CN110246331B - 基于指标数据的路况分析方法、设备及可读存储介质 - Google Patents
基于指标数据的路况分析方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110246331B CN110246331B CN201910466084.0A CN201910466084A CN110246331B CN 110246331 B CN110246331 B CN 110246331B CN 201910466084 A CN201910466084 A CN 201910466084A CN 110246331 B CN110246331 B CN 110246331B
- Authority
- CN
- China
- Prior art keywords
- index data
- road condition
- characteristic value
- value
- numerical 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于指标数据的路况分析方法、设备及可读存储介质,该方法包括:确定待分析路段;获取所述待分析路段的指标数据;基于预置的特征值转换规则,得到所述指标数据对应的特征值;将所述特征值输入路况预测模型,得到预测值;确定所述预测值对应的数值区间,则输出所述数值区间对应的路况状态信息。通过本发明,基于路段的指标数据对路况进行分析,并将分析结果直观展示给用户,使得用户能迅速了解真实路况。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及基于指标数据的路况分析方法、设备及可读存储介质。
背景技术
现有的交通路况的很难用数学语言和计算机语言表达给最终客户使用,但是最终用户才是对路况信息的需要把握清楚的核心人群,导致最终用户无法迅速了解真实路况。
发明内容
本发明的主要目的在于提供一种基于指标数据的路况分析方法、设备及可读存储介质,旨在解决现有技术中无法直观显示路况信息的技术问题。
为实现上述目的,本发明提供一种基于指标数据的路况分析方法,所述基于指标数据的路况分析方法包括以下步骤:
确定待分析路段;
获取所述待分析路段的指标数据;
基于预置的特征值转换规则,得到所述指标数据对应的特征值;
将所述特征值输入路况预测模型,得到预测值;
确定所述预测值对应的数值区间,则输出所述数值区间对应的路况状态信息。
可选的,所述指标数据包括:
车道数量、天气状况、当前车道上的车辆数量、红绿灯数量。
可选的,所述基于预置的特征值转换规则,得到所述指标数据对应的特征值的步骤包括:
检测所述车道数量是否大于第一预设值,若所述车道数量大于第一预设值,则所述车道数量对应的特征值为1,否则为0;
检测所述天气状况是否为预设天气状况,若所述天气状况为预设天气状况,则所述天气状况对应的特征值为1,否则为0;
检测所述当前车道上的车辆数量是否大于第二预设值,若所述当前车道上的车辆数量大于第二预设值,则所述当前车道上的车辆数量对应的特征值为1,否则为0;
检测所述红绿灯数量是否大于第三预设值,若所述红绿灯数量大于第三预设值,则所述红绿灯数量对应的特征值为1,否则为0。
可选的,在所述确定待分析路段之前,还包括:
获取多个处于拥堵状态的路段的指标数据;
根据预置的特征值转换规则,得到各个处于拥堵状态的路段的指标数据对应的特征值;
将多组特征值代入公式,得到多个函数;
对所述多个函数进行迭代求解,得到拥堵状态对应的路况预测模型;
所述公式如下:
可选的,所述确定所述预测值对应的数值区间,则输出所述数值区间对应的路况状态信息的步骤包括:
若所述预测值对应的数值区间为第一数值区间,则输出第一数值区间对应的路况畅通状态信息;
若所述预测值对应的数值区间为第二数值区间,则输出第二数值区间对应的路况中度拥堵状态信息;
若所述预测值对应的数值区间为第三数值区间,则输出第三数值区间对应的路况严重拥堵状态信息。
此外,为实现上述目的,本发明还提供一种基于指标数据的路况分析设备,所述基于指标数据的路况分析设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于指标数据的路况分析程序,所述基于指标数据的路况分析程序被所述处理器执行时实现如上所述的基于指标数据的路况分析方法的步骤。
此外,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质上存储有基于指标数据的路况分析程序,所述基于指标数据的路况分析程序被处理器执行时实现如上所述的基于指标数据的路况分析方法的步骤。
本发明中,确定待分析路段;获取所述待分析路段的指标数据;基于预置的特征值转换规则,得到所述指标数据对应的特征值;将所述特征值输入路况预测模型,得到预测值;确定所述预测值对应的数值区间,则输出所述数值区间对应的路况状态信息。通过本发明,基于路段的指标数据对路况进行分析,并将分析结果直观展示给用户,使得用户能迅速了解真实路况。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的基于指标数据的路况分析设备结构示意图;
图2为本发明基于指标数据的路况分析方法第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1为本发明实施例方案涉及的硬件运行环境的基于指标数据的路况分析设备结构示意图。
如图1所示,该基于指标数据的路况分析设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的基于指标数据的路况分析设备结构并不构成对基于指标数据的路况分析设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及网络操作控制应用程序。
在图1所示的基于指标数据的路况分析设备中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的基于指标数据的路况分析程序,并执行以下操作:
确定待分析路段;
获取所述待分析路段的指标数据;
基于预置的特征值转换规则,得到所述指标数据对应的特征值;
将所述特征值输入路况预测模型,得到预测值;
确定所述预测值对应的数值区间,则输出所述数值区间对应的路况状态信息。
进一步地,处理器1001可以调用存储器1005中存储的基于指标数据的路况分析程序,还执行以下操作:
所述指标数据包括:车道数量、天气状况、当前车道上的车辆数量、红绿灯数量。
进一步地,处理器1001可以调用存储器1005中存储的基于指标数据的路况分析程序,还执行以下操作:
检测所述车道数量是否大于第一预设值,若所述车道数量大于第一预设值,则所述车道数量对应的特征值为1,否则为0;
检测所述天气状况是否为预设天气状况,若所述天气状况为预设天气状况,则所述天气状况对应的特征值为1,否则为0;
检测所述当前车道上的车辆数量是否大于第二预设值,若所述当前车道上的车辆数量大于第二预设值,则所述当前车道上的车辆数量对应的特征值为1,否则为0;
检测所述红绿灯数量是否大于第三预设值,若所述红绿灯数量大于第三预设值,则所述红绿灯数量对应的特征值为1,否则为0。
进一步地,处理器1001可以调用存储器1005中存储的基于指标数据的路况分析程序,还执行以下操作:
获取多个处于拥堵状态的路段的指标数据;
根据预置的特征值转换规则,得到各个处于拥堵状态的路段的指标数据对应的特征值;
将多组特征值代入公式,得到多个函数;
对所述多个函数进行迭代求解,得到拥堵状态对应的路况预测模型;
所述公式如下:
进一步地,处理器1001可以调用存储器1005中存储的基于指标数据的路况分析程序,还执行以下操作:
若所述预测值对应的数值区间为第一数值区间,则输出第一数值区间对应的路况畅通状态信息;
若所述预测值对应的数值区间为第二数值区间,则输出第二数值区间对应的路况中度拥堵状态信息;
若所述预测值对应的数值区间为第三数值区间,则输出第三数值区间对应的路况严重拥堵状态信息。
参照图2,图2为本发明基于指标数据的路况分析方法第一实施例的流程示意图。
在一实施例中,基于指标数据的路况分析方法包括:
步骤S10,确定待分析路段;
本实施例中,当接收到待出行信息时,将待出行信息对应的导航路线作为待分析路段。
步骤S20,获取所述待分析路段的指标数据;
本实施例中,获取待分析路段的指标数据,其中,指标数据包括:车道数量、天气状况、当前车道上的车辆数量、红绿灯数量。
步骤S30,基于预置的特征值转换规则,得到所述指标数据对应的特征值;
本实施例中,基于预置的特征值转换规则,得到所述指标数据对应的特征值的步骤包括:检测所述车道数量是否大于第一预设值(该第一预设值设置为6),若所述车辆数量大于第一预设值,则所述车辆数量对应的特征值为1,否则为0;检测所述天气状况是否为预设天气状况,若所述天气状况为预设天气状况(预设天气状况为:雨天、下雪天、雾天),则所述天气状况对应的特征值为1,否则为0;检测所述当前车道上的车辆数量是否大于第二预设值(该第二预设值设置为70),若所述当前车道上的车辆数量大于第二预设值,则所述当前车道上的车辆数量对应的特征值为1,否则为0;检测所述红绿灯数量是否大于第三预设值(该第三预设值设置为3),若所述红绿灯数量大于第三预设值,则所述红绿灯数量对应的特征值为1,否则为0。
一实施例中,若指标数据为:车辆数量6、晴天、当前车道上的车辆数量100、红绿灯数量5。则指标数据对应的特征值为(0,0,1,1)
步骤S40,将所述特征值输入路况预测模型,得到预测值;
本实施例中,在步骤S10之前,还包括:
获取多个处于拥堵状态的路段的指标数据;
本实施例中,当实际某个路段处于拥堵状态时,获取该路段的指标数据(包括:车道数量、天气状况、当前车道上的车辆数量、红绿灯数量)。为了训练效果更好,需获取多个处于拥堵状态的路段的指标数据。
根据预置的特征值转换规则,得到各个处于拥堵状态的路段的指标数据对应的特征值;
本实施例中,根据预置的特征值转换规则,便可得到各个处于拥堵状态的路段的指标数据对应的特征值。
将多组特征值代入公式,得到多个函数;
对所述多个函数进行迭代求解,得到拥堵状态对应的路况预测模型;
所述公式如下:
本实施例中,路况预测模型是基于多个处于拥堵状态的路段的指标数据训练得到的,因此,若后续将待分析路段的指标数据对应的特征值输入路况预测模型,得到预测值,预测值越接近0,则说明当前路况越畅通,若预测值越接近1,则说明当前路况越拥堵。容易理解的是,若路况预测模型是基于多个处于畅通状态的路段的指标数据训练得到的,因此,若后续将待分析路段的指标数据对应的特征值输入路况预测模型,得到预测值,预测值越接近1,则说明当前路况越畅通,若预测值越接近0,则说明当前路况越拥堵。
步骤S50,确定所述预测值对应的数值区间,则输出所述数值区间对应的路况状态信息。
本实施例中,预测值的数值区间为0至1,若预测值越接近0,则说明当前路况越畅通,若预测值越接近1,则说明当前路况越拥堵。本实施例中,预设:[0,0.2)对应的路况状态信息为畅通;[0.2,0.6)对应的路况状态信息为中度拥堵;[0.6,1]对应的路况状态信息为严重拥堵。得到预测值后,便可根据预测值对应的区间,输出相应的路况状态信息。
本实施例中,确定待分析路段;获取所述待分析路段的指标数据;基于预置的特征值转换规则,得到所述指标数据对应的特征值;将所述特征值输入路况预测模型,得到预测值;确定所述预测值对应的数值区间,则输出所述数值区间对应的路况状态信息。通过本实施例,基于路段的指标数据对路况进行分析,并将分析结果直观展示给用户,使得用户能迅速了解真实路况。
进一步地,本发明基于指标数据的路况分析方法一实施例中,步骤S50包括:
若所述预测值对应的数值区间为第一数值区间,则输出第一数值区间对应的路况畅通状态信息;若所述预测值对应的数值区间为第二数值区间,则输出第二数值区间对应的路况中度拥堵状态信息;若所述预测值对应的数值区间为第三数值区间,则输出第三数值区间对应的路况严重拥堵状态信息。
本实施例中,若预设:第一数值区间[0,0.2)对应的路况状态信息为畅通;第二数值区间[0.2,0.6)对应的路况状态信息为中度拥堵;第三数值区间[0.6,1]对应的路况状态信息为严重拥堵。得到预测值后,便可根据预测值对应的区间,输出相应的路况状态信息。
此外,本发明实施例还提出一种可读存储介质,所述可读存储介质上存储有基于指标数据的路况分析程序,所述基于指标数据的路况分析程序被处理器执行时实现如上基于指标数据的路况分析方法各个实施例的步骤。
本发明可读存储介质即计算机可读存储介质,本发明可读存储介质的具体实施例与上述基于指标数据的路况分析方法的各个实施例基本相同,在此不做赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于指标数据的路况分析方法,其特征在于,包括以下步骤:
获取多个处于拥堵状态的路段的指标数据;
根据预置的特征值转换规则,得到各个处于拥堵状态的路段的指标数据对应的特征值;
将多组特征值代入公式,得到多个函数;
对所述多个函数进行迭代求解,得到拥堵状态对应的路况预测模型;
所述公式如下:
确定待分析路段;
获取所述待分析路段的指标数据;
基于预置的特征值转换规则,得到所述指标数据对应的特征值;
将所述特征值输入所述路况预测模型,得到预测值;
确定所述预测值对应的数值区间,则输出所述数值区间对应的路况状态信息。
2.如权利要求1所述的基于指标数据的路况分析方法,其特征在于,所述指标数据包括:
车道数量、天气状况、当前车道上的车辆数量、红绿灯数量。
3.如权利要求2所述的基于指标数据的路况分析方法,其特征在于,所述基于预置的特征值转换规则,得到所述指标数据对应的特征值的步骤包括:
检测所述车道数量是否大于第一预设值,若所述车道数量大于第一预设值,则所述车道数量对应的特征值为1,否则为0;
检测所述天气状况是否为预设天气状况,若所述天气状况为预设天气状况,则所述天气状况对应的特征值为1,否则为0;
检测所述当前车道上的车辆数量是否大于第二预设值,若所述当前车道上的车辆数量大于第二预设值,则所述当前车道上的车辆数量对应的特征值为1,否则为0;
检测所述红绿灯数量是否大于第三预设值,若所述红绿灯数量大于第三预设值,则所述红绿灯数量对应的特征值为1,否则为0。
4.如权利要求3所述的基于指标数据的路况分析方法,其特征在于,所述确定所述预测值对应的数值区间,则输出所述数值区间对应的路况状态信息的步骤包括:
若所述预测值对应的数值区间为第一数值区间,则输出第一数值区间对应的路况畅通状态信息;
若所述预测值对应的数值区间为第二数值区间,则输出第二数值区间对应的路况中度拥堵状态信息;
若所述预测值对应的数值区间为第三数值区间,则输出第三数值区间对应的路况严重拥堵状态信息。
5.一种基于指标数据的路况分析设备,其特征在于,所述基于指标数据的路况分析设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于指标数据的路况分析程序,所述基于指标数据的路况分析程序被所述处理器执行时实现如权利要求1至4中任一项所述的基于指标数据的路况分析方法的步骤。
