CN109857351A - 可追溯发票的打印方法 - Google Patents
可追溯发票的打印方法 Download PDFInfo
- Publication number
- CN109857351A CN109857351A CN201910133646.XA CN201910133646A CN109857351A CN 109857351 A CN109857351 A CN 109857351A CN 201910133646 A CN201910133646 A CN 201910133646A CN 109857351 A CN109857351 A CN 109857351A
- Authority
- CN
- China
- Prior art keywords
- invoice
- data
- obtains
- positioning
- location information
- 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
Links
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开一种可追溯发票的打印方法,包括以下步骤:获取发票开具时的标记信息,所述标记信息至少包括开具时间和开具地理位置信息;根据所述标记信息生成标记二维码;根据预先获取的发票关键信息和所述标记二维码对发票进行打印,以得到具有通过扫描所述标记二维码得到开具时间和开具地理位置信息的发票。
Description
技术领域
本发明涉及税控技术领域,具体而言,涉及一种可追溯发票的打印方法。
背景技术
招揽代开发票业务名片上的广告语,不管是走在街头,还是在手机短信里,不少人可能都被这样的垃圾广告骚扰过。
目前通过开具没有真实发生业务的真发票来达到偷税漏税的目的的行为依然非常猖獗,如何进行有效打击目前还没有较好的办法。
发明内容
本发明提供一种可追溯发票的打印方法,用以克服现有技术中存在的至少一个问题。
为达到上述目的,本发明提供了一种可追溯发票的打印方法,包括以下步骤:
获取发票开具时的标记信息,所述标记信息至少包括开具时间和开具地理位置信息;
根据所述标记信息生成标记二维码;
根据预先获取的发票关键信息和所述标记二维码对发票进行打印,以得到具有通过扫描所述标记二维码得到开具时间和开具地理位置信息的发票。
可选的,所述开具地理位置信息通过以下方式中的至少一种来获取:
WiFi、蓝牙、RFID、北斗卫星、GPS、移动通信基站定位以及AGPS。
可选的,所述开具地理位置信息通过以下步骤获取:
获取多个相互独立的定位信息源的定位数据;
基于所获取的多组定位数据,利用预先设置的定位优化神经网络模型计算定位信息的最佳取值;
其中,所述定位优化神经网络模型通过以下方式构建:
建立训练样本集,所述训练样本集包括多组训练数据,每组训练数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的真实位置数据;
设置神经网络模型的模型参数,所述模型参数包括归一化参数、激活函数、代价函数和隐藏层的层数;
基于所述训练样本集对神经网络模型进行训练,得到定位优化神经网络模型。
可选的,所述激活函数为
其中,x隐藏层或输出层中每个节点的输入值,f(x)为该节点的输出值,α为经验值,0<α≤1。
可选的,所述标记信息还包括发票特征信息,所述发票特征信息通过以下方式获取:
根据发票关键信息生成发票预览图像,并基于CNN网络对所述发票预览图像进行特征提取,得到所述发票预览图像对应的发票特征信息。
可选的,在训练得到所述定位优化神经网络模型之后还包括:
构建测试数据集,所述测试数据集包括多组测试数据,每组所述测试数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的真实位置数据;
根据所述定位优化神经网络模型计算得到每组测试数据对应定位优化数据;
根据每组测试数据对应的定位优化数据和真实位置数据计算对应的误差;
基于多组测试数据对应的误差得到平均误差。
可选的,所述标记信息包括发票特征信息,所述发票特征信息通过以下方式获取:
根据预先获取的发票关键信息得到发票预览图像;
基于U-net网络采用卷积和池化对所述发票预览图像进行下采样,得到所述发票预览图像的下采样特征;
基于U-net网络采用反卷积对所述发票预览图像进行上采样,得到所述发票预览图像的上采样特征;
将所述上采样特征和所述下采样特征通过叠加的方式进行组合,得到多个特征信息;
