CN109409497A - 一种路况预测方法及装置 - Google Patents
一种路况预测方法及装置 Download PDFInfo
- Publication number
- CN109409497A CN109409497A CN201710698196.XA CN201710698196A CN109409497A CN 109409497 A CN109409497 A CN 109409497A CN 201710698196 A CN201710698196 A CN 201710698196A CN 109409497 A CN109409497 A CN 109409497A
- Authority
- CN
- China
- Prior art keywords
- road condition
- condition predicting
- prediction model
- sampling result
- section
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明公开一种路况预测方法和装置,该方法包括:将路段的路况信息转换为拓扑结构图,所述拓扑结构图的节点代表路段,边代表路段的连接关系;将所述拓扑结构图作为预测模型的第一次输入,所述预测模型包括顺序排列的:卷积层、池化层和全连接层;将所述池化层输出的第N‑1次下采样结果将作为卷册层的第N次输入,直到N达到设定的次数值,N为大于等于2的正整数;将所述池化层的第N次下采样结果输入全连接层执行全卷积操作,得到所述预测模型输出路段的路况预测结果。本申请提供的技术方案通过对路况转换得到的拓扑结构图执行卷积神经网络,可以有效的提取对路况预测有价值的特征,从而实现准确的路况预测。
Description
技术领域
本发明涉及实时交通技术领域,尤其涉及一种路况预测的方法及装置。
背景技术
随着车辆的不断增多,道路越来越拥堵,因此,在大城市中,如何实现准确的路况预测具有重要的指导意义。路况预测是指利用历史路况信息,以及静态路网信息,预测未来的路况信息。未来路况信息有助于提高ETA(预估旅行时间)的优良率,以及帮助用户躲避未来的拥堵。
现有技术实现路况预测的一种方案是采用CNN网络结构进行路况预测,CNN是一种卷积神经网络,属于深度学习中的一种变换操作,常用于提取规则结构(例如图片)的局域特征。该方案中将路况抽象成一张图片,使用LSTM-CNN的网络结构进行路况预测。
但是由于路网图并不具备通常图片所具备的平稳性(stationarity,不同空间位置共享了同样的特征,例如一个圆圈出现在图片的不同位置,但同为圆圈)。路网图中,每个交叉口都是独特的,不可为不同位置所共享。而平稳性是CNN应用的前提之一;所以常规的LSTM-CNN的网络结构无法有效提取对路况预测有价值的特征,进而难以实现准确的路况预测。
发明内容
为了解决现有技术中存在的以上技术问题,本发明提供一种路况预测的方法及装置,能够有效提取对路况预测有价值的特征,从而为实现准确的路况预测。
本发明提供的技术方案如下:
一种路况预测方法,包括:
将路段的路况信息转换为拓扑结构图,所述拓扑结构图的节点代表路段,边代表路段的连接关系;
将所述拓扑结构图作为预测模型的第一次输入,所述预测模型包括顺序排列的:卷积层、池化层和全连接层;
将所述池化层输出的第N-1次下采样结果将作为卷积层的第N次输入,直到N达到设定的次数值,N为大于等于2的正整数;
将所述池化层的第N次下采样结果输入全连接层执行全卷积操作,得到所述预测模型输出路段的路况预测结果。
较佳的,所述将所述方法进一步包括:
对下采样结果执行上采样操作,并将上采样结果作为所述全连接层的输入。
较佳的,所述的路况预测方法,包括:
所述池化层对所述拓扑结构图执行池化操作,计算图像区域的平均值作为该区域池化后的下采样结果、或者计算图像区域的最大值作为该区域池化后的下采样结果。
较佳的,所述的路况预测方法,包括:
所述卷积层对所述拓扑结构图上执行卷积操作,根据路况信息特征设置卷积核的大小和深度,并通过该卷积核对所述拓扑结构图执行卷积操作。
较佳的,所述的路况预测方法,还包括:
输入历史路况信息到所述预测模型中,对所述预测模型进行训练。
本申请还提供了一种路况预测装置,包括:
路况转换模块,用于将路段的路况信息转换为拓扑结构图并输入预测模型,所述拓扑结构图的节点代表路段,边代表路段的连接关系;
输入模块,用于将所述拓扑结构图作为预测模型的第一次输入,所述预测模型包括顺序排列的:卷积模块、池化模块和全连接模块;
其中,所述述池化模块输出的第N-1次下采样结果将作为卷积模块的第N次输入,直到N达到设定的次数值,N为大于等于2的正整数;
所述池化模块的第N次下采样结果输入全连接模块执行全卷积操作,得到所述预测模型输出路段的路况预测结果。
较佳的,所述的路况预测装置,还包括:
上采样模块,用于对下采样结果执行上采样操作,并将上采样结果输入到全连接层。
较佳的,所述的路况预测装置中:
所述池化模块计算图像区域的平均值作为该区域池化后的下采样结果、或者计算图像区域的最大值作为该区域池化后的下采样结果。
较佳的,所述的路况预测装置中:
所述卷积模块根据路况信息特征设置卷积核的大小和深度,并通过该卷积核对所述拓扑结构图执行卷积操作。
较佳的,所述的路况预测装置还包括:
训练模块,用于输入历史路况信息到所述预测模型中,对所述预测模型进行训练。
与现有技术相比,本发明至少具有以下优点:
本发明通过将路况信息抽象提取为拓扑结构图,其中的节点和边可以精准的反应路网的结构和路况,通过对该拓扑结构图的执行卷积神经网络,可以有效的提取对路况预测有价值的特征,从而可以实现准确的路况预测。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的路况预测方法流程图;
图2为本发明实施例一提供的路况信息的拓扑结构图;
图3为本发明实施例一提供的执行卷积操作之后得到的特征图;
图4为本发明实施例一提供的池化操作后得到的下采样结果图;
图5为本发明实施例一提供的重复执行卷积操作得到的特征图;
图6为本发明实施例一提供的重复执行池化操作得到的下采样结果图;
图7为本发明实施例二提供的路况预测装置流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,该图为本发明提供的路况预测方法实施例一流程图。
本实施例提供的路况预测方法,包括:
步骤S101:将路段的路况信息转换为拓扑结构图并输入预测模型,所述拓扑结构图的节点代表路段,边代表路段的连接关系;
在道路网络中,拥堵等路况正在实时发生、变动和消失。路段的路况由该路段自身决定,并且和该路段的上段和下段的路况是局部相关的。本步骤中将每个路段都抽象成一个独立的节点,并将它们作为描述交通相关性的转向信息连接起来(向前、左转、右转等),得到对应的拓扑结构图。
参见图2所示,为一种路况信息的拓扑结构图。该拓扑结构图可以显示节点之间的高斯相关性,在道路网络的局部功能上,可以有各向异性的相关性,例如,同一条高速公路的拥堵路况通常会以单向的方式扩散,但普通的道路上,拥堵通常会以二维的方式扩散。
具体的路况可以分为如下级别,如:畅通、缓慢、拥堵、严重阻塞。这些级别可以转换为拓扑结构图的节点的数值。节点之间的边(连接线)描述了两个路段之间的连接关系,比如节点(路段)A可以通过边a1左转到节点(路段)B,可以通过边a2右转到节点(路段)C。
步骤S102:将所述拓扑结构图作为预测模型的第一次输入,所述预测模型包括顺序排列的:卷积层、池化层和全连接层;
本步骤中,通过预测模型中的卷积层,进行特征提取。根据输入的拓扑结构图的像素大小和颜色深度,可以选择对应的卷积核,由卷积核执行卷积操作。其中,卷积核也可以成为感受野,其深度与输入的拓扑结构图的深度需要相同,大小可以根据需要调整。
其中卷积核也可以称为滑动函数,其通过输入图像中的滑动窗口的形式实现输入图像和卷积核的相乘,并将相乘的结果求和,得到输出的特征图。
本申请中,还可以根据路况信息特征设置卷积核的大小和深度,并通过该卷积核对所述拓扑结构图执行卷积操作。
如图3所示,为执行卷积操作之后得到特征图,该特征图中可以划分为多个区域,其中各个区域可以有重合的节点,也可以完全独立。
本步骤中所述的池化层进行的操作还可以称为下采样。在步骤S102执行卷积操作得到特征图之后,仍然有很多的特征参数,因此本步骤中通过池化操作对特征图进行压缩,一方面使特征图变小,简化网络计算复杂度;另一方面进行特征压缩,提取主要特征。
由于图像具有稳固性,其具有平移、旋转、放缩的不变性,即可以在一个区域内利用其特征的统计信息进行压缩合和聚焦。因此可以将特征图划分为不同的区域,通过池化操作将每个区域压缩为一个值,得到下采样的结果。
具体的,所述池化操作的方式可以包括:均值池化,计算图像区域的平均值作为该区域池化后的下采样结果;最大值池化,计算图像区域的最大值作为该区域池化后的下采样结果。根据路况信息的特征,本申请可以选择不同的池化方案。除了均值池化和最大值池化之外,还可以采用重叠池化和金字塔池化的方案。
如图4所示,为在本步骤中池化操作后的得到下采样结果图,其中每一个节点对应是图3中的每个区域的池化采样结果。
步骤S103:将所述池化层输出的第N-1次下采样结果将作为卷积层的第N次输入,直到N达到设定的次数值,N为大于等于2的正整数;
本方案的预测模型中可以采用多层卷积层来得到更深层次的特征图。其中,一个卷积核会将图片生成为另一幅图像。所以可以在每个卷积层使用多个不同的卷积核组成一个卷积核组,不同的卷积核在输入图片上的运算会得到不同的结果,相当于一张图像的不同通道。这些卷积核组可以自动的学习出来。在此之后对于每个通道都可以在后面加上非线性的激励函数。
在上述步骤执行过程中,图片的精度会降低,为了保证图片的精度,提高预测结果的准确性,本申请中所述操作结果输入到全连接层还可以包括:对下采样结果执行上采样操作,并将上采样结果输入到全连接层。
参见图5和图6所示,分别为重复执行卷积操作和池化操作的输出结果图。
步骤S104:将所述池化层的第N次下采样结果输入全连接层执行全卷积操作,得到所述预测模型输出路段的路况预测结果。
为了提供预测结果的准确性,本申请还可以通过输入历史路况信息到所述预测模型中,对所述预测模型进行训练。具体的所输入的历史路况信息可以为正样本或者负样本。
本实施例提供的上述方法中,通过将路况信息抽象提取为拓扑结构图,其中的节点和边可以精准的反应路网的结构和路况,通过对该拓扑结构图的执行卷积神经网络,可以有效的提取对路况预测有价值的特征,从而可以实现准确的路况预测。
实施例二:
参见图7,该图为本发明提供的路况预测装置实施例框架图。
本实施例提供的路况预测装置,包括:
路况转换模块701,用于将路况信息转换为拓扑结构图并输入预测模型,其中拓扑结构图的节点代表路段,边代表转向;
输入模块702,用于将所述拓扑结构图作为预测模型的第一次输入,所述预测模型包括顺序排列的:卷积模块703、池化模块704和全连接模块705;
其中,所述述池化模块输出的第N-1次下采样结果将作为卷积模块的第N次输入,直到N达到设定的次数值,N为大于等于2的正整数;
所述池化模块的第N次下采样结果输入全连接模块执行全卷积操作,得到所述预测模型输出路段的路况预测结果。
具体的,所述卷积模块703,用于在该拓扑结构图上执行卷积操作,提取出指定的特征得到特征图;
所述池化模块704,用于对所述特征图进行池化操作,得到下采样结果;
所述所述卷积模块和池化模块对所述下采样结果重复执行设定次数的卷积操作和池化操作,并将操作结果输入到全连接层;
全连接模块706用于在全连接层执行全卷积操作,输出路段的路况预测结果。
本实施例所述的路况预测装置,还可以包括:
上采样模块705,用于对下采样结果执行上采样操作,并将上采样结果输入到全连接层。
本实施例所述的路况预测装置中:所述池化模块计算图像区域的平均值作为该区域池化后的下采样结果、或者计算图像区域的最大值作为该区域池化后的下采样结果。
本实施例所述的路况预测装置中:所述卷积模块可以根据路况信息特征设置卷积核的大小和深度,并通过该卷积核对所述拓扑结构图执行卷积操作。
本实施例所述的路况预测装置中,还可以包括:
训练模块707,用于输入历史路况信息到所述预测模型中,对所述预测模型进行训练。
本实施例提供的路况预测装置中,通过将路况信息抽象提取为拓扑结构图,其中的节点和边可以精准的反应路网的结构和路况,通过对该拓扑结构图的执行卷积神经网络,可以有效的提取对路况预测有价值的特征,从而可以实现准确的路况预测。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (10)
1.一种路况预测方法,其特征在于,包括:
将路段的路况信息转换为拓扑结构图,所述拓扑结构图的节点代表路段,边代表路段的连接关系;
将所述拓扑结构图作为预测模型的第一次输入,所述预测模型包括顺序排列的:卷积层、池化层和全连接层;
将所述池化层输出的第N-1次下采样结果将作为卷积层的第N次输入,直到N达到设定的次数值,N为大于等于2的正整数;
将所述池化层的第N次下采样结果输入全连接层执行全卷积操作,得到所述预测模型输出路段的路况预测结果。
2.根据权利要求1所述的路况预测方法,其特征在于,所述方法进一步包括:
对下采样结果执行上采样操作,并将上采样结果作为所述全连接层的输入。
3.根据权利要求1所述的路况预测方法,其特征在于,包括:
所述池化层对所述拓扑结构图执行池化操作,计算图像区域的平均值作为该区域池化后的下采样结果、或者计算图像区域的最大值作为该区域池化后的下采样结果。
4.根据权利要求1所述的路况预测方法,其特征在于,包括:
所述卷积层对所述拓扑结构图上执行卷积操作,根据路况信息特征设置卷积核的大小和深度,并通过该卷积核对所述拓扑结构图执行卷积操作。
5.根据权利要求1所述的路况预测方法,其特征在于,还包括:
输入历史路况信息到所述预测模型中,对所述预测模型进行训练。
