CN113380026B - 基于hmm的高速路交通量预测方法 - Google Patents
基于hmm的高速路交通量预测方法 Download PDFInfo
- Publication number
- CN113380026B CN113380026B CN202110591828.9A CN202110591828A CN113380026B CN 113380026 B CN113380026 B CN 113380026B CN 202110591828 A CN202110591828 A CN 202110591828A CN 113380026 B CN113380026 B CN 113380026B
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- updating process
- peak
- spring
- 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 44
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 5
- 230000007704 transition Effects 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于HMM的高速路交通量预测方法,基于采集的历史交通量数据划分训练集,采用FFT分析频域特性,基于残差噪声分布的衰减特性,确定平均回转时间;利用马尔可夫模型对历史交通量数据训练集的数字特征进行拟合,获取马尔可夫模型参数;利用更新过程分析节假日期间交通量的峰值特性,获取更新过程模型及模型参数;根据历史平峰交通量数据,利用构建的隐马尔可夫模型对未来月度交通流数据进行预测。本发明在多维度交通状态信息采集条件受限的情况下,仅依赖于历史交通量数据就能完成高精度的交通量预测。
Description
技术领域
本发明属于交通量预测技术,具体为一种基于HMM的高速路交通量预测方法。
技术背景
随着交通运输业的蓬勃发展,国内汽车的拥有量日益增多。据中国政府网的公开数据显示,庞大的出行需求导致高速路车流量急剧上升,因车流量增长速度远超过高速路的预期规划,导致高速路上车辆拥堵愈发严重。百度地图发布的《2020年度中国城市交通报告》显示,在汽车保有量200万~300万级的城市拥堵排名中,广州、昆明、南京、济南、杭州、长沙、佛山、合肥、沈阳、哈尔滨等城市进入前十名。基于日益复杂的交通拥堵问题,科学准确地获取交通量预测数据,不仅有助于为高速公路养护、交通控制诱导、路网规划建设等方面提供有效依据,且有助于为交通运输业的可持续发展提供关键支持。
传统的交通流预测采用四阶段法,尽管现有研究对其进行一定程度上的改进,但依旧精度较低已不再适用。
发明内容
本发明的目的在于提供了一种基于HMM的高速路交通量预测方法。
实现本发明目的的技术方案为:一种基于HMM的高速路交通量预测方法,具体步骤如下:
步骤1、基于采集的历史交通量数据划分训练集,采用FFT分析频域特性,基于残差噪声分布的衰减特性,确定平均回转时间;
步骤2、基于平均回转时间,利用马尔可夫模型对历史交通量数据训练集的数字特征进行拟合,获取马尔可夫模型参数;
步骤3、利用更新过程分析节假日期间交通量的峰值特性,获取更新过程模型及模型参数;
步骤4、根据历史平峰交通量数据,利用构建的隐马尔可夫模型对未来月度交通流数据进行预测。
优选地,采用FFT分析频域特性,基于残差噪声分布的衰减特性的具体方法为:
对训练集数据,进行时间域交通流数据傅里叶变换,获取周期-幅度谱图,利用帕斯瓦尔定理计算残差噪声能量,如下式:
F(ωt)表示当时间周期为t时残差噪声的频域幅值。
优选地,确定平均回转时间为12个月。
优选地,对历史交通量数据训练集的数字特征进行拟合即计算隐含状态空间{1,2,3,...,12}的一步转移概率矩阵:
优选地,利用更新过程分析节假日期间交通量的峰值特性,获取更新过程模型及模型参数的具体步骤为:
步骤3.1、建立假设,若在春节假期内交通流因出游而达到峰值的时间t1服从均匀分布,则在春假期间[0,ε]内满足下式分布函数:
步骤3.2、建立假设,若春假返程的交通量峰值在t2计数时刻达到,则基于更新过程的春假返程分布函数以及返程交通流在t2计数时刻的概率表达式如下:
式中,tp表示春运返程的峰值时刻,λ为泊松系数;
步骤3.3、根据步骤3.1和步骤3.2中所建立的春假期间出游及返程的概率表达式,利用每年1月~3月的月度平峰交通量xj,i(t)以及春假期间的月度高峰交通量实测值即可见变量zj,i(t),构建更新过程模型,具体表达式为:
zj,i(t)=P(tp=t)xj,i(t)
式中,xj,i(t)为j年第i个月的月度平峰交通量,zj,i(t)为j年第i个月的月度交通量实测值,R为全体实数;
利用数值拟合的方法获取步骤3.3中的模型参数;
步骤3.4、利用更新过程模型对马尔可夫模型中所确定的隐含状态进行补充,获得隐马尔可夫模型。