对所述多个特征信息通过卷积的方式进行压缩,得到T维特征信息,其中T为正整数。
本发明实施例通过在开具发票时,获取开具发票时的开具时间和开具地理位置信息,将开具时间和开具地理位置信息以二维码的形式打印在发票上;税务在对发票进行核对时可以通过扫描二维码快速获取发票的开具时间和开具地理位置信息,由于违法出售发票的行为往往存在开票时间密集的特点,可以快速发现短时间内开具大量咨询、劳务等常见违规发票类型的发票的窝点,并进行实地核查;此外,违规开票窝点还存在一间办公点内利用多个公司的名义进行开票的特点,也可以根据同一时间段内同一办公地点开具多个公司出具的发票,从而可以快速锁定违法发票窝点,对违法开具发票的行为进行有效打击。
本发明的创新点包括:
1、在开具发票时,获取开具发票时的开具时间和开具地理位置信息,将开具时间和开具地理位置信息以二维码的形式打印在发票上;税务在对发票进行核对时可以通过扫描二维码快速获取发票的开具时间和开具地理位置信息,由于违法出售发票的行为往往存在开票时间密集的特点,可以快速发现短时间内开具大量咨询、劳务等常见违规发票类型的发票的窝点,并进行实地核查;此外,违规开票窝点还存在一间办公点内利用多个公司的名义进行开票的特点,也可以根据同一时间段内同一办公地点开具多个公司出具的发票,从而可以快速锁定违法发票窝点,对违法开具发票的行为进行有效打击,这是本发明的创新点之一。
2、本发明提出了一种基于深度神经网络的定位优化方法,通过改进深度神经网络的激活函数,实现了对GPS、北斗、无线局域网和蓝牙设备等获取的定位信息的优化,提高了室内外定位精度;同时通过将来自不同信息源的定位数据进行维度分离,降低了数据的维度,提高了运算效率,从而实现了在通用设备上的高效运行,这是本发明的创新点之一。
3、本发明在开具发票时,还可以根据发票关键信息生成发票预览图像,并提取发票预览图像的特征信息,将该特征信息组为标记信息的一部分以二维码的形式打印在发票上,从而在税务部门核对时,可以根据开具发票时的发票特征信息和报销时的发票特征信息进行核对,判断是否有涂改等信息,保证了发票的真实性,可有效打击发票造假现象,这是本发明的创新点之一。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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他的附图。
图1为本发明一个实施例的可追溯发票的打印方法流程图;
图2示出了根据本说明书一个实施例的定位优化神经网络模型结构图。
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、完整地描述,显然,所描述的实施例仅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付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。
图1为本发明一个实施例的可追溯发票的打印方法流程图;如图1所示,该打印方法包括以下步骤:
S110,获取发票开具时的标记信息,所述标记信息至少包括开具时间和开具地理位置信息;
S120,根据所述标记信息生成标记二维码;
S130,根据预先获取的发票关键信息和所述标记二维码对发票进行打印,以得到具有通过扫描所述标记二维码得到开具时间和开具地理位置信息的发票。
本实施例通过在开具发票时,获取开具发票时的开具时间和开具地理位置信息,将开具时间和开具地理位置信息以二维码的形式打印在发票上;税务在对发票进行核对时可以通过扫描二维码快速获取发票的开具时间和开具地理位置信息,由于违法出售发票的行为往往存在开票时间密集的特点,可以快速发现短时间内开具大量咨询、劳务等常见违规发票类型的发票的窝点,并进行实地核查;此外,违规开票窝点还存在一间办公点内利用多个公司的名义进行开票的特点,也可以根据同一时间段内同一办公地点开具多个公司出具的发票,从而可以快速锁定违法发票窝点,对违法开具发票的行为进行有效打击。
本发明实施例中在发票中加入开具地理位置信息,其作用与现有技术中常规的设置地位位置信息的作用并不相同:
1、现有技术中可能存在开票机设置有GPS模块,但现有技术中并没有将GPS 信息打印到票据上,只是将开票机的位置信息上传服务器,并没有想到在开具发票时有效利用地理位置信息;而本发明实施例通过在发票上打印具有开具地理位置信息的二维码,提高了发票验证的便捷性,从而利用该技术验证便捷的特点在税务监管中对违规开票行为进行有效打击,适应了税务部门打击违规开票的目的和需求。
