CN110675646A - 公交站点位置获取方法及装置 - Google Patents

公交站点位置获取方法及装置 Download PDF

Info

Publication number
CN110675646A
CN110675646A CN201911228114.0A CN201911228114A CN110675646A CN 110675646 A CN110675646 A CN 110675646A CN 201911228114 A CN201911228114 A CN 201911228114A CN 110675646 A CN110675646 A CN 110675646A
Authority
CN
China
Prior art keywords
ridge line
line segment
bus
data
machine learning
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.)
Granted
Application number
CN201911228114.0A
Other languages
English (en)
Other versions
CN110675646B (zh
Inventor
邵凌霜
孙熙
刘江红
张翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Yuanguang Technology Co Ltd
Original Assignee
Wuhan Yuanguang Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Yuanguang Technology Co Ltd filed Critical Wuhan Yuanguang Technology Co Ltd
Priority to CN201911228114.0A priority Critical patent/CN110675646B/zh
Publication of CN110675646A publication Critical patent/CN110675646A/zh
Application granted granted Critical
Publication of CN110675646B publication Critical patent/CN110675646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供一种公交站点位置获取方法及装置，该方法包括：对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取，得到脊线段的特征数据；将特征数据输入至预设的机器学习网络模型，根据机器学习网络模型的输出结果，确定目标公交线路在该脊线段上是否有公交站点；其中，机器学习网络模型根据带有已知公交站点结果标签的脊线段样本训练后得到，脊线段为目标公交线路按预设距离划分得到，车辆状态数据中的车辆包括公交车辆和/或社会车辆。该方法可通过公交车辆行驶的定位数据及相对较少的路网数据，通过选取符合业务知识领域的特征数据实现，有效降低了机器学习算法训练的开销，且模型性能可靠，工程实现简便。

