CN109784979B - 一种大数据驱动的供应链需求预测方法 - Google Patents
一种大数据驱动的供应链需求预测方法 Download PDFInfo
- Publication number
- CN109784979B CN109784979B CN201811555230.9A CN201811555230A CN109784979B CN 109784979 B CN109784979 B CN 109784979B CN 201811555230 A CN201811555230 A CN 201811555230A CN 109784979 B CN109784979 B CN 109784979B
- Authority
- CN
- China
- Prior art keywords
- commodity
- features
- data
- sales
- model
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种大数据驱动的供应链需求预测方法，包括：101对商品数据进行数据预处理操作；102根据商品历史销售数据划分数据集；103对划分的数据集进行特征工程构建操作；104对构建的特征进行特征选择；105建立机器学习模型，并进行模型融合操作；106通过构建的模型，预测商品未来一周的销量。本发明主要通过对商品在用户的表现数据、商品信息、商品销售数据、商品sku映射表、商品促销价格表和平台活动时间表进行预处理和分析提取特征，建立机器学习模型并进行线性加权模型融合，从而准确预测商品未来一周的销量，为供应链提供数据基础和企业建立全球化供应链方案提供关键的技术支持。
Description
技术领域
本发明涉及机器学习、大数据处理技术领域，尤其基于多模型融合供应链需求预测算法。
背景技术
在电商产业链中，为提升用户物流服务体验，供应链协同将货品提前准备在全球各个市场的本地仓，可有效降低物流时间，极大提升用户体验。不同于国内电商物流情况，出海电商的产品生产和销售地区是全球化的，商品的采购，运输，海关质检等，整个商品准备链路需要更长的时间。在大数据和人工智能技术快速发展的新时代背景下，运用大数据分析和算法技术，精准预测远期的商品销售，为供应链提供数据基础，将能够为出海企业建立全球化供应链方案提供关键的技术支持。
发明内容
为了解决上述问题，本发明提供一种大数据驱动的供应链需求预测方法。
本发明采用的技术方案如下：
一种大数据驱动的供应链需求预测方法，包括以下步骤：
101.对商品数据进行数据预处理操作；
102.根据商品历史销售数据划分数据集；
103.对划分的数据集进行特征工程构建操作；
104.对构建的特征进行特征选择；
105.建立机器学习模型，并进行模型融合操作；
106.通过构建的模型，预测商品未来一周的销量。
本发明主要通过对商品在用户的表现数据、商品信息、商品销售数据、商品sku映射表、商品促销价格表和平台活动时间表进行预处理和分析提取特征，建立机器学习模型并进行线性加权模型融合，从而准确预测商品未来一周的销量，为供应链提供数据基础和企业建立全球化供应链方案提供关键的技术支持。
上述步骤101对商品数据进行数据预处理操作具体步骤为：
由于商品数据中的价格和销量部分有缺失，若采取直接过滤的方法会丢失很多商品信息。从这里出发，把缺失的商品的价格和销量用同一类商品最近一周的价格和销量的均值进行填充。
具体地，步骤102根据商品历史销售数据划分数据集具体步骤为：
考虑到商品的销售量会受到节日、天气等因素的影响，我们统计商品历史一年每天的销量，然后过滤掉商品日销售量高于前三天商品日销售量均值3倍的天的数据。从这里出发，对过滤后的商品一年历史销售数据采用滑窗法，以7天为一个周期进行滑窗，从而构建多个训练窗口，扩大训练集数量。其中，验证集的构建采取5折交叉验证的方式，其中4份作为训练数据，1份作为验证数据。
所述步骤103对划分的数据集进行特征工程构建操作具体步骤为：
1031.基础特征：在商品信息数据中，商品销售价格、商品吊牌价格、商品在售天数、商品品牌、商品季节属性，其中连续型的属性首先可以直接作为特征处理；而对于不连续的属性，采取独热编码，编码后的特征全部为数值型，可以作为特征处理。
1032.时序特征：很多商品售卖都受时间的影响，往往存在时间衰减的关系，时间越近，影响因素越重要。考虑这一因素，对商品销量的最大值、最小值、均值、中位数、总和分别以最后1、2、3、5、7、10、14、21、28、35天的数据进行统计，以此来统计商品在不同时间内的销量信息。
1033.组合特征：LightGBM模型训练完成后可以输出特征的重要性，特征重要性越大，即判别性越高，使用基础特征和时序特征中特征重要性排名前40的特征构建了组合特征：将这40个特征两两相除可以得到1000个组合特征，然后使用LightGBM对这1000个组合特征单独训练模型，训练完成后得到特征重要性的排序，将特征重要性最高的前600个组合特征添加到原始特征体系中。
1034.排序特征：排序特征主要用比较不同商品的销售情况，把时序特征里面统计的所有商品销量的最大值、最小值、均值、中位数和总和进行全局排序和局部排序，全局排序是指把所有商品放在一起进行排序，局部排序是指把同一类商品的进行排序。
所述步骤104对构建的特征进行特征选择，具体步骤为：
在103特征工程部分，构建了一系列基础特征、时序特征、组合特征和排序特征，所有特征加起来接近1000维，而高纬度特征可能会导致两个问题，一是会导致维度灾难，二是容易导致过拟合。因此，需要用特征选择方法来降低特征维度。首先在LightGBM模型训练完后可以输出特征重要性，根据这个对特征重要性进行排序，选取特征重要性最大的400个特征。然后再用皮尔逊相关系数计算400个特征之间的相似度，如果两个特征相似度达到了90％及以上，则过滤掉这两个特征中特征重要度低的特征。最终剩下的特征就是特征选择后的特征，可以直接放到模型中训练。
所述步骤105建立机器学习模型，并进行模型融合操作操作具体步骤为：
1051.线性加权融合：首先利用前面提取的特征，构建ElasticNet Regression、catboost、XGBoost和LightGBM共四个模型，再计算四个模型的分数score，见公式(1)，其中RMSE是模型的均方根误差，再通过公式(2)计算每个模型的线性加权融合的权重weight，i表示第几个模型，n表示模型数量，最后把四个模型的预测结果分别乘以模型对应的权重，再求和相加得到的值作为最终的预测结果。
1052.融合系数调优：在回归预测中，模型预测出来的值可能会整体偏小或者整体偏大，因此在进行线性加权融合的时候需要给预测偏低的模型较高的权重，给预测偏高的模型较低的权重。从这里出发，在模型原有的权重基础上，分别按步长0.05进行增减，直到在验证集上的score分数不再提高为止。
所述步骤107通过构建的模型，预测商品未来一周的销量操作具体步骤为：
把预测数据提取的特征放到构建好的模型训练，并进行模型融合，最终得到预测结果。
本发明的优点及有益效果如下
步骤102根据商品历史销售数据划分数据集。在划分数据前根据规则过滤掉商品日销售量高于前三天商品日销售量均值3倍的天的数据，有利于防止训练集中出现日销售量突变的情况。
步骤103对划分的数据集进行特征工程构建操作。其中组合特征涉及到特征的二次构造，可以充分挖掘特征信息，增强模型的鲁棒性。
步骤105建立机器学习模型，并进行模型融合操作操作。在融合系数调优部分，通过对融合系数进行调整，可以增强模型融合效果，更好的发挥模型的作用。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供一种大数据驱动的供应链需求预测方法的流程图；
图2为本发明实提供一种大数据驱动的供应链需求预测方法中预测商品销量数据划分图；
图3为本发明提供一种大数据驱动的供应链需求预测方法中样本标签示例图；
图4为本发明提供一种大数据驱动的供应链需求预测方法中模型融合的流程图。
具体实施方式
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：一种大数据驱动的供应链需求预测方法，其包括以下步骤：
101.对商品数据进行数据预处理操作；
对商品数据进行数据预处理包括：把缺失的商品的价格和销量用同一类商品最近一周的价格和销量的均值进行填充。
102.根据商品历史销售数据划分数据集；
过滤掉商品日销售量高于前三天商品日销售量均值3倍的天的数据。对过滤后的商品一年历史销售数据采用滑窗法，以7天为一个周期进行滑窗，从而构建多个训练窗口，扩大训练集数量。其中，验证集的构建采取5折交叉验证的方式，其中4份作为训练数据，1份作为验证数据。
103.对划分的数据集进行特征工程构建操作；对特征工程进行构建是指商品历史销售数据构建基础特征、时序特征、组合特征和排序特征等。
①基础特征：在商品信息数据中，商品销售价格、商品吊牌价格、商品在售天数、商品品牌、商品季节属性，其中连续型的属性首先可以直接作为特征处理；而对于不连续的属性，采取独热编码，编码后的特征全部为数值型，可以作为特征处理。
②时序特征：很多商品售卖都受时间的影响，往往存在时间衰减的关系，时间越近，影响因素越重要。考虑这一因素，对商品销量的最大值、最小值、均值、中位数、总和分别以最后1、2、3、5、7、10、14、21、28、35天的数据进行统计，以此来统计商品在不同时间内的销量信息。
③组合特征：LightGBM模型训练完成后可以输出特征的重要性，特征重要性越大，即判别性越高，使用基础特征和时序特征中特征重要性排名前40的特征构建了组合特征：将这40个特征两两相除可以得到1000个组合特征，然后使用LightGBM对这1000个组合特征单独训练模型，训练完成后得到特征重要性的排序，将特征重要性最高的前600个组合特征添加到原始特征体系中。
④排序特征：排序特征主要用比较不同商品的销售情况，把时序特征里面统计的所有商品销量的最大值、最小值、均值、中位数和总和进行全局排序和局部排序，全局排序是指把所有商品放在一起进行排序，局部排序是指把同一类商品的进行排序。
104.对构建的特征进行特征选择；
首先在LightGBM模型训练完后可以输出特征重要性，根据这个对特征重要性进行排序，选取特征重要性最大的400个特征。然后再用皮尔逊相关系数计算400个特征之间的相似度，如果两个特征相似度达到了90％及以上，则过滤掉这两个特征中特征重要度低的特征。最终剩下的特征就是特征选择后的特征，可以直接放到模型中训练。
105.建立机器学习模型，并进行模型融合操作；参见图4。
首先利用前面提取的特征，构建ElasticNet Regression、catboost、XGBoost和LightGBM共四个模型，再计算四个模型的分数score，再计算每个模型的线性加权融合的权重weight，最后把四个模型的预测结果分别乘以模型对应的权重，再求和相加得到的值作为最终的预测结果。由于在回归预测中，模型预测出来的值可能会整体偏小或者整体偏大，因此在进行线性加权融合的时候需要给预测偏低的模型较高的权重，给预测偏高的模型较低的权重。从这里出发，在模型原有的权重基础上，分别按步长0.05进行增减，直到在验证集上的score分数不再提高为止。
106.通过构建的模型，预测商品未来一周的销量。
通过构建的模型，预测商品未来五周内每周的销量操作。把预测数据提取的特征放到构建好的模型训练，并进行模型融合，最终得到预测结果。
Claims (5)
1.一种大数据驱动的供应链需求预测方法，其特征在于，包括以下步骤：
101.对商品数据进行数据预处理操作；
102.根据商品历史销售数据划分数据集，统计商品历史一年每天的销量；然后过滤掉商品日销售量高于前三天商品日销售量均值3倍的天的数据；对过滤后的商品一年历史销售数据采用滑窗法构建多个训练窗口；
103.对划分的数据集进行特征工程构建操作包括：
1031.基础特征：包括商品销售价格、商品吊牌价格、商品在售天数、商品品牌、商品季节属性，其中连续型的属性首先可以直接作为特征处理；而对于不连续的属性，采取独热编码，编码后的特征全部为数值型，可作为特征处理；
1032.时序特征：对商品销量的最大值、最小值、均值、中位数、总和分别以最后1、2、3、5、7、10、14、21、28、35天的数据进行统计，以此来统计商品在不同时间内的销量信息；
1033.组合特征：LightGBM模型训练完成后可以输出特征的重要性，特征重要性越大，即判别性越高，使用基础特征和时序特征中特征重要性排名前40的特征构建了组合特征：将这40个特征两两相除可以得到1000个组合特征，然后使用LightGBM对这1000个组合特征单独训练模型，训练完成后得到特征重要性的排序，将特征重要性最高的前600个组合特征添加到原始特征体系中。
1034.排序特征：把时序特征里面统计的所有商品销量的最大值、最小值、均值、中位数和总和进行全局排序和局部排序，全局排序是指把所有商品放在一起进行排序，局部排序是指把同一类商品的进行排序；
104.对构建的特征进行特征选择，包括：
首先利用步骤104特征选择后的特征，构建ElasticNet Regression、catboost、XGBoost和LightGBM共四个模型，再分别计算四个模型的分数score，见公式(1)，其中RMSE是模型的均方根误差，再通过公式(2)计算每个模型的线性加权融合的权重weight，i表示第几个模型，n表示模型数量，最后把四个模型的预测结果分别乘以模型对应的权重，再求和相加得到的值作为最终的预测结果；
105.建立机器学习模型，并进行模型融合操作；
106.通过构建的模型，预测商品未来一周的销量。
2.根据权利要求1所述一种大数据驱动的供应链需求预测方法，其特征在于：步骤101所述对商品数据进行数据预处理操作包括，将缺失的商品的价格和销量用同一类商品最近一周的价格和销量的均值进行填充。
3.根据权利要求1所述一种大数据驱动的供应链需求预测方法，其特征在于：在所述数据集中采用5折交叉验证的方式构建验证集，其中4份作为训练数据，1份作为验证数据。
4.根据权利要求1所述一种大数据驱动的供应链需求预测方法，其特征在于：步骤104所述特征选择包括首先在LightGBM模型训练完后输出特征重要性，对对特征重要性进行排序，选取特征重要性最大的400个特征，然后再用皮尔逊相关系数计算400个特征之间的相似度，如果两个特征相似度达到了90％及以上，则过滤掉这两个特征中特征重要度低的特征，最终剩下的特征就是特征选择后的特征。
5.根据权利要求1所述一种大数据驱动的供应链需求预测方法，其特征在于：还包括融合系数调优，在模型原有的权重基础上，分别按步长0.05进行增减，直到在验证集上的score分数不再提高为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811555230.9A CN109784979B (zh) | 2018-12-19 | 2018-12-19 | 一种大数据驱动的供应链需求预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811555230.9A CN109784979B (zh) | 2018-12-19 | 2018-12-19 | 一种大数据驱动的供应链需求预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109784979A CN109784979A (zh) | 2019-05-21 |
| CN109784979B true CN109784979B (zh) | 2023-06-16 |
Family
ID=66498170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811555230.9A Active CN109784979B (zh) | 2018-12-19 | 2018-12-19 | 一种大数据驱动的供应链需求预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109784979B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264251B (zh) * | 2019-05-31 | 2021-08-10 | 杭州博钊科技有限公司 | 表征现金流的数据组织形式与基于多任务学习的预测方法 |
| CN110414716B (zh) * | 2019-07-03 | 2022-05-20 | 北京科技大学 | 一种基于LightGBM的企业失信概率预测方法及系统 |
| CN110472863B (zh) * | 2019-08-12 | 2020-09-25 | 北京联想金服科技有限公司 | 一种预警指数评价方法、装置及存储介质 |
| TW202113698A (zh) * | 2019-09-25 | 2021-04-01 | 治略資訊整合股份有限公司 | 銷售預測系統與方法 |
| CN110457867B (zh) * | 2019-10-08 | 2020-12-25 | 杭州知衣科技有限公司 | 一种基于机器学习的时间序列数据填补与还原方法 |
| CN112651534A (zh) * | 2019-10-10 | 2021-04-13 | 顺丰科技有限公司 | 一种预测资源供应链需求量的方法、装置及存储介质 |
| CN111192083A (zh) * | 2019-12-26 | 2020-05-22 | 浙江大学 | 一种间断需求的预测方法 |
| CN111210093B (zh) * | 2020-03-05 | 2023-05-09 | 重庆森鑫炬科技有限公司 | 基于大数据的日用水量预测方法 |
| CN111815348A (zh) * | 2020-05-28 | 2020-10-23 | 杭州览众数据科技有限公司 | 一种基于各门店商品相似度聚类的区域商品生产计划方法 |
| CN114493732B (zh) * | 2020-10-27 | 2024-05-28 | 华中科技大学 | 生鲜电商可复用容器租赁数量预测模型建立方法及其应用 |
| CN113780611A (zh) * | 2020-12-10 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种库存管理方法和装置 |
| CN113379125B (zh) * | 2021-06-11 | 2022-05-13 | 武汉大学 | 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法 |
| CN114387028B (zh) * | 2022-01-13 | 2024-02-23 | 瑞祥全球购超市有限公司 | 一种面向网络购物平台的商品需求量的智能分析方法 |
| CN116993395B (zh) * | 2023-09-25 | 2023-12-29 | 临沂大学 | 一种基于机器学习的供应链韧性预测系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488595A (zh) * | 2015-12-10 | 2016-04-13 | 四川省电力公司供电服务中心 | 用于月度用电预测模型的先行性指数构建方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3692416B2 (ja) * | 1998-03-27 | 2005-09-07 | 沖電気工業株式会社 | 情報フィルタリング方法および装置 |
| US20140039979A1 (en) * | 2012-08-01 | 2014-02-06 | Opera Solutions, Llc | System and Method for Demand Forecasting |
| CN106156880A (zh) * | 2015-04-22 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种预测库存分配比例的方法、装置及电子设备 |
| US10318864B2 (en) * | 2015-07-24 | 2019-06-11 | Microsoft Technology Licensing, Llc | Leveraging global data for enterprise data analytics |
| US10165315B2 (en) * | 2016-10-17 | 2018-12-25 | Viacom International Inc. | Systems and methods for predicting audience measurements of a television program |
| CN107895283B (zh) * | 2017-11-07 | 2021-02-09 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
| CN107909433A (zh) * | 2017-11-14 | 2018-04-13 | 重庆邮电大学 | 一种基于大数据移动电子商务的商品推荐方法 |
| CN107944913B (zh) * | 2017-11-21 | 2022-03-22 | 重庆邮电大学 | 基于大数据用户行为分析的高潜在用户购买意向预测方法 |
| CN108459997A (zh) * | 2018-02-07 | 2018-08-28 | 深圳市微埃智能科技有限公司 | 基于深度学习和神经网络的高偏态数据价值概率预测方法 |
| CN108665311B (zh) * | 2018-05-08 | 2022-02-25 | 湖南大学 | 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法 |
| CN108648023A (zh) * | 2018-05-18 | 2018-10-12 | 上海电机学院 | 一种融合历史均值与提升树的商家客流量预测方法 |
| CN109034658A (zh) * | 2018-08-22 | 2018-12-18 | 重庆邮电大学 | 一种基于大数据金融的违约用户风险预测方法 |
-
2018
- 2018-12-19 CN CN201811555230.9A patent/CN109784979B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488595A (zh) * | 2015-12-10 | 2016-04-13 | 四川省电力公司供电服务中心 | 用于月度用电预测模型的先行性指数构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109784979A (zh) | 2019-05-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784979B (zh) | 一种大数据驱动的供应链需求预测方法 | |
| CN109685583B (zh) | 一种基于大数据的供应链需求预测方法 | |
| US20230018311A1 (en) | Systems and methods for quantity determinations without predicting out of stock events | |
| CN113553540A (zh) | 一种商品销量的预测方法 | |
| CN107563705A (zh) | 利用大数据分析家电产品安全库存及再订货的系统和方法 | |
| CN107346502A (zh) | 一种基于大数据的迭代产品销售预测方法 | |
| CN111178624A (zh) | 一种新产品需求预测的方法 | |
| WO2020041902A1 (en) | Analysis and correction of supply chain design through machine learning | |
| CN112581182B (zh) | 自动售货设备的销售管理方法及系统 | |
| CN111160968A (zh) | Sku级别商品销量预测方法及装置 | |
| CN111652654A (zh) | 销量预测及神经网络构建的方法、装置、设备、存储介质 | |
| CN113487359B (zh) | 基于多模态特征的商品销量预测方法、装置及相关设备 | |
| CN110555578A (zh) | 一种销量预测方法和装置 | |
| CN113888235B (zh) | 一种销量预测模型的训练方法、销量预测方法及相关装置 | |
| CN114782065A (zh) | 一种基于模型组合的商品销量预测方法、装置及存储介质 | |
| CN111080417A (zh) | 用于提高预订顺畅率的处理方法、模型训练方法及系统 | |
| CN115860800A (zh) | 一种节假日商品销量预测方法、装置及计算机存储介质 | |
| CN117196695B (zh) | 一种目标产品的销量数据的预测方法及装置 | |
| CN116957640A (zh) | 产品销量预测方法及系统 | |
| CN116308494A (zh) | 供应链需求预测方法 | |
| CN114493732B (zh) | 生鲜电商可复用容器租赁数量预测模型建立方法及其应用 | |
| CN110264251B (zh) | 表征现金流的数据组织形式与基于多任务学习的预测方法 | |
| CN111047354A (zh) | 一种分时定价的实现方法、装置、电子设备和存储介质 | |
| CN113393041A (zh) | 一种基于销量预测的零售领域供应链库存优化方法 | |
| CN113033903A (zh) | 一种LSTM模型和seq2seq模型的水果价格预测方法、介质及设备 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230519 Address after: Unit 701-704, No. 373 Chengyi Street, Software Park Phase III, Xiamen City, Fujian Province, 361000 Applicant after: China Communications (Xiamen) E-commerce Co.,Ltd. Address before: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province Applicant before: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd. Effective date of registration: 20230519 Address after: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province Applicant after: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd. Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |