一种信用额度管理方法、装置、系统和记录介质

摘要

本发明公开了信用额度管理方法、装置、系统和计算机可读介质，该方法包括：获取第一信用额度时用户的动支意愿评分；预测第二信用额度时用户的逾期评分；基于所述第一信用额度时用户的动支意愿评分和所述第二信用额度时用户的逾期评分判断是否提升信用额度。本发明不仅能够促进用户的借款行为，提高用户的动支率，还能够有效预测评估用户的逾期风险，使金融平台避免一定的经济损失。

权利要求

1.一种信用额度管理方法，包括：

获取第一信用额度时用户的动支意愿评分；

预测第二信用额度时用户的逾期评分；

基于所述第一信用额度时用户的动支意愿评分和所述第二信用额度时用户的逾期评分判断是否提升信用额度。

2.如权利要求1所述的信用额度管理方法，其特征在于，所述获取第一信用额度时用户的动支意愿评分是通过动支率模型获取的。

3.如权利要求1所述的信用额度管理方法，其特征在于，所述预测第二信用额度时用户的逾期评分是通过逾期模型预测给予用户第二信用额度时的逾期概率评分。

4.如权利要求1所述的信用额度管理方法，其特征在于，所述额度为连续型特征变量，信用额度按相同的取值区间分组，各分组构成额度的特征项。

5.如权利要求1所述的信用额度管理方法，其特征在于，所述信用额度按相同的取值区间分组包括：信用额度按同等额度或同等额度比例分组。

6.如权利要求1所述的信用额度管理方法，其特征在于，所述根据所述第一信用额度时用户的动支意愿评分和所述第二信用额度时用户的逾期评分判断是否提升信用额度，进一步为：根据第一信用额度时用户的动支意愿评分，获取影响用户动支意愿的各属性标签，筛选各属性标签中与信用额度有关联的属性标签，确定信用额度对用户动支意愿的重要性；

将用户属性数据和信用额度输入提额幅度不同的提额风险模型，获取各不同提额幅度下的提额风险评分，确定对用户的提额幅度，确定第二信用额度时用户的逾期评分。

7.如权利要求1所述的信用额度管理方法，其特征在于，所述提额风险评分包括：逾期评分。

8.一种信用额度管理装置，包括：

动支意愿获取模块，用于获取第一信用额度时用户的动支意愿评分；

逾期预测模块，用于预测第二信用额度时用户的逾期评分；

提额判断模块，用于根据所述第一信用额度时用户的动支意愿评分和所述第二信用额度时用户的逾期评分判断是否提升信用额度。

9.一种信用额度管理系统，其特征在于，包括：

存储器，用于存储计算机可执行程序；

数据处理装置，用于读取所述存储器中的计算机可执行程序，以执行权利要求1至7中任一项所述的信用额度管理方法。

10.一种计算机可读介质，用于存储计算机可读程序，其特征在于，所述计算机可读程序用于执行权利要求1至7中任一项所述的信用额度管理方法。

说明书

一种信用额度管理方法、装置、系统和记录介质

技术领域

[0001] 本发明属于数据处理技术领域，具体涉及用于商业、金融等目的的数据处理系统和方法，特别是信用额度管理方法、装置、系统和计算机可读介质。

背景技术

[0002] 各大银行或其他金融平台授信通过大量用户，授信本身不会产生收益，只有用户在授信后进行信用动支后，才会产生经济收益。因此，无论是各大银行还是第三方金融平台，都需要促进注册用户或授信用户的动支率。

[0003] 目前，各大银行和金融平台通过提高信用额度来促进用户的借款行为，提高用户的动支次数，但是，现有技术中对用户贷款后的风险管理较为简单，都是被动式地获取用户是否逾期未还的结果，并在确定出用户逾期后再进行后续的催收或者理赔处理。然而，当用户出现逾期未还的情况时，首先增加了用户风险概率，对金融机构和银行也带来了巨大的资金风险。

[0004] 综上，现有技术中无法实现对信用额度的有效管理，在通过提高信用额度来提高用户的动支意愿的同时，也达到控制逾期风险的目的。

发明内容

[0005] 本发明要解决的技术问题是：如何在提高信用额度的同时，也达到控制逾期风险的目的。

[0006] 为解决上述技术问题，本发明的第一方面提出一种信用额度管理方法，包括如下步骤：获取第一信用额度时用户的动支意愿评分；预测第二信用额度时用户的逾期评分；根据所述第一信用额度时用户的动支意愿评分和所述第二信用额度时用户的逾期评分判断是否提升信用额度。

[0007] 根据本发明的一种优选实施方式，所述获取第一信用额度时用户的动支意愿评分是通过动支率模型获取的。

[0008] 根据本发明的一种优选实施方式，所述动支率模型，其标签包括性别、年龄、收入、负债、信用评分、授信额度、信用额，和/或信用期限中的至少一个。

[0009] 根据本发明的一种优选实施方式，所述预测第二信用额度时用户的逾期评分是通过逾期模型预测给予用户第二信用额度时的逾期概率评分。

[0010] 根据本发明的一种优选实施方式，所述逾期模型，其标签包括性别、年龄、收入、负债、历史贷款记录、历史还款记录、已还款期、应还款期、分期数额、还款期数，和/或逾期率中的至少一个。

[0011] 根据本发明的一种优选实施方式，所述额度为连续型特征变量，信用额度按相同的取值区间分组，各分组构成额度的特征项。

[0012] 根据本发明的一种优选实施方式，所述信用额度按相同的取值区间分组包括：信用额度按同等额度或同等额度比例分组。

[0013] 根据本发明的一种优选实施方式，所述根据所述第一信用额度时用户的动支意愿评分和所述第二信用额度时用户的逾期评分判断是否提升信用额度，进一步为：

[0014] 根据第一信用额度时用户的动支意愿评分，获取影响用户动支意愿的各属性标签，筛选各属性标签中与信用额度有关联的属性标签，确定信用额度对用户动支意愿的重要性；

[0015] 将用户属性数据和信用额度输入提额幅度不同的提额风险模型，获取各不同提额幅度下的提额风险评分，确定对用户的提额幅度，确定第二信用额度时用户的逾期评分。

[0016] 根据本发明的一种优选实施方式，所述提额风险评分包括：逾期评分。

[0017] 本发明的第二方面提出一种信用额度管理装置，包括：动支意愿获取模块，用于获取第一信用额度时用户的动支意愿评分；逾期预测模块，用于预测第二信用额度时用户的逾期评分；提额判断模块，用于根据所述第一信用额度时用户的动支意愿评分和所述第二信用额度时用户的逾期评分判断是否提升信用额度。根据本发明的一种优选实施方式，所述获取第一信用额度时用户的动支意愿评分是通过动支率模型获取第一信用额度时用户的动支意愿评分。

[0018] 根据本发明的一种优选实施方式，所述获取第一信用额度时用户的动支意愿评分是通过动支率模型获取的。

[0019] 根据本发明的一种优选实施方式，所述动支率模型，其标签包括性别、年龄、收入、负债、信用评分、授信额度、信用额，和/或信用期限中的至少一个。

[0020] 根据本发明的一种优选实施方式，所述预测第二信用额度时用户的逾期评分是通过逾期模型预测给予用户第二信用额度时的逾期概率评分。

[0021] 根据本发明的一种优选实施方式，所述逾期模型，其标签包括性别、年龄、收入、负债、历史贷款记录、历史还款记录、已还款期、应还款期、分期数额、还款期数，和/或逾期率中的至少一个。

[0022] 根据本发明的一种优选实施方式，所述额度为连续型特征变量，信用额度按相同的取值区间分组，各分组构成额度的特征项。

[0023] 根据本发明的一种优选实施方式，所述信用额度按相同的取值区间分组包括：信用额度按同等额度或同等额度比例分组。

[0024] 根据本发明的一种优选实施方式，所述根据所述第一信用额度时用户的动支意愿评分和所述第二信用额度时用户的逾期评分判断是否提升信用额度，进一步为：

[0025] 根据第一信用额度时用户的动支意愿评分，获取影响用户动支意愿的各属性标签，筛选各属性标签中与信用额度有关联的属性标签，确定信用额度对用户动支意愿的重要性；

[0026] 将用户属性数据和信用额度输入提额幅度不同的提额风险模型，获取各不同提额幅度下的提额风险评分，确定对用户的提额幅度，确定第二信用额度时用户的逾期评分。

[0027] 根据本发明的一种优选实施方式，所述提额风险评分包括：逾期评分。

[0028] 本发明的第三方面提出一种信用额度管理系统，包括：存储器，用于存储计算机可执行程序；数据处理装置，用于读取所述存储器中的计算机可执行程序，以执行权利要求所述的信用额度管理方法。

[0029] 本发明的第四方面提出一种计算机可读介质，用于存储计算机可读程序，所述计算机可读程序用于执行所述的信用额度管理方法。

[0030] 本发明的技术方案，具有如下有益效果：

[0031] 本发明不仅能够通过动支率模型促进用户的借款行为，提高用户的动支率，还能够通过逾期模型有效预测评估用户的逾期风险，实现信用额度的有效管理，也使金融平台避免一定的经济损失。

附图说明

[0032] 图1是本发明信用额度管理方法的流程示意图；

[0033] 图2是本发明的信用额度管理装置的模块架构示意图；

[0034] 图3是本发明的信用额度管理系统的结构框架示意图。

具体实施方式

[0035] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

[0036] 金融平台获取用户的动支信息，通过分析用户的动支信息发现，初始额度低的用户，其动支次数也低，即额度低影响用户的动支意愿。并且，分析还发现，部分用户前期表现好，即用户在前期动支率较高，但是，由于金融平台的监测系统没有监测到该部分用户的动支行为，未及时提高额度，也影响到该部分用户的动支意愿。

[0037] 基于上述情况，很多金融平台通过提高额度来促进用户的动支行为，但随之而来的是用户逾期率的不断攀升，进而，金融平台经济遭受重大损失。现有技术未能实现信用额度的有效管理。

[0038] 本发明利用两个模型对信用额度进行有效管理，一是动支率模型，另一是逾期模型。动支率模型是用来分析用户的动支率和什么有关，逾期模型是用来预测对用户进行提额后，其逾期率会不会提高。如果原因是因为额度太低，而提高额度后逾期率不会显著提高，则提高其额度来提高动支意。

[0039] 图1是本发明信用额度管理方法的流程示意图，如图1所示，该方法的步骤包括：

[0040] S1：获取第一信用额度时用户的动支意愿评分。

[0041] 其中，所述获取第一信用额度时用户的动支意愿评分是通过动支率模型获取第一信用额度时用户的动支意愿评分。

[0042] 进一步，所述动支率模型，其标签包括性别、年龄、收入、负债、家庭状况、信用评分、授信额度、信用额、信用期限中的至少一个。

[0043] 进一步，所述额度为连续型特征变量，信用额度按相同的取值区间分组，各分组构成额度的特征项。

[0044] 更进一步，所述信用额度按相同的取值区间分组包括：信用额度按同等额度或同等额度比例分组。在动支率模型中，用户的标签少则几十个，多则成百上千个，但并非所有的标签对评分的影响都很大，有时，对模型的评分有重大影响的标签可能也就十几个或是几十个。这时，需要对标签对模型的影响度进行衡量。

[0045] 动支率模型能够通过统计方法分析用户的性别、年龄、收入、负债、家庭状况、信用评分、授信额度、信用额、信用期限等标签对模型的影响度。

[0046] 作为示例，现在对信用额度对动支率模型的影响度进行计算。信用额度为连续型特征变量，按信用额度的取值范围将信用额度分组，每一分组即为一个特征项。

[0047] 现将信用额度分为低额度0-5k和高额度5k以上两个特征项进行统计。低额度的好客户数为303，坏客户数为443，好客户百分比为30.3％，坏客户百分比为44.3％，好客户发生比为0.68/1；高额度的好客户数为697，坏客户数为557，好客户百分比为68.7％，坏客户百分比为55.7％，好客户的发生比为1.25/1。好客户总数经计算为1000，坏客户总数经计算为1000。

[0048] 利用统计方法的公式，经计算得到F＝0.084，即信用额度对动支率的影响度为0.084。

[0049] 所述影响度，其统计方法为 F越大，影响度越大；

[0050] 其中，一个特征变量可包括多个特征项，i表示某个特征变量的第i个特征项；gi和bi分别表示第i个特征项中好客户和坏客户的个数，g和b分别表示好客户和坏客户的总数。

[0051] 需要说明的是，由于信用额度为连续变量，信用额度值连续变化，将信用额度分为低额度0-5k和高额度5k以上两个特征项进行统计过于简略。信用额度还可以按照0-2k，2k-5k，5k-1w，1w-2w等更详细地进行划分，同时，统计得到的F值也将不同。

[0052] 在信用额度对动支率模型的影响度确定之后，假设信用额度对动支率模型的影响度很大，然后，再需要确定某一具体的信用额度下用户的动支意愿评分。

[0053] 作为示例，假设第一信用额度为5k时，用户的动支意愿评分为0.3(用户动支意愿评分为0-1，评分越高用户动支意愿越大)，则表明5k时用户的动支意愿较低。

[0054] S2：预测第二信用额度时用户的逾期评分。

[0055] 其中，所述预测第二信用额度时用户的逾期评分是通过逾期模型预测第二信用额度时用户的逾期评分。

[0056] 进一步，所述逾期模型，其标签包括性别、年龄、收入、负债、家庭状况、历史贷款记录、历史还款记录、已还款期、应还款期、还款期数、逾期率中的至少一个。

[0057] 作为示例，现在对信用额度对逾期模型的影响度进行计算。信用额度为连续型特征变量，按信用额度的取值范围将信用额度分组，每一分组即为一个特征项。

[0058] 现依然将信用额度分为低额度0-5k和高额度5k以上两个特征项进行统计。低额度的好客户数为678，坏客户数为529，好客户百分比为67.8％，坏客户百分比为53.9％，好客户发生比为1.26/1；高额度的好客户数为322，坏客户数为461，好客户百分比为32.2％，坏客户百分比为46.1％，好客户的发生比为0.70/1。好客户总数经计算为1000，坏客户总数经计算为1000。

[0059] 利用统计方法的公式，经计算得到F＝0.082，即信用额度对动支率的影响度为0.082。

[0060] 需要说明的是，由于信用额度为连续变量，信用额度值连续变化，将信用额度分为低额度0-5k和高额度5k以上两个特征项进行统计过于简略。信用额度还可以按照0-2k，2k-5k，5k-1w，1w-2w等更详细地进行划分，同时，统计得到的F值也将不同。

[0061] 在信用额度对逾期模型的影响度确定之后，假设信用额度对逾期模型的影响度很大，然后，再需要确定某一具体的信用额度下用户的逾期评分。

[0062] 作为示例，假设第二信用额度为10w时，用户的逾期评分为0.9(用户动支意愿评分为0-1，评分越高用户动支意愿越大)，则表明10w时用户的逾期率较高。

[0063] S3：根据所述第一信用额度时用户的动支意愿评分和所述第二信用额度时用户的逾期评分判断是否提升信用额度。

[0064] 进一步，所述信用额度按相同的取值区间分组包括：信用额度按同等额度或同等额度比例分组。

[0065] 进一步，所述根据所述第一信用额度时用户的动支意愿评分和所述第二信用额度时用户的逾期评分判断是否提升信用额度，进一步为：

[0066] 根据第一信用额度时用户的动支意愿评分，获取影响用户动支意愿的各属性标签，筛选各属性标签中与信用额度有关联的属性标签，确定信用额度对用户动支意愿的重要性；

[0067] 将用户属性数据和信用额度输入提额幅度不同的提额风险模型，获取各不同提额幅度下的提额风险评分，确定对用户的提额幅度，确定第二信用额度时用户的逾期评分。

[0068] 进一步，所述提额风险评分包括：逾期评分。

[0069] 作为示例，第一信用额度为5k时，用户动支意愿评分低，获取到影响用户动支意愿的属性标签包括：收入、年龄等属性标签。

[0070] 将收入作为影响用户动支意愿评分的重要标签，对于月收入10w的用户来说，信用额度为5k，该部分用户动支意愿明显较低。

[0071] 将该用户的收入、年龄等属性数据和5k的信用额度输入提额幅度不同的提额风险模型。

[0072] 作为示例，以5w的提额幅度对该用户进行提额，提额5w,10w,15w时，该用户的提额风险评分都在阈值范围内，该用户的逾期风险较低。对该用户进行20w提额时，用户的提额风险评分超过阈值范围，该用户的逾期风险较高。将15w作为对该用户的提额幅度。

[0073] 需要说明的是，本发明的适用范围是贷款期。

[0074] 本发明不仅能够通过动支率模型促进用户的借款行为，提高用户的动支率，还能够通过逾期模型有效预测评估用户的逾期风险，实现信用额度的有效管理，也使金融平台避免一定的经济损失。

[0075] 图2是本发明的信用额度管理装置的模块架构示意图，如图2所示，本发明的信用额度管理装置，包括：动支意愿获取模块，逾期预测模块，提额判断模块。

[0076] 动支意愿获取模块，用于获取第一信用额度时用户的动支意愿评分。

[0077] 其中，所述获取第一信用额度时用户的动支意愿评分是通过动支率模型获取第一信用额度时用户的动支意愿评分。

[0078] 进一步，所述动支率模型，其标签包括性别、年龄、收入、负债、家庭状况、信用评分、授信额度、信用额、信用期限中的至少一个。

[0079] 进一步，所述额度为连续型特征变量，信用额度按相同的取值区间分组，各分组构成额度的特征项。

[0080] 更进一步，所述信用额度按相同的取值区间分组包括：信用额度按同等额度或同等额度比例分组。在动支率模型中，用户的标签少则几十个，多则成百上千个，但并非所有的标签对评分的影响都很大，有时，对模型的评分有重大影响的标签可能也就十几个或是几十个。这时，需要对标签对模型的影响度进行衡量。

[0081] 动支率模型能够通过统计方法分析用户的性别、年龄、收入、负债、家庭状况、信用评分、授信额度、信用额、信用期限等标签对模型的影响度。

[0082] 作为示例，现在对信用额度对动支率模型的影响度进行计算。信用额度为连续型特征变量，按信用额度的取值范围将信用额度分组，每一分组即为一个特征项。

[0083] 现将信用额度分为低额度0-5k和高额度5k以上两个特征项进行统计。低额度的好客户数为303，坏客户数为443，好客户百分比为30.3％，坏客户百分比为44.3％，好客户发生比为0.68/1；高额度的好客户数为697，坏客户数为557，好客户百分比为68.7％，坏客户百分比为55.7％，好客户的发生比为1.25/1。好客户总数经计算为1000，坏客户总数经计算为1000。

[0084] 利用统计方法的公式，经计算得到F＝0.084，即信用额度对动支率的影响度为0.084。

[0085] 所述影响度，其统计方法为 F越大，影响度越大；

[0086] 其中，一个特征变量可包括多个特征项，i表示某个特征变量的第i个特征项；gi和bi分别表示第i个特征项中好客户和坏客户的个数，g和b分别表示好客户和坏客户的总数。

[0087] 需要说明的是，由于信用额度为连续变量，信用额度值连续变化，将信用额度分为低额度0-5k和高额度5k以上两个特征项进行统计过于简略。信用额度还可以按照0-2k，2k-5k，5k-1w，1w-2w等更详细地进行划分，同时，统计得到的F值也将不同。

[0088] 在信用额度对动支率模型的影响度确定之后，假设信用额度对动支率模型的影响度很大，然后，再需要确定某一具体的信用额度下用户的动支意愿评分。

[0089] 逾期预测模块，用于预测第二信用额度时用户的逾期评分。

[0090] 其中，所述预测第二信用额度时用户的逾期评分是通过逾期模型预测第二信用额度时用户的逾期评分。

[0091] 进一步，所述逾期模型，其标签包括性别、年龄、收入、负债、家庭状况、历史贷款记录、历史还款记录、已还款期、应还款期、还款期数、逾期率中的至少一个。

[0092] 作为示例，现在对信用额度对逾期模型的影响度进行计算。信用额度为连续型特征变量，按信用额度的取值范围将信用额度分组，每一分组即为一个特征项。

[0093] 现依然将信用额度分为低额度0-5k和高额度5k以上两个特征项进行统计。低额度的好客户数为678，坏客户数为529，好客户百分比为67.8％，坏客户百分比为53.9％，好客户发生比为1.26/1；高额度的好客户数为322，坏客户数为461，好客户百分比为32.2％，坏客户百分比为46.1％，好客户的发生比为0.70/1。好客户总数经计算为1000，坏客户总数经计算为1000。

[0094] 利用统计方法的公式，经计算得到F＝0.082，即信用额度对动支率的影响度为0.082。

[0095] 需要说明的是，由于信用额度为连续变量，信用额度值连续变化，将信用额度分为低额度0-5k和高额度5k以上两个特征项进行统计过于简略。信用额度还可以按照0-2k，2k-5k，5k-1w，1w-2w等更详细地进行划分，同时，统计得到的F值也将不同。

[0096] 在信用额度对逾期模型的影响度确定之后，假设信用额度对逾期模型的影响度很大，然后，再需要确定某一具体的信用额度下用户的逾期评分。

[0097] 作为示例，假设第二信用额度为10w时，用户的逾期评分为0.9(用户动支意愿评分为0-1，评分越高用户动支意愿越大)，则表明10w时用户的逾期率较高。

[0098] 提额判断模块，用于根据所述第一信用额度时用户的动支意愿评分和所述第二信用额度时用户的逾期评分判断是否提升信用额度。

[0099] 进一步，所述信用额度按相同的取值区间分组包括：信用额度按同等额度或同等额度比例分组。

[0100] 进一步，所述根据所述第一信用额度时用户的动支意愿评分和所述第二信用额度时用户的逾期评分判断是否提升信用额度，进一步为：

[0101] 根据第一信用额度时用户的动支意愿评分，获取影响用户动支意愿的各属性标签，筛选各属性标签中与信用额度有关联的属性标签，确定信用额度对用户动支意愿的重要性；

[0102] 将用户属性数据和信用额度输入提额幅度不同的提额风险模型，获取各不同提额幅度下的提额风险评分，确定对用户的提额幅度，确定第二信用额度时用户的逾期评分。

[0103] 进一步，所述提额风险评分包括：逾期评分。

[0104] 作为示例，第一信用额度为5k时，用户动支意愿评分低，获取到影响用户动支意愿的属性标签包括：收入、年龄等属性标签。

[0105] 将收入作为影响用户动支意愿评分的重要标签，对于月收入10w的用户来说，信用额度为5k，该部分用户动支意愿明显较低。

[0106] 将该用户的收入、年龄等属性数据和5k的信用额度输入提额幅度不同的提额风险模型。

[0107] 作为示例，以5w的提额幅度对该用户进行提额，提额5w,10w,15w时，该用户的提额风险评分都在阈值范围内，该用户的逾期风险较低。对该用户进行20w提额时，用户的提额风险评分超过阈值范围，该用户的逾期风险较高。将15w作为对该用户的提额幅度。

[0108] 需要说明的是，本发明的适用范围是贷款期。

[0109] 本发明不仅能够通过动支率模型促进用户的借款行为，提高用户的动支率，还能够通过逾期模型有效预测评估用户的逾期风险，实现信用额度的有效管理，也使金融平台避免一定的经济损失。

[0110] 此外，本发明还提出信用额度管理系统。图3是本发明的信用额度管理系统的结构框架示意图，如图3所示，信用额度管理系统包括存储器和数据处理装置，存储器用于存储计算机可执行程序，数据处理装置，用于读取所述存储器中的计算机可执行程序，以执行所述的信用额度管理方法。本发明中系统可以是本地系统，也可以是分布式系统。本发明的存储器可以是本地存储器，也可以是分布式存储系统，例如云存储系统。而数据处理器则包括至少一个具人数字信息处理能力的装置，例如CPU、GPU、多处理器系统或云处理器。

[0111] 再者，本发明还提出计算机可读介质，用于存储计算机可读程序，所述计算机可读程序用于执行所述的信用额度管理方法。

[0112] 应当理解，为了精简本发明并帮助本领域的技术人员理解本发明的各个方面，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时在单个实施例中进行描述，或者参照单个图进行描述。但是，不应将本发明解释成示例性实施例中包括的特征均为本专利权利要求的必要技术特征。

[0113] 应当理解，可以对本发明的一个实施例的设备中包括的模块、单元、组件等进行自适应性地改变以把它们设置在与该实施例不同的设备中。可以把实施例的设备包括的不同模块、单元或组件组合成一个模块、单元或组件，也可以把它们分成多个子模块、子单元或子组件。本发明的实施例中的模块、单元或组件可以以硬件方式实现，也可以以一个或者多个处理器上运行的软件方式实现，或者以它们的组合实现。

[0114] 以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。