CN103902798B - 数据预处理方法 - Google Patents

数据预处理方法 Download PDF

Info

Publication number
CN103902798B
CN103902798B CN201210581138.6A CN201210581138A CN103902798B CN 103902798 B CN103902798 B CN 103902798B CN 201210581138 A CN201210581138 A CN 201210581138A CN 103902798 B CN103902798 B CN 103902798B
Authority
CN
China
Prior art keywords
data
point
group
coordinate value
preprocessing method
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
Application number
CN201210581138.6A
Other languages
English (en)
Other versions
CN103902798A (zh
Inventor
蔡飞
向旗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Jianfu Chain Management Co.,Ltd.
Original Assignee
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Shangke Information Technology Co Ltd
Priority to CN201210581138.6A priority Critical patent/CN103902798B/zh
Publication of CN103902798A publication Critical patent/CN103902798A/zh
Application granted granted Critical
Publication of CN103902798B publication Critical patent/CN103902798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种数据预处理方法。该数据预处理方法包括以下步骤：将数据点根据第一坐标值分为子点组；在各个子点组内，计算得到其中的各个数据点的第二坐标值之差，并通过计算得到各个数据点的局部离群点因子，利用离群点去噪将各个子点组内的异常的数据点移除；对离群点去噪后的所有数据点进行拟合并移除偏差较大的数据点，并输出去噪后数据组。本发明的数据预处理方法，通过对所有数据点的坐标值进行计算和分析，提高了数据预处理的准确性和效率，能够可靠地去除异常的数据点。

Description

数据预处理方法
技术领域
本发明涉及一种数据预处理方法。
背景技术
在利用采集到的或是测量得到的数据作进一步研究时，需要根据数据进行一些计算，以从数据中找出一些规律或原理。然而在数据的测量或采集中都会遇到异常的数据点，即因为客观的测量条件或采集样本的缺陷、或者主观的采集数据的人员的操作失误而导致的某些数据点是误差很大从而不具备研究价值的。异常的数据点如果不加分辨的纳入到后续的计算分析中，会对最终的计算分析的结果产生很大的影响。如何区分并排除掉异常的数据点是数据预处理中的重要课题。
尤其对于一些社会活动、经济活动的数据，单个数据点是否可信常常无法藉由自然科学的规律来进行判断，并且对大量数据的逐个判断效率也非常低下。这就迫切需要一种准确高效的数据预处理方法来对原始数据进行筛选以剔除异常的数据点。
发明内容
本发明要解决的技术问题是为了克服现有技术中缺少一种准确高效的数据预处理方法来对原始数据进行筛选以剔除异常的数据点的缺陷，提出一种数据预处理方法，通过对所有数据点的坐标值进行计算和分析，提高了数据预处理的准确性和效率，能够可靠地去除异常的数据点，便于进一步的分析研究。
本发明是通过下述技术方案来解决上述技术问题的：
本发明提供了一种数据预处理方法，其特点在于，包括以下步骤：
S101、选取多个数据点作为第一数据组，该第一数据组中的每个数据点包括一第一坐标值和一第二坐标值；
S102、将该第一数据组中第一坐标值与其他所有数据点的第一坐标值都不同的数据点去除，作为一第二数据组；
S103、将该第二数据组中第一坐标值相同的数据点作为子点组，将所有子点组设置为未计算状态，并设置一同组点数量阈值k；
S104、判断是否还有未计算状态的子点组，在判断结果为是时执行步骤S105，在判断结果为否时执行步骤S112；
S105、选定一未计算状态的子点组作为当前点组，判断该当前点组中的数据点数量是否大于等于该同组点数量阈值k，在判断结果为是时执行步骤S106，在判断结果为否时在判断结果为否时执行步骤S111；
S106、该当前点组中的数据点的数量为n，该当前点组中的数据点m的第二坐标值为ym、其中m为满足1≤m≤n的整数，分别计算出数据点m与所有子点组中的其他所有数据点的第二坐标值之差、然后对第二坐标值之差从小到大排序后依次选取前k个第二坐标值之差对应的数据点作为数据点m的子数据点yml、其中l为满足1≤l≤k的整数、然后选取第k个第二坐标值之差作为数据点m的第二坐标值之差阈值cm、其中m遍历满足1≤m≤n的所有整数；
S107、计算子数据点yml与数据点m的第二坐标值之差sml，子数据点yml的可达距离aml为aml=max(sml，cm)，其中m遍历满足1≤m≤n的所有整数、l遍历满足1≤l≤k的所有整数；
S108、根据第一公式计算数据点m的可达密度fm，其中m遍历满足1≤m≤n的所有整数；
S109、根据第二公式计算数据点m的局部离群点因子Rm，其中m遍历满足1≤m≤n的所有整数;
S110、判断数据点m的局部离群点因子Rm是否大于一离群点因子阈值R0，在判断结果为是的情况下将数据点m从该第二数据组中移除，其中m遍历满足1≤m≤n的所有整数；
S111、将该当前点组的状态更改为已计算状态，然后执行步骤S104；
S112、将第一坐标值作为横坐标、第二坐标值作为纵坐标，利用该步骤S104中判断结果为否时的该第二数据组中的所有数据点作曲线拟合得到一第一拟合曲线和一第一标准差；
S113、选取该步骤S112中的该第二数据组中、与该第一拟合曲线的距离小于该第一标准差的三倍的所有数据点作为一去噪后数据组；
S114、输出该去噪后数据组。
本领域技术人员应当理解，该当前点组中的数据点的数量n可以是任意的，数据点m表示该当前点组中的一个数据点，m必须满足1≤m≤n。而上述的“m遍历满足1≤m≤n的所有整数”是表示上述方法中的一些步骤是需要对该当前点组中的所有数据点都执行一次的。l同m的作用类似，而对于该同组点数量阈值k，本发明并不限定k的取值，但k在该步骤S103中设置为某一数值后，k的值就被固定下来。
并且，上述步骤中移除的数据点均为经上述方法计算后和同一子点组内其他的数据点偏差较大的数据点，故作为异常的数据点移除。其中，该步骤S110中将数据点m从该第二数据组中移除，是指在之前的步骤完成后的该第二数据组中移除数据点m，在执行了一次该步骤S110后的该第二数据组与执行该步骤S110前的相比少了数据点m，此后的流程中再次出现的该第二数据组就是执行了一次该步骤S110后的该第二数据组。此外，上述曲线拟合的步骤可采用现有技术中的常规设置，利用最小二乘法等方法作曲线的拟合，而上述第一标准差是指对应于该第一拟合曲线的标准差，如何在曲线拟合时得到标准差属于公知常识，在此不作赘述。
较佳地，在该步骤S113和该步骤S114之间还包括一步骤S1131：
S1131、利用该去噪后数据组的所有数据点作曲线拟合得到一第二拟合曲线和一第二标准差，将与该第二拟合曲线的距离大于等于该第二标准差的三倍的所有数据点从该去噪后数据组中移除。
较佳地，在该步骤S102和该步骤S103之间还包括一步骤S1021：
S1021、将该第二坐标值最大的和最小的数据点从该第二数据组中移除。
较佳地，该同组点数量阈值k大于等于8。
k的取值如果过小，会导致将该第二坐标值和其他数据点偏差不大的点作为异常的数据点而误移除。
较佳地，该离群点因子阈值R0的取值满足1＜R0≤2。
当数据点m的子点组中的所有数据点的第二坐标值均相同时的局部离群点因子Rm=1，所以R0的取值不能小于等于1，同时R0的取值过大会使得子点组中该第二坐标值相比于其他数据点偏离较大的数据点仍然不会被移除，从而影响到排除异常的数据点的效果。
较佳地，该第一坐标值为价格值，该第二坐标值为销量值。
较佳地，该多个数据点为最近50周内的数据点。
在数据点的时间跨度过大的情况下，可能由于社会变化、经济形势的变化等特殊因素导致价格值和销量值的变化，不适宜完全依据数据点的销量值和价格值来判断数据点是否异常以进行数据的预处理。所以将该多个数据点的时间跨度限定在最近50周内能避免特殊因素造成的影响。
较佳地，该步骤S112中的曲线拟合采用指数曲线拟合。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：
本发明的数据预处理方法，通过对所有数据点的坐标值进行计算和分析，提高了数据预处理的准确性和效率，能够可靠地去除异常的数据点。
附图说明
图1为本发明实施例1的数据预处理方法的流程图。
图2为本发明实施例2中的原始数据图。
图3为本发明实施例2中的原始数据经一次数据预处理方法处理后获得的数据图。
图4为本发明实施例2中的原始数据经两次数据预处理方法处理后获得的数据图。
具体实施方式
下面结合附图给出本发明较佳实施例，以详细说明本发明的技术方案，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示，本实施例的数据预处理方法，包括以下步骤：
S101、选取多个数据点作为第一数据组，该第一数据组中的每个数据点包括一第一坐标值和一第二坐标值；
S102、将该第一数据组中第一坐标值与其他所有数据点的第一坐标值都不同的数据点去除，作为一第二数据组；
S103、将该第二数据组中第一坐标值相同的数据点作为子点组，将所有子点组设置为未计算状态，并设置一同组点数量阈值k；
S104、判断是否还有未计算状态的子点组，在判断结果为是时执行步骤S105，在判断结果为否时执行步骤S112；
S105、选定一未计算状态的子点组作为当前点组，判断该当前点组中的数据点数量是否大于等于该同组点数量阈值k，在判断结果为是时执行步骤S106，在判断结果为否时在判断结果为否时执行步骤S111；
S106、该当前点组中的数据点的数量为n，该当前点组中的数据点m的第二坐标值为ym、其中m为满足1≤m≤n的整数，分别计算出数据点m与所有子点组中的其他所有数据点的第二坐标值之差、然后对第二坐标值之差从小到大排序后依次选取前k个第二坐标值之差对应的数据点作为数据点m的子数据点yml、其中l为满足1≤l≤k的整数、然后选取第k个第二坐标值之差作为数据点m的第二坐标值之差阈值cm、其中m遍历满足1≤m≤n的所有整数；
S107、计算子数据点yml与数据点m的第二坐标值之差sml，子数据点yml的可达距离aml为aml=max(sml，cm)，其中m遍历满足1≤m≤n的所有整数、l遍历满足1≤l≤k的所有整数；
S108、根据第一公式计算数据点m的可达密度fm，其中m遍历满足1≤m≤n的所有整数；
S109、根据第二公式计算数据点m的局部离群点因子Rm，其中m遍历满足1≤m≤n的所有整数;
S110、判断数据点m的局部离群点因子Rm是否大于一离群点因子阈值R0，在判断结果为是的情况下将数据点m从该第二数据组中移除，其中m遍历满足1≤m≤n的所有整数；
S111、将该当前点组的状态更改为已计算状态，然后执行步骤S104；
S112、将第一坐标值作为横坐标、第二坐标值作为纵坐标，利用该步骤S104中判断结果为否时的该第二数据组中的所有数据点作曲线拟合得到一第一拟合曲线和一第一标准差；
S113、选取该步骤S112中的该第二数据组中、与该第一拟合曲线的距离小于该第一标准差的三倍的所有数据点作为一去噪后数据组；
S114、输出该去噪后数据组。
本领域技术人员应当理解，上述的该第一数据组、该第二数据组、子点组均仅表示符合一定条件的数据点构成的集合，对于数据点如何存储不作限制。
在一个优选实施例中，该同组点数量阈值k大于等于8，该离群点因子阈值R0的取值满足1＜R0≤2。
优选地，该数据预处理方法尤其适用于对商品的价格值和销量值的数据预处理中，在此情况下，该第一坐标值为价格值，该第二坐标值为销量值。为避免时间跨度过大导致数据点中参杂有经济趋势的影响，该多个数据点可选取最近50周内的数据点。优选地，该步骤S112中的曲线拟合采用指数曲线拟合，可便于为进一步的价格弹性指数的计算提供可靠的数据。
本实施例的数据预处理方法应用于价格弹性指数的原始数据的去噪中，主要是针对某个价格点的样本进行偏差分析的，通过找到离群的数据点，将其作为异常的数据点去除。但由于仅仅通过去除离群点存在一定的局限性，在某个价格点上的样本非常少时，就无法实现，这就需要进一步的对数据点进行曲线拟合后将偏差达到3个标准差的数据点定义为异常的数据点并去除。
实施例2
与实施例1的数据预处理方法相比，本实施例的数据预处理方法的差别仅在于：
在该步骤S113和该步骤S114之间还包括一步骤S1131：利用该去噪后数据组的所有数据点作曲线拟合得到一第二拟合曲线和一第二标准差，将与该第二拟合曲线的距离大于等于该第二标准差的三倍的所有数据点从该去噪后数据组中移除。
在该步骤S102和该步骤S103之间还包括一步骤S1021：将该第二坐标值最大的和最小的数据点从该第二数据组中移除。
通过上述步骤能够进一步提高对于异常的数据点的筛选的可靠性。
如图2所示为原始数据的价格值和销量值的数据点的分布，图2、图3、图4中，横轴均代表价格值、单位为元，纵轴均代表销量值、单位为个。采用本实施例的数据预处理方法对所有数据点的坐标值进行计算和分析，然后去除异常的数据点之后得到的数据点如图3所示。以图3中的所有数据点作为原始数据，再次采用本实施例的数据预处理方法去除异常的数据点之后得到的数据点如图4所示。显然经过本实施例的数据预处理方法筛除了异常的数据点后，得到的数据点更加便于之后的拟合和计算。图4中拟合出的价格销量曲线，从标准差、残差平方和和相关系数来看，均显著优于图2中采用原始数据拟合得出的曲线。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (8)

