CN111008360A - 一种基于深度优先搜索的车辆固定轨迹的分析方法及系统 - Google Patents

一种基于深度优先搜索的车辆固定轨迹的分析方法及系统 Download PDF

Info

Publication number
CN111008360A
CN111008360A CN201911142210.3A CN201911142210A CN111008360A CN 111008360 A CN111008360 A CN 111008360A CN 201911142210 A CN201911142210 A CN 201911142210A CN 111008360 A CN111008360 A CN 111008360A
Authority
CN
China
Prior art keywords
vehicle
track
data
sequence
depth
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
CN201911142210.3A
Other languages
English (en)
Other versions
CN111008360B (zh
Inventor
朱文佳
刘松
罗达志
骆乐乐
陶诗德
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.)
Anhui Bai Cheng Hui Tong Technology Co ltd
Original Assignee
Anhui Bai Cheng Hui Tong 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 Anhui Bai Cheng Hui Tong Technology Co ltd filed Critical Anhui Bai Cheng Hui Tong Technology Co ltd
Priority to CN201911142210.3A priority Critical patent/CN111008360B/zh
Publication of CN111008360A publication Critical patent/CN111008360A/zh
Application granted granted Critical
Publication of CN111008360B publication Critical patent/CN111008360B/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
    • G08G1/01—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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明的一种基于深度优先搜索的车辆固定轨迹的分析方法及系统，包括以下步骤S100、获取车辆卡口过车数据，取设定时间周期内所有非营运的过车数据；S200、对获取的过车数据，按车辆分组，并将车辆周期内的所有过车数据按时间排序组合成一条记录作为这辆车的周期轨迹；S300、对每辆车的周期轨迹通过深度优先搜索算法计算固定轨迹并输出所有满足最少经过频率的固定轨迹的车辆以及它对应的轨迹数据。本发明通过深度优先搜索算法对车辆的固定轨迹挖掘，挖掘出车辆常经过的连续固定轨迹，可供交通部门通过车辆频繁轨迹发现非法营运车辆和其他违法行为车辆，便于交通安全管控。

