CN107256631A - 一种车辆轨迹数据聚合运算方法 - Google Patents

一种车辆轨迹数据聚合运算方法 Download PDF

Info

Publication number
CN107256631A
CN107256631A CN201710671969.5A CN201710671969A CN107256631A CN 107256631 A CN107256631 A CN 107256631A CN 201710671969 A CN201710671969 A CN 201710671969A CN 107256631 A CN107256631 A CN 107256631A
Authority
CN
China
Prior art keywords
data
vehicle
track
information
operation 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.)
Pending
Application number
CN201710671969.5A
Other languages
English (en)
Inventor
倪杰
施亚萍
夏霆
喻宇
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.)
Nanjing Yingsite Network Technology Co Ltd
Original Assignee
Nanjing Yingsite Network 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 Nanjing Yingsite Network Technology Co Ltd filed Critical Nanjing Yingsite Network Technology Co Ltd
Priority to CN201710671969.5A priority Critical patent/CN107256631A/zh
Publication of CN107256631A publication Critical patent/CN107256631A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆轨迹数据聚合运算方法，该方法是基于大量车辆GPS位置数据、车辆状态数据，结合复杂但经过优化的应用程序运算过程，以获得满足前端地图页面快速、准确显示车辆轨迹与状态信息数据内容的聚合运算方法，解决了现有技术中存在海量位置与状态数据同时在前端地图页面上展示的性能问题。

Description

一种车辆轨迹数据聚合运算方法
技术领域
本发明涉及车辆运管领域，特别是涉及一种车辆轨迹数据聚合运算方法。
背景技术
随着互联网科技技术的飞速发展，基于地理位置的服务与产品也越来越多，各类政企单位、特别是有大量车辆资源的物流行业为提升自身管理水平与工作效率，都有利用基于位置数据的信息化系统对车辆资源进行管理的需求，而车辆的运行轨迹数据的应用又是其中必不可少的部分。
车辆的运行轨迹数据是指车辆实际运行过程中由车载智能终端采集并上传的GPS地理位置数据，同时也包含了车辆的瞬时状态信息数据。通常车载终端采集上传GPS数据的频率都是秒级的，假设每秒采集上传一条GPS数据，每辆车一个小时就有3600条数据，一天按8小时计算就有28800条数据，如果将这些数据直接在前端页面中展示是不可能有良好的用户体验的，所以就需要有一种先进的数据优化聚合运算方法来对数据进行预先处理，对数据精简优化后再提供给前端展示。
当前一些类似应用中，为了解决该问题，大多采用限制每次获取数据总量、按固定时间间隔筛选获取部分数据、仅获取单一的位置数据等方法，这样做虽然可以解决前端展示的性能问题，但是同时会存在无法满足用户实际需求的问题。
发明内容
一种车辆轨迹数据聚合运算方法，其步骤包括：
(1)根据用户输入的时间段、车辆信息条件，从数据源获取车辆原始位置与状态信息数据集合；
(2)对原始数据进行预处理，抽取出位置的经纬度信息、车辆状态信息，并按照时间排好顺序；
(3)根据车辆状态对位置数据进行分组，将连续状态的数据归为一组，同时对不同状态的数据进行不同的处理：运动状态的数据保留全部数据，车辆位置未变更或位移速度与距离小于设定参数值的数据仅保留起止位置数据；
(4)对步骤(3)得到的数据进行进一步处理，计算找出合适的起点、终点位置数据，根据当前地图级别参数，对分组数据中车辆运动状态的数据进行运算，计算各位置点之间的距离、位移速度、数据采集时间间隔，通过运算筛选得出符合时差、距离配置的新的位置数据集合，同时通过计算得出各分组即各状态持续时间内的汇总信息，通过运算得到的数据集合应当比原始数据更加精简，且位置数据可以在地图中连接成均匀、平顺的轨迹线条；
(5)获取车辆指定时间段内告警信息内容、车辆方向信息，通过运算将这些数据关联到时间最接近的位置数据中，形成按时间排列的车辆位置、状态、告警、方向信息的完整数据集合；
(6)将程序运算得到的数据返回，并提供给前端进行展示。
优选的，所述步骤(1)中的数据源为已经建立好的车辆历史轨迹数据库。
优选的，所述步骤(4)中数据进一步处理，寻找合适起点和终点数据的方法为BP神经网络方法。
优选的，所述车辆历史数据库建立过程如下：车辆在运行过程中，通过GPS向总控制中心上传运行状态信息，总控制中心以天为单位将信息按照高峰、平峰、夜间进行分类整理后存储，同时更新历史数据库。
优选的，所述BP神经网络方法采用三层结构的BP神经网络，其中输入层为影响物流运输效率的主要因素，输出层为最佳平均行程时间，隐层的神经元个数由输入神经元个数和输出神经元个数决定，通常采用以下公式获得：L＝Nm/(n+m)，其中m和n为输出、输入神经元数，L为隐层神经元数，N为样本容量。
优选的，所述输入层中影响物流运输效率的主要因素包括不同时段车辆的行程时间、交叉口数量、物流运载量、线路长度、路况及天气条件。
有益效果：本发明提供了一种车辆轨迹数据聚合运算方法，该方法是基于大量车辆GPS位置数据、车辆状态数据，结合复杂但经过优化的应用程序运算过程，以获得满足前端地图页面快速、准确显示车辆轨迹与状态信息数据内容的聚合运算方法，解决了现有技术中存在海量位置与状态数据同时在前端地图页面上展示的性能问题，所述步骤(1)中的数据源为已经建立好的车辆历史轨迹数据库，所述车辆历史数据库建立过程如下：车辆在运行过程中，通过GPS向总控制中心上传运行状态信息，总控制中心以天为单位将信息按照高峰、平峰、夜间进行分类整理后存储，同时更新历史数据库，该数据库能够成为GPS实时传输数据处理的依据，本方法依托数据库形成聚合运算的法则，实时数据根据法则即可进行运算，所述步骤(4)中数据进一步处理，寻找合适起点和终点数据的方法为BP神经网络方法，所述BP神经网络方法采用三层结构的BP神经网络，其中输入层为影响物流运输效率的主要因素，输出层为最佳平均行程时间，隐层的神经元个数由输入神经元个数和输出神经元个数决定，通常采用以下公式获得：L＝Nm/(n+m)，其中m和n为输出、输入神经元数，L为隐层神经元数，N为样本容量，本发明能够通过该算法计算出每条路线中物流的最佳路线，所述输入层中影响物流运输效率的主要因素包括不同时段车辆的行程时间、交叉口数量、物流运载量、线路长度、路况及天气条件，通过该因素的采集，能够较为全面的考虑影响物流运输的影响因素，便于计算出最佳路径，实现前端的最佳路径展示。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
一种车辆轨迹数据聚合运算方法，其步骤包括：
(1)根据用户输入的时间段、车辆信息条件，从数据源获取车辆原始位置与状态信息数据集合，数据源为已经建立好的车辆历史轨迹数据库，车辆历史数据库建立过程如下：车辆在运行过程中，通过GPS向总控制中心上传运行状态信息，总控制中心以天为单位将信息按照高峰、平峰、夜间进行分类整理后存储，同时更新历史数据库；
(2)对原始数据进行预处理，抽取出位置的经纬度信息、车辆状态信息，并按照时间排好顺序；
(3)根据车辆状态对位置数据进行分组，将连续状态的数据归为一组，同时对不同状态的数据进行不同的处理：运动状态的数据保留全部数据，车辆位置未变更或位移速度与距离小于设定参数值的数据仅保留起止位置数据；
(4)对步骤(3)得到的数据通过BP神经网络方法进行进一步处理，计算找出合适的起点、终点位置数据，BP神经网络方法采用三层结构的BP神经网络，其中输入层为影响物流运输效率的主要因素，输出层为最佳平均行程时间，隐层的神经元个数由输入神经元个数和输出神经元个数决定，通常采用以下公式获得：L＝Nm/(n+m)，其中m和n为输出、输入神经元数，L为隐层神经元数，N为样本容量，输入层中影响物流运输效率的主要因素包括不同时段车辆的行程时间、交叉口数量、物流运载量、线路长度、路况及天气条件，根据当前地图级别参数，对分组数据中车辆运动状态的数据进行运算，计算各位置点之间的距离、位移速度、数据采集时间间隔，通过运算筛选得出符合时差、距离配置的新的位置数据集合，同时通过计算得出各分组即各状态持续时间内的汇总信息，通过运算得到的数据集合应当比原始数据更加精简，且位置数据可以在地图中连接成均匀、平顺的轨迹线条；
(5)获取车辆指定时间段内告警信息内容、车辆方向信息，通过运算将这些数据关联到时间最接近的位置数据中，形成按时间排列的车辆位置、状态、告警、方向信息的完整数据集合；
(6)将程序运算得到的数据返回，并提供给前端进行展示。
抽取各实施例的样品进行检测分析，并与现有技术进行对照，得出如下数据：
根据上述表格数据可以得出，当实施例1车辆轨迹数据聚合运算方法，聚合运算拟合度为0.935，物流运输效率提升率为35％，执行出错率为0.5‰，执行精度为0.001，而现有技术标准聚合运算拟合度为0.783，物流运输效率提升率为15％，执行出错率为0.8‰，执行精度为0.010，这表明本发明车辆轨迹数据聚合运算方法，运算的拟合度高，因此得到的实时反馈信息更加准确，这使得物流运输效率得到更大的提高，且本方法执行的出错率低，执行的精度高，因此本发明具有显著的优越性。
本发明提供了一种车辆轨迹数据聚合运算方法，该方法是基于大量车辆GPS位置数据、车辆状态数据，结合复杂但经过优化的应用程序运算过程，以获得满足前端地图页面快速、准确显示车辆轨迹与状态信息数据内容的聚合运算方法，解决了现有技术中存在海量位置与状态数据同时在前端地图页面上展示的性能问题，所述步骤(1)中的数据源为已经建立好的车辆历史轨迹数据库，所述车辆历史数据库建立过程如下：车辆在运行过程中，通过GPS向总控制中心上传运行状态信息，总控制中心以天为单位将信息按照高峰、平峰、夜间进行分类整理后存储，同时更新历史数据库，该数据库能够成为GPS实时传输数据处理的依据，本方法依托数据库形成聚合运算的法则，实时数据根据法则即可进行运算，所述步骤(4)中数据进一步处理，寻找合适起点和终点数据的方法为BP神经网络方法，所述BP神经网络方法采用三层结构的BP神经网络，其中输入层为影响物流运输效率的主要因素，输出层为最佳平均行程时间，隐层的神经元个数由输入神经元个数和输出神经元个数决定，通常采用以下公式获得：L＝Nm/(n+m)，其中m和n为输出、输入神经元数，L为隐层神经元数，N为样本容量，本发明能够通过该算法计算出每条路线中物流的最佳路线，所述输入层中影响物流运输效率的主要因素包括不同时段车辆的行程时间、交叉口数量、物流运载量、线路长度、路况及天气条件，通过该因素的采集，能够较为全面的考虑影响物流运输的影响因素，便于计算出最佳路径，实现前端的最佳路径展示。
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (6)

1.一种车辆轨迹数据聚合运算方法，其特征在于，其制备步骤包括：
(1)根据用户输入的时间段、车辆信息条件，从数据源获取车辆原始位置与状态信息数据集合；
(2)对原始数据进行预处理，抽取出位置的经纬度信息、车辆状态信息，并按照时间排好顺序；
(3)根据车辆状态对位置数据进行分组，将连续状态的数据归为一组，同时对不同状态的数据进行不同的处理：运动状态的数据保留全部数据，车辆位置未变更或位移速度与距离小于设定参数值的数据仅保留起止位置数据；
(4)对步骤(3)得到的数据进行进一步处理，计算找出合适的起点、终点位置数据，根据当前地图级别参数，对分组数据中车辆运动状态的数据进行运算，计算各位置点之间的距离、位移速度、数据采集时间间隔，通过运算筛选得出符合时差、距离配置的新的位置数据集合，同时通过计算得出各分组即各状态持续时间内的汇总信息，通过运算得到的数据集合应当比原始数据更加精简，且位置数据可以在地图中连接成均匀、平顺的轨迹线条；
(5)获取车辆指定时间段内告警信息内容、车辆方向信息，通过运算将这些数据关联到时间最接近的位置数据中，形成按时间排列的车辆位置、状态、告警、方向信息的完整数据集合；
(6)将程序运算得到的数据返回，并提供给前端进行展示。
2.根据权利要求1所述的车辆轨迹数据聚合运算方法，其特征在于，所述步骤(1)中的数据源为已经建立好的车辆历史轨迹数据库。
3.根据权利要求1所述的车辆轨迹数据聚合运算方法，其特征在于，所述步骤(4)中数据进一步处理，寻找合适起点和终点数据的方法为BP神经网络方法。
4.根据权利要求2所述的车辆轨迹数据聚合运算方法，其特征在于，所述车辆历史数据库建立过程如下：车辆在运行过程中，通过GPS向总控制中心上传运行状态信息，总控制中心以天为单位将信息按照高峰、平峰、夜间进行分类整理后存储，同时更新历史数据库。
5.根据权利要求3所述的车辆轨迹数据聚合运算方法，其特征在于，所述BP神经网络方法采用三层结构的BP神经网络，其中输入层为影响物流运输效率的主要因素，输出层为最佳平均行程时间，隐层的神经元个数由输入神经元个数和输出神经元个数决定，通常采用以下公式获得：L＝Nm/(n+m)，其中m和n为输出、输入神经元数，L为隐层神经元数，N为样本容量。
6.根据权利要求5所述的车辆轨迹数据聚合运算方法，其特征在于，所述输入层中影响物流运输效率的主要因素包括不同时段车辆的行程时间、交叉口数量、物流运载量、线路长度、路况及天气条件。
CN201710671969.5A 2017-08-08 2017-08-08 一种车辆轨迹数据聚合运算方法 Pending CN107256631A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710671969.5A CN107256631A (zh) 2017-08-08 2017-08-08 一种车辆轨迹数据聚合运算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710671969.5A CN107256631A (zh) 2017-08-08 2017-08-08 一种车辆轨迹数据聚合运算方法

Publications (1)

Publication Number Publication Date
CN107256631A true CN107256631A (zh) 2017-10-17

Family

ID=60026550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710671969.5A Pending CN107256631A (zh) 2017-08-08 2017-08-08 一种车辆轨迹数据聚合运算方法

Country Status (1)

Country Link
CN (1) CN107256631A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958364A (zh) * 2017-12-21 2018-04-24 惠龙易通国际物流股份有限公司 一种物流用户行为模式分析处理方法和系统
CN108510778A (zh) * 2018-04-11 2018-09-07 航天科技控股集团股份有限公司 一种基于记录仪管理平台的车辆聚合显示的实现方法
CN109977109A (zh) * 2019-04-03 2019-07-05 深圳市甲易科技有限公司 一种轨迹数据清洗方法及伴随分析方法
CN110851551A (zh) * 2019-11-12 2020-02-28 芜湖盟博科技有限公司 一种实时自动分析车辆轨迹数据和查询方法
CN110866077A (zh) * 2019-10-30 2020-03-06 武汉光庭信息技术股份有限公司 一种车载gps轨迹地图的展示方法及装置
CN111627204A (zh) * 2020-03-10 2020-09-04 蘑菇车联信息科技有限公司 路径确定方法、装置、电子设备及存储介质
CN113112842A (zh) * 2020-01-13 2021-07-13 北京地平线机器人技术研发有限公司 车道行驶方向更新方法及装置、存储介质及电子设备
CN113252062A (zh) * 2021-06-01 2021-08-13 智道网联科技(北京)有限公司 生成实时地图的方法、装置及电子设备、存储介质
CN113837691A (zh) * 2021-09-23 2021-12-24 小马国炬(上海)科技有限公司 一种车辆偏航检测方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251784A (zh) * 2008-04-03 2008-08-27 上海交通大学 激光笔指示与光点轨迹识别方法
US20090324010A1 (en) * 2008-06-26 2009-12-31 Billy Hou Neural network-controlled automatic tracking and recognizing system and method
CN102890869A (zh) * 2012-09-25 2013-01-23 孙涛 车辆行车路线预测通知方法及移动智能终端
CN104952248A (zh) * 2015-06-08 2015-09-30 浙江大学 一种基于欧氏空间的车辆汇聚预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251784A (zh) * 2008-04-03 2008-08-27 上海交通大学 激光笔指示与光点轨迹识别方法
US20090324010A1 (en) * 2008-06-26 2009-12-31 Billy Hou Neural network-controlled automatic tracking and recognizing system and method
CN102890869A (zh) * 2012-09-25 2013-01-23 孙涛 车辆行车路线预测通知方法及移动智能终端
CN104952248A (zh) * 2015-06-08 2015-09-30 浙江大学 一种基于欧氏空间的车辆汇聚预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
傅贵: "城市智能交通动态预测模型的研究及应用"，中国博士学位论文全文数据库，傅贵", 《中国博士学位论文全文数据库工程科技||辑》 *
李清泉，黄练，谭文霞: "基于道路特征的海量GPS监控数据压缩方法"，武汉大学学报，信息科学版，李清泉等，第33卷第4期", 《武汉大学学报信息科学版》 *
王恒草: "车辆智能监控处理系统的开发与应用"，中国优秀硕士学位论文全文数据库，王恒草", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958364A (zh) * 2017-12-21 2018-04-24 惠龙易通国际物流股份有限公司 一种物流用户行为模式分析处理方法和系统
CN108510778A (zh) * 2018-04-11 2018-09-07 航天科技控股集团股份有限公司 一种基于记录仪管理平台的车辆聚合显示的实现方法
CN108510778B (zh) * 2018-04-11 2021-03-16 航天科技控股集团股份有限公司 一种基于记录仪管理平台的车辆聚合显示的实现方法
CN109977109A (zh) * 2019-04-03 2019-07-05 深圳市甲易科技有限公司 一种轨迹数据清洗方法及伴随分析方法
CN109977109B (zh) * 2019-04-03 2021-04-27 深圳市甲易科技有限公司 一种轨迹数据伴随分析方法
CN110866077A (zh) * 2019-10-30 2020-03-06 武汉光庭信息技术股份有限公司 一种车载gps轨迹地图的展示方法及装置
CN110866077B (zh) * 2019-10-30 2022-07-01 武汉光庭信息技术股份有限公司 一种车载gps轨迹地图的展示方法及装置
CN110851551A (zh) * 2019-11-12 2020-02-28 芜湖盟博科技有限公司 一种实时自动分析车辆轨迹数据和查询方法
CN113112842A (zh) * 2020-01-13 2021-07-13 北京地平线机器人技术研发有限公司 车道行驶方向更新方法及装置、存储介质及电子设备
CN111627204A (zh) * 2020-03-10 2020-09-04 蘑菇车联信息科技有限公司 路径确定方法、装置、电子设备及存储介质
CN113252062A (zh) * 2021-06-01 2021-08-13 智道网联科技(北京)有限公司 生成实时地图的方法、装置及电子设备、存储介质
CN113837691A (zh) * 2021-09-23 2021-12-24 小马国炬(上海)科技有限公司 一种车辆偏航检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN107256631A (zh) 一种车辆轨迹数据聚合运算方法
CN105701560B (zh) 一种通勤路线信息的确定方法及装置
CN109031472B (zh) 一种用于气象预测的数据处理方法及装置
CN108256714A (zh) 一种基于车联网大数据的行车轨迹实时风险评估模型
CN103337189A (zh) 一种基于路段动态划分的车辆路径诱导方法
US20110276592A1 (en) Geodatabase information processing
CN108320501A (zh) 基于用户手机信令的公交线路识别方法
CN105809962A (zh) 一种基于手机数据的交通出行方式划分的方法
CN104484911A (zh) 基于QoE的个性化自动驾驶参数优化设定方法
CN110889444B (zh) 一种基于卷积神经网络的驾驶轨迹特征分类方法
CN105512166A (zh) 一种微博舆情与城市路况相映射的交通平行方法
CN107014392B (zh) 一种路线规划方法及设备
CN105205559A (zh) 基于多源异构众包数据的风景旅行路线规划系统
CN115063978B (zh) 一种基于数字孪生的公交到站时间预测方法
CN108444486A (zh) 一种导航路线排序方法和装置
CN107134137A (zh) 一种考虑实时信息的动态路径选择方法
CN111368879A (zh) 一种基于深半监督神经网络的轨迹数据挖掘方法
CN109724619A (zh) 信息推送方法、装置及服务器
CN109816271A (zh) 基于共享单车轨迹数据的自行车道服务水平评价方法
CN114596709B (zh) 数据处理方法、装置、设备以及存储介质
CN113269347A (zh) 一种基于随机森林的高校快递网络节点流量预测方法
CN111740981A (zh) 一种汽车gps轨迹数据压缩方法
CN108051011B (zh) 基于出租车经验数据的可靠导航路径设置方法
CN107066501A (zh) 一种基于道路相似性的机动车尾气遥测设备布点方法
CN109712402A (zh) 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置

Legal Events

Date Code Title Description
PB01 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
CB02 Change of applicant information

Address after: 210000 No. 10-6 Huashen Avenue, Yuhuatai District, Nanjing City, Jiangsu Province

Applicant after: Nanjing yingsite Network Technology Co., Ltd.

Address before: 210000 8th Floor, Block A, Beiwei International Center, 1 Chuangzhi Road, Jianye District, Nanjing, Jiangsu Province

Applicant before: Nanjing yingsite Network Technology Co., Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171017