一种智慧城市数据归档方法、装置和电子设备

摘要

本发明涉及大数据技术领域，公开了一种智慧城市数据归档方法、装置和电子设备。方法包括获取智慧城市各领域数据，对智慧城市各领域数据进行分类，获得分类后的各领域数据，对分类后的各领域数据进行分析，获得数据使用性级别，其中，数据使用性级别用于表征数据被重新使用的可能性，根据不同数据的使用性级别，将数据进行归档处理，由此能够实现随时查看数据，且节省存储空间。

说明书

技术领域

本发明涉及大数据技术领域，特别是涉及一种智慧城市数据归档方法、装置和电子设备。

背景技术

随着信息技术的不断发展，城市信息化应用水平不断提升，智慧城市建设应运而生。智慧城市可通过智能计算技术的应用，使得城市管理、教育、医疗、房地产、交通运输、公用事业和公众安全等城市组成的关键基础设施组件和服务更互联、高效和智能。

智慧城市的数据类别广泛，数据量庞大。数据积累多了之后，通常会将历史数据归档。传统的数据归档方式是按照数据产生的时间进行归档，归档过程漫长，效率低，并且归档后再重新使用的流程比较复杂，不但不利于查看，而且占用存储空间。

发明内容

基于此，有必要针对上述技术问题，提供一种智慧城市数据归档方法、装置和电子设备，不但能够随时查看数据，而且能够节省存储空间。

第一方面，本发明实施例提供了一种智慧城市数据归档方法，所述方法包括：

获取智慧城市各领域数据；

对所述智慧城市各领域数据进行分类，获得分类后的各领域数据；

对所述分类后的各领域数据进行分析，获得数据使用性级别，其中，所述数据使用性级别用于表征数据被重新使用的可能性；

根据不同数据的使用性级别，将所述数据进行归档。

在一些实施例中，所述对所述智慧城市各领域数据进行分类，获得分类后的各领域数据，包括：

使用预设的分类规则对所述智慧城市各领域数据进行分类，获得分类后的各领域数据。

在一些实施例中，所述对所述分类后的各领域数据进行分析，获得数据使用性级别，包括：

使用预设的基于机器学习的神经网络模型对所述分类后的各领域数据进行分析，获得数据使用性级别。

在一些实施例中，所述方法还包括：

预先训练基于机器学习的神经网络模型。

在一些实施例中，所述预先训练基于机器学习的神经网络模型，包括：

获取分类后各领域的若干样本数据；

为每个所述样本数据打上对应的标签；

基于机器学习算法，使用所述若干样本数据及对应的每个所述样本数据的标签训练模型，得到所述预设基于机器学习的神经网络模型。

在一些实施例中，所述数据使用性级别包括强、中和弱，

所述根据不同数据的使用性级别，将所述数据进行归档，包括：

若所述数据使用性级别为强，则延长所述数据归档周期并将所述数据暂存至实时数据库；

若所述数据使用性级别为中或弱，则将所述数据按预设周期存储至历史数据库。

在一些实施例中，所述若所述数据使用性级别为弱，则将所述数据按预设周期进行归档之后，所述方法还包括：

当到达预设时间后，将所述数据使用性级别为弱的数据进行压缩处理。

第二方面，本发明实施例还提供了一种智慧城市数据归档装置，所述装置包括：

获取模块，用于获取智慧城市各领域数据；

分类模块，用于对所述智慧城市各领域数据进行分类，获得分类后的各领域数据；

分析模块，用于对所述分类后的各领域数据进行分析，获得数据使用性级别，其中，所述数据使用性级别用于表征数据被重新使用的可能性；

归档模块，用于根据不同数据的使用性级别，将所述数据进行归档。

第三方面，本发明实施例还提供了一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述智慧城市数据归档方法。

第四方面，本发明实施例还提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，当所述计算机可执行指令被处理器所执行时，使所述处理器执行上述智慧城市数据归档方法。

与现有技术相比，本发明的有益效果是：区别于现有技术的情况，本发明实施例中的智慧城市数据归档方法，电子设备获取智慧城市各领域数据，并对所述智慧城市各领域数据进行分类，获得分类后的各领域数据，接着对所述分类后的各领域数据进行分析，获得用于表征数据被重新使用的可能性的数据使用性级别，最后根据不同数据的使用性级别将数据进行不同的归档处理，由此能够实现随时查看数据，且节省存储空间。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本发明一个实施例中智慧城市数据归档方法的应用场景示意图；