2、现有技术中可能存在出租车打印发票带位置信息的方案,但出租车的这种方式时出租车这个应用场景所必须的,其目的是要计算路费,这种需求很容易想到,但现有技术中并不存在在发票上打印开具地理位置信息这一技术手段,并且现有的公司发票开具通常是通过税控盘插在PC主机上来实现,与出租车这中发票打印方式也不相同。
一种实现方式中,所述开具地理位置信息通过以下方式中的至少一种来获取:
WiFi、蓝牙、RFID、北斗卫星、GPS、移动通信基站定位以及AGPS。
上述定位信息源又可以分为室内定位信息源和室外定位信息源。在确定信息源时可以根据室外定位信息源的信号强弱(可以通过设置阈值来选择)自动选择采用的信息源,当室外定位信号较弱或消失时,切换到使用室内定位信息源。
室外定位信息源包括:1)全球定位系统GPS,2)北斗卫星导航系统,3)移动通信基站等;室内定位信息源包括:1)无线局域网,2)蓝牙,3)射频识别RFID 等。
本发明实施例将室外定位信息源与室内定位信息源分别处理,根据需求选取特定的优化类型,可以降低输入数据的维度,提高优化效率。
一种实现方式中,所述开具地理位置信息通过以下步骤获取:
获取多个相互独立的定位信息源的定位数据;
基于所获取的多组定位数据,利用预先设置的定位优化神经网络模型计算定位信息的最佳取值;
其中,所述定位优化神经网络模型通过以下方式构建:
建立训练样本集,所述训练样本集包括多组训练数据,每组训练数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的真实位置数据;
设置神经网络模型的模型参数,所述模型参数包括归一化参数、激活函数、代价函数和隐藏层的层数;
基于所述训练样本集对神经网络模型进行训练,得到定位优化神经网络模型。
一种实现方式中,所述激活函数为
其中,x隐藏层或输出层中每个节点的输入值,f(x)为该节点的输出值,α为经验值,0<α≤1。
一种实现方式中,所述标记信息还包括发票特征信息,所述发票特征信息通过以下方式获取:
根据发票关键信息生成发票预览图像,并基于CNN网络对所述发票预览图像进行特征提取,得到所述发票预览图像对应的发票特征信息。
一种实现方式中,在训练得到所述定位优化神经网络模型之后还包括:
构建测试数据集,所述测试数据集包括多组测试数据,每组所述测试数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的真实位置数据;
根据所述定位优化神经网络模型计算得到每组测试数据对应定位优化数据;
根据每组测试数据对应的定位优化数据和真实位置数据计算对应的误差;
基于多组测试数据对应的误差得到平均误差。
以下为本发明一个实施例的定位优化神经网络模型的实现过程:
对某个待定位目标给定一类定位信息源(室外定位信息源或室内定位信息源),设该目标的真实坐标为x,该类定位信息源包含N组(N≥2)相互独立的定位坐标数据[x1,x2,…,xN]。此处N为一个常数,由实际采用的定位传感器类别数决定。
建立一个神经网络模型,如图2所示,该神经网络由输入层(1个)、隐藏层 (H个,H≥1)和输出层(1个)组成。上述神经网络模型的每一层均有若干节点 (节点数>0),隐藏层节点与其上层或下层节点是全连接的,即任意一个第k层节点i都与第k-1层的任意一个节点j存在一个连接,设其权重为对于该神经网络,其输入为归一化(normalization)的传感器定位信息源[x1,x2,…,xN],输出为目标的真实坐标x。该神经网络的训练过程包括:
1、设置神经网络参数,包括归一化参数、激活函数、代价函数、隐藏层数等;
2、准备训练数据,即传感器定位信息源[x1,x2,…,xN]和与其对应的目标的真实坐标x;
3、归一化输入数据[x1,x2,…,xN];
4、执行训练,获得神经网络权重配置。
该神经网络的测试过程如下:
5、准备测试数据,即传感器定位信息源[x1,x2,…,xN];
6、归一化输入数据[x1,x2,…,xN];
7、获取步骤4中获得的神经网络配置,并输入归一化的测试数据;
8、获得神经网络模型的输出结果,并进行反归一化。
在经典深度神经网络学习应用中,隐藏层和输出层节点的输入和输出之间具有函数关系,这个函数称为激活函数。衡量神经网络模型预测值与真实值之间差异的函数称为代价函数。在经典深度神经网络配置中,通常将激活函数选取为线性整流函数(RectifiedLinear Unit,ReLU),代价函数选取均方误差。其中,线性整流函数定义为:
f(x)=max(0,x)
上式中的x是神经网络中的每个节点的输入值,节点根据激活函数求取x的函数值,并将输出值传递给下一层。在本发明中,x取值为归一化的传感器定位信息源[x1,x2,…,xN]。
均方误差定义为:
其中表示真值θ的估计值,E表示数学期望。
本发明根据定位信号的特点与办公设备的具体特性重新设计了深度神经网络。为了提高计算精度,改进ReLU方法导致的误差位移问题,重新设计激活函数如下:
上式中参数α可根据经验取值为(0,1]。
通过改进激活函数,可以在几乎不影响运算效率的前提下有效提高训练精度。改进后的神经网络可以在常用芯片设备上快速运行,具有低功耗、高效率的特点。
本发明提出了一种深度神经网络(DNN)学习的定位优化方法,通过改进深度神经网络的激活函数,实现了对GPS、北斗、无线局域网和蓝牙设备等获取的定位信息的优化,提高了室内外定位精度;通过将来自不同信息源的定位数据进行维度分离,降低了神经网络训练数据的维度,提高了运算效率,从而实现了在通用设备上的高效运行。
上述方法的优化效果如表1(假设不使用优化的定位误差期望值为1):
表1
一种实现方式中,所述标记信息包括发票特征信息,所述发票特征信息通过以下方式获取:
根据预先获取的发票关键信息得到发票预览图像;
基于U-net网络采用卷积和池化对所述发票预览图像进行下采样,得到所述发票预览图像的下采样特征;
基于U-net网络采用反卷积对所述发票预览图像进行上采样,得到所述发票预览图像的上采样特征;
将所述上采样特征和所述下采样特征通过叠加的方式进行组合,得到多个特征信息;
对所述多个特征信息通过卷积的方式进行压缩,得到T维特征信息,其中T为正整数。
本发明实施例通过在开具发票时,获取开具发票时的开具时间和开具地理位置信息,将开具时间和开具地理位置信息以二维码的形式打印在发票上;税务在对发票进行核对时可以通过扫描二维码快速获取发票的开具时间和开具地理位置信息,由于违法出售发票的行为往往存在开票时间密集的特点,可以快速发现短时间内开具大量咨询、劳务等常见违规发票类型的发票的窝点,并进行实地核查;此外,违规开票窝点还存在一间办公点内利用多个公司的名义进行开票的特点,也可以根据同一时间段内同一办公地点开具多个公司出具的发票,从而可以快速锁定违法发票窝点,对违法开具发票的行为进行有效打击。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (7)
1.一种可追溯发票的打印方法,其特征在于,包括以下步骤:
获取发票开具时的标记信息,所述标记信息至少包括开具时间和开具地理位置信息;
根据所述标记信息生成标记二维码;
根据预先获取的发票关键信息和所述标记二维码对发票进行打印,以得到具有通过扫描所述标记二维码得到开具时间和开具地理位置信息的发票。
2.根据权利要求1所述的发票打印方法,其特征在于,所述开具地理位置信息通过以下方式中的至少一种来获取:
WiFi、蓝牙、RFID、北斗卫星、GPS、移动通信基站定位以及AGPS。
3.根据权利要求2所述的发票打印方法,其特征在于,所述开具地理位置信息通过以下步骤获取:
获取多个相互独立的定位信息源的定位数据;
基于所获取的多组定位数据,利用预先设置的定位优化神经网络模型计算定位信息的最佳取值;
其中,所述定位优化神经网络模型通过以下方式构建:
建立训练样本集,所述训练样本集包括多组训练数据,每组训练数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的真实位置数据;
设置神经网络模型的模型参数,所述模型参数包括归一化参数、激活函数、代价函数和隐藏层的层数;
基于所述训练样本集对神经网络模型进行训练,得到定位优化神经网络模型。
4.根据权利要求1所述的发票打印方法,其特征在于,所述激活函数为
其中,x隐藏层或输出层中每个节点的输入值,f(x)为该节点的输出值,α为经验值,0<α≤1。
5.根据权利要求1所述的发票打印方法,其特征在于,所述标记信息还包括发票特征信息,所述发票特征信息通过以下方式获取:
根据发票关键信息生成发票预览图像,并基于CNN网络对所述发票预览图像进行特征提取,得到所述发票预览图像对应的发票特征信息。
6.根据权利要求3所述的发票打印方法,其特征在于,在训练得到所述定位优化神经网络模型之后还包括:
构建测试数据集,所述测试数据集包括多组测试数据,每组所述测试数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的真实位置数据;
根据所述定位优化神经网络模型计算得到每组测试数据对应定位优化数据;
根据每组测试数据对应的定位优化数据和真实位置数据计算对应的误差;
基于多组测试数据对应的误差得到平均误差。
7.根据权利要求1所述的发票打印方法,其特征在于,所述标记信息包括发票特征信息,所述发票特征信息通过以下方式获取:
根据预先获取的发票关键信息得到发票预览图像;
基于U-net网络采用卷积和池化对所述发票预览图像进行下采样,得到所述发票预览图像的下采样特征;
基于U-net网络采用反卷积对所述发票预览图像进行上采样,得到所述发票预览图像的上采样特征;
将所述上采样特征和所述下采样特征通过叠加的方式进行组合,得到多个特征信息;
对所述多个特征信息通过卷积的方式进行压缩,得到T维特征信息,其中T为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910133646.XA CN109857351A (zh) | 2019-02-22 | 2019-02-22 | 可追溯发票的打印方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910133646.XA CN109857351A (zh) | 2019-02-22 | 2019-02-22 | 可追溯发票的打印方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109857351A true CN109857351A (zh) | 2019-06-07 |
Family
ID=66898706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910133646.XA Pending CN109857351A (zh) | 2019-02-22 | 2019-02-22 | 可追溯发票的打印方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109857351A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738536A (zh) * | 2019-10-14 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 一种基于区块链网络的数据处理方法、装置及存储介质 |
CN110823094A (zh) * | 2019-11-08 | 2020-02-21 | 北京理工大学 | 一种点光源三维坐标测量方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140289107A1 (en) * | 2011-11-10 | 2014-09-25 | Gelliner Limited | Invoice payment system and method |
CN106912105A (zh) * | 2017-03-08 | 2017-06-30 | 哈尔滨理工大学 | 基于pso_bp神经网络的三维定位方法 |
CN107481074A (zh) * | 2017-08-24 | 2017-12-15 | 太仓安顺财务服务有限公司 | 一种交互式税务发票校验系统 |
CN107705472A (zh) * | 2017-10-23 | 2018-02-16 | 百望金赋科技有限公司 | 一种用于开票的时空定位模块、云端开票系统及方法 |
CN108346145A (zh) * | 2018-01-31 | 2018-07-31 | 浙江大学 | 一种病理切片中非常规细胞的识别方法 |
CN109345194A (zh) * | 2018-09-12 | 2019-02-15 | 北京东港瑞宏科技有限公司 | 一种电子票据流转系统 |
-
2019
- 2019-02-22 CN CN201910133646.XA patent/CN109857351A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140289107A1 (en) * | 2011-11-10 | 2014-09-25 | Gelliner Limited | Invoice payment system and method |
CN106912105A (zh) * | 2017-03-08 | 2017-06-30 | 哈尔滨理工大学 | 基于pso_bp神经网络的三维定位方法 |
CN107481074A (zh) * | 2017-08-24 | 2017-12-15 | 太仓安顺财务服务有限公司 | 一种交互式税务发票校验系统 |
CN107705472A (zh) * | 2017-10-23 | 2018-02-16 | 百望金赋科技有限公司 | 一种用于开票的时空定位模块、云端开票系统及方法 |
CN108346145A (zh) * | 2018-01-31 | 2018-07-31 | 浙江大学 | 一种病理切片中非常规细胞的识别方法 |
CN109345194A (zh) * | 2018-09-12 | 2019-02-15 | 北京东港瑞宏科技有限公司 | 一种电子票据流转系统 |
Non-Patent Citations (3)
Title |
---|
王恩奇: ""基于神经网络和活动轮廓的图像分割研究"", 《硕士学位论文》 * |
胡志伟等: ""基于全卷积网络的生猪轮廓提取"", 《华南农业大学学报》 * |
苏建民: ""基于U-Net 的高分辨率遥感图像语义分割方法"", 《计算机工程与应用207》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738536A (zh) * | 2019-10-14 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 一种基于区块链网络的数据处理方法、装置及存储介质 |
CN110823094A (zh) * | 2019-11-08 | 2020-02-21 | 北京理工大学 | 一种点光源三维坐标测量方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104821955B (zh) | 数字化抄表系统及抄表方法 | |
CN109857351A (zh) | 可追溯发票的打印方法 | |
CN109887202A (zh) | 内置增强模块的税控盘 | |
Turner | Route Selection | |
CN107392828A (zh) | 基于gis的道路事案自动化处置系统及流程 | |
CN110378886A (zh) | 图像比对方法、图像比对装置、电子设备和介质 | |
JP7553941B2 (ja) | 経費検査装置、経費検査方法、およびプログラム | |
CN109993877A (zh) | 基于位置信息的防伪发票识别方法 | |
CN109934597A (zh) | 外置税控盘附加装置 | |
CN104572954B (zh) | 一种利用邮件投递验证地图兴趣点信息的系统和方法 | |
CN106779887A (zh) | 一种发票管理方法、装置及系统 | |
WO2021235394A1 (ja) | 経費管理装置、情報処理方法、および記録媒体 | |
CN103268324B (zh) | 一种公交站牌自动打印的实现方法和系统 | |
Young et al. | Defining probability-based rail station catchments for demand modelling | |
CN109978637A (zh) | 发票防抽逃方法 | |
CN105047068A (zh) | 顾及红绿色盲人群视觉特性的旅游地图生成方法及系统 | |
CN206312228U (zh) | 一种基于互联网技术的检票验票系统 | |
JP7193189B1 (ja) | 評価単位確定装置及び相続税財産評価システム | |
Adeyemi | Mapping the locational pattern of hotels in Akure, Ondo State | |
CN104239989A (zh) | 一种门票管理系统 | |
CN106004080A (zh) | 车票打印方法及其装置和应用 | |
WO2022054666A1 (ja) | 情報処理装置、情報処理方法、および記録媒体 | |
Hajrizi et al. | Water Losses Management in Mitrovica region | |
CN116976470A (zh) | 一种基于云计算的电子票务系统 | |
CN117112861A (zh) | 一种路径拟合方法及装载该方法的地理信息可视化系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |
|
RJ01 | Rejection of invention patent application after publication |