一种风险预测方法及系统

本发明涉及金融技术领域，特别是涉及一种风险预测方法及系统。

伴随着互联网技术的发展，银行业务互联网会给客户提供了便捷和高效的客户体验，但伴随而来的风险高度集中化也成为了主要问题。

例如，在银行线上贷款系统业务的日程运行中，若无集中欺诈或营销推广活动等事件发生，银行线上贷款系统在运转过程中将不会受到影响。但是，若存在贷款欺诈等事件会使得系统运转受到影响，例如，会降低数据处理的效率，会影响正常贷款申请业务的处理流程等。并且现有的对银行线上贷款系统业务的风险预测主要是基于工作人员的审核和分析，会使得预测效率低并且预测精度下降。

针对于上述问题，本发明提供一种风险预测方法及系统，实现了提高预测效率和预测精度的目的。

为了实现上述目的，本发明提供了如下技术方案：

一种风险预测方法，包括：

以时间为粒度，获取贷款申请的数据信息；

依据所述贷款申请的数据信息，创建获得预测模型；

基于所述预测模型对待预测时间内的各个时段的贷款申请量进行预测，获得所述各个时段的贷款申请量的预测结果；

根据所述预测结果，对所述各个时段的贷款申请量进行风险评估，获得风险评估结果。

可选地，还包括：

若所述风险评估结果表明待预测时段的贷款申请量存在异常，则计算获得所述预测时段的贷款申请量与所述预测模型获得的所述预测时段的贷款申请量的预测数量的差值；

根据所述差值，确定熔断级别；

依据所述熔断级别，对所述待预测时段对应的贷款申请进行熔断处理，实现对所述贷款申请的风险响应。

可选地，所述基于所述预测模型对待预测时间内的各个时段的贷款申请量进行预测，获得所述各个时段的贷款申请量的预测结果，包括：

基于所述预测模型对待预测时间内的贷款申请量进行预测，获得初始预测值；

获得所述待预测时间内的第一时段集的贷款申请量实际数值；

基于所述贷款申请量实际数值，对所述初始预测值进行调整，获得待预测时间内的第二时段集的各个时段的贷款申请量的预测结果，其中，所述第一时段集和所述第二时段集满足预设时间对应关系。

可选地，所述基于所述贷款申请量实际数值，对所述初始预测值进行调整，获得待预测时间内的第二时段集的各个时段的贷款申请量的预测结果，包括：

获取各个时段贷款申请量占贷款申请总量的比值；

基于第一时段集的贷款申请量实际数值和所述第一时段集对应的比值，计算获得贷款申请总量的计算值；

根据所述贷款申请总量的计算值，对待预测时间内的贷款申请总量的预测值进行调整，获得目标总量预测值；

根据第二时段集占贷款申请总量的比值，计算获得待预测时间内的第二时段集的各个时段的贷款申请量的预测结果。

可选地，在计算获得贷款申请总量的计算值后，该方法还包括：

计算所述贷款申请总量的计算值与所述待预测时间内的贷款申请总量的预测值之间的绝对差值；

判断所述绝对差值是否满足预设调整阈值，如果是，则根据所述贷款申请总量的计算值，对待预测时间内的贷款申请总量的预测值进行调整，获得目标总量预测值。

可选地，所述依据所述贷款申请的数据信息，创建获得预测模型，包括：

根据所述贷款申请的数据信息，生成贷款申请量时间序列；

根据所述贷款申请量时间序列，创建第一预测模型；

对所述贷款申请的数据信息进行信息提取，获得影响因素参数信息；

基于所述影响因素参数信息，创建第二预测模型；

分别计算获得所述第一预测模型和所述第二预测模型对应的预测有效度

基于所述预测有效度，在所述第一预测模型和所述第二预测模型中确定目标预测模型。

可选地，当所述第一预测模型为ARMA模型时，则所述根据所述贷款申请量时间序列，创建第一预测模型，包括：

根据所述贷款申请量时间序列，计算获得所述序列的自相关系数和偏相关系数；

依据所述自相关系数和偏相关系数，确定ARMA模型的阶数；

利用已确定阶数的ARMA模型，获得所述ARMA模型的参数；

根据所述参数对所述ARMA模型进行验证，并基于验证结果进行拟合，获得若干个拟合模型，在所述拟合模型中确定目标ARMA模型。

可选地，当所述第二预测模型为BP神经网络模型时，则所述基于所述影响因素参数信息，创建第二预测模型，包括：

根据所述影响因素参数信息，确定BP神经网络模型的输入样本集；

根据实际贷款申请数量，建立BP神经网络模型的输出样本集；

根据所述输入样本集和所述输出样本集，建立获得所述BP神经网络模型；

对所述BP神经网络模型进行参数调整，并依据调整后的参数进行模型拟合，确定目标BP神经网络模型。

一种风险预测系统，包括：

获取单元，用于以时间为粒度，获取贷款申请的数据信息；

创建单元，用于依据所述贷款申请的数据信息，创建获得预测模型；

预测单元，用于基于所述预测模型对待预测时间内的各个时段的贷款申请量进行预测，获得所述各个时段的贷款申请量的预测结果；

评估单元，用于根据所述预测结果，对所述各个时段的贷款申请量进行风险评估，获得风险评估结果。

可选地，还包括：

计算单元，用于若所述风险评估结果表明待预测时段的贷款申请量存在异常，则计算获得所述预测时段的贷款申请量与所述预测模型获得的所述预测时段的贷款申请量的预测数量的差值；

确定单元，用于根据所述差值，确定熔断级别；

熔断单元，用于依据所述熔断级别，对所述待预测时段对应的贷款申请进行熔断处理，实现对所述贷款申请的风险响应。

相较于现有技术，本发明提供了一种风险预测方法及系统，基于时间粒度获取贷款申请的数据信息，然后创建预测模型，这样预测模型是根据时间序列进行创建的，可以用来预测各个时段的贷款申请量，将预测后的结果对实际贷款申请量进行风险评估，可以实现对各个时段的贷款申请量进行评估，继而实现了实时风险预测，并且是基于时间粒度，若集中或不正常的贷款申请能够被识别出，无需人工进行预测，因此，解决了人工进行预测时的效率低和精准度低的问题。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种风险预测方法的流程示意图；

图2为本发明实施例提供的另一种风险预测方法的流程示意图；

图3为本发明实施例提供的一种预测模型的创建方法的流程示意图；

图4为本发明实施例提供的一种对贷款申请量预测值进行调整的方法的流程示意图；

图5为本发明实施例提供的一种风险预测系统的结构示意图。

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，所描述的实施例仅仅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做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。

本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

在本发明实施例中提供了一种风险预测方法，参见图1，可以包括以下步骤：

S101、以时间为粒度，获取贷款申请的数据信息。

其中，贷款申请的数据信息主要是指某个银行线上贷款系统接收到的贷款申请的数量信息，还可以包括贷款申请的相关信息，例如，客户相关信息、利率信息或者政策相关信息等。以时间为粒度是对数据信息进行采集是分时段进行采集的，其中，时间粒度的大小可以根据采集次数或者采集间隔进行设置，例如，以采集次数进行设置，则根据次数将采集时间进行划分，则可以确定时间粒度。具体的，假设在某日的24小时需要采集8次，则此时的时间粒度为3小时。

S102、依据贷款申请的数据信息，创建获得预测模型；

根据获取的数据信息，建立预测模型，该预测模型用于对银行线上贷款系统中的贷款申请是否存在风险进行预测。在本发明实施例中的预测模型可以是ARMA模型(Auto-Regressive and Moving Average Model，自回归滑动平均模型)，也可以是BP神经网络模型，或者同时创建两个模型，选取其中预测效果最好的模型作为最终的目标预测模型。其中，ARMA模型是研究时间序列的一种重要的方法，BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。当然本发明实施例只是优选于利用上述两种模型获得预测模型，但是并不限制于使用其他模型进行预测，只要能够基于预测模型获得各时段的贷款申请量的预测结果即可。

S103、基于预测模型对待预测时间内的各个时段的贷款申请量进行预测，获得与各个时段的贷款申请量的预测结果。

基于预测模型对待预测时间内的各个时段的贷款申请量进行预测时，例如，对某天的贷款申请量进行预测时，需要首先预测当日的贷款申请总量，然后根据申请总量和各时段申请量占比，得到各时段客户申请量的预测结果。当然也可以基于历史各个时段的申请量，通过预测模型直接预测获得各个时段的申请量预测值。

并且当在待预测时间内进行预测时，并不直接采用前一时间粒度计算出的预测结果，而是先获得该预测时间中的一些时间段的实际贷款申请量数据，再依据这些数据占当日的申请总量的比例调整该日的贷款申请数量总量，最后对待预测时间内后续各个时段的贷款申请量的预测结果进行调整，这样可以基于实时的动态调整，使得预测结果更加准确，并符合当日的实际情况。

S104、根据预测结果，对各个时段的贷款申请量进行风险评估，获得风险评估结果。

当银行线上贷款系统接收到贷款申请时会对贷款申请数量进行统计，然后基于该时段的贷款申请量预测结果对实际的贷款申请数量进行风险评估，获得风险评估结果。例如，某个时段的贷款申请数量的预测值为50，而该时段的贷款申请数量实际值为150，则远远超过预测值，会生成高风险的评估结果。即该根据预测值进行风险评估时可以设置一定浮动范围，生成的风险评估结果也可以设置一定的风险等级。

本发明提供了一种风险预测方法，基于时间粒度获取贷款申请的数据信息，然后创建预测模型，这样预测模型是根据时间序列进行创建的，可以用来预测各个时段的贷款申请量，将预测后的结果对实际贷款申请量进行风险评估，可以实现对各个时段的贷款申请量进行评估，继而实现了实时风险预测，并且是基于时间粒度，若集中或不正常的贷款申请能够被识别出，无需人工进行预测，因此，解决了人工进行预测时的效率低和精准度低的问题。

在图1实施例的基础上，本发明还提供了另一种风险预测方法，在该实施例中主要是根据风险预测结果进行处理，可以包括：

S201、以时间为粒度，获取贷款申请的数据信息；

S202、依据贷款申请的数据信息，创建获得预测模型；

S203、基于预测模型对待预测时间内的各个时段的贷款申请量进行预测，获得与各个时段的贷款申请量的预测结果；

S204、根据预测结果，对各个时段的贷款申请量进行风险评估，获得风险评估结果；

S205、根据风险评估结果，判断贷款申请量是否存在异常，如果否，执行S206，如果是，执行S207；

S206、指示贷款申请进入正常流程；

S207、计算获得预测时段的贷款申请量与预测模型获得的预测时段的贷款申请量的预测数量的差值；

S208、根据差值，确定熔断级别；

S209、依据熔断级别，对待预测时段对应的贷款申请进行熔断处理，实现对贷款申请的风险响应。

在本实施例中可以设置一个熔断模块，当存在风险时，将触发该通断模块，对该贷款申请进行拦截，从而可以对贷款欺诈等事件及时作出响应。在图1实施例的基础上，本发明的另一实施例还包括了一种预测模型的创建方法，参见图3，该方法包括：

S301、根据贷款申请的数据信息，生成贷款申请量时间序列；

S302、根据贷款申请量时间序列，创建第一预测模型；

S303、对贷款申请的数据信息进行信息提取，获得影响因素参数信息；

S304、基于影响因素参数信息，创建第二预测模型；

S305、分别计算获得第一预测模型和第二预测模型对应的预测有效度；

S306、基于预测有效度，在第一预测模型和第二预测模型中确定目标预测模型。

其中，若第一预测模型为ARMA模型时，上述步骤S302可以具体包括：

根据贷款申请量时间序列，计算获得序列的自相关系数和偏相关系数；

依据自相关系数和偏相关系数，确定ARMA模型的阶数；

利用已确定阶数的ARMA模型，获得ARMA模型的参数；

根据参数对ARMA模型进行验证，并基于验证结果进行拟合，获得若干个拟合模型，在拟合模型中确定目标ARMA模型。

若第二预测模型为BP神经网络模型时，则对应步骤S304可以具体包括：

根据影响因素参数信息，确定BP神经网络模型的输入样本集；

根据实际贷款申请数量，建立BP神经网络模型的输出样本集；

根据输入样本集和输出样本集，建立获得BP神经网络模型；

对BP神经网络模型进行参数调整，并依据调整后的参数进行模型拟合，确定目标BP神经网络模型。

下面对本发明中提出的贷款申请量的预测方法进行解释说明，基于预测模型对待预测时间内的各个时段的贷款申请量进行预测，获得各个时段的贷款申请量的预测结果，包括：

基于预测模型对待预测时间内的贷款申请量进行预测，获得初始预测值；

获得待预测时间内的第一时段集的贷款申请量实际数值；

基于贷款申请量实际数值，对初始预测值进行调整，获得待预测时间内的第二时段集的各个时段的贷款申请量的预测结果，其中，第一时段集和第二时段集满足预设时间对应关系。

具体的，参见图4，为本发明实施例提供的一种对贷款申请量预测值进行调整的方法，即基于贷款申请量实际数值，对初始预测值进行调整，获得待预测时间内的第二时段集的各个时段的贷款申请量的预测结果，包括：

S401、获取各个时段贷款申请量占贷款申请总量的比值；

S402、基于第一时段集的贷款申请量实际数值和所述第一时段集对应的比值，计算获得贷款申请总量的计算值；

S403、根据所述贷款申请总量的计算值，对待预测时间内的贷款申请总量的预测值进行调整，获得目标总量预测值；

S404、根据第二时段集占贷款申请总量的比值，计算获得待预测时间内的第二时段集的各个时段的贷款申请量的预测结果。

需要说明的是，对于上述的第一时段集和第二时段集之间满足预设的时间对应关系，主要是指第一时段集的时间会早于第二时段集中的时间，但是对于第一时段集和第二时段集之间的时间间隔本发明并不做限制。例如，需要对某日的贷款申请量进行预测时，第一时段集可以为上午8：00到10：00 的时间范围，即需要采集该时间范围的实际贷款申请量数据，而第二时段集可以为从10：00到24：00的时间内的任一时间范围。当然第一时段集并不是固定不变的，可以进行动态循环选取，本发明对此不进行一一赘述。在对某日的贷款申请量进行预测时，不仅需要对该日的贷款申请总量进行预测，也需要对该日各个时段的贷款申请量进行预测。并且该预测过程并不是一个固定的过程，而是一个实时动态调整的过程，例如，对t日内贷款申请量进行预测时，需先在t-1日对t日进行预测获得一个预测结果，然后会通过获取t 日的一些时段的实际值对贷款申请总量进行调整，从而对剩余时段的贷款申请量进行调整。

举例说明，假设在t日的客户申请总量实际观测值为Y，t＝1，2，3…，T。用表示t日的预测值，为t日的预测误差；M表示预测有效度，用以评估不同方法的预测准确性，观测值为历史数据的真实值。

其中，A为预测方法在t日的预测精度；[1，m]是预测样本长度区间，包含m个预测点。

依据线上业务客户申请的特点，采用的预测方法如下：

选用ARMA(p，q)模型时，

Y＝βY+βY+…+βY+ε+αε+αε+…+αε

求出该观测值序列样本的自相关系数(ACF)和偏相关系数(PACF)的值。

ACF：

PACF：由

可得：

ρ＝Pφ

则

φ＝Pρ

将k＝1,2,…代入上式连续求解，即可求得偏自相关函数。

根据样本自相关系数和偏自相关系数的性质，选择阶数是当ARMA(p， q)模型进行拟合，估计模型中未知参数的值即上述式子中的β～β和α～α

检验模型的有效性，如果拟合模型未通过检验则重现选择模型进行拟合。如果拟合模型通过检验，则需要考虑其他可能建立多个拟合模型，从所有通过检验的拟合模型中选择最优模型。

利用确定的拟合模型预测序列将来的走势，并得到该模型的预测有效度 M。

当预测模型基于BP神经网络模型进行建立时，需要确定影响因素从而建立模型。居民信贷申请量受信贷申请意愿影响，信贷申请意愿与消费行为息息相关，受居民消费数据、收入数据、实际利率等因素影响。

若区分城镇居民和农村居民，则：

居民消费数据包括城镇人均消费支出、农村人均消费性支出；

收入数据包括城镇人均可支配收入、农村人均纯收入；

实际利率为全国一年存款利率值减去城镇居民消费价格指数和全国一年存款利率值减去农村居民消费价格指数。

若不区分城镇居民和农村居民，则居民消费数据为人均消费性支出，收入数据为人均国内生产总值，实际利率为全国一年定期存款利率值减去居民消费价格指数。

充分考虑上述影响因素的共同作用，确定输入样本集和输出样本集，建立BP神经网络模型，通过调整模型参数，优化拟合模型，预测序列将在的走势，并得到该模型的预测有效度M。

根据M和M的大小，选择预测有效度最大的作为最终预测模型进行预测。

假设将每日24小时均分为m段{P,P,…,P}，以分钟为单位统计频次，各时段的申请量比例为{P,P,…,P}，令为上述中的最优预测模型得到的t日的申请总量预测结果，为t日各时段的申请量预测结果，则：

此时得到的为t-1日预测的t日各时刻的申请量预测结果。

在t日当天，得到一些时段{P,P,…,P}的申请量实际观测值 {Y,Y,…Y}，q＝1,2,…m-1后，根据这些实际观测值占当日申请总量比例调整t日申请总量的预测值为：

则调整后的后续时段{P,P,…,P}的申请量预测结果调整为：

通过上述过程能够达到线上实时动态自适应的预测各时段的申请量的效果，提高了预测的准确性，提升预警熔断系统的效果。

需要说明的是，对预测值进行调整是因为每天被分为了多个时段，当一些时段的真实值有了之后，可以根据真实值与预测值的差异，对后续时段的原预测结果进行及时的调整，提高准确性。熔断模块有相应的监测指标体系，其中一些指标与预测申请结果和实际申请量的差值相关。根据申请记过和实际申请量的差值超出熔断模块设置的阈值的多少来确定不同的熔断等级。

对应的，在本发明实施例中还提供了一种对申请量预测值进行调整的触发机制，即在根据第一时段集的贷款申请量实际数值，计算获得贷款申请总量的计算值后，并不一定需要每次都进行调整，可以设置一个调整阈值，将计算值与预测值的差值与调整阈值进行比较，通过比较结果来触发本发明实施例中的调整机制，具体的，该触发机制包括：

计算所述贷款申请总量的计算值与所述待预测时间内的贷款申请总量的预测值之间的绝对差值；

判断所述绝对差值是否满足预设调整阈值，如果是，则根据所述贷款申请总量的计算值，对待预测时间内的贷款申请总量的预测值进行调整，获得目标总量预测值。

上述触发机制只是本发明实施例提供的一种方式，另外还可以基于其他模式进行触发方式的设置。例如，当监测到其他关联系统或者分行、子行之间的线上贷款系统出现异常时，为了确保本行的线上贷款系统的正常工作，可以在采集到实际贷款申请数量后实时调整预测值，使得该预测值与实时采集值相匹配来提高预测精度。即此时的触发机制可以为根据预设系统的异常进行触发，还可以计算得到的贷款申请总量与总量阈值之间的比较确定触发机制，本发明对此不进行一一赘述。

本发明实施例提供的风险预测方法，能够线上实时动态自适应的预测各时段的申请量，提高了预测的准确性，提升了预警熔断系统的检测效果；通过引入自适应预测模型，使得银行可系统化实时跟踪客户申请、支用、贷后等全流程行为，伴随全生命周期的数据积累，逐步提升捕捉客户异动行为的准确性；同时可以降低因误报导致业务无故中断，在提升风险管理有效性的同时，降低对正常客户带来的不良体验。

在本发明实施例中还提供了一种风险预测系统，参见图5，包括：

获取单元501，用于以时间为粒度，获取贷款申请的数据信息；

创建单元502，用于依据贷款申请的数据信息，创建获得预测模型；

预测单元503，用于基于预测模型对待预测时间内的各个时段的贷款申请量进行预测，获得各个时段的贷款申请量的预测结果；

评估单元504，用于根据预测结果，对各个时段的贷款申请量进行风险评估，获得风险评估结果。

本发明提供了一种风险预测系统，在创建单元中基于时间粒度获取贷款申请的数据信息，然后创建预测模型，这样预测模型是根据时间序列进行创建的，可以在预测单元和评估单元中用来预测各个时段的贷款申请量，将预测后的结果对实际贷款申请量进行风险评估，可以实现对各个时段的贷款申请量进行评估，继而实现了实时风险预测，并且是基于时间粒度，若集中或不正常的贷款申请能够被识别出，无需人工进行预测，因此，解决了人工进行预测时的效率低和精准度低的问题。

在图5实施例的基础上可选地，还包括：

计算单元，用于若风险评估结果表明待预测时段的贷款申请量存在异常，则计算获得预测时段的贷款申请量与预测模型获得的预测时段的贷款申请量的预测数量的差值；

确定单元，用于根据差值，确定熔断级别；

熔断单元，用于依据熔断级别，对待预测时段对应的贷款申请进行熔断处理，实现对贷款申请的风险响应。

可选地，所述预测单元包括：

初始预测子单元，用于基于所述预测模型对待预测时间内的贷款申请量进行预测，获得初始预测值；

获取子单元，用于获得所述待预测时间内的第一时段集的贷款申请量实际数值；

调整子单元，用于基于所述贷款申请量实际数值，对所述初始预测值进行调整，获得待预测时间内的第二时段集的各个时段的贷款申请量的预测结果，其中，所述第一时段集和所述第二时段集的时段总和为所述待预测时间。

其中，所述调整子单元具体用于：

获取各个时段贷款申请量占贷款申请总量的比值；

基于第一时段集的贷款申请量实际数值和所述第一时段集对应的比值，计算获得贷款申请总量的计算值；

根据所述贷款申请总量的计算值，对待预测时间内的贷款申请总量的预测值进行调整，获得目标总量预测值；

根据第二时段集占贷款申请总量的比值，计算获得待预测时间内的第二时段集的各个时段的贷款申请量的预测结果。

可选地，创建单元包括：

序列生成子单元，用于根据贷款申请的数据信息，生成贷款申请量时间序列；

第一创建子单元，用于根据贷款申请量时间序列，创建第一预测模型；

提取子单元，用于对贷款申请的数据信息进行信息提取，获得影响因素参数信息；

第二创建子单元，用于基于影响因素参数信息，创建第二预测模型；

计算子单元，用于分别计算获得第一预测模型和第二预测模型对应的预测有效度；

模型确定子单元，用于基于预测有效度，在第一预测模型和第二预测模型中确定目标预测模型。

可选地，第一创建子单元包括：

系数计算子单元，用于与根据贷款申请量时间序列，计算获得序列的自相关系数和偏相关系数；

阶数确定子单元，用于依据自相关系数和偏相关系数，确定ARMA模型的阶数；

参数获取子单元，用于利用已确定阶数的ARMA模型，获得ARMA模型的参数；

第一模型确定子单元，用于根据参数对ARMA模型进行验证，并基于验证结果进行拟合，获得若干个拟合模型，在拟合模型中确定目标ARMA模型。

可选地，第二创建子单元包括：

输入样本确定子单元，用于根据影响因素参数信息，确定BP神经网络模型的输入样本集；

输出样本确定子单元，用于根据实际贷款申请数量，建立BP神经网络模型的输出样本集；

模型建立子单元，用于根据输入样本集和输出样本集，建立获得BP神经网络模型；

第二模型确定子单元，用于对BP神经网络模型进行参数调整，并依据调整后的参数进行模型拟合，确定目标BP神经网络模型。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。