CN104677366A - 基于gps信息的道路地图更新方法 - Google Patents
基于gps信息的道路地图更新方法 Download PDFInfo
- Publication number
- CN104677366A CN104677366A CN201510122265.3A CN201510122265A CN104677366A CN 104677366 A CN104677366 A CN 104677366A CN 201510122265 A CN201510122265 A CN 201510122265A CN 104677366 A CN104677366 A CN 104677366A
- Authority
- CN
- China
- Prior art keywords
- value
- calculate
- state
- variance
- road
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明属于信息科学工程领域,特别是涉及一种基于GPS信息的道路预测与修正方法研究。该方法是将已有道路看做一个状态空间,利用EM算法和Kalman算法对其状态空间模型中的未知参数进行估计,最后利用估计出的状态空间模型和Kalman滤波算法对新修道路进行预测与修正。本发明首次将这一方法运用到道路预测与修正这一研究方向,解决了地图更新速度较慢的问题,该算法具有及时有效的优点。
Description
技术领域:
本发明提出了一种新的道路地图的更新方法,更具体的说是一种通过对状态空间的模型估计提高道路地图准确性的方法,属于信息工程领域。
背景技术:
近年来,随着城市化的发展,越来越多的人通过导航软件来寻找快捷方便的出行路线。在导航软件中,交通地图的及时更新对导航软件的使用效果起到关键作用。目前,我国很多城市都在进行道路重建,随之会带来道路形状的变化、道路消失和新道路的产生等情况。对于这些情况,国家权威机构至少需要半年至一年的时间来完成测绘与确定,在此之后,导航软件才会更新交通地图。因此,面对城市中大量的道路建设,如何及时更新交通地图是个需要迫切解决的问题。
本发明所采用的数据是由车辆反馈的GPS经纬度信息。当车辆行驶在高楼林立的市区或隧道或立交桥下时,GPS的定位效果较差甚至是无法定位,为此,研究学者们利用车辆的行驶方向和距离信息来推算车辆的瞬时位置,将GPS定位和航位推算(Dead—Reckoning,DR)结合,确保车辆定位系统的精度,但是定位传感器也存在着测量误差,GPS/DR组合定位还是无法提供足够高的定位精度。这就需要借助地图匹配定位修正方法来提高定位精度,目前常用的地图匹配算法有:基于代价函数的地图匹配算法、基于D—S证据推理的地图匹配算法、基于模糊逻辑的地图匹配算法等,这些算法在减少系统定位误差方面各有优缺点。传统的方法对误差处理不足,而本发明提出的方法能够对状态空间中的观测噪声和传递噪声进行更精确的估计,进一步提高GPS的定位精度,保证道路匹配的准确度。
发明内容:
基于GPS信息的道路地图更新方法包括:对地图上已经标示的道路建立状态空间模型,模型中的未知参数包括传递矩阵、观测矩阵、传递噪声及其观测噪声的方差,初始状态的均值及其方差,对模型中的所有未知参数进行初始化,利用卡尔曼滤波算法求出各个时刻对应的状态的滤波值、预测值及其对应的方差的滤波值、预测值,再利用各个时刻的状态、方差的预测值和卡尔曼平滑算法求出各个时刻对应的平滑值,然后计算状态变量和观测变量的对数似然函数及其关于在给定参数和观测变量下的状态变量的密度函数的期望,对该期望关于参数求偏导,令其为0,求出使其期望达到最大的参数,更新参数直至收敛,这样就可得到观测矩阵、传递矩阵、观测噪声的方差、传递噪声的方差、初始状态的均值及其方差的估计,再将估计出的参数代入状态空间模型中,利用卡尔曼滤波算法求出一步预测值,作为与之连接的未标识道路的初始值,最后利用得到的状态空间模型和卡尔曼滤波算法对未标识的道路进行预测及修正,及时更新道路地图信息。
该发明的优点是所使用的信息是时域上的量,可对非平稳的随机过程进行处理,将信号看成是白噪声作用下的一个线性系统的输出,用状态方程来描述输入与输出的关系,然后从期望最大化的角度估计出状态方程中的观测矩阵、传递矩阵、观测噪声的方差、传递噪声的方差、初始状态的均值及其方差,采用的迭代算法能实时、快速地计算道路的经纬度。
附图说明:
图1是该方法的流程图
具体实施方式:
实例1,本发明包含如下步骤:
步骤1:对于地图上已标示道路的经纬度信息样本总量为T,样本(即观测变量)记为yt,t=1,2,3,…,T,设初始状态x0服从均值为x0|0、方差为P0|0的高斯分布,传递噪声ηt独立同分布,服从均值为0、方差为Q的高斯分布,观测噪声εt独立同分布,服从均值为0、方差为R的高斯分布,且初始状态x0、传递噪声ηt和观测噪声εt相互独立,F为传递矩阵,H为观测矩阵,at,bt分别表示道路的经纬度信息,状态变量 其中未知参数记为θ={F,H,Q,R,x0|0,P0|0},将其初始化,记 在以下的步骤中,涉及参数F,H,Q,R,x0|0,P0|0的计算时均使用θold中的参数的对应值,对已知的道路信息进行状态空间建模
步骤2:记x0:T={x0,x1,…,xT},y1:T={y1,y2,…,yT},n=2为观测变量的维度,m=2为状态变量的维度,公式中涉及的撇号表示矩阵的转置,根据步骤1中的模型假设,求出完全数据(x0:T,y1:T)的对数似然函数的表达式
步骤3:利用θold中的F,Q,x0|0和P0|0的值计算状态空间中的一步预测值x1|0和P1|0,具体实施公式如下
x1|0=Fx0|0
P1|0=FP0|0F′+Q
步骤4:利用卡尔曼滤波算法和步骤3中得到的x1|0和P1|0求出各个时刻对应的状态滤波值xt|t、状态方差滤波值Pt|t、状态的一步预测值xt+1|t和状态方差的一步预测值Pt+1|t,其中t=1,2,3,…,T,具体的迭代计算步骤为:
(1)令t=1;
(2)利用t时刻的观测值yt和状态的一步预测值xt|t-1,计算
(3)利用t时刻状态的方差的一步预测值Pt|t-1,计算Dt=HPt|t-1H′+R;
(4)利用xt|t-1、Pt|t-1和(2)、(3)步中得到的Dt,计算该时刻状态的滤波值
(5)利用Pt|t-1和(2)、(3)步中得到的Dt,计算该时刻方差的滤波值
(6)利用Pt|t-1和(3)中得到的Dt,计算Kt=FPt|t-1H′Dt -1
(7)利用xt|t-1和(2)、(6)中得到的Kt,计算下一时刻的预测值
(8)利用Pt|t-1和(3)、(6)中得到的Dt、Kt,计算下一时刻方差的预测值Pt+1|t=FPt|t-1F′+Q-KtDtKt′
(9)若t=T,迭代计算结束,否则,令t=t+1,返回到(2)
步骤5:利用步骤4得到的各个时刻的预测值xt+1|t、Pt+1|t和卡尔曼平滑算法求出各个时刻对应的状态平滑值xt|T和方差平滑值Pt|T,其中t=0,1,2,3,…,T,具体的迭代计算步骤为:
(1)令t=T,且初始化ut=Ut=0;
(2)利用t时刻的观测值yt和步骤4得到的状态预测值xt|t-1,计算
(3)利用步骤4得到的t时刻方差的预测值Pt|t-1,计算Dt=HPt|t-1H′+R;
(4)利用步骤4得到的Pt|t-1和(3)步中得到的Dt,计算Kt=FPt|t-1H′Dt -1
(5)利用(4)得到的Kt,计算Lt=F-KtH
(6)利用(2)、(3)、(5)中得到的Dt和Lt,计算
(7)利用(3)、(5)中得到的Dt、Lt,计算
(8)利用步骤4中得到的xt|t-1、Pt|t-1和(6)中得到的ut-1,计算t时刻的状态平滑值xt|T=xt|t-1+Pt|t-1ut-1
(9)利用步骤4中得到的Pt|t-1和(7)中得到的Ut-1,计算t时刻的方差平滑值Pt|T=Pt|t-1-Pt|t-1Ut-1Pt|t-1
(10)若t=1,迭代计算结束,否则,令t=t-1,返回到(2)
(11)令t=0,利用步骤3所得的x1|0,P1|0和(8)、(9)所得的x1|T、P1|T,计算
步骤6:利用步骤4得到的方差的滤波值Pt|t和预测值Pt+1|t,计算Pt,t-1|T,t=1,2,3,…,T具体的迭代计算步骤为:
(1)令t=T,计算PT,T-1|T=[I-PT|T-1H′(HPT|T-1H′+R)-1H]FPT-1|T-1
(2)令t=t-1,计算 循环执行(2),直至t=1
步骤7:求出步骤2中对数似然函数lnp(x0:T,y1:T|θ)关于p(x0:T|y1:T,θold)的期望
记 将上述公式整理后可得:
步骤8:对E[lnp(x0:T,y1:T|θ)]关于参数求最大值,具体实施方式为对E[lnp(x0:T,y1:T|θ)]关于参数F,H,R-1,Q-1,x0|0,求偏导并令其为0,解方程组后得到参数的更新结果如下:
解得:
解得:
解得:
解得:
解得:x0|0=x0|T
解得:P0|0=P0|T
则记更新后的参数为θnew={F,Q,R,x0|0,P0|0};
步骤9:检验参数是否收敛。具体实施方式是设定一个阈值,比如10-6,检验|θnew-θold|是否小于该阈值,如果小于该阈值,进入步骤10,否则,令θold=θnew,返回到步骤3;
步骤10:得到相应的参数估计θnew后,更新状态空间的初始值x1|0和P1|0,具体实施如下
x1|0=Fx0|0
P1|0=FP0|0F′+Q
步骤11:利用所得的状态空间模型和卡尔曼滤波算法对新的道路信息进行预测和修正,初始值取为原有道路信息的一步预测值。具体实施方式为利用θnew,执行步骤4,利用步骤4所得的xT+1|T和PT+1|T作为新的道路的初始值,再将θnew代入步骤1中建立的状态空间模型,作为与该已知道路相连接的新的道路的状态空间模型,在实际应用时按相同的时间间隔读取新的道路的经纬度信息,利用卡尔曼滤波对读取到的经纬度信息进行预测与修正,迭代计算公式与步骤4中的公式相同。
Claims (4)
1.一种基于GPS信息的道路地图的更新方法,其特征在于它包括如下步骤:
步骤1:对于地图上已标示道路的经纬度信息样本总量为T,样本(即观测变量)记为yt,t=1,2,3,…,T,设初始状态x0服从均值为x0|0、方差为P0|0的高斯分布,传递噪声ηt独立同分布,服从均值为0、方差为Q的高斯分布,观测噪声εt独立同分布,服从均值为0、方差为R的高斯分布,且初始状态x0、传递噪声ηt和观测噪声εt相互独立,F为传递矩阵,H为观测矩阵,at,bt分别表示道路的经纬度信息,状态变量 其中未知参数记为θ={F,H,Q,R,x0|0,P0|0},将其初始化,记 在以下的步骤中,涉及参数F,H,Q,R,x0|0,P0|0的计算时均使用θold中的参数的对应值,对已知的道路信息进行状态空间建模
步骤2:记x0:T={x0,x1,…,xT},y1:T={y1,y2,…,yT},n=2为观测变量的维度,m=2为状态变量的维度,公式中涉及的撇号表示矩阵的装置,根据模型假设,求出完全数据(x0:T,y1:T)的对数似然函数的表达式
步骤3:利用θold中的F,Q,x0|0和P0|0的值计算状态空间中的一步预测值x1|0和P1|0,具体实施公式如下
x1|0=Fx0|0
P1|0=FP0|0F′+Q;
步骤4:利用卡尔曼滤波算法和x1|0和P1|0求出各个时刻对应的状态滤波值xt|t、状态方差滤波值Pt|t、状态的一步预测值xt+1|t和状态方差的一步预测值Pt+1|t,其中t=1,2,3,…,T;
步骤5:利用步骤4得到的各个时刻的预测值xt+1|t、Pt+1|t和卡尔曼平滑算法求出各个时刻对应的状态平滑值xt|T和方差平滑值Pt|T,其中t=0,1,2,3,…,T;
步骤6:利用t时刻方差的滤波值Pt|t和t+1时刻方差的预测值Pt+1|t,计算Pt,t-1|T;
步骤7:求出步骤2中对数似然函数lnp(x0:T,y1:T|θ)关于p(x0:T|y1:T,θold)的期望
其中,
步骤8:对E[lnp(x0:T,y1:T|θ)]关于参数求最大值,具体实施方式为对E[lnp(x0:T,y1:T|θ)]关于参数F,H,R-1,Q-1,x0|0,求偏导并令其为0,解方程组后得到参数的更新结果如下: x0|0=x0|T,P0|0=P0|T,记更新后的参数为θnew={F,Q,R,x0|0,P0|0};
步骤9:检验参数是否收敛。具体实施方式是设定一个阈值,比如10-6,检验|θnew-θold|是否小于该阈值,如果小于该阈值,进入下一步骤,否则,令θold=θnew,返回到步骤3;
步骤10:得到相应的参数估计θnew后,更新状态空间的初始值x1|0和P1|0,具体实施如下
x1|0=Fx0|0
P1|0=FP0|0F′+Q;
步骤11:利用所得的状态空间模型和卡尔曼滤波算法对新的道路信息进行预测和修正,初始值取为原有道路信息的一步预测值。具体实施方式为利用θnew,重新计算xT+1|T和PT+1|T,利用所得的xT+1|T和PT+1|T作为新的道路的初始值,再将θnew代入建立的状态空间模型,作为与该已知道路相连接的新的道路的状态空间模型,在实际应用时按相同的时间间隔读取新的道路的经纬度信息,利用卡尔曼滤波对读取到的经纬度信息进行预测与修正。
2.按照权利要求1所述的基于GPS信息的道路地图的更新方法,其特征在于,步骤4中具体的迭代计算步骤为:
(1)令t=1;
(2)利用t时刻的观测值yt和状态的一步预测值xt|t-1,计算
(3)利用t时刻状态的方差的一步预测值Pt|t-1,计算Dt=HPt|t-1H′+R;
(4)利用xt|t-1、Pt|t-1和(2)、(3)步中得到的Dt,计算该时刻状态的滤波值
(5)利用Pt|t-1和(2)、(3)步中得到的Dt,计算该时刻方差的滤波值
(6)利用Pt|t-1和(3)中得到的Dt,计算
(7)利用xt|t-1和(2)、(6)中得到的Kt,计算下一时刻的预测值
(8)利用Pt|t-1和(3)、(6)中得到的Dt、Kt,计算下一时刻方差的预测值
(9)若t=T,迭代计算结束,否则,令t=t+1,返回到(2)。
3.按照权利要求1所述的基于GPS信息的道路地图的更新方法,其特征在于,步骤5中具体的迭代计算步骤为:
(1)令t=T,且初始化ut=Ut=0;
(2)利用t时刻的观测值yt和状态预测值xt|t-1,计算
(3)利用t时刻方差的预测值Pt|t-1,计算Dt=HPt|t-1H′+R;
(4)利用t时刻方差的预测值Pt|t-1和(3)步中得到的Dt,计算
(5)利用(4)得到的Kt,计算Lt=F-KtH;
(6)利用(2)、(3)、(5)中得到的Dt和Lt,计算
(7)利用(3)、(5)中得到的Dt、Lt,计算
(8)利用t时刻状态和方差的预测值xt|t-1、Pt|t-1和(6)中得到的ut-1,计算t时刻的状态平滑值xt|T=xt|t-1+Pt|t-1ut-1;
(9)利用t时刻方差的预测值Pt|t-1和(7)中得到的Ut-1,计算t时刻的方差平滑值Pt|T=Pt|t-1-Pt|t-1Ut-1Pt|t-1;
(10)若t=1,迭代计算结束,否则,令t=t-1,返回到(2);
(11)令t=0,利用x1|0,P1|0和(8)、(9)所得的x1|T、P1|T,计算
4.按照权利要求1所述的基于GPS信息的道路地图的更新方法,其特征在于,步骤6中具体的迭代计算步骤为:
(1)令t=T,计算PT,T-1|T=[I-PT|T-1H′(HPT|T-1H′+R)-1H]FPT-1|T-1;
(2)令t=t-1,计算 循环执行(2),直至t=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510122265.3A CN104677366B (zh) | 2015-03-19 | 2015-03-19 | 基于gps信息的道路地图更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510122265.3A CN104677366B (zh) | 2015-03-19 | 2015-03-19 | 基于gps信息的道路地图更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104677366A true CN104677366A (zh) | 2015-06-03 |
CN104677366B CN104677366B (zh) | 2019-05-07 |
Family
ID=53312733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510122265.3A Active CN104677366B (zh) | 2015-03-19 | 2015-03-19 | 基于gps信息的道路地图更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104677366B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111478929A (zh) * | 2019-01-23 | 2020-07-31 | 大唐移动通信设备有限公司 | 一种视频业务数据的传输方法及装置 |
US10896539B2 (en) | 2018-06-22 | 2021-01-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for updating highly automated driving maps |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101297337A (zh) * | 2005-09-29 | 2008-10-29 | 微软公司 | 采用开放和闭合世界建模方法从局部轨迹预测目的地的方法 |
CN101592492A (zh) * | 2009-07-06 | 2009-12-02 | 北京航空航天大学 | 车载导航系统误差协方差阵部分参数自适应调节的方法 |
US20130069819A1 (en) * | 2010-02-22 | 2013-03-21 | Elbit Systems Ltd. | Three dimensional radar system |
CN103727947A (zh) * | 2013-12-27 | 2014-04-16 | 北京苍穹数码测绘有限公司 | 基于ukf滤波的bds与gis深耦合定位方法和系统 |
-
2015
- 2015-03-19 CN CN201510122265.3A patent/CN104677366B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101297337A (zh) * | 2005-09-29 | 2008-10-29 | 微软公司 | 采用开放和闭合世界建模方法从局部轨迹预测目的地的方法 |
CN101592492A (zh) * | 2009-07-06 | 2009-12-02 | 北京航空航天大学 | 车载导航系统误差协方差阵部分参数自适应调节的方法 |
US20130069819A1 (en) * | 2010-02-22 | 2013-03-21 | Elbit Systems Ltd. | Three dimensional radar system |
CN103727947A (zh) * | 2013-12-27 | 2014-04-16 | 北京苍穹数码测绘有限公司 | 基于ukf滤波的bds与gis深耦合定位方法和系统 |
Non-Patent Citations (5)
Title |
---|
KIM, J (KIM, JIBUM),等: ""A Hybrid Algorithm for Online Location Update using Feature Point Detection for Portable Devices"", 《KSII TRANSACTIONS ON INTERNET AND INFORMATION SYSTEMS》 * |
吴纪桃,等: ""小波理论用于地图数据处理中若干理论问题的探讨"", 《测绘学报》 * |
李传君,等: ""基于GPS测量数据的GIS数据库更新算法研究"", 《测绘通报》 * |
李德仁,等: ""车载GPS道路信息采集和更新系统研究"", 《武汉测绘科技大学学报》 * |
石杏喜: ""面向智能移动机器人的定位技术研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10896539B2 (en) | 2018-06-22 | 2021-01-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for updating highly automated driving maps |
CN111478929A (zh) * | 2019-01-23 | 2020-07-31 | 大唐移动通信设备有限公司 | 一种视频业务数据的传输方法及装置 |
CN111478929B (zh) * | 2019-01-23 | 2021-06-11 | 大唐移动通信设备有限公司 | 一种视频业务数据的传输方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104677366B (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Velaga et al. | Developing an enhanced weight-based topological map-matching algorithm for intelligent transport systems | |
Dunne et al. | Regime-based short-term multivariate traffic condition forecasting algorithm | |
Zhan et al. | Urban link travel time estimation using large-scale taxi data with partial information | |
Cheng et al. | A big data based deep learning approach for vehicle speed prediction | |
Hashemi et al. | A critical review of real-time map-matching algorithms: Current issues and future directions | |
CN110631594B (zh) | 基于复杂轨迹网络划分模型的离线地图匹配方法和系统 | |
CN103927872B (zh) | 一种基于浮动车数据预测多时段行程时间分布的方法 | |
Cascetta et al. | Dynamic estimators of origin-destination matrices using traffic counts | |
Shaygan et al. | Traffic prediction using artificial intelligence: review of recent advances and emerging opportunities | |
JP5563305B2 (ja) | 道路のデジタルモデル構築方法 | |
CN110736471B (zh) | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 | |
CN104062671B (zh) | 曲率约束的gnss浮动车地图匹配方法及装置 | |
CN101957208B (zh) | 一种基于浮动车技术的新增道路发现方法 | |
CN112382091A (zh) | 一种道路积水预警方法及装置 | |
Belhajem et al. | Improving vehicle localization in a smart city with low cost sensor networks and support vector machines | |
CN106097717A (zh) | 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法 | |
Blazquez et al. | Simple map-matching algorithm applied to intelligent winter maintenance vehicle data | |
CN109377758B (zh) | 一种行驶时间预估方法及系统 | |
Gao et al. | Short-term traffic speed forecasting using a deep learning method based on multitemporal traffic flow volume | |
CN104900057A (zh) | 一种城市快速路主辅道的浮动车地图匹配方法 | |
CN110986965A (zh) | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 | |
CN101807348B (zh) | 一种动态网络导航系统及方法 | |
CN104677366A (zh) | 基于gps信息的道路地图更新方法 | |
Wu et al. | A heuristic map-matching algorithm by using vector-based recognition | |
Kumar et al. | Analytical approach to identify the optimum inputs for a bus travel time prediction method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Room R539, Building 2, Zijin Yougu, No. 12 Qizhou East Road, Jiangning District, Nanjing City, Jiangsu Province, 211100 Applicant after: Nanjing Yi Kai data analysis technique company limited Address before: Room 5310, Dongshan International Enterprise R&D Park, Block 33 A, Dongshan Street, Jiangning District, Nanjing, Jiangsu Province, 211100 Applicant before: Nanjing Yi Kai data analysis technique company limited |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |