基于线性逻辑的相似度分布的轨道交通票务清分方法

技术领域

本申请涉及轨道交通技术领域，特别是涉及一种基于线性逻辑的相似度分布的轨道交通票务清分方法和装置。

背景技术

城市公共交通方式中轨道交通出行方式所占比重日益增大，根据轨道交通的相关规定，城市中建成的所有轨道交通线路必须满足一票通的要求，即所有的线路要满足无障碍换成。在轨道交通成网条件下，各条线路势必会形成综合运营、共同管理，共线运营、环线运营的网络化运营方式。网络化运营表现为线网结构和规模更加复杂，线路形式和制式不一，投资及运营主题多元化，客流需求的时空波动性等特征。为了保证各运营商的基本利益，传统的分账法已不再适用。因而，亟需建立一套用于对轨道交通各运营商之间收益公平分配的票务清分体系。

票务清分是指把服务接受者(包括乘客、票卡等运营对象和收益，是利益的贡献者，即系统的清分对象)所上缴的全部收益，按照各服务提供者(包括车、站、线、运营分部等运营实体，是利益的分配者，即利益的分配主体)的贡献进行有效的利益分配。简而言之，轨道交通票务清分的实质就是：依据一定的原则，计算并分配轨道线网中各运营实体的经济贡献。

与票务收益清分相关的属性很多，主要包括建设成本、车站数量、线路里程、换乘站数量、换乘方式、行车间隔、服务时间、票务政策等。由于线网是动态发展的，线网中线路的属性也是不断变化的。很显然，依据的属性原则不同，计算出各条线路的经济贡献也就不同。因此，轨道交通系统票务收益清分原则上可适应线网发展趋势，满足线网规划要求，按线路、主体清分，能够体现清分权重与线网线路重要属性和运营服务成本的相关性。落实到具体的清分规则，定义单一乘客的价值原则触发确定的规则，至少满足以下三个规则之一：乘客走该路径所用时间最少规则、乘客走该路径距离最短规则、乘客走该路径换成次数最少规则。目前国内应用较多的是双比例多要素法，其清分工作流程图如1所示。

通过综合考察所有影响乘客选定旅行路线的各种因素，选取对其中影响最大的部分因素，并根据旅客在OD间各段的所需要的旅行时间确定的路线阻抗，再通过对这些线路阻抗根据一定的清分原则，甄选出所有满足条件的可行路线；然后，由每个有效路径的线路阻抗值作为输入，通过模型确定各有效路径的旅客分配比例；最后，再由各有效路径中相应的客运分配比例，与运营商之间相应的营业里程范围比率共同决定具体的票款净支比率。主要解决了路径阻抗因素丰富时，分配不合理的问题。主要影响因素包括：出行时间、行程距离、换乘次数、公司经营模式、各线路运营的服务时段、换乘时间、拥堵程度、出发日期以及实际出行时间等。

“双比例多因素”方法采用更多乘客进行线路选择的因素来构建阻抗函数，而不仅仅使用时间或距离两种因素，本质上更能体现乘客出行路径的多样性，能够合理地反映乘客出行的选择行为。但是，乘客调研的范围和量是否能够充分表征选择的因素项仍然值得商榷，尤其是在难以实施大规模的调研的时候。另外由于构建阻抗函数的综合过程一般引入了更多的参数，这些参数的赋值缺乏科学的依据和校准机制，使得原本被科学化和清晰化的路径阻抗又引入了大量的主观因素。因此，导致票务清分系统的清分结果准确性较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高票务清分系统的清分结果准确性的基于线性逻辑的相似度分布的轨道交通票务清分方法和装置。

一种基于线性逻辑的相似度分布的轨道交通票务清分方法，所述方法包括：

根据目标清分时间段、环境信息、日期属性、目标清分入站点和目标清分出站点，获取人数占比系数，所述人数占比系数通过采用线性逻辑回归机器学习训练出目标清分出站点的所述目标清分时间段的占比矩阵中获得；

根据所述人数占比系数以及所述目标清分时间段的前序时间段，生成所述目标清分入站点至所述目标清分出站点高斯分布的乘客关联性曲线；

根据所述乘客关联性曲线进行分析，获得所述目标清分入站点至所述目标清分出站点的每条路径的收益占比；

根据所述目标清分入站点至所述目标清分出站点的每条路径的收益占比和票务收益，确定每条路径上的各站点的收益，完成对所述目标清分入站点至所述目标清分出站点的票务清分。

在其中一个实施例中，所述占比矩阵的训练方式为：

向自动售检票系统获取的所有站点的历史出入站数据；

并将日期属性和环境数据与对应时间的历史出入站数据进行关联；

以关联了日期属性和环境数据的历史出入站数据为样本数据，对所述样本数据进行次序打乱，按60％、20％、20％拆分成训练集、验证集和测试集三个数据集；

采用训练集进行线性逻辑回归机器学习训练，MSE为损失函数，0.01为学习率，在验证集中验证，并在测试集中测试，得到验证集和测试集的损失函数曲线，记录每个epoch的损失率，选择测试集的损失率最小值为最优线性模型，得到考虑了日期属性和环境数据的每个目标站点的每个时间段的出站人数对于其他站点在该时间段的前序时间段入站人数的占比矩阵。

在其中一个实施例中，所述占比矩阵中该城市一个轨道交通运营周期中的目标时间段内从其他站点S

其中，

在其中一个实施例中，所述根据目标清分时间段、环境信息、日期属性、目标清分入站点和目标清分出站点，获取人数占比系数，包括：

根据目标清分出站点、目标清分时间段、环境信息和日期属性，从所述目标清分出站点的所述目标清分时间段的各占比矩阵中，匹配到与所述日期属性相同和所述环境信息相近的占比矩阵；

根据所述目标清分入站点，在所述占比矩阵中获取对应该目标清分入站点的人数占比系数。

在其中一个实施例中，所述根据所述乘客关联性曲线进行分析，获得所述目标清分入站点至所述目标清分出站点的每条路径的收益占比，包括：

根据所述乘客关联性曲线的波峰的个数，确定所述目标清分入站点至所述目标清分出站点的路径条数，其中，每一个波峰对应一条路径；

在所述乘客关联性曲线波峰的个数为一个的情况下，该波峰对应的所述目标清分入站点至所述目标清分出站点的路径的收益占比为100％；

在所述乘客关联性曲线波峰的个数为两个以上的情况下，根据所述乘客关联性曲线的分布情况，获得所述目标清分入站点至所述目标清分出站点的每条路径的收益占比。

在其中一个实施例中，所述根据所述乘客关联性曲线的分布情况，获得所述目标清分入站点至所述目标清分出站点的每条路径的收益占比，包括：

以两波峰之间的波谷为截取点，以过一个波峰垂直于X轴的线为对称轴，以所述截取点的对称点为该波峰的平行截取点，以波峰两侧的截取点和平行截取点分布作X轴的垂线截取该波峰对应的波形区域的方式，获得每个波峰对应的波形区域，根据每个波峰对应的波形区域的面积与所有波峰对应的波形区域的面积总和的占比，确定每个波峰对应的所述目标清分入站点至所述目标清分出站点的每条路径的收益占比。

在其中一个实施例中，所述根据所述乘客关联性曲线的分布情况，获得所述目标清分入站点至所述目标清分出站点的每条路径的收益占比，包括：

在所述乘客关联性曲线为分布不重叠的情况下，以两波峰之间的波谷为截取点，以过一个波峰垂直于X轴的线为对称轴，以所述截取点的对称点为该波峰的平行截取点，以波峰两侧的截取点和平行截取点分布作X轴的垂线，以垂线、波峰曲线和X轴围成该波峰对应的波形区域的方式，获得每个波峰对应的波形区域，根据每个波峰对应的波形区域的面积与所有波峰对应的波形区域的面积总和的占比，确定每个波峰对应的所述目标清分入站点至所述目标清分出站点的每条路径的收益占比；

在所述乘客关联性曲线为波峰面积重叠的情况下，以波峰曲线的向下趋势，将波峰曲线延伸至X轴上，由延伸后的波峰曲线与X轴围成该波峰对应的波形区域的方式，获得每个波峰对应的波形区域，根据每个波峰对应的波形区域的面积与所有波峰对应的波形区域的面积总和的占比，确定每个波峰对应的所述目标清分入站点至所述目标清分出站点的每条路径的收益占比。

一种基于线性逻辑的相似度分布的轨道交通票务清分装置，所述装置包括：

系数获取模块，用于根据目标清分时间段、环境信息、日期属性、目标清分入站点和目标清分出站点，获取人数占比系数，所述人数占比系数通过采用线性逻辑回归机器学习训练出目标清分出站点的所述目标清分时间段的占比矩阵中获得；

曲线生成模块，用于根据所述人数占比系数以及所述目标清分时间段的前序时间段，生成所述目标清分入站点至所述目标清分出站点高斯分布的乘客关联性曲线；

收益占比分析模块，用于根据所述乘客关联性曲线进行分析，获得所述目标清分入站点至所述目标清分出站点的每条路径的收益占比；

票务清分模块，用于根据所述目标清分入站点至所述目标清分出站点的每条路径的收益占比和票务收益，确定每条路径上的各站点的收益，完成对所述目标清分入站点至所述目标清分出站点的票务清分。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述基于线性逻辑的相似度分布的轨道交通票务清分方法的步骤。

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所述的基于线性逻辑的相似度分布的轨道交通票务清分方法的步骤。

上述基于线性逻辑的相似度分布的轨道交通票务清分方法，通过根据目标清分时间段、环境信息、日期属性、目标清分入站点和目标清分出站点，获取人数占比系数，所述人数占比系数通过采用线性逻辑回归机器学习训练出目标清分出站点的所述目标清分时间段的占比矩阵中获得；进而根据所述人数占比系数以及所述目标清分时间段的前序时间段，生成所述目标清分入站点至所述目标清分出站点高斯分布的乘客关联性曲线，再根据所述乘客关联性曲线进行分析，获得所述目标清分入站点至所述目标清分出站点的每条路径的收益占比，从而根据所述目标清分入站点至所述目标清分出站点的每条路径的收益占比和票务收益，确定每条路径上的各站点的收益，完成对所述目标清分入站点至所述目标清分出站点的票务清分。由此，更加客观的合理的划分每条路径的收益占比，从而提高了票务清分系统的清分结果准确性。

附图说明

图1为一个实施例中现有的票务清分流程示意图；

图2为一个实施例中基于线性逻辑的相似度分布的轨道交通票务清分方法的流程示意图；

图3为一个实施例中第一种可能的乘客关联性曲线示意图；

图4为一个实施例中第二种可能的乘客关联性曲线示意图；

图5为一个实施例中第二种可能的乘客关联性曲线的面积划分示意图；

图6为一个实施例中多条路径的乘客关联性曲线示意图；

图7为一个实施例中第三种可能的乘客关联性曲线示意图；

图8为一个实施例中第三种可能的乘客关联性曲线的第一种面积划分示意图；

图9和图10为一个实施例中第三种可能的乘客关联性曲线的第二种面积划分示意图。

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。

在一个实施例中，如图2所示，提供了一种基于线性逻辑的相似度分布的轨道交通票务清分方法，以该方法应用于终端为例进行说明，包括以下步骤：

步骤S220，根据目标清分时间段、环境信息、日期属性、目标清分入站点和目标清分出站点，获取人数占比系数，人数占比系数通过采用线性逻辑回归机器学习训练出目标清分出站点的目标清分时间段的占比矩阵中获得。

其中，日期属性包括工作日、休息日和节假日等。

其中，环境信息包括是否下雨、是否高温和是否低温等。

在一个实施例中，占比矩阵的训练方式为：

向自动售检票系统获取的所有站点的历史出入站数据；并将日期属性和环境数据与对应时间的历史出入站数据进行关联；以关联了日期属性和环境数据的历史出入站数据为样本数据，对样本数据进行次序打乱，60％、20％、20％拆分成训练集、验证集和测试集三个数据集；采用训练集进行线性逻辑回归机器学习训练，MSE为损失函数，0.01为学习率，在验证集中验证，并在测试集中测试，得到验证集和测试集的损失函数曲线，记录每个epoch的损失率，选择测试集的损失率最小值为最优线性模型，得到考虑了日期属性和环境数据的每个目标站点的每个时间段的出站人数对于其他站点在该时间段的前序时间段入站人数的占比矩阵。

其中，考虑工作日、节假日、列次时刻表、时间段、天气等影响因子，将其数据处理后加入特征矩阵中，采用大数据的线性逻辑回归算法，可以得到针对某一目标站点某一时间段的出站人数的对于其他站点不同时间段入站人数的占比矩阵

其中，每个站点的每个时间段有对应的占比矩阵，每个站点的占比矩阵不同的环境信息或日期属性下也不相同，即在确定人数占比系数时，需要先匹配到目标清分时间段、环境信息、日期属性和目标清分出站点相同的占比矩阵，从而该占比矩阵中找到目标清分入站点对应的人数占比系数(即占比矩阵中目标清分入站点对应的元素)。

在一个实施例中，占比矩阵中该城市一个轨道交通运营周期中的目标时间段内从其他站点S

其中，

在一个实施例中，根据目标清分时间段、环境信息、日期属性、目标清分入站点和目标清分出站点，获取人数占比系数，包括：根据目标清分出站点、目标清分时间段、环境信息和日期属性，从目标清分出站点的目标清分时间段的各占比矩阵中，匹配到与日期属性相同和环境信息相近的占比矩阵；根据目标清分入站点，在占比矩阵中获取对应该目标清分入站点的人数占比系数。

步骤S240，根据人数占比系数以及目标清分时间段的前序时间段，生成目标清分入站点至目标清分出站点高斯分布的乘客关联性曲线。

步骤S260，根据乘客关联性曲线进行分析，获得目标清分入站点至目标清分出站点的每条路径的收益占比。

在一个实施例中，根据乘客关联性曲线进行分析，获得目标清分入站点至目标清分出站点的每条路径的收益占比，包括：

根据乘客关联性曲线的波峰的个数，确定目标清分入站点至目标清分出站点的路径条数，其中，每一个波峰对应一条路径；在乘客关联性曲线波峰的个数为一个的情况下，该波峰对应的目标清分入站点至目标清分出站点的路径的收益占比为100％；在乘客关联性曲线波峰的个数为两个以上的情况下，根据乘客关联性曲线的分布情况，获得目标清分入站点至目标清分出站点的每条路径的收益占比。

在一个实施例中，根据乘客关联性曲线的分布情况，获得目标清分入站点至目标清分出站点的每条路径的收益占比，包括：

以两波峰之间的波谷为截取点，以过一个波峰垂直于X轴的线为对称轴，以截取点的对称点为该波峰的平行截取点，以波峰两侧的截取点和平行截取点分布作X轴的垂线截取该波峰对应的波形区域的方式，获得每个波峰对应的波形区域，根据每个波峰对应的波形区域的面积与所有波峰对应的波形区域的面积总和的占比，确定每个波峰对应的目标清分入站点至目标清分出站点的每条路径的收益占比。

在一个实施例中，根据乘客关联性曲线的分布情况，获得目标清分入站点至目标清分出站点的每条路径的收益占比，包括：

在乘客关联性曲线为分布不重叠的情况下，以两波峰之间的波谷为截取点，以过一个波峰垂直于X轴的线为对称轴，以截取点的对称点为该波峰的平行截取点，以波峰两侧的截取点和平行截取点分布作X轴的垂线，以垂线、波峰曲线和X轴围成该波峰对应的波形区域的方式，获得每个波峰对应的波形区域，根据每个波峰对应的波形区域的面积与所有波峰对应的波形区域的面积总和的占比，确定每个波峰对应的目标清分入站点至目标清分出站点的每条路径的收益占比；

在乘客关联性曲线为波峰面积重叠的情况下，以波峰曲线的向下趋势，将波峰曲线延伸至X轴上，由延伸后的波峰曲线与X轴围成该波峰对应的波形区域的方式，获得每个波峰对应的波形区域，根据每个波峰对应的波形区域的面积与所有波峰对应的波形区域的面积总和的占比，确定每个波峰对应的目标清分入站点至目标清分出站点的每条路径的收益占比。

其中，乘客关联性曲线有多种可能，以下列出某几种可能的乘客关联性曲线示意图，如图3所示的第一种可能的乘客关联性曲线示意图，曲线中呈现一个高斯分布的曲线形态，因为乘客行走速度、路线、列车真实到站时间等因素，导致不同乘客到达终点站所花时间不同，当数据规模达到一定数量级时，总体会呈现高斯分布的分布方式。分布曲线的中轴为20，说明大部分人到达终点站所花时间为20分钟。这种分布最有可能是在起点站与终点站中之间只有单条路径的情况出现。当站点不同、日期属性不同、天气不同时，曲线的中轴、分布态势均会发生改变，这是因为这些因素都会影响到路径、人流拥挤程度，从而影响到路线行进时间。

如图4所示的第二种可能的乘客关联性曲线示意图，该曲线中，呈现一个高斯混合分布，两个分布基本不重叠的曲线形态，这种情况很有可能是因为起始站和终点站之间有两条路径，选择不同路径所花的时间区间基本不重合。为了计算两条路径的分配比，如图5所示可以选取两条曲线的最低点(即截取点)，再找到另一侧的同等高度的平行最低点(平行截取点)，共有三个截取点，在两个截取点间的曲线所覆盖的每个波峰对应的波形区域的面积(路径面积1和路径面积2)，可以认为就是所对应路径的人数比例，那么，两个面积的比例就是两条路径的人数占比比例。对于更多个峰值的高斯混合分布，可以推断是更多条路径，如果分布不重叠，可以参考上述方法，选择峰值曲线间的中间点，两侧用其对应等高点截取，如图6所示多个曲线覆盖面积比就是多条路径的人数占比比例。

如图7所示的第三种可能的乘客关联性曲线示意图，该曲线中，呈现一个高斯混合分布，两个分布部分重叠的曲线形态，这种情况很有可能是因为起始站和终点站之间有两条路径，选择不同路径所花的时间区间存在重合。为了计算两条路径的分配比，如图8所示可以选取两条曲线的中间点D(即截取点)，再找到另一侧的同等高度的点(平行截取点)，共有三个截取点，在两个截取点间的曲线所覆盖的面积，可以认为就是所对应路径的人数比例，那么，两个面积的比例就是两条路径的人数占比比例；也可以将高峰曲线按向下趋势画到足够低的点，将峰值曲线内的面积作为人数占比，两个峰值曲线的面积比例就是两条路径的人数占比比例，如图9和图10所示。对于更多个峰值的高斯混合分布，可以推断是更多条路径，如果分布不重叠，同样可以参考前述方法。

步骤S280，根据目标清分入站点至目标清分出站点的每条路径的收益占比和票务收益，确定每条路径上的各站点的收益，完成对目标清分入站点至目标清分出站点的票务清分。

上述基于线性逻辑的相似度分布的轨道交通票务清分方法，通过根据目标清分时间段、环境信息、日期属性、目标清分入站点和目标清分出站点，获取人数占比系数，人数占比系数通过采用线性逻辑回归机器学习训练出目标清分出站点的目标清分时间段的占比矩阵中获得；进而根据人数占比系数以及目标清分时间段的前序时间段，生成目标清分入站点至目标清分出站点高斯分布的乘客关联性曲线，再根据乘客关联性曲线进行分析，获得目标清分入站点至目标清分出站点的每条路径的收益占比，从而根据目标清分入站点至目标清分出站点的每条路径的收益占比和票务收益，确定每条路径上的各站点的收益，完成对目标清分入站点至目标清分出站点的票务清分。由此，更加客观的合理的划分每条路径的收益占比，从而提高了票务清分系统的清分结果准确性。

进一步的，通过大数据计算得到的清分结果，没有乘客调查问卷、双比例多要素方法中转化率、敏感度、惩罚系数等人为定义参数作为过程参数，更加客观，具备可参考性。不同时间段、不同站点间、不同天气、不同日期属性会计算得到不同的占比矩阵，结合动态计算可以得到每天的清分结果。随着数据量的增加和更多特征量的加入，占比矩阵会自动优化，清分准确度也会增加。

应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，提供了一种基于线性逻辑的相似度分布的轨道交通票务清分装置，装置包括系数获取模块、曲线生成模块、收益占比分析模块和票务清分模块：

系数获取模块，用于根据目标清分时间段、环境信息、日期属性、目标清分入站点和目标清分出站点，获取人数占比系数，人数占比系数通过采用线性逻辑回归机器学习训练出目标清分出站点的目标清分时间段的占比矩阵中获得；

曲线生成模块，用于根据人数占比系数以及目标清分时间段的前序时间段，生成目标清分入站点至目标清分出站点高斯分布的乘客关联性曲线；

收益占比分析模块，用于根据乘客关联性曲线进行分析，获得目标清分入站点至目标清分出站点的每条路径的收益占比；

票务清分模块，用于根据目标清分入站点至目标清分出站点的每条路径的收益占比和票务收益，确定每条路径上的各站点的收益，完成对目标清分入站点至目标清分出站点的票务清分。

上述基于线性逻辑的相似度分布的轨道交通票务清分装置，通过根据目标清分时间段、环境信息、日期属性、目标清分入站点和目标清分出站点，获取人数占比系数，人数占比系数通过采用线性逻辑回归机器学习训练出目标清分出站点的目标清分时间段的占比矩阵中获得；进而根据人数占比系数以及目标清分时间段的前序时间段，生成目标清分入站点至目标清分出站点高斯分布的乘客关联性曲线，再根据乘客关联性曲线进行分析，获得目标清分入站点至目标清分出站点的每条路径的收益占比，从而根据目标清分入站点至目标清分出站点的每条路径的收益占比和票务收益，确定每条路径上的各站点的收益，完成对目标清分入站点至目标清分出站点的票务清分。由此，更加客观的合理的划分每条路径的收益占比，从而提高了票务清分系统的清分结果准确性。

关于基于线性逻辑的相似度分布的轨道交通票务清分装置的具体限定可以参见上文中对于基于线性逻辑的相似度分布的轨道交通票务清分方法的限定，在此不再赘述。上述基于线性逻辑的相似度分布的轨道交通票务清分装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现基于线性逻辑的相似度分布的轨道交通票务清分方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现的基于线性逻辑的相似度分布的轨道交通票务清分方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。