处理，考虑到了不同多源运力数据的可达区域的不同，解决了不同多源运力数据带来的对应特征图尺寸差异问题，整合性好，也保障了运力检测结果的准确度和实时性，解决了运力检测的滞后问题，能够对运力异常带来的影响进行实时预估。
[0208]
此外，在本公开的示例性实施例中，还提供一种运力检测装置。图14示出了运力检测装置的结构示意图，如图14所示，运力检测装置1400可以包括：数据对齐模块1410、维度统一模块1420和运力检测模块1430。其中：
[0209]
数据对齐模块1410，被配置为获取多源运力数据的运力数据特征图，并对运力数据特征图进行数据对齐处理得到多源特征图；维度统一模块1420，被配置为对多源特征图进行特征提取处理得到运力特征图，并对运力特征图进行维度统一处理得到高级特征图；和运力检测模块1430，被配置为对高级特征图进行运力检测处理得到多源运力数据的运力检测结果。
[0210]
在本发明的一种示例性实施例中，对运力数据特征图进行数据对齐处理得到多源特征图，包括：
[0211]
对运力数据特征图进行地址编码处理得到多个原始特征图，并确定多个原始特征图中的标准特征图；
[0212]
基于标准特征图，对多个原始特征图中除标准特征图之外的其他特征图进行特征图对齐处理得到多个对齐特征图；
[0213]
对标准特征图和多个对齐特征图进行特征图连接处理得到多源特征图。
[0214]
在本发明的一种示例性实施例中，对运力特征图进行维度统一处理得到高级特征图，包括：
[0215]
对运力特征图进行特征图划分处理得到多个池化区域；
[0216]
对多个池化区域进行目标取值处理得到多个目标值，并对多个目标值进行拼接处理得到高级特征图。
[0217]
在本发明的一种示例性实施例中，获取多源运力数据的运力数据特征图，包括：
[0218]
确定基准区域以及与基准区域关联的邻近区域和远离区域，并分别获取基准区域的基准区域数据、邻近区域的邻近区域数据和远离区域的远离区域数据；
[0219]
对基准区域数据和邻近区域数据进行数据组合处理得到正例区域数据，并对基准区域数据和远离区域数据进行数据组合处理得到负例区域数据，以根据正例区域数据和负例区域数据确定多源运力数据的运力数据特征图。
[0220]
在本发明的一种示例性实施例中，获取多源运力数据的运力数据特征图，包括：
[0221]
确定基准时间段以及与基准时间段关联的同时段时间段和不同时时间段，并分别获取基准时间段的基准运力数据、同时段时间段的同时运力数据和不同时时间段的不同运力数据；
[0222]
对基准运力数据和同时运力数据进行数据组合处理得到正例时间数据，并对基准运力数据和不同运力数据进行数据组合处理得到负例时间数据，以根据正例时间数据和负例时间数据为多源运力数据确定运力数据特征图。
[0223]
在本发明的一种示例性实施例中，对高级特征图进行运力检测处理得到多源运力数据的运力检测结果，包括：
[0224]
对与运力数据特征图对应的两个高级特征图进行特征图转换处理得到两个特征向量；
[0225]
对两个特征向量进行训练损失计算得到训练损失值，并根据训练损失值对高级特征图进行运力检测处理得到多源运力数据的运力检测结果。
[0226]
在本发明的一种示例性实施例中，根据所述训练损失值对高级特征图进行运力检测处理得到多源运力数据的运力检测结果，包括：
[0227]
若训练损失值小于与训练损失值对应的训练损失阈值，对高级特征图进行运力检
测处理得到多源运力数据的运力检测结果；
[0228]
若训练损失值大于或等于与训练损失值对应的训练损失阈值，重新对运力数据特征图进行数据对齐处理、特征提取处理和维度统一处理，以得到多源运力数据的运力检测结果。
[0229]
在本发明的一种示例性实施例中，对高级特征图进行运力检测处理得到多源运力数据的运力检测结果，包括：
[0230]
获取与多源运力数据对应的参考检测结果，并对高级特征图进行运力检测处理得到多源运力数据的待定检测结果；
[0231]
对参考检测结果和待定检测结果进行推断损失计算得到推断损失值，并根据推断损失值确定多源运力数据的运力检测结果。
[0232]
在本发明的一种示例性实施例中，根据推断损失值确定多源运力数据的运力检测结果，包括：
[0233]
若推断损失值小于与推断损失值对应的推断损失阈值，确定待定检测结果为多源运力数据的运力检测结果；
[0234]
若推断损失值大于或等于与推断损失值对应的推断损失阈值，根据参考检测结果重新对高级特征图进行运力检测处理得到多源运力数据的运力检测结果。
[0235]
上述运力检测装置1400的具体细节已经在对应的运力检测方法中进行了详细的描述，因此此处不再赘述。
[0236]
应当注意，尽管在上文详细描述中提及运力检测装置1400的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0237]
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
[0238]
下面参照图15来描述根据本发明的这种实施例的电子设备1500。图15显示的电子设备1500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0239]
如图15所示，电子设备1500以通用计算设备的形式表现。电子设备1500的组件可以包括但不限于：上述至少一个处理单元1510、上述至少一个存储单元1520、连接不同系统组件(包括存储单元1520和处理单元1510)的总线1530、显示单元1540。
[0240]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1510执行，使得所述处理单元1510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
[0241]
存储单元1520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)1521和/或高速缓存存储单元1522，还可以进一步包括只读存储单元(rom)1523。
[0242]
存储单元1520还可以包括具有一组(至少一个)程序模块1525的程序/实用工具1524，这样的程序模块1525包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0243]
总线1530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0244]
电子设备1500也可以与一个或多个外部设备1700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1500交互的设备通信，和/或与使得该电子设备1500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1550进行。并且，电子设备1500还可以通过网络适配器1560与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1560通过总线1530与电子设备1500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0245]
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
[0246]
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
[0247]
参考图16所示，描述了根据本发明的实施例的用于实现上述方法的程序产品1600，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0248]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0249]
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0250]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0251]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的
过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0252]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。