图2是本发明一个实施例中智慧城市数据归档方法的流程示意图；

图3是本发明一个实施例中训练模型的流程示意图；

图4是本发明一个实施例中根据不同数据使用性级别进行数据归档的流程示意图；

图5是本发明一个实施例中智慧城市数据归档装置的结构示意图；

图6是本发明一个实施例中电子设备的硬件结构示意图。

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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。再者，本发明所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定，仅是对功能和作用基本相同的相同项或相似项进行区分。

本发明实施例提供的智慧城市数据归档方法适用于图1所示的应用场景，包括至少一个传感器和电子设备，所述电子设备和所述传感器通信连接。图1示例性的示出了电子设备100、传感器1、传感器2、...、传感N，在实际的网络环境中还可以包括更多的电子设备和传感器。其中，所述传感器通过网络通信连接所述电子设备，例如通过局域网、广域网、无线网、全球移动通讯系统(Global System of Mobile communication，GSM)、第三代移动通信网络、第四代移动通信网络和第五代移动通信网络等方式通信连接所述电子设备。

所述传感器用于采集智慧城市各领域的数据，并将采集到的智慧城市各领域数据通过网络发送给电子设备，所述设备用于对智慧城市各领域数据进行处理和归档。

其中，电子设备可以例如是平板电脑、个人电脑及手提电脑等，也可以为一台服务器，例如机架式服务器、刀片式服务器、塔式服务器或者机柜式服务器等，也可以是由若干台服务器组成的服务器集群，或者是一个云计算服务中心。

需要说明的是，本发明实施例中的方法可以进一步的拓展到其他合适的应用环境中，而不限于图1所示的应用环境。在实际的应用环境中，该应用环境还可以包括更多或者更少的传感器和电子设备。

如图2所示，本发明实施例提供了一种智慧城市数据归档方法，所述方法由电子设备执行，包括：

步骤202，获取智慧城市各领域数据。

在本发明实施例中，智慧城市各领域数据，例如可以为，政府行政数据、城市管理数据、民生服务数据、企业经济数据、以及保证城市常态和非常态下运行的基本数据，包括：法人、人口、企业、财政、统计、资源、安全、交通、能耗、市政、生产、市场、商务、物流、医疗、卫生、教育、房产、社区等数据。其中，所述获取的智慧城市各领域数据其类型不限于音频、视频或文件等。具体地，电子设备获取传感器采集的智慧城市各个领域的数据。

步骤204，对所述智慧城市各领域数据进行分类，获得分类后的各领域数据。

在本发明实施例中，当电子设备获取到智慧城市各领域数据后，对所述智慧城市各领域数据进行分类，具体可以使用预设的分类规则对所述智慧城市各领域数据进行分类，从而获得分类后的各领域数据。

具体地，预设的数据分类规则可以按照数据类型、数据来源领域进行设定。示例性的，预设的数据分类规则以数据来源领域进行举例说明。若原始数据A属于城市管理数据、原始数据B属于政府行政数据、原始数据C属于民生服务数据、原始数据D属于政府行政数据，按照数据的来源领域进行分类，原始数据A和原始数据C单独划分为一类，由于原始数据B和原始数据D都属于政府行政数据，因此将原始数据B和原始数据D划分为同一类，从而使得相同数据来源领域的数据为一类。需要说明的是，上述预设的数据分类规则可根据需求自行设定，无需拘泥于本实施例中的限定。

步骤206，对所述分类后的各领域数据进行分析，获得数据使用性级别，其中，所述数据使用性级别用于表征数据被重新使用的可能性。

在本发明实施例中，数据的使用性级别包括强、中和弱，数据使用性级别用于表征数据被重新使用的可能性。具体地，当电子设备对所述智慧城市各领域数据进行分类后，接着对分类后的各领域数据进行分析，从而获得数据使用性级别分别为强、中和弱的数据，若数据的使用性级别为强，则表示该数据被重新使用的可能性大、若数据的使用性级别为中，则表示该数据被重新使用的可能性较大，若数据的使用性级别为弱，则标识该数据被重新使用的可能性较小。

数据的使用性级别可采用级别标识来标识，当级别标识为第一标识时，表示数据的使用性级别为强；当级别标识为第二标识时，则表示数据的使用性级别为中；当级别标识为第三标识时，则表示数据的使用性级别为弱。所述第一标识可以为1、第二标识可以为2、第三标识可以为3。此外，第一标识可以为0、第二标识可以为1、第三标识可以为2，此处仅为举例说明，并不作为对此的限定。

步骤208，根据不同数据的使用性级别，将所述数据进行归档。

具体地，当电子设备对分类后的各领域数据进行分析，获得数据使用性级别之后，电子设备根据不同数据的使用性级别，将使用性级别不同的数据保存至不同数据库，从而完成归档操作。

在本发明实施例中，电子设备获取传感器采集的智慧城市各领域的数据，并对所述智慧城市各领域的数据进行分类，获得分类后的各领域数据，接着对所述分类后的各领域的数据进行分析，获得用于表征数据被重新使用的可能性的数据使用性级别，最后根据不同数据的使用性级别，将所述数据进行归档，由此能够实现随时查看数据，且节省存储空间。

在一些实施例中，所述对所述分类后的各领域数据进行分析，获得数据使用性级别，包括：使用预设的基于机器学习的神经网络模型对所述分类后的各领域数据进行分析，获得数据使用性级别。

在本发明实施例中，基于机器学习的神经网络模型可以事先在其他设备上训练好，然后直接加载在电子设备上运行。具体地，当电子设备使用预设的分类规则对智慧城市各领域数据进行分类后，使用电子设备里的基于机器学习的神经网络模型对所述分类后的各领域数据进行分析，从而获得数据使用性级别。示例性的，当电子设备按照预设的分类规则即数据来源领域对所述智慧城市各领域数据进行分类时，获得三类不同的数据，数据A、数据B和数据C，数据A属于城市管理数据、数据B属于政府行政数据、数据C属于民生服务数据。其中，每类数据下又包括至少一种子数据，示例性的，数据C属于民生服务数据包括城镇人口、乡村人口、城市居民最低收入人数、农村居民最低收入人数、地方财政教育支出、公路里程等子数据。接着使用电子设备里基于机器学习的神经网络模型对数据C进行分析，具体是对数据C包含的子数据进行分析，从而获得数据C下子数据的使用性级别。

具体地，使用基于机器学习的神经网络模型对数据C进行分析，数据C属于民生服务数据包括城镇人口、乡村人口、城市居民最低收入人数、农村居民最低收入人数、地方财政教育支出、公路里程等数据。使用基于机器学的神经网络模型对数据C进行分析后，数据使用性级别为强的数据是城镇人口和乡村人口数据；数据使用性级别为中的数据是城市居民最低收入人数、农村居民最低收入人数以及地方财政教育支出数据，数据使用性级别为弱的数据是公路里程数据。

在一些实施例中，如图3所示，所述预先训练基于机器学习的神经网络模型，包括：

步骤302，获取分类后各领域的若干样本数据。

步骤304，为每个所述样本数据打上对应的标签。

具体地，电子设备的数据库中预先存储有大量的分类后的智慧城市各领域数据，电子设备可以直接从数据库中获取若干分类后的各领域样本数据，依次为获取到若干样本数据打上对应的标签，各领域的样本数据越多，后续对智慧城市各领域数据识别越准确。当电子设备从数据库中获取到数据A、数据B和数据C三类数据，数据A属于城市管理数据、数据B属于政府行政数据、数据C属于民生服务数据。示例性的，数据C属于民生服务数据包括城镇人口、乡村人口、城市居民最低收入人数、农村居民最低收入人数、地方财政教育支出、公路里程等子数据。城镇人口、乡村人口数据对应的标签为数据使用性级别为强；城市居民最低收入人数、农村居民最低收入人数、地方财政教育支出数据对应的标签为数据使用性级别为中；公路里程对应的标签为数据使用性级别为弱。

可以理解的是，在其他一些实施例的，电子设备还可以直接从互联网上获取若干智慧城市各领域数据，并对其进行分类处理。

步骤306，基于机器学习算法，使用所述若干样本数据及对应的每个所述样本数据的标签训练模型，得到所述预设基于机器学习的神经网络模型。

在本发明实施例中，机器学习算法是一种利用数据，训练出模型，然后使用模型进行预测的一种方法。具体地，电子设备从数据库中获取到分类后各领域的若干样本数据及对应的标签训练模型，从而得到预设基于机器学习的神经网络模型，后续可直接利用训练好的基于机器学习的神经网络模型对智慧城市各领域数据进行分析，有利于提高数据分析准确度。

可以理解的是，在其他一些实施例中，基于机器学习的神经网络模型可以是一个，也可以为多个。当基于机器学习的神经网络模型为多个，则不同分类下的数据使用不同的基于机器学习的神经网络模型对智慧城市各领域数据进行分析。

在一些实施例中，如图4所示，所述根据不同数据的使用性级别，将所述数据进行归档，包括：

步骤402，若所述数据使用性级别为强，则延长所述数据归档周期并将所述数据暂存至实时数据库。

在本发明实施例中，实时数据库用来暂存数据使用性级别为强的数据。具体地，当电子设备分析出所述数据使用性级别为强的数据后，则延长所述数据使用性级别为强的数据的归档周期并将其暂存至实时数据库，便于随时查看。

步骤404，若所述数据使用性级别为中或弱，则将所述数据按预设周期存储至历史数据库。

在本发明实施例中，历史数据库用来存储数据使用性级别为中的数据和数据使用性级别为弱的数据。具体地，当电子设备分析出所述数据使用性级别为中或者数据使用性级别为弱后，则将使用性级别为中或使用性级别为弱的数据按预设周期存储至历史数据库。预设周期可以例如为一个月或者一周，预设周期可根据业务需要自行设置，无需拘泥于本实施例中的限定。

在其他一些实施例中，所述若所述数据使用性级别为弱，则将所述数据按预设周期进行归档之后，所述方法还包括：当到达预设时间后，将所述数据使用性级别为弱的数据进行压缩处理。

具体地，预设时间例如可以为1个月，或者2个月等。当电子设备分析出所述数据使用性级别为弱，并将所述数据存储至历史数据库后，当数据使用性级别为弱的数据在历史数据库中的存放时间到达预设时间后即1个月后，电子设备则将所述数据使用性级别为弱的数据进行压缩处理，得到数据使用性级别为弱的数据的压缩包，由此能够节约存储空间。

相应的，本发明实施例还提供了一种智慧城市数据归档装置500，如图5所示，所述装置包括:

获取模块502，用于获取智慧城市各领域数据；

分类模块504，用于对所述智慧城市各领域数据进行分类，获得分类后的各领域数据；

分析模块506，用于对所述分类后的各领域数据进行分析，获得数据使用性级别，其中，所述数据使用性级别用于表征数据被重新使用的可能性；

归档模块508，用于根据不同数据的使用性级别，将所述数据进行归档。

本发明实施例提供的智慧城市数据归档装置，通过获取模块获取智慧城市各领域数据，然后使用分类模块对所述智慧城市各领域数据进行分类，获得分类后的各领域数据，接着使用分析模块对所述分类后的各领域数据进行分析，获得用于表征数据被重新使用的可能性的数据使用性级别，最后通过归档模块，将数据使用性级别不同的数据，进行不同的归档操作，由此能够实现随时查看数据，且节省存储空间。

可选的，在一些实施例中，所述分类模块504具体用于：

使用预设的分类规则对所述智慧城市各领域数据进行分类，获得分类后的各领域数据。

可选的，在一些实施例中，所述分析模块506具体用于：

使用预设的基于机器学习的神经网络模型对所述分类后的各领域数据进行分析，获得数据使用性级别。

可选的，在一些实施例中，如图5所示，所述装置500还包括：

训练模块510，用于预先训练基于机器学习的神经网络模型。

可选的，在一些实施例中，所述训练模块510具体用于：

获取分类后各领域的若干样本数据；

为每个所述样本数据打上对应的标签；

基于机器学习算法，使用所述若干样本数据及对应的每个所述样本数据的标签训练模型，得到所述预设基于机器学习的神经网络模型。

可选的，在一些实施例中，所述数据使用性级别包括强、中和弱，所述归档模块508具体用于：

若所述数据使用性级别为强，则延长所述数据归档周期并将所述数据暂存至实时数据库；

若所述数据使用性级别为中或弱，则将所述数据按预设周期存储至历史数据库。

可选的，在其他一些实施例中，如图5所示，所述装置500还包括：

压缩模块512，用于当到达预设时间后，将所述数据使用性级别为弱的数据进行压缩处理。

需要说明的是，上述智慧城市数据归档装置可执行本发明实施例所提供的智慧城市数据归档方法，具备执行方法相应的功能模块和有益效果，未在智慧城市数据归档装置实施例中详尽描述的技术细节，可参考本发明实施例所提供的智慧城市数据归档方法。

图6是本发明提供的电子设备的硬件结构示意图，如图6所示，该电子设备600包括：

一个或多个处理器602以及存储器604，图6中以一个处理器602为例。

处理器602和存储器604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

存储器604作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的智慧城市数据归档方法对应的指令/模块(例如，附图5所示的获取模块502、分类模块504、分析模块506、归档模块508、训练模块510和压缩模块512)。处理器602通过运行存储在存储器604中的非易失性软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的智慧城市数据归档方法。

存储器604可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据智慧城市数据归档装置使用所创建的数据等。此外，存储器604可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器604可选包括相对于处理器602远程设置的存储器，这些远程存储器可以通过网络连接至智慧城市数据归档装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器604中，当被所述一个或者电子设备执行时，执行上述任意方法实施例中的智慧城市数据归档方法，例如，执行上述描述的图2中的方法步骤202至步骤208、图3中的方法步骤302至步骤306、图4中的方法步骤402至步骤404；实现图5中的模块502至模块512的功能。

本发明实施例中的电子设备600以多种形式存在，包括但不限于服务器或终端设备，例如可以为：

(1)塔式服务器

一般的塔式服务器机箱和我们常用的PC机箱差不多，而大型的塔式机箱就要粗大很多，总的来说外形尺寸没有固定标准。

(2)机架式服务器

机架式服务器是由于满足企业的密集部署，形成的以19英寸机架作为标准宽度的服务器类型，高度则从1U到数U。将服务器放置到机架上，并不仅仅有利于日常的维护及管理，也可能避免意想不到的故障。首先，放置服务器不占用过多空间。机架服务器整齐地排放在机架中，不会浪费空间。其次，连接线等也能够整齐地收放到机架里。电源线和LAN线等全都能在机柜中布好线，可以减少堆积在地面上的连接线，从而防止脚踢掉电线等事故的发生。规定的尺寸是服务器的宽(48.26cm＝19英寸)与高(4.445cm的倍数)。由于宽为19英寸，所以有时也将满足这一规定的机架称为“19英寸机架”。

(3)刀片式服务器

刀片服务器是一种HAHD(High Availability High Density，高可用高密度)的低成本服务器平台，是专门为特殊应用行业和高密度计算机环境设计的，其中每一块“刀片”实际上就是一块系统母板，类似于一个个独立的服务器。在这种模式下，每一个母板运行自己的系统，服务于指定的不同用户群，相互之间没有关联。不过可以使用系统软件将这些母板集合成一个服务器集群。在集群模式下，所有的母板可以连接起来提供高速的网络环境，可以共享资源，为相同的用户群服务。

(4)云服务器

云服务器(Elastic Compute Service,ECS)是一种简单高效、安全可靠、处理能力可弹性伸缩的计算服务。其管理方式比物理服务器更简单高效，用户无需提前购买硬件，即可迅速创建或释放任意多台云服务器。云服务器的分布式存储用于将大量服务器整合为一台超级计算机，提供大量的数据存储和处理服务。分布式文件系统、分布式数据库允许访问共同存储资源，实现应用数据文件的IO共享。虚拟机可以突破单个物理机的限制，动态的资源调整与分配消除服务器及存储设备的单点故障,实现高可用性。

(5)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。

(6)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等，例如iPad。

(7)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

本发明实施例还提供了一种计算机程序产品，包括存储在非易失性计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时时，使所述计算机执行：图2中的方法步骤202至步骤208。

上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述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。

以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。