一种交通状态预测方法、装置、电子设备及存储介质

计算;推算;计数设备的制造及其应用技术1.本公开涉及智能交通技术领域，尤其涉及一种交通状态预测方法、装置、电子设备及存储介质。背景技术：2.移城市交通流畅程度是城市经济发展的一个重要因素，因此交通状态预测显得十分重要。在交通状态预测问题中，需要使用交通的实时信息，实时预测路况信息，为城市路况信息、交通路况反馈、交通控制与交通事故处理提供必要的交通信息并给出相应的处理建议。3.目前国内的主要交通信息还是由人工实时反馈或者路网图像识别进行的，前者效率低下，费人费力；而后者需要大量数据运算量的实时系统才能实现，成本高；作为交通拥堵预测问题应用比较成功的神经网络模型，rnn不同于传统的神经网络模型。循环神经网络的特性为，该算法会对每层之前的输入信息进行记忆并应用于当前输出的计算中，即当前神经元存储着神经元这一时刻的输入和前一时刻的输出之间的关系，也就是说每次的输入不再是无连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。用rnn神经网络来进行数据处理，能够将输入数据建立时间关系，并按照时序进行数据处理和输出。但是在现实操作中，为了降低计算的复杂性，rnn模型中神经元当前状态往往只与前面几个输入信息相关，对较远时间点的信息无法感知，在应用于城市交通中较大型网络时准确率会有下降，因此，单纯使用rnn神经网络算法对交通状态进行预测，尤其是预测后续较长一段时间的交通状态时，准确率较低。技术实现要素：4.本公开提供一种交通状态预测方法、装置、电子设备及存储介质，以至少解决现有技术中存在的以上技术问题。5.本公开一方面提供一种交通状态预测方法，包括：6.获取描述目标道路的第一时间的特征数据，输入预先训练的预测模型，确定目标道路的第二时间的交通状态，所述第二时间为所述第一时间加上一段时间后得到；7.根据目标道路的第一时间的交通状态和第二时间的交通状态，确定状态转移矩阵；8.使用马尔可夫链对目标道路的第一时间的交通状态和所述状态转移矩阵进行预测，确定目标道路第二时间以及从第二时间开始的每间隔所述一段时间的交通状态，直至该交通状态相较于第一时间的交通状态发生转移时停止。9.在一可实施方式中，所述预测模型包括：10.通过多组样本数据，对循环神经网络模型进行训练，得到所述预测模型。11.在一可实施方式中，所述对循环神经网络模型进行训练，包括：12.获取道路的多个特征数据，所述特征数据用于描述道路信息；13.按照预设的时间段构建多组样本数据，每组所述样本数据包括第一时间的特征数据和第二时间的交通状态；14.将所述样本数据对循环神经网络模型进行训练，得到预测模型。15.在一可实施方式中，所述确定目标道路第二时间以及从第二时间开始的每间隔所述一段时间的交通状态，直至该交通状态相较于第一时间的交通状态发生转移时停止，还包括：16.将第二时间的交通状态与第一时间的交通状态进行比较，若第二时间的交通状态相较于第一时间的交通状态没有发生转移，则可基于第二时间的交通状态和状态转移矩阵，通过马尔可夫链继续预测第二时间开始的间隔一段时间的交通状态，直至交通状态发生转移，计算该交通状态对应的时间到第一时间的时长并输出。17.在一可实施方式中，所述按照预设的时间段构建多组样本数据，包括：18.按照预设的时间段为时间节点，获取道路在一段时长内每个时间节点的特征数据，得到多组特征数据，每组特征数据对应一组样本数据。19.在一可实施方式中，所述特征数据包括用于描述路况信息的数据、用于描述车辆信息的数据和用于描述干扰因素的数据。20.本公开另一方面提供一种交通状态预测装置，包括：21.获取模块，用于获取描述目标道路的第一时间的目标特征数据，输入预先训练的预测模型，确定目标道路的第二时间的交通状态；22.处理模块，用于根据目标道路的第一时间的交通状态和第二时间的交通状态，确定状态转移矩阵；23.分析模块，用于使用马尔可夫链对目标道路的第一时间的交通状态和所述状态转移矩阵进行预测，确定目标道路第二时间以及从第二时间开始的每间隔所述一段时间的交通状态，直至该交通状态相较于第一时间的交通状态发生转移时停止。24.在一可实施方式中，所述预测模型包括通过多组样本数据，对循环神经网络模型进行训练。25.本公开再一方面提供一种电子设备，包括：存储器和处理器，所述存储器存储由所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述交通状态预测方法。26.本公开还一方面提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述交通状态预测方法。27.基于上述方案，本公开通过获取第一时间的目标道路的特征数据，使用预先训练的预测模型，确定第二时间的交通状态，并通过第一时间的特征数据，确定第一时间的交通状态，得到状态转移矩阵；再根据马尔可夫链，确定目标道路的第二时间乃至后续时间的交通状态，其中，使用马尔可夫链时仅依赖于最近一次的交通状态，因此，可通过预测模型对第一时间的特征数据进行预测，即可使用马尔可夫链判断后续时间的交通状态，以便提前做出应对，且准确度较高。附图说明28.图1所示为本公开一实施例提供的交通状态预测方法的流程示意图；29.图2所示为本公开一实施例提供的循环神经网络模型的结构示意图；30.图3所示为本公开一实施例提供的特征数据获取的示意图；31.图4所示为本公开一另实施例提供的交通状态预测方法的流程示意图；32.图5所示为本公开一实施例提供的交通状态预测装置示意图。具体实施方式33.为使本公开的目的、特征、优点能够更加的明显和易懂，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而非全部实施例。基于本公开中的实施例，本领域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，都属于本公开保护的范围。34.为了确定目标道路的后续交通状态，如图1所示，本公开一实施例提供了一种交通状态预测方法，包括：35.步骤101，获取描述目标道路的第一时间的特征数据，输入预先训练的预测模型，确定目标道路的第二时间的交通状态，所述第二时间为所述第一时间加上一段时间后得到。36.目标道路为需要对交通进行预测的道路，特征数据用于描述目标道路的道路信息，能够反应目标道路的交通情况，特征数据可以从网络公开的平台上获取。37.其中，第一时间为当前时间或者能够获取到最新数据的时间，第一时间的特征数据为该道路所能获取的最新数据，第二时间是第一时间经过一段时间后到达的时间，第二时间与第一时间之间的时间段，可通过实际情况，在预测模型进行预先训练时设定。例如，若第一实际为时刻t，第二时间为t+δt，δt为预先设定的时间段。38.交通状态用于描述目标道路的状态为拥堵还是通畅。39.步骤102，根据目标道路的第一时间的交通状态和第二时间的交通状态，确定状态转移矩阵。40.其中，由于目标道路的第一时间的特征数据是可以直接获取的，因此，第一时间的交通状态也可以直接获取或者根据目标道路的第一时间的特征数据推断得到。41.状态转移矩阵描述的是状态向量在一次转移发生后发生的变化规律，可通过第一时间的交通状态和第二时间的交通状态确定。例如，确定的状态转移矩阵为其中，a11为第一时间拥堵，而第二时间仍为拥堵的概率；a12为第一时间拥堵，第二时间通畅的概率；a21为第一时间通畅，而第二时间拥堵的概率；a22为第一时间通畅，第二时间仍通畅的概率。应该理解的是，状态转移矩阵可以通过计算求出。42.步骤103，使用马尔可夫链对目标道路的第一时间的交通状态和所述状态转移矩阵进行预测，确定目标道路第二时间以及从第二时间开始的每间隔所述一段时间的交通状态，直至该交通状态相较于第一时间的交通状态发生转移时停止。43.马尔可夫链，为状态空间中经过从一个状态到另一个状态的转换的随机过程。该过程要求具备“无记忆”的性质：下一状态的概率分布只能由当前状态决定，在时间序列中它前面的事件均与之无关。44.其中，第一时间的交通状态和第二时间的交通状态可以为拥堵和通畅的概率矩阵，可通过将第一时间的交通状态与状态转移矩阵相乘，以重新确定目标道路第二时间的交通状态，还可通过将第二时间的交通状态与状态转移矩阵相乘，即可预测第三时间的交通状态，以此类推，如此，可预测目标道路从第一时间以后的后续时间的交通状态。45.其中，可通过如下公式进行马尔可夫链的计算：46.p(tn+1)＝p*p(tn)47.p(tn)是第n个时间道路拥堵的概率，p是状态转移矩阵。48.可知，计算得出的为拥堵的概率值，可预先设定阈值，若概率值超过阈值，则判定交通状态为拥堵，若概率值小于阈值，则判定交通状态为通畅。49.交通状态转移的意思为，从对应的状态转变为另一状态，如从拥堵变为通畅，或从通畅变为拥堵。交通状态没有发生转移的意思为，对应的状态保持不变，如一直保持拥堵或一直保持通畅。50.基于上述方案，本公开通过获取第一时间的目标道路的特征数据，使用预先训练的预测模型，确定第二时间的交通状态，并通过第一时间的特征数据，确定第一时间的交通状态，得到状态转移矩阵；再根据马尔可夫链，确定目标道路的第二时间乃至后续时间的交通状态，其中，使用马尔可夫链时仅依赖于最近一次的交通状态，因此，可通过预测模型对第一时间的特征数据进行预测，即可使用马尔可夫链判断后续时间的交通状态，以便提前做出应对，且准确度较高。51.在一示例中，所述预测模型包括通过多组样本数据，对循环神经网络模型进行训练，得到所述预测模型。52.其中，如图2所示，循环神经网络为rnn神经网络，是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络，能够在对数据处理时，对输入的数据建立时间关系。53.通过预测模型，可输出该道路第二时间的交通状态，输出一个结果为二分类的矩阵，例如第二时间的交通拥堵概率为70％，交通通畅的概率为30％，则该交通状态的矩阵为[70％，30％]。此时，若设置当阈值大于50％，则判定交通状态为拥堵的话，此处可判定该道路的第二时间的交通状态为拥堵。[0054]在一示例中，所述对循环神经网络模型进行训练，包括：[0055]获取道路的多个特征数据，所述特征数据用于描述道路信息；[0056]按照预设的时间段构建多组样本数据，每组所述样本数据包括第一时间的特征数据和第二时间的交通状态；[0057]将所述样本数据对循环神经网络模型进行训练，得到预测模型。[0058]由于特征数据用于描述道路信息情况，因此可以用来训练模型，使模型的结果与道路的特征联系起来。其中，获取特征数据时，可先对同一城市的同一片区的道路进行划分，例如按照5公里或10公里为范围进行划分，对该范围内的道路构建同一个预测模型，应该理解的是，具体范围应以实际情况为准相应调整，在此不做具体限定。[0059]其中，构建的样本数据包括特征数据和交通状态，交通状态可以为表示拥堵或通畅的标签数据。[0060]例如，获取道路的历史数据，包括该道路在某天3点到4点的特征数据，以10分钟为一个时间段，获取道路3点(第一时间)的特征数据以及3点10分(第二时间)的交通状态为第一组样本数据，获取道路3点10分(第二时间)的特征数据以及3点20分(第三时间)的交通状态为第二组样本数据，获取道路3点20分(第三时间)的特征数据以及3点30分(第四时间)的交通状态为第三组样本数据，以此类推。应该理解的是，以上的时间选择仅用于示例，具体应以实际情况为准，在此不做限定。[0061]在对预测模型进行训练的过程中，还需要计算损失函数。判定交通状态并对对应时间的交通状态进行预测、输出以及计算损失函数，并据此调整模型参数。其中损失函数(loss function)是利用预测值f(x)与真实值y的差距，来估计模型的预测准确度，它是一个非负实值函数。损失函数越小，模型的拟合效果就越好。本次模型评估中，采用基于最小二乘法原理的均方误差损失函数来计算模型的损失值。[0062]均方误差损失函数的公式如下：[0063][0064]其中：y表示真实值，y′表示预测值，i表示第i时间，yi-y′i表示残差。mae(y,y′)表示损失值，损失值越低表示预测模型的拟合效果越好。[0065]在一示例中，所述确定目标道路第二时间以及从第二时间开始的每间隔所述一段时间的交通状态，直至该交通状态相较于第一时间的交通状态发生转移时停止，还包括：[0066]将第二时间的交通状态与第一时间的交通状态进行比较，若第二时间的交通状态相较于第一时间的交通状态没有发生转移，则可基于第二时间的交通状态和状态转移矩阵，通过马尔可夫链继续预测第二时间开始的间隔一段时间的交通状态，直至交通状态发生转移，计算该交通状态对应的时间到第一时间的时长并输出。[0067]第二时间开始的间隔一段时间为第三时间，再间隔为第四时间，依次类推。[0068]例如，当第一时间的交通状态为拥堵，第二时间的交通状态仍为拥堵，通过马尔可夫链和状态转移矩阵，继续计算第三时间的交通状态，若仍为拥堵，则继续计算第四时间的交通状态，直至交通状态发生转移，如，若第五时间的交通状态为通畅，则计算第五时间到第一时间的时长，例如若预先设置的时间段(如步骤101中的δt)为5分钟，可计算得到从第一时间的交通状态开始的拥堵，总时长为15分钟，假设第一时间为晚六点，则直至六点十五开始变为通畅。[0069]再例如，当第一时间的交通状态为通畅，第二时间的交通状态仍为通畅，通过马尔可夫链和状态转移矩阵，继续计算第三时间的交通状态若为拥堵，则可计算第三时间到第一时间的时长，例如，若预先设置的时间段(如步骤101中的δt)为5分钟，可计算得到从第一时间的交通状态开始的通畅，总时长为10分钟，假设第一时间为晚六点，则直至六点十分开始变为拥堵。[0070]应该理解的是，上述时间仅为举例以作说明，不在此做具体限定。[0071]实际应用中，可以根据上述预测的结果进行应用的设置，如根据拥堵或通畅的情况，合理规划出门的时间，或设置潮汐车道等等。[0072]在一示例中，所述按照预设的时间段构建多组样本数据，包括：[0073]按照预设的时间段为时间节点，获取道路在一段时长内每个时间节点的特征数据，得到多组特征数据，每组特征数据对应一组样本数据。[0074]根据上述步骤101中所述，第二时间和第一时间之间可设置间隔的时间段，例如设置时间段为5分钟，则每间隔5分钟则从公共平台获取一次特征数据，应该理解的是，若公共平台更新数据的时间为1分钟一次，则每次获取的为当前的最新数据，如3点钟(第一时间)获取一次，3点05分(第二时间)获取一次，3点10分(第三时间)获取一次，以此类推。若公共平台更新数据的时间为10分钟一次，则设置的时间段的应为10分钟或10分钟的倍数。时间段的设置越小，即每个时间之间的间隔时间越短，模型的预测效果越好。时间段的具体设置不在此做限定，应按照上述根据实际情况调整。[0075]因此，每获取一次特征数据，即对应一组样本数据，每组特征数据又包含多个特征。[0076]训练模型时，时间段应与上述步骤101中同步。[0077]在一示例中，所述特征数据包括用于描述路况信息的数据、用于描述车辆信息的数据和用于描述干扰因素的数据。[0078]其中，如图3所示，描述路况信息的数据包括红绿灯时长、道路宽度、道路长度和时间段等，描述车辆信息的数据包括车间距、车道数、车辆平均速度和汽车数量等。描述干扰因素的数据包括节假日、季节、法律法规、天气状况、能见度距离等等。此外，图3和此处所示的特征数据仅为举例示意，并不代表实际选取的特征数据，特征数据的选取在此不做具体限定。[0079]应该理解的是，在训练模型时特征数据可获取的较为全面，在训练过程中，可根据训练的结果和精度，适当的去除部分特征数据，只保留对交通状态具有一定贡献性的特征数据，去除区分度较低的特征数据。[0080]本公开还提供一种用上述方法执行的具体实施例，如图4所示，包括：[0081]401，开始。[0082]402，获取时刻t的特征数据。[0083]获取目标车道时刻t的多个特征数据，执行步骤403.[0084]403，使用rnn神经网络进行预测。[0085]将步骤402中的特征数据输入rnn神经网络，执行步骤404。[0086]404，确定状态转移矩阵。[0087]根据步骤402的特征数据确定时刻t的交通状态，并根据步骤403的输出，确定状态转移矩阵，执行步骤405。[0088]405，马尔可夫链预测时刻t+δt的交通状态。[0089]使用马尔可夫链对时刻t的交通状态和状态转移矩阵进行预测，确定时刻t+δt的交通状态，执行步骤406。[0090]406，判断时刻t+δt的交通状态相较于时刻t的交通状态是否转移。[0091]应该理解的是，当交通状态发生转移时则执行步骤408，因此，判断时刻t+δt的交通状态相较于时刻t的交通状态是否转移，既可以与t+δt前一时刻的交通状态比较也可以与初始时刻t(即步骤404的t)的交通状态进行比较，只要交通状态未发生转移，则之前的交通状态是相同的。