CN109903071A - 一种二手车定价方法、装置、设备及计算机可读介质 - Google Patents
一种二手车定价方法、装置、设备及计算机可读介质 Download PDFInfo
- Publication number
- CN109903071A CN109903071A CN201711306973.8A CN201711306973A CN109903071A CN 109903071 A CN109903071 A CN 109903071A CN 201711306973 A CN201711306973 A CN 201711306973A CN 109903071 A CN109903071 A CN 109903071A
- Authority
- CN
- China
- Prior art keywords
- model
- fusion
- price
- used car
- vehicle
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种二手车定价方法、装置、设备及计算机可读介质，该方法包括：获取步骤，获取n个二手车定价的基模型；处理步骤，对所述n个二手车定价的基模型进行XGBoost融合处理得到二手车定价的融合模型；定价步骤，使用所述融合模型对二手车进行定价。本发明改进了简单的融合机制，通过对基模型特征进行特征向量的提取，使用XGBoost对这些基模型特征向量进行融合处理，使得融合后的融合模型充分发挥各个基模型的优点，提高了二手车定价的准确性。
Description
技术领域
本发明涉及数据处理技术领域，特别是一种二手车定价方法、装置、设备及计算机可读介质。
背景技术
目前，随着人民生活水平的提高，汽车更新速度越来越快，如何准确的评估二手车的的价格是一个技术难题，现有技术中已经使用一些机器学习的模型进行二手车的估价，如在二手车定价领域,也有不同的模型如重置成本法,分段线性模型,多项式回归模型,一元线性模型,二元线性模型,指数模型,鲁棒指数模型等等。不同的模型有自己适用情况。如重置成本法适用于2年以后的准新车的估价；分段线性模型对定价师的定价经验进行建模；一元线性模型,只考虑车龄这个最重要因素,对价格的预测虽然不够准确但是不会出现很大的偏差；指数模型在车组的粒度上对价格与车龄的指数变化关系进行建模。
现有技术中使用比较简单的Bagging模型融合方法进行多个模型的融合，但是该方法对二手车的估价偏差较大，有时还不如单模型估计的准确，因此，如何融合多个模型之间的优点进行二手车的定价是一个技术难题。
发明内容
本发明针对上述现有技术中的缺陷，提出了如下技术方案。
一种二手车定价方法，该方法包括：
获取步骤，获取n个二手车定价的基模型；
处理步骤，对所述n个二手车定价的基模型进行XGBoost融合处理得到二手车定价的融合模型；
定价步骤，使用所述融合模型对二手车进行定价；
其中，n为整数。
更进一步地，所述基模型为适应相应应用场景的单个定价模型。
更进一步地，所述基模型包括：线性回归模型、指数回归模型、三次多项式模型、分段线性模型和/或重置成本法模型。
更进一步地，所述处理步骤包括：
基模型特征生成步骤，对所述n个基模型进行处理得到n个基模型特征的特征向量x1、x2……xn；
融合步骤，使用XGBoost融合处理算法对所述n个特征向量x1、x2……xn进行融合处理得到二手车定价的融合模型；
训练步骤，对所述融合模型使用样本集进行训练，使得融合模型误差小于一定的阈值。
更进一步地，每一特征向量xi包括：车型或车系粒度下在某个城市或省份下的供给量、车型或车系粒度下在某个城市或省份的需求量、车型或车系粒度下在某个城市或省份的需求量与供给量的比例、是否准新车、模型拟合优度、是否近期成交、是否使用车组数据或不同车龄段的降价幅度情况中的至少之一，其中，1≤i≤n。
更进一步地，所述融合步骤的操作为：
构建XGBoost融合处理目标函数为：
其中，表示损失函数，Ω(ft)表示防止过拟合的正则项，yi表示目标值，表示前面t-1个模型的预测值，ft(xi)表示第t轮需要训练的模型。
本发明还提出了一种二手车定价装置，该装置包括：
获取单元，获取n个二手车定价的基模型；
处理单元，对所述n个二手车定价的基模型进行XGBoost融合处理得到二手车定价的融合模型；
定价单元，使用所述融合模型对二手车进行定价；
其中，n为整数。
更进一步地，所述基模型为适应相应应用场景的单个定价模型。
更进一步地，所述基模型包括：线性回归模型、指数回归模型、三次多项式模型、分段线性模型和/或重置成本法模型。
更进一步地，所述处理单元包括：
基模型特征生成模块，对所述n个基模型进行处理得到n个基模型特征的特征向量x1、x2……xn；
融合模块，使用XGBoost融合处理算法对所述n个特征向量x1、x2……xn进行融合处理得到二手车定价的融合模型；
训练模块，对所述融合模型使用样本集进行训练，使得融合模型误差小于一定的阈值。
更进一步地，每一特征向量xi包括：车型或车系粒度下在某个城市或省份下的供给量、车型或车系粒度下在某个城市或省份的需求量、车型或车系粒度下在某个城市或省份的需求量与供给量的比例、是否准新车、模型拟合优度、是否近期成交、是否使用车组数据或不同车龄段的降价幅度情况中的至少之一，其中，1≤i≤n。
更进一步地，所述融合模块的操作为：
构建XGBoost融合处理目标函数为：
其中，表示损失函数，Ω(ft)表示防止过拟合的正则项，yi表示目标值，表示前面t-1个模型的预测值，ft(xi)表示第t轮需要训练的模型。
本发明还提出了一种二手车定价装置设备，所述设备包括处理器、存储器，所述处理器与所述存储器通过总线相连接，所述存储器中存储机器可读代码，所述处理器执行存储器中的机器可读代码可执行上述之一的方法。
本发明还提出了一种计算机可读存储介质，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时可执行上述之一的方法。
本发明的技术效果为：本发明改进了简单的融合机制，通过对基模型特征进行特征向量的提取，使用XGBoost对这些基模型特征向量进行融合处理，使得融合后的融合模型充分发挥各个基模型的优点，提高了二手车定价的准确性。
附图说明
图1是本发明实施例的一种二手车定价方法的流程图。
图2是本发明实施例的一种处理步骤的流程图。
图3是本发明实施例的一种二手车定价装置的结构示意图。
图4是本发明实施例的一种处理单元的结构示意图。
图5是本发明实施例的一种二手车定价设备的结构示意图。
具体实施方式
下面结合附图1-5进行具体说明。
图1示出了本发明的二手车定价方法，该方法包括：
获取步骤S1，获取n个二手车定价的基模型；
处理步骤S2，对所述n个二手车定价的基模型进行XGBoost融合处理得到二手车定价的融合模型；
定价步骤S3，使用所述融合模型对二手车进行定价；
其中，n为整数，一般来说，进行融合时至少包括2个模型，当然n＝1时该方法仍可以进行，只是执行后的结果仍然等于基模型。
所述基模型为适应相应应用场景的单个定价模型，比如2年的新车采用重置成本法模型预测较为精确，不同年限的车采用指数模型预测较为精确，本发明中使用的所述基模型包括：线性回归模型、指数回归模型、三次多项式模型、分段线性模型和/或重置成本法模型。
本发明对基模型进行融合，采用的操作是提取基模型的特征向量后进行融合，如图2所示，所述处理步骤S2包括：
基模型特征生成步骤S21，对所述n个基模型进行处理得到n个基模型特征的特征向量x1、x2……xn；
融合步骤S22，使用XGBoost融合处理算法对所述n个特征向量x1、x2……xn进行融合处理得到二手车定价的融合模型；
训练步骤S23，对所述融合模型使用样本集进行训练，使得融合模型误差小于一定的阈值。
对生成融合模型要进行训练，训练集是人工校正后的准确数据，通过对融合模型的训练，使得其误差小于一定的阈值，如0.5％等。
基模型特征生成步骤S21中提取的每一特征向量xi包括：车型或车系粒度下在某个城市或省份下的供给量、车型或车系粒度下在某个城市或省份的需求量、车型或车系粒度下在某个城市或省份的需求量与供给量的比例、是否准新车、模型拟合优度、是否近期成交、是否使用车组数据或不同车龄段的降价幅度情况中的至少之一，其中，1≤i≤n。车型或车系粒度的含义是某一车型或车系，如奥迪Q5，奥迪suv等等。
所述融合步骤S22的操作为：构建XGBoost融合处理目标函数为
构建XGBoost融合处理目标函数为：
其中，表示损失函数，Ω(ft)表示防止过拟合的正则项，yi表示目标值，表示前面t-1个模型的预测值，ft(xi)表示第t轮需要训练的模型，表示第t轮训练的融合模型所优化的目标函数，是前面t-1个融合模型与目标值的残差，该残差越大,说明前面t-1个模型预测得越不准，使用第t个模型是针对前面t-1个模型的劣势进行弥补。本发明中是将基模型的特征抽取为特征向量后通过XGBoost融合处理，使得生成的融合模型准确度高，可以充分体现各个基模型的优点。
在定价步骤S3中，输入待定价的二手车的相关参数，如车型或车系、是否准新车、是否近期成交、车龄等等，然后即可获得二手车的估价。
图3示出了本发明的二手车定价装置，该装置包括：
获取单元1，获取n个二手车定价的基模型；
处理单元2，对所述n个二手车定价的基模型进行XGBoost融合处理得到二手车定价的融合模型；
定价单元3，使用所述融合模型对二手车进行定价；
其中，n为整数，一般来说，进行融合时至少包括2个模型，当然n＝1时该方法仍可以进行，只是执行后的结果仍然等于基模型。
所述基模型为适应相应应用场景的单个定价模型，比如2年的新车采用重置成本法模型预测较为精确，不同年限的车采用指数模型预测较为精确，本发明中使用的所述基模型包括：线性回归模型、指数回归模型、三次多项式模型、分段线性模型和/或重置成本法模型。
本发明对基模型进行融合，采用的操作是提取基模型的特征向量后进行融合，如图4所示，所述处理单元2包括：
基模型特征生成模块21，对所述n个基模型进行处理得到n个基模型特征的特征向量x1、x2……xn；
融合模块22，使用XGBoost融合处理算法对所述n个特征向量x1、x2……xn进行融合处理得到二手车定价的融合模型；
训练模块23，对所述融合模型使用样本集进行训练，使得融合模型误差小于一定的阈值。
对生成融合模型要进行训练，训练集是人工校正后的准确数据，通过对融合模型的训练，使得其误差小于一定的阈值，如0.5％等。
基模型特征生成模块21中提取的每一特征向量xi包括：车型或车系粒度下在某个城市或省份下的供给量、车型或车系粒度下在某个城市或省份的需求量、车型或车系粒度下在某个城市或省份的需求量与供给量的比例、是否准新车、模型拟合优度、是否近期成交、是否使用车组数据或不同车龄段的降价幅度情况中的至少之一，其中，1≤i≤n。车型或车系粒度的含义是某一车型或车系，如奥迪Q5，奥迪suv等等。
所述融合模块22的操作为：构建XGBoost融合处理目标函数为：
其中，表示损失函数，Ω(ft)表示防止过拟合的正则项，yi表示目标值，表示前面t-1个模型的预测值，ft(xi)表示第t轮需要训练的模型，表示第t轮训练的融合模型所优化的目标函数，是前面t-1个融合模型与目标值的残差，该残差越大,说明前面t-1个模型预测得越不准，使用第t个模型是针对前面t-1个模型的劣势进行弥补。本发明中是将基模型的特征抽取为特征向量后通过XGBoost融合处理，使得生成的融合模型准确度高，可以充分体现各个基模型的优点。
在定价单元3中，输入待定价的二手车的相关参数，如车型或车系、是否准新车、是否近期成交、车龄等等，然后即可获得二手车的估价。
图5示出了一种二手车定价装置设备，所述设备包括处理器31、存储器32，所述处理器31与所述存储器32通过总线相连接，所述存储器32中存储机器可读代码，所述处理器执行存储器中的机器可读代码可执行上述之一的方法，改设备还可以包括显示器33，用于向用户呈现二手车价格。
本发明还提出了一种计算机可读存储介质，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时可执行上述之一的方法。
本发明所述的方法，可以通过计算机程序实现，也可以将计算机程序存储在存储介质上，处理器从存储介质上读取计算机程序，并执行相应的方法。
最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。
Claims (14)
1.一种二手车定价方法，其特征在于，该方法包括：
获取步骤，获取n个二手车定价的基模型；
处理步骤，对所述n个二手车定价的基模型进行XGBoost融合处理得到二手车定价的融合模型；
定价步骤，使用所述融合模型对二手车进行定价；
其中，n为整数。
2.根据权利要求1的方法，其特征在于，所述基模型为适应相应应用场景的单个定价模型。
3.根据权利要求2的方法，其特征在于，所述基模型包括：线性回归模型、指数回归模型、三次多项式模型、分段线性模型和/或重置成本法模型。
4.根据权利要求3的方法，其特征在于，所述处理步骤包括：
基模型特征生成步骤，对所述n个基模型进行处理得到n个基模型特征的特征向量x1、x2……xn；
融合步骤，使用XGBoost融合处理算法对所述n个特征向量x1、x2……xn进行融合处理得到二手车定价的融合模型；
训练步骤，对所述融合模型使用样本集进行训练，使得融合模型误差小于一定的阈值。