Description

一种基于深度优先搜索的车辆固定轨迹的分析方法及系统
技术领域
本发明涉及交通安全技术领域，具体涉及一种基于深度优先搜索的车辆固定轨迹的分析方法及系统。
背景技术
研究车辆运动规律具有重要意义，通过挖掘车辆的历史轨迹模式，可分析过去时间段内车辆的运动规律和行为模式，也可依此预测车辆未来的行驶轨迹。
目前有很多关于车辆单一轨迹的研究，例如基于卡口数据的车辆轨迹重构的方法；以及利用车辆与路况的交互信息，对车辆轨迹预测的方法。但是还没有专门针对交通管理应用中，分析车辆在历史时间固定经过点位的方法。
发明内容
本发明提出的一种基于深度优先搜索的车辆固定轨迹的分析方法及系统，通过深度优先搜索算法对车辆的固定轨迹挖掘，挖掘出车辆常经过的连续固定轨迹，可供交通部门通过车辆频繁轨迹发现非法营运车辆和其他违法行为车辆，便于交通安全管控。
为实现上述目的，本发明采用了以下技术方案：
一种基于深度优先搜索的车辆固定轨迹的分析方法，包括以下步骤：
基于深度优先搜索的车辆固定轨迹的分析方法，包括以下步骤：
获取车辆卡口过车数据，取设定时间周期内(N天)所有非营运的过车数据；
对过车数据按车辆分组，并将车辆周期内的所有过车数据按时间排序组合成一条记录作为这辆车的周期轨迹；
对每辆车的周期轨迹通过深度优先搜索算法(DFS)计算固定轨迹，并输出所有满足最少经过频率的固定轨迹的车辆以及它对应的轨迹。
另一方面本发明还公开一种数据获取模块，用于获取车辆卡口过车数据，取设定时间周期内所有非营运的过车数据；
数据处理模块，对获取的过车数据，按车辆分组，并将车辆周期内的所有过车数据按时间排序组合成一条记录作为这辆车的周期轨迹；
数据计算及输出模块，用于对每辆车的周期轨迹通过深度优先搜索算法计算固定轨迹并输出所有满足最少经过频率的固定轨迹的车辆以及它对应的轨迹数据。
由上述技术方案可知，本发明的基于深度优先搜索的车辆固定轨迹的分析方法通过深度优先搜索算法对车辆的固定轨迹挖掘，挖掘出车辆常经过的连续固定轨迹，可供交通部门通过车辆频繁轨迹发现非法营运车辆和其他违法行为车辆，便于交通安全管控。
本发明主要基于交通管理部门的卡口数据，并运用成熟的算法，深度优先搜索算法，对车辆历史行车行为进行分析，进而获得车辆历史固定经过的轨迹。深度优先搜索算法给出的结果具有一定的有效性，历史固定轨迹包含的信息，在非法营运车辆治理以及宏观的交通路网规划，具有很好的应用价值。
附图说明
图1是本发明的方法流程示意图。
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。
如图1所述，本发明实施例基于深度优先搜索的车辆固定轨迹的分析方法，包括以下步骤：
S100、获取车辆卡口过车数据，取设定时间周期内所有非营运的过车数据；
S200、对获取的过车数据，按车辆分组，并将车辆周期内的所有过车数据按时间排序组合成一条记录作为这辆车的周期轨迹；
S300、对每辆车的周期轨迹通过深度优先搜索算法计算固定轨迹并输出所有满足最少经过频率的固定轨迹的车辆以及它对应的轨迹数据。
对上述步骤进行具体说明：
步骤S100可理解为获取数据：
根据卡口过车数据，取一段时间周期内(N天)所有非营运的过车数据，包含车辆号牌、过车时间、过车点位。
步骤S200可理解为对数据进行处理：
按车辆分组，将车辆周期内的所有过车数据，按时间排序组合成一条记录作为这辆车的周期轨迹；设定车辆排序的周期轨迹为序列Pc＝(pc1，pc2，...pci)，c是车辆号牌标识，i是周期内车辆经过的第i个点位。
步骤S300通过深度优先搜索算法计算固定轨迹：
(1)设某一车辆a的轨迹序列为Pa＝(pa1，pa2，...pai)；
(2)在车辆a中轨迹的，取所有出行点位的唯一值，并对唯一值的集合排序为序列，设为Qa＝(qa1，qa2，...qam)，m≤i，其中m为序列对应的第m个值；
(3)设矩阵z初始为m×m的零矩阵；
(4)在轨迹序列Pa中，从第一个至最后一个数依次搜索，对每相邻的两个点位(pai，pai+1)，在Qa中一定存在对应值，可设为(qax，qay)，此时，对矩阵z第x行y列算术加1；
(5)模型输入出行轨迹大于n次为固定轨迹的点，在第(4)步矩阵z中数值大于n的行列为i，j，Qa中对应点位对(qai→qaj)，所有满足条件的点位对记为qaqa；
(6)对于qaqa，使用深度优先搜索算法，对点位对连接成轨迹，完成车辆固定轨迹。
另一方面本发明实施例还公开一种基于深度优先搜索的车辆固定轨迹的分析系统，包括以下模块：
数据获取模块，用于获取车辆卡口过车数据，取设定时间周期内所有非营运的过车数据；本模块可解释为用于获取车辆卡口过车数据，在获取非法营运等车辆的分析中，可以取设定时间周期内所有非营运的过车数据，它的主要目的是获取目标数据进行分析；
数据处理模块，对获取的过车数据，按车辆分组，并将车辆周期内的所有过车数据按时间排序组合成一条记录作为这辆车的周期轨迹；即把原始数据处理成可供模型使用的类型；
数据计算及输出模块，用于对每辆车的周期轨迹通过深度优先搜索算法计算固定轨迹并输出所有满足最少经过频率的固定轨迹的车辆以及它对应的轨迹数据。可解释为根据需要来设定最少经过频率，通过参数设定机制，能够灵活运用到不同区域，以及不同分析的业务场景中，完成固定轨迹的分析。
具体的说，所述数据获取模块根据卡口过车数据，取N天所有非营运的过车数据，包含车辆号牌、过车时间、过车点位。
具体的说，所述数据处理模块用于按车辆分组，将车辆周期内的所有过车数据，按时间排序组合成一条记录作为这辆车的周期轨迹；
设定车辆排序的周期轨迹为序列Pc＝(pc1，pc2，...pci)，c是车辆号牌标识，i是周期内车辆经过的第i个点位。
具体的说，所述数据计算及输出模块用于执行以下步骤：
S301、设某一车辆a的轨迹序列为Pa＝(pa1，pa2，...pai)；
S302、在车辆a中轨迹的，取所有出行点位的唯一值，并对唯一值的集合排序为序列，设为Qa＝(qa1，qa2，...qam)，m≤i，其中m为序列对应的第m个值；
S303、设矩阵z初始为m×m的零矩阵；
S304、在轨迹序列Pa中，从第一个至最后一个数依次搜索，对每相邻的两个点位(pai，pai+1)，在Qa中一定存在对应值，设为(qax，qay)，此时，对矩阵z第x行y列算术加1；
S305、输入出行轨迹大于n次为固定轨迹的点，在第S304步矩阵z中数值大于n的行列为i，j，Qa中对应点位对(qai→qaj)，所有满足条件的点位对记为qaqa；
S306、对于qaqa，使用深度优先搜索算法，对点位对连接成轨迹，完成车辆固定轨迹。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本发明实施例基于深度优先搜索的方法，提出利用卡口数据分析车辆历史固定轨迹，并可运用到非法营运等违法行为的治理中。本发明实施例是利用道路卡口过车数据，用户根据需要，主观分析目标时间段的历史数据，最后通过可视化工具完成车辆轨迹的分析和展现；完成了对不同用户的个性化需求。
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 (8)

1.一种基于深度优先搜索的车辆固定轨迹的分析方法，其特征在于：
包括以下步骤：
S100、获取车辆卡口过车数据，取设定时间周期内所有非营运的过车数据；
S200、对获取的过车数据，按车辆分组，并将车辆周期内的所有过车数据按时间排序组合成一条记录作为这辆车的周期轨迹；
S300、对每辆车的周期轨迹通过深度优先搜索算法计算固定轨迹并输出所有满足最少经过频率的固定轨迹的车辆以及它对应的轨迹数据。
2.根据权利要求1所述的基于深度优先搜索的车辆固定轨迹的分析方法，其特征在于：所述S100获取车辆卡口过车数据，取设定时间周期内所有非营运的过车数据；具体包括：
根据卡口过车数据，取N天所有非营运的过车数据，包含车辆号牌、过车时间、过车点位。
3.根据权利要求2所述的基于深度优先搜索的车辆固定轨迹的分析方法，其特征在于：所述S200对获取的过车数据，按车辆分组，并将车辆周期内的所有过车数据按时间排序组合成一条记录作为这辆车的周期轨迹；
具体包括：
按车辆分组，将车辆周期内的所有过车数据，按时间排序组合成一条记录作为这辆车的周期轨迹；
设定车辆排序的周期轨迹为序列Pc＝(pc1，pc2，...Pci)，c是车辆号牌标识，i是周期内车辆经过的第i个点位。
4.根据权利要求3所述的基于深度优先搜索的车辆固定轨迹的分析方法，其特征在于：所述步骤S300对每辆车的周期轨迹通过深度优先搜索算法计算固定轨迹并输出所有满足最少经过频率的固定轨迹的车辆以及它对应的轨迹数据；
具体包括：
S301、设某一车辆a的轨迹序列为Pa＝(pa1，pa2，...pai)；
S302、在车辆a中轨迹的，取所有出行点位的唯一值，并对唯一值的集合排序为序列，设为Qa＝(qa1，qa2，...qam)，m≤i，其中m为序列对应的第m个值；
S303、设矩阵z初始为m×m的零矩阵；
S304、在轨迹序列Pa中，从第一个至最后一个数依次搜索，对每相邻的两个点位(pai，pai+1)，在Qa中一定存在对应值，设为(qax，qay)，此时，对矩阵z第x行y列算术加1；
S305、输入出行轨迹大于n次为固定轨迹的点，在第S304步矩阵z中数值大于n的行列为i，j，Qa中对应点位对(qai→qaj)，所有满足条件的点位对记为qaqa；
S306、对于qaqa，使用深度优先搜索算法，对点位对连接成轨迹，完成车辆固定轨迹。
5.一种基于深度优先搜索的车辆固定轨迹的分析系统，其特征在于：包括以下模块：
数据获取模块，用于获取车辆卡口过车数据，取设定时间周期内所有非营运的过车数据；
数据处理模块，对获取的过车数据，按车辆分组，并将车辆周期内的所有过车数据按时间排序组合成一条记录作为这辆车的周期轨迹；
数据计算及输出模块，用于对每辆车的周期轨迹通过深度优先搜索算法计算固定轨迹并输出所有满足最少经过频率的固定轨迹的车辆以及它对应的轨迹数据。
6.根据权利要求5所述的一种基于深度优先搜索的车辆固定轨迹的分析系统，其特征在于：
所述数据获取模块根据卡口过车数据，取N天所有非营运的过车数据，包含车辆号牌、过车时间、过车点位。
7.根据权利要求5所述的一种基于深度优先搜索的车辆固定轨迹的分析系统，其特征在于：
所述数据处理模块用于按车辆分组，将车辆周期内的所有过车数据，按时间排序组合成一条记录作为这辆车的周期轨迹；
设定车辆排序的周期轨迹为序列Pc＝(pc1，pc2，...pci)，c是车辆号牌标识，i是周期内车辆经过的第i个点位。
8.根据权利要求7所述的一种基于深度优先搜索的车辆固定轨迹的分析系统，其特征在于：
所述数据计算及输出模块用于执行以下步骤：
S301、设某一车辆a的轨迹序列为Pa＝(pa1，pa2，...pai)；
S302、在车辆a中轨迹的，取所有出行点位的唯一值，并对唯一值的集合排序为序列，设为Qa＝(qa1，qa2，...qam)，m≤i，其中m为序列对应的第m个值；
S303、设矩阵z初始为m×m的零矩阵；
S304、在轨迹序列Pa中，从第一个至最后一个数依次搜索，对每相邻的两个点位(pai，pai+1)，在Qa中一定存在对应值，设为(qax，qay)，此时，对矩阵z第x行y列算术加1；
S305、输入出行轨迹大于n次为固定轨迹的点，在第S304步矩阵z中数值大于n的行列为i，j，Qa中对应点位对(qai→qaj)，所有满足条件的点位对记为qaqa；
S306、对于qaqa，使用深度优先搜索算法，对点位对连接成轨迹，完成车辆固定轨迹。
CN201911142210.3A 2019-11-20 2019-11-20 一种基于深度优先搜索的车辆固定轨迹的分析方法及系统 Active CN111008360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911142210.3A CN111008360B (zh) 2019-11-20 2019-11-20 一种基于深度优先搜索的车辆固定轨迹的分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911142210.3A CN111008360B (zh) 2019-11-20 2019-11-20 一种基于深度优先搜索的车辆固定轨迹的分析方法及系统

Publications (2)

Publication Number Publication Date
CN111008360A true CN111008360A (zh) 2020-04-14
CN111008360B CN111008360B (zh) 2023-11-03

Family

ID=70113079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911142210.3A Active CN111008360B (zh) 2019-11-20 2019-11-20 一种基于深度优先搜索的车辆固定轨迹的分析方法及系统

Country Status (1)

Country Link
CN (1) CN111008360B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105606110A (zh) * 2015-11-03 2016-05-25 中兴软创科技股份有限公司 基于深度优先遍历的可达路径的查找方法与装置
CN105825671A (zh) * 2016-03-21 2016-08-03 武汉烽火众智数字技术有限责任公司 一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统
US20180251126A1 (en) * 2017-03-01 2018-09-06 Zoox, Inc. Trajectory generation and execution architecture

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105606110A (zh) * 2015-11-03 2016-05-25 中兴软创科技股份有限公司 基于深度优先遍历的可达路径的查找方法与装置
CN105825671A (zh) * 2016-03-21 2016-08-03 武汉烽火众智数字技术有限责任公司 一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统
US20180251126A1 (en) * 2017-03-01 2018-09-06 Zoox, Inc. Trajectory generation and execution architecture

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
林宇宁;: "福建省高速公路多义性路径识别技术的研究" *
王龙飞;陈红;李杨;邓亚娟;: "城市路网车辆出行轨迹获取的混合轨迹拆分" *

Also Published As

Publication number Publication date
CN111008360B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
Kruber et al. An unsupervised random forest clustering technique for automatic traffic scenario categorization
Chiang et al. Simulated annealing metaheuristics for the vehicle routing problem with time windows
JP2001084479A (ja) 交通流データ予測装置及び交通流データ予測方法
CN115100848B (zh) 一种地面交通拥堵的出行溯源方法和系统
CN111815973B (zh) 信号交叉口分析方法及相关设备
US20230177959A1 (en) Vehicle accident prediction system, vehicle accident prediction method, vehicle accident prediction program, and learned model creation system
Box et al. An automated signalized junction controller that learns strategies from a human expert
Wang et al. A state dependent mandatory lane-changing model for urban arterials with hidden Markov model method
CN114297328B (zh) 基于时空缓冲区的轨迹数据补全及交通流预测方法
Wang et al. TYRE: A dynamic graph model for traffic prediction
CN111008360A (zh) 一种基于深度优先搜索的车辆固定轨迹的分析方法及系统
CN111862587A (zh) 一种出行引导策略生成方法及装置
CN112748452A (zh) 一种基于路网数据的gps轨迹清洗方法
Berger et al. ZEBRA: Z-order Curve-based Event Retrieval Approach to Efficiently Explore Automotive Data
Ruta et al. Diversified gradient boosting ensembles for prediction of the cost of forwarding contracts
CN114331299B (zh) 数据处理方法、装置、电子设备和计算机可读存储介质
CN116897377A (zh) 车辆的行驶状况的数字表示的比较
CN115641244A (zh) 一种运输轨迹生成方法、装置、终端及存储介质
Bagwe et al. RAMRL: Towards Robust On-Ramp Merging via Augmented Multimodal Reinforcement Learning
CN114413921A (zh) 基于激励机制的网联车行驶路径规划方法、系统及设备
Cui et al. Online bus speed prediction with spatiotemporal interaction: A laplace approximation-based bayesian approach
Ziakopoulos et al. Advanced driver monitoring using smartphone applications: The BeSmart project
CN112116167A (zh) 数据处理方法、数据处理装置、存储介质和电子设备
Liu et al. Modelling motorized and non-motorized vehicle conflicts using multiagent inverse reinforcement learning approach
Shein et al. Discovery of loose group companion from trajectory data streams

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
CB02 Change of applicant information

Address after: Room 707-710, 7th floor, building B3, innovation industrial park, No. 800, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province

Applicant after: Anhui Baicheng Huitong Technology Co.,Ltd.

Address before: Room 707-710, 7th floor, building B3, innovation industrial park, No. 800, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province

Applicant before: ANHUI BAI CHENG HUI TONG TECHNOLOGY CO.,LTD.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant