CN107845260B - 一种用户公交出行方式的识别方法 - Google Patents
一种用户公交出行方式的识别方法 Download PDFInfo
- Publication number
- CN107845260B CN107845260B CN201711013841.6A CN201711013841A CN107845260B CN 107845260 B CN107845260 B CN 107845260B CN 201711013841 A CN201711013841 A CN 201711013841A CN 107845260 B CN107845260 B CN 107845260B
- Authority
- CN
- China
- Prior art keywords
- user
- trip
- section
- base station
- base stations
- 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
Images
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
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- 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
-
- 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)
- Mobile Radio Communication Systems (AREA)
Abstract
一种用户公交出行方式的识别方法,包括:采集用户位置信令数据,统计用户在每个基站下的连续停留时间,并挑选停留时间最长的多个基站作为用户多次出行的起止基站,从而将用户行程划分成多个由起止基站所构成的出行段,计算用户在每个出行段内的特征指标;设定公交出行时各个特征指标应属的数值范围,从用户的所有出行段中挑选训练样本,将训练样本出行段内的多个特征指标作为输入,将用户在该出行段内是否是公交出行方式作为输出,训练得到识别模型;针对用户待识别出行段,根据待识别出行段内的多个特征指标以及识别模型,确定用户在待识别出行段内是否是公交出行方式。本发明属于通信领域,能基于手机信令数据来识别用户是否采用公交出行方式。
Description
技术领域
本发明涉及一种用户公交出行方式的识别方法,属于通信领域。
背景技术
判别用户公交出行方式是交通规划需要收集的基础资料之一,对交通资源科学化分配、交通需求的预测及交通规划方案的制定具有重要影响,同时又对城市公交系统管理及未来规划提供了重要依据,在城市交通规划中占据重要位置。
如何识别用户公交出行方式?目前也提出了一些技术方案,例如专利申请CN201410033560.7(申请名称:一种基于手机定位的交通出行模式识别方法,申请日:2014-01-23,申请人:广州地理研究所)公开了一种基于手机定位的交通出行模式识别方法,包括以下步骤:步骤1、通过手机定位算法获取手机位置坐标;步骤2、根据所述手机位置坐标确定出行路径并计算手机定位移动速度;步骤3、应用“多特征匹配法”进行多模式交通出行识别。该技术方案需要通过移动定位网络采取特定定位技术来获取用户的手机位置坐标,然后通过手机位置坐标来识别交通出行模式,计算过程较复杂,因此难以被广泛应用。
因此,如何基于用户手机信令数据,研究用户出行信息,从而能准确识别用户是否采用公交出行方式,已成为技术人员急需解决的技术问题。
发明内容
有鉴于此,本发明的目的是提供一种用户公交出行方式的识别方法,能基于用户手机信令数据,研究用户出行信息,从而准确识别用户是否采用公交出行方式。
为了达到上述目的,本发明提供了一种用户公交出行方式的识别方法,包括有:
步骤一、从用户手机信令数据中采集用户一天内的位置信令数据,包括有用户ID、进入
离开基站时间、基站编号及基站经纬度,统计用户在每个基站下的连续停留时间,并挑选出停留时间最长的多个基站作为用户多次出行的起止基站,从而将用户的行程划分成为多个由起止基站所构成的出行段,计算用户在每个出行段内的多个特征指标;
步骤二、设定公交出行时各个特征指标应属的数值范围,从用户的所有出行段中挑选训练样本,每个训练样本包括:用户在一个出行段内的多个特征指标、以及用户在该出行段内是否是公交出行方式,将训练样本中的多个特征指标作为输入,将用户在该出行段内是否是公交出行方式作为输出,训练得到识别模型;
步骤三、针对用户待识别的出行段,根据待识别出行段内的多个特征指标、以及识别模型,确定用户在待识别出行段内是否是公交出行方式,
步骤一进一步包括有:
步骤11、从用户的位置信令数据中提取用户经过的所有基站,并根据基站之间的互相距离,将相距不超过距离阈值的多个基站划分成同一个基站集群;
步骤12、统计用户在每个基站集群下的连续停留时间,当连续停留时间超过停留时间阈值时,则对应的基站集群是用户的一个驻留点,从该基站集群中挑选出用户连续停留时间最长的一个基站,该基站即是用户一次出行的起止基站;
步骤13、将所有起止基站按用户经过的先后时间进行排序,然后由每两个相邻的起止基站构成一个出行段,从而将用户的行程划分成为多个出行段:M1、M2、…、MN-1,其中,G1、G2、…GN分别是按用户经过的先后时间排序后的起止基站,Mi是由两个相邻的起止基站Gi、Gi+1所构成的第i个出行段,1≤i≤N-1,N是所有起止基站总数;
步骤14、计算用户在每个出行段内的多个特征指标,
步骤二进一步包括有:
从用户的所有出行段中挑选其特征指标有任意Z个属于公交出行时的数值范围内的出行样本为公交出行正样本,其特征指标属于公交出行时的数值范围内的数量不大于F的出行样本为非公交出行负样本,并在公交出行正样本、非公交出行负样本中,再分别随机选取多个训练样本与测试样本。
与现有技术相比,本发明的有益效果是:本发明基于用户手机的位置信令数据,计算用户出行的时空分布特征及相关指标,从而能准确识别用户是否采用公交出行方式;技术方案基于现有数据、简单易行、且对现网无需任何改造,因而适用于大范围内的推广和应用。
附图说明
图1是本发明一种用户公交出行方式的识别方法的流程图。
图2是图1步骤一的具体流程图。
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,下面结合附图对本发明作进一步的详细描述。
如图1所示,本发明一种用户公交出行方式的识别方法,包括有:
步骤一、从用户手机信令数据中采集用户一天内的位置信令数据,包括有用户ID、进入离开基站时间、基站编号及基站经纬度等信息,统计用户在每个基站下的连续停留时间,并挑选出停留时间最长的多个基站作为用户多次出行的起止基站,从而将用户的行程划分成为多个由起止基站所构成的出行段,计算用户在每个出行段内的多个特征指标;
步骤二、设定公交出行时各个特征指标应属的数值范围,从用户的所有出行段中挑选训练样本,每个训练样本包括:用户在一个出行段内的多个特征指标、以及用户在该出行段内是否是公交出行方式,将训练样本中的多个特征指标作为输入,将用户在该出行段内是否是公交出行方式作为输出,训练得到识别模型;
步骤三、针对用户待识别的出行段,根据待识别出行段内的多个特征指标、以及识别模型,确定用户在待识别出行段内是否是公交出行方式。
如图2所示,图1步骤一进一步包括有:
步骤11、从用户的位置信令数据中提取用户经过的所有基站,并根据基站之间的互相距离,将相距不超过距离阈值的多个基站划分成同一个基站集群;
步骤12、统计用户在每个基站集群下的连续停留时间,当连续停留时间超过停留时间阈值(例如30分钟)时,则对应的基站集群是用户的一个驻留点,从该基站集群中挑选出用户连续停留时间最长的一个基站,该基站即是用户一次出行的起止基站;
步骤13、将所有起止基站按用户经过的先后时间进行排序,然后由每两个相邻的起止基站构成一个出行段,从而将用户的行程划分成为多个出行段:M1、M2、…、MN-1,其中,G1、G2、…GN分别是按用户经过的先后时间排序后的起止基站,Mi是由两个相邻的起止基站Gi、Gi+1所构成的第i个出行段,1≤i≤N-1,N是所有起止基站总数;
步骤14、计算用户在每个出行段内的多个特征指标,所述特征指标可以包括但不限于:出行距离、平均速度、速度峰值、速度变异系数、平均加速度、加速度变异系数等。
经过研究,公交出行具有以下特征:
1、时空分布特征,公交出行起止点以路上为主,而步行、私家车出行方式起止点在路外。在发生位移前公交出行者存在平均4.3分钟的路边停靠,私家车、步行不存在明显的路边停靠,出租车平均13分钟的路边停靠。
2、除以上时空分布特征外,从出行距离和速度特征指标的取值范围以及变化规律也可有效区别公交出行与其他出行方式。对现有数据探索可知,公交出行的出行距离与速度与其他出行方式相比,具有明显不同的分布特征。用户公交出行的平均距离远大于步行,而又明显小于私家车和出租车。公交出行速度介于2m/s~14m/s,平均速度为4.5m/s,明显小于地铁、略小于私家车、出租车等出行方式,明显大于步行速度,故在平均速度上可有效与地铁、步行区分开。为了提高与私家车、出租车区分度,分析速度和加速度变异系数,反应速度和加速度的离散程度,公交车速度和加速度平均变异系数分别为19.78%,10.41%,远高于私家车与出租车,可有效区分公交出行与私家车、出租车。
因此,本发明可以使用每个用户一天真实出行段内的出行距离、平均速度、速度峰值、速度变异系数、平均加速度、加速度变异系数等特征指标来作为用户公交出行的识别特征。
步骤14中,每个出行段内的出行距离的计算公式可以如下:其中,S(Mi)是出行段Mi内的出行距离,是用户在出行段Mi内所经过的所有基站相互之间的距离总和,分别是用户在出行段Mi内所经过的第j、j+1个基站,是根据基站的经纬度坐标所计算出的距离,Qi是用户在出行段Mi内所经过的所有基站总数;
每个出行段内的速度峰值是用户在出行段Mi内每两个相邻基站之间的出行速度的最大值;
通过对现网数据的研究分析,可以设定公交出行时各特征指标应属的数值范围,例如:速度介于2m/s~14m/s之间,加速度介于1.5m/s2~4.0m/s2之间,速度变异系数介于15%~25%之间,及加速度变异系数介于5%~15%之间。
步骤二中,本发明基于上述公交出行时的各特征指标所属的数值范围,从用户的所有出行段中挑选其特征指标有任意Z个属于公交出行时的数值范围内的出行样本为公交出行正样本,其特征指标属于公交出行时的数值范围内的数量不大于F的出行样本为非公交出行负样本,并在公交出行正样本、非公交出行负样本中,再分别随机选取多个训练样本与测试样本,其中,Z、F的值可以根据实际需要而设定,例如Z=3,F=2。
支持向量机理论最初源自对数据分类问题的研究,通过寻找满足分类要求的最优决策超平面,其在保证分类精度的同时,亦使超平面两侧的空白区域最大化,从而保证对线性可分问题的最优化解决。为进一步解决线性不可分问题,引入非线性核函数使样本从低维空间转化到高维空间,线性不可分问题亦变为高纬线性可分问题,支持向量机训练的过程就是寻找最优分类线的过程。支持向量机是一种有监督学习方法,已知训练点类别,求训练点特征和类别之间的对应关系,建立分类规则,可预测新的样本所对应的类别。
