梁 軍,叢森森,王 軍,蔡英鳳,江浩斌,陳 龍
(江蘇大學(xué)汽車工程研究院,鎮(zhèn)江 212013)
隨著無人駕駛和通信技術(shù)的迅速發(fā)展,行車主動服務(wù)系統(tǒng)(driving active service system,DASS)正成為車聯(lián)網(wǎng)環(huán)境下智能車的重要組成部分。該系統(tǒng)能對行車用戶的服務(wù)需求進(jìn)行感知、匹配并生成服務(wù),最終實現(xiàn)主動推送且保障服務(wù)質(zhì)量。DASS使服務(wù)從感知到推送的全程無需用戶參與,降低了潛在交通事故風(fēng)險,為無人駕駛技術(shù)的推廣奠定基礎(chǔ)。但智能車技術(shù)發(fā)展增加了零散服務(wù)功能,傳統(tǒng)服務(wù)系統(tǒng)已不滿足安全駕駛和用戶多樣化的需求,有必要建立完善的DASS。
目前,針對人—車—路—環(huán)境的閉環(huán)系統(tǒng),國內(nèi)外對DASS“主動感知 自動生成—主動推送”的研究著重于服務(wù)需求主動感知和服務(wù)構(gòu)件匹配的精確度與主動性。Huang等[1]提出了基于主動安全服務(wù)的車間通信框架,在不同交通場景下優(yōu)化了動態(tài)服務(wù)感知速率和性能。Sakthi等[2]設(shè)計了一個3層服務(wù)感知模型,利用仿真開發(fā)無事故交通系統(tǒng)。梁軍等[3]提出交通服務(wù)需求DASS模型,并驗證了模型的實時性和主動性。這些方法使服務(wù)感知和自主生成的性能滿足了DASS系統(tǒng)的要求,但DASS使用率仍較低。因此,為提高DASS使用率,從DASS服務(wù)流程著手,完善服務(wù)推送有利于彌補(bǔ)DASS自身缺陷。因此,Chang等[4]設(shè)計了一種具備服務(wù)主動推送能力的監(jiān)控平臺,將危險信息實時推送給客戶端。Radoslaw[5]在物聯(lián)網(wǎng)系統(tǒng)下依據(jù)智能城市數(shù)據(jù)主動推送,支持用戶的操作。Cai等[6]利用數(shù)據(jù)挖掘方法構(gòu)建了遠(yuǎn)程醫(yī)療服務(wù)推送系統(tǒng)。Catulli等[7]面向消費者構(gòu)建了嬰兒產(chǎn)品服務(wù)推送系統(tǒng)。但這些服務(wù)機(jī)理都忽視了用戶的接受度和用戶操作行為對用戶的影響。
為完善DASS服務(wù)推送環(huán)節(jié),構(gòu)建了主動推送服務(wù)平臺(driving push service platform,DPSP),設(shè)計了B-Num.BT算法用于DPSP的服務(wù)推送流程,通過用戶操作行為特征預(yù)測用戶對推送的操作行為,制定適用于各服務(wù)與用戶類型的服務(wù)規(guī)則,以最佳服務(wù)時機(jī)推送并執(zhí)行服務(wù),通過駕駛員在環(huán)(DIL)進(jìn)行驗證分析。對提高DASS使用率,提升駕駛體驗和促進(jìn)無人駕駛發(fā)展有重要意義。
圖1為推送服務(wù)平臺DPSP,包括存儲層、應(yīng)用層和評價層。存儲層存儲歷史和實時數(shù)據(jù)。其中,行為分布式存儲系統(tǒng)(behavioral distributed storage system,BDSS)存儲行車用戶的確認(rèn)、接管和屏蔽數(shù)據(jù)。評價層利用實時數(shù)據(jù)庫緩存的操作數(shù)據(jù)進(jìn)行指標(biāo)評價和監(jiān)控,并定期更新BDSS中的服務(wù)歷史庫。應(yīng)用層從BDSS中進(jìn)行服務(wù)預(yù)處理、用戶特征挖掘、推送時機(jī)選擇和實時推送,將目標(biāo)服務(wù)以符合行車用戶的操作方式合理推送。應(yīng)用層還包括車載顯示器和聲音系統(tǒng)等推送媒介。
圖1 DPSP平臺架構(gòu)
圖2 為 DPSP的推送流程。首先,通過 DASS“主動感知—自動生成”流程生成行車服務(wù),作為DPSP的輸入。其次,用戶對服務(wù)進(jìn)行確認(rèn)、擱置或取消。系統(tǒng)依據(jù)操作伺機(jī)控制或主動提供服務(wù)以提高舒適性等,并存儲在BDSS。服務(wù)預(yù)處理對服務(wù)進(jìn)行關(guān)聯(lián)分類;借助改進(jìn)的特征挖掘算法,挖掘用戶操作行為;依據(jù)特定規(guī)則進(jìn)行服務(wù)方式匹配;結(jié)合用戶操作行為設(shè)計推送時機(jī)算法;在最佳推送時間通過指定媒介將服務(wù)推送給用戶。最后,利用用戶反饋優(yōu)化推送規(guī)則。DPSP利用已有DASS的服務(wù)發(fā)現(xiàn)功能[3],依據(jù)用戶需求主動推送服務(wù),并將用戶反饋更
圖2 DPSP服務(wù)主動推送流程
新到BDSS中。
依照DPSP的服務(wù)主動推送流程,在服務(wù)挖掘、推送時機(jī)選擇流程中詳細(xì)地設(shè)計出行為挖掘算法B-Num和時機(jī)選擇BT算法,為與實驗性能對比,將推送流程的關(guān)鍵算法統(tǒng)稱為B-Num.BT算法。
利用服務(wù)數(shù)據(jù)構(gòu)造無向圖 G=(U,A,B,ξ,l),其中U,A,B為頂點集,Ui為具體服務(wù);A1為危險或極端場景服務(wù)類,A2為普通或類危險服務(wù)類,A3為常規(guī)服務(wù)類;Bi為具體推送媒介;ξ,l為邊集。任意服務(wù) l存在唯一初始服務(wù)類集 Am(m=1,2,3)的邊集ξlm,Am存在多條與推送媒介Bn連接的邊集lmn。服務(wù)無向圖如圖3所示,若DASS生成服務(wù)l,則存在連接 U1和 A1的邊集 ξ11,并沿 l11、l12、l14指向媒介B1、B2、B4。為簡化描述,記邊集存在為1,反之為 0。則關(guān)聯(lián)矩陣T為
其中:Tm(Ul)=[ξlm,lm1,lm2,…,lmn],m=1,2,3
圖3中服務(wù)l的關(guān)聯(lián)矩陣為
圖3 服務(wù)無向圖
圖4 為用戶行為特征挖掘算法流程圖。該算法利用BDSS挖掘不同行車用戶行為與主動推送服務(wù)的關(guān)聯(lián)特征,針對歷史用戶行為,利用改進(jìn)的行為特征挖掘算法優(yōu)化推送流程。行車用戶分為主動型s1(基本先于系統(tǒng)推送,自行主動控制)、半主動型s2(系統(tǒng)推送后,部分場景主動控制)、被動型s3(系統(tǒng)推送后,僅危險臨近時主動控制)和封閉型s4(無視系統(tǒng)推送,存在駕駛風(fēng)險)。
圖4 特征挖掘算法流程圖
DASS主要依據(jù)用戶的操作行為(Co表示確認(rèn)、Ca表示取消、Sh表示擱置)的總次數(shù)進(jìn)行推送,對多次取消或擱置的服務(wù)停止推送。傳統(tǒng)推送算法根據(jù)歷史操作數(shù)據(jù),統(tǒng)計各服務(wù)的操作,測試建立次數(shù)與時間矩陣。其中,對第l種服務(wù)的L次測試統(tǒng)計得出特征矩陣Fel,矩陣包括服務(wù)l中用戶的接受、拒絕和擱置的累計次數(shù)。由Fel生成推送規(guī)則矩陣Rl,矩陣由 0(正常推送)、1(直接執(zhí)行)、-1(不推送)構(gòu)成,Rl.Ul為服務(wù)l的推送規(guī)則。算法A-Num如下。
A-Num(Co,Ca,Sh,t,L):
輸入:用戶確認(rèn)Co、取消Ca、擱置Sh和用戶操作時長t,各服務(wù)測試次數(shù)L。
輸出:次數(shù)矩陣N,時間矩陣X,規(guī)則矩陣Rl。
步驟1:對用戶操作計時t與計數(shù)N,用戶根據(jù)服務(wù)推送進(jìn)行操作,產(chǎn)生輸入?yún)?shù)。
步驟2:服務(wù) l的第i次操作次數(shù)與時間統(tǒng)計N.Ul(i)=[Co,Ca,Sh],X[Ul,i]=t。計算特征矩陣Fel.Ul=Fel.Ul(i)+N.Ul(i)。
步驟3:生成推送規(guī)則
傳統(tǒng)算法僅依照用戶Co、Ca、Sh的頻率制定簡單規(guī)則,未區(qū)分用戶時序上操作行為的變化,不能直觀分析用戶對不同類型服務(wù)的反饋。因此,為挖掘用戶對不同服務(wù)類型與操作行為的差異,利用操作行為的時序特征構(gòu)建推送規(guī)則尤為重要。
目前,常用的分類算法有貝葉斯分類器和SVM等。然而,基于距離的線性判別法[8]不滿足時序特征的數(shù)據(jù)分類的要求。決策樹算法[9]仍需對時序特征數(shù)據(jù)進(jìn)行大量的預(yù)處理。K均值樹法[10]難以知曉平均和典型實例樣本的特征。采用人工神經(jīng)網(wǎng)絡(luò)[11]所得結(jié)論無法做出合理性解釋。SVM[12]則難以解決多類別、大規(guī)模的分類問題。針對具有時序特征的離散數(shù)據(jù)的3種分類方法,構(gòu)建動態(tài)貝葉斯概率趨勢法(dynamic Bayesian probability trend method,DBPT)結(jié)構(gòu),如圖5所示。
圖5 DBPT的結(jié)構(gòu)
圖 5中,Ul(i)=[A,(Co,Ca,Sh),s]為第 l種服務(wù)在第i次服務(wù)推送時用戶s的行為記錄,為3×1矩陣;Pl(m)為第l種服務(wù)經(jīng)k組時序數(shù)據(jù)計算得出的類變量發(fā)生概率,構(gòu)成3×1矩陣。為挖掘用戶長時間操作行為的波動,使用 Ul(i)中:[A,s]和[l,s]分別為屬性序列;Co,Ca,Sh為類變量序列;Pl1(m)為使用屬性序列[A,s]的第m的類別概率。則用戶s在A時的Co發(fā)生概率為
式中類別的先驗概率P(Co)由歷史數(shù)據(jù)集計算。
根據(jù)DBPT時序結(jié)構(gòu),利用Pl(m)構(gòu)成的時序數(shù)列改進(jìn)貝葉斯分類法,則當(dāng)前推送的目標(biāo)服務(wù)l發(fā)生Co類的概率預(yù)測值為
B-Num(N,umax,L):
輸入:次數(shù)矩陣N,最大服務(wù)數(shù)umax,各服務(wù)測試次數(shù)L。
輸出:推送規(guī)則矩陣R2。
步驟1:查找目標(biāo)服務(wù)N.Ui=1對應(yīng)的服務(wù)類及推送媒介。
步驟2:使用式(2)計算 Pl1d(k)=P(d|As)與Pl2d(k)=P(d|ls),使用式(3)預(yù)測
步驟3:計算3類場景的累計3種行為的次數(shù),組成3×3矩陣Fe2。
由此決定是否推送。
根據(jù)已得 B、R和 P^l(Mj),實現(xiàn)推送媒介的輔助規(guī)則Mr制定的部分匹配規(guī)則見表1。
根據(jù)生成的服務(wù)編號由匹配規(guī)則得出輔助規(guī)則Mr,在實際行車中快速生成推送策略。如前車碰撞場景中,推送系統(tǒng)提供振動等方式提醒行車用戶,忽視用戶自身操作行為,如是否先于系統(tǒng)發(fā)現(xiàn)并控制車輛。通過服務(wù)方式匹配,制定規(guī)則對主動型用戶無需提醒和主動控制,對封閉型用戶則主動控制車輛且警示用戶。
服務(wù)推送3階段:(1)開始服務(wù)感知到推送用戶;(2)推送給用戶到用戶確認(rèn);(3)用戶確認(rèn)到媒介執(zhí)行。第1、3階段的時長取決于DASS自身性能,針對第2階段推送時機(jī)的優(yōu)化,給出時機(jī)ξ的BT算法如下。
BT(X,L,ξset,l):
輸入:生成服務(wù)l,各服務(wù)測試次數(shù)L,設(shè)置初始預(yù)留時間 ξset。
輸出:最佳推送時間ξ,最佳預(yù)留時間ξ0。
初始化:ξset=5 s。
步驟1:根據(jù)生成的服務(wù)l計算歷史用戶操作平均時間 ξl=mean(X[Ul,:]);
步驟2:根據(jù)服務(wù)的不同類型設(shè)計ξ2,以當(dāng)前狀態(tài)計算至危險發(fā)生的最短時間ts1和至服務(wù)發(fā)生的時間 ts2。則 l∈Al時 ξ2=tsl,l∈A2時 ξ2=min(ts1,ts2),否則 ξ2=∝。
步驟5:與3類場景特征矩陣對比得規(guī)則矩陣:
表1 部分推送方式匹配規(guī)則
ξ=-1表示用戶極大可能無法在危險場景發(fā)生前確認(rèn)服務(wù)推送,此時DASS應(yīng)主動控制車輛,保障行車安全;ξ=1則表示系統(tǒng)及時推送。最佳預(yù)留時間ξ0為給用戶預(yù)留的最長操作時間。
推送流程中利用DASS自主生成的目標(biāo)服務(wù),經(jīng)B-Num.BT算法處理后,得出適合特定類型的行車用戶推送規(guī)則與時機(jī),在此基礎(chǔ)上進(jìn)行服務(wù)主動推送,有利于提高 DASS的使用率,完善 DASS體系。
作為DPSP的組成部分,評價層既要滿足及時避免事故發(fā)生的安全需求,還應(yīng)考慮用戶對預(yù)警準(zhǔn)確性和干預(yù)時機(jī)的使用需求。因此,評價層應(yīng)綜合及時性、安全性和準(zhǔn)確性。
(1)安全性
考慮通過推送成功減少事故的比率,提升服務(wù)安全性。通過預(yù)警使用戶專注于駕駛?cè)蝿?wù)或通過主動控制等方式避免事故的發(fā)生,則安全性指標(biāo)Q1為
式中:N2為用戶接受推送服務(wù)仍發(fā)生的事故數(shù);N1為無推送造成事故數(shù),則N1-N2為接受推送服務(wù)減少的事故數(shù)。Q1表征避免事故發(fā)生的能力,越大則安全性越好。
(2)及時性
同服務(wù)l下,定義服務(wù)推送至用戶操作的時長tl1,未使用DPSP的歷史操作時間tl2,隨L增加的推送及時性指標(biāo)Q21。定義控制及時率Q22為在A1或A2中,因場景危險而無法等待用戶操作或根據(jù)服務(wù)規(guī)則計算出系統(tǒng)可主動或伺機(jī)控制前提下,評價系統(tǒng)參與控制是否及時。定義服務(wù)l從發(fā)起請求至控制時長為tl3,且伺機(jī)控制前提下系統(tǒng)未參與控制時tl3=0,傳統(tǒng)DASS從發(fā)起請求至控制的時長為 tl4,則
Q21越小即使用DPSP后用戶操作時間縮短得越多,則推送時機(jī)的選擇越佳。因不同用戶在DPSP下的t具有不同特征分布,可參照Q21的值分類用戶。Q22反映使用DPSP的參與控制時間較傳統(tǒng)系統(tǒng)的縮短程度。
(3)準(zhǔn)確性
以推送后用戶確認(rèn)率Q31,即用戶的接受度來衡量準(zhǔn)確率。但對于不同類型的用戶使用難以用Q31來全面評價推送系統(tǒng)準(zhǔn)確性,此時采用因用戶確認(rèn)或安全因素使系統(tǒng)直接控制車輛的主動控制的準(zhǔn)確率Q32。
式中:xli為服務(wù) l下實際用戶的操作行為;x^li為預(yù)測操作行為,當(dāng)用戶確認(rèn)推送服務(wù)時 x∈a,la(x)=1;用戶取消推送服務(wù)則 x?a,la(x)=0;nsum為預(yù)測次數(shù)。
式(8)中N3為成功完成主動控制的次數(shù),N4為主動控制后由用戶干預(yù)的次數(shù),則N3+N4為系統(tǒng)參與車輛主動控制的總次數(shù)。Q31與Q32越大代表推送的準(zhǔn)確率越高。
因?qū)嶋H道路駕駛的服務(wù)具有種類多、數(shù)據(jù)雜和路況易變等客觀因素,以及服務(wù)推送受行車用戶心情和認(rèn)知水平等主觀因素影響的特點,難以根據(jù)用戶指定服務(wù)進(jìn)行同類場景的重復(fù)實驗。因此,多數(shù)學(xué)者通過仿真進(jìn)行交通場景的研究[13-15]。因行車環(huán)境復(fù)雜并多變的特點,DASS生成的服務(wù)數(shù)在特定時刻不唯一。因此,在DPSP下利用典型實驗得出不同服務(wù)類型的推送效率,實驗選取3種服務(wù)類型的典型場景,表2為實驗場景設(shè)置,用于驗證DPSP能否挖掘行車用戶的行為特征。實驗場景1和2側(cè)重于驗證DPSP能否選擇最佳推送時機(jī)和服務(wù)規(guī)則可靠性,實驗場景3則側(cè)重于驗證DPSP推送的準(zhǔn)確率和接受度。
表2 典型服務(wù)的實驗場景設(shè)置
本文中基于PreScan/Simulink聯(lián)合仿真和羅技模擬駕駛車艙DIL仿真平臺,依據(jù)表3設(shè)計了3種仿真服務(wù)場景,利用DPSP的服務(wù)推送,采集行車用戶的確認(rèn)、取消和擱置的行為數(shù)據(jù)以驗證前面提出的算法。服務(wù)場景仿真環(huán)境如圖6所示。首先,利用PreScan軟件提供DIL環(huán)境[16-17],搭建服務(wù)場景A1、A2、A3,其中A3為對用戶的路徑推送顯示;其次,利用Simulink進(jìn)行DPSP應(yīng)用、參數(shù)顯示、GUI操作和數(shù)據(jù)存儲;最后,用戶須通過模擬車艙控制車輛完成駕駛與服務(wù)推送操作。
圖6 仿真環(huán)境示意圖
數(shù)據(jù)采集實驗的行車用戶為20名具有3年以上駕齡的用戶(包括男女各10名,年齡23~46歲),在3種場景下各用戶分別進(jìn)行1 000次實驗,為避免用戶因多次推送服務(wù)引起的機(jī)械式操作行為,3種服務(wù)類實驗隨機(jī)進(jìn)行。通過PreScan/Simulink實現(xiàn)B-Num.BT及其他對比算法,對比算法包括 Hybrid[18](基于增量協(xié)同與內(nèi)容的混合推薦算法)和CAR[19](上下文感知推薦算法)。在保證算法適用性前提下用服務(wù)數(shù)據(jù)集代替,融合最優(yōu)推薦時機(jī)得出適用于行車服務(wù)的對比算法 Hybrid.BT[18]和CAR.BT[19]。因DASS要求服務(wù)推送能以較少數(shù)據(jù)集得出較優(yōu)的推送方案,所以實驗得出的測試次數(shù)L可作為實際測試參考依據(jù)。
因DPSP依據(jù)用戶操作行為歷史數(shù)據(jù)進(jìn)行挖掘預(yù)測,隨著歷史數(shù)據(jù)的更新,推送規(guī)則與時機(jī)均會改變。利用B-Num.BT和對比算法的仿真實驗各1 000次。評價DPSP的有效性不能僅依據(jù)歷史推送數(shù)據(jù)總體效果或最新推送效果,因此將實驗結(jié)果按順序分為100組,以10次測量結(jié)果為1組,計算各指標(biāo)變化趨勢。圖7示出其中1名用戶的驗證指標(biāo)統(tǒng)計結(jié)果。參與測試的20名用戶類型不同對算法的安全性、及時性和準(zhǔn)確性均無影響。
在圖 7(a)和圖7(b)中,安全性 Q1隨 L′增加而趨近于0.96,表明在利用DPSP的DASS推送后能最大程度降低事故發(fā)生率。在圖7(c)、圖7(d)和圖7(e)中,及時性 Q21隨 L′增加分別降至 A1:0.31、A2:0.18和 A3:0.49,而在圖 7(f)和圖 7(g)中,及時性Q22隨 L′增加分別逐漸降至 A1:0.57和 A2:0.72,BNum.BT算法中Q22的值與Hybrid.BT相近,但指標(biāo)Q21明顯優(yōu)于Hybrid.BT算法,表明B-Num.BT算法及時性能優(yōu)勢較明顯。在圖7(h)、圖7(i)和圖7(j)中,準(zhǔn)確性 Q31隨 L′增加分別逐漸趨于 A1:0.94、A2:0.71和 A3:0.77,而在圖7(k)和圖 7(l)中,準(zhǔn)確性Q32隨 L′增加分別逐漸趨近于 A1:0.95和 A2:0.85,各場景下B-Num.BT的準(zhǔn)確性皆優(yōu)于對比算法,且本文算法在同類場景中表現(xiàn)得更穩(wěn)定??傊珺-Num.BT算法優(yōu)于兩種對比算法,輸出穩(wěn)定,使系統(tǒng)的安全性、及時性和準(zhǔn)確性達(dá)到推送系統(tǒng)要求,有利于提高DASS用戶體驗。此外,L達(dá)500次(L′為50)后,3類服務(wù)場景下的B-Num.BT算法皆優(yōu)于兩種對比算法,且各性能均已達(dá)到最優(yōu)值的90%。因此當(dāng)測試次數(shù)L=500作為全部場景的初始測試次數(shù),即可使推送系統(tǒng)的各性能達(dá)到較優(yōu)值,有利于DPSP其他服務(wù)測試的初始實驗設(shè)計。
由Q21的含義得知,在DPSP下4類用戶經(jīng)1 000次測試后,越趨于s1類的用戶其Q21的值越小。分別統(tǒng)計20名用戶在L達(dá)到250、500和1 000次時Q21的分布,結(jié)果如圖8所示。因不同服務(wù)類型下所得Q21值的范圍不同,且同服務(wù)下Q21值穩(wěn)定在固定區(qū)間內(nèi)。為便于觀察,將同服務(wù)下各用戶Q21的值歸一化至區(qū)間[0,1],用深淺不同的顏色顯示。圖8中顏色越深表示同服務(wù)類型的Q21越小,即用戶類型越趨向于s1類。同服務(wù)同用戶的3點顏色越相近,表示該用戶在多次測試時所屬用戶類型保持不變,即計算推送及時性指標(biāo)Q21能實現(xiàn)對行車用戶分類的功能。從圖8(a)~圖8(c)對比發(fā)現(xiàn),測試次數(shù)L相同時,同用戶在不同服務(wù)的顏色深淺相似,表明不同服務(wù)下用戶類型不會發(fā)生改變,根據(jù)該特點可依照單個服務(wù)的測試結(jié)果對行車用戶進(jìn)行分類,以簡化行車用戶分類方法,對完善DASS個性化功能、促進(jìn)無人駕駛在個性化方面技術(shù)的推廣有重要應(yīng)用價值。
(1)建立了DASS的推送服務(wù)平臺(DPSP),通過服務(wù)預(yù)處理、操作行為特征挖掘、服務(wù)規(guī)則匹配、選擇推送時機(jī)、在線推送和評價的流程優(yōu)化DASS服務(wù)推送環(huán)節(jié),并在流程中提出基于用戶操作行為的B-Num.BT算法,提高了DASS的服務(wù)推送的用戶接受度。
圖7 驗證指標(biāo)統(tǒng)計結(jié)果
圖8 不同用戶操作統(tǒng)計結(jié)果
(2)以理想DASS模型為基礎(chǔ),利用DPSP對不同用戶進(jìn)行服務(wù)推送的驗證實驗,將在DPSP的服務(wù)推送流程的關(guān)鍵算法B-Num.BT算法與Hybrid.BT算法和CAR.BT算法進(jìn)行對比。驗證了B-Num.BT算法的及時性、安全性和準(zhǔn)確性。通過統(tǒng)計發(fā)現(xiàn),同服務(wù)下及時性數(shù)值分布的差異可用來對行車用戶進(jìn)行分類,有利于DASS實現(xiàn)個性化推送。
(3)本研究尚缺乏真實駕駛過程推送平臺對不同用戶類型和服務(wù)類型的實用性驗證,對真實駕駛中多種復(fù)雜服務(wù)同時生成的服務(wù)場景適用性有待進(jìn)一步研究。