Description

公交站点位置获取方法及装置
技术领域
本发明涉及智慧交通技术领域，尤其涉及一种公交站点位置获取方法及装置。
背景技术
随着我国城镇化进程的加快，加剧了城市交通拥堵的问题。发展公共交通对城市的交通系统的发展具有重要意义。目前全国公交日出行人次已达2.5亿，此种背景下催生出面对公众的实时公交类产品。此类数据驱动型的产品需要数据维护工作人员来维护更新多个城市大规模的公交线网基础数据，进而为用户提供可靠的公交实时信息。
因公交服务部门会根据市政建设、客流需求、城市规划等原因，会对公交中途站进行调整、新设，此种情形会导致数据维护人员接每天接收到大量的用户反馈。面对此种情况数据维护人员每天需要筛选排查大量线路的站点，进而推断出可能为公交中途站点的位置，此种工作方式效率低且成本高。
因此，迫切需要一种能够为数据维护人员提供公交中途站点位置的方法。
发明内容
为了解决上述问题，本发明实施例提供一种公交站点位置获取方法及装置。
第一方面，本发明实施例提供一种公交站点位置获取方法，包括：对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取，得到所述脊线段的特征数据；将所述特征数据输入至预设的机器学习网络模型，根据所述机器学习网络模型的输出结果，确定所述目标公交线路在该脊线段上是否有公交站点；其中，所述机器学习网络模型根据带有已知公交站点结果标签的脊线段样本训练后得到，所述脊线段为所述目标公交线路按预设距离划分得到，所述车辆状态数据中的车辆包括公交车辆和/或社会车辆。
进一步地，所述对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取之前，还包括：获取预设时间段内目标公交线路中，行驶车辆的定位数据；按照预设距离将所述目标公交线路划分为多个脊线段，确定每个脊线段的行驶车辆产生的车辆状态数据，以及脊线段的状态参数。
进一步地，所述获取预设时间段内目标公交线路中，行驶车辆的定位数据之前，还包括：根据获取的指定地标，确定待获取公交站点的区域；获取预设时间段内，所述区域中每一公交车辆的行驶轨迹，得到目标公交线路。
进一步地，所述车辆状态数据包括，车辆经过该脊线段的最大速度、最小速度和平均速度中的任意一种或多种；所述脊线段的状态参数包括，脊线段所属线路的唯一标识、所属线路的上下行方向、脊线段标识、脊线段的中心点坐标、脊线段的热力值、脊线段是否包括路口以及脊线段是否包括红绿灯，其中的任意一种或多种；其中，所述热力值为脊线段中预设时间段通过车辆的定位点数，包括公交车辆的热力值和/或社会车辆的热力值。
进一步地，所述进行特征提取，得到所述脊线段的特征数据，包括：将当前脊线段前后相邻的若干脊线段的热力值作为当前脊线段特征数据的一部分；其中，所述热力值为脊线段中预设时间段通过车辆的定位点数，包括公交车辆的热力值和/或社会车辆的热力值。
进一步地，所述对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取之前，还包括：获取多个脊线段样本，以及将已知是否包含公交站点的结果作为对应的标签；根据每个脊线段样本的状态参数以及脊线段样本中的车辆状态数据，进行特征提取，得到脊线段样本的特征数据；将每个脊线段样本的特征数据和已知公交站点结果的标签的组合作为一个训练样本，从而得到多个训练样本，利用所述多个训练样本对所述机器学习网络模型进行训练。
进一步地，所述机器学习网络模型为LightGBM模型，相应地，所述利用所述多个训练样本对所述机器学习网络模型进行训练，包括：将任意一个脊线段样本的特征数据输入至所述机器学习网络模型，输出所述样本脊线段有无公交站点对应的结果；获取模型评估指标值，若模型评估指标值相比上次训练不再增加，则训练完成。
第二方面，本发明实施例提供一种公交站点位置获取装置，包括：特征提取模块，用于对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取，得到所述脊线段的特征数据；站点获取模块，用于将所述特征数据输入至预设的机器学习网络模型，根据所述机器学习网络模型的输出结果，确定所述目标公交线路在该脊线段上是否有公交站点；其中，所述机器学习网络模型根据带有已知公交站点结果标签的脊线段样本训练后得到，所述脊线段为所述目标公交线路按预设距离划分得到，所述车辆状态数据中的车辆包括公交车辆和/或社会车辆。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面公交站点位置获取方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面公交站点位置获取方法的步骤。
本发明实施例提供的公交站点位置获取方法及装置，通过对脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取，得到脊线段的特征数据。特征数据中包含了该脊线段是否包含公交站点结果所对应的特征，预设的机器学习网络模型根据带有已知公交站点结果标签的脊线段样本训练后得到，能够输出是否包含公交站点结果的识别结果，从而实现快速而准确的是否包含公交站点的结果检测。训练好的机器学习网络模型能够实现高效率、高精度和高鲁棒性的确定公交站点结果的检测，并且与目前的方法相比具有客观性和较高的效率。可通过公交车辆行驶的定位数据，相对较少的路网数据，以及引入社会车辆数据，通过选取符合业务知识领域的特征数据实现，有效降低了机器学习算法训练的开销，且模型性能可靠，工程实现简便。
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一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的公交站点位置获取方法流程图；
图2为本发明实施例提供的公交站点位置获取装置结构图；
图3为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
本发明提供一种基于机器学习识别公交站点的方法，该方法能够自动化推荐公交线网的中途站点位置，从而有效减轻数据维护人员的工作量，大幅提升此项工作的效率，进而降低投入到此项工作的总成本。图1为本发明实施例提供的公交站点位置获取方法流程图，如图1所示，本发明实施例提供一种公交站点位置获取方法，包括：
101，对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取，得到脊线段的特征数据。
在101中，公交线路脊线：某条公交线路按运行方向包含上行和下行两条脊线，脊线是公交线路运行轨迹在路网上的映射，由包含线路起点、终点经纬度信息及有序脊线段集合组成。脊线段由包含起点和终点两个端点经纬度信息及两个端点间的有限部分。上述车辆状态数据中的车辆包括公交车辆和/或社会车辆，也就是说，可以只考虑公交车辆的状态数据，也可只考虑脊线段中的社会车辆的状态数据，也可同时考虑公交车辆和社会车辆的状态数据。作为优选实施例，同时考虑公交车辆和社会车辆的状态数据。其中，社会车辆是指除公交车辆及特殊作业车辆之外的汽车。
目标公交线路即为本方法需要分析的公交线路，本发明实施例中，预先将目标公交线路按预设距离进行划分为多个脊线段，如10m为一脊线段。脊线段的状态参数包括脊线段线路本身的参数，如是否包括红绿灯、是否包括了路口等；还包括脊线段中行驶的公交车辆所产生的参数，如预设时间段内通过多少辆公交车等。车辆的状态数据为公交车辆行驶产生的数据，如行驶速度等，脊线段中的车辆状态数据即在该脊线段中行驶产生的数据，如在该脊线段中的行驶速度。
从这些状态参数和状态数据中，选取适用于机器学习网络模型的数据，作为机器学习网络模型的特征数据，利用机器学习网络模型进行分析。
102，将特征数据输入至预设的机器学习网络模型，根据机器学习网络模型的输出结果，确定目标公交线路在该脊线段上是否有公交站点。
在102中，预设的机器学习网络模型是通过样本脊线段训练后得到的。样本脊线段是预先已经获知其是否包含公交站点结果的脊线段，并将对应的已知是否包含公交站点结果作为每一样本脊线段的标签。建立机器学习网络模型后，通过大量的此类样本脊线段进行训练，从而得到预设的机器学习网络模型，对于后续待检测的脊线段，将提取特征后，输入至预设的机器学习网络模型，能够快速准确得到相应的是否包含公交站点结果的输出结果。
相应地，用于训练的脊线段样本的特征数据的提取方法，采用步骤101中的相同方法。利用机器学习网络模型，实现从低层级特征提取抽象不变的高层属性特征，实现了复杂的非线性函数逼近，从特征数据中获得脊线段是否包含公交站点，从而保证获得结果的准确性。
机器学习网络可以根据需求设置，若为分类型网络，则输出结果为是否包含公交站点对应的概率，若为回归网络，则输出是否包含公交站点的数字表示，例如1表示包含公交站点，0表示不包含公交站点。即根据机器学习网络模型的输出结果，便可获取脊线段中的是否包含公交站点结果。
若将整条公交线路的脊线段均输入至该预设的机器学习网络模型，则可获取整条公交线路的所有公交站点分布。相应地，若将所有公交线路均输入至该预设的机器学习网络模型，则可获得所有公交线路的公交站点分布。
本发明实施例提供公交站点位置获取方法，通过对脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取，得到脊线段的特征数据。特征数据中包含了该脊线段是否包含公交站点结果所对应的特征，预设的机器学习网络模型根据带有已知公交站点结果标签的脊线段样本训练后得到，能够输出是否包含公交站点结果的识别结果，从而实现快速而准确的是否包含公交站点的结果检测。训练好的机器学习网络模型能够实现高效率、高精度和高鲁棒性的确定公交站点结果的检测，并且与目前的方法相比具有客观性和较高的效率。可通过公交车辆行驶的定位数据、相对较少的路网数据以及引入社会车辆数据，通过选取符合业务知识领域的特征数据实现，有效降低了机器学习算法训练的开销，且模型性能可靠，工程实现简便。
基于上述实施例的内容，作为一种可选实施例，对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取之前，还包括：获取预设时间段内目标公交线路中，行驶车辆的定位数据；按照预设距离将目标公交线路划分为多个脊线段，确定每个脊线段的行驶车辆产生的车辆状态数据，以及脊线段的状态参数。
首先，获取一段时间内（即预设时间段）目标公交线路中，车辆行驶产生的定位数据，定位数据可以是GPS定位数据，北斗定位数据。定位数据中包括车辆的位置信息、速度信息、方向信息等。例如，筛选出公交出行平峰时间段的GPS位置数据（因早晚高峰城市的车辆运行速度相比平峰阶段车辆运行速度低，不利于提取车辆在进出公交站点产生的速度变化特征）。
其次，若目标公交线路有多条，还包括将GPS位置数据按照车辆行驶的线路及线路运行方向进行分组。
最后，获取目标公交线路特定运行方向上的线路脊线，将脊线以10米为间隔进行分段（每个分段即为备选站点）。根据行驶车辆的定位数据以及脊线段的本身属性，确定每个脊线段的行驶车辆产生的车辆状态数据，以及脊线段的状态参数。
本实施例提供的公交站点位置获取方法，确定行驶车辆的定位数据后，按照预设距离将目标公交线路划分为多个脊线段，确定每个脊线段的行驶车辆产生的车辆状态数据，以及脊线段的状态参数，从而得到用于机器学习分析的特征数据，有利于分析结果的准确性。
基于上述实施例的内容，作为一种可选实施例，获取预设时间段内目标公交线路中，行驶车辆的定位数据之前，还包括：根据获取的指定地标，确定待获取公交站点的区域；获取预设时间段内，所述区域中每一公交车辆的行驶轨迹，得到目标公交线路。
上述实施例中的目标公交线路是已经选定的，而本实施例中考虑到对于一些特定的地标，进行公交站点的获取。主要解决如下场景的问题，例如，因公交服务部门会根据市政建设、客流需求、城市规划等原因，会对公交中途站进行调整、新设。热心用户会反馈某条线路缺失站点附近地标名称等粗略信息，但仅通过这类地标名称还无法完全确定站点具体位置，此种情形迫切需要一种能够为数据维护人员提供基于用户反馈信息推荐可能为公交中途站点位置的方法。又例如，对于一些热点地标位置，可以对地标位置附近区域进行专门的公交站点获取。具体实施过程如下：
首先，通过用户反馈的站点附近地标关键字获取该地标的位置信息，地标位置信息确定需要处理的区域A，该区域A可由数据维护工作人员进行指定或以获取地标位置为中心点边长阈值为γ千米的正方形区域。也就是确定待获取公交站点的区域。
其次，获取预设时间段T内各条线路公交车辆在区域A内行驶产生的GPS轨迹数据，筛选出公交出行平峰时间段的GPS位置数据（因早晚高峰城市的车辆运行速度相比平峰阶段车辆运行速度低，不利于提取车辆在进出公交站点产生的速度变化特征）。
最后，将GPS位置数据按照公交车辆行驶的线路及线路运行方向进行分组，即得到目标公交线路。然后可按上述实施例的方法对目标线路进行脊线段划分，进行特征提取，机器学习的判断，得到该指定地标附件区域的公交站点，具体如下。
获取该特定公交线路在区域A内特定运行方向上的线路脊线，将脊线以10米为间隔进行分段，分段称之为“脊线段”（脊线段周边区域即为推荐站点的可能位置，因为站点的位置有可能在道路的左侧或右侧，港湾式公交站点的位置距离道路脊线段的垂直距离会更远些）。
获取一预设时间段T内社会车辆在区域A内行驶产生的GPS轨迹数据，并计算经过每个脊线段的平均速度(Velocity)，作为车辆的状态数据，输入机器学习网络模型进行判断。
本发明实施例，根据获取的指定地标，确定待获取公交站点的区域，得到指定地标附件区域的目标公交线路，从而能够确定指定地标附件的公交站点。
基于上述实施例的内容，作为一种可选实施例，车辆状态数据包括，车辆经过该脊线段的最大速度、最小速度和平均速度中的任意一种或多种；脊线段的状态参数包括，脊线段所属线路的唯一标识（标记为LineNo）、所属线路的上下行方向（标记为LineDirection）、脊线段标识（标记为TrackSegmentID）、脊线段的热力值（公交车辆的标记为heatNormbus，社会车辆的标记为heatNorm）、脊线段中车辆的定位点数、脊线段是否包括路口以及脊线段是否包括红绿灯，其中的任意一种或多种；其中，热力值为脊线段中预设时间段通过车辆的定位点数，包括公交车辆的热力值和/或社会车辆的热力值。相应地，确定上述状态参数和状态数据：
将目标公交线路特定运行方向上的所有车辆GPS点映射到对应的脊线段，并计算每段脊线中每车辆经过该脊线段的速度(标记为Velocity)，车辆的速度包括最大速度，最小速度等，优选为平均速度，也就是车辆状态数据取车辆经过该脊线段的平均速度，可以为公交车辆的平均速度或社会车辆的平均速度，或者公交车辆的平均速度和社会车辆的平均速度都作为状态数据的参数。
优选的，公交车辆的平均速度和社会车辆的平均速度都作为状态数据的参数，这样能够有效减小道路交叉口及交通信号灯对模型性能的影响。也就是说，公交车辆行驶速度变慢，可能是由于红绿灯导致的，而此时社会车辆若速度较大或者无变化，则排除了红绿灯的因素。
车辆的位置信息也可作为车辆状态数据，本实施例暂不对此特别说明。
计算出每段脊线的中心点坐标，主要为经纬度信息(标记为Center[lng, lat])。
计算上述车辆GPS点落入特定线路特定运行方向上各个脊线段的GPS点数，进而计算出该脊线段的热力值（公交车辆标记为heatNormbus，社会车辆标记为heatNorm）。例如，预设时间段内，在特定方向，驶经该脊线段的车次数作为上述热力值，可根据定位数据获取。
通过外部或路网数据，判断各个脊线段内是否存在红绿灯(标记为IsTrafficLight)。
通过外部或路网数据，判断各个脊线段是否存在路口(标记为IsRoadJunction)。
最终每个脊线段的状态参数以及脊线段中的车辆状态数据可包括集合{LineNo,LineDirection, TrackSegmentID, [Velocity1, Velocity2, Velocity3, ...,Velocityn]， center[lng, lat], Heat, IsTrafficLight, IsRoadJunction}中的任意一种或多种，根据具体需求确定。其中，n为该脊线段的第n辆行驶车辆。
本实施例提供的公交站点位置获取方法，车辆状态数据包括，车辆经过该脊线段的最大速度、最小速度和平均速度中的任意一种或多种，脊线段的状态参数包括，脊线段所属线路的唯一标识、所属线路的上下行方向、脊线段标识、脊线段的中心点坐标、脊线段的热力值、脊线段是否包括路口以及脊线段是否包括红绿灯，其中的任意一种或多种，能够客观反映脊线段中因是否包括公交站点而产生的不同特征，从而确保分析结果的准确性。另外，通过加入社会车辆速度特征能够有效减小道路交叉口及交通信号灯对模型性能的影响，更能体现某脊线段有无公交停靠站的特征。
基于上述实施例的内容，作为一种可选实施例，进行特征提取，得到脊线段的特征数据，包括：将当前脊线段前后相邻的若干脊线段的热力值，作为当前脊线段特征数据的一部分；其中，热力值为脊线段中预设时间段通过车辆的定位点数，包括公交车辆的热力值和/或社会车辆的热力值。优选的，为公交车辆的热力值和社会车辆的热力值。
按照公交运营车辆技术要求，车辆在中途站点完成进站停车-上下客-离站驶出的过程。本实施例根据站点本身位置及车辆在站点附近行驶的特征进行考虑。
当前脊线段为待分析的脊线段，考虑到当前脊线段中的车辆行驶与相邻脊线段是否包含公交站点的状态有关，本实施例进一步考虑相邻脊线段对当前脊线段的影响。例如，考虑当前脊线段前后相邻的各五个脊线段的热力值（同上述热力值，已做说明），以及当前脊线前后相邻的各一个脊线段的阻滞概率和畅通概率，并将这些数据都作为当前脊线段的特征数据。
例如，获取当前脊线段以及该脊线段前5个脊线段和后5个脊线段的公交车辆的热力值heatNormbus分别作为特征：
当前脊线段前面第1个脊线段的heatNormbus记为PrevHeatNormbus1。
当前脊线段前面第2个脊线段的heatNormbus记为PrevHeatNormbus2。
当前脊线段前面第3个脊线段的heatNormbus记为PrevHeatNormbus3。
当前脊线段前面第4个脊线段的heatNormbus记为PrevHeatNormbus4。
当前脊线段前面第5个脊线段的heatNormbus记为PrevHeatNormbus5。
当前脊线段后面第1个脊线段的heatNormbus记为NextHeatNormbus1。
当前脊线段后面第2个脊线段的heatNormbus记为NextHeatNormbus2。
当前脊线段后面第3个脊线段的heatNormbus记为NextHeatNormbus3。
当前脊线段后面第4个脊线段的heatNormbus记为NextHeatNormbus4。
当前脊线段后面第5个脊线段的heatNormbus记为NextHeatNormbus5。
例如，获取社会车辆特定脊线段以及该脊线段前5个脊线段和后5个脊线段的热力值heatNorm分别作为特征：
当前脊线段前面第1个脊线段的heatNorm记为 PrevHeatNorm1。
当前脊线段前面第2个脊线段的heatNorm记为PrevHeatNorm2。
当前脊线段前面第3个脊线段的heatNorm记为PrevHeatNorm3。
当前脊线段前面第4个脊线段的heatNorm 记为PrevHeatNorm4。
当前脊线段前面第5个脊线段的heatNorm记为 PrevHeatNorm5。
当前脊线段后面第1个脊线段的heatNorm 记为 NextHeatNorm1。
当前脊线段后面第2个脊线段的heatNorm 记为 NextHeatNorm2。
当前脊线段后面第3个脊线段的heatNorm记为 NextHeatNorm3。
当前脊线段后面第4个脊线段的heatNorm 记为 NextHeatNorm4。
当前脊线段后面第5个脊线段的heatNorm记为NextHeatNorm5。
本实施例提供的公交站点位置获取方法，将当前脊线段前后相邻的若干脊线段的热力值，作为当前脊线段特征数据的一部分，充分考虑到当前脊线段与相邻脊线段的关系，能够反映脊线段中因包含公交站点所导致的前后相邻脊线段的不同状态，准确反映脊线段是否包含公交站点的特征，从而进一步确保分析结果的准确性。
基于上述实施例的内容，作为一种可选实施例，对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取之前，还包括：获取多个脊线段样本，以及将已知是否包含公交站点的结果作为对应的标签；根据每个脊线段样本的状态参数以及脊线段样本中的车辆状态数据，进行特征提取，得到脊线段样本的特征数据；将每个脊线段样本的特征数据和已知公交站点结果的标签的组合作为一个训练样本，从而得到多个训练样本，利用多个训练样本对机器学习网络模型进行训练。
将脊线段的特征数据输入至预设的机器学习网络模型之前，还需对该机器学习网络进行训练，从而得到能够进行是否包含公交站点结果检测的预设机器学习网络模型，具体步骤如下。
首先，获取多个脊线段样本，并获取该多个脊线段样本中每个脊线段样本对应的是否包含公交站点结果，将每个脊线段已经确定的是否包含公交站点结果作为该脊线段的标签。
其次，将每个脊线段样本对应的是否包含公交站点结果标签的组合作为一个样本，从而得到多个训练样本。将每一样本中脊线段对应的特征数据输入至构建的机器学习网络模型，并根据输出结果调整机器学习网络模型的相关参数，实现对机器学习网络模型的训练过程，从而得到上述预设的深度数据网络模型。
本发明实施例提供的公交站点位置获取方法，通过获取多个脊线段样本和每个脊线段样本对应的是否包含公交站点结果标签从而得到多个训练样本，利用多个训练样本对机器学习网络模型进行训练，从而对于输入该机器学习网络模型进行检测的脊线段，能够得到准确的对应是否包含公交站点的结果。
基于上述实施例的内容，作为一种可选实施例，机器学习网络模型为LightGBM模型，相应地，利用多个训练样本对机器学习网络模型进行训练，包括：将任意一个脊线段样本的特征数据输入至机器学习网络模型，输出样本脊线段有无公交站点对应的结果；获取模型评估指标值，若模型评估指标值相比上次训练不再增加，则训练完成。
本实施例选择LightGBM模型作为训练模，LightGBM是一个梯度的Boosting框架，使用基于决策树的学习算法，具有更快的训练效率、低内存使用、更高的准确率、支持并行化学习以及支持处理大规模数据等优势。使用模型评估指标（Area Under Curve，简称AUC）作为衡量模型性能的指标。利用样本集对模型进行训练，直至AUC值不再增加。
首先，从脊线段样本中选取任一脊线段（即样本脊线段），将该脊线段的特征数据输入至预设的机器学习网络模型，经特征层层的非线性转换，从输出层输出是否包含公交站点结果对应的分类向量或是否包含公交站点结果的预测值（对应用于分类网络和回归网络）。使用模型评估指标作为衡量模型性能的指标。利用样本集对模型进行训练，直至AUC值不再增加，模型训练完毕，利用训练好的模型进行上述公交站点位置获取方法的分析。
本发明实施例提供的公交站点位置获取方法，选取LightGBM模型作为预设的机器学习模型，具有更快的训练效率、低内存使用、更高的准确率、支持并行化学习以及支持处理大规模数据。
图2为本发明实施例提供的公交站点位置获取装置结构图，如图2所示，该公交站点位置获取装置包括：特征提取模块201和站点获取模块202。其中，特征提取模块201用于对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取，得到脊线段的特征数据；站点获取模块202用于将特征数据输入至预设的机器学习网络模型，根据机器学习网络模型的输出结果，确定目标公交线路在该脊线段上是否有公交站点；其中，机器学习网络模型根据带有已知公交站点结果标签的脊线段样本训练后得到，脊线段为目标公交线路按预设距离划分得到。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的公交站点位置获取装置，通过对脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取，得到脊线段的特征数据。特征数据中包含了该脊线段是否包含公交站点结果所对应的特征，预设的机器学习网络模型根据带有已知公交站点结果标签的脊线段样本训练后得到，能够输出是否包含公交站点结果的识别结果，从而实现快速而准确的是否包含公交站点的结果检测。训练好的机器学习网络模型能够实现高效率、高精度和高鲁棒性的确定公交站点结果的检测，并且与目前的方法相比具有客观性和较高的效率。可通过公交车辆行驶的定位数据、相对较少的路网数据，以及引入社会车辆数据，通过选取符合业务知识领域的特征数据实现，有效降低了机器学习算法训练的开销，且模型性能可靠，工程实现简便。
图3为本发明实施例提供的一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器301、通信接口302、存储器303和总线304，其中，处理器301，通信接口302，存储器303通过总线304完成相互间的通信。通信接口302可以用于电子设备的信息传输。处理器301可以调用存储器303中的逻辑指令，以执行包括如下的方法：对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取，得到脊线段的特征数据；将特征数据输入至预设的机器学习网络模型，根据机器学习网络模型的输出结果，确定目标公交线路在该脊线段上是否有公交站点；其中，机器学习网络模型根据带有已知公交站点结果标签的脊线段样本训练后得到，脊线段为目标公交线路按预设距离划分得到，车辆状态数据中的车辆包括公交车辆和/或社会车辆。
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取，得到脊线段的特征数据；将特征数据输入至预设的机器学习网络模型，根据机器学习网络模型的输出结果，确定目标公交线路在该脊线段上是否有公交站点；其中，机器学习网络模型根据带有已知公交站点结果标签的脊线段样本训练后得到，脊线段为目标公交线路按预设距离划分得到，车辆状态数据中的车辆包括公交车辆和/或社会车辆。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
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：其依然可以对前述各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各实施例技术方案的精神和范围。

Claims (9)

1.一种公交站点位置获取方法，其特征在于，包括：
对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取，得到所述脊线段的特征数据；
将所述特征数据输入至预设的机器学习网络模型，根据所述机器学习网络模型的输出结果，确定所述目标公交线路在该脊线段上是否有公交站点；
其中，所述机器学习网络模型根据带有已知公交站点结果标签的脊线段样本训练后得到，所述脊线段为所述目标公交线路按预设距离划分得到，所述车辆状态数据中的车辆包括公交车辆和/或社会车辆；
所述车辆状态数据包括，车辆经过该脊线段的最大速度、最小速度和平均速度中的任意一种或多种；
所述脊线段的状态参数包括，脊线段所属线路的唯一标识、所属线路的上下行方向、脊线段标识、脊线段的中心点坐标、脊线段的热力值、脊线段是否包括路口以及脊线段是否包括红绿灯，其中的任意一种或多种；
其中，所述热力值为脊线段中预设时间段通过车辆的定位点数，包括公交车辆的热力值和/或社会车辆的热力值。
2.根据权利要求1所述的公交站点位置获取方法，其特征在于，所述对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取之前，还包括：
获取预设时间段内目标公交线路中，行驶车辆的定位数据；
按照预设距离将所述目标公交线路划分为多个脊线段，确定每个脊线段的行驶车辆产生的车辆状态数据，以及脊线段的状态参数。
3.根据权利要求2所述的公交站点位置获取方法，其特征在于，所述获取预设时间段内目标公交线路中，行驶车辆的定位数据之前，还包括：
根据获取的指定地标，确定待获取公交站点的区域；
获取预设时间段内，所述区域中每一公交车辆的行驶轨迹，得到目标公交线路。
4.根据权利要求1所述的公交站点位置获取方法，其特征在于，所述进行特征提取，得到所述脊线段的特征数据，包括：
将当前脊线段前后相邻的若干脊线段的热力值，作为当前脊线段特征数据的一部分。
5.根据权利要求1所述的公交站点位置获取方法，其特征在于，所述对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取之前，还包括：
获取多个脊线段样本，以及将已知是否包含公交站点的结果作为对应的标签；
根据每个脊线段样本的状态参数以及脊线段样本中的车辆状态数据，进行特征提取，得到脊线段样本的特征数据；
将每个脊线段样本的特征数据和已知公交站点结果的标签的组合作为一个训练样本，从而得到多个训练样本，利用所述多个训练样本对所述机器学习网络模型进行训练。
6.根据权利要求5所述的公交站点位置获取方法，其特征在于，所述机器学习网络模型为LightGBM模型，相应地，所述利用所述多个训练样本对所述机器学习网络模型进行训练，包括：
将任意一个脊线段样本的特征数据输入至所述机器学习网络模型，输出所述样本脊线段有无公交站点对应的结果；
获取模型评估指标值，若模型评估指标值相比上次训练不再增加，则训练完成。
7.一种公交站点位置获取装置，其特征在于，包括：
特征提取模块，用于对目标公交线路的脊线段的状态参数以及脊线段中的车辆状态数据，进行特征提取，得到所述脊线段的特征数据；
站点获取模块，用于将所述特征数据输入至预设的机器学习网络模型，根据所述机器学习网络模型的输出结果，确定所述目标公交线路在该脊线段上是否有公交站点；
其中，所述机器学习网络模型根据带有已知公交站点结果标签的脊线段样本训练后得到，所述脊线段为所述目标公交线路按预设距离划分得到，所述车辆状态数据中的车辆包括公交车辆和/或社会车辆；
所述车辆状态数据包括，车辆经过该脊线段的最大速度、最小速度和平均速度中的任意一种或多种；
所述脊线段的状态参数包括，脊线段所属线路的唯一标识、所属线路的上下行方向、脊线段标识、脊线段的中心点坐标、脊线段的热力值、脊线段是否包括路口以及脊线段是否包括红绿灯，其中的任意一种或多种；
其中，所述热力值为脊线段中预设时间段通过车辆的定位点数，包括公交车辆的热力值和/或社会车辆的热力值。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述公交站点位置获取方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述公交站点位置获取方法的步骤。
CN201911228114.0A 2019-12-04 2019-12-04 公交站点位置获取方法及装置 Active CN110675646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911228114.0A CN110675646B (zh) 2019-12-04 2019-12-04 公交站点位置获取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911228114.0A CN110675646B (zh) 2019-12-04 2019-12-04 公交站点位置获取方法及装置

Publications (2)

Publication Number Publication Date
CN110675646A true CN110675646A (zh) 2020-01-10
CN110675646B CN110675646B (zh) 2020-03-31

Family

ID=69088339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911228114.0A Active CN110675646B (zh) 2019-12-04 2019-12-04 公交站点位置获取方法及装置

Country Status (1)

Country Link
CN (1) CN110675646B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047228A (zh) * 2020-03-13 2020-04-21 武汉元光科技有限公司 公交站点的分站方法及系统
CN111243318A (zh) * 2020-01-14 2020-06-05 武汉元光科技有限公司 公交中途站点位置检测方法及系统
CN114822066A (zh) * 2022-04-14 2022-07-29 北京百度网讯科技有限公司 车辆定位方法、装置、电子设备和存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003323523A (ja) * 2002-04-30 2003-11-14 Institution For Transport Policy Studies 交通ネットワークの評価と整備路線の選択を支援するシステム
JP2009301256A (ja) * 2008-06-12 2009-12-24 Fujitsu Ltd 運行経路提案プログラム、運行経路提案システム及び運行経路提案方法
CN101807222A (zh) * 2010-02-09 2010-08-18 武汉大学 基于站点的城市公交线网优化配置方法
CN104240163A (zh) * 2014-09-28 2014-12-24 百度在线网络技术（北京）有限公司 一种小区智能推荐方法及装置
CN105808877A (zh) * 2016-03-21 2016-07-27 南通大学 一种基于站点停靠能力的公交线网布设方法
CN106570595A (zh) * 2016-11-10 2017-04-19 深圳市数字城市工程研究中心 一种基于空间大数据的地铁站点选址方法及系统
CN107154148A (zh) * 2016-03-03 2017-09-12 常州普适信息科技有限公司 一种公交线路拟合的方法
CN107609677A (zh) * 2017-08-17 2018-01-19 华侨大学 一种基于出租车gps大数据的定制公交线路规划方法
CN107633035A (zh) * 2017-09-08 2018-01-26 浙江大学 一种基于K‑Means&LightGBM模型的共享交通服务reorder预估方法
CN107742434A (zh) * 2017-10-10 2018-02-27 郑州天迈科技股份有限公司 用于公交车辆在线路运营过程中的站点自动检测方法
CN108765922A (zh) * 2018-04-18 2018-11-06 上海城市交通设计院有限公司 一种公交车辆行驶轨迹的分段方法
CN109871423A (zh) * 2019-02-26 2019-06-11 武汉元光科技有限公司 公交线路脊线的更新方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003323523A (ja) * 2002-04-30 2003-11-14 Institution For Transport Policy Studies 交通ネットワークの評価と整備路線の選択を支援するシステム
JP2009301256A (ja) * 2008-06-12 2009-12-24 Fujitsu Ltd 運行経路提案プログラム、運行経路提案システム及び運行経路提案方法
CN101807222A (zh) * 2010-02-09 2010-08-18 武汉大学 基于站点的城市公交线网优化配置方法
CN104240163A (zh) * 2014-09-28 2014-12-24 百度在线网络技术（北京）有限公司 一种小区智能推荐方法及装置
CN107154148A (zh) * 2016-03-03 2017-09-12 常州普适信息科技有限公司 一种公交线路拟合的方法
CN105808877A (zh) * 2016-03-21 2016-07-27 南通大学 一种基于站点停靠能力的公交线网布设方法
CN106570595A (zh) * 2016-11-10 2017-04-19 深圳市数字城市工程研究中心 一种基于空间大数据的地铁站点选址方法及系统
CN107609677A (zh) * 2017-08-17 2018-01-19 华侨大学 一种基于出租车gps大数据的定制公交线路规划方法
CN107633035A (zh) * 2017-09-08 2018-01-26 浙江大学 一种基于K‑Means&LightGBM模型的共享交通服务reorder预估方法
CN107742434A (zh) * 2017-10-10 2018-02-27 郑州天迈科技股份有限公司 用于公交车辆在线路运营过程中的站点自动检测方法
CN108765922A (zh) * 2018-04-18 2018-11-06 上海城市交通设计院有限公司 一种公交车辆行驶轨迹的分段方法
CN109871423A (zh) * 2019-02-26 2019-06-11 武汉元光科技有限公司 公交线路脊线的更新方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111243318A (zh) * 2020-01-14 2020-06-05 武汉元光科技有限公司 公交中途站点位置检测方法及系统
CN111047228A (zh) * 2020-03-13 2020-04-21 武汉元光科技有限公司 公交站点的分站方法及系统
CN114822066A (zh) * 2022-04-14 2022-07-29 北京百度网讯科技有限公司 车辆定位方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN110675646B (zh) 2020-03-31

Similar Documents

Publication Publication Date Title
CN105788260B (zh) 一种基于智能公交系统数据的公交乘客od推算方法
CN109754594B (zh) 一种路况信息获取方法及其设备、存储介质、终端
CN110675646B (zh) 公交站点位置获取方法及装置
CN109902899B (zh) 信息生成方法和装置
CN109166337B (zh) 公交到站时间生成方法、装置及公交乘客出行od获取方法
CN107563566B (zh) 一种基于支持向量机的公交站间运行时间区间预测方法
CN102521965B (zh) 基于车牌识别数据的交通需求管理措施效果评价方法
CN110288205B (zh) 交通影响评价方法及装置
CN110472999B (zh) 基于地铁和共享单车数据的客流模式分析方法及装置
CN109859505B (zh) 高速站点的预警处理方法、装置、服务器和介质
CN106251628B (zh) 一种确定机动车的交通出行量的方法及装置
CN104875740B (zh) 用于管理跟随空间的方法、主车辆以及跟随空间管理单元
CN113807588A (zh) 基于交通事故的行车路径规划方法及装置
CN116168356B (zh) 一种基于计算机视觉的车辆损伤判别方法
CN109489679A (zh) 一种导航路径中的到达时间计算方法
CN110021161B (zh) 一种交通流向的预测方法及系统
CN104463420A (zh) Ota网站的订单处理系统及方法
CN109754606A (zh) 一种基于出租车定位预测道路拥堵情况的方法
CN113902180A (zh) 一种地铁上下行客流预测方法及处理终端
CN116933958B (zh) 一种基于刷卡数据的地铁换乘站换乘客流估计方法
CN111243318B (zh) 公交中途站点位置检测方法及系统
Erdelić et al. Classification of travel modes using streaming GNSS data
CN106887138B (zh) 一种堵车蔓延态势侦测方法与系统
CN107270919B (zh) 公交路线分级方法、装置以及公交路线导航方法、装置
CN112258881B (zh) 基于智慧交通的车辆管理方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Method and device for obtaining bus stop location

Effective date of registration: 20210330

Granted publication date: 20200331

Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd.

Pledgor: WUHAN YUANGUANG TECHNOLOGY Co.,Ltd.

Registration number: Y2021420000016

PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20220323

Granted publication date: 20200331

Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd.

Pledgor: WUHAN YUANGUANG TECHNOLOGY Co.,Ltd.

Registration number: Y2021420000016

PC01 Cancellation of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Bus stop location acquisition method and device

Effective date of registration: 20220329

Granted publication date: 20200331

Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd.

Pledgor: WUHAN YUANGUANG TECHNOLOGY Co.,Ltd.

Registration number: Y2022420000087

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20230327

Granted publication date: 20200331

Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd.

Pledgor: WUHAN YUANGUANG TECHNOLOGY Co.,Ltd.

Registration number: Y2022420000087

PC01 Cancellation of the registration of the contract for pledge of patent right