本发明与现有技术比显著优点为:本发明基于HMM对平峰交通量进行预测,进一步采用更新过程对节假日期间的交通量补充建模,在多维度交通状态信息采集条件受限的情况下,仅依赖于历史交通量数据就能完成高精度的交通量预测。
附图说明
图1为基于HMM的高速路交通量预测方法流程图。
图2为江苏省部分高速路段的2014年1月-2018年12月交通量数据的傅里叶周期-幅度谱。
图3为江苏省部分高速路段交通量残差噪声周期—能量谱图(a)(c)(e)和周期—梯度谱图(b)(d)(f)。。
图4为某高速公路年度平峰交通量的状态转移图
图5为某高速公路年度交通量隐马尔可夫模型示意图。
具体实施方式
如图1所示,一种基于HMM的高速路交通量预测方法,具体实施方式如下:
步骤1、基于采集的历史交通量数据,划分数据集,将N个月度断面交通量数据作为训练集,将M个月的月度断面交通量作为测试集,采用FFT分析频域特性,基于残差噪声分布的衰减特性,确定平均回转时间,具体方法为:
如图2所示,对训练集数据,进行时间域交通流数据傅里叶变换,获取周期-幅度谱图。利用帕斯瓦尔定理计算残差噪声能量,如下式:
F(ωt)表示当时间周期为t时残差噪声的频域幅值。
如图3所示,若将均值滤波的时间周期设定为12个月,在周期—能量谱图中的残差噪声的能量不再发生大幅度的递减。进一步结合周期—梯度谱图分析,当均值滤波的时间周期大于12个月时,残差噪声能量不再有较大的波动。将12个月作为均值滤波的时间周期。进一步将12个月(一年)作为最佳平均回转时间。
步骤2、基于步骤1中所确定的平均回转时间,利用马尔可夫模型对历史交通量数据训练集的数字特征进行拟合,以获取模型参数;
对历史交通量数据训练集的数字特征进行拟合即计算隐含状态空间{1,2,3,...,12}的一步转移概率矩阵:
式中,表示年度平峰交通量状态自i-1月份转移至i月份的一步转移概率。如图4所示为某高速公路年度平峰交通量所构成常返闭集{1,2,3,...,12}内的状态转移图。在该状态空间中,所有状态之间彼此相通,该隐含马尔可夫链为不可约链,故任意两个状态变量之间存在着一定程度的影响。
步骤3、利用节假日期间的历史交通量数据训练集构建更新过程模型,即利用更新过程分析节假日期间交通量的峰值特性,以获取更新过程模型及模型参数。基于步骤2中所确定的马尔可夫模型,更新过程模型通过补充1月~3月的交通量隐含状态以获取1月~3月的交通量实测值作为可见状态。而对于每年4月~12月的月度平峰交通量,直接将隐含状态作为可见状态。具体步骤如下:
步骤3.1、建立假设,若在春节假期内交通流因出游而达到峰值的时间t1服从均匀分布,则在春假期间[0,ε]内满足下式分布函数:
步骤3.2、建立假设,若春假返程的交通量峰值在t2计数时刻达到(t2>t1),则基于更新过程的春假返程分布函数以及返程交通流在t2计数时刻的概率表达式如下:
式中,tp表示春运返程的峰值时刻,λ为泊松系数。
步骤3.3、根据步骤3.1和步骤3.2中所建立的春假期间出游及返程的概率表达式,利用每年1月~3月的月度平峰交通量xj,i(t)以及春假期间的月度高峰交通量实测值即可见变量zj,i(t),构建更新过程模型,具体表达式为:
zj,i(t)=P(tp=t)xj,i(t)
式中,xj,i(t)为j年第i个月的月度平峰交通量,zj,i(t)为j年第i个月的月度交通量实测值,R为全体实数。所述更新过程模型构建了隐含变量xj,i(t)与可见变量zj,i(t)的数学关系。
利用数值拟合的方法获取步骤3.3中的模型参数。
步骤3.4、利用更新过程模型对马尔可夫模型中所确定的隐含状态进行补充,获得隐马尔可夫模型,即HMM模型。如图5所示,第j年所构造的隐马尔可夫模型的示意图,其中,x是隐含状态变量,表示月度平峰交通量;z是可见状态变量,表示月度交通量实测值。利用隐含状态变量x与可见状态变量z的数值关系确定模型参数。
步骤4、对未来月度交通流数据进行预测。基于所述HMM模型,在实际预测中,对于给定平峰交通量数据至j年m月,对当年i月的平峰交通量数据进行预测如下:
根据每年1月~3月的月度平峰交通量xj,i(t)进一步获取春运期间的月度交通量实测值,即可见变量
w是权重,上标c代表列运算,r代表行运算,状态转移阵Pn表示第n月度平峰交通量转移至第n+1月度的一步转移矩阵,xj,i表示第j年度中第i月度的平峰交通量,yj,i表示第j年度中第i月度的剩余部分交通量。表示第j年度中第i月度的交通量预测值。
实施例
为了分析本发明的预测效果,基于所选路段在2014年1月~2017年12月的月度交通量数据构建隐马尔可夫模型,进一步对所选路段在2018年1月~12月的月度交通量进行预测且对结果进行评价。在评价指标中,MRE反应了观测值与真实值之间相对误差的平均值,MAE反应了观测值与真实值的误差绝对值的平均值,RMSE反应了观测值与真实值的误差平方和与观测次数比值的平方根。
进一步运用MRE,MAE和RMSE等评价指标对于GM(1,1)模型以及本发明所提出的HMM模型性能进行对比,进一步分析其实用性。
