1.本发明涉及汽车，具体涉及一种基于用户驾驶行为的违章预测方法。
背景技术：2.公路运输作为最重要的地面运输方式，在社会进步和经济发展中有着举足轻重的作用。但是随着汽车保有量的快速增长，交通事故频发，道路交通事故发生率逐年攀升，人、车、环境三个因素是导致道路交通事故主要因素。其中，人的因素引起的道路交通事故约90％；这其中95％以上的事故发生都是由驾驶人员没有采取应急措施,或由酒驾、超载、超速、疲劳驾驶等不良驾驶行为引起，而剩下的是由车机故障引起。
技术实现要素：3.本发明的目的是提出一种基于用户驾驶行为的违章预测方法，能够对用户的违章风险进行预测和提醒用户，有利于降低发生道路交通事故的可能性。
4.本发明所述的一种基于用户驾驶行为的违章预测方法，包括以下步骤：
5.s1、数据采集，采集用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据和用户违章数据，获得第一数据集；
6.s2、数据预处理，对所述第一数据集进行数据清洗，获得第二数据集；
7.s3、数据归一化，采用数据归一化算法对所述第二数据集中的用户驾驶行为数据和车手熟练度数据进行处理，采用哑变量生成算法对所述第二数据集中的车机功能数据和第三方应用使用情况数据进行处理，获得第三数据集；
8.s4、因子相关性分析，分析第三数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量与所述用户违章数据之间的相关性，筛选出与用户违章数据相关性最高的n个所述特征变量形成变量集，剔除其它所述特征变量，获得第四数据集；
9.s5、划分训练集和测试集，将所述第四数据集划分成训练集和测试集；
10.s6、训练模型，以所述变量集为自变量，以用户违章数据为因变量，利用所述训练集训练神经网络模型；
11.s7、测试模型，利用测试集测试神经网络模型，判断准确率是否达到准确率预设值，若准确率达到准确率预设值，则执行下一步骤；
12.s8、违章预测，基于实时采集的用户驾驶行为数据、车手熟练度数据、车机功能数据和第三方应用使用情况数据，通过神经网络模型进行预测，若预测用户违章概率达到概率预设值，则对用户进行提醒。
13.可选的，所述用户驾驶行为数据包括以下数据中的至少一种：车速数据、急加速次数数据、急减速次数数据和急转弯次数数据；
14.所述车手熟练度数据包括以下数据中的至少一种：单位行程所用时间数据、单位行程中平均车速数据和总行驶里程数据；
15.所述车机功能数据包括以下数据中的至少一种：包括空调设置数据、座椅加热设置数据、360全景开关数据、仪表屏幕亮度模式数据、通知音量设置数据、定时通风功能设置数据、疲劳检测功能触发数据、疲劳检测等级数据、分心检测触发数据和危险动作检测数据；
16.所述第三方应用使用情况数据包括以下数据中的至少一种：地图使用设置数据和音乐风格数据。
17.可选的，所述用户违章数据包括违章时间数据和违章地点数据。
18.可选的，所述准确率预设值为85％。
19.可选的，所述概率预设值为0.5。
20.可选的，所述对所述第一数据集进行数据清洗包括：
21.删除第一数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量中数据缺失量大于30％的特征变量，
22.对于第一数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量中数据缺失量小于或等于30％的特征变量进行均值缺失值填充。
23.可选的，所述因子相关性分析包括：
24.所以将第三数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量逐一与用户违章数据建logistics回归，计算各特征变量的变量系数，基于各特征变量的变量系数和系数预设阈值，筛选出相关性最高的n个所述特征变量形成变量集。
25.可选的，在所述s7中，若准确率达到准确率预设值，则返回s4调整变量集，或者返回s1增加数据采集量。
26.可选的，在所述s5中，按照7:3的比例划分训练集和测试集。
27.本发明还提出了一种基于用户驾驶行为的违章预测系统，包括：
28.第一数据采集模块，用于采集用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据和用户违章数据，获得第一数据集；
29.数据预处理模块，用于对所述第一数据集进行数据清洗，获得第二数据集；
30.数据归一化模块，用于采用数据归一化算法对所述第二数据集中的用户驾驶行为数据和车手熟练度数据进行处理，采用哑变量生成算法对所述第二数据集中的车机功能数据和第三方应用使用情况数据进行处理，获得第三数据集；
31.因子相关性分析模块，用于分析第三数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量与所述用户违章数据之间的相关性，筛选出与用户违章数据相关性最高的n个所述特征变量形成变量集，剔除其它所述特征变量，获得第四数据集；
32.训练集和测试集划分模块，用于将第四数据集划分成训练集和测试集；
33.模型训练模块，用于以所述变量集为自变量，以用户违章数据为因变量，利用所述训练集训练神经网络模型；
34.模型测试模块，用于利用测试集测试神经网络模型，若准确率是否达到准确率预设值，若准确率达到准确率预设值，则执行下一步骤；
35.第二数据采集模块，用于实时采集的用户驾驶行为数据、车手熟练度数据、车机功能数据和第三方应用使用情况数据；
36.违章预测模块，用于基于实时采集的用户驾驶行为数据、车手熟练度数据、车机功能数据和第三方应用使用情况数据，通过神经网络模型进行预测；
37.违章提醒模块，用于在测用户违章概率达到概率预设值，则对用户进行提醒。
38.本发明能够对用户的违章风险进行预测和提醒用户，有利于降低发生道路交通事故的可能性。
附图说明
39.图1为具体实施方式中所述的基于用户驾驶行为的违章预测方法的流程图。
具体实施方式
40.下面结合附图对本发明作进一步说明。
41.如图1所示的一种基于用户驾驶行为的违章预测方法，包括以下步骤：
42.s1、数据采集，采集用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据和用户违章数据，获得第一数据集；
43.具体的，用户驾驶行为数据包括以下数据中的至少一种：车速数据、急加速次数数据、急减速次数数据和急转弯次数数据；
44.车手熟练度数据包括以下数据中的至少一种：单位行程所用时间数据、单位行程中平均车速数据和总行驶里程数据；
45.车机功能数据包括以下数据中的至少一种：包括空调设置数据、座椅加热设置数据、 360全景开关数据、仪表屏幕亮度模式数据、通知音量设置数据、定时通风功能设置数据、疲劳检测功能触发数据、疲劳检测等级数据、分心检测触发数据和危险动作检测数据；
46.第三方应用使用情况数据包括以下数据中的至少一种：地图使用设置数据和音乐风格数据。
47.在具体实施时，分别从驾驶行为、车手熟练度、车机功能和第三方应用使用情况四个维度收集数据，首先假设驾驶过程中已经跑了t小时，已经跑了s公里，采集的数据如下：
48.采集的驾驶行为数据如下：
49.车速：t时刻的瞬时速度；
50.急加速次数：0～t时刻的急加速统计次数；
51.急减速次数：0～t时刻的急减速统计次数；
52.急转弯次数：0～t时刻的急转弯统计次数。
53.采集的车手熟练度数据如下：
54.单位行程所用时间：t/s的值；
55.单位行程中平均车速:s/t的值；
56.总行驶里程：s的值。
57.采集的车机功能数据如下：
58.空调设置：已设置为1，未设置为0；
59.座椅加热设置：已设置为1，未设置为0；
60.360全景开关：已打开为1，未打开为0；
61.仪表屏幕亮度模式：夜晚模式为1，白天模式为2；
62.通知音量设置：大音量为1，小音量为2，关闭为0；
63.定时通风功能设置：已设置为1，未设置为0；
64.疲劳检测功能触发：已打开为1，未打开为0；
65.疲劳检测等级：0～5级，数字越大越疲劳；
66.分心检测触发：已触发为1，未触发为0；
67.危险动作检测：已检测为1，未检测为0。
68.采集的第三方应用使用情况如下：
69.地图使用设置：使用地图导航为1，未使用地图导航为2；
70.音乐风格：摇滚为1，古典为2，流行歌曲为3，无音乐为0；
71.用户违章数据的标签变量：t时刻是否违章：是为1，不是为0。
72.s2、数据预处理，对所述第一数据集进行数据清洗，获得第二数据集；
73.具体的，所述对所述第一数据集进行数据清洗包括：删除第一数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量中数据缺失量大于30％的特征变量，对于第一数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量中数据缺失量小于或等于30％的特征变量进行均值缺失值填充。
74.s3、数据归一化，采用数据归一化算法对所述第二数据集中的用户驾驶行为数据和车手熟练度数据进行处理，采用哑变量生成算法对所述第二数据集中的车机功能数据和第三方应用使用情况数据进行处理，获得第三数据集；数据归一化能够将不同维度的数据转化为同一维度以带入模型进行训练；
75.数据归一化算法如下：
76.假设预处理前的数值变量为x＝[x1,x2...x
t
]；
[0077]
记归一化预处理后的变量为y＝[y1,y2...y
t
]；
[0078]
则他们之间的相关关系为：
[0079]
在本实施例中，用户驾驶行为数据和车手熟练度数据中的变量都是数值变量，使用数据归一化算法进行数据预处理。
[0080]
哑变量生成算法如下：
[0081]
假设预处理前的分类变量x有t个分类，每个分类的值记为x(t)。则可以生成t-1个哑变量，新变量与原始变量的转换关系为：