6.一种可读存储介质,其特征在于,所述可读存储介质上存储有基于指标数据的路况分析程序,所述基于指标数据的路况分析程序被处理器执行时实现如权利要求1至4中任一项所述的基于指标数据的路况分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910466084.0A CN110246331B (zh) | 2019-05-30 | 2019-05-30 | 基于指标数据的路况分析方法、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910466084.0A CN110246331B (zh) | 2019-05-30 | 2019-05-30 | 基于指标数据的路况分析方法、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110246331A CN110246331A (zh) | 2019-09-17 |
CN110246331B true CN110246331B (zh) | 2021-02-26 |
Family
ID=67885616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910466084.0A Active CN110246331B (zh) | 2019-05-30 | 2019-05-30 | 基于指标数据的路况分析方法、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110246331B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763729A (zh) * | 2009-12-29 | 2010-06-30 | 北京世纪高通科技有限公司 | 路况数据特征值提取的方法和装置 |
US9037519B2 (en) * | 2012-10-18 | 2015-05-19 | Enjoyor Company Limited | Urban traffic state detection based on support vector machine and multilayer perceptron |
CN109191840A (zh) * | 2018-09-13 | 2019-01-11 | 电子科技大学 | 一种基于智能终端的实时交通状况判定方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012022362A (ja) * | 2010-07-12 | 2012-02-02 | Sharp Corp | 特性予測装置、特性予測方法、特性予測プログラム、および、特性予測プログラムを記録した記録媒体 |
CN102509445B (zh) * | 2011-10-19 | 2013-12-04 | 北京世纪高通科技有限公司 | 路况预测因素的筛选方法及装置 |
CN105243841A (zh) * | 2015-10-10 | 2016-01-13 | 苏州派瑞雷尔智能科技有限公司 | 基于网页地图的实时路况采集与预测方法 |
CN106781458B (zh) * | 2016-11-30 | 2019-10-18 | 成都通甲优博科技有限责任公司 | 一种交通事故监控方法及系统 |
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
- 2019-05-30 CN CN201910466084.0A patent/CN110246331B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763729A (zh) * | 2009-12-29 | 2010-06-30 | 北京世纪高通科技有限公司 | 路况数据特征值提取的方法和装置 |
US9037519B2 (en) * | 2012-10-18 | 2015-05-19 | Enjoyor Company Limited | Urban traffic state detection based on support vector machine and multilayer perceptron |
CN109191840A (zh) * | 2018-09-13 | 2019-01-11 | 电子科技大学 | 一种基于智能终端的实时交通状况判定方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的交通拥堵预测模型研究;谭娟等;《计算机应用研究》;20151031;第32卷(第10期);第2951-2954页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110246331A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khoda Bakhshi et al. | Real-time crash prediction for a long low-traffic volume corridor using corrected-impurity importance and semi-parametric generalized additive model | |