在表1中,本发明将所提出的HMM模型与灰色预测GM(1,1)模型进行对比。对比MRE,MAE和RMSE等评价指标的实验数据,在表1中所统计的江苏省26高速路段月度交通量数据中,本发明的HMM模型有20个高速路段在各精度指标上的性能均显著优于GM(1,1),在剩余的6个高速路段中,本发明的HMM模型性能并未显著低于GM(1,1)模型。因此,实验数据显示,本发明提出的HMM模型较之传统的模型具备更大的实用价值。
Claims (2)
1.一种基于HMM的高速路交通量预测方法,其特征在于,具体步骤如下:
步骤1、基于采集的历史交通量数据划分训练集,采用FFT分析频域特性,基于残差噪声分布的衰减特性,确定平均回转时间,具体方法为:
对训练集数据,进行时间域交通流数据傅里叶变换,获取周期-幅度谱图,利用帕斯瓦尔定理计算残差噪声能量,如下式:
F(ωt)表示当时间周期为t时残差噪声的频域幅值;
步骤2、基于平均回转时间,利用马尔可夫模型对历史交通量数据训练集的数字特征进行拟合,获取马尔可夫模型参数,其中,隐含状态空间{1,2,3,...,12}的一步转移概率矩阵:
步骤3、利用更新过程分析节假日期间交通量的峰值特性,获取更新过程模型及模型参数,具体步骤为:
步骤3.1、建立假设,若在春节假期内交通流因出游而达到峰值的时间t1服从均匀分布,则在春假期间[0,ε]内满足下式分布函数:
步骤3.2、建立假设,若春假返程的交通量峰值在t2计数时刻达到,则基于更新过程的春假返程分布函数以及返程交通流在t2计数时刻的概率表达式如下:
式中,tp表示春运返程的峰值时刻,λ为泊松系数;
步骤3.3、根据步骤3.1和步骤3.2中所建立的春假期间出游及返程的概率表达式,利用每年1月~3月的月度平峰交通量xj,i(t)以及春假期间的月度高峰交通量实测值即可见变量zj,i(t),构建更新过程模型,具体表达式为:
zj,i(t)=P(tp=t)xj,i(t)
式中,xj,i(t)为j年第i个月的月度平峰交通量,zj,i(t)为j年第i个月的月度交通量实测值,R为全体实数;
利用数值拟合的方法获取步骤3.3中的模型参数;
步骤3.4、利用更新过程模型对马尔可夫模型中所确定的隐含状态进行补充,获得隐马尔可夫模型;
步骤4、根据历史平峰交通量数据,利用构建的隐马尔可夫模型对未来月度交通流数据进行预测。
2.根据权利要求1所述的基于HMM的高速路交通量预测方法,其特征在于,确定平均回转时间为12个月。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110591828.9A CN113380026B (zh) | 2021-05-28 | 2021-05-28 | 基于hmm的高速路交通量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110591828.9A CN113380026B (zh) | 2021-05-28 | 2021-05-28 | 基于hmm的高速路交通量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113380026A CN113380026A (zh) | 2021-09-10 |
CN113380026B true CN113380026B (zh) | 2022-07-22 |
Family
ID=77574834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110591828.9A Active CN113380026B (zh) | 2021-05-28 | 2021-05-28 | 基于hmm的高速路交通量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113380026B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746640B (zh) * | 2024-02-20 | 2024-04-30 | 云南省公路科学技术研究院 | 一种道路交通车流量滚动预测方法、系统、终端及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413443A (zh) * | 2013-07-03 | 2013-11-27 | 太原理工大学 | 基于隐马尔科夫模型的短时交通流状态预测方法 |
CN106710222A (zh) * | 2017-03-22 | 2017-05-24 | 广东工业大学 | 一种交通流量预测方法及装置 |
CN106846804A (zh) * | 2017-03-03 | 2017-06-13 | 浙江大学 | 基于隐马尔科夫链的交叉口实时饱和流率估计方法 |
CN110097755A (zh) * | 2019-04-29 | 2019-08-06 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
-
2021
- 2021-05-28 CN CN202110591828.9A patent/CN113380026B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413443A (zh) * | 2013-07-03 | 2013-11-27 | 太原理工大学 | 基于隐马尔科夫模型的短时交通流状态预测方法 |
CN106846804A (zh) * | 2017-03-03 | 2017-06-13 | 浙江大学 | 基于隐马尔科夫链的交叉口实时饱和流率估计方法 |
CN106710222A (zh) * | 2017-03-22 | 2017-05-24 | 广东工业大学 | 一种交通流量预测方法及装置 |
CN110097755A (zh) * | 2019-04-29 | 2019-08-06 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
Non-Patent Citations (1)
Title |
---|
船舶交通量的BP神经网络-马尔科夫预测模型;吕鹏飞 等;《上海海事大学学报》;20170630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113380026A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666715B (zh) | 一种电动汽车能耗预测方法及系统 | |
CN107330217B (zh) | 一种基于rbfnn的中观油耗预测方法 | |
CN108198425A (zh) | 一种电动汽车行驶工况的构建方法 | |
CN107153737B (zh) | 基于力学-经验法的路面最佳轴载周期确定方法 | |
CN114596700B (zh) | 一种基于门架数据的高速公路路段实时流量估计方法 | |
CN114783183A (zh) | 一种基于交通态势算法的监控方法与系统 | |
CN113380026B (zh) | 基于hmm的高速路交通量预测方法 | |
Yang et al. | Markov chain-based approach of the driving cycle development for electric vehicle application | |
CN115758212A (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
CN109615208B (zh) | 一种解决城市道路交通拥堵问题的方法 | |
CN110930693B (zh) | 一种用于道路断面的在线短时交通流预测方法 | |
CN107292462A (zh) | 一种短期负荷预测方法、装置及系统 | |
CN111882114B (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
CN105303835B (zh) | 一种道路交通流状态的短时预测方法 | |
CN112163669A (zh) | 基于bp神经网络的路面沉陷预测方法 | |
CN103344395B (zh) | 一种桥梁加固目标承载力的确认方法及装置 | |
CN114662414A (zh) | 一种基于图小波神经网络模型的油藏生产预测方法 | |
CN115496257A (zh) | 基于时空融合的短时车速预测 | |
CN114510778A (zh) | 基于混合智能优化lstm的轨道不平顺预测方法 | |
CN113657645B (zh) | 基于注意力机制的时空连接增强3dcnn交通预测方法 | |
CN111523562A (zh) | 一种基于车牌识别数据的通勤模式车辆识别方法 | |
CN105046958A (zh) | 一种高速公路交通信息采集点非等距优化布局方法 | |
CN116663126A (zh) | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 | |
CN116778715A (zh) | 一种多因素的高速交通流量智能预测方法 | |
CN115240418B (zh) | 基于因果门控-低通图卷积网络的短时交通流量预测方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Guo Tangyi Inventor after: Li Zhiyi Inventor after: Jiang Jiyang Inventor after: Deng Hong Inventor after: Ma An Inventor before: Li Zhiyi Inventor before: Jiang Jiyang Inventor before: Guo Tangyi Inventor before: Deng Hong Inventor before: Ma An |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |