CN104123847A - 基于acp方法的交通信号推荐系统及相应方法 - Google Patents
基于acp方法的交通信号推荐系统及相应方法 Download PDFInfo
- Publication number
- CN104123847A CN104123847A CN201410373407.9A CN201410373407A CN104123847A CN 104123847 A CN104123847 A CN 104123847A CN 201410373407 A CN201410373407 A CN 201410373407A CN 104123847 A CN104123847 A CN 104123847A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- matrix
- sparse matrix
- module
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000002474 experimental method Methods 0.000 title abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 182
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000006399 behavior Effects 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 41
- 230000000875 corresponding effect Effects 0.000 claims description 32
- 230000002596 correlated effect Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 17
- 238000011217 control strategy Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000002360 preparation method Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
一种基于ACP方法的交通信号推荐方法及相应系统，该方法包括：采集交通信息，并处理成稀疏矩阵的格式；设定本次任务的评定指标；结合所述评定指标，对所述稀疏矩阵进行数据填充；使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵；分析当前路况，将其匹配至所述评分矩阵；根据所述评分矩阵，给当前路况推荐最佳配时方案；对当前路况执行推荐的最佳配时方案。本发明基于ACP方法，利用数据驱动，通过计算实验的方法，在人工系统内对大量交通状态和相应的配时方案进行仿真预测，最终平行执行于实际交通情景，并记录反馈信息。本发明借助无模型自适应思想，克服了实际交通场景难以精确建模和配时方案与实际路况不匹配等问题。
Description
技术领域
本发明属于自动控制技术和信息技术领域，更具体地，涉及一种基于ACP方法的交通信号推荐系统及相应方法。
背景技术
ACP是人工社会(Artificial societies)、计算实验(Computationalexperiments)、平行执行(Parallel execution)的英文首字母缩写，该方法的目的是解决对复杂系统的建模、分析、控制问题。ACP方法通过以下三步来实现以上目的：1)利用人工社会的概念建模和表述复杂系统；2)通过计算实验分析和评估复杂系统；3)在现实和人工系统中通过平行执行来控制和管理复杂系统。具体来说，就是借助人工社会的概念，建立人工系统，该系统利用代理技术对实际复杂系统仿真，以达到在某种意义上可代替实际复杂系统的目的，然后通过计算的技术，利用大量实验分析、评估、对比人工系统与实际系统，最后将人工系统中的可靠成果执行于实际复杂系统。ACP方法可解决复杂系统中的两个主要问题，也是复杂系统的两个共性：1)不可分割性。本质的，在有限资源的情况下，一个复杂系统的整体行为不能通过单独分析其中的部件而确定。相反，系统作为一个整体决定了它部件的行为；2)不可预测性。本质的，在有限资源的情况下，一个复杂系统的整体行为不能被大范围的预测或解释。
推荐系统是用来解决信息过载问题的最有效的工具，这些过载的信息包括有用信息和误导信息、易捕捉的信息和隐含信息。推荐系统目前主要应用在电子商务、电影网站、音乐网站、视频网站、广告等领域；个性化推荐系统通过建立用户与信息产品之间的二元关系，利用已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象，进而进行个性化推荐，其本质就是信息过滤。一个完整的推荐系统由3部分组成：收集用户信息的行为记录模块、分析用户喜好的模型分析模块和推荐算法模块。
交通信号控制技术是一种有效的解决交通问题的方式，主要通过给各种不断变化的复杂路况提供实时的配时方案来实现。随着经济发展和车辆保有率的不断增加，交通拥堵及其带来的经济损失和环境恶化问题日益严重，而单纯通过建设新的交通设施难以缓解交通压力，所以目前研究人员的主要精力集中在交通信号控制上。当前的交通信号控制试图通过对路况的分析，建立尽可能贴近实际的模型，以此对将来路况进行预测，配置出合理的红绿灯配时方案，以最大可能性的减轻交通拥堵。目前的交通信号控制策略大致可分为：定时控制、感应控制、智能控制。由于相关条件的限制，实际应用中，以初级的定时控制策略为主。
面对具有很强随机性、非线性、动态性和复杂性的交通系统，当前的交通信号面临以下问题：1)很难建立起真正符合实际交通系统的精确数学模型；2)尽管有些模型相对而言很接近某些实际路况，但同时也会在计算时很费时，导致最终给出的配时方案实时性较差，甚至与当前交通状况不匹配；3)在理论上，目前还没有一种方法可以适用于所有的交通状况。以上问题导致交通信号控制在缓解交通压力上受到一定的限制，且各地各时段的路况和相应的配时方案等极有价值的交通数据没有得到很好的利用，导致存在相当大的资源浪费，目前还没有一个可供参考的研究工作用于解决上述问题。如何融合现有技术，实现信号资源的动态配置，达到资源高效调用，是一个亟待解决的问题。
发明内容
针对当前交通信号控制建模不精确、实时性较差和资源浪费等问题，本发明的目的是提供一种基于ACP方法的交通信号推荐系统及相应的方法，以克服建模不精确、实时性无法保证(配时方案“老化”)和资源浪费等问题，最终有效的解决当前存在的主要问题。
为实现上述目的，根据本发明的一个方面，本发明提出了一种基于ACP方法的交通信号推荐系统，包括：
数据模块101，包括数据采集单元、数据库和数据处理单元，用于采集来自实际的交通数据，存入数据库，并将其处理成要求格式后传递给推荐模块102；
推荐模块102，包括推荐算法库、抉择与控制融合单元、判断单元、控制算法单元、评分矩阵、状态评估单元，用于接收来自所述数据模块101的数据和评估模块103的指标，结合当前路况，推荐出最合适的配时方案，并将其传递给执行模块104；
评估模块103，用于按交通需求任务设定RMSE、准确率、召回率指标并提供给所述推荐模块102学习训练；
执行模块104，用于执行所述推荐模块102提供的配时方案，并监测相关交通数据，反馈给所述数据模块101。
其中，所述推荐模块102包含检查单元和控制算法，可为相关交通状态生成较为适合的配时方案，并预测相应的交通指标。
其中，所述推荐模块102定期训练学习，不管更新所述推荐模块102的评分矩阵。
根据本发明的另一个方面，本发明提出一种基于ACP方法的交通信号推荐方法，包括以下步骤：
数据模块101采集交通信息，并处理成稀疏矩阵的格式传递给推荐模块102；
评估模块103设定本次任务的评定指标；
推荐模块102结合所述评定指标，对所述数据模块101传递的所述稀疏矩阵进行数据填充；
所述推荐模块102使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵；
所述推荐模块102的状态评估单元分析当前路况，将其匹配至所述评分矩阵；
根据所述评分矩阵，给当前路况推荐最佳配时方案；
执行模块104对当前路况执行推荐的所述最佳配时方案，并检测记录执行结果；
所述执行模块104将相关交通数据作为反馈信息，传递给所述数据模块101。
其中，所述数据模块101采集交通信息，并处理成稀疏矩阵的格式传递给推荐模块102的步骤进一步包括以下步骤：
数据采集单元采集交通数据，同时也接收来自所述执行模块104的反馈数据；
将采集的数据按要求存入数据库；
数据预处理单元分析提取路况、配时方案特征，用数学语言描述；
对交通指标进行归一化处理；
将延时、停留时间、流量等指标处理成评分形式；
将以上处理好的数据转换成评分矩阵，传递给所述推荐模块102。
其中，所述推荐模块102结合所述评定指标，对所述数据模块101传递的所述稀疏矩阵进行数据填充的步骤进一步包括以下步骤：
所述推荐模块102的抉择与控制融合单元向所述评估模块103询问本次训练任务的评估指标；
所述抉择与控制融合单元按指标选择推荐算法库里的算法对得到的所述稀疏矩阵进行学习训练；
若所述抉择与控制融合单元所抉择的算法不止一种，则所述抉择与控制融合单元对其进行融合，所述融合包括算法融合或结果融合；
通过以上步骤训练学习后，将所述稀疏矩阵进行预测填充。
其中，所述推荐模块102使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵的步骤进一步包括以下步骤：
进一步检查得到的所述稀疏矩阵，设定相关阈值，检测出该矩阵中分数低于某一阈值的元素；
找出所述稀疏矩阵中的元素对应的交通状态的数学表达，读取出相关特征；
根据交通状态的特征，选择合适的控制策略为其定制相应的配时方案，并预测该交通状态在该配时方案下的交通指标，转换成要求的“评分”；
将得到的数据整理后放入所述稀疏矩阵，进一步丰富所述稀疏矩阵。
其中，在所述执行模块104将相关交通数据作为反馈信息，传递给所述数据模块101的步骤之后还包括：
所述推荐模块103会定期学习训练，不断更新和丰富评分矩阵。
根据本发明的再一个方面，本发明提出了一种基于ACP方法的交通信号推荐系统，包括：
采集交通信息，并处理成稀疏矩阵的格式的装置；
设定本次任务的评定指标的装置；
结合所述评定指标，对所述稀疏矩阵进行数据填充的装置；
使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵的装置；
分析当前路况，将其匹配至所述评分矩阵的装置；
根据所述评分矩阵，给当前路况推荐最佳配时方案的装置；
对当前路况执行推荐的所述最佳配时方案，并检测记录执行结果的装置。
其中，所述采集交通信息，并处理成稀疏矩阵的格式的装置进一步包括：
采集交通数据，同时也接收反馈数据的装置；
将采集的数据按要求存入数据库的装置；
分析提取路况、配时方案特征，用数学语言描述的装置；
对交通指标进行归一化处理的装置；
将延时、停留时间、流量等指标处理成评分形式的装置；
将以上处理好的数据转换成评分矩阵的装置。
其中，所述结合所述评定指标，对所述稀疏矩阵进行数据填充的装置进一步包括：
询问本次训练任务的评估指标的装置；
按指标选择推荐算法库里的算法，对得到的所述稀疏矩阵进行学习训练的装置；
若所抉择的算法不止一种，则对其进行融合的装置，所述融合包括算法融合或结果融合；
基于训练学习结果对所述稀疏矩阵进行预测填充的装置。
其中，所述使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵的装置进一步包括：
进一步检查得到的所述稀疏矩阵，设定相关阈值，检测出该矩阵中分数低于某一阈值的元素的装置；
找出所述稀疏矩阵中的元素对应的交通状态的数学表达，读取出相关特征的装置；
根据交通状态的特征，选择合适的控制策略为其定制相应的配时方案，并预测该交通状态在该配时方案下的交通指标，转换成要求的“评分”的装置；
将得到的数据整理后放入所述稀疏矩阵，进一步丰富所述稀疏矩阵的装置。
所述交通信号推荐系统进一步还包括，将相关交通数据作为反馈信息的装置。
所述交通信号推荐系统进一步还包括，定期学习训练，不断更新和丰富评分矩阵的装置。
根据本发明的再一个方面，本发明还提出了一种基于ACP方法的交通信号推荐方法，包括以下步骤：
采集交通信息，并处理成稀疏矩阵的格式；
设定本次任务的评定指标；
结合所述评定指标，对所述稀疏矩阵进行数据填充；
使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵；
分析当前路况，将其匹配至所述评分矩阵；
根据所述评分矩阵，给当前路况推荐最佳配时方案；
对当前路况执行推荐的所述最佳配时方案，并检测记录执行结果。
其中，所述采集交通信息，并处理成稀疏矩阵的格式的步骤进一步包括以下步骤：
数据采集单元采集交通数据，同时也接收反馈数据；
将采集的数据按要求存入数据库；
数据预处理单元分析提取路况、配时方案特征，用数学语言描述；
对交通指标进行归一化处理；
将延时、停留时间、流量等指标处理成评分形式；
将以上处理好的数据转换成评分矩阵。
其中，所述结合评定指标，对所述稀疏矩阵进行数据填充的步骤进一步包括以下步骤：
询问本次训练任务的评估指标；
按指标选择推荐算法库里的算法对得到的所述稀疏矩阵进行学习训练；
若所抉择的算法不止一种，则对其进行融合，所述融合包括算法融合或结果融合；
通过以上步骤训练学习后，将所述稀疏矩阵进行预测填充。
其中，所述使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵的步骤进一步包括以下步骤：
进一步检查得到的所述稀疏矩阵，设定相关阈值，检测出该矩阵中分数低于某一阈值的元素；
找出所述稀疏矩阵中的元素对应的交通状态的数学表达，读取出相关特征；
根据交通状态的特征，选择合适的控制策略为其定制相应的配时方案，并预测该交通状态在该配时方案下的交通指标，转换成要求的“评分”；
将得到的数据整理后放入所述稀疏矩阵，进一步丰富所述稀疏矩阵。
优选地，在所述对当前路况执行推荐的所述最佳配时方案，并检测记录执行结果的步骤之后还包括：
将相关交通数据作为反馈信息的步骤。
优选地，在所述将相关交通数据作为反馈信息的步骤之后还包括：
定期学习训练，不断更新和丰富评分矩阵的步骤。
综上，本发明提供了一种基于ACP方法的交通信号推荐系统及相应的方法，该系统能够整合各地各时段的路况及相应的交通信号方案，同时记录相应指标，以形成一个巨大的数据模块，及时为各种路况推荐最合适的交通信号方案，以减轻交通拥堵等问题。本发明的方法从数据驱动的角度，以结果为导向，采用无模型自适应思想，克服了对实际交通场景建模不精确的问题；基于ACP方法，对历史数据离线训练学习出人工系统，并在该系统内进行大量的计算实验，最后结合当前数据平行执行于实际交通场景，克服了配时方案“老化”问题；从全局角度整合各地各时段路况、配时方法、相应指标等信息，最大化利用了各种历史数据和资源。
附图说明
图1为根据本发明一实施例的交通信号推荐系统的结构示意图；
图2为根据本发明一实施例的交通信号推荐方法的流程图；
图3为根据本发明一实施例的交通信号推荐系统的数据模块的工作流程图；
图4为根据本发明一实施例的交通信号推荐系统的推荐模块计算实验的工作流程图；
图5为根据本发明一实施例的交通信号推荐系统的推荐模块计算实验优化的工作流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
本发明提出了一种基于ACP方法的交通信号推荐系统，该系统一方面不断收集各地各时段的实际数据、并接收控制策略生成数据，最大化整合利用现有资源、提高交通系统效率；另一方面通过推荐模块智能化管理和调用交通数据资源，为交通问题提供了更快更好的解决方案。
图1为根据本发明一实施例的交通信号推荐系统的结构示意图，如图1所示，所述系统包括：数据模块101、推荐模块102、评估模块103、执行模块104，其中：
所述数据模块101为交通信号推荐系统的数据采集、存储、处理、提供模块，其包括数据采集单元、数据库、数据预处理单元。数据采集单元主要由线圈、摄像机、智能算法等结合提供所需数据，同时也实时接收执行模块104的反馈数据，所需数据可表述为(s，t，i)的形式，其中s为路况，t为配时方案，i为延时、流量停留时间等交通指标；数据库用于存储采集单元采集的数据，这些数据本质上来讲可看成是一个稀疏矩阵，与行相关的是路况s，与列相关的是配时方案t，矩阵元素为交通指标i；数据预处理单元主要在给推荐模块102提供数据前进行必要的预处理，其包括数据归一化、指标转换等，指标转换是指：对于交通而言，延时等指标是越低越好，而对于推荐模块，分数是越高越好，所以一些交通指标需转换成满足推荐模块的分数形式。
所述推荐模块102挖掘交通数据信息，为当前路况推荐或生成最适合的配时方案，其包括抉择和控制融合单元、推荐算法库、状态评估单元、评分矩阵、检查单元和传统控制策略单元；抉择和控制融合，抉择根据状态评估对当前路况的评估和评估模块103的指标要求，选择合适的推荐算法，如果选择的推荐算法不止一个，则由控制融合将其融合，融合方法有线性组合、Bayes混合效用回归模型等；推荐算法库里存储着大量的推荐算法，包括K近邻算法、slope-one算法、svd算法等；判断单元判断推荐算法推荐出的配时方案对当前路况的预测评分是否在阈值允许范围之内，若在则直接推荐，若不在则交由传统控制策略(如webster配时法等)为当前路况生成相应的更佳的配时方案；推荐模块102最终推荐出配时方案，交由执行模块104执行于实际交通环境；
所述评估模块103为系统提供用途和性能评估方面的相应指标，包括绝对均方差、准确率、召回率等指标。当系统被要求算法预测分数最为精确时，可选择绝对均方差，用于衡量算法预测分数与实际分数的偏差；当系统被要求给某个单独的路况推荐配时方案时，可选择准确率；当系统被要求用来做区域协调、需同时对若干路况推荐合适的配时方案时，可选择召回率；
所述执行模块104为实际在线执行，其包括在线执行单元和信息检测反馈单元。执行单元接收来自推荐模块102的配时方案，将其应用于实际交通路况；信息监测反馈单元记录该路况在该配时方案下的交通指标，并反馈给数据模块101。
上述模块，离线部分数据模块101、推荐模块102、评估模块103组成人工系统，在线部分为执行模块104，为实际交通环境；在人工系统中，通过大量计算实验、以预测评分矩阵的形式，生成很多相对于当前实际交通状态而言“虚拟”的人工交通事件(这里的人工交通事件指交通状态对相应配时方案的评分)，最后选择出可代替当前实际交通状态的人工交通事件，平行执行于实际交通环境。
更具体地，本发明的推荐系统例如通过python语言编程和slope-one等算法来实现，上述各个模块既可以制成分立式的实体控制模块，例如固化到可编程控制器PLC、FPGA中，也可以通过软件的形式以处理器中的虚拟程序的形式来实现。当然，本发明并不限于上述编程语言及算法，而只是以其作为示例来说明本发明的设计思路，本领域技术人员可以根据本发明说明书公开的上述内容，以各种编程语言的方式将上述系统和方法迁移到各种控制系统中来实现本发明的目的。
图2为根据本发明一实施例的交通信号推荐方法的流程图，如图2所述，本发明的方法通过各个分立的实体控制模块来实现，具体包括以下步骤：
步骤201：数据模块101采集交通数据，并处理成要求形式传送给推荐模块102。
如图3所示，所述步骤201进一步包括以下步骤：
步骤2011：数据采集单元采集交通数据，同时也接收来自执行模块104的反馈数据。采集数据内容包括路况、配时方案以及相应的交通指标，如延时、流量、停留时间等；采集数据的方式包括地感线圈、高清摄像头、智能算法等；
步骤2012：将采集的数据按要求存入数据库；
步骤2013：数据预处理单元分析提取路况、配时方案等特征，用数学语言描述；
步骤2014：对交通指标进行归一化处理；
步骤2015：对延时、停留时间、流量等指标处理成评分形式，此时需注意对交通而言，延时、停留时间等是值越低越好，而对于评分而言，则是分数越高越好，所以相关指标需进行反向处理；
步骤2016：将以上处理好的数据转换成评分矩阵，传送给推荐模块102；由于不可能每种路况都应用过每一种配时方案，所以该矩阵是一个稀疏矩阵。
由于在所述数据模块101采集大量交通信息数据，使得交通控制策略资源不致浪费，并且为交通中通过分析数据、利用数据驱动解决问题成为可能，符合平行交通管理系统理念，同时使大量浪费的交通数据产生价值。
步骤202：对所述评估模块103设定该次任务的评定指标；
步骤203：推荐模块102接受来自数据模块101的稀疏矩阵，利用已有的交通状态对配时方案的“评分”，预测交通状态对其未使用过的配时方案的“评分”；从数学角度讲，该步骤即为矩阵填充。
如图4所示，所述步骤203进一步包括以下步骤：
步骤2031：所述抉择与控制融合单元向所述评估模块103询问该次训练任务的评估指标；
步骤2032：所述抉择与控制融合单元按指标选择推荐算法库里的算法对步骤201所得的稀疏评分矩阵进行学习训练；
步骤2033：若步骤2032所抉择的算法不止一种，则所述抉择与控制融合单元进行融合，融合包括算法融合或结果融合，如Bayes混合效用回归模型、结果线性平均等；
步骤2034：通过以上步骤训练学习后，利用步骤2033所得的最终模型，对评分矩阵进行预测填充；
经过步骤203，原先数据模块101所提供的稀疏评分矩阵会变成按各种指标填充的、相对密集的矩阵，这些矩阵或记录着交通状态历史的最优配时方案，或有预测的交通状态更优的配时方案，以便根据不同的需求，给相应的交通状态快速推荐最合适的配时方案。
步骤204：进一步优化步骤203所得到的评分矩阵；因为步骤203所得到的评分矩阵都是利用的历史数据，给某些交通状态推荐的历史存在的最优配时方案，但该最优配时方案未必能很好解决当前交通拥堵问题，所以需进一步优化。
所述步骤204进一步包括以下步骤：
步骤2041：进一步检查步骤203所得到的评分矩阵，设定相关阈值，该阈值是人为经验性设定的某个评分值，检测出该矩阵中分数低于该评分值的元素；
步骤2042：找出步骤2041中的元素对应的交通状态的数学表达，读取出相关特征；
步骤2043：根据交通状态的特征，选择合适的控制策略(如webster配时法、或其他一些更为精确但复杂度稍高的配时法)为其定制相应的配时方案，并预测该交通状态在该配时方案下的交通指标，转换成要求的“评分”；
步骤2044：步骤2043得到的数据整理后放入评分矩阵，进一步丰富评分矩阵；
经过步骤204，此时得到的评分矩阵不仅挖掘了历史数据信息，还个性化生成了新的更有价值的信息；该矩阵是通过数据驱动，采用无模型自适应思想，离线训练挖掘历史数据信息得到和完善的，这样既克服了实际交通场景建模不精确问题，又通过离线训练克服了实时性问题。
步骤205：状态评估单元接受当前实时路况，按数据模块101的方法分析处理成相应的数学表达，在步骤204得到的评分矩阵中寻找匹配路况；
步骤206：根据评分矩阵，给当前路况推荐最佳配时方案；
步骤207：执行模块104对当前路况执行所推荐的配时方案，并检测执行结果；
步骤208：执行模块104将相关结果作为交通反馈信息，传递给数据模块101；
步骤209：数据模块101接受反馈信息后，按要求处理数据；
步骤210：数据模块101和推荐模块102定期离线学习训练，不断更新推荐模块102中的评分矩阵。
当本发明的方法完全通过软件来实现时，本发明提供了一种基于ACP方法的交通信号推荐方法，包括以下步骤：
步骤201：采集交通信息，并处理成稀疏矩阵的格式；
步骤202：设定本次任务的评定指标；
步骤203：结合所述评定指标，对所述稀疏矩阵进行数据填充；
步骤204：使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵；
步骤205：分析当前路况，将其匹配至所述评分矩阵；
步骤206：根据所述评分矩阵，给当前路况推荐最佳配时方案；
步骤207：对当前路况执行推荐的所述最佳配时方案，并检测记录执行结果。
其中，步骤201进一步包括以下步骤：
步骤2011：数据采集单元采集交通数据，同时也接收反馈数据；
步骤2012：将采集的数据按要求存入数据库；
步骤2013：数据预处理单元分析提取路况、配时方案特征，用数学语言描述；
步骤2014：对交通指标进行归一化处理；
步骤2015：将延时、停留时间、流量等指标处理成评分形式；
步骤2016：将以上处理好的数据转换成评分矩阵。
其中，步骤203进一步包括以下步骤：
步骤2031：询问本次训练任务的评估指标；
步骤2032：按指标选择推荐算法库里的算法对得到的所述稀疏矩阵进行学习训练；
步骤2033：若所抉择的算法不止一种，则对其进行融合，所述融合包括算法融合或结果融合；
步骤2034：通过以上步骤训练学习后，将所述稀疏矩阵进行预测填充。
其中，步骤204进一步包括以下步骤：
步骤2041：进一步检查得到的所述稀疏矩阵，设定相关阈值，检测出该矩阵中分数低于某一阈值的元素；
步骤2042：找出所述稀疏矩阵中的元素对应的交通状态的数学表达，读取出相关特征；
步骤2043：根据交通状态的特征，选择合适的控制策略为其定制相应的配时方案，并预测该交通状态在该配时方案下的交通指标，转换成要求的“评分”；
步骤2044：将得到的数据整理后放入所述稀疏矩阵，进一步丰富所述稀疏矩阵。
优选地，在步骤207之后还包括：
步骤208：将相关交通数据作为反馈信息。
优选地，在步骤208之后还包括：
步骤210：定期学习训练，不断更新和丰富评分矩阵。
相应地，本发明还提供了一种基于ACP方法的交通信号推荐系统，包括：
采集交通信息，并处理成稀疏矩阵的格式的装置；
设定本次任务的评定指标的装置；
结合所述评定指标，对所述稀疏矩阵进行数据填充的装置；
使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵的装置；
分析当前路况，将其匹配至所述评分矩阵的装置；
根据所述评分矩阵，给当前路况推荐最佳配时方案的装置；
对当前路况执行推荐的所述最佳配时方案，并检测记录执行结果的装置。
其中，所述采集交通信息，并处理成稀疏矩阵的格式的装置进一步包括：
采集交通数据，同时也接收反馈数据的装置；
将采集的数据按要求存入数据库的装置；
分析提取路况、配时方案特征，用数学语言描述的装置；
对交通指标进行归一化处理的装置；
将延时、停留时间、流量等指标处理成评分形式的装置；
将以上处理好的数据转换成评分矩阵的装置。
其中，所述结合所述评定指标，对所述稀疏矩阵进行数据填充的装置进一步包括：
询问本次训练任务的评估指标的装置；
按指标选择推荐算法库里的算法，对得到的所述稀疏矩阵进行学习训练的装置；
若所抉择的算法不止一种，则对其进行融合的装置，所述融合包括算法融合或结果融合；
基于训练学习结果对所述稀疏矩阵进行预测填充的装置。
其中，所述使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵的装置进一步包括：
进一步检查得到的所述稀疏矩阵，设定相关阈值，检测出该矩阵中分数低于某一阈值的元素的装置；
找出所述稀疏矩阵中的元素对应的交通状态的数学表达，读取出相关特征的装置；
根据交通状态的特征，选择合适的控制策略为其定制相应的配时方案，并预测该交通状态在该配时方案下的交通指标，转换成要求的“评分”的装置；
将得到的数据整理后放入所述稀疏矩阵，进一步丰富所述稀疏矩阵的装置。
优选地，所述基于ACP方法的交通信号推荐系统进一步还包括将相关交通数据作为反馈信息的装置。
优选地，所述基于ACP方法的交通信号推荐系统进一步还包括定期学习训练，不断更新和丰富评分矩阵的装置。
通过本发明的上述方法，在交通环境日益复杂的今天，由于建立了极为丰富的数据库，可利用交通数据信息，挖掘出极具价值的信息，使得采集到的数据成为很可贵的资源；利用数据驱动，采用无模型自适应思想，忽略了实际交通场景中的难以建模的不确定因素，但以结果为导向，又保证了其作用不被忽略；所有大数据运算均在离线情况下定期执行，又保证了在线执行时的实时性。本发明基于ACP方法：所述数据模块101、推荐模块102和评估模块103组成人工系统，人工系统内部的交通状态等数据，相对于当前实际交通状态都是“虚拟”的，尽管其是虚拟的，但由于其数量的巨大和来源或生成方式的可靠等，其在某种程度上可代替现实；通过大量计算实验，为“虚拟”交通状态预测推荐最佳配时方案，结合现实交通状态，平行执行于现实，并记录反馈，实现对复杂交通系统的控制和管理。通过在交通仿真平台paramics等上的实验验证，本发明的推荐系统和方法取得了良好的效果，达到了开发要求。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (20)
1.一种基于ACP方法的交通信号推荐系统，包括：
数据模块(101)，包括数据采集单元、数据库和数据处理单元，用于采集来自实际的交通数据，存入数据库，并将其处理成要求格式后传递给推荐模块(102)；
推荐模块(102)，包括推荐算法库、抉择与控制融合单元、判断单元、控制算法单元、评分矩阵、状态评估单元，用于接收来自所述数据模块(101)的数据和评估模块(103)的指标，结合当前路况，推荐出最合适的配时方案，并将其传递给执行模块(104)；
评估模块(103)，用于按交通需求任务设定RMSE、准确率、召回率指标并提供给所述推荐模块(102)学习训练；
执行模块(104)，用于执行所述推荐模块(103)提供的配时方案，并监测相关交通数据，反馈给所述数据模块(101)。
2.根据权利要求1所述的基于ACP方法的交通信号推荐系统，其中，
所述推荐模块(102)包含检查单元和控制算法，可为相关交通状态生成较为适合的配时方案，并预测相应的交通指标。
3.根据权利要求1所述的基于ACP方法的交通信号推荐系统，其中所述推荐模块(102)定期训练学习，不管更新所述推荐模块(102)的评分矩阵。
4.一种基于ACP方法的交通信号推荐方法，包括以下步骤：
数据模块(101)采集交通信息，并处理成稀疏矩阵的格式传递给推荐模块(102)；
评估模块(103)设定本次任务的评定指标；
推荐模块(102)结合所述评定指标，对所述数据模块(101)传递的所述稀疏矩阵进行数据填充；
所述推荐模块(102)使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵；
所述推荐模块(102)的状态评估单元分析当前路况，将其匹配至所述评分矩阵；
根据所述评分矩阵，给当前路况推荐最佳配时方案；
执行模块(104)对当前路况执行推荐的所述最佳配时方案，并检测记录执行结果；
所述执行模块(104)将相关交通数据作为反馈信息，传递给所述数据模块(101)。
5.根据权利要求4所述的基于ACP方法的交通信号推荐方法，其中所述数据模块(101)采集交通信息，并处理成稀疏矩阵的格式传递给推荐模块(102)的步骤进一步包括以下步骤：
数据采集单元采集交通数据，同时也接收来自所述执行模块(104)的反馈数据；
将采集的数据按要求存入数据库；
数据预处理单元分析提取路况、配时方案特征，用数学语言描述；
对交通指标进行归一化处理；
将延时、停留时间、流量等指标处理成评分形式；
将以上处理好的数据转换成评分矩阵，传递给所述推荐模块(102)。
6.根据权利要求4所述的基于ACP方法的交通信号推荐方法，其中所述推荐模块(102)结合所述评定指标，对所述数据模块(101)传递的所述稀疏矩阵进行数据填充的步骤进一步包括以下步骤：
所述推荐模块(102)的抉择与控制融合单元向所述评估模块(103)询问本次训练任务的评估指标；
所述抉择与控制融合单元按指标选择推荐算法库里的算法对得到的所述稀疏矩阵进行学习训练；
若所述抉择与控制融合单元所抉择的算法不止一种，则所述抉择与控制融合单元对其进行融合，所述融合包括算法融合或结果融合；
通过以上步骤训练学习后，将所述稀疏矩阵进行预测填充。
7.根据权利要求4所述的基于ACP方法的交通信号推荐方法，其中所述推荐模块(102)使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵的步骤进一步包括以下步骤：
进一步检查得到的所述稀疏矩阵，设定相关阈值，检测出该矩阵中分数低于某一阈值的元素；
找出所述稀疏矩阵中的元素对应的交通状态的数学表达，读取出相关特征；
根据交通状态的特征，选择合适的控制策略为其定制相应的配时方案，并预测该交通状态在该配时方案下的交通指标，转换成要求的“评分”；
将得到的数据整理后放入所述稀疏矩阵，进一步丰富所述稀疏矩阵。
8.根据权利要求4所述的基于ACP方法的交通信号推荐方法，其中在所述执行模块(104)将相关交通数据作为反馈信息，传递给所述数据模块(101)的步骤之后还包括：
所述推荐模块(103)会定期学习训练，不断更新和丰富评分矩阵。
9.一种基于ACP方法的交通信号推荐系统，包括：
采集交通信息，并处理成稀疏矩阵的格式的装置；
设定本次任务的评定指标的装置；
结合所述评定指标，对所述稀疏矩阵进行数据填充的装置；
使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵的装置；
分析当前路况，将其匹配至所述评分矩阵的装置；
根据所述评分矩阵，给当前路况推荐最佳配时方案的装置；
对当前路况执行推荐的所述最佳配时方案，并检测记录执行结果的装置。
10.根据权利要求9所述的基于ACP方法的交通信号推荐系统，其中所述采集交通信息，并处理成稀疏矩阵的格式的装置进一步包括：
采集交通数据，同时也接收反馈数据的装置；
将采集的数据按要求存入数据库的装置；
分析提取路况、配时方案特征，用数学语言描述的装置；
对交通指标进行归一化处理的装置；
将延时、停留时间、流量等指标处理成评分形式的装置；
将以上处理好的数据转换成评分矩阵的装置。
11.根据权利要求9所述的基于ACP方法的交通信号推荐系统，其中所述结合所述评定指标，对所述稀疏矩阵进行数据填充的装置进一步包括：
询问本次训练任务的评估指标的装置；
按指标选择推荐算法库里的算法，对得到的所述稀疏矩阵进行学习训练的装置；
若所抉择的算法不止一种，则对其进行融合的装置，所述融合包括算法融合或结果融合；
基于训练学习结果对所述稀疏矩阵进行预测填充的装置。
12.根据权利要求9所述的基于ACP方法的交通信号推荐系统，其中所述使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵的装置进一步包括：
进一步检查得到的所述稀疏矩阵，设定相关阈值，检测出该矩阵中分数低于某一阈值的元素的装置；
找出所述稀疏矩阵中的元素对应的交通状态的数学表达，读取出相关特征的装置；
根据交通状态的特征，选择合适的控制策略为其定制相应的配时方案，并预测该交通状态在该配时方案下的交通指标，转换成要求的“评分”的装置；
将得到的数据整理后放入所述稀疏矩阵，进一步丰富所述稀疏矩阵的装置。
13.根据权利要求9所述的基于ACP方法的交通信号推荐系统，进一步还包括将相关交通数据作为反馈信息的装置。
14.根据权利要求9所述的基于ACP方法的交通信号推荐系统，进一步还包括定期学习训练，不断更新和丰富评分矩阵的装置。
15.一种基于ACP方法的交通信号推荐方法，包括以下步骤：
采集交通信息，并处理成稀疏矩阵的格式；
设定本次任务的评定指标；
结合所述评定指标，对所述稀疏矩阵进行数据填充；
使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵；
分析当前路况，将其匹配至所述评分矩阵；
根据所述评分矩阵，给当前路况推荐最佳配时方案；
对当前路况执行推荐的所述最佳配时方案，并检测记录执行结果。
16.根据权利要求15所述的基于ACP方法的交通信号推荐方法，其中所述采集交通信息，并处理成稀疏矩阵的格式的步骤进一步包括以下步骤：
数据采集单元采集交通数据，同时也接收反馈数据；
将采集的数据按要求存入数据库；
数据预处理单元分析提取路况、配时方案特征，用数学语言描述；
对交通指标进行归一化处理；
将延时、停留时间、流量等指标处理成评分形式；
将以上处理好的数据转换成评分矩阵。
17.根据权利要求15所述的基于ACP方法的交通信号推荐方法，其中所述结合评定指标，对所述稀疏矩阵进行数据填充的步骤进一步包括以下步骤：
询问本次训练任务的评估指标；
按指标选择推荐算法库里的算法对得到的所述稀疏矩阵进行学习训练；
若所抉择的算法不止一种，则对其进行融合，所述融合包括算法融合或结果融合；
通过以上步骤训练学习后，将所述稀疏矩阵进行预测填充。
18.根据权利要求15所述的基于ACP方法的交通信号推荐方法，其中所述使用控制算法进一步优化所述稀疏矩阵，生成评分矩阵的步骤进一步包括以下步骤：
进一步检查得到的所述稀疏矩阵，设定相关阈值，检测出该矩阵中分数低于某一阈值的元素；
找出所述稀疏矩阵中的元素对应的交通状态的数学表达，读取出相关特征；
根据交通状态的特征，选择合适的控制策略为其定制相应的配时方案，并预测该交通状态在该配时方案下的交通指标，转换成要求的“评分”；
将得到的数据整理后放入所述稀疏矩阵，进一步丰富所述稀疏矩阵。
19.根据权利要求15所述的基于ACP方法的交通信号推荐方法，在所述对当前路况执行推荐的所述最佳配时方案，并检测记录执行结果的步骤之后还包括：
将相关交通数据作为反馈信息。
20.根据权利要求15所述的基于ACP方法的交通信号推荐方法，其中在所述将相关交通数据作为反馈信息的步骤之后还包括：
定期学习训练，不断更新和丰富评分矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410373407.9A CN104123847B (zh) | 2014-07-31 | 2014-07-31 | 基于acp方法的交通信号推荐系统及相应方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410373407.9A CN104123847B (zh) | 2014-07-31 | 2014-07-31 | 基于acp方法的交通信号推荐系统及相应方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104123847A true CN104123847A (zh) | 2014-10-29 |
| CN104123847B CN104123847B (zh) | 2016-08-24 |
Family
ID=51769240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410373407.9A Active CN104123847B (zh) | 2014-07-31 | 2014-07-31 | 基于acp方法的交通信号推荐系统及相应方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104123847B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105550240A (zh) * | 2015-11-30 | 2016-05-04 | 浪潮通用软件有限公司 | 一种推荐的方法及装置 |
| CN107067759A (zh) * | 2017-03-20 | 2017-08-18 | 长沙理工大学 | 一种基于acp的平行交通信号灯实时控制方法 |
| CN107272683A (zh) * | 2017-06-19 | 2017-10-20 | 中国科学院自动化研究所 | 基于acp方法的平行智能车控制系统 |
| CN108900577A (zh) * | 2018-06-11 | 2018-11-27 | 青岛慧拓智能机器有限公司 | 一种基于人工车联网系统的车联网管理方法及系统 |
| CN109828750A (zh) * | 2019-01-09 | 2019-05-31 | 西藏纳旺网络技术有限公司 | 自动配置数据埋点的方法、装置、电子设备及存储介质 |
| CN110148296A (zh) * | 2019-04-16 | 2019-08-20 | 南京航空航天大学 | 一种基于深度迁移学习的跨城市交通流量联合预测方法 |
| CN112037539A (zh) * | 2020-07-31 | 2020-12-04 | 银江股份有限公司 | 一种用于饱和城市交通网络的信控方案推荐方法及系统 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110020750A (zh) * | 2019-03-28 | 2019-07-16 | 中广核工程有限公司 | 一种基于acp的平行应急疏散系统及其构建方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000036096A (ja) * | 1998-07-21 | 2000-02-02 | Matsushita Electric Ind Co Ltd | 交通管制方法および装置 |
| CN101308604A (zh) * | 2008-01-30 | 2008-11-19 | 吉林大学 | 大范围战略交通协调控制方法 |
-
2014
- 2014-07-31 CN CN201410373407.9A patent/CN104123847B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000036096A (ja) * | 1998-07-21 | 2000-02-02 | Matsushita Electric Ind Co Ltd | 交通管制方法および装置 |
| CN101308604A (zh) * | 2008-01-30 | 2008-11-19 | 吉林大学 | 大范围战略交通协调控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| 伦淑娴: "ACP理论的平行执行方式分类研究", 《自动化学报》 * |
| 宁滨等: "基于ACP方法的城市轨道交通平行系统体系研究", 《交通运输系统工程与信息》 * |
| 张会等: "平行系统理论在交通工程中的应用浅探", 《交通信息与安全》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105550240A (zh) * | 2015-11-30 | 2016-05-04 | 浪潮通用软件有限公司 | 一种推荐的方法及装置 |
| CN105550240B (zh) * | 2015-11-30 | 2018-11-27 | 浪潮通用软件有限公司 | 一种推荐的方法及装置 |
| CN107067759A (zh) * | 2017-03-20 | 2017-08-18 | 长沙理工大学 | 一种基于acp的平行交通信号灯实时控制方法 |
| CN107272683A (zh) * | 2017-06-19 | 2017-10-20 | 中国科学院自动化研究所 | 基于acp方法的平行智能车控制系统 |
| CN108900577A (zh) * | 2018-06-11 | 2018-11-27 | 青岛慧拓智能机器有限公司 | 一种基于人工车联网系统的车联网管理方法及系统 |
| CN108900577B (zh) * | 2018-06-11 | 2021-05-25 | 青岛慧拓智能机器有限公司 | 一种基于人工车联网系统的车联网管理方法及系统 |
| CN109828750A (zh) * | 2019-01-09 | 2019-05-31 | 西藏纳旺网络技术有限公司 | 自动配置数据埋点的方法、装置、电子设备及存储介质 |
| CN109828750B (zh) * | 2019-01-09 | 2022-07-19 | 西藏纳旺网络技术有限公司 | 自动配置数据埋点的方法、装置、电子设备及存储介质 |
| CN110148296A (zh) * | 2019-04-16 | 2019-08-20 | 南京航空航天大学 | 一种基于深度迁移学习的跨城市交通流量联合预测方法 |
| CN112037539A (zh) * | 2020-07-31 | 2020-12-04 | 银江股份有限公司 | 一种用于饱和城市交通网络的信控方案推荐方法及系统 |
| CN112037539B (zh) * | 2020-07-31 | 2021-11-16 | 银江技术股份有限公司 | 一种用于饱和城市交通网络的信控方案推荐方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104123847B (zh) | 2016-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104123847A (zh) | 基于acp方法的交通信号推荐系统及相应方法 | |
| CN110782042B (zh) | 横向联邦和纵向联邦联合方法、装置、设备及介质 | |
| WO2023061087A1 (zh) | 信息推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
| CN110414526B (zh) | 语义分割网络的训练方法、训练装置、服务器和存储介质 | |
| CN106777703A (zh) | 一种公交乘客实时分析系统及其构建方法 | |
| CN104112366B (zh) | 基于隐语义模型的交通信号优化方法 | |
| CN103942220A (zh) | 一种适用于it运维系统的工单智能关联知识库知识的方法 | |
| KR102574857B1 (ko) | 광고 콘텐츠 및 랜딩 페이지 자동 생성 시스템 | |
| CN111144281B (zh) | 基于机器学习的城市轨道交通od客流估计方法 | |
| CN110992307A (zh) | 基于yolo的绝缘子定位识别方法及装置 | |
| CN116485475A (zh) | 基于边缘计算的物联网广告系统、方法及装置 | |
| CN116957165A (zh) | 电厂施工工期进度优化方法 | |
| CN104299114A (zh) | 一种基于数据库的地产信息分析系统 | |
| CA2871676A1 (en) | System and method of designing models in a feedback loop | |
| Wang et al. | LSTM-based graph attention network for vehicle trajectory prediction | |
| CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
| WO2024174767A1 (zh) | 模型构建方法、装置、设备及存储介质 | |
| Lee et al. | Forecasting value of agricultural imports using a novel two-stage hybrid model | |
| CN116977784A (zh) | 一种目标检测方法、装置、设备及介质 | |
| Goenawan | ASTM: Autonomous Smart Traffic Management System Using Artificial Intelligence CNN and LSTM | |
| Han et al. | Dynamic project management: An application of system dynamics in construction engineering and management | |
| DE102022125815A1 (de) | Datenempfehlungen unter verwendung der abstammung zur verbreitung von wertindikatoren | |
| CN118012977B (zh) | 一种基于ai与gis融合的二三维多模态数据处理方法 | |
| CN204463115U (zh) | 一种数据分析设备 | |
| US20240037424A1 (en) | Methods and internet of things (iot) systems for managing operation progresses of smart gas pipeline networks |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220720 Address after: 266114 room 206-1, block D, Pangu maker space, No. 100, Torch Road, high tech Industrial Development Zone, Qingdao, Shandong Patentee after: QINGDAO VEHICLE INTELLIGENCE PIONEERS Inc. Address before: 100190 No. 95 East Zhongguancun Road, Beijing, Haidian District Patentee before: INSTITUTE OF AUTOMATION, CHINESE ACADEMY OF SCIENCES |
|
| TR01 | Transfer of patent right |