摘 要：通過分析信息化建設(shè)脈絡(luò)中高速公路數(shù)據(jù)的海量產(chǎn)生，結(jié)構(gòu)復(fù)雜的海量數(shù)據(jù)存儲及處理，闡述大數(shù)據(jù)平臺在智慧高速建設(shè)中的作用，總結(jié)大數(shù)據(jù)在智慧高速中的客戶服務(wù)、運(yùn)營優(yōu)化、稽查分析、應(yīng)急資源調(diào)度、預(yù)測預(yù)警等方面的具體應(yīng)用，對交通指揮中心工作提供支持。

關(guān)鍵詞：智慧高速 分布式數(shù)據(jù)處理 數(shù)據(jù)挖掘 客戶服務(wù) 優(yōu)化運(yùn)營 預(yù)測預(yù)警

Abstract：This paper analyzes the effect of big data platform in the construction of expressway construction by analyzing the mass production of expressway data and the complicated data storage and processing in the context of information construction, summarizes the customer service and operation optimization of big data in expressway, inspection and analysis, emergency resource scheduling, forecasting and early warning of specific applications, so as to provide support for the traffic command center.

Key words：intelligence expressway; distributed data processing; data mining; customer service; operation optimization; forecasting early warning

引言

隨著經(jīng)濟(jì)社會的發(fā)展，城市人口持續(xù)增長，數(shù)量持續(xù)增長的車輛給交通基礎(chǔ)設(shè)施通行能力帶來極大壓力。交通擁堵、交通事故、環(huán)境污染及能源短缺已成為目前面臨的重要問題，尤其在高速公路交通管理尤其變得更加明顯。如何有效利用傳統(tǒng)的高速公路數(shù)據(jù)與設(shè)備，提高交通運(yùn)輸效率、安全性、整體效益，提高交通的科學(xué)管理和組織服務(wù)水平是管理者迫切需要解決的問題。

車輛在高速公路上，本身的動作及設(shè)備會產(chǎn)生海量數(shù)據(jù)，在沒有大數(shù)據(jù)平臺之前，高速公路上產(chǎn)生的數(shù)據(jù)分門別類的分布在Oracle、MySQL等數(shù)據(jù)庫中，因?yàn)楦髯蕴幚碚Z言不同，在剛使用時(shí)分析速度尚且可以，但隨著數(shù)據(jù)量越來越多，查詢調(diào)用越來越頻繁，速度變得越來越慢，無法滿足高速管理需求。

高速公路數(shù)據(jù)產(chǎn)生

高速公路的信息化建設(shè)包含從基建到信息記錄等多個(gè)層面。所有的環(huán)節(jié)都在不停地產(chǎn)生數(shù)據(jù)，成為智慧高速中的海量數(shù)據(jù)來源。首先是高速公路的硬件和基礎(chǔ)設(shè)施，當(dāng)一輛車開進(jìn)收費(fèi)站，先經(jīng)過地下預(yù)埋的地感線圈，經(jīng)過地板線圈進(jìn)行切割磁力線，產(chǎn)生很弱的電流，車輛開進(jìn)來會由定焦在地感線圈的攝像機(jī)拍一張圖片，產(chǎn)生車輛進(jìn)入收費(fèi)站的***個(gè)數(shù)據(jù)。繼而遞交收費(fèi)卡、讀卡、寫卡，寫卡的同時(shí)計(jì)算從A點(diǎn)到B點(diǎn)的費(fèi)用，每一個(gè)動作都在產(chǎn)生數(shù)據(jù)。高速公路收費(fèi)還涉及更加復(fù)雜的情況，如起點(diǎn)A到終點(diǎn)B，中間經(jīng)過三段高速公路，三段的收費(fèi)主體不同，需要在收費(fèi)的金額上進(jìn)行三個(gè)收費(fèi)主體的拆分，這涉及到后臺的數(shù)據(jù)計(jì)算。所以一輛車從進(jìn)入收費(fèi)口到駛離收費(fèi)口，至少會產(chǎn)生兩張圖片，十余條流水?dāng)?shù)據(jù)，同時(shí)還會產(chǎn)生車道攝像和停位攝像等大量的視頻信息。

產(chǎn)生大量車輛數(shù)據(jù)的同時(shí)，收費(fèi)員的動作，如按抬桿鍵、放行鍵、軍車鍵等，也會產(chǎn)生數(shù)據(jù)記錄，方便后續(xù)稽查時(shí)的圖片分析，避免逃費(fèi)等行為。設(shè)備本身也會產(chǎn)生大量數(shù)據(jù)，比如抬桿、打票、紅綠燈轉(zhuǎn)換，全部都會產(chǎn)生日志信息進(jìn)入數(shù)據(jù)庫，這還只是收費(fèi)相關(guān)的數(shù)據(jù)信息。在看不到的地面上，還會存在很多信息采集系統(tǒng)，比如地磁式傳感器、攝像頭，檢測車輛通過時(shí)的平均速度、平均車間距和平均占有率等等信息，大量數(shù)據(jù)都會進(jìn)入數(shù)據(jù)庫，進(jìn)行后續(xù)的存儲分析。一輛車在駛離高速公路時(shí)，已經(jīng)產(chǎn)生了大量的數(shù)據(jù)信息，其中包含結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)、流數(shù)據(jù)等多種數(shù)據(jù)形式。

大數(shù)據(jù)平臺架構(gòu)設(shè)計(jì)及數(shù)據(jù)處理

高速公路上產(chǎn)生的海量數(shù)據(jù)，需要一個(gè)企業(yè)級的大數(shù)據(jù)平臺，對數(shù)據(jù)進(jìn)行分門別類的存儲管理，TDH企業(yè)級一站式大數(shù)據(jù)平臺，以分布式架構(gòu)對數(shù)據(jù)進(jìn)行存儲和計(jì)算，并在此基礎(chǔ)上進(jìn)行數(shù)據(jù)處理和應(yīng)用。

大數(shù)據(jù)平臺架構(gòu)設(shè)計(jì)

數(shù)據(jù)進(jìn)入大數(shù)據(jù)平臺，上游業(yè)務(wù)系統(tǒng)中的數(shù)據(jù)，通過文件交換或Sqoop方式同步到大數(shù)據(jù)平臺的貼源層，然后經(jīng)過批處理加工后，形成明細(xì)層、匯總層和模型層。對于歷史數(shù)據(jù)，比如收費(fèi)站入口流水表和出口流水表，選擇存儲在Search引擎中，可以進(jìn)行快速的歷史數(shù)據(jù)檢索。對于非結(jié)構(gòu)化數(shù)據(jù)，例如圖片和視頻影像，選擇存儲在Hyperbase引擎中。同時(shí)，為了提高大數(shù)據(jù)平臺的數(shù)據(jù)質(zhì)量，使用Governor管理元數(shù)據(jù)(包括表和存儲過程)，監(jiān)控所有數(shù)據(jù)的更改歷史，進(jìn)行數(shù)據(jù)血緣分析和影響分析。對上層的基于大數(shù)據(jù)平臺的應(yīng)用，可以使用標(biāo)準(zhǔn)的JDBC或ODBC與大數(shù)據(jù)平臺進(jìn)行連接，對數(shù)據(jù)挖掘需求，如節(jié)假日車流量預(yù)測、高速路擁堵程度預(yù)測等，可以圖形化拖拽機(jī)器學(xué)習(xí)平臺Sophon組件進(jìn)行預(yù)測，如圖1所示。

▲圖1大數(shù)據(jù)平臺架構(gòu)

高速公路的數(shù)據(jù)存儲及處理

高速公路中產(chǎn)生的車輛動作和收費(fèi)員動作、信息采集系統(tǒng)等產(chǎn)生的海量數(shù)據(jù)都進(jìn)入大數(shù)據(jù)平臺進(jìn)行存儲和處理。這些結(jié)構(gòu)復(fù)雜，形式多樣的海量數(shù)據(jù)，對數(shù)據(jù)存儲和處理提出了很高的要求。大數(shù)據(jù)平臺支持兼容Oracle 、DB2 、Teradata數(shù)據(jù)庫/數(shù)據(jù)倉庫SQL方言，可以輕松的將數(shù)據(jù)從傳統(tǒng)架構(gòu)中進(jìn)行遷移，所以方便應(yīng)用研發(fā)人員利用這一特性實(shí)現(xiàn)數(shù)據(jù)處理核心的升級換代。同時(shí)，TDH支持低延時(shí)和高吞吐的實(shí)時(shí)計(jì)算場景，可實(shí)現(xiàn)基礎(chǔ)結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)和流數(shù)據(jù)的存儲，并隨時(shí)無縫擴(kuò)容。大數(shù)據(jù)平臺基本架構(gòu)在于，對全省高速路網(wǎng)監(jiān)控收費(fèi)運(yùn)營數(shù)據(jù)進(jìn)行采集和整合，進(jìn)入數(shù)據(jù)中心，基礎(chǔ)數(shù)據(jù)庫經(jīng)過大數(shù)據(jù)平臺處理形成專題數(shù)據(jù)庫，然后將路網(wǎng)設(shè)備設(shè)施等資源統(tǒng)一融合，形成GIS和視頻支撐平臺，繼而在集成平臺以GIS和視頻平臺做支撐形成五大應(yīng)用系統(tǒng)相互協(xié)作，最終在終端設(shè)置，如監(jiān)控中心的監(jiān)控大屏、會商室顯示、普通的監(jiān)控工作站、移動終端等設(shè)備上進(jìn)行展示和發(fā)布。

高速公路大數(shù)據(jù)由幾個(gè)大的部分構(gòu)成：高速收費(fèi)數(shù)據(jù)主要應(yīng)用于收費(fèi)管理、風(fēng)險(xiǎn)管理、運(yùn)營優(yōu)化;監(jiān)控設(shè)備數(shù)據(jù)主要應(yīng)用于視頻監(jiān)控、運(yùn)營管理、指揮調(diào)度;交調(diào)設(shè)備數(shù)據(jù)主要應(yīng)用于基礎(chǔ)采集、運(yùn)營管理、指揮調(diào)度。交通數(shù)據(jù)尤其是視頻數(shù)據(jù)和圖像數(shù)據(jù)，在一個(gè)省份數(shù)萬個(gè)攝像頭下，以TB量級甚至PB量級增長，數(shù)據(jù)量巨大，在大數(shù)據(jù)平臺支撐下，完成平滑擴(kuò)容和查詢分析等業(yè)務(wù)應(yīng)用。

智慧高速中的大數(shù)據(jù)應(yīng)用

大數(shù)據(jù)平臺的處理

大數(shù)據(jù)平臺把實(shí)時(shí)數(shù)據(jù)，包括高速公路上的收費(fèi)、監(jiān)控等實(shí)時(shí)數(shù)據(jù)上傳，與傳統(tǒng)業(yè)務(wù)數(shù)據(jù)進(jìn)行整合，包括一些城市交通等外聯(lián)單位的歷史數(shù)據(jù)。將各類結(jié)構(gòu)化、非結(jié)構(gòu)化、半結(jié)構(gòu)化的數(shù)據(jù)，包括監(jiān)控圖像、抓拍信息、收費(fèi)日志和視頻等信息，進(jìn)行數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換處理，然后各自建模分析，形成專題數(shù)據(jù)，把專題數(shù)據(jù)應(yīng)用到相應(yīng)的應(yīng)用系統(tǒng)中，提供支撐。

主要應(yīng)用方面

大數(shù)據(jù)在高速中的應(yīng)用主要包括以下幾方面：

(1)客戶服務(wù)。在ETC用戶管理與車輛引導(dǎo)中，主要使用Apriori算法進(jìn)行關(guān)聯(lián)分析，提供客戶增值服務(wù)和精準(zhǔn)信息推送，同時(shí)滿足客戶關(guān)系管理的要求。可以根據(jù)客戶的車輛遷徙路線等分析，進(jìn)行相關(guān)的路線信息推送等。

在ETC用戶管理與車輛引導(dǎo)中，基于客戶歷史遷徙路線和商品購買歷史，運(yùn)用高維矩陣分解方法，發(fā)現(xiàn)客戶購買偏好和潛在需求以及出行規(guī)律。當(dāng)客戶通過ETC時(shí)，實(shí)時(shí)拍照識別鑒定客戶之后，基于客戶車輛歷史通過卡口數(shù)據(jù)，調(diào)用訓(xùn)練好在線數(shù)據(jù)挖掘模型，可以以大數(shù)據(jù)可視化的方式顯示出來客戶遷徙路線，并預(yù)測出客戶未來遷徙線路，進(jìn)而進(jìn)行精準(zhǔn)的地點(diǎn)線路信息推送。

路線遷徙的可視化和路線預(yù)測的建模過程如下：

利用大數(shù)據(jù)可視化方法，不僅可以詳細(xì)每個(gè)車輛在地圖上車輛行駛軌跡，而且可以顯示所有車輛的運(yùn)行總線路。例如春運(yùn)年前的時(shí)候，可以看到小轎車大部分都是從北上廣深流向中西部城市，年后的時(shí)候大部分車輛向北上廣深匯集。再者，某個(gè)客運(yùn)或者貨車司機(jī)的路線有其固定的運(yùn)行線路。路線預(yù)測建模過程如下：

基于客戶信息、車輛信息、車輛通過何時(shí)通過卡口數(shù)據(jù)歷史數(shù)據(jù)，利用關(guān)聯(lián)分析和高維矩陣分解方法，找到車輛和卡口進(jìn)出對應(yīng)關(guān)系，預(yù)測客戶在下一段時(shí)間會通過的卡口，進(jìn)而預(yù)測車輛行駛軌跡，從而提供精準(zhǔn)的信息推送。

(2)運(yùn)營優(yōu)化。通過流式機(jī)器學(xué)習(xí)實(shí)現(xiàn)時(shí)效分析，提前預(yù)警，協(xié)同各單位指揮調(diào)度;在進(jìn)入大數(shù)據(jù)平臺之后，通過數(shù)據(jù)分析，可以通過高速公路熱點(diǎn)視頻查看，進(jìn)行自動推送;建立領(lǐng)導(dǎo)駕駛艙，設(shè)定流量排名，為優(yōu)化運(yùn)營提供決策依據(jù)。

通過流式機(jī)器學(xué)習(xí)實(shí)現(xiàn)時(shí)效分析，提前預(yù)警，協(xié)同各單位指揮調(diào)度;在進(jìn)入大數(shù)據(jù)平臺之后，通過數(shù)據(jù)分析，可以通過高速公路熱點(diǎn)視頻查看，進(jìn)行自動推送;建立領(lǐng)導(dǎo)駕駛艙，設(shè)定流量排名，為優(yōu)化運(yùn)營提供決策依據(jù)?；趕ophon的在線的流式增量機(jī)器學(xué)習(xí)算法，開發(fā)時(shí)空深度殘差網(wǎng)絡(luò)(ST-ResNet)預(yù)測車輛密度。例如把高速公路，劃成很多個(gè)矩形小區(qū)域，多個(gè)區(qū)域同時(shí)分析，它是一種整體性的預(yù)測。主要基于平滑性、周期性以及趨勢性等三個(gè)個(gè)時(shí)間屬性 以及空時(shí)間屬性和外部天氣數(shù)據(jù)。

***，模擬局部相鄰時(shí)刻。它是一個(gè)平滑的過程，比如中午三點(diǎn)跟中午四點(diǎn)流量變化不會很大。

第二，模擬周期性。把對應(yīng)時(shí)間點(diǎn)昨天、前天、近一周平均、近一個(gè)月平均這個(gè)時(shí)刻的數(shù)據(jù)，作為輸入，來刻畫周期性。

第三，模擬趨勢性。把當(dāng)前時(shí)間點(diǎn)更遠(yuǎn)點(diǎn)(前推半個(gè)、一個(gè)小時(shí))的時(shí)間點(diǎn)(例如昨天、上周、上個(gè)月)的數(shù)據(jù)，模擬趨勢性。

第四，抽取空間屬性。利用深度卷積神經(jīng)網(wǎng)絡(luò)，把一些地區(qū)劃成子區(qū)域之后，相關(guān)的區(qū)域做會做卷積運(yùn)算并合并，通過卷積之后，抓住了這個(gè)區(qū)域周圍的車輛流量的相關(guān)性。這樣卷積多次之后，相當(dāng)于把更遠(yuǎn)相關(guān)區(qū)域的屬性的影響都聚合到一起了。

基于這四個(gè)結(jié)果，系統(tǒng)再做一個(gè)融合。***部分融合，就是只考慮它的時(shí)間和空間屬性。再考慮外部因素，比如最近的附近天氣數(shù)據(jù)拿做第二次融合得到最終結(jié)果。

(3)稽查分析。通過在Inceptor中對原始交易流水費(fèi)分析，提供逃費(fèi)稽查、出入口流水對比等異常行為的分析服務(wù)。

通過在Inceptor中對原始的交易流水統(tǒng)計(jì)分析，抽取車輛逃費(fèi)稽查和出入口流量相關(guān)歷史特征，具體有，車輛最近一周、最近一個(gè)月、最近半年的繳費(fèi)信息，繳費(fèi)卡口每天每個(gè)時(shí)間點(diǎn)的出入流量信息。

利用discover模型融合方法，融合時(shí)序預(yù)測模型和異常檢測模型，效果較單獨(dú)一種方法提升1.6倍。具體實(shí)現(xiàn)如下：

首先，利用discover大數(shù)據(jù)分布式自動的時(shí)序預(yù)測方法，預(yù)測此卡口的當(dāng)前流量，并和當(dāng)前實(shí)際的出入情況對比，如果當(dāng)前流量少于預(yù)測流量，則可能有逃費(fèi)稽查情況出現(xiàn);其次，利用分布式異常檢測算法iforest和無監(jiān)督算法深度自編碼器檢測數(shù)據(jù)異常，發(fā)現(xiàn)行為詭異車輛，業(yè)界先進(jìn)的iforest和深度自編碼器算法可以自動異常檢測此種逃費(fèi)稽查的車輛，會和平時(shí)它的繳費(fèi)習(xí)慣不同，也會和其自前所屬群體的習(xí)慣有所偏離，綜合的偏離程度月的，逃費(fèi)的概率越大。***，利用非線性模型融合的方法，融合時(shí)序預(yù)測模型和異常檢測模型兩者的優(yōu)點(diǎn)，能更準(zhǔn)確的定位異常行為的車輛，為車輛稽查分析提供智能。

(4)聯(lián)合指揮。通過各項(xiàng)數(shù)據(jù)在Inceptor中的匯總和分析，綜合呈現(xiàn)各相關(guān)數(shù)據(jù)，形成聯(lián)合指揮?；趹?yīng)急資源管理、路網(wǎng)交通協(xié)同調(diào)度、應(yīng)急預(yù)案管理、處置效果評估、無人機(jī)監(jiān)控等模塊，實(shí)現(xiàn)交警、消防、路政等多部門聯(lián)動響應(yīng)，為各類交通事件條件下的路網(wǎng)協(xié)同控制和誘導(dǎo)管理提供可視化管理界面和決策支持。

(5)應(yīng)急資源調(diào)度。借助Inceptor的大規(guī)模數(shù)據(jù)處理能力，整合傳統(tǒng)的應(yīng)急資源設(shè)備與資源，協(xié)同建立***化的調(diào)度。應(yīng)急指揮調(diào)度系統(tǒng)可以采取“掛圖作戰(zhàn)”的形式進(jìn)行，有效地保證在出現(xiàn)特殊情況時(shí)可以采取科學(xué)的應(yīng)急措施，積極、快速、有序地處理各類事件，保障高速公路的正常、安全運(yùn)行，實(shí)現(xiàn)應(yīng)急指揮、應(yīng)急資源和應(yīng)急過程的信息化管理。

(6)預(yù)測預(yù)警。擴(kuò)充傳統(tǒng)全面風(fēng)險(xiǎn)管理的數(shù)據(jù)維度，在交通預(yù)警等角度分析，提前告知用戶。根據(jù)往年節(jié)假日各收費(fèi)站流量統(tǒng)計(jì)數(shù)據(jù)，通過分析算法對本年節(jié)假日流量做出預(yù)測并進(jìn)行排名。預(yù)測值是否超過對應(yīng)收費(fèi)站設(shè)定的報(bào)警門限，可以根據(jù)顏色分級進(jìn)行預(yù)警。根據(jù)歷史通行數(shù)據(jù)對車流量進(jìn)行分析和預(yù)測，為節(jié)假日高峰時(shí)段的安全暢通發(fā)出預(yù)警、提前采取保暢措施，為高速路網(wǎng)的安全暢通提供保障。

基于對各收費(fèi)站實(shí)時(shí)數(shù)據(jù)的分析結(jié)果，可以對平日車流量按站點(diǎn)、小時(shí)/天分別進(jìn)行統(tǒng)計(jì)得到時(shí)間序列，ARIMA是做時(shí)間序列預(yù)測較為成熟的模型，分別對該時(shí)間時(shí)間序列采用ARIMA自回歸進(jìn)行建模，然后對未來一個(gè)周期的數(shù)據(jù)進(jìn)行預(yù)測。ARIMA全稱為自回歸積分滑動平均模型，可以記作ARIMA(p,d,q)，其中p為自回歸項(xiàng)，d為差分階數(shù)，q為移動平均項(xiàng)數(shù)，通過ARIMA模型可以對收費(fèi)站某個(gè)時(shí)段流量進(jìn)行預(yù)測與應(yīng)用，從而提升對車流量的預(yù)測預(yù)警。

(7)資產(chǎn)管理。結(jié)合Inceptor和workflow，實(shí)現(xiàn)交通設(shè)備資產(chǎn)全生命周期管理，包括設(shè)備故障預(yù)測、質(zhì)量分析等;通過設(shè)備監(jiān)控專題，可以對高速公路外場設(shè)備如車檢器、攝像機(jī)、氣象站、情報(bào)板、GPS車輛及無人機(jī)等進(jìn)行基于GIS地圖的一體化監(jiān)控;點(diǎn)擊設(shè)備圖標(biāo)即可查看各種設(shè)備的狀態(tài)、數(shù)據(jù)及圖像。

結(jié)合Inceptor和workflow，實(shí)現(xiàn)交通設(shè)備資產(chǎn)全生命周期管理，包括設(shè)備故障預(yù)測、質(zhì)量分析等;通過設(shè)備監(jiān)控專題，可以對高速公路外場設(shè)備如車檢器、攝像機(jī)、氣象站、情報(bào)板、GPS車輛及無人機(jī)等進(jìn)行基于GIS地圖的一體化監(jiān)控;點(diǎn)擊設(shè)備圖標(biāo)即可查看各種設(shè)備的狀態(tài)、數(shù)據(jù)及圖像。

基于新老設(shè)備的歷史數(shù)據(jù)，建立設(shè)別的壽命預(yù)測，可以大大降低故障率，及時(shí)對故障進(jìn)行預(yù)警，并及時(shí)更換設(shè)備。抽取樣本從當(dāng)前狀態(tài)到達(dá)設(shè)備不能使用或者故障的狀態(tài)所經(jīng)過的時(shí)間作為樣本標(biāo)簽，設(shè)備的各種溫度、電壓、電流、功率、脈沖，表面數(shù)字清晰度、當(dāng)前個(gè)指標(biāo)的誤差等作為特征，從而基于這些的建立訓(xùn)練數(shù)據(jù)，訓(xùn)練一個(gè)GBDT模型。經(jīng)過交叉驗(yàn)證，證明此壽命預(yù)測模型的精度高于90%。

總體來講，通過Slipstream的流式處理，Inceptor的復(fù)雜邏輯數(shù)據(jù)加工，Discover和Sophon的數(shù)據(jù)挖掘和分析，可以及時(shí)、高效、全面地對高速場景和業(yè)務(wù)進(jìn)行深度優(yōu)化處理，為“智慧高速”的構(gòu)建提供了強(qiáng)有力的支撐。

結(jié)語

現(xiàn)在，在平臺上的技術(shù)應(yīng)用與數(shù)據(jù)分析已經(jīng)發(fā)展到集合機(jī)器學(xué)習(xí)和深度學(xué)習(xí)階段，應(yīng)用中算法模型也會不斷根據(jù)新的數(shù)據(jù)進(jìn)行迭代學(xué)習(xí)。同時(shí)，隨著物聯(lián)網(wǎng)建設(shè)的推進(jìn)，產(chǎn)生更多海量的數(shù)據(jù)，數(shù)據(jù)處理和應(yīng)用的價(jià)值將得到進(jìn)一步體現(xiàn)。高速公路的數(shù)據(jù)將和更多的行業(yè)數(shù)據(jù)打通進(jìn)行跨界應(yīng)用，讓高速公路更加“智慧”，并應(yīng)用到實(shí)際的場景中。