[0082][0083]
在本实施例中，车机功能数据和第三方应用使用情况数据都是分类变量，使用哑变量生成算法进行数据预处理。
[0084]
s4、因子相关性分析，分析第三数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量与所述用户违章数据之间的相关
性，筛选出与用户违章数据相关性最高的n个所述特征变量形成变量集，剔除其它所述特征变量，获得第四数据集；
[0085]
具体的，考虑到因变量(用户违章数据中的标签变量)是分类变量，同时要去除自变量(第三数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量)之间的相关影响，所以将自变量分别逐一与因变量建立 logistics回归，计算变量系数beta和r2(因为只有一个因变量，所以r2可以直接衡量该自变量的可信度)；
[0086]
逻辑回归的公式如下所示(是截距，beta是变量系数，y是因变量，θ表示截距和变量系数的向量组合,即θ＝[α，beta])：
[0087]
预测函数：
[0088]
根据这个预测函数，可以得到目标变量的分类表达式：
[0089]
p(y＝1|x:θ)＝g(θ
t
*[1,x])
[0090]
p(y＝0|x:θ)＝1-g(θ
t
*[1,x])；
[0091]
对于这两个公式，整合得到对数似然函数：
[0092][0093]
对其求最小值可以得到beta的值。
[0094]
求出beta的值之后，r2的值的计算公式如下：
[0095][0096]
其中y
t
是真实标签，是预测标签，是标签的平均值。
[0097]
在计算出beta和r2后，基于自变量的变量系数和系数预设阈值，筛选出相关性最高的 n个所述特征变量形成变量集。系数预设阈值需要参考s7中准确率的计算结果，亦即使用该系数预设阈值筛选变量，最后测试准确率达到85％以上。
[0098]
s5、划分训练集和测试集，将所述第四数据集划分成训练集和测试集；具体的，按照 7:3的比例划分训练集和测试集。
[0099]
s6、训练模型，以所述变量集为自变量，以用户违章数据为因变量，利用所述训练集训练bp神经网络模型；
[0100]
s7、测试模型，利用测试集测试bp神经网络模型，判断准确率是否达到准确率预设值，若准确率达到准确率预设值，则执行下一步骤；
[0101]
s8、违章预测，基于实时采集的用户驾驶行为数据、车手熟练度数据、车机功能数据和第三方应用使用情况数据，通过bp神经网络模型进行预测，若预测用户违章概率(即标签变量为1的概率)达到概率预设值，则对用户进行提醒。
[0102]
在具体实施时，上述的数据可以通过车载传感器设备来采集用户驾驶行为数据和
车手熟练度数据，可以直接读取车机的数据来获得车机功能数据和第三方应用使用情况数据，可以利用云端计算平台来实现实时计算和提醒。
[0103]
bp(back propagation)网络是1986年由rinehart和mcclelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络。bp网络能学习和存贮大量的输入
‑ꢀ
输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。bp 神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。模型数学推导过程如下：
[0104]
假设第j个神经元的净输入值sj为：
[0105][0106]
其中：x＝[x1,x2...xm]
t
，wj＝[w
j1
,w
j2
...w
jm
]；
[0107]
如果视作x0＝1，w
j0
＝bj则x和w将变成：
[0108]
x＝[x0,x1,x2...xm]
t
，wj＝[w
j0
,w
j1
,w
j2
…wjm
]；
[0109]
于是节点j的净输入sj可表示为：
[0110][0111]
净输入sj通过传递函数(transfer function)映射后，便得到第j个神经元的输出yj:
[0112][0113]
式中f函数是单调上升函数，而且必须是有界函数，因为细胞传递的信号不可能无限增加，必有一最大值。bp算法由数据流的前向计算(正向传播)和误差信号的反向传播两个过程构成。正向传播时，传播方向为输入层
→
隐层
→
输出层，每层神经元的状态只影响下一层神经元。若在输出层得不到期望的输出，则转向误差信号的反向传播流程。通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。
[0114]
设bp网络的输入层有n个节点，隐层有q个节点，输出层有m个节点，输入层与隐层之间的权值为v
ki
，隐层与输出层之间的权值为w
jk
。隐层的传递函数为f1，输出层的传递函数为f2，则隐层节点的输出为(将阈值写入求和项中)：
[0115][0116]
输出层节点的输出为：
[0117][0118]
至此bp网络就完成了n维空间向量对m维空间的近似映射。
[0119]
映射之后就可以通过反向传播求出w的值了，具体步骤如下：
[0120]
1)定义误差函数
[0121]
输入p个学习样本，用x1,x2...x
p
来表示。第p个样本输入到网络后得到输出 (j＝1,2,
…
m)。采用平方型误差函数，于是得到第p个样本的误差e
p
：
[0122][0123]
式中：为期望输出。
[0124]
对于p个样本，全局误差为：
[0125][0126]
2)输出层权值的变化
[0127]
采用累计误差bp算法调整w
jk
，使全局误差e变小，即
[0128][0129]
式中：η表示学习率
[0130]
定义误差信号为：
[0131][0132]
其中第一项：
[0133][0134]
第二项：
[0135][0136]
是输出层传递函数的偏微分。
[0137]
记：
[0138]
由链式法则得：
[0139]
于是输出层各神经元的权值调整公式为：
[0140][0141]
作为一种优选实施例，所述用户违章数据包括违章时间数据和违章地点数据。
[0142]
作为一种优选实施例，所述准确率预设值为85％。
[0143]
作为一种优选实施例，所述概率预设值为0.5。
[0144]
在一些实施例中，为了提升预测精准度，在所述s7中，若准确率达到准确率预设
值，则返回s4调整变量集，或者返回s1增加数据采集量。
[0145]
通过采用上述的基于用户驾驶行为的违章预测方法，能够对用户的违章风险进行预测和提醒用户，能够实现风险实时反馈，有利于降低发生道路交通事故的可能性。通过进行数据预处理、数据归一化、因子相关性分析以及合理划分训练集和测试集，能够提升预测精准度和降低bp神经网络模型难度。
[0146]
本发明还提出了一种基于用户驾驶行为的违章预测系统，包括：
[0147]
第一数据采集模块，用于采集用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据和用户违章数据，获得第一数据集；
[0148]
数据预处理模块，用于对所述第一数据集进行数据清洗，获得第二数据集；
[0149]
数据归一化模块，用于采用数据归一化算法对所述第二数据集中的用户驾驶行为数据和车手熟练度数据进行处理，采用哑变量生成算法对所述第二数据集中的车机功能数据和第三方应用使用情况数据进行处理，获得第三数据集；
[0150]
因子相关性分析模块，用于分析第三数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量与所述用户违章数据之间的相关性，筛选出与用户违章数据相关性最高的n个所述特征变量形成变量集，剔除其它所述特征变量，获得第四数据集；
[0151]
训练集和测试集划分模块，用于将第四数据集划分成训练集和测试集；
[0152]
模型训练模块，用于以所述变量集为自变量，以用户违章数据为因变量，利用所述训练集训练bp神经网络模型；
[0153]
模型测试模块，用于利用测试集测试bp神经网络模型，若准确率是否达到准确率预设值，若准确率达到准确率预设值，则执行下一步骤；
[0154]
第二数据采集模块，用于实时采集的用户驾驶行为数据、车手熟练度数据、车机功能数据和第三方应用使用情况数据；
[0155]
违章预测模块，用于基于实时采集的用户驾驶行为数据、车手熟练度数据、车机功能数据和第三方应用使用情况数据，通过bp神经网络模型进行预测；
[0156]
违章提醒模块，用于在测用户违章概率达到概率预设值，则对用户进行提醒。
技术特征：1.一种基于用户驾驶行为的违章预测方法，其特征在于，包括以下步骤：s1、数据采集，采集用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据和用户违章数据，获得第一数据集；s2、数据预处理，对所述第一数据集进行数据清洗，获得第二数据集；s3、数据归一化，采用数据归一化算法对所述第二数据集中的用户驾驶行为数据和车手熟练度数据进行处理，采用哑变量生成算法对所述第二数据集中的车机功能数据和第三方应用使用情况数据进行处理，获得第三数据集；s4、因子相关性分析，分析第三数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量与所述用户违章数据之间的相关性，筛选出与用户违章数据相关性最高的n个所述特征变量形成变量集，剔除其它所述特征变量，获得第四数据集；s5、划分训练集和测试集，将所述第四数据集划分成训练集和测试集；s6、训练模型，以所述变量集为自变量，以用户违章数据为因变量，利用所述训练集训练神经网络模型；s7、测试模型，利用测试集测试神经网络模型，判断准确率是否达到准确率预设值，若准确率达到准确率预设值，则执行下一步骤；s8、违章预测，基于实时采集的用户驾驶行为数据、车手熟练度数据、车机功能数据和第三方应用使用情况数据，通过神经网络模型进行预测，若预测用户违章概率达到概率预设值，则对用户进行提醒。2.根据权利要求1所述的基于用户驾驶行为的违章预测方法，其特征在于，所述用户驾驶行为数据包括以下数据中的至少一种：车速数据、急加速次数数据、急减速次数数据和急转弯次数数据；所述车手熟练度数据包括以下数据中的至少一种：单位行程所用时间数据、单位行程中平均车速数据和总行驶里程数据；所述车机功能数据包括以下数据中的至少一种：包括空调设置数据、座椅加热设置数据、360全景开关数据、仪表屏幕亮度模式数据、通知音量设置数据、定时通风功能设置数据、疲劳检测功能触发数据、疲劳检测等级数据、分心检测触发数据和危险动作检测数据；所述第三方应用使用情况数据包括以下数据中的至少一种：地图使用设置数据和音乐风格数据。3.根据权利要求1所述的基于用户驾驶行为的违章预测方法，其特征在于，所述用户违章数据包括违章时间数据和违章地点数据。4.根据权利要求1所述的基于用户驾驶行为的违章预测方法，其特征在于，所述准确率预设值为85%。5.根据权利要求1所述的基于用户驾驶行为的违章预测方法，其特征在于，所述概率预设值为0.5。6.根据权利要求1所述的基于用户驾驶行为的违章预测方法，其特征在于，所述对所述第一数据集进行数据清洗包括：删除第一数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量中数据缺失量大于30%的特征变量，
对于第一数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量中数据缺失量小于或等于30%的特征变量进行均值缺失值填充。7.根据权利要求1所述的基于用户驾驶行为的违章预测方法，其特征在于，所述因子相关性分析包括：所以将第三数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量逐一与用户违章数据建logistics回归，计算各特征变量的变量系数，基于各特征变量的变量系数和系数预设阈值，筛选出相关性最高的n个所述特征变量形成变量集。8.根据权利要求1所述的基于用户驾驶行为的违章预测方法，其特征在于，在所述s7中，若准确率达到准确率预设值，则返回s4调整变量集，或者返回s1增加数据采集量。9.根据权利要求1所述的基于用户驾驶行为的违章预测方法，其特征在于，在所述s5中，按照7:3的比例划分训练集和测试集。10.一种基于用户驾驶行为的违章预测系统，其特征在于，包括：第一数据采集模块，用于采集用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据和用户违章数据，获得第一数据集；数据预处理模块，用于对所述第一数据集进行数据清洗，获得第二数据集；数据归一化模块，用于采用数据归一化算法对所述第二数据集中的用户驾驶行为数据和车手熟练度数据进行处理，采用哑变量生成算法对所述第二数据集中的车机功能数据和第三方应用使用情况数据进行处理，获得第三数据集；因子相关性分析模块，用于分析第三数据集中的用户驾驶行为数据、车手熟练度数据、车机功能数据、第三方应用使用情况数据中各特征变量与所述用户违章数据之间的相关性，筛选出与用户违章数据相关性最高的n个所述特征变量形成变量集，剔除其它所述特征变量，获得第四数据集；训练集和测试集划分模块，用于将第四数据集划分成训练集和测试集；模型训练模块，用于以所述变量集为自变量，以用户违章数据为因变量，利用所述训练集训练神经网络模型；模型测试模块，用于利用测试集测试神经网络模型，若准确率是否达到准确率预设值，若准确率达到准确率预设值，则执行下一步骤；第二数据采集模块，用于实时采集的用户驾驶行为数据、车手熟练度数据、车机功能数据和第三方应用使用情况数据；违章预测模块，用于基于实时采集的用户驾驶行为数据、车手熟练度数据、车机功能数据和第三方应用使用情况数据，通过神经网络模型进行预测；违章提醒模块，用于在测用户违章概率达到概率预设值，则对用户进行提醒。
技术总结本发明涉及一种基于用户驾驶行为的违章预测方法和系统，基于用户驾驶行为的违章预测方法包括以下步骤：S1、数据采集；S2、数据预处理；S3、数据归一化；S4、因子相关性分析；S5、划分训练集和测试集；S6、训练模型；S7、测试模型；S8、违章预测。基于用户驾驶行为的违章预测系统包括：第一数据采集模块、数据预处理模块、数据归一化模块、因子相关性分析模块、训练集和测试集划分模块、模型训练模块、模型测试模块、第二数据采集模块、违章预测模块和违章提醒模块。本发明能够对用户的违章风险进行预测和提醒用户，有利于降低发生道路交通事故的可能性。性。性。
技术研发人员：刁冠通 李晓光 殷济明 翟钧 苏琳珂
受保护的技术使用者：重庆长安新能源汽车科技有限公司
技术研发日：2022.06.28
技术公布日：2022/11/1
