CN112216113B - 基于密度峰值的交通流量数据聚类方法 - Google Patents
基于密度峰值的交通流量数据聚类方法 Download PDFInfo
- Publication number
- CN112216113B CN112216113B CN202011114639.4A CN202011114639A CN112216113B CN 112216113 B CN112216113 B CN 112216113B CN 202011114639 A CN202011114639 A CN 202011114639A CN 112216113 B CN112216113 B CN 112216113B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- flow data
- unit volume
- clustering
- density
- 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 31
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于密度峰值的交通流量数据聚类方法，包括如下步骤：步骤一，计算每个交通流量数据点的局部密度；步骤二，按照局部密度对交通流量数据点进行排序；步骤三，将局部密度和距离值均较高的交通流量数据点作为聚类中心；步骤四，依据步骤三中获得的聚类中心和噪声点对剩余交通流量数据点进行分配聚类；步骤五，将局部密度和距离值均较高的单位体积数据点作为聚类中心；步骤六，根据步骤五中获得的聚类中心和噪声点对剩余单位体积数据点进行分配聚类；步骤七，计算步骤六中分类好的各个簇内的平均单位体积。本发明的基于密度峰值的交通流量数据聚类方法，通过步骤一至步骤七的设置，便可有效的实现基于密度峰值的聚类方法对现有的交通流进行聚类分析了。
Description
技术领域
本发明涉及一种聚类方法，更具体的说是涉及一种基于密度峰值的交通流量数据聚类方法。
背景技术
交通流量数据是指汽车在道路上连续行驶形成的车流。广义上还包括其他车辆的车流和人流。在某段时间内，在不受横向交叉影响的路段上，交通流呈连续流状态；在遇到路口信号灯管制时，呈断续流状态，因此现有的交通管理系统中对于交通流量数据进行分析聚类是十分有必要的，通过对于路段上的交通流进行聚类分析，可以了解到通过该路段的车辆情况，进而使得交通管理部门可以根据聚类情况对于控制交通流量的信号灯以及其他标识进行控制，以此实现对于路段的交通流量进行调整。
目前现有的交通流多采用传统的聚类方法，然而传统的聚类方法会存在不能自动优化合理的聚类数目、计算时间复杂度较大以及所有方法都仅局限于针对特定天的流量数据确定时段划分方案等种种问题，因此现有技术中有专利号为2016109242842，名称为基于密度峰值聚类的交通流量序列划分方法的发明专利公开了一种利用密度峰值对交通流量序列进行聚类划分的方法，其通过计算每条交通流量子序列的局部密度，然后再通过定义一个综合考虑密度值和距离值的指标，通过这个指标得到最佳聚类数和聚类中心，之后再通过利用密度值对非聚类中心序列进行分类，完成对于交通流量序列的聚类划分，然而上述方式的划分方法，所做的仅仅是对于交通流量序列进行分类划分，而在划分完成以后对于分类划分好的数据进行何种处理使用并未进行进一步提供，然而由于密度峰值所聚类的数据是对于密度相近的数据进行聚类，而对数据类型并未进行分类，因此在聚类完成以后，只能够了解到当前路段的交通流量的密度分布状况，而无法对于数据类型进行进一步聚类分析，例如交通流量中的参与单位种类，如此对于后续路段上信号灯以及导航标志的调整所起到的帮助不是很大。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种能够在进行流量聚类的同时还能对数据类型进行聚类的基于密度峰值的交通流量数据聚类方法。为实现上述目的，本发明提供了如下技术方案：一种基于密度峰值的交通流量数据聚类方法，其特征在于：包括如下步骤：
步骤一，计算每个交通流量数据点的局部密度，同时计算每个交通流量数据点内的单位体积数据点的局部密度；
步骤二，按照局部密度对交通流量数据点进行排序，计算每个交通流量数据点距离一个较高密度的交通流量数据点之间的距离值；
步骤三，将局部密度和距离值均较高的交通流量数据点作为聚类中心，将局部密度低而距离值较高的交通流量数据点作为噪声点；
步骤四，依据步骤三中获得的聚类中心和噪声点对剩余交通流量数据点进行分配聚类，提取分类好的局部密度较高的各个交通流量数据点，将上述交通流量数据点内的单位体积数据点的局部密度按照从大到小进行排序，计算每个单位体积数据点距离一个较高密度的单位体积数据点之间的距离值；
步骤五，将局部密度和距离值均较高的单位体积数据点作为聚类中心，将局部密度低而距离值较高的单位体积数据点作为噪声点；
步骤六，根据步骤五中获得的聚类中心和噪声点对剩余单位体积数据点进行分配聚类；
步骤七，计算步骤六中分类好的各个簇内的平均单位体积，选取出平均单位体积较大的簇，并计算该簇在该交通流量数据点内的所占百分比。