KR102498441B1 (ko) | 자율 주행 차량의 테스트 방법, 장치, 전자 장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램 | |
US20210333119A1 (en) | System and method for cloud computing-based vehicle configuration | |
Aghabayk et al. | Attribute selection for modelling driver's car-following behaviour in heterogeneous congested traffic conditions | |
CN110930765B (zh) | 预警优先级判定方法、设备、存储介质及装置 | |
US11810460B2 (en) | Automatic generation of pedestrians in virtual simulation of roadway intersections | |
Mohan et al. | Critical gap estimation at two-way stop-controlled intersections based on occupancy time data | |
CN113554263A (zh) | 基于交通仿真的高速公路施工组织方案交通影响评估方法 | |
CN111462069A (zh) | 目标对象检测模型训练方法、装置、电子设备及存储介质 | |
CN111402579A (zh) | 道路拥堵程度预测方法、电子装置及可读存储介质 | |
CN111765904B (zh) | 自动驾驶车辆的测试方法、装置、电子设备和介质 | |
CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
CN112818792A (zh) | 车道线检测方法、装置、电子设备及计算机存储介质 | |
JP6755291B2 (ja) | サポートベクターマシンに基づく交差点知能運転方法及びそのシステム | |
CN113284343B (zh) | 一种基于智慧交通物联网的交通监测系统及方法 | |
CN110246331B (zh) | 基于指标数据的路况分析方法、设备及可读存储介质 | |
CN113869652A (zh) | 共享单车还车规划方法、装置、设备及存储介质 | |
CN110738169B (zh) | 车流量监测方法、装置、设备及计算机可读存储介质 | |
US9965732B2 (en) | Computer readable recording medium, roadwork planning method and information processing apparatus | |
CN112330953A (zh) | 基于云数据的交通控制方法、装置、设备及存储介质 | |
Anagnostopoulos et al. | Predicting Roundabout Lane Capacity using Artificial Neural Networks. | |
CN112419542B (zh) | 道路纠错上报方法、装置、设备及存储介质 | |
Ali Sahraei et al. | Effect of motorcycle on the critical gap at priority junctions | |
US11788130B2 (en) | Computing device, storage medium, and method for managing sequencing progress | |
Αναγνωστόπουλος et al. | Predicting roundabout lane capacity using artificial neural networks |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Road condition analysis methods, devices, and readable storage media based on indicator data Effective date of registration: 20230628 Granted publication date: 20210226 Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd. Pledgor: Wuhan Zhiyun Jisi Technology Co.,Ltd. Registration number: Y2023420000271 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |