CN109887279B - 一种交通拥堵预测方法及系统 - Google Patents
一种交通拥堵预测方法及系统 Download PDFInfo
- Publication number
- CN109887279B CN109887279B CN201910143149.8A CN201910143149A CN109887279B CN 109887279 B CN109887279 B CN 109887279B CN 201910143149 A CN201910143149 A CN 201910143149A CN 109887279 B CN109887279 B CN 109887279B
- Authority
- CN
- China
- Prior art keywords
- road
- cluster
- sub
- time
- congestion value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 2
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种交通拥堵预测方法及系统，涉及交通技术领域，解决了现有技术中交通拥堵预测存在的训练速度慢、预测精度低和全局路网多样性与动态性的问题。一种交通拥堵预测方法，包括以下步骤：将全路网交通数据按照路段属性特征聚类划分为多个聚类簇子模型；将每个聚类簇子模型的特征数据分别输入不同的超限学习机子预测器中进行训练学习，获得每个聚类簇子模型对应的某个时间点的预测拥堵值；将各个聚类簇子模型在各个时间点的预测拥堵值集成为全路网整体的预测拥堵值。
Description
技术领域
本申请涉及交通技术领域，尤其涉及一种交通拥堵预测方法及系统。
背景技术
随着经济的发展，人们的生活水平不断提高，越老越多的人使用私家车出行，造成城市交通拥堵，交通拥堵严重影响人们的出行质量，准确实时的交通拥堵预测能够缓解交通阻塞，提醒司机避开交通拥堵路段。随着车流量的增加，原有的车辆拥堵预测方法已不能满足当前的全路网大规模交通数据的交通预测问题，当前的交通拥堵预测方法面临规模大、路段情况复杂等挑战，在训练速度、预测精度和推广性上都存在不足，更无法解决全局路网的多样性和动态性的问题。
发明内容
本申请的目的在于提供一种交通拥堵预测方法及系统，以解决现有技术中交通拥堵预测存在的训练速度慢、预测精度低和全局路网多样性与动态性的问题。
为达到上述目的，本申请提供一种交通拥堵预测方法，包括以下步骤：
将全路网交通数据按照路段属性特征聚类划分为多个聚类簇子模型；
将每个聚类簇子模型的特征数据分别输入不同的超限学习机子预测器中进行训练学习，获得每个聚类簇子模型对应的某个时间点的预测拥堵值；
将各个聚类簇子模型在各个时间点的预测拥堵值集成为全路网整体的预测拥堵值。
如上的，其中，聚类簇子模型的拥堵值的计算公式为：
其中，i表示路段，t表示车速，
为不同路段的参数，e表示无理数，e＝2.71828。
如上的，其中，所述特征数据包括时序特征和非时序特征。
如上的，其中，时序特征和非时序特征混合模型的拥堵值预测结果为：
其中，z1表示时序特征的拥堵值预测结果，z2表示非时序特征的预测结果，z1和z2均由公式一计算得出。
如上的，其中，所述时序特征的拥堵值预测结果为：设定在时刻ti的拥堵值为
随着时间的推移，产生如下序列：
其中，i为从1开始的正整数。
如上的，其中，所述非时序特征的预测结果为：设定路段i在j时刻的拥堵值为xi,j(0≤xi,j＜100)，对于一条确定的道路i，该道路一天的拥堵值向量为：
[{xi,j}]T；
其中，i为正整数，j为从1至190的正整数，
全路网道路的拥堵值矩阵如下：
{xn＝[xn,j]T}；
其中，n代表第几条道路，n为从1开始的正整数，j为从1至190的正整数。
如上的，其中，所述路段i的属性特征包括：路段入口邻接道路数量和路段出口邻接数量。
优选的，不同的超限学习机子预测器共享同一个随机权重。
优选的，所述特征数据输入不同的超限学习机子预测器之前，还包括对特征数据进行预处理和标准化的步骤。
本申请还提供一种交通拥堵预测系统，包括：
聚类簇子模型，由全路网交通数据按照路段属性特征聚类划分而成；
超限学习机子预测器，每个聚类簇子模型对应一个超限学习机子预测器，超限学习机子预测器对聚类簇子模型的特征数据进行训练学习，获取各个路段的预测拥堵值；
集成模块，将各路段的预测拥堵值集成为全路网预测拥堵值；
浮动车数据接收器，用于获取浮动车数据。
本申请实现的有益效果如下：
(1)本申请将全路网交通数据聚类划分为多个聚类簇子模型，并将聚类簇子模型的特征数据送入到不同的超限学习机子预测器中训练学习，各个聚类簇子模型的数据独立，可以在多个超限学习机子预测器中并行运算，提升了运行速度，训练速度快，提高了预测精度。
(2)本申请将全路网交通数据按照路段属性特征不同聚类划分为多个聚类簇子模型，解决了全路网多样性和动态性的问题。
(3)本申请不同的超限学习机子预测器共享同一个随机权重，降低了运算的复杂度，提高了数据的处理速度。
(4)本申请提供了时序特征和非时序特征混合模型，分别计算时序特征对应的预测拥堵值和非时序特征对应的拥堵值，取两者中较大的值作为混合模型的拥堵值，从而提高了预测精度。
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，还可以根据这些附图获得其他的附图。
图1为本发明一种交通拥堵预测方法的流程图。
图2为本发明一种交通拥堵预测系统的示意图。
具体实施方式
下面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。
实施例一
如图1所示，本申请提供了一种交通拥堵预测方法，包括以下步骤：
步骤110，将全路网交通数据按照路段属性特征聚类划分为多个聚类簇子模型；
步骤120，将每个聚类簇子模型的特征数据分别输入不同的超限学习机子预测器中进行训练学习，获得每个聚类簇子模型对应的某个时间点的预测拥堵值；
步骤130，将各个聚类簇子模型在各个时间点的预测拥堵值集成为全路网整体的预测拥堵值。
其中，聚类簇子模型的拥堵值的计算公式为：
其中，i表示路段，t表示车速，
为不同路段的参数，e表示无理数，通常，e＝2.71828。
其中，所述特征数据包括时序特征和非时序特征。
优选的，时序特征和非时序特征混合模型的拥堵值预测结果为：
其中，z1表示时序特征的拥堵值预测结果，z2表示非时序特征的预测结果，z1和z2均由公式一计算得出。
根据多次实验的统计结果，当预测时间大于或等于8分钟时，使用非时序模型的预测准确度高于使用时序特征模型的预测准确度，当预测时间小于8分钟时，使用时序特征模型的预测准确度高于使用非时序特征模型的预测准确度，因此，8分钟以内预测拥堵值使用时序特征模型，超过8分钟预测拥堵值使用非时序特征模型，提高预测准确度。
其中，时序特征的拥堵值预测结果为：设定在时刻ti的拥堵值为
随着时间的推移，产生如下序列：
其中，i为从1开始的正整数。
具体而言，时序序列是按时间顺序产生的一组数字序列，该数字序列在一定时间周期内具有很强的自相似性。
其中，非时序特征的预测结果为：设定路段i在j时刻的拥堵值为xi,j(0≤xi,j＜100)，对于一条确定的道路i，该道路一天的拥堵值向量为：
[{xi,j}]T；
其中，i为正整数，j为从1至190的正整数，
具体的，第1条道路在一天内的拥堵值向量为：[x1,0,x1,1,x1,2...,x1,190]T
全路网道路的拥堵值矩阵如下：
{xn＝[xn,j]T}；
其中，n代表第几条道路，n为从1开始的正整数，j为从1至190的正整数。
具体而言，非时序特征的道路级别分为高速路、快速路、主干道、次干道或支路。
根据非时序特征的属性特征拟合道路拥堵分级如表1：
| 拥堵等级 | 畅通 | 中度拥堵 | 严重拥堵 |
| 高速路、快速路 | v＞45 | 20＜v≤45 | v≤20 |
| 主干道 | v＞25 | 10＜v≤25 | v≤10 |
| 次干道、支路 | v＞20 | 10＜v≤20 | v≤10 |
其中，表1中的v代表在某段时间内经过某路段的所有车辆车速的平均值。
具体的，根据地图数据抽取道路信息，如：近邻、车道数、道路级别等。
优选的，所述路段i的属性特征包括：路段入口邻接道路数量和路段出口邻接数量。具体的，路段入口(出口)邻接道路数量为连续性特征，取值0，1，2，3...
优选的，不同的超限学习机子预测器共享同一个随机权重，降低了运算的复杂度，提高了数据的处理速度。
优选的，所述特征数据输入不同的超限学习机子预测器之前，还包括对特征数据进行预处理和标准化的步骤。
具体而言，特征数据按照取值类型分为数值型特征和枚举型特征，数值型特征如年龄、收入等具有相对大小的特征，枚举型特征如道路级别、性别、城市等不同取值之间不存在相关大小关系。
在实际应用中，特征输入复杂多样，可能包括数值型特征，又包括枚举型特征，特征取值范围、类型或维度不同，无法直接进行学习，因此，需要对特征进行预处理和标准化后再进行学习，一般而言，数值型特征需要进行离散化，将其离散化为多个区间，如某个特征的取值范围为[0,100]，离散化后可以将其划分为10段，如[0,10]，[1,20]，...，[9,100]。数值型特征离散化后变成了枚举型特征，经过离散化处理后，数值型特征和枚举型特征同一为枚举型特征。
具体的，需要将枚举型特征进一步二值化处理后送入模型中，即特征只取两种值，0或者1，枚举型特征转为二值特征的方法是将枚举特征映射为多个特征，每个特征对应一个特定枚举值。
具体的，将枚举特征称为簇特征，将由枚举特征转化而来的多个二值特征称为单特征，设一个输入样本x由p个簇特征组成，即x＝{x1，x2，xi，...，xp}，特征簇xi可以转化为qi个二值特征，xi＝{αi,1，αi,2，...，αi,j，...，αi,qi}。x的特征总数为
如果采用单模型方式，输入特征数为
需要隐层节点数大，网络结构复杂。
优选的，采用多模型方式，用簇特征x1划分原始模型，需要q1个子模型，每个子模型输入特征数为
多个子模型共用同一个随机化的输入权重，形成一个超限学习机(ELM)集群，每个节点是一个子模型，对于任意一个确定的输入样本，根据簇特征x1的具体取值，进入不同的子模型，相对于原始数据，子模型特征数变少，隐层节点数也相应减少，模型复杂度降低，每个子模型训练时间大大减少，ELM集群训练的时间总和比单模型快，特别是在x1单特征数比较大的时候，加速效果明显。
实施例二
如图2所示，本申请还提供一种交通拥堵预测系统，包括：
聚类簇子模型210，由全路网交通数据按照路段属性特征聚类划分而成；
超限学习机子预测器220，每个聚类簇子模型210对应一个超限学习机子预测器220，超限学习机子预测器220对聚类簇子模型210的特征数据进行训练学习，获取各个路段的预测拥堵值；
集成模块230，将各路段的预测拥堵值集成为全路网预测拥堵值；
浮动车数据接收器，用于获取浮动车数据，浮动车数据包括浮动车的数量和浮动车在某时刻的行驶速度。
具体而言，根据浮动车数据和路段信息对路段进行评价，获取路段级评价数据；然后根据路段级评价数据和路段信息进行路段级预测，获取路段级预测数据；最后根据各个路段级数据进行区域级预测，获取区域级预测数据。
本申请实现的有益效果如下：
(1)本申请将全路网交通数据聚类划分为多个聚类簇子模型，并将聚类簇子模型的特征数据送入到不同的超限学习机子预测器中训练学习，各个聚类簇子模型的数据独立，可以在多个超限学习机子预测器中并行运算，提升了运行速度，训练速度快，提高了预测精度。
(2)本申请将全路网交通数据按照路段属性特征不同聚类划分为多个聚类簇子模型，解决了全路网多样性和动态性的问题。
(3)本申请不同的超限学习机子预测器共享同一个随机权重，降低了运算的复杂度，提高了数据的处理速度。
(4)本申请提供了时序特征和非时序特征混合模型，分别计算时序特征对应的预测拥堵值和非时序特征对应的拥堵值，取两者中较大的值作为混合模型的拥堵值，从而提高了预测精度。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种交通拥堵预测方法，其特征在于，包括以下步骤：
将全路网交通数据按照路段属性特征聚类划分为多个聚类簇子模型；
将每个聚类簇子模型的特征数据分别输入不同的超限学习机子预测器中进行训练学习，获得每个聚类簇子模型对应的某个时间点的预测拥堵值；
将各个聚类簇子模型在各个时间点的预测拥堵值集成为全路网整体的预测拥堵值；
其中，采用多模型方式，用簇特征x1划分原始模型，需要q1个子模型，每个子模型输入特征数为
对于任意一个确定的输入样本，根据簇特征x1的具体取值，进入不同的子模型；其中，p表示簇特征个数，qi表示簇特征转换的二值特征个数。
2.根据权利要求1所述的一种交通拥堵预测方法，其特征在于，聚类簇子模型的拥堵值的计算公式为：
其中，i表示路段，t表示车速，
为不同路段的参数，e表示无理数，e＝2.71828。
3.根据权利要求2所述的一种交通拥堵预测方法，其特征在于，所述特征数据包括时序特征和非时序特征。
4.根据权利要求3所述的一种交通拥堵预测方法，其特征在于，时序特征和非时序特征混合模型的拥堵值预测结果为：
其中，z1表示时序特征的拥堵值预测结果，z2表示非时序特征的拥堵值预测结果，z1和z2均由公式一计算得出。
5.根据权利要求4所述的一种交通拥堵预测方法，其特征在于，所述时序特征的拥堵值预测结果为：设定在时刻ti的拥堵值为
随着时间的推移，产生如下序列：
其中，i为从1开始的正整数。
6.根据权利要求4所述的一种交通拥堵预测方法，其特征在于，所述非时序特征的拥堵值预测结果为：设定路段i在j时刻的拥堵值为xi,j,0≤xi,j＜100，对于一条确定的道路i，该道路一天的拥堵值向量为：
[{xi,j}]T；
其中，i为正整数，j为从1至190的正整数，
全路网道路的拥堵值矩阵如下：
{xn＝[xn,j]T}；
其中，n代表第几条道路，n为从1开始的正整数，j为从1至190的正整数。
7.根据权利要求6所述的一种交通拥堵预测方法，其特征在于，所述路段i的属性特征包括：路段入口邻接道路数量和路段出口邻接数量。
8.根据权利要求1所述的一种交通拥堵预测方法，其特征在于，不同的超限学习机子预测器共享同一个随机权重。
9.根据权利要求1所述的一种交通拥堵预测方法，其特征在于，所述特征数据输入不同的超限学习机子预测器之前，还包括对特征数据进行预处理和标准化的步骤。
10.一种交通拥堵预测系统，其特征在于，包括：
聚类簇子模型，由全路网交通数据按照路段属性特征聚类划分而成；
超限学习机子预测器，每个聚类簇子模型对应一个超限学习机子预测器，超限学习机子预测器对聚类簇子模型的特征数据进行训练学习，获取各个路段的预测拥堵值；
集成模块，将各路段的预测拥堵值集成为全路网预测拥堵值；
浮动车数据接收器，用于获取浮动车数据；
其中，采用多模型方式，用簇特征x1划分原始模型，需要q1个子模型，每个子模型输入特征数为
对于任意一个确定的输入样本，根据簇特征x1的具体取值，进入不同的子模型；其中，p表示簇特征个数，qi表示簇特征转换的二值特征个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910143149.8A CN109887279B (zh) | 2019-02-26 | 2019-02-26 | 一种交通拥堵预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910143149.8A CN109887279B (zh) | 2019-02-26 | 2019-02-26 | 一种交通拥堵预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109887279A CN109887279A (zh) | 2019-06-14 |
| CN109887279B true CN109887279B (zh) | 2021-01-05 |
Family
ID=66929521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910143149.8A Active CN109887279B (zh) | 2019-02-26 | 2019-02-26 | 一种交通拥堵预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109887279B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111833605B (zh) * | 2020-07-10 | 2022-04-26 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、路况预测模型训练方法、装置及存储介质 |
| CN112016760A (zh) * | 2020-09-04 | 2020-12-01 | 平安科技（深圳）有限公司 | 多维度信息的组合预测方法、装置、计算机设备及介质 |
| CN112598907B (zh) * | 2020-12-17 | 2021-12-07 | 东风商用车有限公司 | 拥堵预测方法、装置、设备及可读存储介质 |
| CN113626599A (zh) * | 2021-08-16 | 2021-11-09 | 未鲲(上海)科技服务有限公司 | 目标信息的获取方法、装置、设备以及存储介质 |
| CN116030637B (zh) * | 2023-03-28 | 2023-07-21 | 南京理工大学 | 一种交通状态预测集成方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100570664C (zh) * | 2008-01-11 | 2009-12-16 | 孟小峰 | 一种基于聚类来监控交通拥堵状况的系统及其方法 |
| CN106251625B (zh) * | 2016-08-18 | 2019-10-01 | 上海交通大学 | 大数据环境下立体城市交通路网全局状态预测方法 |
| CN107103754B (zh) * | 2017-05-10 | 2020-05-22 | 华南师范大学 | 一种道路交通状况预测方法及系统 |
| CN107154150B (zh) * | 2017-07-25 | 2019-07-02 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
| CN108269401B (zh) * | 2018-01-30 | 2021-02-23 | 银江股份有限公司 | 一种基于数据驱动的高架桥交通拥堵预测方法 |
| CN108986453A (zh) * | 2018-06-15 | 2018-12-11 | 华南师范大学 | 一种基于情境信息的交通状况预测方法、系统及装置 |
-
2019
- 2019-02-26 CN CN201910143149.8A patent/CN109887279B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109887279A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109887279B (zh) | 一种交通拥堵预测方法及系统 | |
| CN111832225B (zh) | 一种构建汽车行驶工况的方法 | |
| Wang et al. | Traffic speed prediction and congestion source exploration: A deep learning method | |
| CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
| 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 | |
| CN106095963B (zh) | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 | |
| CN110288825B (zh) | 基于多源数据融合和snmf的交通控制子区聚类划分方法 | |
| Xie et al. | A hybrid method combining Markov prediction and fuzzy classification for driving condition recognition | |
| CN109345832B (zh) | 一种基于深度递归神经网络的城市道路超车预测方法 | |
| CN111126868B (zh) | 一种道路交通事故发生风险确定方法及系统 | |
| CN113033840B (zh) | 一种公路养护的判断方法和装置 | |
| CN110288826B (zh) | 基于多源数据融合和milp的交通控制子区聚类划分方法 | |
| Doğan | LSTM training set analysis and clustering model development for short-term traffic flow prediction | |
| CN106023592A (zh) | 一种基于gps数据的交通拥堵检测方法 | |
| CN112507624A (zh) | 一种城际公路出行方式识别模型构建、识别方法及装置 | |
| CN113222385A (zh) | 一种电动汽车行驶工况构建与评价方法 | |
| CN112927511A (zh) | 一种基于驾驶员年龄和性别识别的车辆预警方法 | |
| CN111907523A (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
| CN109147322B (zh) | 一种城市交通大数据处理中多源数据自适应融合方法 | |
| Lee | Freeway travel time forecast using artifical neural networks with cluster method | |
| CN117454318A (zh) | 一种基于多源数据融合的桥梁群时空荷载分布识别方法 | |
| CN116091254B (zh) | 商用车风险的分析方法 | |
| CN117542195A (zh) | 一种交通运行状态识别方法、装置、设备及介质 | |
| CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
| CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210802 Address after: 276000 Room 518, administrative service center, No. 1, Renmin Road, Pingshang Town, Lingang Economic Development Zone, Linyi City, Shandong Province Patentee after: Linyi xingchuangda Intellectual Property Operation Co.,Ltd. Address before: 101300 Beijing Shunyi District Airport Street, No. 1 Anhua Street, 1st Building, 1st Floor, No. 2159 Patentee before: BEIJING LONGPU INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230705 Address after: Room 1503, Hongqilou Business Building, No. 11, Gongye East Street, Qiaodong District, Zhangjiakou City, Hebei Province, 075000 Patentee after: Zhangjiakou Dongchu Technology Co.,Ltd. Address before: 276000 Room 518, administrative service center, No. 1, Renmin Road, Pingshang Town, Lingang Economic Development Zone, Linyi City, Shandong Province Patentee before: Linyi xingchuangda Intellectual Property Operation Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190614 Assignee: Hebei Yuncha Technology Co.,Ltd. Assignor: Zhangjiakou Dongchu Technology Co.,Ltd. Contract record no.: X2023980049711 Denomination of invention: A Traffic Congestion Prediction Method and System Granted publication date: 20210105 License type: Common License Record date: 20231204 |
|
| EE01 | Entry into force of recordation of patent licensing contract |