作为本发明的进一步改进，所述步骤一种计算单位体积数据的局部密度具体步骤如下：
步骤一一，以交通流量数据点内单位体积为横坐标，一次交通流量数据点的单位标记为纵坐标，构成一个反应交通流量数据点内的每个单位的数据分布图；
步骤一二，计算出截断距离，根据截断距离计算出每个单位体积数据点的局部密度。
作为本发明的进一步改进，所述步骤一中计算单位体积数据的局部密度具体步骤如下：
步骤一一，以交通流量数据点内单位体积为横坐标，一次交通流量数据点的单位标记为纵坐标，构成一个反应交通流量数据点内的每个单位的数据分布图；
步骤一二，计算出截断距离，根据截断距离计算出每个单位体积数据点的局部密度。
作为本发明的进一步改进，所述步骤一二中的截断距离的计算方式如下，计算相邻的两个单位体积数据点的体积数值差的平均值，将该平均值作为截断距离。作为本发明的进一步改进，所述步骤一中的交通流量数据点的数据通过设置在路口上方的摄像机拍摄采集获得，其中，在摄像机拍摄采集的过程中，对拍摄的图像进行单位轮廓识别，识别出各个通过单位的轮廓，对每个单位轮廓中间的位置上画一条从前至后的直线作为单位代表，同时计算该直线的长度作为单位体积数据。
作为本发明的进一步改进，所述单位代表的确定过程如下，将拍摄的照片上沿着道路的延伸方向滑出多条与车道相互平行的直线，然后通过图像识别系统识别照片上通行单位的轮廓，之后截取轮廓内的直线，该直线即为单位代表。
本发明的有益效果，通过步骤一的设置，便可有效的实现计算现有技术中的交通流量数据的局部密度，然后通过步骤二和步骤三的设置便可有效的获得聚类中心，接着通过步骤四的设置完成对于交通流量数据的聚类，再通过步骤五至步骤七的设置在完成了交通流量数据聚类的基础上对于交通流量较大的数据点进行单位体积数据点的聚类，以此便可根据最终的聚类结果分析当前路口造成交通流量过大堵塞所形成的一些原因，实现了具体问题具体分析，方便了交通部门对于路口的调控。
具体实施方式
下面将对本发明做进一步的详述。
本实施例的一种基于密度峰值的交通流量数据聚类方法，包括如下步骤：
步骤一，计算每个交通流量数据点的局部密度，同时计算每个交通流量数据点内的单位体积数据点的局部密度；
步骤二，按照局部密度对交通流量数据点进行排序，计算每个交通流量数据点距离一个较高密度的交通流量数据点之间的距离值；
步骤三，将局部密度和距离值均较高的交通流量数据点作为聚类中心，将局部密度低而距离值较高的交通流量数据点作为噪声点；
步骤四，依据步骤三中获得的聚类中心和噪声点对剩余交通流量数据点进行分配聚类，提取分类好的局部密度较高的各个交通流量数据点，将上述交通流量数据点内的单位体积数据点的局部密度按照从大到小进行排序，计算每个单位体积数据点距离一个较高密度的单位体积数据点之间的距离值；
步骤五，将局部密度和距离值均较高的单位体积数据点作为聚类中心，将局部密度低而距离值较高的单位体积数据点作为噪声点；
步骤六，根据步骤五中获得的聚类中心和噪声点对剩余单位体积数据点进行分配聚类；
步骤七，计算步骤六中分类好的各个簇内的平均单位体积，选取出平均单位体积较大的簇，并计算该簇在该交通流量数据点内的所占百分比，在使用本实施例的方法的过程中，只需要执行步骤一和步骤七即可，在执行完步骤一至步骤七之后，我们会得到两个聚类数据，交通流量聚类数据和单位体积聚类数据，如此通过交通流量聚类数据可以了解到在单位时间内通过路口的车辆情况，判断当前的路口是否容易出现堵车情况，并且通过单位体积聚类数据可以了解到日常中路口所通过的车辆体积情况，如此交管部门便可了解到是否是因为大车导致的道路通行缓慢的问题，其中本实施例中的交通流量聚类数据采用摄像机拍摄在单位时间内路口的停止的交通单位数量的方式来实现采集。
作为改进的一种具体实施方式，所述步骤一中计算单位体积数据的局部密度具体步骤如下：
步骤一一，以交通流量数据点内单位体积为横坐标，一次交通流量数据点的单位标记为纵坐标，构成一个反应交通流量数据点内的每个单位的数据分布图；
步骤一二，计算出截断距离，根据截断距离计算出每个单位体积数据点的局部密度，通过上述两个步骤的设置，便可有效的计算出单位体积数据的局部密度了。
作为改进的一种具体实施方式，所述步骤一二中的截断距离的计算方式如下，计算相邻的两个单位体积数据点的体积数值差的平均值，将该平均值作为截断距离，如此便可有效的实现自动化计算截断距离的效果，而不需要人工的去设定了。
作为改进的一种具体实施方式，所述步骤一中的交通流量数据点的数据通过设置在路口上方的摄像机拍摄采集获得，其中，在摄像机拍摄采集的过程中，对拍摄的图像进行单位轮廓识别，识别出各个通过单位的轮廓，对每个单位轮廓中间的位置上画一条从前至后的直线作为单位代表，同时计算该直线的长度作为单位体积数据，通过上述结构的设置，便可有效的实现利用一条直线指代通行单位，以此便可有效的减少单位体局数据的数据量，减轻整体的运算负担，而在现有在道路上通行的单位一般有小汽车、货车、大货车、电动车和行人，而这五个单位的最大区别是便是沿道路通行方向上的直线长度，因而通过上述方式可以较为准确的代表各个通行单位，使得整体算法的计算结果能够更好的贴合实际情况。
作为改进的一种具体实施方式，所述单位代表的确定过程如下，将拍摄的照片上沿着道路的延伸方向滑出多条与车道相互平行的直线，然后通过图像识别系统识别照片上通行单位的轮廓，之后截取轮廓内的直线，该直线即为单位代表，通过上述方式，便可利用现有的图像识别技术和自动作图技术有效的勾勒出代表单位的直线，实现了自动化制作出单位代码的情况。
综上所述，本实施例的聚类方法，通过步骤一至步骤七的设置，便可有效的实现对交通流量数据进行聚类，且对单位体积数据进行聚类，以便人们对于通过路口的车辆数量和车辆类型进行分析，并且在聚类的过程中不需要人过多的进行参与了。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于密度峰值的交通流量数据聚类方法，其特征在于：包括如下步骤：
步骤一，计算每个交通流量数据点的局部密度，同时计算每个交通流量数据点内的单位体积数据点的局部密度；
步骤二，按照局部密度对交通流量数据点进行排序，计算每个交通流量数据点距离一个较高密度的交通流量数据点之间的距离值；
步骤三，将局部密度和距离值均较高的交通流量数据点作为聚类中心，将局部密度低而距离值较高的交通流量数据点作为噪声点；
步骤四，依据步骤三中获得的聚类中心和噪声点对剩余交通流量数据点进行分配聚类，提取分类好的局部密度较高的各个交通流量数据点，将上述交通流量数据点内的单位体积数据点的局部密度按照从大到小进行排序，计算每个单位体积数据点距离一个较高密度的单位体积数据点之间的距离值；
步骤五，将局部密度和距离值均较高的单位体积数据点作为聚类中心，将局部密度低而距离值较高的单位体积数据点作为噪声点；
步骤六，根据步骤五中获得的聚类中心和噪声点对剩余单位体积数据点进行分配聚类；
步骤七，计算步骤六中分类好的各个簇内的平均单位体积，选取出平均单位体积较大的簇，并计算该簇在该交通流量数据点内的所占百分比。
2.根据权利要求1所述的基于密度峰值的交通流量数据聚类方法，其特征在于：所述步骤一中计算单位体积数据点的局部密度具体步骤如下：
步骤一一，以交通流量数据点内单位体积为横坐标，一次交通流量数据点的单位标记为纵坐标，构成一个反应交通流量数据点内的每个单位的数据分布图；
步骤一二，计算出截断距离，根据截断距离计算出每个单位体积数据点的局部密度。
3.根据权利要求2所述的基于密度峰值的交通流量数据聚类方法，其特征在于：所述步骤一二中的截断距离的计算方式如下，计算相邻的两个单位体积数据点的体积数值差的平均值，将该平均值作为截断距离。
4.根据权利要求3所述的基于密度峰值的交通流量数据聚类方法，其特征在于：所述步骤一中的交通流量数据点的数据通过设置在路口上方的摄像机拍摄采集获得，其中，在摄像机拍摄采集的过程中，对拍摄的图像进行单位轮廓识别，识别出各个通过单位的轮廓，将拍摄的照片上沿着道路的延伸方向画出多条与车道相互平行的直线，然后通过图像识别系统识别照片上通行单位的轮廓，之后截取轮廓内的直线作为单位代表，同时计算该直线的长度作为单位体积数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011114639.4A CN112216113B (zh) | 2020-10-16 | 2020-10-16 | 基于密度峰值的交通流量数据聚类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011114639.4A CN112216113B (zh) | 2020-10-16 | 2020-10-16 | 基于密度峰值的交通流量数据聚类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112216113A CN112216113A (zh) | 2021-01-12 |
| CN112216113B true CN112216113B (zh) | 2021-07-27 |
Family
ID=74055718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011114639.4A Active CN112216113B (zh) | 2020-10-16 | 2020-10-16 | 基于密度峰值的交通流量数据聚类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112216113B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113923043B (zh) * | 2021-10-27 | 2024-02-09 | 温州职业技术学院 | 一种基于密度峰值自适应聚类的用户实体行为分析方法 |
| CN116644373B (zh) * | 2023-07-27 | 2023-10-31 | 广东小途汽车科技有限公司 | 基于人工智能的汽车流量数据分析管理系统 |
| CN117294643B (zh) * | 2023-11-24 | 2024-03-12 | 南京邮电大学 | 一种基于SDN架构的网络QoS保障路由方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105118308A (zh) * | 2015-10-12 | 2015-12-02 | 青岛大学 | 基于聚类强化学习的城市道路交叉口交通信号优化方法 |
| CN106446532A (zh) * | 2016-09-09 | 2017-02-22 | 广西科技大学 | 一种虚拟源强的配置方法 |
| CN109584551A (zh) * | 2018-11-27 | 2019-04-05 | 南京航空航天大学 | 一种基于层次聚类的关联交叉口群划分的设计方法 |
| CN109859475A (zh) * | 2019-03-14 | 2019-06-07 | 江苏中设集团股份有限公司 | 一种基于dbscan密度聚类的交叉口信号控制方法、装置及系统 |
| CN110197584A (zh) * | 2019-04-03 | 2019-09-03 | 中国公路工程咨询集团有限公司 | 基于区域检测器的高速公路交通状态评价方法 |
| CN110782120A (zh) * | 2019-09-12 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 一种交通流模型的评测方法、系统、设备及介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2525738B2 (es) * | 2014-01-27 | 2015-04-13 | Martín HERRÁIZ HERRÁIZ | Procedimiento de supervisión y control de recorridos de vehículos para optimizar la utilización de sus capacidades de carga |
| DE102015120659A1 (de) * | 2015-11-27 | 2017-06-14 | Ice Gateway Gmbh | Klassifizieren eines oder mehrerer Reflektionsobjekte |
| EP3358542B1 (en) * | 2017-02-01 | 2020-12-09 | Kapsch TrafficCom AG | A method of predicting a traffic behaviour in a road system |
| US10540892B1 (en) * | 2017-10-26 | 2020-01-21 | State Farm Mutual Automobile Insurance Company | Technology for real-time detection and mitigation of remote vehicle anomalous behavior |
| DE102018221179A1 (de) * | 2018-12-06 | 2020-06-10 | Robert Bosch Gmbh | Verfahren und System zum Ermitteln bestimmter Zustandsinformationen für wenigstens eine geographische Position mithilfe autonomer oder teilautonomer Fahrzeuge |
-
2020
- 2020-10-16 CN CN202011114639.4A patent/CN112216113B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105118308A (zh) * | 2015-10-12 | 2015-12-02 | 青岛大学 | 基于聚类强化学习的城市道路交叉口交通信号优化方法 |
| CN106446532A (zh) * | 2016-09-09 | 2017-02-22 | 广西科技大学 | 一种虚拟源强的配置方法 |
| CN109584551A (zh) * | 2018-11-27 | 2019-04-05 | 南京航空航天大学 | 一种基于层次聚类的关联交叉口群划分的设计方法 |
| CN109859475A (zh) * | 2019-03-14 | 2019-06-07 | 江苏中设集团股份有限公司 | 一种基于dbscan密度聚类的交叉口信号控制方法、装置及系统 |
| CN110197584A (zh) * | 2019-04-03 | 2019-09-03 | 中国公路工程咨询集团有限公司 | 基于区域检测器的高速公路交通状态评价方法 |
| CN110782120A (zh) * | 2019-09-12 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 一种交通流模型的评测方法、系统、设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| Kernel Density Estimation of traffic accidents in a network space;Zhixiao Xie;《Computers, Environment and Urban Systems》;20081231;第397-406页 * |
| Tarique Anwar.Partitioning road networks using density peak graphs: Efficiency vs..《Information Systems》.2017, * |
| 基于密度峰值聚类的随机森林室内定位;张萌;《计算机工程与设计》;20181231;第1490-1496页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112216113A (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112216113B (zh) | 基于密度峰值的交通流量数据聚类方法 | |
| CN110570658B (zh) | 基于层次聚类的路口异常车辆轨迹识别分析方法 | |
| CN112489456B (zh) | 基于城市主干线车辆排队长度的信号灯调控方法及系统 | |
| CN110688992B (zh) | 交通信号识别方法、装置、车辆导航设备和无人驾驶车辆 | |
| CN106934808B (zh) | 一种视觉感知下汽车前灯尾灯识别跟踪方法 | |
| CN103903019B (zh) | 一种多车道车辆轨迹时空图的自动生成方法 | |
| CN111815959B (zh) | 一种车辆违章的检测方法、装置以及计算机可读存储介质 | |
| CN101783076B (zh) | 一种视频监控模式下的快速车型识别方法 | |
| CN103971128B (zh) | 一种面向无人驾驶车的交通标志识别方法 | |
| CN108847042B (zh) | 一种路况信息发布方法及装置 | |
| CN103366571B (zh) | 智能的夜晚交通事件检测方法 | |
| CN106846804B (zh) | 基于隐马尔科夫链的交叉口实时饱和流率估计方法 | |
| CN110634299B (zh) | 基于多源轨迹数据的城市交通状态精细划分与识别方法 | |
| CN102903239B (zh) | 交通路口车辆左右违章转向检测方法和系统 | |
| CN108470461B (zh) | 一种交通信号控制器控制效果在线评价方法及系统 | |
| CN102567705B (zh) | 检测和跟踪夜间行驶车辆的方法 | |
| CN107331170B (zh) | 基于绿灯损失时间的交叉口信号配时评价方法及系统 | |
| CN108629971B (zh) | 一种交通灯控制方法及最佳车速确定方法 | |
| CN103984950A (zh) | 一种适应白天检测的运动车辆刹车灯状态识别方法 | |
| CN110084111A (zh) | 一种应用于自适应远光灯的快速夜间车辆检测方法 | |
| CN107622494A (zh) | 面向交通视频的夜间车辆检测与跟踪方法 | |
| CN105718923A (zh) | 一种基于逆投影图的夜间车辆检测与计数方法 | |
| CN105844915A (zh) | 一种可变限速控制下交通流基本图的确定方法 | |
| CN109299672B (zh) | 自适应调节阈值和算法结构的停车事件检测系统及方法 | |
| CN106571035A (zh) | 城市道路行程时间噪声数据处理方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231220 Address after: 430000, Room 05, 27th Floor, Building 1, Phase 3, Guannan Fuxing Pharmaceutical Park, No. 58 Guanggu Avenue, Wuhan Donghu New Technology Development Zone, Wuhan, Hubei Province (Wuhan Area of Free Trade Zone) Patentee after: Wuhan Tianzhiran Intellectual Property Operation Co.,Ltd. Address before: 325000 Wenzhou City National University Science Park incubator, No. 38 Dongfang South Road, Ouhai District, Wenzhou, Zhejiang Patentee before: WENZHOU VOCATIONAL & TECHNICAL College |