[0092]若交通状态未发生转移时，则执行步骤407。[0093]407，t＝t+δt。[0094]在当前时刻加上一段时间，执行步骤405。[0095]408，输出时刻t+δ以及交通状态。[0096]此时时刻t+δ对应的交通状态发生了转移，即若之前或者说初始的交通状态为拥堵，直至此刻变为通畅。若之前或者说初始的交通状态为通畅，直至此刻变为拥堵，执行步骤409。[0097]409，制定相关建议。[0098]根据上述的结果，选择出行时间等提前应对措施。[0099]410，结束。[0100]本公开一实施例还提供了一装置，如图5所示，该装置包括：[0101]获取模块10，用于获取描述目标道路的第一时间的特征数据，输入预先训练的预测模型，确定目标道路的第二时间的交通状态，所述第二时间为所述第一时间加上一段时间后得到；[0102]所述预测模型包括通过多组样本数据，对循环神经网络模型进行训练，得到所述预测模型。[0103]所述获取模块10，还用于获取道路的多个特征数据，所述特征数据用于描述道路信息；[0104]按照预设的时间段构建多组样本数据，每组所述样本数据包括第一时间的特征数据和第二时间的交通状态；[0105]将所述样本数据对循环神经网络模型进行训练，得到预测模型。[0106]所述特征数据包括用于描述路况信息的数据、用于描述车辆信息的数据和用于描述干扰因素的数据。[0107]所述获取模块10，还用于按照预设的时间段为时间节点，获取道路在一段时长内每个时间节点的特征数据，得到多组特征数据，每组特征数据对应一组样本数据。[0108]处理模块20，用于根据目标道路的第一时间的交通状态和第二时间的交通状态，确定状态转移矩阵；[0109]分析模块30，用于使用马尔可夫链对目标道路的第一时间的交通状态和所述状态转移矩阵进行预测，确定目标道路第二时间以及从第二时间开始的每间隔所述一段时间的交通状态，直至该交通状态相较于第一时间的交通状态发生转移时停止。[0110]所述分析模块30，还用于将第二时间的交通状态与第一时间的交通状态进行比较，若第二时间的交通状态相较于第一时间的交通状态没有发生转移，则可基于第二时间的交通状态和状态转移矩阵，通过马尔可夫链继续预测第二时间开始的间隔一段时间的交通状态，直至交通状态发生转移，计算该交通状态对应的时间到第一时间的时长并输出。[0111]本公开还提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本公开所述的交通状态预测方法。[0112]本公开还一方面提供一种电子设备，包括：[0113]处理器；[0114]用于存储所述处理器可执行指令的存储器；[0115]所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本公开所述的交通状态预测方法。[0116]除了上述方法和装置以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的方法中的步骤。[0117]所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。[0118]此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的方法中的步骤。[0119]所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。[0120]以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。[0121]本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“如但不限于”，且可与其互换使用。[0122]还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。[0123]提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。[0124]为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!