本发明涉及计算机技术及软件领域，尤其涉及一种基于销售毛利置换效率的价值定位的方法、装置及系统。
背景技术：
电子商务相对于传统行业而言，价格透明度更高，这对电商经营者而言，既是优势又是挑战。由于巩固市场竞争力，提高利润水平的需要，为商品进行科学的价值定位显得尤为重要。在品类丰富、商品数量繁多的电商时代，人工管理商品，难以数字化和精细化。如何为商品进行科学的价值定位，实现以最少的销售损失，换取最多的毛利增长，或者以最少的毛利损失，换取最多的销售增长，是电商经营者日常权衡的难点。
为商品进行科学的价值定位落实到执行层面，可以简单概括为对商品进行分类，即将商品按照销售情况或销售潜力等的不同加以区分。现有的商品分类的方法，主要是利用商品的销量和点击量将商品分别划分为a/b/c/d/e/f六档，此六档可称为“销量band”和“点击量band”。其中，从a到f重要程度依次降低。
例如，根据商品点击量由高到低划分为不同的点击量band：
a、sku流量排名前[0％～20％]；
b、sku流量排名前(20％-40％]；
c、sku流量排名前(40％-60％]；
d、sku流量排名前(60％-80％]；
e、sku流量排名前(80％-100％]；
f、sku流量无排名。
或是根据商品销量由高到低划分为不同的销量band：
a、sku销量排名前[0％～20％]；
b、sku销量排名前(20％-40％]；
c、sku销量排名前(40％-60％]；
d、sku销量排名前(60％-80％]；
e、sku销量排名前(80％-100％]；
f、sku销量无排名。
但是现有技术的商品价值定位的方法存在一些缺陷：
1、仅考虑了销量或者点击量的单维度数据，缺乏对海量数据的多维度分析。鉴于商品的价值可体现在多个方面，仅通过单维度的销量或者点击量对商品重要程度进行划分并不充分；
2、某些商品的关注度或者需求量本身可能并不大，但可能存在很大的gmv(即成交总额)潜力和毛利潜力。现有技术没有针对历史数据的多维度数学计算，也没有实现针对复杂数学计算结果的制图的分析，不能直观地发现数据和图形规律，从而忽略了商品本身的销售潜力。
技术实现要素：
有鉴于此，本发明提供一种基于销售毛利置换效率的价值定位的方法、装置及系统，能够基于商品的价格弹性和销售毛利置换效率对商品进行分类，实现对商品的科学的价值定位。
为实现上述目的，根据本发明的一个方面，提供了一种基于销售毛利置换效率的价值定位的方法。
本发明的一种基于销售毛利置换效率的价值定位的方法包括：获取商品历史交易数据；根据所述商品历史交易数据拟合需求函数，计算商品的价格弹性；根据所述价格弹性，计算所述商品的销售毛利置换效率，所述销售毛利置换效率是指所述商品在当前价格下，gmv变化1％时，相应的毛利变化率；利用所述销售毛利置换效率对所述商品进行价值定位。
可选地，所述商品历史交易数据包括：商品订单信息、商品价格信息、商品库存信息、商品品牌信息、商品品类信息以及商品点击率信息。
可选地，所述方法还包括：在获取商品历史交易数据之后，对所述商品历史交易数据进行预处理，以剔除异常数据。
可选地，根据所述商品历史交易数据拟合需求函数，计算商品的价格弹性还包括：利用r语言，根据所述商品历史交易数据获取所述需求函数中的变量值，所述变量值包括：商品预设周期内的销售数据、成交价、预设周期内的库存信息以及销售趋势；以及根据所述变量值，拟合需求函数，得到各变量的系数以及商品的价格弹性。
可选地，根据所述价格弹性，计算所述商品的销售毛利置换效率包括：利用r语言，根据价格弹性的定义，获取由价格弹性表示的销量、毛利、gmv的表达式；以及将所述销量、毛利、gmv的表达式分别带入销售毛利置换效率的计算公式中，求得商品在当前价格下的销售毛利置换效率。
可选地，利用所述销售毛利置换效率对所述商品进行价值定位包括：根据所述销售毛利置换效率的大小，判断所述商品属于gmv和毛利同时提升型、gmv提升型、毛利提升型、提升不明显型四类中的哪一类。
可选地，利用所述销售毛利置换效率对所述商品进行价值定位还包括：若所述销售毛利置换效率大于等于0，则所述商品属于gmv和毛利同时提升型；若所述销售毛利置换效率小于0且大于等于-1，则所述商品属于gmv提升型；若所述销售毛利置换效率小于-1且大于等于-5，则所述商品属于提升不明显型；若所述销售毛利置换效率小于-5，则所述商品属于毛利提升型。
可选地，所述方法还包括：根据所述销售毛利置换效率，确定商品的定价策略，以最大化商品的销售和毛利。
为实现上述目的，根据本发明的另一方面，提供了一种基于销售毛利置换效率的价值定位的装置。
本发明的一种基于销售毛利置换效率的价值定位的装置包括：获取模块，用于获取商品历史交易数据；价格弹性计算模块，用于根据所述商品历史交易数据拟合需求函数，计算商品的价格弹性；销售毛利置换效率计算模块，用于根据所述价格弹性，计算所述商品的销售毛利置换效率，所述销售毛利置换效率是指所述商品在当前价格下，gmv变化1％时，相应的毛利变化率；价值定位模块，用于利用所述销售毛利置换效率对所述商品进行价值定位。
可选地，所述商品历史交易数据还包括：商品订单信息、商品价格信息、商品库存信息、商品品牌信息、商品品类信息以及商品点击率信息。
可选地，所述获取模块还用于：在获取商品历史交易数据之后，对所述商品历史交易数据进行预处理，以剔除异常数据。
可选地，所述价格弹性计算模块还用于：利用r语言，根据所述商品历史交易数据获取所述需求函数中的变量值，所述变量值包括：商品预设周期内的销售数据、成交价、预设周期内的库存信息以及销售趋势；以及根据所述变量值，拟合需求函数，得到各变量的系数以及商品的价格弹性。
可选地，所述销售毛利置换效率计算模块还用于：利用r语言，根据价格弹性的定义，获取由价格弹性表示的销量、毛利、gmv的表达式；以及将所述销量、毛利、gmv的表达式分别带入销售毛利置换效率的计算公式中，求得商品在当前价格下的销售毛利置换效率。
可选地，所述价值定位模块还用于：根据所述销售毛利置换效率的大小，判断所述商品属于gmv和毛利同时提升型、gmv提升型、毛利提升型、提升不明显型四类中的哪一类。
可选地，价值定位模块还用于：若所述销售毛利置换效率大于等于0，则所述商品属于gmv和毛利同时提升型；若所述销售毛利置换效率小于0且大于等于-1，则所述商品属于gmv提升型；若所述销售毛利置换效率小于-1且大于等于-5，则所述商品属于提升不明显型；若所述销售毛利置换效率小于-5，则所述商品属于毛利提升型。
可选地，所述装置还包括：定价模块，用于根据所述销售毛利置换效率，确定商品的定价策略，对商品进行价格调整，以最大化商品的销售和毛利。
为实现上述目的，根据本发明的再一方面，提供了一种基于销售毛利置换效率的价值定位的系统。
本发明的一种基于销售毛利置换效率的价值定位的系统包括存储器和处理器，其中：所述存储器用于存储指令；所述处理器用于根据所述指令执行本发明的基于销售毛利置换效率的价值定位的方法。
根据本发明的技术方案，通过基于海量商品历史交易数据，包括订单数据和商品属性数据等进行分析，构建多因素计量经济学模型，并通过利用利用r语言实现复杂的数据计算和制图分析，发现销售毛利的置换关系，并计算得出商品的销售毛利置换效率，从而发现商品在当前价格下的差异化价值和潜力，实现对商品的科学的价值定位；通过在获取到商品历史交易数据之后，对数据进行预处理，剔除异常数据，从而可以提高利用r语言进行数据计算的效率；通过利用销售毛利置换效率判断销售置换毛利提升的效率和毛利置换销售提升的效率，权衡商品的销售目标应该是销售还是毛利，从而可以及时调整定价策略，使得商品物尽其用，最大化整体销售和毛利水平。上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的基于销售毛利置换效率的价值定位的方法的主要步骤的示意图；
图2是根据本发明实施例的基于销售毛利置换效率的价值定位的方法的主要流程的示意图；
图3a-图3d是本发明实施例的基于销售毛利置换效率的价值定位的方法中商品的gmv和毛利随价格变化的曲线示意图；
图4是本发明实施例的基于销售毛利置换效率的价值定位的方法中各类型商品相应的定价策略的示意图；
图5是根据本发明实施例的基于销售毛利置换效率的价值定位的装置的主要模块的示意图；
图6是根据本发明实施例的基于销售毛利置换效率的价值定位的系统的主要部分的示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本发明实施例的技术方案中，基于海量订单数据和商品属性数据的分析，得到商品的价格弹性和销售毛利置换效率，得到商品当前价格下的gmv(即grossmerchandisevolume，是一定时间段内成交总额的意思，实际指的是拍下订单金额，包含付款和未付款的部分)和毛利提升潜力，对商品进行差异化价值定位，将众多商品划分为四类：gmv和毛利同时提升型；gmv提升型；毛利提升型；提升不明显型。
另外，本发明实施例的技术方案中，还利用r实现了复杂的数据计算，并通过r语言制图发现了销售毛利的置换关系，以此分析销售置换毛利提升的效率和毛利置换销售提升的效率，权衡商品的销售目标是销售还是毛利，使得商品物尽其用，最大化整体销售和毛利水平。
图1是根据本发明实施例的基于销售毛利置换效率的价值定位的方法的主要步骤的示意图。
如图1所示，本发明实施例的基于销售毛利置换效率的价值定位的方法主要包括如下步骤：
步骤s11：获取商品历史交易数据。本发明实施例中，商品历史交易数据主要包括电子商务中一定时间内(例如近两年)的交易数据，包括商品表、订单表、流量表和促销表等数据，主要可涵盖：商品订单信息、商品价格信息、商品库存信息、商品品牌信息、商品品类信息以及商品点击率信息等。
步骤s12：根据商品历史交易数据拟合需求函数，计算商品的价格弹性。获取商品历史交易数据后，就可以获取商品的各类信息，然后通过拟合需求函数，可以计算得出各商品的价格弹性。
通过拟合需求函数计算商品的价格弹性具体可包括如下操作：利用r语言(r是用于统计分析、绘图的语言和操作环境。r是属于gnu系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具)，根据所述商品历史交易数据获取所述需求函数中的变量值，所述变量值包括：商品预设周期内的销售数据、成交价、预设周期内的库存信息以及销售趋势；以及根据所述变量值，拟合需求函数，得到各变量的系数以及商品的价格弹性。
其中，为了保障计算的准确性和有效性，本发明实施例的基于销售毛利置换效率的价值定位的方法还可包括：在获取商品历史交易数据之后，对商品历史交易数据进行预处理，以剔除异常数据。
在步骤s12完成价格弹性的计算之后，从步骤s13开始进行商品价值定位的相关处理。
步骤s13：根据价格弹性，计算商品的销售毛利置换效率，商品的销售毛利置换效率是指商品在当前价格下，gmv变化1％时，相应的毛利变化率。
计算商品的销售毛利置换效率的过程大致如：利用r语言，根据价格弹性的定义，获取由价格弹性表示的销量、毛利、gmv的表达式；以及将所述销量、毛利、gmv的表达式分别带入销售毛利置换效率的计算公式中，求得商品在当前价格下的销售毛利置换效率。
步骤s14：利用销售毛利置换效率对所述商品进行价值定位。本发明实施例中，进行商品的价值定位可包括：根据所述销售毛利置换效率的大小，判断所述商品属于gmv和毛利同时提升型、gmv提升型、毛利提升型、提升不明显型四类中的哪一类。
例如根据前面计算出的销售毛利置换效率的值，若所述销售毛利置换效率大于等于0，则所述商品属于gmv和毛利同时提升型；若所述销售毛利置换效率小于0大于等于-1，则所述商品属于gmv提升型；若所述销售毛利置换效率小于-1大于等于-5，则所述商品属于提升不明显型；若所述销售毛利置换效率小于-5，则所述商品属于毛利提升型。当然，用于区分不同价值定位的销售毛利置换效率值的范围，并不是随意划定。销售毛利置换效率的值的大小，一定程度上反应了该商品在当前价格下的gmv和毛利潜力，根据gmv和毛利潜力的不同，商品相应的可区分为不同的价值定位类型。
此外，本发明实施例的基于销售毛利置换效率的价值定位的方法还可包括：根据所述销售毛利置换效率，确定商品的定价策略，以最大化商品的销售和毛利。根据商品的销售毛利置换效率的物理意义，即销售毛利置换效率是指商品在当前价格下，gmv变化1％时，相应的毛利变化率，可以得出，商品的销售毛利置换效率可反映当前价格下商品的gmv和毛利提升潜力。因此，可根据商品的销售毛利置换效率的属性值，决定商品的定价策略。具体定价策略将在下文中予以阐释。
如前所述，本发明实施例的技术方案中，最关键的环节是得到商品在当前价格下的销售毛利置换效率，如此才能进行科学的价值定位。本发明实施例中，以γ(gamma，即伽马)表示销售毛利置换效率，则γ的计算流程主要包括：
(1)获取数据：从数据集市等中获取商品历史(例如可以但不限于是近两年)交易数据，从而获取诸如商品订单信息、价格信息、库存信息、品牌信息、品类信息和点击率信息等数据；
(2)数据预处理，剔除异常值：本发明实施例中，可采用稳健回归(统计学稳健估计中的一种方法，其主要思路是将对异常值十分敏感的经典最小二乘回归中的目标函数进行修改)方法，过滤掉残差在均值2倍标准差之外的记录；剔除少于30条数据的sku；
(3)拟合需求函数，输出价格弹性；
(4)基于价格弹性得到的量价关系，制图得到销售毛利置换的规律，得到销售毛利置换效率γ。
图2是根据本发明实施例的基于销售毛利置换效率的价值定位的方法的主要流程的示意图。图3a-图3d是本发明实施例的基于销售毛利置换效率的价值定位的方法中商品的gmv和毛利随价格变化的曲线示意图。
以下结合图2、图3a-图3d，对本发明实施例的基于销售毛利置换效率的价值定位的方法的主要流程进行详细介绍。
1、随着数据存储技术的不断发展，通常情况下，电商平台会将商品历史数据保存在数据仓库、数据集市等大数据平台。因此，本发明实施例中，以数据存储在数据集市为例，进行举例说明。
使用hive等查询语言在大数据平台查询商品表、订单表、流量表和促销表，获取商品近两年的交易数据，大致涵盖商品的订单信息、价格信息、库存信息、品牌信息、品类信息和点击率信息。然后使用hivesql将商品历史数据加工处理成数据中间表skudaily。
2、使用hivesql读取数据中间表skudaily的数据，生成csv文件，并传送到安装了r、python和hive安装包的服务器上。
3、在服务器上用r和python，分别进行数据的预处理，过滤异常值，计算价格弹性(以下以“ε”表示，即epsilon，艾普西隆)和销售毛利置换效率γ。其中，python负责通过联结各模块，以获取各类数据，r负责进行数据的计算，包括数据预处理、计算价格弹性以及销售毛利置换效率：
1)过滤异常值：
采用稳健回归，过滤掉残差在均值2倍标准差之外的记录；剔除少于30条数据的sku。
2)计算价格弹性的r脚本的计算逻辑：
筛选出影响销量的重要因素：价格、库存、节假日和自然增长；
按天和/或周统计商品的销量数据q；
计算商品的成交价p：成交价＝商品详情页价格-促销-返现和返利；
按天和/或周汇总库存信息stock；
判断商品的销量趋势trend：销量趋势＝节假日影响+自然增长；
拟合需求函数：
3)计算销售毛利置换比的r脚本计算逻辑：
销售毛利置换效率指标γ的物理意义为gmv变化1％时，相应的毛利变化。由价格弹性的概念：
如前所述，可利用r统计分析软件可以用来制图。本发明实施例中，可利用r软件绘制商品的gmv和毛利随价格变化的曲线，如图3a-图3d所示。其中，图中两条曲线分别表示gmv随价格的变化曲线以及毛利gp随价格的变化曲线，虚线表示当前价格的位置。观察图形变化趋势可知：
图3a中，当前价格若降价，gmv和毛利曲线均上升，即gmv和毛利均提升；
图3b中，当前价格若涨价，毛利上升而gmv下降，但毛利增长率高于gmv降低率，即较少的gmv损失可以置换较多的毛利增长，有明显的毛利提升空间；
图3c中，当前价格若降价，gmv上升而毛利下降，但gmv的增长率高于毛利降低率，即较少的毛利损失可以置换较多的gmv增长，有明显的gmv提升空间；
图3d中，当前价格无论涨价还是降价，gmv和毛利的变化趋势相反且变化率相近，不具有明显的gmv或者毛利提升空间。
基于图形观察到的结果可知，可以用毛利变化率和gmv变化率的比值来衡量当前价格下的销售毛利置换效率。
即销售毛利置换效率γ的计算公式为
4、将价格弹性、销售毛利置换效率存储到大数据平台，形成闭环。
根据上述流程求出销售毛利置换效率指标，可以有效地衡量商品在当前价格下的gmv和毛利提升潜力。例如：当γ＝-5时，表示该商品在原价格p0附近，通过调高价格使gmv降低1％时，毛利上升5％；或者通过调低价格使毛利下降5％，才能换取gmv增长1％。此类商品，毛利置换销售额的效率较高，具有较强的毛利提升能力。
经过计算分析可知，根据γ所属的范围，可以区分商品的价值定位类型。
当γ大于等于0时，该商品能够通过调价同时提升gmv和毛利，商品属于gmv和毛利同时提升型。
当γ小于0时，gmv和毛利二者冲突，需考虑两者的置换效率：
当γ大于-1且小于0时，该商品能够用较少的毛利损失换取较多的gmv增长，说明该商品具有较高的gmv提升能力，商品属于gmv提升型；
当γ小于-1大于-5，冲gmv、毛利均可，无论涨价或降价，gmv、毛利额均反向变动且变化速度相似，商品属于提升不明显型；
当γ小于-5时，该商品能够用较少的gmv损失换取较多的毛利提升，说明该商品具有较高的毛利提升能力，商品属于毛利提升型。
至此，完成了根据商品的销售毛利置换效率对商品的价值定位。
鉴于根据商品的销售毛利置换效率指标，可衡量商品在当前价格下，以销售损失置换毛利增长更合适还是以毛利损失置换销售增长更高效。因此，本发明实施例中，还可以进一步利用销售毛利置换效率调整商品的定价策略。通过影响定价策略，可最大化销售和/或毛利水平，获得整体gmv和毛利最优。不同提升类型对应的定价策略如图4所示。
其中：图4的横轴是毛利率gp/gmv，指单个sku的毛利水平，纵轴是价格弹性。然后根据商品的毛利率和价格弹性的数值，利用γ的计算公式在excel中绘制得出，并根据γ值范围将图表划分为多个区域：
a/a’区：γ属于大于等于0的区间，按gmv、毛利额双增方向调节价格；
b/c/d区：γ属于小于0的区间，gmv和毛利额反向运动，按置换高效方向调节价格：
由c区向b区的方向上：同等gmv下降，置换更多毛利额；
由c区向d区的方向上：同等毛利额下降，置换更多gmv。
具体定价逻辑如下：得到销售毛利置换效率后，就可知商品的定价目标是毛利还是销售，有了定价目标，再根据定价约束(毛利率、调价幅度)，构建一个运筹学模型，从而求得最优价格p，最优价格p可以销售毛利置换效率γ以及价格弹性ε一起，保存在大数据平台中。
运筹学模型如下：模型＝目标+决策变量+约束，其中，目标为最大化gmv和/或毛利和/或销量；决策变量为商品价格；定价约束可以是单位毛利、调价幅度、调价后销量、gmv以及毛利的最低要求等。
根据本发明实施例的基于销售毛利置换效率的价值定位的方法可以看出，通过基于海量商品历史交易数据，包括订单数据和商品属性数据等进行分析，构建多因素计量经济学模型，并通过利用利用r语言实现复杂的数据计算和制图分析，发现销售毛利的置换关系，并计算得出商品的销售毛利置换效率，从而发现商品在当前价格下的差异化价值和潜力，实现对商品的科学的价值定位；通过在获取到商品历史交易数据之后，对数据进行预处理，剔除异常数据，从而可以提高利用r语言进行数据计算的效率；通过利用销售毛利置换效率判断销售置换毛利提升的效率和毛利置换销售提升的效率，权衡商品的销售目标应该是销售还是毛利，从而可以及时调整定价策略，使得商品物尽其用，最大化整体销售和毛利水平。
图5是根据本发明实施例的基于销售毛利置换效率的价值定位的装置的主要模块的示意图。
如图5所示，本发明实施例的一种基于销售毛利置换效率的价值定位的装置50包括如下模块：获取模块501、价格弹性计算模块502、销售毛利置换效率计算模块503以及价值定位模块504。其中：获取模块501用于获取商品历史交易数据；价格弹性计算模块502用于根据所述商品历史交易数据拟合需求函数，计算商品的价格弹性；销售毛利置换效率计算模块503用于根据所述价格弹性，计算所述商品的销售毛利置换效率，所述销售毛利置换效率是指所述商品在当前价格下，gmv变化1％时，相应的毛利变化率；价值定位模块504用于利用所述销售毛利置换效率对所述商品进行价值定位。
本发明实施例中，商品历史交易数据还可包括：商品订单信息、商品价格信息、商品库存信息、商品品牌信息、商品品类信息以及商品点击率信息。
获取模块501还可用于：在获取商品历史交易数据之后，对所述商品历史交易数据进行预处理，以剔除异常数据。
价格弹性计算模块502还可用于：利用r语言，根据所述商品历史交易数据获取所述需求函数中的变量值，所述变量值包括：商品预设周期内的销售数据、成交价、预设周期内的库存信息以及销售趋势；以及根据所述变量值，拟合需求函数，得到各变量的系数以及商品的价格弹性。
销售毛利置换效率计算模块503还可用于：利用r语言，根据价格弹性的定义，获取由价格弹性表示的销量、毛利、gmv的表达式；以及将所述销量、毛利、gmv的表达式分别带入销售毛利置换效率的计算公式中，求得商品在当前价格下的销售毛利置换效率。
价值定位模块504还可用于：根据所述销售毛利置换效率的大小，判断所述商品属于gmv和毛利同时提升型、gmv提升型、毛利提升型、提升不明显型四类中的哪一类。
价值定位模块504还可用于：若所述销售毛利置换效率大于等于0，则所述商品属于gmv和毛利同时提升型；若所述销售毛利置换效率小于0大于等于-1，则所述商品属于gmv提升型；若所述销售毛利置换效率小于-1大于等于-5，则所述商品属于提升不明显型；若所述销售毛利置换效率小于-5，则所述商品属于毛利提升型。
此外，装置50还包括：定价模块(图中未示出)，用于根据所述销售毛利置换效率，确定商品的定价策略，对商品进行价格调整，以最大化商品的销售和毛利。
图6是根据本发明实施例的基于销售毛利置换效率的价值定位的系统的主要部分的示意图。
如图6所示，一种基于销售毛利置换效率的价值定位的系统60包括存储器601和处理器602，其中：存储器601用于存储指令；处理器602用于根据所述指令执行本发明实施例的基于销售毛利置换效率的价值定位的方法。
从以上描述可以看出，通过基于海量商品历史交易数据，包括订单数据和商品属性数据等进行分析，构建多因素计量经济学模型，并通过利用利用r语言实现复杂的数据计算和制图分析，发现销售毛利的置换关系，并计算得出商品的销售毛利置换效率，从而发现商品在当前价格下的差异化价值和潜力，实现对商品的科学的价值定位；通过在获取到商品历史交易数据之后，对数据进行预处理，剔除异常数据，从而可以提高利用r语言进行数据计算的效率；通过利用销售毛利置换效率判断销售置换毛利提升的效率和毛利置换销售提升的效率，权衡商品的销售目标应该是销售还是毛利，从而可以及时调整定价策略，使得商品物尽其用，最大化整体销售和毛利水平。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。