基于駕駛行為的駕駛風險評估方法及裝置與流程
本發明涉及風險預測領域，具體而言，涉及一種基于駕駛行為的駕駛風險評估方法及裝置。
背景技術：
隨著ubi車聯網保險和大數據的興起，迫切需要一種科學的方法對駕駛員的駕駛風險進行評估，該評估結果可以作為測試車輛車主的駕駛風險數據的支撐，提醒和督促車主改善行車習慣，從而提高車主的安全意識，也可以為保險公司制定不同等級的保費提供依據，目前在國內外關于ubi的保險評估只是將風險因子分配適當權重后，做簡單的擬合和運算即可，但是這個方法獲得的評估結果，不能準確的反映實際危險的情況，也不能為保險公司針對不同的客戶提供更加準確的依據。
技術實現要素：
有鑒于此，本發明實施例的目的在于提供一種基于駕駛行為的駕駛風險評估方法及裝置，以改善上述問題。
第一方面，本發明實施例提供了一種基于駕駛行為的駕駛風險評估方法，所述方法包括：獲取第一駕駛行為參數數據；將所述第一駕駛行為參數數據輸入到預先獲取的風險預測模型進行風險預測；根據所述第一駕駛行為參數數據及所述風險預測模型獲取評估結果。
第二方面，本發明實施例提供了一種基于駕駛行為的駕駛風險評估裝置，所述裝置包括：第一獲取模塊，用于獲取第一駕駛行為參數數據；風險預測模塊，用于將所述第一駕駛行為參數數據輸入到預先獲取的風險預測模型進行風險預測；評估結果獲取模塊，用于根據所述第一駕駛行為參數數據及所述風險預測模型獲取評估結果。
本發明實施例的有益效果是：
本發明實施例提供一種基于駕駛行為的駕駛風險評估方法及裝置，通過獲取的第一駕駛行為參數數據，并且將該第一駕駛行為參數數據輸入至預先獲取的風險預測模型進行風險預測，再根據該第一駕駛行為參數數據和所述風險預測模型即可獲得評估結果，該評估結果準確性高，一方面可以為各大保險公司通過數據輸出來識別并篩選駕駛風險，從而降低其綜合賠付率，實現雙贏；另一方面還可以為車險行業創新性差異化定價提供技術支持和數據支撐，為安全駕駛的好車主爭取到更加公平合理的商業險保費定價。
本發明的其他特征和優點將在隨后的說明書闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發明實施例了解。本發明的目的和其他優點可通過在所寫的說明書、權利要求書、以及附圖中所特別指出的結構來實現和獲得。
附圖說明
為了更清楚地說明本發明實施例的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，應當理解，以下附圖僅示出了本發明的某些實施例，因此不應被看作是對范圍的限定，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他相關的附圖。
圖1示出了一種可應用于本申請實施例中的電子設備的結構框圖；
圖2為本發明第一實施例提供的一種基于駕駛行為的駕駛風險評估方法的流程圖；
圖3為本發明第二實施例提供的一種基于駕駛行為的駕駛風險評估方法的流程圖；
圖4為本發明第三實施例提供的一種基于駕駛行為的駕駛風險評估裝置的結構框圖；
圖5為本發明第四實施例提供的一種基于駕駛行為的駕駛風險評估裝置的結構框圖。
具體實施方式
下面將結合本發明實施例中附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。通常在此處附圖中描述和示出的本發明實施例的組件可以以各種不同的配置來布置和設計。因此，以下對在附圖中提供的本發明的實施例的詳細描述并非旨在限制要求保護的本發明的范圍，而是僅僅表示本發明的選定實施例。基于本發明的實施例，本領域技術人員在沒有做出創造性勞動的前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
應注意到：相似的標號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步定義和解釋。同時，在本發明的描述中，術語“第一”、“第二”等僅用于區分描述，而不能理解為指示或暗示相對重要性。
請參照圖1，圖1示出了一種可應用于本申請實施例中的電子設備100的結構框圖。電子設備100可以包括基于駕駛行為的駕駛風險評估裝置、存儲器101、存儲控制器102、處理器103、外設接口104、輸入輸出單元105、音頻單元106、顯示單元107。
所述存儲器101、存儲控制器102、處理器103、外設接口104、輸入輸出單元105、音頻單元106、顯示單元107各元件相互之間直接或間接地電性連接，以實現數據的傳輸或交互。例如，這些元件相互之間可通過一條或多條通訊總線或信號線實現電性連接。所述基于駕駛行為的駕駛風險評估裝置包括至少一個可以軟件或固件(firmware)的形式存儲于所述存儲器101中或固化在所述基于駕駛行為的駕駛風險評估裝置的操作系統(operatingsystem，os)中的軟件功能模塊。所述處理器103用于執行存儲器101中存儲的可執行模塊，例如所述基于駕駛行為的駕駛風險評估裝置包括的軟件功能模塊或計算機程序。
其中，存儲器101可以是，但不限于，隨機存取存儲器(randomaccessmemory，ram)，只讀存儲器(readonlymemory，rom)，可編程只讀存儲器(programmableread-onlymemory，prom)，可擦除只讀存儲器(erasableprogrammableread-onlymemory，eprom)，電可擦除只讀存儲器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存儲器101用于存儲程序，所述處理器103在接收到執行指令后，執行所述程序，前述本發明實施例任一實施例揭示的流過程定義的服務器所執行的方法可以應用于處理器103中，或者由處理器103實現。
處理器103可能是一種集成電路芯片，具有信號的處理能力。上述的處理器103可以是通用處理器，包括中央處理器(centralprocessingunit，簡稱cpu)、網絡處理器(networkprocessor，簡稱np)等；還可以是數字信號處理器(dsp)、專用集成電路(asic)、現成可編程門陣列(fpga)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件。可以實現或者執行本發明實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器103也可以是任何常規的處理器等。
所述外設接口104將各種輸入/輸出裝置耦合至處理器103以及存儲器101。在一些實施例中，外設接口104，處理器103以及存儲控制器102可以在單個芯片中實現。在其他一些實例中，他們可以分別由獨立的芯片實現。
輸入輸出單元105用于提供給用戶輸入數據實現用戶與所述服務器(或本地終端)的交互。所述輸入輸出單元105可以是，但不限于，鼠標和鍵盤等。
音頻單元106向用戶提供音頻接口，其可包括一個或多個麥克風、一個或者多個揚聲器以及音頻電路。
顯示單元107在所述電子設備100與用戶之間提供一個交互界面(例如用戶操作界面)或用于顯示圖像數據給用戶參考。在本實施例中，所述顯示單元107可以是液晶顯示器或觸控顯示器。若為觸控顯示器，其可為支持單點和多點觸控操作的電容式觸控屏或電阻式觸控屏等。支持單點和多點觸控操作是指觸控顯示器能感應到來自該觸控顯示器上一個或多個位置處同時產生的觸控操作，并將該感應到的觸控操作交由處理器103進行計算和處理。
所述外設接口104將各種輸入/輸入裝置耦合至處理器103以及存儲器101。在一些實施例中，外設接口104，處理器103以及存儲控制器102可以在單個芯片中實現。在其他一些實例中，他們可以分別由獨立的芯片實現。
