CN102486862A - 数据处理方法及数据处理系统 - Google Patents
数据处理方法及数据处理系统 Download PDFInfo
- Publication number
- CN102486862A CN102486862A CN2010105762164A CN201010576216A CN102486862A CN 102486862 A CN102486862 A CN 102486862A CN 2010105762164 A CN2010105762164 A CN 2010105762164A CN 201010576216 A CN201010576216 A CN 201010576216A CN 102486862 A CN102486862 A CN 102486862A
- Authority
- CN
- China
- Prior art keywords
- sales volume
- moon
- data
- plan
- site
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的数据处理方法包括以下步骤:S1)将用户输入的自然语言逻辑转换为数据处理模型;S2)建立所述数据处理模型与初始数据类型的映射关系;S3)获取汽车销售过程中的初始数据;S4)确定所述初始数据的初始数据类型;S5)根据所述映射关系确定与所述初始数据类型匹配的数据处理模型;S6)根据与所述初始数据类型匹配的数据处理模型对所述初始数据进行处理;以及S7)输出处理后的数据。采用本发明提供的数据处理方法和数据处理系统获得的汽车销售数据与现有技术中仅靠人为自行设定的数据相比更加准确,可靠性较高,得到的结果与实际结果相比差距更小。
Description
技术领域
本发明涉及汽车销售领域,更具体地说,涉及一种数据处理方法及一种数据处理系统。
背景技术
汽车供应商在对每月区域和网点的汽车销售量进行评价时,需要制定汽车销量计划。目前,汽车销量计划中的汽车销售数据(例如计划区域月销量或计划网点月销量)仅靠人为自行设定,由于这种设定方法随意性较大,设定结果较不合理,往往导致汽车销量计划中的汽车销售数据与实际销售数据差距较大,直接影响到对汽车销售量的评价。
发明内容
本发明的目的是针对目前汽车销量计划中的汽车销售数据仅靠人为自行设定,导致汽车销量计划中的汽车销售数据与实际销售数据差距较大,影响到对汽车销售量的评价的问题,提供一种较为合理、准确的获取汽车销量计划中的汽车销售数据的数据处理方法及数据处理系统。
为了实现本发明的目的,本发明提供的数据处理方法包括以下步骤:将用户输入的自然语言逻辑转换为数据处理模型;建立所述数据处理模型与初始数据类型映射关系;获取汽车销售过程中的初始数据;确定所述初始数据的初始数据类型;根据所述映射关系确定与所述初始数据类型匹配的数据处理模型;根据与所述初始数据类型匹配的数据处理模型对所述初始数据进行处理;以及输出处理后的数据。
本发明提供的数据处理系统包括:语言转换模块,用于将用户输入的自然语言逻辑转换为数据处理模型;映射建立模块,用于建立所述数据处理模型与初始数据类型的映射关系;数据接收模块,用于获取汽车销售过程中的初始数据;类型确定模块,用于确定所述初始数据的初始数据类型;数据匹配模块,用于根据所述映射关系确定与所述初始数据类型匹配的数据处理模型;数据处理模块,用于根据与所述初始数据类型匹配的数据处理模型对所述初始数据进行处理;以及数据输出模块,用于输出处理后的数据。
由于本发明提供的数据处理方法和数据处理系统采用了与汽车销售过程中的初始数据的初始数据类型匹配的数据处理模型来对所述初始数据进行处理,由此,处理后获得的汽车销量计划中的汽车销售数据与现有技术中仅靠人为自行设定的数据相比更加准确,可靠性较高,得到的结果与实际结果相比差距更小。
附图说明
图1为本发明提供数据处理方法的流程图;
图2为本发明提供的数据处理系统的结构示意图。
具体实施方式
下面结合附图对本发明提供的数据处理方法做进一步的详细描述。
需要说明的是,本发明的“自然语言逻辑”指的是用户所要获得的汽车销量计划中的汽车销售数据,例如所要计算的计划区域月销量、所要计算的计划网点月销量等等,“数据处理模型”指的是用于计算汽车销量计划中的各个汽车销售数据的各个计算公式,“初始数据”指的是用于代入数据处理模型以获得汽车销量计划中的汽车销售数据的已有汽车销售数据。
本发明的“区域”指的是全国范围内的任一省、市、自治区、直辖市,“区域月销量”指的是全年12个月中任一月的特定区域的汽车销售量,所述的“月总销量”指的是全年12个月中任一月的全国所有区域的汽车总销售量;其中,“计划月总销量T”为根据当年销量任务(该当年销量任务指的是根据往年总销量及市场形势,在上年年末制定的一个总的销量计划)、往年同期销量对各月进行分解,同时根据上月销量、实际当年销量任务完成率、市场形势进行调整而制定的月总销量计划。此计划通常在上年年末制定,每月月底均需对下月的计划进行调整。
可以根据实际操作的需要来对区域和月份进行选择,本发明对此不做限定,例如在计算北京地区六月份的计划月销量时,计划月总销量T指的是六月份全国所有区域的汽车计划总销售量,上年实际月总销量R指的是上年六月份全国所有区域的汽车实际总销售量,上年实际区域月销量A1指的是上年六月份北京地区的汽车实际销售量,计划区域月销量S3指的是所要计算的六月份北京地区的汽车计划销售量。
为了计算汽车销量计划中的汽车销售数据,如图1所示,本发明提供的数据处理方法包括以下步骤:S1)将用户输入的自然语言逻辑转换为数据处理模型;S2)建立所述数据处理模型与初始数据类型的映射关系;S3)获取汽车销售过程中的初始数据;S4)确定所述初始数据的初始数据类型;S5)根据所述映射关系确定与所述初始数据类型匹配的数据处理模型;S6)根据与所述初始数据类型匹配的数据处理模型对所述初始数据进行处理;以及S7)输出处理后的数据。
为了将用户输入的自然语言逻辑转换为与数据处理模型匹配的格式,根据本发明的技术方案,步骤S1)包括:对所述自然语言逻辑进行语言解析;根据语言解析结果将所述自然语言逻辑转换为所述数据处理模型。
根据本发明的技术方案,为了计算汽车销量计划中的计划区域月销量,所述初始数据包括:计划月总销量T、上年实际月总销量R、上年实际区域月销量A1、本年平均月总销量L、本年区域平均月销量B1、以及第一修正参数a;所述处理后的数据包括:第一计划区域月销量S1=A1/R*T、第二计划区域月销量S2=B1/L*T、以及所要计算的计划区域月销量S3=S1*a+S2*(1-a),其中0<a<1。
根据本发明的技术方案,利用计划月总销量T、上年实际月总销量R、上年实际区域月销量A1可以计算得到第一计划区域月销量S1=A1/R*T。该第一计划区域月销量S1仅是根据上年实际的区域月销量与月总销量的比例计算得出的理论值,由于全年中每个月的汽车销售量会因为油价、购置税变动等各种因素的影响而变化,该第一计划区域月销量S1与实际结果的符合度并不高。
利用计划月总销量T、本年平均月总销量L、本年区域平均月销量B1可以计算得到第二计划区域月销量S2=B1/L*T。其中,本年平均月总销量L指的是本年中任意M个月的平均月总销量,本年区域平均月销量B1指的是本年中任意M个月的区域平均月销量,M是月份数量,2≤M≤12。M的值可以根据实际操作的需要进行设定,例如每年的上半年为汽车销售淡季,汽车的销售量通常变化不大,则可以将M设定为6,并根据1月至6月这6个月的汽车销售量来进行计算。根据实际操作的选择并且为了更加便于计算,优选情况下,M=3。该第二计划区域月销量S2与实际结果的符合度也并不高。
可以采用第一修正参数a来对上述两个步骤计算得到的第一计划区域月销量S1和第二计划区域月销量S2进行修正,以得到更加精确的计算结果。由此,利用所述第一计划区域月销量S1、所述第二计划区域月销量S2和第一修正参数a可以计算得到计划区域月销量S3=S1*a+S2*(1-a),其中0<a<1。
此处,a为根据与实际结果符合度来对第一计划区域月销量S1和第二计划区域月销量S2进行修正的修正参数,其取值范围为0<a<1。可以通过多种方式来计算该修正参数a,例如赋予a以若干预设值,每次将不同的a值代入上述计算公式中计算得出计划区域月销量S3,根据若干年的实际区域月销量与每次计算出的计划区域月销量S3之间的差值来确定a值,将最小差值所对应的a值作为本发明技术方案中的修正参数a。根据试验的结果,优选情况下,a=0.2。
由于修正参数a为根据试验结果得到的经验值,采用a对第一计划区域月销量S1和第二计划区域月销量S2进行修正,可以得到准确度较高、与实际结果差距较小的所要计算的计划区域月销量S3。
根据本发明的技术方案,为了计算汽车销量计划中的计划网点月销量,本发明提供的数据处理方法中,所述初始数据还包括:上年实际网点月销量D1、本年网点平均月销量E1以及第二修正参数b;所述处理后的数据还包括:第一计划网点月销量F1=D1/R*T、第二计划网点月销量F2=E1/B1*S3、以及所要计算的计划网点月销量F3=F1*b+F2*(1-b),其中0<b<1。
需要说明的是,此处所述的“网点”指的是各个区域中的汽车销售点,例如4S店,“网点月销量”指的是全年12个月中任一月的特定区域中的特定销售点的汽车销售量;可以根据实际操作的需要来对区域、网点和月份进行选择,本发明对此不做限定,例如在计算北京地区某销售点六月份的计划月销量时,上年实际网点月销量D1指的是上年六月份北京地区的该销售点的汽车实际销售量,计划网点月销量F3指的是所要计算的六月份北京地区的该销售点的汽车计划销售量。
根据本发明的技术方案,利用计划月总销量T、上年实际月总销量R、上年实际网点月销量D1可以计算得到第一计划网点月销量F1=D1/R*T,此步骤与本发明的数据处理方法中第一计划区域月销量S1的计算方式基本相同,仅存在“区域”与“网点”的差别。
利用所述计划区域月销量S3、本年区域平均月销量B1、本年网点平均月销量E1可以计算得到第二计划网点月销量F2=E1/B1*S3。其中,本年网点平均月销量E1指的是本年中任意N个月的网点平均月销量,N指的是月份数量,2≤N≤12。N的值可以根据实际操作的需要进行设定,根据实际操作的选择并且为了更加便于计算,优选情况下,N=3。该第二计划网点月销量F2是根据计算得到的计划区域月销量S3来计算的,与实际结果的符合度并不高。
可以采用第二修正参数b来对上述步骤计算得到的第一计划网点月销量F 1和第二计划网点月销量F2进行修正,以得到更加精确的计算结果。由此,利用所述第一计划网点月销量F1、所述第二计划网点月销量F2和第二修正参数b可以得到计划网点月销量F3=F1*b+F2*(1-b),其中0<b<1。
此处,b为根据与实际结果符合度来对第一计划网点月销量F1和第二计划网点月销量F2进行修正的修正参数,其取值范围为0<b<1。可以通过多种方式来计算该修正参数b,例如赋予b以若干预设值,每次将不同的b值代入上述计算公式中计算得出计划网点月销量F3,根据若干年的实际网点月销量与每次计算出的计划网点月销量F3之间的差值来确定b值,将最小差值所对应的b值作为本发明技术方案中的修正参数b。根据试验的结果,优选情况下,b=0.2。
由于修正参数b为根据试验结果得到的经验值,采用b对第一计划网点月销量F1和第二计划网点月销量F2进行修正,可以得到准确度较高、与实际结果差距较小的所要计算的计划网点月销量F3。
由于本发明提供的数据处理方法采用了与汽车销售过程中的初始数据的初始数据类型匹配的数据处理模型来对所述初始数据进行处理,由此,处理后获得的汽车销量计划中的汽车销售数据与现有技术中仅靠人为自行设定的数据相比更加准确,可靠性较高,得到的结果与实际结果相比差距更小。
本发明还提供了一种数据处理系统,如图2所示,该系统包括:语言转换模块1,用于将用户输入的自然语言逻辑转换为数据处理模型;映射建立模块2,用于建立所述数据处理模型与初始数据类型的映射关系;数据接收模块3,用于获取汽车销售过程中的初始数据;类型确定模块4,用于确定所述初始数据的初始数据类型;数据匹配模块5,用于根据所述映射关系确定与所述初始数据类型匹配的数据处理模型;数据处理模块6,用于根据与所述初始数据类型匹配的数据处理模型对所述初始数据进行处理;以及数据输出模块7,用于输出处理后的数据。
为了实现将用户输入的自然语言逻辑转换为与数据处理模型匹配的格式,根据本发明的技术方案,所述语言转换模块1包括:语言解析单元,用于对所述自然语言逻辑进行语言解析;以及逻辑转换单元,用于根据语言解析结果将所述自然语言逻辑转换为所述数据处理模型。
为了实现对汽车销量计划中的计划区域月销量的计算,根据本发明的技术方案,所述初始数据包括:计划月总销量T、上年实际月总销量R、上年实际区域月销量A1、本年平均月总销量L、本年区域平均月销量B1、以及第一修正参数a;所述处理后的数据包括:第一计划区域月销量S1=A1/R*T、第二计划区域月销量S2=B 1/L*T、以及所要计算的计划区域月销量S3=S1*a+S2*(1-a),其中0<a<1。
根据本发明的技术方案,利用计划月总销量T、上年实际月总销量R、上年实际区域月销量A1可以计算得到第一计划区域月销量S1=A1/R*T。利用计划月总销量T、本年平均月总销量L、本年区域平均月销量B1可以计算得到第二计划区域月销量S2=B1/L*T。可以采用第一修正参数a来对上述两个步骤计算得到的第一计划区域月销量S1和第二计划区域月销量S2进行修正,以得到更加精确的计算结果。由此,利用所述第一计划区域月销量S1、所述第二计划区域月销量S2和第一修正参数a可以计算得到计划区域月销量S3=S1*a+S2*(1-a),其中0<a<1。
此处,a为根据与实际结果符合度来对第一计划区域月销量S1和第二计划区域月销量S2进行修正的修正参数,其取值范围为0<a<1。由于修正参数a为根据试验结果得到的经验值,采用a对第一计划区域月销量S1和第二计划区域月销量S2进行修正,可以得到准确度较高、与实际结果差距较小的所要计算的计划区域月销量S3。
根据本发明的技术方案,为了实现对汽车销量计划中的计划网点月销量的计算,本发明提供的数据处理系统中,所述初始数据还包括:上年实际网点月销量D1、本年网点平均月销量E1以及第二修正参数b;所述处理后的数据还包括:第一计划网点月销量F1=D1/R*T、第二计划网点月销量F2=E1/B1*S3、以及所要计算的计划网点月销量F3=F1*b+F2*(1-b),其中0<b<1。
根据本发明的技术方案,利用计划月总销量T、上年实际月总销量R、上年实际网点月销量D1可以计算得到第一计划网点月销量F1=D1/R*T,此步骤与第一计划区域月销量S1的计算方式基本相同,仅存在“区域”与“网点”的差别。利用所述计划区域月销量S3、本年区域平均月销量B1、本年网点平均月销量E1可以计算得到第二计划网点月销量F2=E1/B1*S3。可以采用第二修正参数b来对上述步骤计算得到的第一计划网点月销量F1和第二计划网点月销量F2进行修正,以得到更加精确的计算结果。由此,利用所述第一计划网点月销量F1、所述第二计划网点月销量F2和第二修正参数b可以得到计划网点月销量F3=F1*b+F2*(1-b),其中0<b<1。
此处,b为根据与实际结果符合度来对第一计划网点月销量F1和第二计划网点月销量F2进行修正的修正参数,其取值范围为0<b<1。由于修正参数b为根据试验结果得到的经验值,采用b对第一计划网点月销量F1和第二计划网点月销量F2进行修正,可以得到准确度较高、与实际结果差距较小的所要计算的计划网点月销量F3。
由于本发明提供的数据处理系统采用了与汽车销售过程中的初始数据的初始数据类型匹配的数据处理模型来对所述初始数据进行处理,由此,处理后获得的汽车销量计划中的汽车销售数据与现有技术中仅靠人为自行设定的数据相比更加准确,可靠性较高,得到的结果与实际结果相比差距更小。
虽然本发明已通过上述实施方式所公开,然而上述实施方式并非用以限定本发明,任何本发明所属技术领域中的技术人员,在不脱离本发明的精神和范围内,应当可作各种更动与修改。因此本发明的保护范围应当以所附权利要求书所界定的范围为准。
Claims (8)
1.一种数据处理方法,其特征在于,该方法包括以下步骤:
S1)将用户输入的自然语言逻辑转换为数据处理模型;
S2)建立所述数据处理模型与初始数据类型的映射关系;
S3)获取汽车销售过程中的初始数据;
S4)确定所述初始数据的初始数据类型;
S5)根据所述映射关系确定与所述初始数据类型匹配的数据处理模型;
S6)根据与所述初始数据类型匹配的数据处理模型对所述初始数据进行处理;以及
S7)输出处理后的数据。
2.根据权利要求1所述的方法,其特征在于,步骤S1)包括:
对所述自然语言逻辑进行语言解析;
根据语言解析结果将所述自然语言逻辑转换为所述数据处理模型。
3.根据权利要求1或2所述的方法,其特征在于,所述初始数据包括:计划月总销量T、上年实际月总销量R、上年实际区域月销量A1、本年平均月总销量L、本年区域平均月销量B1、以及第一修正参数a;
所述处理后的数据包括:第一计划区域月销量S1=A1/R*T、第二计划区域月销量S2=B1/L*T、以及所要计算的计划区域月销量S3=S1*a+S2*(1-a),其中0<a<1。
4.根据权利要求3所述的方法,其特征在于,所述初始数据还包括:上年实际网点月销量D1、本年网点平均月销量E1以及第二修正参数b;
所述处理后的数据还包括:第一计划网点月销量F1=D1/R*T、第二计划网点月销量F2=E1/B1*S3、以及所要计算的计划网点月销量F3=F1*b+F2*(1-b),其中0<b<1。
5.一种数据处理系统,其特征在于,该系统包括:
语言转换模块(1),用于将用户输入的自然语言逻辑转换为数据处理模型;
映射建立模块(2),用于建立所述数据处理模型与初始数据类型的映射关系;
数据接收模块(3),用于获取汽车销售过程中的初始数据;
类型确定模块(4),用于确定所述初始数据的初始数据类型;
数据匹配模块(5),用于根据所述映射关系确定与所述初始数据类型匹配的数据处理模型;
数据处理模块(6),用于根据与所述初始数据类型匹配的数据处理模型对所述初始数据进行处理;以及
数据输出模块(7),用于输出处理后的数据。
6.根据权利要求5所述的系统,其特征在于,所述语言转换模块(1)包括:
语言解析单元,用于对所述自然语言逻辑进行语言解析;以及
逻辑转换单元,用于根据语言解析结果将所述自然语言逻辑转换为所述数据处理模型。
7.根据权利要求5或6所述的系统,其特征在于,所述初始数据包括:计划月总销量T、上年实际月总销量R、上年实际区域月销量A1、本年平均月总销量L、本年区域平均月销量B1、以及第一修正参数a;
所述处理后的数据包括:第一计划区域月销量S1=A1/R*T、第二计划区域月销量S2=B1/L*T、以及所要计算的计划区域月销量S3=S1*a+S2*(1-a),其中0<a<1。
8.根据权利要求7所述的系统,其特征在于,所述初始数据还包括:上年实际网点月销量D1、本年网点平均月销量E1以及第二修正参数b;
所述处理后的数据还包括:第一计划网点月销量F1=D1/R*T、第二计划网点月销量F2=E1/B1*S3、以及所要计算的计划网点月销量F3=F1*b+F2*(1-b),其中0<b<1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105762164A CN102486862A (zh) | 2010-12-01 | 2010-12-01 | 数据处理方法及数据处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105762164A CN102486862A (zh) | 2010-12-01 | 2010-12-01 | 数据处理方法及数据处理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102486862A true CN102486862A (zh) | 2012-06-06 |
Family
ID=46152353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105762164A Pending CN102486862A (zh) | 2010-12-01 | 2010-12-01 | 数据处理方法及数据处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102486862A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902377A (zh) * | 2021-10-21 | 2022-01-07 | 上海聚均科技有限公司 | 车辆监管数据的处理方法、系统、电子设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1363896A (zh) * | 2001-01-11 | 2002-08-14 | 杨占生 | 数据统计核算方法及装置 |
CN1383521A (zh) * | 2000-05-30 | 2002-12-04 | 情报基地株式会社 | 车辆转售价格分析系统 |
-
2010
- 2010-12-01 CN CN2010105762164A patent/CN102486862A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1383521A (zh) * | 2000-05-30 | 2002-12-04 | 情报基地株式会社 | 车辆转售价格分析系统 |
CN1363896A (zh) * | 2001-01-11 | 2002-08-14 | 杨占生 | 数据统计核算方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902377A (zh) * | 2021-10-21 | 2022-01-07 | 上海聚均科技有限公司 | 车辆监管数据的处理方法、系统、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jaffe et al. | The first-order approach to merger analysis | |
Higle et al. | Sensitivity analysis and uncertainty in linear programming | |
Dandres et al. | Macroanalysis of the economic and environmental impacts of a 2005–2025 European Union bioenergy policy using the GTAP model and life cycle assessment | |
CN103577413A (zh) | 搜索结果排序方法及系统、搜索结果排序优化方法及系统 | |
CN110084439A (zh) | 一种基于nesma功能点估算的软件成本度量方法及云系统 | |
CN105590239A (zh) | 一种房地产价格计算方法及系统 | |
Keng et al. | A study on the use of measurement software in the preparation of bills of quantities among Malaysian quantity surveying firms | |
CN102486862A (zh) | 数据处理方法及数据处理系统 | |
Mittal et al. | On the fuzzy evaluation of measurement system analysis in a manufacturing and process industry environment: A comparative study | |
CN113744024B (zh) | 一种商家匹配方法、装置、计算机设备及存储介质 | |
Markovits-Somogyi | Review and systematization of efficiency measurement methods used in the transport sector | |
Junior et al. | Reliability of the sustainability assessment | |
Niknya et al. | Financial distress prediction of Tehran Stock Exchange companies using support vector machine | |
RU2622857C1 (ru) | Система преобразования, анализа и оценки информационных признаков объекта | |
CN111046339B (zh) | 一种仿真基期数据的处理方法及装置 | |
CN107909481B (zh) | 一种投资共建展示与认股信息分析系统及方法 | |
WO2010061440A1 (ja) | ソフトウェア改造見積り方法及びソフトウェア改造見積りシステム | |
Xie | Identifying optimal indicators and lag terms for nowcasting models | |
Xue | Stock Price Forecasting Based on ARIMA Model an Example of Cheung Kong Hutchison Industrial Co. | |
RU2008151774A (ru) | Мультивалютная визуализация | |
Branca et al. | Portfolio energy analysis and condition assessment: case study of public schools of the Lugano municipality | |
Atiya et al. | AN OPTIMIZATION OF PRODUCT DESIGN AND MANUFACTURING BASED ON SUSTAINABILITY. | |
Jäckel | Quanto skew with stochastic volatility | |
Corvalão et al. | Forecasting the collection of the state value added tax (ICMS) in Santa Catarina: the general to specific approach in regression analysis | |
Vaghela et al. | Jestr r |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20120606 Assignee: Changsha Foton Automobile Technology Co., Ltd. Assignor: Beiqi Futian Motor Company Limited|Changsha Futian Automobile Technology Co., Ltd. Contract record no.: 2013430000095 Denomination of invention: Data processing method, data processing system and associated equipment License type: Exclusive License Record date: 20130628 |
|
LICC | Enforcement, change and cancellation of record of contracts on the licence for exploitation of a patent or utility model | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120606 |
|
RJ01 | Rejection of invention patent application after publication |