1.一种数据预处理方法，其特征在于，包括以下步骤：
S101、选取多个数据点作为第一数据组，该第一数据组中的每个数据点包括一第一坐标值和一第二坐标值；
S102、将该第一数据组中第一坐标值与其他所有数据点的第一坐标值都不同的数据点去除，作为一第二数据组；
S103、将该第二数据组中第一坐标值相同的数据点作为子点组，将所有子点组设置为未计算状态，并设置一同组点数量阈值k；
S104、判断是否还有未计算状态的子点组，在判断结果为是时执行步骤S105，在判断结果为否时执行步骤S112；
S105、选定一未计算状态的子点组作为当前点组，判断该当前点组中的数据点数量是否大于等于该同组点数量阈值k，在判断结果为是时执行步骤S106，在判断结果为否时执行步骤S111；
S106、该当前点组中的数据点的数量为n，该当前点组中的数据点m的第二坐标值为ym、其中m为满足1≤m≤n的整数，分别计算出数据点m与所有子点组中的其他所有数据点的第二坐标值之差、然后对第二坐标值之差从小到大排序后依次选取前k个第二坐标值之差对应的数据点作为数据点m的子数据点yml、其中l为满足1≤l≤k的整数、然后选取第k个第二坐标值之差作为数据点m的第二坐标值之差阈值cm、其中m遍历满足1≤m≤n的所有整数，其中，k表示该同组点数量阈值；
S107、计算子数据点yml与数据点m的第二坐标值之差sml，子数据点yml的可达距离aml为aml＝max(sml，cm)，其中m遍历满足1≤m≤n的所有整数、l遍历满足1≤l≤k的所有整数；
S108、根据第一公式计算数据点m的可达密度fm，其中m遍历满足1≤m≤n的所有整数；
S109、根据第二公式计算数据点m的局部离群点因子Rm，其中m遍历满足1≤m≤n的所有整数；
S110、判断数据点m的局部离群点因子Rm是否大于一离群点因子阈值R0，在判断结果为是的情况下将数据点m从该第二数据组中移除，其中m遍历满足1≤m≤n的所有整数；
S111、将该当前点组的状态更改为已计算状态，然后执行步骤S104；
S112、将第一坐标值作为横坐标、第二坐标值作为纵坐标，利用该步骤S104中判断结果为否时的该第二数据组中的所有数据点作曲线拟合得到一第一拟合曲线和一第一标准差；
S113、选取该步骤S112中的该第二数据组中、与该第一拟合曲线的距离小于该第一标准差的三倍的所有数据点作为一去噪后数据组；
S114、输出该去噪后数据组。
2.如权利要求1所述的数据预处理方法，其特征在于，在该步骤S113和该步骤S114之间还包括一步骤S1131：
S1131、利用该去噪后数据组的所有数据点作曲线拟合得到一第二拟合曲线和一第二标准差，将与该第二拟合曲线的距离大于等于该第二标准差的三倍的所有数据点从该去噪后数据组中移除。
3.如权利要求1所述的数据预处理方法，其特征在于，在该步骤S102和该步骤S103之间还包括一步骤S1021：
S1021、将该第二坐标值最大的和最小的数据点从该第二数据组中移除。
4.如权利要求1所述的数据预处理方法，其特征在于，该同组点数量阈值k大于等于8。
5.如权利要求1所述的数据预处理方法，其特征在于，该离群点因子阈值R0的取值满足1<R0≤2。
6.如权利要求1-5中任意一项所述的数据预处理方法，其特征在于，该第一坐标值为价格值，该第二坐标值为销量值。
7.如权利要求6所述的数据预处理方法，其特征在于，该多个数据点为最近50周内的数据点。
8.如权利要求6所述的数据预处理方法，其特征在于，该步骤S112中的曲线拟合采用指数曲线拟合。
CN201210581138.6A 2012-12-27 2012-12-27 数据预处理方法 Active CN103902798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210581138.6A CN103902798B (zh) 2012-12-27 2012-12-27 数据预处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210581138.6A CN103902798B (zh) 2012-12-27 2012-12-27 数据预处理方法

Publications (2)

Publication Number Publication Date
CN103902798A CN103902798A (zh) 2014-07-02
CN103902798B true CN103902798B (zh) 2018-02-13

Family

ID=50994119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210581138.6A Active CN103902798B (zh) 2012-12-27 2012-12-27 数据预处理方法

Country Status (1)

Country Link
CN (1) CN103902798B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376078A (zh) * 2014-11-14 2015-02-25 南京大学 一种基于知识熵的异常数据检测方法
CN109814022A (zh) * 2019-01-02 2019-05-28 浙江大学 一种芯片老炼试验数据处理方法
CN111310108A (zh) * 2020-02-06 2020-06-19 西安交通大学 一种线性拟合方法和系统以及储存介质
CN111400114A (zh) * 2020-03-06 2020-07-10 湖南城市学院 基于深度递归网络大数据计算机系统故障检测方法及系统
CN113065986B (zh) * 2021-03-22 2024-07-30 北京视游互动科技有限公司 一种基于智能交互的教育资源生成方法
CN115331394B (zh) * 2022-08-30 2023-09-01 重庆地质矿产研究院 基于关键参数预测值降低地质灾害预警系统故障率的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101330030A (zh) * 2007-06-21 2008-12-24 中芯国际集成电路制造(上海)有限公司 检测数据中异常点的去除方法
US7809781B1 (en) * 2005-04-29 2010-10-05 Hewlett-Packard Development Company, L.P. Determining a time point corresponding to change in data values based on fitting with respect to plural aggregate value sets
CN102457878A (zh) * 2010-10-18 2012-05-16 中国移动通信集团四川有限公司 一种在关键业务预测中剔除异常数据的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7809781B1 (en) * 2005-04-29 2010-10-05 Hewlett-Packard Development Company, L.P. Determining a time point corresponding to change in data values based on fitting with respect to plural aggregate value sets
CN101330030A (zh) * 2007-06-21 2008-12-24 中芯国际集成电路制造(上海)有限公司 检测数据中异常点的去除方法
CN102457878A (zh) * 2010-10-18 2012-05-16 中国移动通信集团四川有限公司 一种在关键业务预测中剔除异常数据的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于单元的快速的大数据集离群数据挖掘算法;王柯柯;《重庆邮电大学学报(自然科学版)》;20101015;第22卷(第5期);第674-677页 *

Also Published As

Publication number Publication date
CN103902798A (zh) 2014-07-02

Similar Documents

Publication Publication Date Title
CN110634080B (zh) 异常用电检测方法、装置、设备及计算机可读存储介质
CN103902798B (zh) 数据预处理方法
CN103678766B (zh) 一种基于pso算法的异常用电客户检测方法
CN104317681B (zh) 针对计算机系统的行为异常自动检测方法及检测系统
CN108777873A (zh) 基于加权混合孤立森林的无线传感网络异常数据检测方法
CN105300692B (zh) 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法
CN104008278B (zh) 一种基于特征向量和最小二乘支持向量机的pm2.5浓度预测方法
CN106121622B (zh) 一种基于示功图的有杆泵抽油井的多故障诊断方法
CN104239712B (zh) 一种雷达抗干扰效能实时评估方法
CN104820873A (zh) 一种基于金属定量构效关系的淡水急性基准预测方法
CN113838054B (zh) 基于人工智能的机械零件表面损伤检测方法
CN109597968A (zh) 基于smt大数据的锡膏印刷性能影响因素分析方法
CN107679734A (zh) 一种用于无标签数据分类预测的方法和系统
CN106874658A (zh) 一种基于主成分分析算法的医保欺诈识别方法
CN101738998B (zh) 一种基于局部判别分析的工业过程监测系统及方法
CN108830507A (zh) 一种食品安全风险预警方法
CN110827169B (zh) 一种基于分级指标的分布式电网业务监控方法
CN113128567A (zh) 一种基于用电量数据的异常用电行为识别方法
CN102945222B (zh) 一种基于灰色理论的乏信息测量数据粗大误差判别方法
CN107132266A (zh) 一种基于随机森林的水质分类方法及系统
CN107358339A (zh) 一种基于大数据的轨道质量状态评估方法
CN109299434B (zh) 货物海关通关大数据智能评级及抽检率计算系统
CN108875118A (zh) 一种高炉铁水硅含量预测模型准确度评价方法和设备
CN107274061A (zh) 一种基于熵权法的智慧城市评价方法
CN111768022A (zh) 煤机生产设备的设备检测方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20160914

Address after: East Building 11, 100195 Beijing city Haidian District xingshikou Road No. 65 west Shan creative garden district 1-4 four layer of 1-4 layer

Applicant after: Beijing Jingdong Shangke Information Technology Co., Ltd.

Address before: 201203 Shanghai city Pudong New Area Zu Road No. 295 Room 102

Applicant before: Niuhai Information Technology (Shanghai) Co., Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201111

Address after: No.8-6, Putou South Road, Haicang District, Xiamen City, Fujian Province

Patentee after: Xiamen xinjianfu e-commerce Co., Ltd

Address before: East Building 11, 100195 Beijing city Haidian District xingshikou Road No. 65 west Shan creative garden district 1-4 four layer of 1-4 layer

Patentee before: BEIJING JINGDONG SHANGKE INFORMATION TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210512

Address after: 361000 No.8, Putou South Road, Haicang District, Xiamen City, Fujian Province

Patentee after: Xiamen Jianfu Chain Management Co.,Ltd.

Address before: No.8-6, Putou South Road, Haicang District, Xiamen City, Fujian Province 361022

Patentee before: Xiamen xinjianfu e-commerce Co., Ltd