用车类型的预测方法及装置与流程

本发明涉及互联网
技术领域：
，尤其涉及一种用车类型的预测方法及装置。
背景技术：
：随着互联网技术的发展，利用智能终端进行线上叫车成为发展潮流。而根据用车类型的不同，叫车平台为每一叫车类型提供相应的下单端口，以供用户在相应的下单界面进行下单。在现有技术中，为了便于用户快速发单，叫车平台会对用户本次所需的用车类型进行预测，并将界面跳转至相应的下单界面，以缩减用户在切换下单界面所花费的时间。但是，现有的对用车类型的预测是根据用户上一订单中的用车类型确定的，在实际应用中，这样的预测方式的准确率偏低。一旦预测不准，用户还需要对当前下单界面进行切换，发单时间反而有所增加。技术实现要素：针对上述提及的现有技术中对用车类型预测的准确率低，从而造成的发单效率低的问题，本发明提供了一种用车类型的预测方法及装置。一方面，本发明提供的一种用车类型的预测方法，包括：获取用户的历史订单信息，其中所述历史订单信息中包括有用户的各用车类型的用车时间和/或用车地点；根据所述历史订单信息建立预测模型，并根据所述预测模型对当前时间和/或当前地点下的用车类型进行预测。在其中一种可选的实施方式中，所述根据所述历史订单信息建立预测模型，并根据所述预测模型对当前时间和/或当前地点下的用车类型进行预测，包括：对所述历史订单信息中的每一用车类型，分别根据对应的用车时间和/或各用车地点进行聚类分解，获得各用车类型对应的混合高斯模型；根据各混合高斯模型，确定当前时间和/或当前地点下的各用车类型的概率密度值；根据所述各用车类型的概率密度值预测用车类型。在其中一种可选的实施方式中，根据所述各用车类型的概率密度值预测用车类型，包括：根据预设的贝叶斯模型和所述各用车类型的概率密度值，计算各用车类型的第一概率；将各第一概率中概率值最高的用车类型作为预测获得的用车类型。在其中一种可选的实施方式中，所述将各第一概率中概率值最高的用车类型作为预测获得的用车类型包括：确定各第一概率中概率值最高的用车类型，并判断该用车类型的概率值是否大于等于第一预设阈值；若是，则将该用车类型作为预测获得的用车类型并输出。在其中一种可选的实施方式中，所述对所述历史订单信息中的每一用车类型，分别根据对应的用车时间和/或各用车地点进行聚类分解，获得各用车类型对应的混合高斯模型之前，还包括：统计历史订单信息中的每一用车类型的次数，并建立马尔科夫模型；将历史订单信息中的上一次用车类型输入至所述马尔科夫模型，获得各用车类型的第二概率；确定各第二概率中概率值最高的用车类型，并判断该用车类型的概率值是否大于等于第二预设阈值；若是，则将该用车类型作为预测获得的用车类型并输出；否则，执行所述对所述历史订单信息中的每一用车类型，分别根据对应的用车时间和/或各用车地点进行聚类分解，获得各用车类型对应的混合高斯模型的步骤。另一方面，本发明提供的一种用车类型的预测装置，包括：信息获取模块，用于获取用户的历史订单信息，其中所述历史订单信息中包括有用户的各用车类型的用车时间和/或用车地点；预测模块，用于根据所述历史订单信息建立预测模型，并根据所述预测模型对当前时间和/或当前地点下的用车类型进行预测。在其中一种可选的实施方式中，所述预测模块具体用于：对所述历史订单信息中的每一用车类型，分别根据对应的用车时间和/或各用车地点进行聚类分解，获得各用车类型对应的混合高斯模型；根据各混合高斯模型，确定当前时间和/或当前地点下的各用车类型的概率密度值；根据所述各用车类型的概率密度值预测用车类型。在其中一种可选的实施方式中，所述预测模块，具体用于：根据预设的贝叶斯模型和所述各用车类型的概率密度值，计算各用车类型的第一概率；将各第一概率中概率值最高的用车类型作为预测获得的用车类型。在其中一种可选的实施方式中，所述预测模块，具体用于：确定各第一概率中概率值最高的用车类型，并判断该用车类型的概率值是否大于等于第一预设阈值；若是，则将该用车类型作为预测获得的用车类型并输出。在其中一种可选的实施方式中，所述预测模块，在对所述历史订单信息中的每一用车类型，分别根据对应的用车时间和/或各用车地点进行聚类分解，获得各用车类型对应的混合高斯模型之前，还用于：统计历史订单信息中的每一用车类型的次数，并建立马尔科夫模型；将历史订单信息中的上一次用车类型输入至所述马尔科夫模型，获得各用车类型的第二概率；确定各第二概率中概率值最高的用车类型，并判断该用车类型的概率值是否大于等于第二预设阈值；若是，则将该用车类型作为预测获得的用车类型并输出；否则，执行所述对所述历史订单信息中的每一用车类型，分别根据对应的用车时间和/或各用车地点进行聚类分解，获得各用车类型对应的混合高斯模型的步骤。本发明提供的用车类型的预测方法及装置，通过采用获取用户的历史订单信息，根据该历史订单信息中的各用车类型的用车时间和/或用车地点等信息建立预测模型，并根据预测模型对当前时间和/或当前地点下的用车类型进行预测，从而可获得预测的用车类型。由于该用户类型是利用预测模型和历史订单信息获取的，其相对于现有技术来说，预测的准确率得到了有效提升，进而使得叫车平台利用该预测获得的用车类型所切换的下单界面与用户的实际需求匹配，缩减用户发单时间，提高发单效率。附图说明图1为本发明实施例一提供的一种用车类型的预测方法的流程示意图；图2为本发明实施例二提供的一种用车类型的预测方法的流程示意图；图3a为本发明实施例二提供的历史订单信息对应的出租车频率的示意图；图3b为本发明实施例二提供的历史订单信息对应的快车频率的示意图；图4为本发明实施例三提供的一种用车类型的预测方法的流程示意图；图5为本发明提供的一种用车类型的预测装置的结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。随着互联网技术的发展，利用智能终端进行线上叫车成为发展潮流。伴随着叫车业务持续发展，用户在叫车平台上有着多种可供选择的用车类型，举例来说：出租车、快车、专车、顺风车、租车等等。在现有技术中，由于每种用车类型的计费机制和叫车机制的差异，不同的用车类型有着不同的下单界面。而为了便于用户快速下单或快速发单，当用户打开叫车平台或触发叫车平台的叫车界面时，叫车平台会对用户本次可能的用车类型进行预测，并切换至预测的用车类型对应的下单界面以供用户快速下单。但是，现有的对用户本次可能的用车类型的预测时根据用户上一订单的用车类型确定的。以用户上一订单为“快车”为例，当用户打开叫车平台时，叫车平台界面将直接切换至“快车”的下单界面，这样的方式在很大程度上与用户的实际需求不符，即一旦用户本次用车类型不为“快车”，其还需推出该下单界面并切换至其他下单界面进行下单操作，其发单效率反而较低。因此，如何提要预测的准确率，以使本次预测获得的用车类型与用户实际用车类型尽可能相符，以提高发单效率成为亟待解决的技术问题。针对上述提及的现有技术中对用车类型预测的准确率低，从而造成的发单效率低的问题，本发明提供了一种用车类型的预测方法，图1为本发明实施例一提供的一种用车类型的预测方法的流程示意图。如图1所示，该预测方法包括：步骤101、获取用户的历史订单信息，其中历史订单信息中包括有用户的各用车类型的用车时间和/或用车地点。步骤102、根据历史订单信息建立预测模型，并根据预测模型对当前时间和/或当前地点下的用车类型进行预测。需要说明的是，本发明提供的用车类型的预测方法的执行主体具体可为用车类型的预测装置，该预测装置可通过硬件和/或软件的方式实现。一般可集成于叫车平台所基于的云端服务器中，与叫车平台所基于的存放有各类数据库的数据服务器配合使用，此外，预测装置所基于的服务器可与数据服务器为同一服务器，或者为隶属于同一服务器集群的不同服务器，本发明对此均不进行限制。在本实施例中，历史订单信息是指用户通过叫车平台已完成的用车服务。该用车服务可能包括有通过实时叫车或预约叫车等叫车方式进行的针对于出租车、快车、专车、顺风车、租车、拼车等用车类型的服务。历史订单信息中具体可包括用户每一个订单的用车类型、用车时间和/或用车地点，此外，订单信息中还可能包括有订单编号、交易金额等等。进一步的，用车时间可具体为订单发起时间、订单结束时间、订单等待时间等等。用车地点则可包括有起始点、终止点等等。由于历史订单信息中包括有多种信息，通过对这些信息的分析可获知用户的在对用车类型的选择上的行为规律，即在一些特定场景下的用车类型的使用概率。举例来说，在某一用户的历史订单信息中，周一至周五发出的订单绝大多数为出租车这一用车类型，而周六和周日发出的订单绝大多数为快车这一用车类型，而通过在用车时间维度上对该用户的行为规律进行分析可知，该用户在工作日的用车类型为出租车的概率比较大，该用户在节假日的用车类型为快车的概率比较大。再例如，在某一用户的历史订单信息中，用车地点为从某一写字楼作为初始地点的订单绝大多数为出租车这一用车类型，而用车地点为从某一小区的订单作为初始地点的订单绝大多数为快车这一用车类型，而通过在用车地点维度上对该用户的行为规律进行分析可知，该写字楼可能用户的工作地点，当用户从而工作地点出发去往其他目的地时，所需的用车类型为出租车的概率比较大，该小区可能为用户的家的所在地，当用户从家中出发去往其他目的地时，所需的用车类型为快车的概率比较大。当然，还可同时针对用车时间维度和用车地点维度对用户的行为规律进行综合分析，以获取用户在特定场景下的用车类型的使用概率。因此，可通过数学模型对该用户行为规律进行表示并构建相应的预测模型以实现对用户用车类型的预测，该预测模型可包括但不限于马尔科夫模型、高斯模型、混合高斯模型、贝叶斯模型等其中一种模型或多种模型。其中，该预测模型可用于根据当前用车时间和/或当前用车地点确定与当前场景类似的历史场景，并找到在历史场景下的用车类型作为预测获得的用车类型。本发明实施例一提供的用车类型的预测方法，通过采用获取用户的历史订单信息，根据该历史订单信息中的各用车类型的用车时间和/或用车地点等信息建立预测模型，并根据预测模型对当前时间和/或当前地点下的用车类型进行预测，从而可获得预测的用车类型。由于该用户类型是利用预测模型和历史订单信息获取的，其相对于现有技术来说，预测的准确率得到了有效提升，进而使得叫车平台利用该预测获得的用车类型所切换的下单界面与用户的实际需求匹配，缩减用户发单时间，提高发单效率。在实施例一的基础上，图2为本发明实施例二提供的一种用车类型的预测方法的流程示意图。如图2所示，该预测方法包括：步骤201、获取用户的历史订单信息，其中历史订单信息中包括有用户的各用车类型的用车时间和/或用车地点。步骤202、对历史订单信息中的每一用车类型，分别根据对应的用车时间和/或各用车地点进行聚类分解，获得各用车类型对应的混合高斯模型。步骤203、根据各混合高斯模型，确定当前时间和/或当前地点下的各用车类型的概率密度值。步骤204、根据各用车类型的概率密度值预测用车类型。在本实施例二中，与实施例一类似的是，历史订单信息是指用户通过叫车平台已完成的用车服务。该用车服务可能包括有通过实时叫车或预约叫车等叫车方式进行的针对于出租车、快车、专车、顺风车、租车、拼车等用车类型的服务。历史订单信息中具体可包括用户每一个订单的用车类型、用车时间和/或用车地点，此外，订单信息中还可能包括有订单编号、交易金额等等。进一步的，用车时间可具体为订单发起时间、订单结束时间、订单等待时间等等。用车地点则可包括有起始点、终止点等等。而与实施例一不同的是，本实施例二提供了一种对用户类型进行预测的具体实施方式。在本实施例二中，针对历史订单信息中的每一用车类型，可分别根据其对应的用车时间和/或各用车地点进行聚类分解，获得各用车类型对应的混合高斯模型,下面将以对用车时间进行聚类分解为例进行说明。表1为某一用户的历史订单信息，图3a为本发明实施例二提供的历史订单信息对应的出租车频率的示意图，图3b为本发明实施例二提供的历史订单信息对应的快车频率的示意图，以表1和图3a和图3b为例，可首先对表1中的历史订单信息进行处理，以提取时刻，随后将用车类型与时刻进行对应以得到图3a和图3b所示的直方图，通过直方图可清晰的获知，该用户的出租车的使用集中在中午12点附近，而快车的使用频率有两个峰值分别出现在7点和下午18点。因此，对于该用户的用车时间这一维度来讲，出租车的聚类分解的结果为用车时间的聚类中心为12点，而快车的聚类分解结果为用车时间的聚类中心为7点和18点。随后，可利用该聚类中心确定以各中心为中心的高斯分布，即针对于出租车这一用车类型来说，其对应着中心为12点的高斯模型，而针对于快车这一用车类型来说，其对应着中心为7点和中心为18点的两个高斯分布所叠加而成的混合高斯模型。表1其中，上述的基于用车时间建立混合高斯模型具体可采用多种方式实现，在其中一种方式中，可通过将时刻进行向量化并计算各时刻对应的均值和方差的方式，获得各用车类型的基于用车时间的混合高斯模型。上述方式仅以用车时间维度为例对本发明中的根据历史订单信息建立预测模型进行说明，在其他实施方式中，还可根据用车地点建立混合高斯模型，或同时根据用车时间以及用车地点建立混合高斯模型，在此不做赘述。当然，上述方式仅根据用车时间中的时刻这一参数，建立混合高斯模型，在其他方式中，还可根据用车时间中的日期参数、节假日属性参数等其他用车时间信息进行混合高斯模型的建立，用车地点也是类似。随后，可将当前时间代入各用车类型对应的混合高斯模型中，以获得在该当前时间下的各用户类型的概率密度值，并根据各概率密度值对用车类型的预测。通过采用上述的建立混合高斯模型以实现根据用户的历史订单信息对用户的用车类型进行预测，从而有效的提高了预测的准确性，以使叫车平台可利用该预测的用车类型将相应的叫车界面推送给用户，提高了用户发单效率。在上述实施方式的基础上，优选的，步骤204中的根据各用车类型的概率密度值预测用车类型，具体包括：根据预设的贝叶斯模型和各用车类型的概率密度值，计算各用车类型的第一概率；将各第一概率中概率值最高的用车类型作为预测获得的用车类型。具体来说，贝叶斯模型可用于表示用车类型的在各动态条件下的概率，其可理解为对用车类型发生概率的数学表达形式。因此，在本实施方式中，通过对各用车类型的概率密度值进行处理可计算获得各用车类型的第一概率，该第一概率表示了其对应的用车类型在当前用车时间和/或当前用车地点这一情况下的发生的可能性。因此，各第二概率中选取概率值最高的用车类型作为预测的用车类型，将进一步提高预测的准确度。更优地，为了使预测输出的用车类型与用户需求更为匹配，将各第一概率中概率值最高的用车类型作为预测获得的用车类型包括：确定各第一概率中概率值最高的用车类型，并判断该用车类型的概率值是否大于等于第一预设阈值；若是，则将该用车类型作为预测获得的用车类型并输出。具体来说，由于每个用户的历史订单信息的差异，上述的预测模型可能不适用于对某一类型的用户的用车类型的预测，例如订单数量少的用户。因此，通过设置第一预设阈值以对上述获得概率值最大的用车类型进行校验，并仅在该用车类型的概率值满足第一预设阈值时，才将该用车类型输出，否则，则可采用其他预测模型或现有中的方式输出预测的用车类型。当然，对于这部分的用户来说，一旦其历史订单信息足够支撑对其的预测模型的建立，其还可采用前述的方式进行预测。本发明实施例二提供的用车类型的预测方法，在实施例一的基础上，通过对历史订单信息的聚类分解，并结合混合高斯模型，以对用车类型进行有效预测，其预测准确率高。在实施例二的基础上，图4为本发明实施例三提供的一种用车类型的预测方法的流程示意图。如图4所示，该预测方法包括：步骤301、获取用户的历史订单信息，其中历史订单信息中包括有用户的各用车类型的用车时间和/或用车地点。步骤302、统计历史订单信息中的每一用车类型的次数，并建立马尔科夫模型。步骤303、将历史订单信息中的上一次用车类型输入至马尔科夫模型，获得各用车类型的第二概率。步骤304、确定各第二概率中概率值最高的用车类型，并判断该用车类型的概率值是否大于等于第二预设阈值。若是，则执行步骤305；若否，则执行步骤306。步骤305、将该用车类型作为预测获得的用车类型并输出。步骤306、对历史订单信息中的每一用车类型，分别根据对应的用车时间和/或各用车地点进行聚类分解，获得各用车类型对应的混合高斯模型。步骤307、根据各混合高斯模型，确定当前时间和/或当前地点下的各用车类型的概率密度值。步骤308、根据各用车类型的概率密度值预测用车类型。为了提高预测效率，本实施例三将马尔科夫模型和前述混合高斯模型进行了进一步混合，以使整个预测装置的预测效率得到提升，也使得预测装置可预测的用户范围得到进一步扩大。具体来说，首先如实施例一或实施例二中的，历史订单信息是指用户通过叫车平台已完成的用车服务。该用车服务可能包括有通过实时叫车或预约叫车等叫车方式进行的针对于出租车、快车、专车、顺风车、租车、拼车等用车类型的服务。历史订单信息中具体可包括用户每一个订单的用车类型、用车时间和/或用车地点，此外，订单信息中还可能包括有订单编号、交易金额等等。进一步的，用车时间可具体为订单发起时间、订单结束时间、订单等待时间等等。用车地点则可包括有起始点、终止点等等。随后，与前述实施例不同的是，在获取用户的历史订单信息之后，可先利用马尔科夫模型对该用户的用车类型进行预测：表2为某一用户的历史订单信息，统计该历史订单信息中的每一用车类型的次数，以得到如表3所示的统计矩阵。表2表3下次使用出租车下次使用快车上次使用出租车182上次使用快车20根据历史订单信息确定用户最近一次的用车类型，并根据最近一次的用车类型和上述的统计矩阵进行跳转矩阵的计算，得到预测的各用车类型的第二概率，即预测的快车的概率为0，预测的出租车的概率为1。随后，确定各第二概率中概率值最高的用车类型，并在该用车类型的概率值大于等于第二预设阈值时，将该用车类型作为预测获得的用车类型进行输出，否则，则利用如实施例二中的混合高斯模型进行用车类型的预测，在此不做赘述。在本实施方式中，如上述示例所示，针对于一些大量使用某单一用车类型的用户来说，通过马尔科夫模型可更有效的对这类用户进行预测，且相对于混合高斯模型来说其预测所需计算量也较小，有利于提高整个预测装置的处理效率。当然，本实施方式中相应设置了第二预设阈值，以使当发现马尔科夫模型不适用于用户的历史订单信息时，能够按照前述的混合高斯模型对该类用户的用车类型进行有效预测。图5为本发明提供的一种用车类型的预测装置的结构示意图，如图5所示，该预测结构，包括：信息获取模块10，用于获取用户的历史订单信息，其中历史订单信息中包括有用户的各用车类型的用车时间和/或用车地点。预测模块20，用于根据历史订单信息建立预测模型，并根据预测模型对当前时间和/或当前地点下的用车类型进行预测。其中该预测装置可通过硬件和/或软件的方式实现。一般可集成于叫车平台所基于的云端服务器中，与叫车平台所基于的存放有各类数据库的数据服务器配合使用，此外，预测装置所基于的服务器可与数据服务器为同一服务器，或者为隶属于同一服务器集群的不同服务器，本发明对此均不进行限制。在本实施例中，历史订单信息是指用户通过叫车平台已完成的用车服务。该用车服务可能包括有通过实时叫车或预约叫车等叫车方式进行的针对于出租车、快车、专车、顺风车、租车、拼车等用车类型的服务。而历史订单信息中具体可包括用户每一个订单的用车类型、用车时间和/或用车地点，此外，订单信息中还可能包括有订单编号、交易金额等等。进一步的，用车时间可具体为订单发起时间、订单结束时间、订单等待时间等等。用车地点则可包括有起始点、终止点等等。由于历史订单信息中包括有多种信息，通过对这些信息的分析可获知用户的在对用车类型的选择上的行为规律，即在一些特定场景下的用车类型的使用概率。举例来说，在某一用户的历史订单信息中，周一至周五发出的订单绝大多数为出租车这一用车类型，而周六和周日发出的订单绝大多数为快车这一用车类型，而通过在用车时间维度上对该用户的行为规律进行分析可知，该用户在工作日的用车类型为出租车的概率比较大，该用户在节假日的用车类型为快车的概率比较大。再例如，在某一用户的历史订单信息中，用车地点为从某一写字楼作为初始地点的订单绝大多数为出租车这一用车类型，而用车地点为从某一小区的订单作为初始地点的订单绝大多数为快车这一用车类型，而通过在用车地点维度上对该用户的行为规律进行分析可知，该写字楼可能用户的工作地点，当用户从而工作地点出发去往其他目的地时，所需的用车类型为出租车的概率比较大，该小区可能为用户的家的所在地，当用户从家中出发去往其他目的地时，所需的用车类型为快车的概率比较大。当然，还可同时针对用车时间维度和用车地点维度对用户的行为规律进行综合分析，以获取用户在特定场景下的用车类型的使用概率。因此，可通过数学模型对该用户行为规律进行表示并构建相应的预测模型以实现对用户用车类型的预测，该预测模型可包括但不限于马尔科夫模型、高斯模型、混合高斯模型、贝叶斯模型等其中一种模型或多种模型。其中，该预测模型可用于根据当前用车时间和/或当前用车地点确定与当前场景类似的历史场景，并找到在历史场景下的用车类型作为预测获得的用车类型。优选的，预测模块20具体用于对历史订单信息中的每一用车类型，分别根据对应的用车时间和/或各用车地点进行聚类分解，获得各用车类型对应的混合高斯模型；根据各混合高斯模型，确定当前时间和/或当前地点下的各用车类型的概率密度值；根据各用车类型的概率密度值预测用车类型。更优地的，预测模块20具体用于：根据预设的贝叶斯模型和各用车类型的概率密度值，计算各用车类型的第一概率；将各第一概率中概率值最高的用车类型作为预测获得的用车类型。进一步的，预测模块20具体用于确定各第一概率中概率值最高的用车类型，并判断该用车类型的概率值是否大于等于第一预设阈值；若是，则将该用车类型作为预测获得的用车类型并输出。此外，预测模块20，在对历史订单信息中的每一用车类型，分别根据对应的用车时间和/或各用车地点进行聚类分解，获得各用车类型对应的混合高斯模型之前，还用于：统计历史订单信息中的每一用车类型的次数，并建立马尔科夫模型；将历史订单信息中的上一次用车类型输入至马尔科夫模型，获得各用车类型的第二概率；确定各第二概率中概率值最高的用车类型，并判断该用车类型的概率值是否大于等于第二预设阈值；若是，则将该用车类型作为预测获得的用车类型并输出；否则，执行对历史订单信息中的每一用车类型，分别根据对应的用车时间和/或各用车地点进行聚类分解，获得各用车类型对应的混合高斯模型的步骤。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程以及相应的有益效果，可以参考前述方法实施例中的对应过程，在此不再赘述。本发明实施例四提供的用车类型的预测装置，通过采用获取用户的历史订单信息，根据该历史订单信息中的各用车类型的用车时间和/或用车地点等信息建立预测模型，并根据预测模型对当前时间和/或当前地点下的用车类型进行预测，从而可获得预测的用车类型。由于该用户类型是利用预测模型和历史订单信息获取的，其相对于现有技术来说，预测的准确率得到了有效提升，进而使得叫车平台利用该预测获得的用车类型所切换的下单界面与用户的实际需求匹配，缩减用户发单时间，提高发单效率。本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。当前第1页12