CN103366091B - 基于多级阈值指数加权平均的异常报税数据检测方法 - Google Patents
基于多级阈值指数加权平均的异常报税数据检测方法 Download PDFInfo
- Publication number
- CN103366091B CN103366091B CN201310291913.9A CN201310291913A CN103366091B CN 103366091 B CN103366091 B CN 103366091B CN 201310291913 A CN201310291913 A CN 201310291913A CN 103366091 B CN103366091 B CN 103366091B
- Authority
- CN
- China
- Prior art keywords
- vector
- dutiable goods
- data
- tolerance threshold
- statistical indicator
- 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.)
- Active
Links
Abstract
本发明公开了一种基于多级阈值指数加权平均的异常报税数据检测方法:基于纳税人的历史报税数据,计算报税数据的统计指标;利用残差指数加权滑动平均算法,迭代计算各统计指标的预测值、预测误差和多级误差阈值;根据多级误差阈值,检测异常报税数据并评估异常等级。本方法可以有效提高异常报税数据的检测精度,并实现异常程度的评估。
Description
技术领域:
本发明涉及数据检测领域,特别涉及一种异常报税数据的检测方法。
背景技术:
税务审计是指税务机关依法对纳税人、扣缴义务人履行纳税义务、扣缴义务情况所进行的税务稽查和处理工作的总称。税务法律法规复杂、审计点多,通用审计点多达2000项以上;同时审计对象数据庞大,一个大型企业仅财务凭证数据一项,约有数千万笔,按照传统人工方式,完成一家较大企业审计一般需要5-10个人团队工作6个月时间。如何通过对纳税人的报税数据进行自动分析,筛查出异常的报税数据,降低人工审计的数据量,成为税务审计领域亟待解决的问题之一。
发明内容:
本发明主要目的在于提供一种基于多级阈值指数加权平均的异常报税数据检测方法,采用多级阈值指数加权平均算法分析纳税人的历史报税数据,检测出纳税人的报税数据是否存在异常。
本发明的目的通过以下技术方案实现:
基于多级阈值指数加权平均的异常报税数据检测方法,包括以下步骤:
S100、采集纳税人的历史报税数据;
S101、根据步骤S100采集的纳税人历史报税数据,计算出各类报税数据在每个报税周期的统计指标;
S102、根据步骤S101中所计算的统计指标,构建统计指标向量;根据统计指标的报税周期,生成统计指标向量的时间序列S(i),S(i)表示第i个报税周期的统计指标向量;采用指数加权滑动平均算法计算第i个报税周期的统计指标预测向量PS(i)和误差向量E(i):
PS(i)=λ1·S(i)+(1-λ1)·PS(i-1)
E(i)=|S(i)-PS(i-1)|
其中,平滑系数λ1为0.3,PS(i-1)为第i-1个报税周期预测向量,PS(0)为第1个报税周期的统计指标向量S(1);
S103、采用残差指数加权滑动平均算法,计算第i个报税周期的估计误差向量PE(i):
PE(i)2=λ2·E(i)2+(1-λ2)·PE(i-1)2
其中预测误差系数λ2为0.1,PE(0)=0;
计算获得多级预测误差容忍阈值向量;
S104、对比报税数据统计指标误差向量E(i)与多级预测误差容忍阈值向量中的误差容忍阈值,判断各报税周期各项数据指标是否含有异常报数数据。
本发明进一步的改进在于:纳税人的历史报税数据包括各类进项、支出、各税种报税额中的一种或多种。
本发明进一步的改进在于:步骤S102中统计指标向量的时间序列生成过程为:将在同一报税周期内的各项统计指标Z1,Z2,…,Zn,生成一个统计指标向量S=(Z1,Z2,…,Zn);根据报税数据的时间顺序,对统计指标集排序,并生成统计指标向量的时间序列S(1),S(2),…,S(i),其中S(i)=(Z1(i),Z2(i),…,Zn(i)),Zn(i)表示第i个报税周期的第n个统计指标。
本发明进一步的改进在于:步骤S103中计算多级预测误差容忍阈值向量的方法为:设置m级不同的置信度α1,α2,…,αm,计算对应置信度的正态分布区间值Uα1,Uα2,…,Uαm;与估计误差向量PE(i)相乘,得到多级误差容忍阈值向量CL_1,CL_2,…,CL_m,其中i个报税周期第x级误差容忍阈值向量CL_x(i)计算公式为
CL_x(i)=Uαx·PE(i-1);x、m为正整数,1≤x≤m。
本发明进一步的改进在于:步骤S104中,在第i个报税周期,寻找预测误差向量E(i)中是否有分量超过多级预测误差容忍阈值,若含有则该分量所对应的报数数据有异常;若预测误差向量E(i)没有任何分量超过多级预测误差容忍阈值,则报税数据中未含有异常数据。
本发明进一步的改进在于:步骤S104中,在i时刻,寻找预测误差向量E(i)中是否存在任何分量超过多级误差容忍阈值向量的对应分量,若含有则该分量所对应的报数数据有异常,并按照误差容忍阈值向量所对应的置信度的大小分为不同的异常度;若预测误差向量E(i)没有任何分量超过多级预测误差容忍阈值,则报税数据中未含有异常数据。
本发明进一步的改进在于:步骤S103中所述多级预测误差容忍阈值向量包括第一级误差容忍阈值向量和第二级误差容忍阈值向量;第一级误差容忍阈值向量和第二级误差容忍阈值向量所对应的置信度分别为95%和99%。
本发明进一步的改进在于:步骤S104中中异常数据的检测方法为:在i时刻,寻找预测误差向量预测误差向量E(i)中是否存在任何分量超过多级误差容忍阈值向量的对应分量,若存在分量Ej(i)大于第x级的误差容忍阈值向量的分量CL_xj(i),且小于第x+1级的分析CL_x+1j(i),则输出:“异常检测结果:Zj,其异 常度为x”;若没有任何分量超过多级预测误差容忍阈值,则输出:“未发现异常数据”。
相对于现有技术,本发明的有益效果是:
(1)算法复杂度低,有利于大规模使用:全国的纳税人数量已经接近千万数量级,分析算法的复杂度直接影响使用的效果;本发明利用残差指数加权平均算法对纳税人历史数据进行分析,算法复杂度低,运算速度快,可以支持大规模纳税人的数据分析;
(2)异常检测精度高,实现异常度评估:常规方法异常检测方法依靠单一置信区间设定以检测异常,本发明通过设置多级阈值以评估数据的异常程度,一方面可以更灵活的设置检测阈值,无需担心阈值设置造成的误报与漏报间的矛盾;另一方面,通过对数据的异常度进行评估,给税务审计人员提供决策支持,协助其更快发现异常事件。
本发明基于纳税人的历史报税数据,计算报税数据的统计指标;利用残差指数加权滑动平均算法,迭代计算各统计指标的预测值、预测误差和多级误差阈值;根据多级误差阈值,检测异常报税数据并评估异常等级;本方法可以有效提高异常报税数据的检测精度,并实现异常程度的评估。
附图说明:
图1为基于多级阈值指数加权平均的异常报税数据检测方法框图。
具体实施方式:
请参阅图1所示,本发明一种基于多级阈值指数加权平均的异常报税数据检 测方法,包括以下步骤:
步骤S100,采集纳税人的历史报税数据,包括各类进项、支出、各税种报税额中的一种或多种;
步骤S101,根据纳税人的历史报税数据,计算出各类报税数据在每个报税周期的统计指标;本示例中选择上海XX企业2005年至2012年的报税数据作为分析对象,选择增值税比例(A)、营业税比例(B)、销售额年增幅(C)和支出额年增幅(D)作为统计指标,具体数值如表1所示;
表1上海XX企业2005年至2012年报税数据统计指标
2005 | 2006 | 2007 | 2008 | 2009 | 2010 | 2011 | 2012 | |
增值税比例 | 25.1% | 25.2% | 25.3% | 24.9% | 25.3% | 25.7% | 25.4% | 20.7% |
营业税比例 | 14.2% | 13.8% | 13.4% | 12.9% | 13.1% | 12.8% | 12.9% | 21.2% |
销售年增幅 | 13.5% | 11.2% | 18.6% | 10.5% | 10.6% | 19.1% | 18.8% | 15.3% |
支出年增幅 | 12.1% | 13.3% | 15.9% | 11.2% | 13.8% | 17.4% | 16.9% | 38.1% |
步骤S102,根据步骤S101中所计算的统计指标,构建统计指标向量S=(增值税比例,营业税比例,销售额年增幅,支出额年增幅);根据统计指标的年份,生成统计指标向量的时间序列S(1)-S(8),分别表示2005年至2012年的统计指标向量;采用指数加权滑动平均算法计算统计指标预测向量PS(i)和误差向量E(i):
PS(i)=λ1·S(i)+(1-λ1)·PS(i-1)
E(i)=|S(i)-PS(i-1)|
其中,平滑系数λ1为0.3,PS(i-1)为上一报税周期的预测向量,PS(0)为统计指标向量S(1);计算统计指标预测向量和误差向量,如表2和表3所示;
表2报税数据统计指标预测结果
2005 | 2006 | 2007 | 2008 | 2009 | 2010 | 2011 | 2012 | |
增值税比例 | 25.1% | 25.1% | 25.2% | 25.1% | 25.2% | 25.3% | 25.3% | 24.0% |
营业税比例 | 14.2% | 14.1% | 13.9% | 13.6% | 13.4% | 13.2% | 13.1% | 15.6% |
销售年增幅 | 13.5% | 12.8% | 14.5% | 13.3% | 12.5% | 14.5% | 15.8% | 15.6% |
支出年增幅 | 12.1% | 12.5% | 13.5% | 12.8% | 13.1% | 14.4% | 15.1% | 22.0% |
表3报税数据统计指标误差结果
2005 | 2006 | 2007 | 2008 | 2009 | 2010 | 2011 | 2012 | |
增值税比例 | 0 | 0.0010 | 0.0017 | 0.0028 | 0.0020 | 0.0054 | 0.0008 | 0.0464 |
营业税比例 | 0 | 0.0040 | 0.0068 | 0.0098 | 0.0048 | 0.0064 | 0.0035 | 0.0806 |
销售年增幅 | 0 | 0.0230 | 0.0579 | 0.0405 | 0.0273 | 0.0659 | 0.0431 | 0.0048 |
支出年增幅 | 0 | 0.0120 | 0.0344 | 0.0229 | 0.0100 | 0.0430 | 0.0251 | 0.2296 |
步骤S103,采用残差指数加权滑动平均算法,计算估计误差向量:
PE(i)2=λ2·E(i)2+(1-λ2)·PE(i-1)2
其中预测误差系数λ2设为0.1,计算估计误差向量,计算结果如表4所示;
表4报税数据统计指标估计误差结果
2005 | 2006 | 2007 | 2008 | 2009 | 2010 | 2011 | 2012 | |
增值税比例 | 0 | 0.0003 | 0.0006 | 0.0011 | 0.0012 | 0.0021 | 0.0020 | 0.0148 |
营业税比例 | 0 | 0.0013 | 0.0025 | 0.0039 | 0.0040 | 0.0043 | 0.0042 | 0.0258 |
销售年增幅 | 0 | 0.0073 | 0.0196 | 0.0225 | 0.0231 | 0.0302 | 0.0317 | 0.0301 |
支出年增幅 | 0 | 0.0038 | 0.0115 | 0.0131 | 0.0128 | 0.0182 | 0.0190 | 0.0748 |
设定2级误差容忍阈值,置信度分别为95%和99%,计算得到置信度的正态分布区间值U95%=1.96和U99%=2.58,由此计算得到2级误差容忍阈值向量,如表5和表6所示;
表5第1级误差容忍阈值(95%置信区间)
2005 | 2006 | 2007 | 2008 | 2009 | 2010 | 2011 | 2012 | |
增值税比例 | 0 | 0.0006 | 0.0012 | 0.0021 | 0.0023 | 0.0040 | 0.0039 | 0.0290 |
营业税比例 | 0 | 0.0025 | 0.0048 | 0.0076 | 0.0078 | 0.0084 | 0.0082 | 0.0505 |
销售年增幅 | 0 | 0.0143 | 0.0384 | 0.0442 | 0.0452 | 0.0592 | 0.0622 | 0.0591 |
支出年增幅 | 0 | 0.0074 | 0.0225 | 0.0256 | 0.0251 | 0.0357 | 0.0373 | 0.1466 |
表6第2级误差容忍阈值(99%置信区间)
2005 | 2006 | 2007 | 2008 | 2009 | 2010 | 2011 | 2012 | |
增值税比例 | 0 | 0.0008 | 0.0016 | 0.0027 | 0.0031 | 0.0053 | 0.0051 | 0.0382 |
营业税比例 | 0 | 0.0033 | 0.0064 | 0.0100 | 0.0103 | 0.0110 | 0.0108 | 0.0665 |
销售年增幅 | 0 | 0.0188 | 0.0505 | 0.0582 | 0.0595 | 0.0780 | 0.0819 | 0.0778 |
支出年增幅 | 0 | 0.0098 | 0.0296 | 0.0337 | 0.0330 | 0.0470 | 0.0491 | 0.1930 |
步骤S104,对比表3报税数据统计指标误差结果与表5和表6中的误差容忍阈值,得到各年度各项数据指标的异常度,判断各报税周期各项数据指标是否含有异常报数数据;结果如表7所示;
表7报税数据异常度评估结果(NULL表示无异常(报税数据统计指标误 差结果小于对应的所有误差容忍阈值),II表示2级异常(报税数据统计指标误差结果小于对应的所有误差容忍阈值大于1级和2级误差容忍阈值),I表示1级异常(报税数据统计指标误差结果小于对应的所有误差容忍阈值大于1级误差容忍阈值,小于2级误差容忍阈值))
表7报税数据异常度评估结果
2005 | 2006 | 2007 | 2008 | 2009 | 2010 | 2011 | 2012 | |
增值税比例 | NULL | II | II | II | NULL | II | NULL | II |
营业税比例 | NULL | II | II | NULL | NULL | NULL | NULL | II |
销售年增幅 | NULL | II | II | NULL | NULL | II | NULL | NULL |
支出年增幅 | NULL | II | II | NULL | NULL | II | NULL | II |
分析结果可以看出,2006、2007、2010和2012年存在显著异常,通过分析发现,2006年和2007年的异常是由于模型处于数据训练阶段导致;2010年的异常是2010年经济环境回暖,企业各项指标出现显著增长导致;2012年的异常显示企业的增值税大幅下降而营业税大幅增长,可能是纳税人违规转化税种导致,同时支出成本的增幅也存在显著异常。因此,输出2012年企业的报税数据存在异常,其中增值税比例、营业税比例和支出年增幅数据存在显著异常。
Claims (1)
1.基于多级阈值指数加权平均的异常报税数据检测方法,其特征在于,包括以下步骤:
S100、采集纳税人的历史报税数据;所述历史报税数据包括各类进项、支出、各税种报税额中的一种或多种;
S101、根据步骤S100采集的纳税人历史报税数据,计算出各类报税数据在每个报税周期的统计指标;所述统计指标为增值税比例(A)、营业税比例(B)、销售额年增幅(C)和支出额年增幅(D)中的一种或多种,表示为Z1,Z2,…,Zn;
S102、根据步骤S101中所计算的统计指标,构建统计指标向量;根据统计指标的报税周期,生成统计指标向量的时间序列S(i),S(i)表示第i个报税周期的统计指标向量;采用指数加权滑动平均算法计算第i个报税周期的统计指标预测向量PS(i)和误差向量E(i):
PS(i)=λ1·S(i)+(1-λ1)·PS(i-1)
E(i)=|S(i)-PS(i-1)|
其中,平滑系数λ1为0.3,PS(i-1)为第i-1个报税周期预测向量,PS(0)为第1个报税周期的统计指标向量S(1);
统计指标向量的时间序列生成过程为:将在同一报税周期内的各项统计指标Z1,Z2,…,Zn,生成一个统计指标向量S=(Z1,Z2,…,Zn);根据报税数据的时间顺序,对统计指标集排序,并生成统计指标向量的时间序列S(1),S(2),…,S(i),其中S(i)=(Z1(i),Z2(i),…,Zn(i)),Zn(i)表示第i个报税周期的第n个统计指标;
S103、采用残差指数加权滑动平均算法,计算第i个报税周期的估计误差向量PE(i):
PE(i)2=λ2·E(i)2+(1-λ2)·PE(i-1)2
其中预测误差系数λ2为0.1,PE(0)=0;
计算获得多级误差容忍阈值向量;
计算多级预测误差容忍阈值向量的方法为:设置m级不同的置信度α1,α2,…,αm,计算对应置信度的正态分布区间值Uα1,Uα2,…,Uαm;与估计误差向量PE(i)相乘,得到多级误差容忍阈值向量CL_1,CL_2,…,CL_m,其中i个报税周期第x级误差容忍阈值向量CL_x(i)计算公式为:
CL_x(i)=Uαx·PE(i-1);x、m为正整数,1≤x≤m
S104、对比误差向量E(i)与多级误差容忍阈值向量中的误差容忍阈值,判断各报税周期各项数据指标是否含有异常报数数据;
步骤S104中,在第i个报税周期,寻找误差向量E(i)中是否有分量超过多级误差容忍阈值,若含有则该分量所对应的报数数据有异常;若误差向量E(i)没有任何分量超过多级误差容忍阈值,则报税数据中未含有异常数据;
步骤S104中,在i时刻,寻找误差向量E(i)中是否存在任何分量超过多级误差容忍阈值向量的对应分量,若含有则该分量所对应的报数数据有异常,并按照误差容忍阈值向量所对应的置信度的大小分为不同的异常度;若误差向量E(i)没有任何分量超过多级误差容忍阈值,则报税数据中未含有异常数据;
步骤S103中所述多级误差容忍阈值向量包括第一级误差容忍阈值向量和第二级误差容忍阈值向量;第一级误差容忍阈值向量和第二级误差容忍阈值向量所对应的置信度分别为95%和99%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310291913.9A CN103366091B (zh) | 2013-07-11 | 2013-07-11 | 基于多级阈值指数加权平均的异常报税数据检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310291913.9A CN103366091B (zh) | 2013-07-11 | 2013-07-11 | 基于多级阈值指数加权平均的异常报税数据检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103366091A CN103366091A (zh) | 2013-10-23 |
CN103366091B true CN103366091B (zh) | 2015-08-26 |
Family
ID=49367418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310291913.9A Active CN103366091B (zh) | 2013-07-11 | 2013-07-11 | 基于多级阈值指数加权平均的异常报税数据检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103366091B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102833B (zh) * | 2014-07-10 | 2015-08-05 | 西安交通大学 | 基于密集区间发现的税务指标归一化与融合计算方法 |
CN104517232B (zh) * | 2014-12-19 | 2018-07-17 | 西安交通大学 | 一种挖掘纳税金额突增的关联纳税人群体的方法 |
CN108880841A (zh) * | 2017-05-11 | 2018-11-23 | 上海宏时数据系统有限公司 | 一种业务监控系统的阀值设置、异常检测系统及方法 |
CN107086944B (zh) * | 2017-06-22 | 2020-04-21 | 北京奇艺世纪科技有限公司 | 一种异常检测方法和装置 |
CN108667686B (zh) * | 2018-04-11 | 2021-10-22 | 国电南瑞科技股份有限公司 | 一种网络报文时延测量的可信度评估方法 |
CN111325472A (zh) * | 2020-02-28 | 2020-06-23 | 北京思特奇信息技术股份有限公司 | 一种异常数据检测方法和系统 |
CN114445207B (zh) * | 2022-04-11 | 2022-07-26 | 广东企数标普科技有限公司 | 基于数字人民币的税务管理系统 |
CN115801901B (zh) * | 2023-01-05 | 2023-08-04 | 安徽皖欣环境科技有限公司 | 一种企业生产排放数据压缩处理方法 |
CN116342301B (zh) * | 2023-03-08 | 2023-11-28 | 深圳欧税通技术有限公司 | 一种基于大数据的跨境企业税务申报状况监测管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002039254A1 (en) * | 2000-11-09 | 2002-05-16 | Spss Inc. | System and method for building a time series model |
CN101615186A (zh) * | 2009-07-28 | 2009-12-30 | 东北大学 | 一种基于隐马尔科夫理论的bbs用户异常行为审计方法 |
CN101916335A (zh) * | 2010-08-19 | 2010-12-15 | 河北农业大学 | 城市需水量时间序列-指数平滑模型预测方法 |
CN102539823A (zh) * | 2012-01-13 | 2012-07-04 | 重庆大学 | 一种wtg风速分布的预测方法 |
-
2013
- 2013-07-11 CN CN201310291913.9A patent/CN103366091B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002039254A1 (en) * | 2000-11-09 | 2002-05-16 | Spss Inc. | System and method for building a time series model |
CN101615186A (zh) * | 2009-07-28 | 2009-12-30 | 东北大学 | 一种基于隐马尔科夫理论的bbs用户异常行为审计方法 |
CN101916335A (zh) * | 2010-08-19 | 2010-12-15 | 河北农业大学 | 城市需水量时间序列-指数平滑模型预测方法 |
CN102539823A (zh) * | 2012-01-13 | 2012-07-04 | 重庆大学 | 一种wtg风速分布的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103366091A (zh) | 2013-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103366091B (zh) | 基于多级阈值指数加权平均的异常报税数据检测方法 | |
CN103377454B (zh) | 基于余弦相似度的异常报税数据检测方法 | |
CN104881783A (zh) | 电子银行账户欺诈行为及风险检测方法与系统 | |
Chen et al. | Detecting biotechnology industry's earnings management using Bayesian network, principal component analysis, back propagation neural network, and decision tree | |
CN104408547A (zh) | 一种基于数据挖掘的医保欺诈行为的检测方法 | |
Tan et al. | A wavelet based investigation of long memory in stock returns | |
CN106447075A (zh) | 行业用电需求预测方法与系统 | |
Kolbaşi et al. | A comparison of the outlier detecting methods: an application on Turkish foreign trade data | |
CN112329862A (zh) | 基于决策树的反洗钱方法及系统 | |
Smithson et al. | Quantifying operational risk | |
CN110930258B (zh) | 一种应收账款融资变现规模预测方法及系统 | |
Eslamloueyan et al. | The effects of the COVID-19 pandemic, economic sanctions, and institutional quality on the poverty gap: The case of Iran | |
CN112465397A (zh) | 一种审计数据的分析方法和装置 | |
CN113835947A (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
Soofi et al. | Testing for long memory in the Asian foreign exchange rates | |
CN112016843A (zh) | 一种组织财税数据风险分析方法及相关装置 | |
Nenkova et al. | Government expenditure efficiency and macroeconomic performance of Balkan countries: DEA approach | |
Qiang et al. | Relationship model between human resource management activities and performance based on LMBP algorithm | |
CN113744043A (zh) | 小微企业的信贷风险评估方法、装置及计算机设备 | |
Liu et al. | Crowding in or crowding out? The effect of imported environmentally sound technologies on indigenous green innovation | |
Putra et al. | Analysis the Effect of Financial Performance Ratios on Profitability at PT. Bank Central Asia Tbk (BCA) 2018-2022 | |
US20230394069A1 (en) | Method and apparatus for measuring material risk in a data set | |
Subhan et al. | THE INFLUENCE OF ECONOMIC FACTORS ON THE STOCK PRICE OF KIMIA FARMA COMPANIES ON THE INDONESIAN STOCK EXCHANGE | |
CN116342300B (zh) | 一种保险理赔人员特征分析方法、装置和设备 | |
CN114648228B (zh) | 一种业务执行效率的评估方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C41 | Transfer of patent application or patent right or utility model | ||
TR01 | Transfer of patent right |
Effective date of registration: 20160419 Address after: 310053, tax building, No. 3738 South Ring Road, Hangzhou, Zhejiang, Binjiang District Patentee after: Servyou Software Group Co., Ltd. Address before: 710049 Xianning West Road, Shaanxi, China, No. 28, No. Patentee before: Xi'an Jiaotong University |