CN112434122A - 一种识别道路货运集散区的实现方法 - Google Patents
一种识别道路货运集散区的实现方法 Download PDFInfo
- Publication number
- CN112434122A CN112434122A CN202011329705.XA CN202011329705A CN112434122A CN 112434122 A CN112434122 A CN 112434122A CN 202011329705 A CN202011329705 A CN 202011329705A CN 112434122 A CN112434122 A CN 112434122A
- Authority
- CN
- China
- Prior art keywords
- truck
- time
- road
- point
- state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 230000003068 static effect Effects 0.000 claims description 31
- 230000014759 maintenance of location Effects 0.000 claims description 7
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了本发明公开一种识别道路货运集散区的实现方法,步骤是:通过交通大数据平台,获取货车卫星定位经纬度数据、货车仪表盘车速、时间数据,并进行去重、查漏数据清洗处理;根据货车仪表盘车速判断货车运行状态,得到货车停留点集;根据货车停留点集与道路空间位置关系,从货车停留点集中删除道路空间内的货车停留点;将选定区域划分为相同大小的网格单元,获取所有网格单元内货车停留点集中停留时间,并将货车停留点集中停留时间大于设定阈值的网格单元作为道路货运潜在集散区;结合道路货运潜在集散区内兴趣点信息,筛选并确定道路货运集散区。本发明具有空间普适性的特点,旨在解决如何识别道路货运集散区的问题。
Description
技术领域
本发明涉及道路货物出行分析的技术领域,尤其是一种识别道路货运集散区的实现方法。
背景技术
识别道路货物集散区是掌握货物流向的重要技术手段。传统识别道路货物集散区的方法是通过货车起讫点出行调查实现,存在调查样本小、时间长、成本高等缺点。近年来货车卫星定位数据的普及为识别道路货运集散区提供了新的技术手段。目前,已有研究提出根据货车卫星定位数据识别货车停留点的算法,但根据货车卫星定位数据识别道路货运集散区的研究仍是空白。
发明内容
针对上述现有技术,本发明提出一种识别道路货运集散区的实现方法。本发明基于货车卫星定位数据等多元交通大数据,通过交通大数据平台实现识别道路货运集散区算法。本发明为道路货运集散区分析提供新的研究手段,为货车监管、治超源头分析、货运站场规划、货运通道研究提供重要的技术支撑。本方法旨在解决多空间尺度下识别道路货运集散区的问题,具有很强的现实意义。
为了解决上述技术问题,本发明提出的一种识别道路货运集散区的实现方法,步骤如下:
1)通过交通大数据平台,获取货车卫星定位经纬度数据、货车仪表盘车速、时间数据,并进行去重、查漏数据清洗处理;
2)根据货车仪表盘车速判断货车运行状态,得到货车停留点集;
3)根据货车停留点集与道路空间位置关系,从货车停留点集中删除道路空间内的货车停留点;
4)将选定区域划分为相同大小的网格单元,获取所有网格单元内货车停留点集中停留时间,并将货车停留点集中停留时间大于设定阈值的网格单元作为道路货运潜在集散区;
5)结合道路货运潜在集散区内兴趣点信息,筛选并确定道路货运集散区。
进一步讲,本发明所述的识别道路货运集散区的实现方法,其中:
步骤2)的具体步骤如下:
2-1)根据货车速度柱状分布图,确定货车处于运行状态的车速低限阈值VTV,用以判断货车运行状态;
2-2)根据货车处于运行状态的车速低限阈值VTV,利用式(1)标定货车运行状态:
式(1)中,Statuscar,time为货车car在time时间点的货车运行状态,当值为1代表货车处于运动状态,值为0代表货车处于静止状态;Vcar,time为货车car在time时间点的货车仪表盘车速;VTV为货车处于运行状态的速度低限阈值;
2-3)对于连续的静止状态数据被离散运动状态数据间断的情况,计算出货车当前运动状态前最后一个静止点与当前运动状态后第一个静止点之间的时间差,若该时间差小于时间阈值Timecar,time,则将货车状态标记为静止;否则不作处理;所述Timecar,time按照式(2)计算:
Timecar,time=min((Tj+Tj+1)×0.1,Tj×0.2,Tj+1×0.2) (2)
式(2)中,Timecar,time为判断货车car在time时间运行状态的阈值;Tj为该运动状态前连续静止时间的时间长度;Tj+1为该运动状态后连续静止时间的时间长度;
2-4)统计每辆货车静止状态的相关信息,包括静止状态开始时间、静止状态终止时间、静止状态时经纬度数据和停留时间;由上述每辆货车静止状态的相关信息构成了货车停留点集,每辆货车静止状态的相关信息为该货车停留点集中的一个货车停留点。
本发明的实现方法中,步骤3)的具体步骤如下:
3-1)统计货车停留点集中停留时间中位数,以中位数的1.2倍为阈值,删除货车停留点集中停留时间小于该阈值的货车停留点;
3-2)以道路网地理信息平台为基础,通过空间匹配算法判断货车停留点与道路空间位置关系,计算该货车停留点与道路垂直距离,当垂直距离小于阈值S时,视为该货车停留点在道路内,删除该货车停留点:
式(3)中,当jdg值为0,则认定为道路内的货车停留点,否则保留;W为单向道路宽;S为阈值,S的取值范围为0.3-0.5倍的W;ZX为道路中线点集;B为道路缓冲区点集;i为货车停留点。
本发明的实现方法中,步骤4)的具体步骤如下:
将选定区域划分为相同尺寸的网格单元,并逐一计算网格单元内货车停留点停留时间和,设定阈值,保留停留时间和大于阈值的网格单元作为道路货运潜在集散区;
式(4)中,D为选定区域内网格单元集合;d为网格单元;I为货车停留点集;i为货车停留点,Ti为货车停留点i中的停留时间;V为阈值;Td为d网格单元内的货车停留点停留时间之和;jdg1为判断依据,当该网格单元jdg1值为1,则保留,并作为道路货运潜在集散区,否则删去。
与现有技术相比,本发明的有益效果是:
本发明综合考虑货车卫星定位数据和区兴趣点数据,发明识别道路货运集散区的方法。该方法从微观角度直观反映道路货运集散区的空间聚集情况,对于道路货物运输规划、监管具有重要的支持作用。
附图说明
图1为本发明识别道路货运集散区的实现方法的流程图;
图2为本发明实施例提供的货车静止状态停留时间的空间分布图;
图3为本发明实施例提供的识别道路货运集散区结果。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的说明,但下述实施例绝非对本发明有任何限制。
如图1所示,本发明提出的识别道路货运集散区的实现方法,包括以下步骤:
1)通过交通大数据平台,获取货车卫星定位经纬度数据、货车仪表盘车速、时间数据,并进行去重、查漏数据清洗处理;
2)根据货车仪表盘车速判断货车运行状态,得到货车停留点集;
3)根据货车停留点集与道路空间位置关系,从货车停留点集中删除道路空间内的货车停留点;
4)将选定区域划分为相同大小的网格单元,获取所有网格单元内货车停留点集中停留时间,并将货车停留点集中停留时间大于设定阈值的网格单元作为道路货运潜在集散区;
5)结合道路货运潜在集散区内兴趣点信息,筛选并确定道路货运集散区。
本发明上述的实现方法中的步骤1),通过交通大数据平台,获取货车卫星定位(经纬度)数据、货车车速等原始数据(如货车仪表盘车速、时间数据),并通过去重、查漏处理进行数据清洗处理,具体过程为:
数据去重:对于同一辆车同一时间生成的卫星定位数据,只保留1条;
数据查漏:同一辆车相邻两条卫星定位数据之间时间间隔超过设定时间且相邻两条数据之间直线距离超过设定距离,认定存在数据缺失情况并剔除。
本发明上述的实现方法中的步骤2),根据车速数据判断货车运行状态,得到货车停留点集的具体过程为:
根据货车速度柱状分布图,分析确定车速阈值VTV用以货车运行状态判断;
根据车速阈值,标定货车运行状态,公式如下:
其中:Statuscar,time为货车car在time时间点的货车运行状态,当值为1代表货车处于运动状态,值为0代表货车处于静止状态;Vcar,time为货车car在time时间点的仪表盘车速;VTV为货车处于运行状态的速度低限阈值;
对于连续的静止状态数据被少量离散运动状态数据间断的情况,计算出现运动状态前最后一个静止点与运动状态后第一个静止点之间的时间差,若小于时间阈值Timecar,time,则将状态标记为静止,所述阈值Timecar,time计算方法如下:
Timecar,time=min((Tj+Tj+1)×0.1,Tj×0.2,Tj+1×0.2) (2)
其中,Timecar,time为判断货车car在time时间运行状态的阈值;Tj为该运动状态前连续静止时间的时间长度;Tj+1为该运动状态后连续静止时间的时间长度;
统计每辆货车静止状态相关信息,包括静止状态开始时间、终止时间、位置坐标和停留时间等信息作为停留点集。
本发明上述的实现方法中的步骤3),根据货车停留点与道路空间位置关系,删除道路内货车停留点,即删除货车停留点集中停留时间较小的货车停留点,过程如下:
以道路网地理信息平台为基础,通过空间匹配算法判断停留点与道路空间位置关系,计算停留点与道路垂直距离,当垂直距离小于阈值S时,视为货车停留点在道路内,删除路内停留点,判断依据jdg计算如下:
其中,当jdg值为0,则认定为路内停留点,否则保留;W为单向道路宽;S为阈值,建议取0.3-0.5倍的W;ZX为道路中线点集;B为道路缓冲区点集;i为货车停留点。
本发明上述的实现方法中的步骤4),将选定区域划分为相同大小的网格单元,获取网格单元内停留点集中停留时间和大于设定阈值的网格单元作为货运潜在集散区的具体过程为:
将选定区域划分为相同尺寸的网格单元,并逐一计算网格单元内停留点停留时间和,设定阈值,保留停留时间和大于阈值的网格单元作为潜在道路货运集散区。
其中,D为选定区域内网格单元集合;d为网格单元;I为货车停留点集;i为货车停留点,Ti为货车停留点i中的停留时间;V为阈值;Td为d网格单元内的货车停留点停留时间之和;jdg1为判断依据,当该网格单元jdg1值为1,则保留,并作为道路货运潜在集散区,否则删去。
本发明上述的实现方法中的步骤5),所述的结合道路货运潜在集散区内兴趣点信息,筛选并确定道路货运集散区的具体过程如下:
根据网格单元兴趣点信息,根据筛选指标H值筛选潜在道路货运集散区,筛选指标H计算如下:
其中,H为该网格单元的筛选指标,如H>H阈值则认定该网格单元为道路货运集散区,否则舍弃;pi为该网格单元内的某兴趣点类型;kpi为pi兴趣点的权重;n为网格内相关兴趣点数量。
实施例:以天津市全市范围为选定区域,说明本发明提出的识别道路货运集散区的实现过程,包括:
1)通过天津交通大数据平台,获取12吨货车卫星定位经纬度、货车仪表盘车速和时间数据,并进行数据的去重、查漏处理。
2)根据收集到的并经过去重、查漏处理后的货车仪表盘车速判断货车运行状态,得到货车停留点集,具体讲是通过货车速度柱状分布图,确定10km/h为货车处于运行状态的车速低限阈值VTV,利用式(1)标定货车运行状态,利用式(2)计算货车在指定时间的运行状态的阈值,统计每辆货车静止状态的相关信息形成货车停留点集,图2为选定区域内货车停留点集在道路网地理信息平台中的展示。
3)统计货车停留点集中停留时间中位数为5min,以中位数的1.2倍为6min阈值;以道路网地理信息平台为基础,通过空间匹配算法判断停留点与道路空间位置关系,计算货车停留点与道路垂直距离,当垂直距离小于单向道路宽的0.35倍时,视为货车停留点在道路内,利用式(3)进行判断,将道路内货车停留点删除。
4)将选定区域划分为相同大小的网格单元,利用云平台按照式(4)逐一计算网格单元内货车停留点停留时间和,本实施例中当某一网格单元内货车停留点停留时间和大于6h,则保留并作为道路货运潜在集散区,否则删去。
5)结合道路货运潜在集散区内兴趣点信息,本实施例部分相关兴趣点及对应权重如表1所示。
表1兴趣点权重表
序号 | 兴趣点类(pi) | 权重(k<sub>pi</sub>) |
1 | 物流仓储场地 | +∞ |
2 | 机场货运处 | +∞ |
3 | 建筑公司 | 5 |
4 | 矿业公司 | 10 |
5 | 加油站 | -5 |
经过多次抽样试验,本实施例中筛选指标阈值为15,根据式(5)所示的筛选指标值从道路货运潜在集散区中的筛选结果如图3中的方格所示。
尽管上面结合附图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以做出很多变形,这些均属于本发明的保护之内。
Claims (4)
1.一种识别道路货运集散区的实现方法,其特征在于,包括如下步骤:
1)通过交通大数据平台,获取货车卫星定位经纬度数据、货车仪表盘车速、时间数据,并进行去重、查漏数据清洗处理;
2)根据货车仪表盘车速判断货车运行状态,得到货车停留点集;
3)根据货车停留点集与道路空间位置关系,从货车停留点集中删除道路空间内的货车停留点;
4)将选定区域划分为相同大小的网格单元,获取所有网格单元内货车停留点集中停留时间,并将货车停留点集中停留时间大于设定阈值的网格单元作为道路货运潜在集散区;
5)结合道路货运潜在集散区内兴趣点信息,筛选并确定道路货运集散区。
2.根据权利要求1所述的识别道路货运集散区的实现方法,其特征在于,步骤2)的具体步骤如下:
2-1)根据货车速度柱状分布图,确定货车处于运行状态的车速低限阈值VTV,用以判断货车运行状态;
2-2)根据货车处于运行状态的车速低限阈值VTV,利用式(1)标定货车运行状态:
式(1)中,Statuscar,time为货车car在time时间点的货车运行状态,当值为1代表货车处于运动状态,值为0代表货车处于静止状态;Vcar,time为货车car在time时间点的货车仪表盘车速;VTV为货车处于运行状态的速度低限阈值;
2-3)对于连续的静止状态数据被离散运动状态数据间断的情况,计算出货车当前运动状态前最后一个静止点与当前运动状态后第一个静止点之间的时间差,若该时间差小于时间阈值Timecar,time,则将货车状态标记为静止;否则不作处理;所述Timecar,time按照式(2)计算:
Timecar,time=min((Tj+Tj+1)×0.1,Tj×0.2,Tj+1×0.2) (2)
式(2)中,Timecar,time为判断货车car在time时间运行状态的阈值;Tj为该运动状态前连续静止时间的时间长度;Tj+1为该运动状态后连续静止时间的时间长度;
2-4)统计每辆货车静止状态的相关信息,包括静止状态开始时间、静止状态终止时间、静止状态时经纬度数据和停留时间;由上述每辆货车静止状态的相关信息构成了货车停留点集,每辆货车静止状态的相关信息为该货车停留点集中的一个货车停留点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011329705.XA CN112434122A (zh) | 2020-11-24 | 2020-11-24 | 一种识别道路货运集散区的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011329705.XA CN112434122A (zh) | 2020-11-24 | 2020-11-24 | 一种识别道路货运集散区的实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112434122A true CN112434122A (zh) | 2021-03-02 |
Family
ID=74694034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011329705.XA Pending CN112434122A (zh) | 2020-11-24 | 2020-11-24 | 一种识别道路货运集散区的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434122A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103512581A (zh) * | 2012-06-28 | 2014-01-15 | 北京搜狗科技发展有限公司 | 一种路径规划方法和装置 |
DE102014211416A1 (de) * | 2014-06-13 | 2015-12-17 | LUNOS Lüftungstechnik GmbH für Raumluftsysteme | Lüftungsgerät und Regelungseinrichtung für ein Lüftungsgerät |
CN108106620A (zh) * | 2017-12-20 | 2018-06-01 | 中国科学院深圳先进技术研究院 | 一种拓扑道路匹配方法、系统及电子设备 |
CN108182800A (zh) * | 2017-12-08 | 2018-06-19 | 北京中交兴路信息科技有限公司 | 一种货运交通信息处理方法及设备 |
CN110530379A (zh) * | 2019-10-10 | 2019-12-03 | 蒽帛物联网科技(上海)有限公司 | 一种提供车辆行驶信息的方法、装置及系统 |
CN111046049A (zh) * | 2019-12-20 | 2020-04-21 | 西南交通大学 | 一种货车gps轨迹数据压缩方法 |
CN111340427A (zh) * | 2020-03-02 | 2020-06-26 | 西南交通大学 | 一种基于轨迹数据的货车运行状态识别方法 |
-
2020
- 2020-11-24 CN CN202011329705.XA patent/CN112434122A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103512581A (zh) * | 2012-06-28 | 2014-01-15 | 北京搜狗科技发展有限公司 | 一种路径规划方法和装置 |
DE102014211416A1 (de) * | 2014-06-13 | 2015-12-17 | LUNOS Lüftungstechnik GmbH für Raumluftsysteme | Lüftungsgerät und Regelungseinrichtung für ein Lüftungsgerät |
CN108182800A (zh) * | 2017-12-08 | 2018-06-19 | 北京中交兴路信息科技有限公司 | 一种货运交通信息处理方法及设备 |
CN108106620A (zh) * | 2017-12-20 | 2018-06-01 | 中国科学院深圳先进技术研究院 | 一种拓扑道路匹配方法、系统及电子设备 |
CN110530379A (zh) * | 2019-10-10 | 2019-12-03 | 蒽帛物联网科技(上海)有限公司 | 一种提供车辆行驶信息的方法、装置及系统 |
CN111046049A (zh) * | 2019-12-20 | 2020-04-21 | 西南交通大学 | 一种货车gps轨迹数据压缩方法 |
CN111340427A (zh) * | 2020-03-02 | 2020-06-26 | 西南交通大学 | 一种基于轨迹数据的货车运行状态识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086246A (zh) | 一种道路交通源的排放量计算方法及装置 | |
CN105139638B (zh) | 一种出租车载客点选取的方法及系统 | |
CN104850676B (zh) | 一种公路桥梁随机车流仿真模拟方法 | |
CN113011815A (zh) | 一种货车停靠点提取方法和出行特征确定方法、装置 | |
US20220215749A1 (en) | Method for predicting at least one profile of the speed of a vehicle on a road network | |
Bejan et al. | Statistical modelling and analysis of sparse bus probe data in urban areas | |
CN111932925A (zh) | 一种公共交通站点的出行客流的确定方法、装置及系统 | |
CN104933284B (zh) | 一种基于实测数据的公路桥梁随机车流模拟方法 | |
CN113538072A (zh) | 一种货运车辆的出行链智能识别方法、装置及电子设备 | |
Figliozzi et al. | Algorithms for studying the impact of travel time reliability along multisegment trucking freight corridors | |
CN111340674B (zh) | 一种交通运力承运意图辨识方法 | |
CN114298642A (zh) | 从轨迹数据中提取城市内货车出行od的方法 | |
CN115375234A (zh) | 基于gnss的运输车辆运行轨迹规划方法 | |
CN114912689A (zh) | 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统 | |
CN113886374A (zh) | 一种基于gps数据和车辆运单计算车辆载货里程的方法 | |
CN112767686B (zh) | 一种基于多源数据融合的公路网汽车排放估算方法 | |
CN113808414A (zh) | 道路荷载确定方法、装置及存储介质 | |
CN112434122A (zh) | 一种识别道路货运集散区的实现方法 | |
CN108596381B (zh) | 基于od数据的城市停车需求预测方法 | |
Staniek | Repeatability of road pavement condition assessment based on three-dimensional analysis of linear accelerations of vehicles | |
CN113611130B (zh) | 一种本地与过境货车车流量获取方法、系统及存储介质 | |
CN105303246A (zh) | 一种多线路公交到站时间预测方法 | |
CN116416780A (zh) | 一种路侧感知系统的测试方法、装置、测试设备和介质 | |
CN111506619A (zh) | 一种产业园区空间选址方法及系统 | |
Paffumi et al. | Big data for assessing travel behaviour in Europe: Initiating a continental scale pilot for supporting the next generation of policy makers |
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 |
Effective date of registration: 20210510 Address after: 300191 door 1, building 2, Xinyuan apartment, Hongqi South Road, Nankai District, Tianjin (Science and Technology Park) Applicant after: TIANJIN SAIYING ENGINEERING CONSTRUCTION CONSULTING MANAGEMENT Co.,Ltd. Address before: 300051 No. 239, Yingkou Road, Heping District, Tianjin Applicant before: TIANJIN MUNICIPAL ENGINEERING DESIGN & Research Institute |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210302 |
|
RJ01 | Rejection of invention patent application after publication |