基于GS-LGBM的乘用車(chē)使用壽命預(yù)測(cè)研究

徐國(guó)強(qiáng)， 徐 妍， 郭德卿

(1.中汽數(shù)據(jù)(天津)有限公司， 天津 300300； 2.大連理工大學(xué) 經(jīng)濟(jì)管理學(xué)院， 遼寧 大連 116024)

使用壽命是乘用車(chē)產(chǎn)品屬性的基本要求，也是乘用車(chē)客戶(hù)最看重的指標(biāo)之一，是指汽車(chē)從投入運(yùn)行到報(bào)廢的整個(gè)過(guò)程，可以用累計(jì)使用年數(shù)或里程數(shù)表示。對(duì)乘用車(chē)使用壽命的準(zhǔn)確預(yù)測(cè)在汽車(chē)產(chǎn)業(yè)的生產(chǎn)、銷(xiāo)售、使用、置換和報(bào)廢環(huán)節(jié)中起著至關(guān)重要的作用。

在以往的研究中，關(guān)于壽命預(yù)測(cè)領(lǐng)域已經(jīng)進(jìn)行了大量的研究，但大多集中于零部件的使用壽命預(yù)測(cè)[1-3]、LED的使用壽命預(yù)測(cè)[4]以及人的壽命預(yù)測(cè)[5-6]等。目前，壽命預(yù)測(cè)的方法大體可以劃分為基于數(shù)理統(tǒng)計(jì)的壽命預(yù)測(cè)和基于機(jī)器學(xué)習(xí)的壽命預(yù)測(cè)。王強(qiáng)等[7]基于輪胎徑向剛度法提出車(chē)輛翻新輪胎剩余使用壽命不安全系數(shù)計(jì)算方法，從而判定和評(píng)價(jià)翻新輪胎的使用價(jià)值。黃民鋒等[8]基于名義應(yīng)力法以零部件的名義應(yīng)力與壽命間的關(guān)系為基礎(chǔ)，用最小二乘法得出應(yīng)力-壽命(S-N)曲線(xiàn)的擬合方程進(jìn)行疲勞壽命分析。曹惠玲等[9]采用歐式距離法計(jì)算時(shí)間序列之間衰退趨勢(shì)的相似度，依據(jù)相似度大小賦予歷史樣本不同權(quán)重從而預(yù)測(cè)發(fā)動(dòng)機(jī)剩余壽命。Chen等[10]提出具有自相關(guān)觀(guān)測(cè)量的隱馬爾科夫模型，用于制造系統(tǒng)剩余使用壽命的預(yù)測(cè)并提出最優(yōu)維修策略。但統(tǒng)計(jì)方法的前提是大量的試驗(yàn)和數(shù)據(jù)的積累，而且數(shù)據(jù)量較小，對(duì)于大樣本數(shù)據(jù)是不適用的。于是，一些學(xué)者嘗試采用基于機(jī)器學(xué)習(xí)的壽命預(yù)測(cè)方法，克服了傳統(tǒng)數(shù)理統(tǒng)計(jì)方法的一些弊端。目前，在該領(lǐng)域中應(yīng)用最多的是人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，并在其基礎(chǔ)上引入其他算法進(jìn)行改進(jìn)，從而提高預(yù)測(cè)精度。Mahamad等[11]和Guo等[12]分別采用前饋神經(jīng)網(wǎng)絡(luò)(feed forward neural network, FFNN)和遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)實(shí)現(xiàn)了軸承剩余使用壽命的準(zhǔn)確預(yù)測(cè)，以提高機(jī)器的可靠性，降低維護(hù)成本。Zhao等[13]采用BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network, BPNN)算法預(yù)測(cè)發(fā)動(dòng)機(jī)剩余使用壽命，并在其損失函數(shù)中加入相鄰的差分項(xiàng)，提高了壽命預(yù)測(cè)的準(zhǔn)確性。Zhang等[14]提出了一種基于Levenberg-Marquardt算法和動(dòng)量項(xiàng)的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)并將其應(yīng)用于軸承剩余使用壽命預(yù)測(cè)，取得了更優(yōu)的預(yù)測(cè)精度。張龍龍[15]針對(duì)軸承狀態(tài)的不同退化趨勢(shì)，分別構(gòu)建不同的支持向量機(jī)模型，實(shí)現(xiàn)了軸承的剩余使用壽命分階段預(yù)測(cè)。Chen等[16]提出了一種改進(jìn)的基于相似度和支持向量機(jī)的方法實(shí)現(xiàn)了發(fā)動(dòng)機(jī)剩余使用壽命的有效預(yù)測(cè)。

然而，傳統(tǒng)的機(jī)器學(xué)習(xí)算法仍存在一些不足從而影響預(yù)測(cè)精度。比如，神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)和過(guò)擬合，支持向量機(jī)存在對(duì)缺失數(shù)據(jù)敏感度高和計(jì)算量過(guò)大的問(wèn)題。大量研究表明，集成學(xué)習(xí)相比單一學(xué)習(xí)器具有更高的準(zhǔn)確性和泛化性能。近年來(lái)，基于決策樹(shù)的集成模型在機(jī)器學(xué)習(xí)領(lǐng)域應(yīng)用廣泛。Zheng等[17]采用梯度提升樹(shù)(gradient boosting decision trees, GBDT)實(shí)現(xiàn)了鋰離子電池剩余使用壽命的預(yù)測(cè)，證明了GBDT算法在預(yù)測(cè)精度上的優(yōu)越性。Que等[18]采用極端梯度提升樹(shù)(extreme gradient boosting, XGboost)和基于相似度的動(dòng)態(tài)時(shí)間規(guī)整(dynamic time warping, DTW)算法實(shí)現(xiàn)了汽輪機(jī)的異常檢測(cè)和剩余使用壽命預(yù)測(cè)，取得了優(yōu)于支持向量機(jī)的預(yù)測(cè)性能。與XGboost相比，輕量梯度提升機(jī)(light gradient boosting machine, LGBM)擁有更高的訓(xùn)練效率和更低的內(nèi)存占用率，并有效應(yīng)用于貸款違約預(yù)測(cè)[19-20]、風(fēng)速預(yù)測(cè)[21]、股票指數(shù)預(yù)測(cè)[22]、電力負(fù)荷預(yù)測(cè)[23]等領(lǐng)域。

因此，本文基于優(yōu)化的LGBM算法構(gòu)建乘用車(chē)使用壽命預(yù)測(cè)模型，并分析各影響因素對(duì)于預(yù)測(cè)乘用車(chē)使用壽命的重要程度。通過(guò)對(duì)2014—2019年乘用車(chē)報(bào)廢數(shù)據(jù)進(jìn)行大量的計(jì)算研究，基于25個(gè)特征維度利用LGBM算法預(yù)測(cè)車(chē)齡，采用網(wǎng)格搜索對(duì)LGBM算法參數(shù)尋優(yōu)并進(jìn)行十折交叉驗(yàn)證，并與4種傳統(tǒng)單一模型以及5種基于決策樹(shù)的集成模型進(jìn)行對(duì)比，以期可以更準(zhǔn)確高效地預(yù)測(cè)乘用車(chē)使用壽命。對(duì)于保持車(chē)輛在使用過(guò)程中具有良好的性能，節(jié)約能源、減少污染，從而增強(qiáng)車(chē)輛的經(jīng)濟(jì)效益和社會(huì)效益；指導(dǎo)車(chē)主及時(shí)采取合理措施對(duì)車(chē)輛進(jìn)行維護(hù)，避免維護(hù)不足或維護(hù)過(guò)剩的問(wèn)題，減少交通事故和意外維護(hù)，從而減少人員傷亡和經(jīng)濟(jì)損失；進(jìn)行二手車(chē)評(píng)估時(shí)準(zhǔn)確判斷車(chē)輛的剩余使用壽命，合理估測(cè)車(chē)輛的成新率，從而盡可能準(zhǔn)確地確定被評(píng)估車(chē)輛的價(jià)格；權(quán)衡各方面因素合理制定整車(chē)質(zhì)保等方面具有實(shí)際意義。

1 優(yōu)化的GS-LGBM模型

大量研究表明，集成學(xué)習(xí)相比單一學(xué)習(xí)器具有更高的準(zhǔn)確性和泛化性能。近年來(lái)，回歸樹(shù)模型在機(jī)器學(xué)習(xí)領(lǐng)域應(yīng)用廣泛。Freidman[24]提出的GBDT算法是集成多個(gè)回歸樹(shù)的主流方法。在算法迭代過(guò)程中，以損失函數(shù)的負(fù)梯度近似殘差去構(gòu)建一個(gè)樹(shù)，每一個(gè)弱學(xué)習(xí)器都能從之前的樹(shù)中檢測(cè)到殘差進(jìn)行糾正，將來(lái)自多個(gè)回歸樹(shù)的所有結(jié)果相加，從而得到最終預(yù)測(cè)值。然而，當(dāng)數(shù)據(jù)量很大或特征維度很高時(shí)，GBDT需要遍歷所有的數(shù)據(jù)來(lái)尋找最優(yōu)分裂點(diǎn)，導(dǎo)致其計(jì)算復(fù)雜度會(huì)變得非常高，十分耗時(shí)。為了進(jìn)一步優(yōu)化GBDT算法的預(yù)測(cè)精度和效率，Chen等[25]提出了XGboost算法，在代價(jià)函數(shù)上做二階泰勒展開(kāi)，使預(yù)測(cè)模型的性能進(jìn)一步提升。2017年，微軟開(kāi)源了一個(gè)比XGboost更強(qiáng)大、速度更快的模型——LGBM[26]。與XGboost相比，LGBM擁有更高的訓(xùn)練效率和更低內(nèi)存占用率，解決了GBDT在處理海量數(shù)據(jù)時(shí)遇到的問(wèn)題。在Kaggle等各種數(shù)據(jù)挖掘比賽中，LGBM也是一種致命武器。得益于LGBM算法在處理大規(guī)模數(shù)據(jù)挖掘問(wèn)題上的優(yōu)越性，本文提出了基于網(wǎng)格搜索優(yōu)化LightGBM(GS-LGBM)模型的乘用車(chē)使用壽命預(yù)測(cè)方法，實(shí)現(xiàn)了對(duì)乘用車(chē)使用壽命的精準(zhǔn)預(yù)測(cè)。其模型結(jié)構(gòu)如圖1所示。

圖1 優(yōu)化的GS-LGBM模型結(jié)構(gòu)

結(jié)合使用基于梯度的單邊采樣(gradient-based one-side sampling, GOSS)和專(zhuān)有特征捆綁(exclusive feature bundling, EFB)的GBDT算法就是LGBM，其主要優(yōu)化技術(shù)包括Histogram算法、leaf-wise生長(zhǎng)策略、直方圖做差加速、支持類(lèi)別特征和支持高效并行等。

Histogram算法是將連續(xù)型特征離散化為k個(gè)值并構(gòu)造相應(yīng)的直方圖。通過(guò)遍歷樣本可以得到每個(gè)離散值的個(gè)數(shù)，進(jìn)而遍歷離散值找到最優(yōu)分裂點(diǎn)。其訓(xùn)練和預(yù)測(cè)過(guò)程見(jiàn)表1。在Histogram算法的基礎(chǔ)上，LGBM進(jìn)一步優(yōu)化，采用按葉子生長(zhǎng)(leaf-wise)的策略取代原有的按層生長(zhǎng)(level-wise)策略，循環(huán)挑選分裂增益最大的葉節(jié)點(diǎn)進(jìn)行分裂。Histogram算法還可以進(jìn)一步加速，通過(guò)將父節(jié)點(diǎn)與兄弟節(jié)點(diǎn)的直方圖做差可以直接得到葉節(jié)點(diǎn)的直方圖，而無(wú)需遍歷所有數(shù)據(jù)，從而達(dá)到加速的目的。此外，LGBM克服了大多數(shù)機(jī)器學(xué)習(xí)算法無(wú)法直接輸入類(lèi)別特征的弊端，優(yōu)化了對(duì)類(lèi)別特征的支持，而無(wú)需將其轉(zhuǎn)化為one-hot編碼，且具有支持高效并行的特點(diǎn)，從而提升了空間和時(shí)間的效率。

表1 直方圖算法

在數(shù)據(jù)量大或特征維度高的情況下，減少數(shù)據(jù)量和特征維度而不影響預(yù)測(cè)精度是提升效率和擴(kuò)展性的直接方法。為了減少訓(xùn)練樣本，通常采用欠采樣的方法，但已有算法都是基于Adaboost，而不能直接用于GBDT。為了減少特征維度，通常使用主成分分析法等降維算法來(lái)過(guò)濾弱特征，但這些算法通常是基于特征具有強(qiáng)冗余性的假設(shè)，實(shí)際中并不實(shí)用。GOSS通過(guò)區(qū)分不同梯度的樣本，保留梯度較大的樣本，同時(shí)對(duì)梯度小的樣本隨機(jī)采樣來(lái)減少計(jì)算量，從而在保證精度的前提下達(dá)到提升效率的目的。EFB(互斥特征捆綁)是通過(guò)捆綁互斥特征來(lái)減少特征維度的方式，從而在不丟失信息的前提下提升計(jì)算效率。

為了提高模型的預(yù)測(cè)精度，需對(duì)LGBM模型進(jìn)行參數(shù)優(yōu)化。網(wǎng)格搜索(grid search)對(duì)于參數(shù)優(yōu)化十分有效，采用窮舉搜索循環(huán)遍歷全部候選參數(shù)，以挑選誤差最小、模型表現(xiàn)最好的參數(shù)組合進(jìn)行最終的預(yù)測(cè)。在此基礎(chǔ)上對(duì)基于網(wǎng)格搜索優(yōu)化的GS-LGBM模型進(jìn)行十折交叉驗(yàn)證，以防止選取數(shù)據(jù)不均衡，從而提升模型的泛化能力。

2 基于GS-LGBM的乘用車(chē)使用壽命預(yù)測(cè)

2.1 數(shù)據(jù)準(zhǔn)備及預(yù)處理

本文所使用的數(shù)據(jù)來(lái)源于中汽數(shù)據(jù)(天津)有限公司乘用車(chē)報(bào)廢數(shù)據(jù)，記錄了從2014年到2019年共1 930 475個(gè)報(bào)廢樣本，包含了報(bào)廢時(shí)間、車(chē)齡、區(qū)域、使用性質(zhì)、車(chē)型信息、車(chē)輛技術(shù)參數(shù)等26個(gè)維度，其中有15維是類(lèi)別型數(shù)據(jù)，11維是數(shù)值型數(shù)據(jù)，車(chē)齡即為衡量乘用車(chē)使用壽命的目標(biāo)變量。汽車(chē)使用壽命的長(zhǎng)短不僅取決于汽車(chē)的設(shè)計(jì)制造，還取決于駕駛技術(shù)和維護(hù)保養(yǎng)等人為因素[27]，由于駕駛技術(shù)和維護(hù)保養(yǎng)因人而異，為避免主觀(guān)人為因素干擾，假設(shè)駕駛技術(shù)和維護(hù)保養(yǎng)是一定的。實(shí)驗(yàn)中最終使用的變量見(jiàn)表2。

為了提高預(yù)測(cè)的準(zhǔn)確性和訓(xùn)練效率，分別對(duì)原始數(shù)據(jù)集的變量和記錄進(jìn)行了數(shù)據(jù)預(yù)處理。將價(jià)格、功率等區(qū)間型的數(shù)據(jù)根據(jù)專(zhuān)家經(jīng)驗(yàn)轉(zhuǎn)換成均值或最大最小值，刪除缺失值和異常值，處理后得到894 125條數(shù)據(jù)樣本。針對(duì)類(lèi)別型變量，采用標(biāo)簽編碼將類(lèi)別文本轉(zhuǎn)換成整型標(biāo)簽，為了適應(yīng)線(xiàn)性回歸、K近鄰(K-nearest neighbor, KNN)和BP神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)機(jī)器學(xué)習(xí)算法，將每個(gè)變量進(jìn)行獨(dú)熱編碼轉(zhuǎn)換為標(biāo)簽為0或1 的多維變量。針對(duì)數(shù)值型變量，根據(jù)式(1)采用Z-score進(jìn)行標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化后的數(shù)據(jù)是均值為0、方差為1的正態(tài)分布。

(1)

式中：x為原始數(shù)據(jù)；μ為x的均值；σ為x的標(biāo)準(zhǔn)差。

表2 變量描述

2.2 實(shí)驗(yàn)設(shè)計(jì)

將25個(gè)所選特征作為輸入樣本，車(chē)齡作為輸出樣本衡量乘用車(chē)使用壽命。然后隨機(jī)將樣本實(shí)例的90%劃分為訓(xùn)練集，10%劃分為測(cè)試集利用LGBM模型進(jìn)行訓(xùn)練。將平均絕對(duì)誤差(MAE)、中位絕對(duì)誤差(MEAE)、均方誤差(MSE)和擬合優(yōu)度判定系數(shù)R2作為評(píng)價(jià)指標(biāo)。學(xué)習(xí)曲線(xiàn)可以很好地展示訓(xùn)練集的擬合效果及模型性能，圖2展示了損失函數(shù)為l1(MAE)時(shí)的訓(xùn)練過(guò)程。

圖2 訓(xùn)練LGBM的收斂曲線(xiàn)

2.3 算法比較

為了檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)性能，將LGBM與KNN、線(xiàn)性回歸(linear regression, LR)、BPNN和支持向量機(jī)(support vector machines, SVM)4種傳統(tǒng)單一模型以及XGboost、分類(lèi)提升樹(shù)(categorical boosting, catboost)、隨機(jī)森林(random forest, RF)、GBDT和自適應(yīng)提升樹(shù)(adaptive boosting, Adaboost)5種基于決策樹(shù)的集成模型進(jìn)行對(duì)比，在所有的比較實(shí)驗(yàn)中都進(jìn)行了十折交叉驗(yàn)證，所得結(jié)果為10次獨(dú)立運(yùn)行的平均結(jié)果，以防止選取數(shù)據(jù)不均衡，從而提升模型的泛化能力。幾種算法的對(duì)比結(jié)果見(jiàn)表3，可見(jiàn)LGBM從MAE、MEAE、MSE和R2各項(xiàng)指標(biāo)來(lái)看均為最優(yōu)，同時(shí)其訓(xùn)練時(shí)間也非常短，僅次于LR，能夠快速準(zhǔn)確地預(yù)測(cè)乘用車(chē)的使用壽命，在眾多機(jī)器學(xué)習(xí)算法中預(yù)測(cè)效果最好。

表3 不同算法的預(yù)測(cè)結(jié)果對(duì)比

2.4 參數(shù)優(yōu)化

訓(xùn)練參數(shù)的選定是訓(xùn)練機(jī)器學(xué)習(xí)模型的重要步驟，這一過(guò)程將直接影響模型的預(yù)測(cè)性能。因此本實(shí)驗(yàn)利用網(wǎng)格搜索在LGBM模型上進(jìn)行調(diào)參，選出最優(yōu)的參數(shù)組合：學(xué)習(xí)率為0.1，最大深度為8，葉節(jié)點(diǎn)數(shù)為15，弱學(xué)習(xí)器個(gè)數(shù)為500。參數(shù)優(yōu)化后的GS-LGBM模型預(yù)測(cè)結(jié)果見(jiàn)表4?？梢?jiàn)相比原始的LGBM模型，參數(shù)優(yōu)化后的LGBM模型的MAE降低11.02%，MEAE降低15.05%，MSE降低14.45%，R2提升7.46%，說(shuō)明優(yōu)化后的預(yù)測(cè)精度及模型效果有很大的提升。

表4 GS-LGBM與LGBM預(yù)測(cè)結(jié)果對(duì)比

3 特征重要性分析

為進(jìn)一步分析輸入特征對(duì)使用壽命預(yù)測(cè)結(jié)果的貢獻(xiàn)度，采用隨機(jī)森林算法進(jìn)行特征重要度排序，得出影響因素的重要性。圖3列出了所選特征中排名較為靠前的14個(gè)特征的重要性結(jié)果。

由圖3可知，特征重要性最大的為省份，其重要度可達(dá)一半以上?？梢?jiàn)，由于不同省份的道路狀況、城鎮(zhèn)化率、車(chē)輛密度等均有不同，會(huì)在很大程度上影響乘用車(chē)使用壽命。其次，從時(shí)間維度上來(lái)看，乘用車(chē)使用壽命是逐年增加的，由于技術(shù)的進(jìn)步，車(chē)輛的質(zhì)量和穩(wěn)定性均有所提高，因此年份對(duì)于乘用車(chē)的使用壽命影響顯著。再次，國(guó)家政策對(duì)于乘用車(chē)使用壽命也有著莫大的影響，隨著國(guó)家排放標(biāo)準(zhǔn)的升級(jí)，一旦車(chē)輛環(huán)保不通過(guò)被貼黃標(biāo)了，就算還未達(dá)到使用年限也等于是報(bào)廢，因此乘用車(chē)的排放標(biāo)準(zhǔn)也是影響其使用壽命的重要因素。此外，乘用車(chē)的油耗與使用壽命也有著很大的關(guān)系，由于發(fā)動(dòng)機(jī)使用時(shí)間長(zhǎng)了之后會(huì)影響車(chē)輛的油耗，使用年限久的汽車(chē)，發(fā)動(dòng)機(jī)性能下降，相應(yīng)油耗就會(huì)增加，同時(shí)駕駛習(xí)慣和維修保養(yǎng)也會(huì)對(duì)油耗有一定的影響。最后，品牌和車(chē)型也在一定程度上決定了乘用車(chē)的使用壽命，由于技術(shù)和質(zhì)量上的差別，相對(duì)而言，合資車(chē)比自主品牌乘用車(chē)的使用壽命會(huì)更長(zhǎng)一些。

圖3 特征重要性排序

4 結(jié)論

本文針對(duì)乘用車(chē)的使用特點(diǎn)，提出基于GS-LGBM 的乘用車(chē)使用壽命預(yù)測(cè)模型，并分析各影響因素對(duì)于預(yù)測(cè)乘用車(chē)使用壽命的重要程度。通過(guò)對(duì)2014—2019年乘用車(chē)報(bào)廢數(shù)據(jù)進(jìn)行了大量的計(jì)算研究，基于25個(gè)特征維度利用LGBM算法預(yù)測(cè)車(chē)齡，并與KNN、LR、BPNN和SVM 4種傳統(tǒng)單一模型以及Xgboost、Catboost、RF、GBDT和Adaboost 5種基于決策樹(shù)的集成模型進(jìn)行對(duì)比。為進(jìn)一步提升模型預(yù)測(cè)精度，采用網(wǎng)格搜索算法對(duì)LGBM模型進(jìn)行參數(shù)優(yōu)化。根據(jù)實(shí)驗(yàn)結(jié)果得到以下結(jié)論：

1)與其他4種單一模型和5種集成模型相比，LGBM算法在MAE、MEAE、MSE和4項(xiàng)指標(biāo)上均明顯優(yōu)于其他算法。

2)相比原始的LGBM模型，參數(shù)優(yōu)化后的GS-LGBM模型具有更高的預(yù)測(cè)精度和模型效果，其MAE降低11.02%，MEAE降低15.05%，MSE降低14.45%，R2提升7.46%。

3)對(duì)于乘用車(chē)使用壽命預(yù)測(cè)影響度最大的特征為省份，其重要度可達(dá)一半以上，其次依次為年份、排放和油耗。

4)該方法可以更準(zhǔn)確高效地預(yù)測(cè)乘用車(chē)使用壽命，對(duì)于保持車(chē)輛在使用過(guò)程中具有良好的性能，節(jié)約能源、減少污染，從而增強(qiáng)車(chē)輛的經(jīng)濟(jì)效益和社會(huì)效益；指導(dǎo)車(chē)主及時(shí)采取合理措施對(duì)車(chē)輛進(jìn)行維護(hù)，避免維護(hù)不足或維護(hù)過(guò)剩的問(wèn)題，減少交通事故和意外維護(hù)，從而減少人員傷亡和經(jīng)濟(jì)損失；進(jìn)行二手車(chē)評(píng)估時(shí)準(zhǔn)確判斷車(chē)輛的剩余使用壽命，合理估測(cè)車(chē)輛的成新率，從而盡可能準(zhǔn)確地確定被評(píng)估車(chē)輛的價(jià)格；權(quán)衡各方面因素合理制定整車(chē)質(zhì)保等方面具有實(shí)際意義。