輸入輸出單元105用于提供給用戶輸入數據實現用戶與處理終端的交互。所述輸入輸出單元105可以是，但不限于，鼠標和鍵盤等。
可以理解，圖1所示的結構僅為示意，所述電子設備100還可包括比圖1中所示更多或者更少的組件，或者具有與圖1所示不同的配置。圖1中所示的各組件可以采用硬件、軟件或其組合實現。
第一實施例
請參照圖2，圖2為本發明第一實施例提供的一種基于駕駛行為的駕駛風險評估方法的流程圖，所述方法具體包括如下步驟：
步驟s110：獲取第一駕駛行為參數數據。
首先獲取第一駕駛行為參數數據，所述第一駕駛行為參數數據可以包括車輛行駛里程數、夜間駕駛比例、高峰期駕駛比例、熟悉路段駕駛占比、每段路程最大速度均值、百公里急剎車次數、百公里急加速次數、疲勞駕駛時間占比、出險數據等數據。其中，將夜間駕駛時間定義為21:00-24:00pm，高峰期時間定義為8:00-9:00am及16:00-18:00pm，熟悉路段定義為最常出現的三個熄火點，熟悉路段駕駛占比定義為總行駛次數中的熟悉路段行駛次數占比。
出險數據為車主在預設時間內的出險次數、賠付金額等，例如，在獲取該出險數據前的上一個保險年度內的出險次數為3，只要其中一次的賠付金額大于500即可定義出險數據為1，可以理解為出險概率為1，又或者，在獲取該出險數據前的上一個保險年度內的出險次數為3，每次的賠付金額小于或等于500以及在獲取該出險數據前的上一個保險年度內的出險次數為0，即可定義出險數據為0，可以理解為出險概率也為0，因為根據2016年商車費改后，前一年的出險情況會導致車主次年的保費大幅上漲，因此費改后車主對于一些小額理賠更傾向于不報出險，自行解決，所以在建模過程中，為了充分體現費改后車主向保險公司報出險的這一變化，特別對費改前理賠數據做了上述優化處理。
所述第一駕駛行為參數數據的獲取可以通過手機車寶app中車主上傳的數據和該app上記錄的該車主駕駛的車輛的相關物理參數數據，其出險數據可以從保險公司獲取。
需要說明的是，一個車主對應一輛車，即獲取的第一駕駛行為參數數據是指獲取的一個車主的對應一輛車的駕駛行為參數數據。并且，該第一駕駛行為參數數據之間相互獨立沒有相關性。
步驟s120：將所述第一駕駛行為參數數據輸入到預先獲取的風險預測模型進行風險預測。
將上述步驟中獲得的第一駕駛行為參數數據輸入到預先獲取的風險預測模型中進行風險預測。其中，再將所述第一駕駛行為參數數據輸入進風險預測模型時，需要對第一駕駛行為參數數據進行量化后輸入，例如，車輛行駛里程數為2萬km、夜間駕駛比例為30％、高峰期駕駛比例為20％、熟悉路段駕駛占比為50％、每段路程最大速度均值為60km/h、百公里急剎車次數為3次、百公里急加速次數為2次、疲勞駕駛時間占比為10％，出險數據為1。
該風險預測模型可以根據輸入的第一駕駛行為參數數據獲得，作為一種實施方式，該風險預測模型可以表示為
步驟s130：根據所述第一駕駛行為參數數據及所述風險預測模型獲取評估結果。
將所述第一駕駛行為參數數據輸入至風險預測模型中進行風險預測，則可獲得評估結果，即該車主的出險概率，則可根據評估結果來進行對車主的駕駛風險進行分析，以提醒和督促車主改善行車習慣，從而提高車主的安全意識，另外，通過該評估結果一方面可以為各大保險公司識別并篩選駕駛風險，從而降低其綜合賠付率，實現盈利；另一方面還可以為車險行業創新性差異化定價提供技術支持和數據支撐，為安全駕駛的好車主爭取到更加公平合理的保費優惠。
當然，在實際應用過程中，可能由于條件限制并不會獲取到全部的第一駕駛行為參數數據，所以為了進行風險預測，得到評估結果，本實施例中獲取的風險預測模型也可以用來針對單獨的風險因素進行評估，例如，針對第一駕駛行為參數數據中的至少一個數據輸入進風險預測模型進行風險預測，例如，可以將總駕駛次數的熟悉路段駕駛占比為87％、總駕駛時長的高峰駕駛時長占比為25％、百公里急剎車次數為3次、年行駛里程數為1萬km、每段路程最大速度均值為70km/h這些數據中的一種或多種數據輸入至風險預測模型，最后可得出出險概率，即該車主的評估結果，通過該風險預測模型進行風險預測，最后獲得的評估結果準確性較高，可以有效提高車主駕駛安全性，也為保險公司制定不同等級的保費提供有力的依據。
本發明第一實施例提供的一種基于駕駛行為的駕駛風險評估方法，通過獲取的第一駕駛行為參數數據，并且將該第一駕駛行為參數數據輸入至預先獲取的風險預測模型進行風險預測，再根據該第一駕駛行為參數數據和所述風險預測模型即可獲得評估結果，該評估結果準確性高，一方面可以為各大保險公司通過數據輸出來識別并篩選駕駛風險，從而降低其綜合賠付率，實現雙贏；另一方面還可以為車險行業創新性差異化定價提供技術支持和數據支撐，為安全駕駛的好車主爭取到更加公平合理的商業險保費定價。
第二實施例
請參照圖3，圖3為本發明第二實施例提供的一種基于駕駛行為的駕駛風險評估方法的流程圖，所述方法具體包括如下步驟：
步驟s210：獲取多個第二駕駛行為參數數據。
為了構建風險預測模型，提高評估結果的準確性，則需要獲取多個第二駕駛行為參數數據，每個所述第二駕駛行為參數數據包括車輛行駛里程數、夜間駕駛比例、高峰期駕駛比例、熟悉路段駕駛占比、每段路程最大速度均值、百公里急剎車次數、百公里急加速次數、疲勞駕駛時間占比、出險數據等數據，該出險數據為車主在預設時間內的出險次數、賠付金額等。
所述多個第二駕駛行為參數數據的獲取可以通過手機車寶app中車主上傳的數據和該app上記錄的該車主駕駛的車輛的相關物理參數數據，其出險數據可以從保險公司獲取。
需要說明的是，一個車主對應一輛車，即獲取的多個第二駕駛行為參數數據是指獲取的多個車主的駕駛行為參數數據。并且，這些駕駛行為參數數據之間相互獨立沒有相關性。
本步驟可具體參考步驟s110中的描述，在此不再過多贅述。
步驟s220：根據所述多個第二駕駛行為參數數據獲取邏輯回歸函數。
若將所述多個第二駕駛行為參數數據所構成的向量表示為x＝(x1,x2,x3...xn)，y為出險概率，y＝1表示的是百分之百出險，y＝0表示的是出險概率為0，則條件概率的表達式可以表示為p(y＝1|x)＝p，則邏輯回歸函數的表達式可以表示為
步驟s230：基于所述邏輯回歸函數獲取概率函數。
在獲取了邏輯回歸函數的表達式：
步驟s240：基于所述概率函數獲取風險預測模型。
因為概率函數表達式為
步驟s250：獲取第一駕駛行為參數數據。
若需要對某個車主進行風險預測，則需先獲取該車主的第一駕駛行為參數數據，其具體實現方法可參照步驟s110，為了描述的簡潔，在此不再過多贅述。
步驟s260：將所述第一駕駛行為參數數據輸入到預先獲取的風險預測模型進行風險預測。
將獲取的所述第一駕駛行為參數數據輸入到上述步驟s240中獲得的風險預測模型
步驟s270：根據所述第一駕駛行為參數數據及所述風險預測模型獲取評估結果。
將獲取的第一駕駛行為參數數據輸入至所述風險預測模型，即將第一駕駛行為參數數據帶入
需要說明的是，在本實施例中，獲取的邏輯回歸函數的過程中，在利用統計軟件求取g(x)＝β0+β1x1+β2x2+…+βnxn中的系數β0,β1,β2...βn時，該統計軟件會將輸入的多個第二駕駛行為參數數據，即輸入的n個第二駕駛行為參數數據中的與出險概率不相關的數據進行剔除，也就是當某個單獨的數據，例如年行駛里程數，輸入到風險預測模型中進行檢測時，得出的出險概率大于預設的置信水平時，則就說明該年行駛里程數變量與出險概率不相關，則剔除該年行駛里程數變量，從而在創建風險預測模型時只輸入與出險概率相關的數據變量，即最后將剔除后的剩余m個第二駕駛行為參數數據輸入至該風險預測模型，從而提高了通過該風險預測模型獲得的評估結果的準確性。
另外，通過該評估結果一方面可以為各大保險公司識別并篩選駕駛風險，從而降低其綜合賠付率，實現盈利；另一方面還可以為車險行業創新性差異化定價提供技術支持和數據支撐，為安全駕駛的好車主爭取到更加公平合理的保費優惠。
針對上述方法的執行過程，下面以一個具體的實施例來詳細說明本發明所述的基于駕駛行為的駕駛風險評估方法。
利用統計軟件sas軟件對近500萬條數據進行統計合并，其中包括第二駕駛行為參數數據16個，將這些數據進行邏輯回歸的統計建模。邏輯回歸函數里面的駕駛行為檢驗假設(h0)表示所給的第二駕駛行為參數數據變量與出險概率不相關。所以當p值(pr>chisq)小于置信水平(0.05)時，拒絕檢驗假設；而當p值大于置信水平時，不拒絕檢驗假設。
當統計軟件的輸出結果中某個變量對應的p值顯著大于0.05時，不拒絕駕駛行為檢驗假設(h0)，即不拒絕所給的第二駕駛行為參數數據變量與出險概率不相關的假設(認為是與出險概率不相關)，因此在進行下一步之前剔除這些不顯著的變量。從軟件輸出的結果來看，第一次回歸篩選掉的因子分別為日均駕駛次數(p＝0.25)、連續行駛一小時頻次占比(p＝0.76)、每段路程平均速度(p＝0.29)、夜間駕駛比例(p＝0.97)。
剔除上述數據后，重復上述邏輯回歸步驟，得到某地區車型結合第二駕駛行為參數數據的模型為：
g(x)＝β0+β1x1+β2x2+…βnxn，其中，可得系數β0＝-1.0926，β1＝-0.4766，β2＝0.0291，β3＝0.00895，β4＝6.932*10-6，β5＝0.747。
例如，38歲車主駕駛一臺3年新前置前驅的馬自達6，該車主高峰期出行比例為30％，年行駛里程為1萬公里，每段行程最大速度均值為40公里/小時，熟悉路段占比30％，代入公式得到g(x)＝-0.528，那么該用戶的出險概率大概為0.37，略低于樣本平均出險率0.4。
本發明第二實施例提供的一種基于駕駛行為的駕駛風險評估方法，通過獲取多個第二駕駛行為參數數據，再根據該多個第二駕駛行為參數數據獲取邏輯回歸函數，然后基于所述邏輯回歸函數即可獲得概率函數，基于概率函數獲取風險預測模型，再獲取第一駕駛行為參數數據，將該第一駕駛行為參數數據輸入至該風險預測模型進行風險預測，從而獲得準確性較高的評估結果，一方面可以為各大保險公司識別并篩選駕駛風險，從而降低其綜合賠付率，實現盈利；另一方面還可以為車險行業創新性差異化定價提供技術支持和數據支撐，為安全駕駛的好車主爭取到更加公平合理的保費優惠。
第三實施例
請參照圖4，圖4為本發明第三實施例提供的一種基于駕駛行為的駕駛風險評估裝置200的結構框圖，所述裝置具體包括：
第一獲取模塊210，用于獲取第一駕駛行為參數數據。
風險預測模塊220，用于將所述第一駕駛行為參數數據輸入到預先獲取的風險預測模型進行風險預測。
評估結果獲取模塊230，用于根據所述第一駕駛行為參數數據及所述風險預測模型獲取評估結果。
第四實施例
請參照圖5，圖5為本發明第四實施例提供的一種基于駕駛行為的駕駛風險評估裝置300的結構框圖，所述裝置具體包括：
第二獲取模塊310，用于獲取多個第二駕駛行為參數數據。
邏輯回歸函數獲取模塊320，用于根據所述多個第二駕駛行為參數數據獲取邏輯回歸函數。
概率函數獲取模塊330，用于基于所述邏輯回歸函數獲取概率函數。
風險預測模型獲取模塊340，用于基于所述概率函數獲取風險預測模型。
第一獲取模塊350，用于獲取第一駕駛行為參數數據。
風險預測模塊360，用于將所述第一駕駛行為參數數據輸入到預先獲取的風險預測模型進行風險預測。
評估結果獲取模塊370，用于根據所述第一駕駛行為參數數據及所述風險預測模型獲取評估結果。
其中，所述邏輯回歸函數為
其中，x＝(x1,x2,x3...xn)為所述多個第二駕駛行為參數數據所構成的向量，y為出險概率，g(x)＝β0+β1x1+β2x2+…+βnxn。
所述邏輯回歸函數獲取模塊330包括：第一運算子模塊，用于基于
所述風險預測模型獲取模塊340包括：第二運算子模塊，用于基于
所屬領域的技術人員可以清楚地了解到，為描述的方便和簡潔，上述描述的裝置的具體工作過程，可以參考前述方法中的對應過程，在此不再過多贅述。
綜上所述，本發明實施例提供一種基于駕駛行為的駕駛風險評估方法及裝置，通過獲取的第一駕駛行為參數數據，并且將該第一駕駛行為參數數據輸入至預先獲取的風險預測模型進行風險預測，再根據該第一駕駛行為參數數據和所述風險預測模型即可獲得評估結果，該評估結果準確性高，一方面可以為各大保險公司通過數據輸出來識別并篩選駕駛風險，從而降低其綜合賠付率，實現雙贏；另一方面還可以為車險行業創新性差異化定價提供技術支持和數據支撐，為安全駕駛的好車主爭取到更加公平合理的商業險保費定價。
在本申請所提供的幾個實施例中，應該理解到，所揭露的裝置和方法，也可以通過其它的方式實現。以上所描述的裝置實施例僅僅是示意性的，例如，附圖中的流程圖和框圖顯示了根據本發明的多個實施例的裝置、方法和計算機程序產品的可能實現的體系架構、功能和操作。在這點上，流程圖或框圖中的每個方框可以代表一個模塊、程序段或代碼的一部分，所述模塊、程序段或代碼的一部分包含一個或多個用于實現規定的邏輯功能的可執行指令。也應當注意，在有些作為替換的實現方式中，方框中所標注的功能也可以以不同于附圖中所標注的順序發生。例如，兩個連續的方框實際上可以基本并行地執行，它們有時也可以按相反的順序執行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個方框、以及框圖和/或流程圖中的方框的組合，可以用執行規定的功能或動作的專用的基于硬件的系統來實現，或者可以用專用硬件與計算機指令的組合來實現。
另外，在本發明各個實施例中的各功能模塊可以集成在一起形成一個獨立的部分，也可以是各個模塊單獨存在，也可以兩個或兩個以上模塊集成形成一個獨立的部分。
所述功能如果以軟件功能模塊的形式實現并作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基于這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的部分可以以軟件產品的形式體現出來，該計算機軟件產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設備等)執行本發明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：u盤、移動硬盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲程序代碼的介質。需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。
以上所述僅為本發明的優選實施例而已，并不用于限制本發明，對于本領域的技術人員來說，本發明可以有各種更改和變化。凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。應注意到：相似的標號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步定義和解釋。
以上所述，僅為本發明的具體實施方式，但本發明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發明揭露的技術范圍內，可輕易想到變化或替換，都應涵蓋在本發明的保護范圍之內。因此，本發明的保護范圍應所述以權利要求的保護范圍為準。
需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。
- 還沒有人留言評論。精彩留言會獲得點贊！