支持向量机,基于统计学VC维理论和结构风险最小化原则,是一种有效机器学习方法,可避免陷入局部最优并且解决了过拟合问题,具有可逼近非线性系统、分类性能良好、学习泛化能力较强等优点,所以本发明可以采用支持向量机来构建用户公交出行方式的识别模型。本发明支持向量机分类模型的构建过程如下:
步骤21、选取训练集样本:{(xi,yi),,i=1、2、…、n},n为样本数,xi为第i个样本的模型输入向量,即为从每个训练样本的出行段内所提取的特征指标,公交出行正样本和非公交出行负样本数均为Y,yi为样本类别标签,yi∈{-1,+1},其中,+1是采用公交出行的正样本,-1为未采用公交出行的负样本,明确模型输入和输出以确定支持向量机分类模型架构;
步骤22、由于支持向量机只接受[-1~+1]之间的数据,所以需对训练样本进行归一化处理,将数据映射到[0~1]范围内;
步骤23、针对训练集样本,设定分类预测判别函数,判断训练集样本是否满足约束,若满足,则存在最优线性分类判别函数,为求最优判别函数,则需要转化为对偶问题;
步骤24、对偶问题的最优解必须满足如下条件:ai·{[(ω·xi)+b]yi-1}=0,寻找ai取值不为零且满足上述条件的向量,即为支持向量,将支持向量输入约束条件,求得判别函数阈值b;
步骤26、将测试样本输入支持向量机分类函数,对比预测分类输出与真实类别,统计预测准确度,若准确度满足要求,则该支持向量机分类模型是可用于识别用户出行段内是否是公交出行方式的识别模型。
在步骤23中,设定判别函数判断是否满足约束条件,继而转化为对偶问题,具体还可以包括如下步骤:
步骤231、设两分类的线性判别函数为:g(x)=(ω·x)+b,其中:x为训练样本向量,ω为权向量,b为分类阈值,ω·x表示向量ω与x的内积;
步骤232、判断样本是否满足如下约束条件:若满足如下条件,则在该训练样本集中,存在一个最优分类线(线性判别函数)可正确分类所有样本及分类间隔最大:g(x)=(ω·x)+b=0,在此式中,因为x为训练样本提取的特征参数向量为已知的,求分类判别函数g(x)的过程就是求ω和b的过程;
步骤234、训练样本中的离分类线最近的样本为支持向量(xp),满足|g(xp)|-1=0,根据几何知识,则支持向量到分类线的欧式距离为:式中:xp为支持向量;yp为支持向量的期望输出;g(x)为判别函数;
步骤235、在线性可分的条件下,为求得最优分类线则需求最大化的分类间隔根据数学知识,可转化为求最小即求:根据约束条件求极值,属于凸二次规划问题,故存在唯一最优解,因此使用Lagrange乘子法对问题进行求解。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明保护的范围之内。
Claims (6)
1.一种用户公交出行方式的识别方法,其特征在于,包括有:
步骤一、从用户手机信令数据中采集用户一天内的位置信令数据,包括有用户ID、进入离开基站时间、基站编号及基站经纬度,统计用户在每个基站下的连续停留时间,并挑选出停留时间最长的多个基站作为用户多次出行的起止基站,从而将用户的行程划分成为多个由起止基站所构成的出行段,计算用户在每个出行段内的多个特征指标;
步骤二、设定公交出行时各个特征指标应属的数值范围,从用户的所有出行段中挑选训练样本,每个训练样本包括:用户在一个出行段内的多个特征指标、以及用户在该出行段内是否是公交出行方式,将训练样本中的多个特征指标作为输入,将用户在该出行段内是否是公交出行方式作为输出,训练得到识别模型;
步骤三、针对用户待识别的出行段,根据待识别出行段内的多个特征指标、以及识别模型,确定用户在待识别出行段内是否是公交出行方式,
步骤一进一步包括有:
步骤11、从用户的位置信令数据中提取用户经过的所有基站,并根据基站之间的互相距离,将相距不超过距离阈值的多个基站划分成同一个基站集群;
步骤12、统计用户在每个基站集群下的连续停留时间,当连续停留时间超过停留时间阈值时,则对应的基站集群是用户的一个驻留点,从该基站集群中挑选出用户连续停留时间最长的一个基站,该基站即是用户一次出行的起止基站;
步骤13、将所有起止基站按用户经过的先后时间进行排序,然后由每两个相邻的起止基站构成一个出行段,从而将用户的行程划分成为多个出行段:M1、M2、…、MN-1,其中,G1、G2、…GN分别是按用户经过的先后时间排序后的起止基站,Mi是由两个相邻的起止基站Gi、Gi+1所构成的第i个出行段,1≤i≤N-1,N是所有起止基站总数;
步骤14、计算用户在每个出行段内的多个特征指标,
步骤二进一步包括有:
从用户的所有出行段中挑选其特征指标有任意Z个属于公交出行时的数值范围内的出行样本为公交出行正样本,其特征指标属于公交出行时的数值范围内的数量不大于F的出行样本为非公交出行负样本,并在公交出行正样本、非公交出行负样本中,再分别随机选取多个训练样本与测试样本。
5.根据权利要求1所述的方法,其特征在于,步骤二中,设定公交出行时各特征指标应属的数值范围:速度介于2m/s~14m/s之间,加速度介于1.5m/s2~4.0m/s2之间,速度变异系数介于15%~25%之间,及加速度变异系数介于5%~15%之间。
6.根据权利要求1所述的方法,其特征在于,步骤二采用支持向量机来构建用户公交出行方式的识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711013841.6A CN107845260B (zh) | 2017-10-26 | 2017-10-26 | 一种用户公交出行方式的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711013841.6A CN107845260B (zh) | 2017-10-26 | 2017-10-26 | 一种用户公交出行方式的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107845260A CN107845260A (zh) | 2018-03-27 |
CN107845260B true CN107845260B (zh) | 2020-02-14 |
Family
ID=61661851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711013841.6A Active CN107845260B (zh) | 2017-10-26 | 2017-10-26 | 一种用户公交出行方式的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107845260B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109104694B (zh) * | 2018-06-26 | 2020-10-30 | 重庆市交通规划研究院 | 一种基于手机信令的用户停留位置发现方法及系统 |
CN109272032A (zh) * | 2018-09-05 | 2019-01-25 | 广州视源电子科技股份有限公司 | 出行方式识别方法、装置、计算机设备和存储介质 |
CN109035787B (zh) * | 2018-09-10 | 2020-07-28 | 华南理工大学 | 一种利用移动通信数据识别交通工具类别的方法 |
CN109587326B (zh) * | 2018-11-09 | 2021-08-10 | 深圳壹账通智能科技有限公司 | 移动终端的提示方法及装置、存储介质、计算机设备 |
CN110060102B (zh) * | 2019-04-18 | 2022-05-03 | 重庆邮电大学 | 基于偏标记学习的用户所在商铺定位大数据预测方法 |
CN112580951B (zh) * | 2020-12-09 | 2024-05-21 | 北京交通大学 | 基于乘客出行的城市地面公交运行监测关键指标筛选方法 |
CN115022810B (zh) * | 2021-03-05 | 2024-06-25 | 中国移动通信集团江苏有限公司 | 基于手机信令数据识别出行方式的方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708680A (zh) * | 2012-06-06 | 2012-10-03 | 北京交通大学 | 基于agps技术的交通出行方式识别方法 |
CN105101092A (zh) * | 2015-09-01 | 2015-11-25 | 上海美慧软件有限公司 | 一种基于c4.5决策树的手机用户出行方式识别方法 |
CN106197458A (zh) * | 2016-08-10 | 2016-12-07 | 重庆邮电大学 | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 |
CN106446208A (zh) * | 2016-09-30 | 2017-02-22 | 东南大学 | 一种考虑路网契合度的智能手机出行方式识别方法 |
CN107241512A (zh) * | 2017-06-30 | 2017-10-10 | 清华大学 | 基于手机数据的城际交通出行方式判断方法和设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9821813B2 (en) * | 2014-11-13 | 2017-11-21 | Nec Corporation | Continuous occlusion models for road scene understanding |
-
2017
- 2017-10-26 CN CN201711013841.6A patent/CN107845260B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708680A (zh) * | 2012-06-06 | 2012-10-03 | 北京交通大学 | 基于agps技术的交通出行方式识别方法 |
CN105101092A (zh) * | 2015-09-01 | 2015-11-25 | 上海美慧软件有限公司 | 一种基于c4.5决策树的手机用户出行方式识别方法 |
CN106197458A (zh) * | 2016-08-10 | 2016-12-07 | 重庆邮电大学 | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 |
CN106446208A (zh) * | 2016-09-30 | 2017-02-22 | 东南大学 | 一种考虑路网契合度的智能手机出行方式识别方法 |
CN107241512A (zh) * | 2017-06-30 | 2017-10-10 | 清华大学 | 基于手机数据的城际交通出行方式判断方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107845260A (zh) | 2018-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107845260B (zh) | 一种用户公交出行方式的识别方法 | |
CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
Li et al. | Transportation mode identification with GPS trajectory data and GIS information | |
Duan et al. | Prediction of city-scale dynamic taxi origin-destination flows using a hybrid deep neural network combined with travel time | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN113159364A (zh) | 一种大型交通场站的客流预测方法及系统 | |
CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
CN105206041A (zh) | 一种考虑时序dbscan的智能手机轨迹链簇识别方法 | |
Tang et al. | Exploring urban travel patterns using density-based clustering with multi-attributes from large-scaled vehicle trajectories | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN111063204B (zh) | 一种基于收费站流量的高速公路车速预测模型训练方法 | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
CN113569977B (zh) | 一种基于手机信令数据的出行目的识别方法 | |
CN111598333A (zh) | 客流数据的预测方法及装置 | |
Wang et al. | Vehicle reidentification with self-adaptive time windows for real-time travel time estimation | |
CN113051811A (zh) | 一种基于gru网络的多模式短期交通拥堵预测方法 | |
Liu et al. | Exploring the spatially heterogeneous effect of the built environment on ride-hailing travel demand: A geographically weighted quantile regression model | |
Zhang et al. | How road network transformation may be associated with reduced carbon emissions: An exploratory analysis of 19 major Chinese cities | |
Qin et al. | Analysis on cruising process for on‐street parking using an spectral clustering method | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
CN108053646A (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及系统 | |
Yu et al. | GPS data mining at signalized intersections for congestion charging | |
Widhalm et al. | Robust road link speed estimates for sparse or missing probe vehicle data | |
Shang et al. | Data mining technologies for Mobility-as-a-Service (MaaS) |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 310013 4th floor, No.398 Wensan Road, Xihu District, Hangzhou City, Zhejiang Province Patentee after: Xinxun Digital Technology (Hangzhou) Co.,Ltd. Address before: 310013 4th floor, No.398 Wensan Road, Xihu District, Hangzhou City, Zhejiang Province Patentee before: EB Information Technology Ltd. |