一种基于决策树模型的车辆强制换道决策方法

摘要

本发明公开了一种基于决策树模型的车辆强制换道决策方法，该方法采用下列步骤：先通过传感器实时读取车辆强制并线换道时的相关数据；接着对获得的数据导入基于决策树模型的车辆强制换道决策模块中，该模块的构建步骤主要包括训练与测试数据的选取、树的分裂、属性阈值的选择、树的剪枝、基于weka平台的并线换道决策树模型建立和决策树模型的精确度验证；最后通过决策模块可形成车辆强制换道时的决策判断结果，如决策判断结果为不能换道，则实时地发出警报提醒驾驶员不能换道。本发明减少了预警算法复杂、决策判断规则过多对判断结果的负面影响，提高了车辆强制换道时决策判断的准确度和可靠性，降低了误报率。

说明书

技术领域

本发明涉及机动车辆驾驶安全领域，特别是涉及一种基于决策树模型的车辆强制换道 决策方法。

背景技术

车辆换道决策失误一直是导致道路交通事故发生的重要原因之一。统计表明，在所有 的换道事故中，由于驾驶人判断决策失误而引发的事故约占事故总量的75％。因此，车辆 换道时，特别是车辆行驶的车道数变少需要强制换道时，给驾驶人提供快速准确的换道决 策判断意义重大，对减少道路交通事故的发生，提高道路交通安全水平有着十分重要的意 义。

车辆换道是一种比较复杂的驾驶行为。换道过程中驾驶人需要对自车的前方区域、后 方区域以及侧向区域进行仔细观察，判断这些区域中是否存在其他车辆、周围车辆与自车 的相对运动关系、以及自车与周围车辆发生冲突的可能性。然而，驾驶人通过后视镜对后 方区域、侧向区域地观察通常不如对前方区域地观察那么直接，在分析换道冲突可能性的 过程中容易出现失误。另一方面，后视镜的视觉盲区问题也引起较大的安全隐患。

目前，现有技术已有用于协助变换车道的车辆换道危险预警系统。目前常见的换道预警 系统分为两类，第一类主要针对后视镜的视觉盲区问题，通过采用超声波传感器对自车侧 向、后方临近区域内的车辆进行监控；第二类系统主要针对换道目标车道后方存在高速接 近车辆的情况，通过使用测距雷达对换道过程中自车与其他车辆的相对距离、相对速度进 行实时监控，分析换道过程中引发碰撞事故的风险程度，在风险程度较高情况下对驾驶人 进行预警提示。然而，现有车辆换道危险预警系统运行所需装置多，预警算法复杂，可靠 性不高，误报率不能控制在较低的水平，难以确保在任何条件下的换道安全，特别是车道 数变少需要强制换道时的特殊情况。因此，目前需要一种车辆强制换道时预警算法简单、 误报率较低的车辆强制换道决策方法。

发明内容

本发明的目的在于提供一种基于决策树模型的车辆强制换道决策方法，利用决策树模 型给驾驶员进行车辆强制换道时提供决策判断，并在换道危险发生时及时地发出警报提醒。 所述方法能够有效地为驾驶员进行车辆强制换道时提供正确可靠的决策判断，可极大地减 少因换道决策失误导致的道路交通事故。

为实现上述目的，本发明采用如下技术方案：

一种基于决策树模型的车辆强制换道决策方法，包括以下步骤：

步骤1：通过多普勒测速雷达传感器获取样本数据，具体是对并线车辆与目标车道前方车 辆的速度差V₁、并线车辆与目标车道后方车辆的速度差V₂、并线车辆与目标车道前方车辆 的距离D₁、并线车辆与目标车道后方车辆的距离D₂、并线车辆离并线车道入口的距离S 五个样本数据实时的获取；

步骤2：构建基于决策树模型的车辆强制换道决策模块，分别通过训练与测试样本数据的 选取与处理、树的分裂、属性阈值的选择和树的剪枝、基于weka平台的并线换道决策树模 型建立、决策树模型的精确度验证这五个环节来构建车辆强制换道决策模块；

步骤3：决策判断，将获取的五个样本数据实时地导入到车辆强制换道决策模块中，并通 过基于weka平台下并线换道决策树模型中的终端节点类别形成车辆强制换道的决策判断。

进一步，所述步骤2中，训练与测试样本数据的选取与处理环节中的交通数据是由Next  Generation Simulation(NGSIM)提供，NGSIM数据集中的轨迹数据提供每辆车的纵坐标、横 坐标、速度、加速度和前后两车间隔时间，采样频率为10Hz；并对数据集进行划分，所述 数据集一部分用于模型训练，另一部分用于测试。

进一步，所述步骤2中的树的分裂环节，所用分裂标准选择具有最高信息增益率的属性 作为给定集合S的测试属性；本方法的训练数据集为S，它包含s个数据样本，定义C₁,C₂分 别代表并线类与不并线类这两个决策类，那么s₁，s₂就是类C₁，C₂中的样本数目；则树的分裂 步骤为：

首先，计算出给定样本分类所需的期望信息和熵值；

然后，通过得到的期望信息和熵值分别计算当各属性V₁,V₂,D₁,D₂，S作为分裂属性时的 信息增益率，进而比较五个属性的信息增益率，选择信息增益率最大的属性作为最好的分 裂属性；

最后，根据分裂属性的取值，可以得到决策树分支，数据集将被划分为多个子集，对 于每一个子树重新计算各属性信息增益率，依次类推，直至某一子集中的样本属于同一类， 决策树停止分裂。

进一步，所述步骤2中的属性阈值的选择和树的剪枝环节，确定它们的阈值首先要将连 续属性进行离散化处理，将属性值划分成若干个区间；然后运用Fayyad边界点判定定理， 计算相邻两类区间边界点处属性值的信息增益率，选择信息增益率最大的属性值作为最优 阈值；所述树的剪枝中决策树算法采用后剪枝算法。

进一步，所述步骤2中的基于weka平台的并线换道决策树模型建立环节，决策树结构 中的终端节点用方框表示，决策节点用圆圈表示，在终端节点内标记类标签，观测样本数； 如果决策树根节点通过属性相对速度V₁进行分裂，这就表明并线车辆相对于目标车道前方 车辆的相对速度是驾驶人做出并线决策需要考虑最重要的驾驶特征；从决策树的根节点到 任一个叶节点形成的一条路径就可以构成一条分类规则，所有的路径能够得到完整的分类 规则，其分类规则共16条，下述每条规则中的具体数值是通过Fayyad边界点判定定理获 得的阈值，具体规则如下：

1)如果V₁＜＝-3.1m/s，且D₁＜＝17.1m，那么车辆不进行换道；

2)如果V₁＜＝-3.1m/s，且D₁＞17.1m，且V₂＞-1.2m/s，那么车辆进行换道；

3)如果V₁＜＝-3.1m/s，且D₁＞17.1m，且V₂＜＝-1.2m/s，且D₂＜＝7.9m，且S＞55.2m， 那么车辆不进行换道；

4)如果V₁＜＝-3.1m/s，且D₁＞17.1m，且V₂＜＝-1.2m/s，且D₂＜＝7.9m，且S＜＝55.2m， 且D₁＜＝30.9m，那么车辆不进行换道；

5)如果V₁＜＝-3.1m/s，且D₁＞17.1m，且V₂＜＝-1.2m/s，且D₂＜＝7.9m，且S＜＝55.2m， 且D₁＞30.9m，那么车辆进行换道；

6)如果V₁＜＝-3.1m/s，且D₁＞17.1m，且V₂＜＝-1.2m/s，且D₂＞7.9m且＜＝9m，那么车 辆进行换道；

7)如果V₁＜＝-3.1m/s，且D₁＞17.1m，且V₂＜＝-1.2m/s，且D₂＞9m，且D₁＜＝44.6m， 那么车辆不进行换道；

8)如果V₁＜＝-3.1m/s，且D₁＞17.1m，且V₂＜＝-1.2m/s，且D₂＞9m，且D₁＞44.6m， 那么车辆进行换道；

9)如果V₁＞-3.1m/s，且D₁＜＝7.6m，且V₂＞2.5m/s，那么车辆进行换道；

10)如果V₁＞-3.1m/s，且D₁＜＝7.6m，且V₂＜＝2.5m/s，且D₂＞13.1m，那么车辆不进 行换道；

11)如果V₁＞-3.1m/s，且D₁＜＝7.6m，且V₂＜＝2.5m/s，且D₂＜＝13.1m，且V₁＜＝-0.3m/s， 那么车辆不进行换道；

12)如果V₁＞-3.1m/s，且D₁＜＝7.6m，且V₂＜＝2.5m/s，且D₂＜＝13.1m，且V₁＞-0.3m/s， 那么车辆进行换道；

13)如果V₁＞-3.1m/s，且D₁＞7.6m，且D₂＜＝7m，那么车辆不进行换道。

14)如果V₁＞-3.1m/s，且D₁＞7.6m，且D₂＞7m，且S＜＝56.4m，那么车辆进行换道。

15)如果V₁＞-3.1m/s，且D₁＞7.6m，且D₂＞7m，且S＞56.4m，且V₂＜＝-4.3m/s，那 么车辆不进行换道。

16)如果V₁＞-3.1m/s，且D₁＞7.6m，且D₂＞7m，且S＞56.4m，且V₂＞-4.3m/s，那么 车辆进行换道。

最后，所述步骤2中的决策树模型的精确度验证环节，使用分类规则对测试数据进行识 别，并将识别结果且实际并线换道情况进行对比，用识别的准确性来验证模型的有效性。

本发明的有益效果在于：

1、搭建了基于决策树模型的车辆强制换道决策的方法框架，为多种不同方式的车辆 强制换道决策分析奠定了基础；

2、为了提高模型决策判断的准确率，使用weka数据挖掘平台对决策模型进行了数据 优化；

3、减少了预警算法复杂、决策判断规则过多对判断结果的影响，提高了车辆强制换 道时决策判断的准确度和可靠性，降低了误报率。

附图说明

图1为基于决策树模型的车辆强制换道决策方法流程示意图；

图2为本方法研究区域与相关参数的表示图；

图3为通过weka修剪后的并线换道决策树。

具体实施方式

下面结合附图进一步对本发明的具体实施方式进行说明。

一种基于决策树模型的车辆强制换道决策方法，包括以下步骤：

步骤1：通过多普勒测速雷达传感器获取样本数据，具体是对并线车辆与目标车道前方车 辆的速度差V₁、并线车辆与目标车道后方车辆的速度差V₂、并线车辆与目标车道前方车辆 的距离D₁、并线车辆与目标车道后方车辆的距离D₂、并线车辆离并线车道入口的距离S 五个样本数据实时的获取；

步骤2：构建基于决策树模型的车辆强制换道决策模块，分别通过训练与测试样本数据的 选取与处理、树的分裂、属性阈值的选择和树的剪枝、基于weka平台的并线换道决策树模 型建立、决策树模型的精确度验证这五个环节来构建车辆强制换道决策模块；

步骤3：决策判断，将获取的五个样本数据实时地导入到车辆强制换道决策模块中，并通 过基于weka平台下并线换道决策树模型中的终端节点类别形成车辆强制换道的决策判断。

下面对上述三个步骤进行进一步阐述。

如图1-2所示，步骤1中所述车辆强制并线换道是指面对车道数减少强制性变道时， 车辆横向坐标开始改变，向相邻目标车道方向改变并且没有发生震荡。在并线之前的其它 时刻定义为非并线事件即驾驶人没有并线且保持驾驶在并线车道上。一位驾驶人可以参与 很多次非并线事件，但只能参与一次并线事件。车辆并线换道实时读取的数据也就是影响 驾驶人并线换道决策的主要影响因素数据，主要包括并线车辆与目标车道前方车辆的速度 差V₁、并线车辆与目标车道后方车辆的速度差V₂、并线车辆与目标车道前方车辆的距离 D₁、并线车辆与目标车道后方车辆的距离D₂和并线车辆离并线车道入口的距离S等数据。 在上述5个数据中，两个车间距指标D₁和D₂反映并线换道时目标车道是否具有合适的并 线换道空间，两个速度差指标V₁和V₂反映并线换道时的潜在危险性，距离指标S反映车 辆并线换道的紧迫程度。如图2所示，V₁＝V_merge-V_lead；V₂＝V_merge-V_lag；D₁＝D_lead；D₂＝D_lag， 并线换道影响因素数据的符号含义见表1所示。

表1并线换道影响因素数据的符号含义

步骤2中所述基于决策树模型的车辆强制换道决策模块构建，分为五个环节，其具体 步骤如下：

第一步：训练与测试样本数据的选取与处理

本方法中的训练与测试样本交通数据由Next Generation Simulation(NGSIM)提供，用 于决策树模型的学习与验证。NGSIM数据集中的轨迹数据提供每辆车的纵坐标、横坐标、 速度、加速度和前后两车间隔时间，采样频率为10Hz。

研究运行车辆轨迹数据获得325次观察值，其中包括177次非并线事件，148次并线事 件。对数据集进一步进行划分，其中80％用于模型训练，20％用于模型测试，部分训练数 据如表2所示，部分测试数据如表3所示。

表2部分训练数据

表3部分测试数据

第二步：树的分裂

决策树方法采用自顶向下的递归方式，从决策树的根到叶结点的每一条路径对应着一 条分类规则，整棵决策树对应着一组析取表达式规则。每一个非叶结点都与属性中具有最 大信息量的非类别属性相关联，本方法所用算法选择具有最高信息增益率的属性作为给定 集合S的测试属性。

首先，计算出给定样本分类所需的期望信息和熵值；

信息增益基于信息论中的熵(Entropy)的概念。本方法的训练数据集为S，它包含s个数 据样本，定义C₁,C₂代表两个决策类：并线类与不并线类。那么s₁，s₂就是类C₁，C₂中的样本数 目。给定样本分类所需的期望信息Info(s₁，s₂)可以由下式计算得出：

$\mathrm{Info}(s_1,s_2)=-\underset{i=1}{\overset{2}{\Sigma }}{p}_i{\log }_2\left(p_i\right)---\left(1\right)$

其中：p_i是任意样本属于C_i的概率，用s_i/s来估计。

假设属性V₁具有v个不同值{a₁，a₂，…，a_v}。则可以用属性V₁将S划分为v个子集 {S₁，S₂，…，S_v}，其中S_j包含S中具有值a_j的样本。如果V₁作为测试属性(即最好的分裂属性)， 则这些子集对应于由包含集合S的结点生长出来的分支。设s_ij是子集S_j中类C_i的样本数，由 V₁划分成子集的熵E(S,V₁)由下式计算得出：

$E(S,V_1)=\underset{j=1}{\overset{v}{\Sigma }}\frac{s_{1j}+s_{2j}}{s}\mathrm{Info}(s_{1j},s_{2j})---\left(2\right)$

其中：充当第j个子集的权，等于子集(即V₁值为a_j)中的样本个数除以S中的样本总数。 熵值越小，子集划分的纯度越高。对于给定的子集S_j，其期望信息Info(s_1j，s_2j)由下式计算得 出：

$\mathrm{Info}(s_{1j},s_{2j})=-\underset{i=1}{\overset{2}{\Sigma }}{p}_{\mathrm{ij}}{\log }_2\left(p_{\mathrm{ij}}\right)---\left(3\right)$

其中：p_ij＝s_ij/|s_j|，p_ij是S_j中的样本属于类C_i的概率。

然后，通过期望信息和熵值计算当各属性(V₁,V₂,D₁,D₂，S)作为分裂属性时，它们的信息 增益率，选择信息增益率最大的属性作为最好的分裂属性。在属性V₁上分支将获得的信息 增益Gain(S,V₁)由下式计算得出：

Gain(S，V₁)＝Info(s₁，s₂)-E(S，V₁)   (4)

信息增益率是在信息增益概念基础上发展起来的，属性V₁的信息增益率GainRatio(S,V₁) 由下面的公式计算得出：

$\mathrm{SplitInfo}(S,V_1)=-\underset{j=1}{\overset{v}{\Sigma }}{p}_j{\log }_2\left(p_j\right)---\left(5\right)$

$\mathrm{GainRatio}(S,V_1)=\frac{\mathrm{Gain}(S,V_1)}{\mathrm{SplitInfo}(S,V_1)}---\left(6\right)$

同理，可以计算出其他属性的信息增益率GainRatio(S，V₂)；GainRatio(S，D₁)； GainRatio(S，D₂)；GainRatio(S，S)。

比较5个属性的信息增益率，数值最大的属性就是最好的分裂属性，数值最大的属性 V₁就是最佳分裂属性。

最后，根据分裂属性的取值，可以得到决策树分支，数据集将被划分为多个子集，对 于每一个子树重新计算各属性信息增益率，依次类推，直至某一子集中的样本属于同一类， 决策树停止分裂。

第三步：属性阈值的选择和树的剪枝

对于属性阈值的选择，本方法中的5个属性都是连续型数字属性，确定它们的阈值首先 需要将连续属性进行离散化处理，将属性值划分成若干个区间；然后运用Fayyad边界点判 定定理，计算相邻两类区间边界点处属性值的信息增益率，选择信息增益率最大的属性值 作为最优阈值。

对于树的剪枝，按照上述算法，借助训练数据可以构建出并线换道行为决策树。生成 决策树后要计算每个节点的分类错误进行树的剪枝，本方法决策树算法采用后剪枝算法。 对每个叶子节点，分类错误是该节点中不属于该节点所表示类别的样本的权值之和；对于 非叶节点，分类错误为其各个子节点的分类错误之和。如果计算出某节点L的分类错误超 过了将节点L所代表的样本集T中的所有样本分配为T中出现最多的类别所得的分类错误， 则将节点L的所有子枝剪去，使L成为叶节点，将T中出现最多的类别分配给它。

第四步：基于weka平台的并线换道决策树模型建立

本方法的决策树算法通过weka平台加以实现，weka是一个公开的数据挖掘工作平台， 集合了大量能承担数据挖掘任务的机器学习算法。图3所示的是通过weka修剪后的并线换 道决策树。决策树结构中的终端节点用方框表示，表示分类结果的类别，决策节点用圆圈 表示。在终端节点内标记类别标签，观测样本数。如果决策树根节点通过属性相对速度V₁进行分裂，这就表明并线车辆相对于目标车道前方车辆的相对速度是驾驶人做出并线决策 需要考虑最重要的驾驶特征。决策树模型的决策过程清晰，直观，易于理解。从决策树的 根节点到任一个叶节点形成的一条路径就可以构成一条分类规则，所有的路径能够得到完 整的分类规则，其分类规则共16条，下述每条规则中的具体数值是通过Fayyad边界点判 定定理获得的阈值，如表4所示，如果并线车辆相对于目标车道前车速度较慢(V₁≥0m/s) 或者稍微比前车快一点(0＞V₁≥-3.1m/s)，距离目标车道前后方车辆车距较大(D₂≥7m，D₁≥ 7.6m)，且进入并线车道不远(S≤56.4m)，此时驾驶人可以并线，但如果仅仅因为与后车的 距离没有足够大(D₂＜7m)，那么驾驶员也不会进行并线；与此相反，如果并线车辆相对于 目标车道前车速度过快(V₁＜-3.1m/s)，距离目标车道前车车距较小(D₁＜17.1m)，那么驾驶 人也不进行并线；决策树模型反映出的规则在日常驾驶中都有所体现。

表4并线换道行为决策树分类规则

表4给出的分类规则的文字表述如下：

1)如果V₁＜＝-3.1m/s，且D₁＜＝17.1m，那么车辆不进行换道；

2)如果V₁＜＝-3.1m/s，且D₁＞17.1m，且V₂＞-1.2m/s，那么车辆进行换道；

3)如果V₁＜＝-3.1m/s，且D₁＞17.1m，且V₂＜＝-1.2m/s，且D₂＜＝7.9m，且S＞55.2m， 那么车辆不进行换道；

4)如果V₁＜＝-3.1m/s，且D₁＞17.1m，且V₂＜＝-1.2m/s，且D₂＜＝7.9m，且S＜＝55.2m， 且D₁＜＝30.9m，那么车辆不进行换道；

5)如果V₁＜＝-3.1m/s，且D₁＞17.1m，且V₂＜＝-1.2m/s，且D₂＜＝7.9m，且S＜＝55.2m， 且D₁＞30.9m，那么车辆进行换道；

6)如果V₁＜＝-3.1m/s，且D₁＞17.1m，且V₂＜＝-1.2m/s，且D₂＞7.9m且＜＝9m，那么车 辆进行换道；

7)如果V₁＜＝-3.1m/s，且D₁＞17.1m，且V₂＜＝-1.2m/s，且D₂＞9m，且D₁＜＝44.6m， 那么车辆不进行换道；

8)如果V₁＜＝-3.1m/s，且D₁＞17.1m，且V₂＜＝-1.2m/s，且D₂＞9m，且D₁＞44.6m， 那么车辆进行换道；

9)如果V₁＞-3.1m/s，且D₁＜＝7.6m，且V₂＞2.5m/s，那么车辆进行换道；

10)如果V₁＞-3.1m/s，且D₁＜＝7.6m，且V₂＜＝2.5m/s，且D₂＞13.1m，那么车辆不进 行换道；

11)如果V₁＞-3.1m/s，且D₁＜＝7.6m，且V₂＜＝2.5m/s，且D₂＜＝13.1m，且V₁＜＝-0.3m/s， 那么车辆不进行换道；

12)如果V₁＞-3.1m/s，且D₁＜＝7.6m，且V₂＜＝2.5m/s，且D₂＜＝13.1m，且V₁＞-0.3m/s， 那么车辆进行换道；

13)如果V₁＞-3.1m/s，且D₁＞7.6m，且D₂＜＝7m，那么车辆不进行换道。

14)如果V₁＞-3.1m/s，且D₁＞7.6m，且D₂＞7m，且S＜＝56.4m，那么车辆进行换道。

15)如果V₁＞-3.1m/s，且D₁＞7.6m，且D₂＞7m，且S＞56.4m，且V₂＜＝-4.3m/s，那 么车辆不进行换道。

16)如果V₁＞-3.1m/s，且D₁＞7.6m，且D₂＞7m，且S＞56.4m，且V₂＞-4.3m/s， 那么车辆进行换道。

第五步：决策树模型的精确度验证

使用分类规则对测试数据进行识别，并将识别结果与实际并线换道情况进行对比，用识 别的准确性来验证模型的有效性。表5显示的是模型的精确度情况。

表5决策树模型的精确度情况

结果显示，决策树模型的测试数据精确度达到89.2％，表明该模型用于车辆并线换道情 况的判断是准确可靠易行的。

出于比较的目的，将本决策树模型与使用相同NGSIM数据集、相同变量的遗传模糊 系统和二元Logit模型进行比较，比较结果如表6所示。本决策树模型的预测精度要优于二 元Logit模型和遗传模糊系统。此外，本决策树模型建立简单，结果容易解释并具有更好的 计算效率，决策树仅仅需要16个规则反应驾驶人的换道行为，而为了获得相似的模型性能， 模糊逻辑系统需要产生120个规则。

表6本决策树模型与其它模型判断精确结果比较

步骤3中所述车辆强制换道时的决策判断实时提醒，是将获取的五个样本数据实时地 导入到车辆强制换道决策模块中，从决策树的根节点到任一个叶节点形成的一条路径就可 以构成一条分类规则，所有的路径能够得到完整的分类规则，通过基于weka平台下的并线 换道决策树模型中的终端节点类别形成车辆强制换道的决策判断；将步骤1中获取的相关 数据实时地导入到步骤2中的基于决策树模型的车辆强制换道决策模块中，可实时地为驾 驶员车辆强制换道时决策判断提醒，当判断决策为不能换道时，将实时地发出警报提醒驾 驶员注意。

根据图1中的流程，将步骤1中获取的相关数据实时地导入到步骤2的换道决策模块 中，可形成车辆强制换道时的决策判断。当决策判断结果为不能换道时，将实时地发出警 报提醒驾驶员不能换道。步骤2中基于决策树模型的车辆强制换道决策模块的建立在前面 已详细阐述过，本实施例不再阐述。本实施例主要将步骤1中的相关数据导入步骤2中的 车辆强制换道决策模块中，验证该方法的可靠性、实用性和准确性。

本实施例中步骤1的数据主要依据江苏大学汽车安全重点实验室平台利用相关车载传 感器读取。本次读取了50组数据，限于篇幅限制，仅列出10组具有代表性的数据，如表 7所示。

表7传感器实时读取的10组数据

将步骤1中获取的50组相关数据传入到步骤2中的换道决策模块中，得出基于决策树 模型的车辆强制换道决策模块决策判断准确度达到92.00％。该测试结果数据表明基于决策 树模型的车辆强制换道决策方法是可行的和实用的，且决策判断的准确率较高，误报率相 对较低。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理 解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中 的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情 况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制， 其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方 案。