6.一种路况预测装置,其特征在于,包括:
路况转换模块,用于将路段的路况信息转换为拓扑结构图并输入预测模型,所述拓扑结构图的节点代表路段,边代表路段的连接关系;
输入模块,用于将所述拓扑结构图作为预测模型的第一次输入,所述预测模型包括顺序排列的:卷积模块、池化模块和全连接模块;
其中,所述述池化模块输出的第N-1次下采样结果将作为卷积模块的第N次输入,直到N达到设定的次数值,N为大于等于2的正整数;
所述池化模块的第N次下采样结果输入全连接模块执行全卷积操作,得到所述预测模型输出路段的路况预测结果。
7.根据权利要求6所述的路况预测装置,其特征在于,还包括:
上采样模块,用于对下采样结果执行上采样操作,并将上采样结果输入到全连接层。
8.根据权利要求6所述的路况预测装置,其特征在于:
所述池化模块计算图像区域的平均值作为该区域池化后的下采样结果、或者计算图像区域的最大值作为该区域池化后的下采样结果。
9.根据权利要求6所述的路况预测装置,其特征在于:
所述卷积模块根据路况信息特征设置卷积核的大小和深度,并通过该卷积核对所述拓扑结构图执行卷积操作。
10.根据权利要求6所述的路况预测装置,其特征在于,还包括:
训练模块,用于输入历史路况信息到所述预测模型中,对所述预测模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710698196.XA CN109409497B (zh) | 2017-08-15 | 2017-08-15 | 一种路况预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710698196.XA CN109409497B (zh) | 2017-08-15 | 2017-08-15 | 一种路况预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409497A true CN109409497A (zh) | 2019-03-01 |
CN109409497B CN109409497B (zh) | 2021-03-16 |
Family
ID=65454209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710698196.XA Active CN109409497B (zh) | 2017-08-15 | 2017-08-15 | 一种路况预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409497B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110488821A (zh) * | 2019-08-12 | 2019-11-22 | 北京三快在线科技有限公司 | 一种确定无人车运动策略的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
CN105303838A (zh) * | 2015-12-01 | 2016-02-03 | 北京百度网讯科技有限公司 | 确定道路流量的方法和装置 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
CN106297297A (zh) * | 2016-11-03 | 2017-01-04 | 成都通甲优博科技有限责任公司 | 基于深度学习的交通拥堵判别方法 |
CN107038478A (zh) * | 2017-04-20 | 2017-08-11 | 百度在线网络技术(北京)有限公司 | 路况预测方法及装置、计算机设备与可读介质 |
-
2017
- 2017-08-15 CN CN201710698196.XA patent/CN109409497B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
CN105303838A (zh) * | 2015-12-01 | 2016-02-03 | 北京百度网讯科技有限公司 | 确定道路流量的方法和装置 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
CN106297297A (zh) * | 2016-11-03 | 2017-01-04 | 成都通甲优博科技有限责任公司 | 基于深度学习的交通拥堵判别方法 |
CN107038478A (zh) * | 2017-04-20 | 2017-08-11 | 百度在线网络技术(北京)有限公司 | 路况预测方法及装置、计算机设备与可读介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110264709B (zh) * | 2019-05-06 | 2021-02-12 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110488821A (zh) * | 2019-08-12 | 2019-11-22 | 北京三快在线科技有限公司 | 一种确定无人车运动策略的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109409497B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN108764063B (zh) | 一种基于特征金字塔的遥感影像时敏目标识别系统及方法 | |
CN109165660B (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
CN111243269B (zh) | 基于融合时空特征的深度网络的交通流预测方法 | |
CN105654729A (zh) | 一种基于卷积神经网络的短时交通流量预测方法 | |
CN104794501B (zh) | 模式识别方法及装置 | |
JP6838161B2 (ja) | エンドツーエンドモデリング方法及びシステム | |
CN111967594A (zh) | 一种神经网络压缩方法、装置、设备及存储介质 | |
EP3189443A1 (en) | Event-driven spatio-temporal short-time fourier transform processing for asynchronous pulse-modulated sampled signals | |
CN112053560A (zh) | 基于神经网络的短时交通流量预测方法、系统和存储介质 | |
CN108647691A (zh) | 一种基于点击特征预测的图像分类方法 | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN107038503A (zh) | 一种共享设备的需求量预测方法及系统 | |
CN112183649A (zh) | 一种用于对金字塔特征图进行预测的算法 | |
CN111626357B (zh) | 一种基于神经网络模型的图像识别方法 | |
CN111341109B (zh) | 一种基于时空相似性的城市级信号推荐系统 | |
CN110852199A (zh) | 一种基于双帧编码解码模型的前景提取方法 | |
CN109409497A (zh) | 一种路况预测方法及装置 | |
CN115018039A (zh) | 一种神经网络蒸馏方法、目标检测方法以及装置 | |
CN113095479A (zh) | 一种基于多尺度注意力机制的冰下层结构提取方法 | |
CN117131979A (zh) | 基于有向超图及注意力机制的交通流速度预测方法及系统 | |
CN113920124B (zh) | 基于分割和误差引导的脑神经元迭代分割方法 | |
Feng et al. | Improved deep fully convolutional network with superpixel-based conditional random fields for building extraction | |
CN114298909A (zh) | 一种超分辨网络模型及其应用 | |
CN112819698A (zh) | 资料同化方法、装置、设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200506 Address after: 310052 room 508, floor 5, building 4, No. 699, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Alibaba (China) Co.,Ltd. Address before: 100080 Beijing City, Haidian District Suzhou Street No. 3 floor 16 room 2 Applicant before: AUTONAVI INFORMATION TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |