基于神經(jīng)網(wǎng)絡(luò)的重型柴油車(chē)油耗預(yù)測(cè)研究

劉昌海

【摘要】為建立準(zhǔn)確的重型柴油車(chē)油耗預(yù)測(cè)模型，使用重型柴油車(chē)實(shí)際道路行駛數(shù)據(jù)集，利用皮爾遜相關(guān)系數(shù)計(jì)算了不同因素與油耗的相關(guān)性，選取與油耗相關(guān)性較強(qiáng)的7個(gè)因素，利用反向傳播（BP）神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短時(shí)記憶（LSTM）神經(jīng)網(wǎng)絡(luò)分別建立重型柴油車(chē)油耗預(yù)測(cè)模型。對(duì)不同行駛路段的預(yù)測(cè)結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)對(duì)各路段油耗的預(yù)測(cè)準(zhǔn)確性存在很大差異，模型泛化能力差，LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)各路段的預(yù)測(cè)均十分準(zhǔn)確，模型泛化能力強(qiáng)。

關(guān)鍵詞：重型柴油車(chē) 油耗預(yù)測(cè) BP神經(jīng)網(wǎng)絡(luò) LSTM神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TP18；U471.23? 文獻(xiàn)標(biāo)志碼：A? DOI： 10.20104/j.cnki.1674-6546.20230397

Research on Fuel Consumption Prediction of Heavy-Duty Diesel Vehicles Based on Neural Network

Liu Changhai

（Chongqing Jiaotong University， Chongqing 400074）

【Abstract】To establish an accurate fuel consumption prediction model of heavy-duty diesel vehicles， this paper firstly used the dataset collected by heavy-duty diesel vehicles in real road driving， and Pearson correlation coefficient to calculate the correlation between different factors and fuel consumption， then selected 7 factors with strong correlation with fuel consumption， and used Back Propagation （BP） neural network and Long Short-Term Memory （LSTM） neural network to establish fuel consumption prediction models for heavy-duty diesel vehicles. The prediction results of different driving sections show that the prediction accuracy of BP neural network for fuel consumption values in different road sections differs sharply， and the generalization of the model is low， while the prediction of different road sections of the LSTM model is very accurate， and the model generalization is strong.

Key words： Heavy-duty diesel vehicles， Fuel consumption prediction， Back Propagation （BP） neural network， Long Short-Term Memory （LSTM） neural network

【引用格式】劉昌海. 基于神經(jīng)網(wǎng)絡(luò)的重型柴油車(chē)油耗預(yù)測(cè)研究[J]. 汽車(chē)工程師， 2024（3）： 43-48.

LIU C H. Research on Fuel Consumption Prediction of Heavy-Duty Diesel Vehicles Based on Neural Network[J]. Automotive Engineer， 2024（3）： 43-48.

1 前言

我國(guó)公路貨物運(yùn)輸量逐年提高，同時(shí)，也使能源消耗量逐年增加，準(zhǔn)確的燃油消耗量估算對(duì)于量化運(yùn)輸過(guò)程中產(chǎn)生的能源成本十分重要。

針對(duì)重型車(chē)輛的油耗估算問(wèn)題，邵良杉等[1]提出了一種基于粒子群優(yōu)化反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)的油耗預(yù)測(cè)方法，并基于仿真數(shù)據(jù)驗(yàn)證了該算法的有效性。顧清華等[2]提出了一種基于粒子群優(yōu)化支持向量機(jī)（Particle Swarm Optimization-Support Vector Machine，PSO-SVM）的油耗預(yù)測(cè)算法，解決了傳統(tǒng)算法易陷入局部最優(yōu)解的問(wèn)題。但上述研究工作主要基于仿真數(shù)據(jù)開(kāi)展。鄒智宏等[3]針對(duì)油耗預(yù)測(cè)建模過(guò)程中數(shù)據(jù)輸入的冗余問(wèn)題，提出一種基于最大相關(guān)最小冗余算法與主成分分析方法相結(jié)合的冗余特征優(yōu)化算法，并基于BP神經(jīng)網(wǎng)絡(luò)建立了一種高速道路車(chē)輛油耗預(yù)測(cè)模型，可準(zhǔn)確實(shí)現(xiàn)對(duì)高速路段運(yùn)輸車(chē)輛的燃油消耗量預(yù)測(cè)。朱廣宇等[4]利用主成分分析法獲取了車(chē)輛油耗的關(guān)鍵影響因素，隨后，基于改進(jìn)的C4.5決策樹(shù)構(gòu)建車(chē)輛油耗估計(jì)模型，使用高速公路場(chǎng)景下車(chē)輛油耗的典型樣本數(shù)據(jù)進(jìn)行測(cè)試，證明了該模型的有效性和實(shí)用性。Kanarachos等[5]基于移動(dòng)設(shè)備收集到的不同駕駛條件下的油耗數(shù)據(jù)，利用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）對(duì)車(chē)輛的瞬時(shí)油耗進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)了對(duì)車(chē)輛油耗的間接監(jiān)控，但傳統(tǒng)的RNN容易出現(xiàn)梯度爆炸和梯度消失的問(wèn)題，從而導(dǎo)致模型失效。王一婷等[6]定量分析了車(chē)輛的不同加速駕駛行為，基于一種共享權(quán)重的長(zhǎng)短時(shí)記憶（Long Short-Term Memory，LSTM）神經(jīng)網(wǎng)絡(luò)建立了車(chē)輛的油耗預(yù)測(cè)模型，實(shí)現(xiàn)了較為準(zhǔn)確的油耗預(yù)測(cè)。

上述車(chē)輛油耗模型研究中，部分研究未使用真實(shí)的車(chē)輛行駛數(shù)據(jù)建模，模型并不能完全反映真實(shí)工況下油耗的變化情況，部分研究?jī)H針對(duì)部分路段建立模型并進(jìn)行了驗(yàn)證，而由于車(chē)輛在不同路段的行駛狀態(tài)存在很大差異，模型的泛化能力有限。

為此，本文針對(duì)重型柴油車(chē)實(shí)測(cè)數(shù)據(jù)進(jìn)行相關(guān)性分析，分別建立BP神經(jīng)網(wǎng)絡(luò)油耗模型和LSTM神經(jīng)網(wǎng)絡(luò)油耗模型，并分析2種模型在不同行駛路段的油耗預(yù)測(cè)效果。

2 數(shù)據(jù)來(lái)源及數(shù)據(jù)處理

2.1 數(shù)據(jù)預(yù)處理

本文使用的重型柴油車(chē)運(yùn)行狀態(tài)數(shù)據(jù)及油耗數(shù)據(jù)基于實(shí)際道路駕駛測(cè)試采集獲得，試驗(yàn)路線位于重慶市，該路線包含了城市道路、市郊道路和高速道路。根據(jù)已有的研究和現(xiàn)有的試驗(yàn)數(shù)據(jù)采集設(shè)備，采集的重型車(chē)行駛數(shù)據(jù)主要包括車(chē)速、發(fā)動(dòng)機(jī)轉(zhuǎn)速、發(fā)動(dòng)機(jī)扭矩、環(huán)境溫度、經(jīng)度、緯度、海拔、燃油消耗率、環(huán)境濕度、冷卻液溫度，數(shù)據(jù)采集頻率為1 Hz。在該路線進(jìn)行了2次實(shí)際道路駕駛試驗(yàn)，分別采集數(shù)據(jù)9 955條和10 583條。

受數(shù)據(jù)采集儀器的精度和行駛時(shí)交通狀況的限制，采集到的行駛工況數(shù)據(jù)往往存在質(zhì)量問(wèn)題，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，將異常、重復(fù)數(shù)據(jù)刪除，補(bǔ)齊缺失數(shù)據(jù)。試驗(yàn)路線屬于山地丘陵地段，使用采集的數(shù)據(jù)分別計(jì)算道路坡度、瞬態(tài)加速度和車(chē)輛比功率（Vehicle Specific Power，VSP）：

式中：ij為j時(shí)刻的道路坡度；hj為j時(shí)刻的高度差；xj為j時(shí)刻的水平方向位移；aj、vj分別為j時(shí)刻車(chē)輛的加速度、速度；Pvsj為j時(shí)刻車(chē)輛比功率；v為車(chē)速；m為車(chē)輛質(zhì)量，本文取3 100 kg；g=9.8 m/s2為重力加速度；f為滾動(dòng)阻力系數(shù)；δ為旋轉(zhuǎn)質(zhì)量因子，取δ=0.2；CD為空氣阻力系數(shù)，取CD=0.9；A為迎風(fēng)面積，取A=4 m2；ρ=1.225 kg/m3為空氣密度。

2.2 相關(guān)性分析

車(chē)輛行駛過(guò)程中，直接或間接影響油耗的因素很多，因此，提取油耗的顯著影響因素非常重要[7]。皮爾遜相關(guān)系數(shù)r是確定變量間是否具有線性關(guān)系的一種計(jì)算方法：

式中：n為樣本數(shù)量，xi、yi分別為2個(gè)變量的取值，[x]、[y]分別為xi、yi的平均值。

r的取值范圍為[-1，1]：r=0時(shí)，變量間不具有相關(guān)性；|r|∈（0，0.3）時(shí)，變量間具有非常弱的相關(guān)性；|r|∈[0.3，0.6）時(shí)，變量間具有中相關(guān)性；|r|∈[0.6，0.8）時(shí)，變量間具有強(qiáng)相關(guān)性；|r|∈[0.8，1.0）時(shí)，變量間具有極強(qiáng)相關(guān)性；當(dāng)|r|=1時(shí)，兩變量完全線性變化。表1所示為不同影響因素與油耗間的皮爾遜相關(guān)系數(shù)，可以看出，發(fā)動(dòng)機(jī)扭矩、發(fā)動(dòng)機(jī)進(jìn)氣量、車(chē)輛比功率、發(fā)動(dòng)機(jī)轉(zhuǎn)速及車(chē)速均與油耗具有強(qiáng)相關(guān)性，加速度和坡度與油耗間的相關(guān)性不強(qiáng)，但對(duì)研究燃油消耗率是有意義的，而冷卻液溫度、環(huán)境溫度和濕度與油耗的相關(guān)系數(shù)很小。因此，使用發(fā)動(dòng)機(jī)扭矩、發(fā)動(dòng)機(jī)進(jìn)氣量、車(chē)輛比功率、發(fā)動(dòng)機(jī)轉(zhuǎn)速、車(chē)速、坡度及加速度構(gòu)建油耗預(yù)測(cè)模型。

3 研究方法

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種信號(hào)前向傳播、誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，其能夠有效識(shí)別特征間的非線性關(guān)系[8]。該神經(jīng)網(wǎng)絡(luò)包括輸入層、中間層和輸出層，輸入層負(fù)責(zé)接收數(shù)據(jù)樣本矩陣，中間層負(fù)責(zé)數(shù)據(jù)樣本計(jì)算，輸出層負(fù)責(zé)輸出數(shù)據(jù)。如圖1所示，各層結(jié)構(gòu)內(nèi)和各神經(jīng)元層結(jié)構(gòu)之間連接緊密，各層結(jié)構(gòu)之間采用全連接，網(wǎng)絡(luò)模型訓(xùn)練過(guò)程主要可通過(guò)不斷地動(dòng)態(tài)地調(diào)整模型權(quán)重及閾值等實(shí)現(xiàn)。

式中：Wo為輸出門(mén)權(quán)重，bo為輸出門(mén)偏置項(xiàng)。

4 重型車(chē)油耗預(yù)測(cè)模型建立

4.1 數(shù)據(jù)歸一化

由于本文數(shù)據(jù)屬性涉及范圍廣，不同特征維度的數(shù)據(jù)范圍不同，為了降低識(shí)別誤差，首先需對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將其轉(zhuǎn)換為無(wú)量綱數(shù)據(jù)，便于不同單位的指標(biāo)間進(jìn)行比較和加權(quán)。本文采用Min-Max歸一化對(duì)網(wǎng)絡(luò)輸入數(shù)據(jù)進(jìn)行處理：

x=（x′-x′min）/（x′max-x′min）? ? ? ? ? ? ? ? ? （15）

式中：x′、x分別為原始數(shù)據(jù)和經(jīng)標(biāo)準(zhǔn)化后的數(shù)據(jù)，x′max、x′min分別為原始數(shù)據(jù)x′中的最大值和最小值。

4.2 BP神經(jīng)網(wǎng)絡(luò)模型設(shè)置

通過(guò)相關(guān)性分析選取了7個(gè)與油耗相關(guān)性較強(qiáng)的因素，因此模型的輸入數(shù)據(jù)樣本維度為7，輸出數(shù)據(jù)維度為1，經(jīng)嘗試并參考經(jīng)驗(yàn)公式，選取隱藏層數(shù)量為2層，神經(jīng)單元數(shù)量為12個(gè)，故模型的模式為7-12-12-1。選擇Sigmoid函數(shù)為BP神經(jīng)網(wǎng)絡(luò)模型隱含層的激活函數(shù)，選擇Purelin函數(shù)為輸出層激活函數(shù)。

設(shè)定最大迭代次數(shù)為500次，模型學(xué)習(xí)率設(shè)置為0.3，模型誤差大小設(shè)置為不小于0.5，模型誤差低于設(shè)定值或超過(guò)最大迭代次數(shù)時(shí)終止訓(xùn)練，否則繼續(xù)執(zhí)行。采用小批量梯度下降法，批量尺寸設(shè)置為128。

4.3 LSTM神經(jīng)網(wǎng)絡(luò)模型設(shè)置

將LSTM神經(jīng)網(wǎng)絡(luò)模型的時(shí)間步長(zhǎng)設(shè)置為10，即用前10個(gè)歷史時(shí)間段的車(chē)輛運(yùn)行狀態(tài)數(shù)據(jù)對(duì)下一時(shí)刻的油耗進(jìn)行預(yù)測(cè)，同樣使用2個(gè)隱含層，隱含層節(jié)點(diǎn)數(shù)分別設(shè)置為128個(gè)、64個(gè)，經(jīng)多次試驗(yàn)，選擇tanh函數(shù)為隱含層激活函數(shù)，選擇Purelin函數(shù)作為輸出層激活函數(shù)。

設(shè)定最大迭代次數(shù)為500次，模型學(xué)習(xí)率為0.000 5，30次內(nèi)模型誤差沒(méi)有降低或超過(guò)最大迭代次數(shù)時(shí)終止訓(xùn)練，否則繼續(xù)執(zhí)行。模型的優(yōu)化器采用Adam優(yōu)化算法，批量尺寸設(shè)置為128。

4.4 模型評(píng)價(jià)指標(biāo)

常見(jiàn)的回歸評(píng)價(jià)指標(biāo)有平均絕對(duì)誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Squared Error，RMSE）、決定系數(shù)R2等。MAE用于表示整體模型的預(yù)測(cè)值的誤差；RMSE代表整體模型的預(yù)測(cè)值與實(shí)際值相互間的偏離程度；R2反映預(yù)測(cè)數(shù)據(jù)對(duì)實(shí)際數(shù)據(jù)的擬合效果。其中，決定系數(shù)值越接近1、MAE和RMSE越小，表明預(yù)測(cè)效果越好。

5 預(yù)測(cè)結(jié)果及分析

將2次試驗(yàn)的車(chē)輛軌跡數(shù)據(jù)進(jìn)行預(yù)處理后，使用第1次全行程數(shù)據(jù)共9 955條輸入到BP神經(jīng)網(wǎng)絡(luò)模型與LSTM神經(jīng)網(wǎng)絡(luò)模型分別進(jìn)行訓(xùn)練，保存各自結(jié)果最好的模型。由于不同路段的行駛工況存在很大差異，導(dǎo)致各路段間油耗差異很大，因此選取第2次試驗(yàn)路線中城市、郊區(qū)和高速路段各1 000條數(shù)據(jù)來(lái)驗(yàn)證2種模型的預(yù)測(cè)性能，圖4～圖6和表2所示為各路段的預(yù)測(cè)結(jié)果，其中，真實(shí)值為實(shí)際駕駛時(shí)采集的燃油消耗率，預(yù)測(cè)值是使用相關(guān)性分析得到的影響因素作為輸入，通過(guò)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型和LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)得到的結(jié)果。

根據(jù)使用同一數(shù)據(jù)集訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)油耗模型與LSTM神經(jīng)網(wǎng)絡(luò)油耗模型對(duì)不同路段的預(yù)測(cè)結(jié)果可以看出，BP神經(jīng)網(wǎng)絡(luò)模型的MAE、RMSE在城市、郊區(qū)路段均較LSTM神經(jīng)網(wǎng)絡(luò)高，只有高速路段的MAE、RMSE較LSTM神經(jīng)網(wǎng)絡(luò)模型低。比較2種模型在3種路段的R2結(jié)果可知：BP神經(jīng)網(wǎng)絡(luò)模型對(duì)3種路段重型柴油車(chē)燃油消耗率的預(yù)測(cè)值與實(shí)際值的決定系數(shù)存在很大的差異，城市路段的R2僅為89.92%，高速路段的R2達(dá)到97.38%，郊區(qū)路段的R2在兩者之間；LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)3種路段預(yù)測(cè)結(jié)果差異不大，3種路段的R2都達(dá)到了95%以上。由以上結(jié)果可得，在使用相同的數(shù)據(jù)集訓(xùn)練模型時(shí)，LSTM神經(jīng)網(wǎng)絡(luò)模型更為穩(wěn)定、泛化能力更強(qiáng)。

6 結(jié)束語(yǔ)

本文使用重型柴油車(chē)實(shí)際道路行駛數(shù)據(jù)，選取與車(chē)輛油耗相關(guān)性較強(qiáng)的因素，建立了BP神經(jīng)網(wǎng)絡(luò)油耗模型與LSTM神經(jīng)網(wǎng)絡(luò)油耗模型，通過(guò)對(duì)比2種油耗模型在不同路段的燃油消耗率預(yù)測(cè)結(jié)果表明：LSTM神經(jīng)網(wǎng)絡(luò)油耗模型對(duì)重型柴油車(chē)在城市、郊區(qū)路段下行駛時(shí)的油耗預(yù)測(cè)能力較BP神經(jīng)網(wǎng)絡(luò)油耗模型強(qiáng)，BP神經(jīng)網(wǎng)絡(luò)油耗模型僅在高速路段下預(yù)測(cè)能力略強(qiáng)于LSTM神經(jīng)網(wǎng)絡(luò)油耗模型，但LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)3種路段下行駛時(shí)的油耗預(yù)測(cè)值與真實(shí)值的R2均超過(guò)95%，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果僅在高速路段R2>95%。重型柴油車(chē)實(shí)際駕駛中涉及的道路類(lèi)型多樣，因此，使用LSTM神經(jīng)網(wǎng)絡(luò)油耗模型能夠獲得更為準(zhǔn)確的油耗預(yù)測(cè)結(jié)果。

由于本文僅采用了一種類(lèi)型的車(chē)輛開(kāi)展燃油消耗率數(shù)據(jù)實(shí)測(cè)，研究對(duì)象相對(duì)單一。在未來(lái)的研究中，將考慮采用更多類(lèi)型車(chē)輛數(shù)據(jù)，進(jìn)一步提升模型的適用性。

參考文獻(xiàn)

[1]? ?邵良杉， 趙藤野， 溫廷新， 等. PSO-BP神經(jīng)網(wǎng)絡(luò)在露天礦卡車(chē)油耗預(yù)測(cè)中的應(yīng)用[J]. 遼寧工程技術(shù)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2016， 35（7）： 689-694.

SHAO L S， ZHAO T Y， WEN T X， et al. PSO and BP Neural Network Application in Open-Pit Mine Truck Fuel Consumption Forecast[J]. Journal of Liaoning Technical University （Natural Science）， 2016， 35（7）： 689-694.

[2]? ?顧清華， 王騫， 江松， 等. 基于PSOGA-SVM的露天礦卡車(chē)油耗預(yù)測(cè)研究[J]. 礦業(yè)研究與開(kāi)發(fā)， 2021， 41（8）： 161-166.

GU Q H， WANG Q， JIANG S， et al. Research on Fuel Consumption Prediction of Truck in Open-Pit Mine Based on PSOGA-SVM[J]. Mining Research and Development， 2021， 41（8）： 161-166.

[3]? ?鄒智宏， 李超， 鄧聚才， 等. 基于mRMR特征優(yōu)化算法的油耗預(yù)測(cè)建模研究[J]. 計(jì)算機(jī)仿真， 2023， 40（3）： 186-191+301.

ZOU Z H， LI C， DENG J C， et al. Research on Fuel Consumption Prediction Modeling Based on Max-Relevance and Min-Redundancy Feature Optimization Algorithm[J]. Computer Simulation， 2023， 40（3）： 186-191+301.

[4]? ?朱廣宇， 趙蕾， 黃達(dá)， 等. 基于決策樹(shù)方法的車(chē)輛油耗估計(jì)模型[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2016， 16（3）： 200-206.

ZHU G Y， ZHAO L， HUANG D， et al. A Method of Vehicle Fuel Consumption Estimation Based on Decision Tree[J]. Journal of Transportation Systems Engineering and Information Technology， 2016， 16（3）： 200-206.

[5] KANARACHOS S， MATHEW J， FITZPATRICK E M. Instantaneous Vehicle Fuel Consumption Estimation using Smartphones and Recurrent Neural Networks[J]. Expert Systems with Applications， 2019， 120： 436-447.

[6]? ?王一婷， 行本貝， 李彬， 等. 基于Shared-LSTM的重型卡車(chē)不同加速駕駛行為油耗預(yù)測(cè)方法[J]. 計(jì)算機(jī)與現(xiàn)代化， 2023（3）： 121-126.

WANG Y T， XING B B， LI B， et al. Fuel Consumption Prediction Method of Heavy Trucks with Different Acceleration Driving Behaviors Based on Shared-LSTM[J]. Computer and Modernization， 2023（3）： 121-126.

[7]? ?陳靜杰， 鄒迎歡. 油耗預(yù)測(cè)中顯著影響參數(shù)提取方法的仿真[J]. 計(jì)算機(jī)仿真， 2013， 30（6）： 55-58.

CHEN J J， ZOU Y H. Simulation for Significant Impact Parameter Extraction Method in Fuel Consumption Estimation[J]. Computer Simulation， 2013， 30（6）： 55-58.

[8]? ?吳明興， 谷昊霖， 別佩， 等. 基于螢火蟲(chóng)算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電力用能行為預(yù)測(cè)方法[J]. 沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)， 2023， 45（3）： 241-246.

WU M X， GU H L， BIE P， et al. Improved BP Neural Network Based on Firefly Algorithm for Predicting Electricity Energy Consumption Behavior[J]. Journal of Shenyang University of Technology， 2023， 45（3）： 241-246.

[9] JAGRUTHI H， KAVITHA C， MULIMANI M. Network Intrusion Detection Using Fusion Features and Convolutional Bidirectional Recurrent Neural Network[J]. International Journal of Computer Applications in Technology， 2022， 69（1）： 93-100.

[10] FATEMEHALSADAT M， KAREM C， RACHID L， et al. Convolutional Neural Network and Long Short-Term Memory Models for Ice-Jam Predictions[J]. The Cryosphere， 2022， 16（4）.

（責(zé)任編輯 斛 畔）

修改稿收到日期為2023年9月22日。