5.根据权利要求4的方法，其特征在于，每一特征向量xi包括：车型或车系粒度下在某个城市或省份下的供给量、车型或车系粒度下在某个城市或省份的需求量、车型或车系粒度下在某个城市或省份的需求量与供给量的比例、是否准新车、模型拟合优度、是否近期成交、是否使用车组数据或不同车龄段的降价幅度情况中的至少之一，其中，1≤i≤n。
6.根据权利要求5的方法，其特征在于，所述融合步骤的操作为：
构建XGBoost融合处理目标函数为：
其中，表示损失函数，Ω(ft)表示防止过拟合的正则项，yi表示目标值，表示前面t-1个模型的预测值，ft(xi)表示第t轮需要训练的模型。
7.一种二手车定价装置，其特征在于，该装置包括：
获取单元，获取n个二手车定价的基模型；
处理单元，对所述n个二手车定价的基模型进行XGBoost融合处理得到二手车定价的融合模型；
定价单元，使用所述融合模型对二手车进行定价；
其中，n为整数。
8.根据权利要求7的装置，其特征在于，所述基模型为适应相应应用场景的单个定价模型。
9.根据权利要求8的装置，其特征在于，所述基模型包括：线性回归模型、指数回归模型、三次多项式模型、分段线性模型和/或重置成本法模型。
10.根据权利要求9的装置，其特征在于，所述处理单元包括：
基模型特征生成模块，对所述n个基模型进行处理得到n个基模型特征的特征向量x1、x2……xn；
融合模块，使用XGBoost融合处理算法对所述n个特征向量x1、x2……xn进行融合处理得到二手车定价的融合模型；
训练模块，对所述融合模型使用样本集进行训练，使得融合模型误差小于一定的阈值。
11.根据权利要求10的装置，其特征在于，每一特征向量xi包括：车型或车系粒度下在某个城市或省份下的供给量、车型或车系粒度下在某个城市或省份的需求量、车型或车系粒度下在某个城市或省份的需求量与供给量的比例、是否准新车、模型拟合优度、是否近期成交、是否使用车组数据或不同车龄段的降价幅度情况中的至少之一，其中，1≤i≤n。
12.根据权利要求11的装置，其特征在于，所述融合模块的操作为：
构建XGBoost融合处理目标函数为：
其中，表示损失函数，Ω(ft)表示防止过拟合的正则项，yi表示目标值，表示前面t-1个模型的预测值，ft(xi)表示第t轮需要训练的模型。
13.一种二手车定价装置设备，其特征在于，所述设备包括处理器、存储器，所述处理器与所述存储器通过总线相连接，所述存储器中存储机器可读代码，所述处理器执行存储器中的机器可读代码执行权利要求1-6之任一的方法。
14.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时执行权利要求1-6之任一的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711306973.8A CN109903071A (zh) | 2017-12-11 | 2017-12-11 | 一种二手车定价方法、装置、设备及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711306973.8A CN109903071A (zh) | 2017-12-11 | 2017-12-11 | 一种二手车定价方法、装置、设备及计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109903071A true CN109903071A (zh) | 2019-06-18 |
Family
ID=66942028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711306973.8A Pending CN109903071A (zh) | 2017-12-11 | 2017-12-11 | 一种二手车定价方法、装置、设备及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109903071A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110544135A (zh) * | 2019-09-10 | 2019-12-06 | 金瓜子科技发展（北京）有限公司 | 一种数据处理方法和装置 |
| CN111383060A (zh) * | 2020-03-18 | 2020-07-07 | 浙江大搜车软件技术有限公司 | 车辆价格的确定方法、装置、电子设备及存储介质 |
| CN111461219A (zh) * | 2020-04-01 | 2020-07-28 | 丰车(上海)信息技术有限公司 | 一种基于光滑支撑向量回归融合的二手车估值方法 |
| CN111768220A (zh) * | 2019-06-28 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 生成车辆定价模型的方法和装置 |
| CN112579900A (zh) * | 2020-12-22 | 2021-03-30 | 优必爱信息技术（北京）有限公司 | 二手车置换信息推荐方法、系统及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657786A (zh) * | 2015-02-03 | 2015-05-27 | 河海大学 | 一种基于Boosting算法的短期风功率混合预测方法 |
| CN105808975A (zh) * | 2016-03-14 | 2016-07-27 | 南京理工大学 | 基于多核学习与Boosting算法的蛋白质-DNA绑定位点预测方法 |
| CN106127546A (zh) * | 2016-06-20 | 2016-11-16 | 重庆房慧科技有限公司 | 一种基于智慧社区大数据的商品推荐方法 |
| CN106548210A (zh) * | 2016-10-31 | 2017-03-29 | 腾讯科技（深圳）有限公司 | 机器学习模型训练方法及装置 |
| CN106779187A (zh) * | 2016-11-30 | 2017-05-31 | 广东电网有限责任公司电网规划研究中心 | 电网工程设备材料的价格参数生成方法及装置 |
| CN107045673A (zh) * | 2017-03-31 | 2017-08-15 | 杭州电子科技大学 | 基于堆模型融合的公共自行车流量变化量预测方法 |
-
2017
- 2017-12-11 CN CN201711306973.8A patent/CN109903071A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657786A (zh) * | 2015-02-03 | 2015-05-27 | 河海大学 | 一种基于Boosting算法的短期风功率混合预测方法 |
| CN105808975A (zh) * | 2016-03-14 | 2016-07-27 | 南京理工大学 | 基于多核学习与Boosting算法的蛋白质-DNA绑定位点预测方法 |
| CN106127546A (zh) * | 2016-06-20 | 2016-11-16 | 重庆房慧科技有限公司 | 一种基于智慧社区大数据的商品推荐方法 |
| CN106548210A (zh) * | 2016-10-31 | 2017-03-29 | 腾讯科技（深圳）有限公司 | 机器学习模型训练方法及装置 |
| CN106779187A (zh) * | 2016-11-30 | 2017-05-31 | 广东电网有限责任公司电网规划研究中心 | 电网工程设备材料的价格参数生成方法及装置 |
| CN107045673A (zh) * | 2017-03-31 | 2017-08-15 | 杭州电子科技大学 | 基于堆模型融合的公共自行车流量变化量预测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111768220A (zh) * | 2019-06-28 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 生成车辆定价模型的方法和装置 |
| CN110544135A (zh) * | 2019-09-10 | 2019-12-06 | 金瓜子科技发展（北京）有限公司 | 一种数据处理方法和装置 |
| CN111383060A (zh) * | 2020-03-18 | 2020-07-07 | 浙江大搜车软件技术有限公司 | 车辆价格的确定方法、装置、电子设备及存储介质 |
| CN111461219A (zh) * | 2020-04-01 | 2020-07-28 | 丰车(上海)信息技术有限公司 | 一种基于光滑支撑向量回归融合的二手车估值方法 |
| CN112579900A (zh) * | 2020-12-22 | 2021-03-30 | 优必爱信息技术（北京）有限公司 | 二手车置换信息推荐方法、系统及设备 |
| CN112579900B (zh) * | 2020-12-22 | 2024-03-12 | 优必爱信息技术（北京）有限公司 | 二手车置换信息推荐方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109903071A (zh) | 一种二手车定价方法、装置、设备及计算机可读介质 | |
| CN108960719B (zh) | 选品方法和装置以及计算机可读存储介质 | |
| CN108230009B (zh) | 一种用户偏好的预测方法及装置，电子设备 | |
| CN108920665B (zh) | 基于网络结构和评论文本的推荐评分方法及装置 | |
| CN109829775A (zh) | 一种物品推荐方法、装置、设备及可读存储介质 | |
| CN107545301B (zh) | 页面展示方法及装置 | |
| CN108205775A (zh) | 一种业务对象的推荐方法、装置和客户端 | |
| CN108734361B (zh) | 拼车订单处理方法和装置 | |
| JP2020522061A (ja) | サンプル重み設定方法及び装置、電子装置 | |
| JP2021529369A (ja) | コンピュータで実行される見積もり方法、見積もり装置、電子機器及び記憶媒体 | |
| WO2022116862A1 (zh) | 信息推送方法和系统、模型训练方法及相关设备 | |
| CN108229300A (zh) | 视频分类方法、装置、计算机可读存储介质和电子设备 | |
| CN108182448B (zh) | 一种标注策略的选择方法及相关装置 | |
| CN112308669A (zh) | 一种商品推荐方法、装置、存储介质及终端设备 | |
| CN110825974B (zh) | 推荐系统内容排序方法及装置 | |
| CN105260458A (zh) | 一种用于显示装置的视频推荐方法及显示装置 | |
| CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
| CN105643944B (zh) | 一种3d打印机稳定控制方法及控制系统 | |
| CN111242713A (zh) | 一种信息推送方法和装置 | |
| CN110796504B (zh) | 物品推荐方法和装置 | |
| CN104090932A (zh) | 一种内容推荐方法及装置 | |
| CN111738787A (zh) | 一种信息推送方法及装置 | |
| KR102549937B1 (ko) | Sns 텍스트 기반의 사용자의 인테리어 스타일 분석 모델 제공 장치 및 방법 | |
| CN113284122B (zh) | 基于深度学习的卷纸包装缺陷检测方法、装置及存储介质 | |
| CN113259158B (zh) | 网络流量预测方法和设备、模型构建及训练方法和装置 |
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: 20200520 Address after: Room 323605, building 5, yard 1, Futong East Street, Chaoyang District, Beijing 100020 Applicant after: Youxuan (Beijing) Information Technology Co.,Ltd. Address before: 200131 Shanghai futesz Pudong New Area Free Trade Zone No. 211 North Road, room 368, 302 parts Applicant before: YOUGU (SHANGHAI) INFORMATION TECHNOLOGY CO.,LTD. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190618 |