一种交通信号控制方法、装置、设备及存储介质

技术领域

本发明涉及智能交通技术领域，尤其是一种交通信号控制方法、装置、设备及存储介质。

背景技术

随着城市化的发展，城市路网的交通需求不断提升，交通供需不平衡的问题在许多大城市日渐严重。随着大数据时代的到来，智慧城市迎来了快速发展，带来大量交通监测数据，为改善当前城市交通实时控制系统、显著提升现有交通系统的性能提供了条件。在有限的道路空间下，自适应信号控制是提升路网的运行能力和可靠性，从而达到可持续发展的有利手段。

自适应信号控制指交通信号控制系统根据实时监测的交通流数据，自适应的调整信号控制参数，从而实现对交通流的最优控制，使一段时间内车辆放行量最大，或者使其它交通控制评价指标如延误、停车次数等最小。对干道或区域的多个路口信号机进行协调，可使其运行方案根据交通流的变化而自适应的调整，从而提高整个干道或区域的交通运行效率。

传统的交通信号控制主要存在两个缺陷：

①仅在路段层面上进行。研究表明，在过饱和交通状况下，基于路段的信号控制可能会导致车辆排队溢出到上游路段，甚至形成“死锁”现象；而空间维度问题也对路段上的自适应实时交通信号控制策略提出了重大挑战。

②依赖模型驱动的方法进行。模型驱动的方法有较好的因果分析和可泛化性，但是存在模型不确定性的问题；同时求解模型动态优化问题需要进行大规模的计算，尤其是引入大量的交通流数据后，需要处理更大的状态与求解空间，导致出现维数灾难问题。

因此采用数据驱动的方法，可以实现交通控制算法对建模等不确定性的鲁棒性，以及对外部信息的自适应性。

强化学习(Reinforcement Learning,RL)是智能体(Agent)以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏，强化学习不同于监督学习，主要表现在强化信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价，而不是告诉强化学习系统如何去产生正确的动作。由于外部环境提供的信息很少，必须靠自身的经历进行学习。通过这种方式，系统在行动-评价的环境中获得知识，改进行动方案以适应环境。

在现有的交通信号控制中，主要存在以下问题：

现有数据驱动类的交通信号控制方法，多针对单个交叉口节点或小规模区域构造学习网络、优化模型参数，缺少路网区域层面的动态协同与统一考虑。大多数交通信号控制方法，由于算法复杂度及维数灾难的难度，无法对整个路网性能进行优化。

现有的交通信号控制策略，控制目标只考虑单个交叉口节点或小规模区域的最小延误或最大输出，无法对路网的整体运行效率进行评估。而单个交叉口节点的最优性能，不能保证整个路网的效能达到最优。例如，当每个交叉口最大化各自的目标函数时，整体路网可能因为流量过大而产生死锁现象。

因此，现有方法无法协同单个交叉口与整体路网的表现，从而无法最大化路网的效率，得到系统最优。

大多数交通信号控制策略，依赖于对交叉口以及路网交通的建模。然而，模型的校准、误差会影响控制策略的性能。同时，物理模型无法确保对所有交通场景都适用，因此传统的交通信号控制策略无法大规模使用。

发明内容

有鉴于此，本发明实施例提供一种应用范围广的交通信号控制方法、装置、设备及存储介质，以提高路网运行效率。

本发明的一方面提供了一种交通信号控制方法，包括：

对路网进行划分，确定路网中的保护区、缓冲区、边界控制信号信息以及所述保护区内的自适应信号控制信息；

根据所述路网的划分结果，对所述路网中的交通流量进行标定，并对所述边界控制信号信息进行预配置；

根据所述预配置的内容，采用深度强化学习搭建上层信号控制智能体，其中，每一个上层信号控制智能体代表一个边界路口信号灯；

根据所述预配置的内容，采用深度强化学习搭建底层信号控制智能体，其中，每一个底层信号控制智能体代表保护区内一个信控路口的信号灯；

根据所述上层信号控制智能体和所述底层信号控制智能体，对采集了交通信息后的目标路网进行双层信号控制。

可选地，所述对路网进行划分，确定路网中的保护区、缓冲区、边界控制信号信息以及所述保护区内的自适应信号控制信息，包括：

确定路网中的保护区，其中，所述保护区为所述路网所在城市中的目标地区；

确定路网中的缓冲区，其中，所述缓冲区为所述路网所在城市中进入所述保护区的必经区域；

确定边界控制信号的位置，其中，所述边界控制信号用于控制所述保护区的内外交通流入流出；

确定自适应信号的控制信息，其中，所述自适应信号用于控制所述保护区内的单个交叉口。

可选地，所述根据所述路网的划分结果，对所述路网中的交通流量进行标定，并对所述边界控制信号信息进行预配置，包括：

采集路网的历史交通数据或仿真交通数据；

对所述历史交通数据或所述仿真交通数据进行标定；

配置所述边界控制信号的控制周期；

配置所述边界控制信号和所述自适应信号的安全信号时长。

可选地，所述根据所述预配置的内容，采用深度强化学习搭建上层信号控制智能体，包括：

定义所述上层信号控制智能体的状态，将路网总车辆数和缓冲区总车辆数组合为状态信息；

定义所述上层信号控制智能体的动作，确定每个信号周期；

定义所述上层信号控制智能体的环境奖励，确定所述路网内的出行完成总数；

构建所述上层信号控制智能体的策略网络和价值网络，其中，所述策略网络用于根据所述上层信号控制智能体的状态，计算得到最优动作；所述价值网络用于评估动作的好坏；

采用随机梯度下降法训练所述策略网络，并且采用时序差分误差法训练所述价值网络。

可选地，所述根据所述预配置的内容，采用深度强化学习搭建底层信号控制智能体，包括：

定义所述底层信号控制智能体的状态，将该智能体所在路口的排队长度和道路宽度组合为状态信息；

定义所述底层信号控制智能体的动作，将每个动作确定为下一决策步长的相位序号；

定义所述底层信号控制智能体的环境奖励，确定执行相位后底层信号控制智能体所在路口进口道的总延误；

构建所述底层信号控制智能体的价值网络，所述价值网络用于评估动作的好坏。

本发明实施例的另一方面提供了一种交通信号控制装置，包括：

第一模块，用于对路网进行划分，确定路网中的保护区、缓冲区、边界控制信号信息以及所述保护区内的自适应信号控制信息；

第二模块，用于根据所述路网的划分结果，对所述路网中的交通流量进行标定，并对所述边界控制信号信息进行预配置；

第三模块，用于根据所述预配置的内容，采用深度强化学习搭建上层信号控制智能体，其中，每一个上层信号控制智能体代表一个边界路口信号灯；

第四模块，用于根据所述预配置的内容，采用深度强化学习搭建底层信号控制智能体，其中，每一个底层信号控制智能体代表保护区内一个信控路口的信号灯；

第五模块，用于根据所述上层信号控制智能体和所述底层信号控制智能体，对采集了交通信息后的目标路网进行双层信号控制。

可选地，所述第一模块包括：

第一单元，用于确定路网中的保护区，其中，所述保护区为所述路网所在城市中的目标地区；

第二单元，用于确定路网中的缓冲区，其中，所述缓冲区为所述路网所在城市中进入所述保护区的必经区域；

第三单元，用于确定边界控制信号的位置，其中，所述边界控制信号用于控制所述保护区的内外交通流入流出；

第四单元，用于确定自适应信号的控制信息，其中，所述自适应信号用于控制所述保护区内的单个交叉口。

可选地，所述第二模块包括：

第五单元，用于采集路网的历史交通数据或仿真交通数据；

第六单元，用于对所述历史交通数据或所述仿真交通数据进行标定；

第七单元，用于配置所述边界控制信号的控制周期；

第八单元，用于配置所述边界控制信号和所述自适应信号的安全信号时长。

本发明实施例的另一方面提供了一种电子设备，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器执行所述程序实现如前面所述的方法。

本发明实施例的另一方面提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。

本发明的实施例对路网进行划分，确定路网中的保护区、缓冲区、边界控制信号信息以及所述保护区内的自适应信号控制信息；根据所述路网的划分结果，对所述路网中的交通流量进行标定，并对所述边界控制信号信息进行预配置；根据所述预配置的内容，采用深度强化学习搭建上层信号控制智能体，其中，每一个上层信号控制智能体代表一个边界路口信号灯；根据所述预配置的内容，采用深度强化学习搭建底层信号控制智能体，其中，每一个底层信号控制智能体代表保护区内一个信控路口的信号灯；根据所述上层信号控制智能体和所述底层信号控制智能体，对采集了交通信息后的目标路网进行双层信号控制。本发明的应用范围广，能够提高路网运行效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。

图1为本发明实施例提供的路网区域划分示意图；

图2为本发明实施例提供的双层信号控制示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本发明实施例提供了一种交通信号控制方法，包括：

对路网进行划分，确定路网中的保护区、缓冲区、边界控制信号信息以及所述保护区内的自适应信号控制信息；

根据所述路网的划分结果，对所述路网中的交通流量进行标定，并对所述边界控制信号信息进行预配置；

根据所述预配置的内容，采用深度强化学习搭建上层信号控制智能体，其中，每一个上层信号控制智能体代表一个边界路口信号灯；

根据所述预配置的内容，采用深度强化学习搭建底层信号控制智能体，其中，每一个底层信号控制智能体代表保护区内一个信控路口的信号灯；

根据所述上层信号控制智能体和所述底层信号控制智能体，对采集了交通信息后的目标路网进行双层信号控制。

可选地，所述对路网进行划分，确定路网中的保护区、缓冲区、边界控制信号信息以及所述保护区内的自适应信号控制信息，包括：

确定路网中的保护区，其中，所述保护区为所述路网所在城市中的目标地区；

确定路网中的缓冲区，其中，所述缓冲区为所述路网所在城市中进入所述保护区的必经区域；

确定边界控制信号的位置，其中，所述边界控制信号用于控制所述保护区的内外交通流入流出；

确定自适应信号的控制信息，其中，所述自适应信号用于控制所述保护区内的单个交叉口。

可选地，所述根据所述路网的划分结果，对所述路网中的交通流量进行标定，并对所述边界控制信号信息进行预配置，包括：

采集路网的历史交通数据或仿真交通数据；

对所述历史交通数据或所述仿真交通数据进行标定；

配置所述边界控制信号的控制周期；

配置所述边界控制信号和所述自适应信号的安全信号时长。

可选地，所述根据所述预配置的内容，采用深度强化学习搭建上层信号控制智能体，包括：

定义所述上层信号控制智能体的状态，将路网总车辆数和缓冲区总车辆数组合为状态信息；

定义所述上层信号控制智能体的动作，确定每个信号周期；

定义所述上层信号控制智能体的环境奖励，确定所述路网内的出行完成总数；

构建所述上层信号控制智能体的策略网络和价值网络，其中，所述策略网络用于根据所述上层信号控制智能体的状态，计算得到最优动作；所述价值网络用于评估动作的好坏；

采用随机梯度下降法训练所述策略网络，并且采用时序差分误差法训练所述价值网络。

可选地，所述根据所述预配置的内容，采用深度强化学习搭建底层信号控制智能体，包括：

定义所述底层信号控制智能体的状态，将该智能体所在路口的排队长度和道路宽度组合为状态信息；

定义所述底层信号控制智能体的动作，将每个动作确定为下一决策步长的相位序号；

定义所述底层信号控制智能体的环境奖励，确定执行相位后底层信号控制智能体所在路口进口道的总延误；

构建所述底层信号控制智能体的价值网络，所述价值网络用于评估动作的好坏。

本发明实施例提供了一种交通信号控制装置，包括：

第一模块，用于对路网进行划分，确定路网中的保护区、缓冲区、边界控制信号信息以及所述保护区内的自适应信号控制信息；

第二模块，用于根据所述路网的划分结果，对所述路网中的交通流量进行标定，并对所述边界控制信号信息进行预配置；

第三模块，用于根据所述预配置的内容，采用深度强化学习搭建上层信号控制智能体，其中，每一个上层信号控制智能体代表一个边界路口信号灯；

第四模块，用于根据所述预配置的内容，采用深度强化学习搭建底层信号控制智能体，其中，每一个底层信号控制智能体代表保护区内一个信控路口的信号灯；

第五模块，用于根据所述上层信号控制智能体和所述底层信号控制智能体，对采集了交通信息后的目标路网进行双层信号控制。

可选地，所述第一模块包括：

第一单元，用于确定路网中的保护区，其中，所述保护区为所述路网所在城市中的目标地区；

第二单元，用于确定路网中的缓冲区，其中，所述缓冲区为所述路网所在城市中进入所述保护区的必经区域；

第三单元，用于确定边界控制信号的位置，其中，所述边界控制信号用于控制所述保护区的内外交通流入流出；

第四单元，用于确定自适应信号的控制信息，其中，所述自适应信号用于控制所述保护区内的单个交叉口。

可选地，所述第二模块包括：

第五单元，用于采集路网的历史交通数据或仿真交通数据；

第六单元，用于对所述历史交通数据或所述仿真交通数据进行标定；

第七单元，用于配置所述边界控制信号的控制周期；

第八单元，用于配置所述边界控制信号和所述自适应信号的安全信号时长。

本发明实施例提供了一种电子设备，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器执行所述程序实现如前面所述的方法。

本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。

下面结合说明书附图，对本发明的具体实现原理进行详细说明：

步骤一：场景模式生成：对路网进行划分与设定(如图1所示)

1.定义保护区(Protected Network)：在城市路网中，定义保护区的位置与界限。例如，市中心CBD(Central business district),核心区域，重点管控区，或者几环以内。此类区域由于地理位置更重要，需要更合理的安排车辆的流入流出，因此选择为保护区。

2.定义缓冲区(buffer):缓冲区是保护区外围进入保护区内的环绕型道路。当外界车流进入保护区内时，应首先经过缓冲区进行分流，从而不会使保护区内某部分的交通密度发生剧变。

3.定义边界控制信号位置：双层控制中的上层控制由边界控制信号灯组成。边界信号控制的位置为缓冲区与外围交界处的信号灯。此类信号灯控制着保护区内外部交通的流入与流出，相当于“闸口”的作用。

4.定义保护区内的自适应信号控制：双层控制中的底层控制由保护区内的信号灯组成。底层控制信号灯只针对单个交叉口进行优化。

步骤二：收集数据

1.标定路网交通流量：路网的交通流量可以通过历史数据或仿真数据进行标定。路网流量q(t)的组成为q(t)＝[q

2.预设信号配时限制：对于上层边界信号控制，此信号控制的周期为100秒，即C＝100sec；针对底层的自适应信号控制，该控制为非周期性的，因此不需要信号周期的约束。此外，所有信号控制都采取五秒的黄灯时间保证道路安全，即Y＝5sec。

步骤三：搭建上层边界信号控制智能体(如图2所示)

采用深度强化学习(Deep Reinforcement Learning,DRL)中的深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)架构，搭建上层边界信号控制智能体(Agent)，每个边界路口信号灯为一个智能体。

1.定义智能体状态(State)。

将路网总车辆数n

2.定义智能体动作(Action)。

每个信号周期(即决策步长)C＝100sec，每个动作为下一周期的总绿灯时间，即

3.定义环境奖励(Reward)。

将在保护区内完成出行的车辆数与驶出保护区的车辆数之和，即路网内的出行完成总数，作为当前状态下环境反馈给智能体的奖励

4.构建策略网络与价值网络。

策略网络用于通过状态直接得到最优动作，即

5.离线训练。

采用随机梯度下降法(Stochastic Gradient Descent,SGD)训练策略网络，其中梯度为策略梯度

采用时序差分误差(Time Difference error,TD error)训练价值网络，每个时刻的TD error为

步骤四：搭建底层分布式信号控制智能体(如图2所示)

采用深度强化学习中的深度Q值学习(Deep Q-learning,DQN)架构搭建底层分布式信号控制智能体，保护区内的每个信控路口的信号灯为一个智能体。

1.定义智能体状态(State)。

将智能体所在路口进口道的排队长度queue

2.定义智能体动作(Action)。

每个动作

3.定义环境奖励(Reward)。

将执行相位后智能体所在路口进口道的总延误作为当前状态下环境反馈给智能体的奖励

4.构建价值网络。

价值网络用于评估当前动作的好坏，即得到

步骤五：实际应用

将采集到的数据进行预处理，提取所需的特征信息，分别输入训练好的两个模型，根据模型输出的配时或相位进行信号设定，实现对路网的双层信号控制。

综上所述，本发明通过对城市路网进行划分，从而实施双层控制。该方法从路网、单个交叉口两个层面研究交通信号控制的策略协同及异步更新方法，在降低算法复杂度的同时实现交通流多尺度的协同优化。其中，上层针对路网的控制策略为边界控制，利用位于路网边界的信号灯控制整个路网的流入及流出车辆。该上层控制能够降低路网优化的维度，从而在整体上对路网进行优化。

本发明的上下层控制将互为反馈控制，即上层的状态输出为下层控制的输入，而下层控制的状态输出为上层控制的输入。因此，针对路网拥堵的情况下，下层的单个交叉口控制体能够避免过度的自身优化而导致的区域内协调步伐紊乱，反而与上层控制合作，保持路网整体的运行效率，从而避免路网死锁等现象。

本发明的双层控制采用数据驱动为主的强化学习方法，对交通数据进行自适应。交通状态通过数据信息即时提取，无需物理模型进行状态估计。因此，此方法能够适应于多种交通场景下，具有较强的落地应用性。

本发明能够实现交通流多尺度的协同优化，通过对城市路网进行划分，从而实施双层控制。从路网、单个交叉口两个层面研究交通信号控制的策略协同及异步更新方法，在降低算法复杂度的同时实现交通流多尺度的协同优化；同时，上下层控制互为反馈控制，即上层的状态输出为下层控制的输入，而下层控制的状态输出为上层控制的输入。因此，针对路网拥堵的情况下，下层的单个交叉口控制体能够避免过度的自身优化而导致的区域内协调步伐紊乱，反而与上层控制合作，保持路网整体的运行效率，从而避免路网死锁等现象。

本发明能够有效解决维数灾难问题，提高求解效率，采用数据驱动为主的强化学习方法。数据驱动的方法可以有效解决问题求解的维数灾难问题，实现对区域路网交通信号控制优化问题的求解。在双层控制中，上层针对路网的控制策略为边界控制，利用位于路网边界的信号灯控制整个路网的流入及流出车辆，能够降低路网优化的维度，从而实现在整体上对路网进行优化。

本发明能够对不同交通场景进行自适应决策，采用数据驱动为主的强化学习方法。通过对实时监测数据进行交通状态信息提取，从而对交通状态进行自适应，无需物理模型进行状态估计。因此，此方法能够适应于多种交通场景下，具有较强的落地应用性。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。