CN108564789B - 基于收费站数据的高速公路匝道上下行方向流量估计方法 - Google Patents
基于收费站数据的高速公路匝道上下行方向流量估计方法 Download PDFInfo
- Publication number
- CN108564789B CN108564789B CN201810594341.4A CN201810594341A CN108564789B CN 108564789 B CN108564789 B CN 108564789B CN 201810594341 A CN201810594341 A CN 201810594341A CN 108564789 B CN108564789 B CN 108564789B
- Authority
- CN
- China
- Prior art keywords
- data
- flow
- traffic
- ramp
- toll station
- 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 17
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 9
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 7
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Entrepreneurship & Innovation (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本发明公开了一种基于收费站数据的高速公路匝道上下行方向流量估计方法,步骤1.建立分车型流量时间序列;步骤2.建立上行方向入口匝道流量时间序列;步骤3.建立训练集作为最小二乘支持向量机回归的训练数据;步骤4.选择适当的参数和核函数,根据最小二乘支持向量机回归的算法求解SVR的最优化问题;步骤5.构造决策函数;步骤6.将收费站入口实时的中小型车流量和拖挂车流量式,代入决策函数中,即得到上行方向入口匝道实时的流量估计结果。本发明能够根据收费站车流量数据在时间阈的相似性以及上、下行方向车流比例的规律性对进口匝道上、下行方向车流量进行实时估计。
Description
技术领域
本发明涉及交通信息技术领域,具体涉及一种高速公路匝道上下行方向流量的实时估计方法。
背景技术
随着国民经济实力的持续增强,交通运输业也在快速发展,特别是高速公路,自上世纪九十年代以来,在我国得到了迅猛的发展,截止于2017年3月,我国高速公路通车总里程已超过12.5万公里,是世界上高速公路通车总里程最多的国家。然而,随着汽车持有量的持续增加,以及各地区经济互动的愈加频繁,行驶于高速公路上的车辆越来越多,导致高速公路上的交通拥堵越来越严重,交通事故也频频发生。
高速公路交通拥堵日趋加剧和交通事故频发的根本原因主要有两方面,一方面是高速公路交通管理部门缺乏对路网交通状态变化趋势的整体把握,因而无法进行有效的交通管控和疏导;另一方面在于出行者不清楚实时路况的变化,盲目驾驶从而导致交通拥堵的发生。而准确把握交通状态和实时路况变化趋势的关键在于对交通流量变化趋势的有效预测,因此要实现对高速公路的有效管理,减少交通拥堵和交通事故的发生,其重点在于对高速公路交通流量的准确预测。
由于高速公路自身的特点,路段上的车流量受到进出匝道车流量的影响。因此,要对高速公路路段车流量进行准确预测,需要考虑匝道进出口车流量对路段车流量的影响。但由于高速公路车检器布设有限,很多匝道进出口都没有布设车检器,导致匝道进出口车流量获取困难,严重影响了高速公路路段流量的预测精度。
发明内容
有鉴于此,为了解决上述问题,本发明提供一种基于收费站数据的高速公路匝道上下行方向流量估计方法,能够根据收费站车流量数据在时间阈的相似性以及上、下行方向车流比例的规律性对进口匝道上、下行方向车流量进行实时估计。
为实现上述目的及其他目的,本发明提供基于收费站数据的高速公路匝道上下行方向流量估计方法,该方法包括以下步骤:
步骤1.统计检测周期t内进入收费站的中小型车的车流量q1(t)和拖挂车的车流量q2(t),并建立分车型流量时间序列X,
步骤2.统计检测周期t内上行方向入口匝道车流量qs(t),建立上行方向入口匝道流量时间序列Y,Y=[qs(t),qs(t-1),...,qs(t-n)]T;分车型流量时间序列X和上行方向入口匝道流量时间序列Y作为样本据;
步骤3.利用分车型流量时间序列X和上行方向入口匝道流量时间序列Y,建立训练集{(x1,y1),...(xi,yi)}∈(X×Y)l作为最小二乘支持向量机回归的训练数据,l为训练集中输入输出数据对的个数,
xi为预测因子,
步骤4.选择适当的参数和核函数,根据最小二乘支持向量机回归的算法求解SVR的最优化问题;
步骤5.构造决策函数;
步骤6.将收费站入口实时的中小型车流量和拖挂车流量式,代入决策函数中,即得到上行方向入口匝道实时的流量估计结果。
优选地,在所述步骤S3中,所述回溯系数p通过以下方法获得:
S31.将样本数据中的一部分作为训练数据,另一部分作为检验数据;
S32.用训练数据来训练支持向量机,并用训练好的支持向量机回归模型估计检验数据的值;
S33.计算检验数据的估计值与检验数据的真实值之间均方差的大小,选择均方差最小时对应的回溯系数的值作为支持向量机回归模型的回溯系数p。
优选的,在所述步骤S4中,最优化问题为:
优选的,在所述步骤S4中,通过引入拉格朗日函数求解最优化问题,所述的拉格朗日函数为:
其中,ai∈R为拉格朗日乘子。
优选的,所述核函数为径向基函数。
优选的,所述决策函数为:
其中k(xi,x)就是核函数。
由于采用了上述技术方案,本发明具有如下的优点:
1、在进行匝道流量估计时考虑了不同车型因素的影响,将分车型的流量数据作为输入,更加符合匝道流量的分配规律,能够取得更好的估计效果。
2、能够基于收费站数据对匝道进口上下行方向车流量进行有效的估计,获得实时的进口匝道流量信息。
3、由于获得了实时的匝道流量信息,将这一信息用于路段流量预测,能获得更好的预测效果。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述:
图1基于SVR的分车型匝道流量估计模型结构图;
图2本发明的流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1至图2。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
于收费站数据估计每个匝道车流量的关键问题在于如何判断车行方向。对于出收费站的车辆,可以跟据其进入的收费站在当前收费站的上游还是下游来判断其车行方向。而对于进收费站的车辆,只能通过对历史的收费站数据进行深入的分析,挖掘其内在规律,进而根据历史车辆上下行分配比例规律来对实时的上下行进口匝道流量进行估计。
通过对收费站历史数据的分析发现:1)进出收费站的车流量存在时间阈上的相似性,每一天与前一天的交通流量变化呈现出弱相似性,每一周同一天的交通流量变化呈现出强相似性;2)上、下行方向车流比例存在规律性;3)上、下行方向的拖挂车和中小型车流量的比例相差很大,因此在对不同方向的入口匝道流量进行预测时,需要考虑车型因素的影响。
本发明的目的在于提供一种基于收费站数据的高速公路进口匝道上、下行方向流量实时估计方法,能够根据收费站车流量数据在时间阈的相似性以及上、下行方向车流比例的规律性对进口匝道上、下行方向车流量进行实时估计。
参见图2,本实施例提供一种基于收费站数据的高速公路匝道上下行方向流量估计方法,该方法包括以下步骤:
步骤1.建立收费站入口分车型流量时间序列。根据历史的收费站入口流水数据,分别统计检测周期t内进入收费站的中小型车的车流量q1(t)和拖挂车的车流量q2(t),并建立分车型流量时间序列X:
步骤2.建立收费站上行方向入口匝道流量时间序列。根据历史的收费站出口流水数据,统计检测周期t内上行方向入口匝道车流量qs(t),建立上行方向入口匝道流量时间序列Y:
Y=[qs(t),qs(t-1),…,qs(t-n)]T
分车型流量时间序列X和上行方向入口匝道流量时间序列Y作为样本据。
步骤3.通过对已知数据分析选取回溯系数p,利用分车型流量时间序列X和上行方向入口匝道流量时间序列Y,建立训练集{(x1,y1),…,(x1,y1)}∈(X×Y)l(l为训练集中输入输出数据对的个数),作为最小二乘支持向量机回归的训练数据。
其中,预测因子为:
预测对象为:
yi=Yt=[qs(t)]
其中,i=1,2,3,…,l。
其中,回溯系数p的选择有以下步骤:
1)将样本数据中的一部分作为训练数据,另一部分作为检验数据。
2)用训练数据和预设的参数组合来训练支持向量机,并用训练好的支持向量机回归模型估计检验数据的值。
3)计算估计值与检验数据的真实值之间均方差的大小,选择均方差最小时对应的回溯系数的值作为模型的回溯系数p。
步骤4.通过对己知数据分析,选择适当的参数和核函数,根据最小二乘支持向量机回归的算法,构造并求解下列问题:
可构造拉格朗日函数:
其中,ai∈R为拉格朗日乘子,分别求ei,ai,w,b的偏导,再消去w,ei可得如下方程:
其中,En为n阶单位矩阵,1n=[1;…;1],a=[a1;...;an],y=[y1;...;yn],i,j=1,...,n。
根据前述方程可解出ai和b。
其中,核函数和参数的选取方式如下:
1)Gauss径向基函数(RBF)是支持向量机使用最多的核函数,其适用范围最广,因此,选择径向基函数(RBF)作为核函数。RBF需要选择两个参数,支持向量机目标函数中的γ以及核函数中的σ2。
2)将样本数据中的一部分作为训练数据,另一部分作为检验数据。
3)用训练数据和预设的参数组合来训练支持向量机,并用训练好的支持向量机回归模型估计检验数据的值。
4)然后计算估计值与检验数据的真实值之间均方差的大小,选择均方差最小时γ和σ2的值作为模型的参数。
步骤5.构造决策函数
即为问题的回归估计,其中k(xi,x)就是核函数部分。
步骤6.将收费站入口实时的中小型车流量和拖挂车流量构造成上述训练集中输入变量的形式,代入决策函数中,即可得到上行方向入口匝道实时的流量估计结果。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (6)
1.基于收费站数据的高速公路匝道上下行方向流量估计方法,其特征在于,该方法包括以下步骤:
步骤1.统计检测周期t内进入收费站的中小型车的车流量q1(t)和拖挂车的车流量q2(t),并建立分车型流量时间序列X,
步骤2.统计检测周期t内上行方向入口匝道车流量qs(t),建立上行方向入口匝道流量时间序列Y,Y=[qs(t),qs(t-1),...,qs(t-n)]T;分车型流量时间序列X和上行方向入口匝道流量时间序列Y作为样本据;
步骤3.利用分车型流量时间序列X和上行方向入口匝道流量时间序列Y,建立训练集{(x1,y1),...(xi,yi)}∈(X×Y)l作为最小二乘支持向量机回归的训练数据,l为训练集中输入输出数据对的个数,
xi为预测因子,
步骤4.选择适当的参数和核函数,根据最小二乘支持向量机回归的算法求解SVR的最优化问题;
步骤5.构造决策函数;
步骤6.将收费站入口实时的中小型车流量和拖挂车流量式,代入决策函数中,即得到上行方向入口匝道实时的流量估计结果。
2.根据权要求1所述的基于收费站数据的高速公路匝道上下行方向流量估计方法,其特征在于,在所述步骤3中,所述回溯系数p通过以下方法获得:
S31.将样本数据中的一部分作为训练数据,另一部分作为检验数据;
S32.用训练数据来训练支持向量机,并用训练好的支持向量机回归模型估计检验数据的值;
S33.计算检验数据的估计值与检验数据的真实值之间均方差的大小,选择均方差最小时对应的回溯系数的值作为支持向量机回归模型的回溯系数p。
5.根据权利要求4所述的基于收费站数据的高速公路匝道上下行方向流量估计方法,其特征在于,所述核函数为径向基函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810594341.4A CN108564789B (zh) | 2018-06-11 | 2018-06-11 | 基于收费站数据的高速公路匝道上下行方向流量估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810594341.4A CN108564789B (zh) | 2018-06-11 | 2018-06-11 | 基于收费站数据的高速公路匝道上下行方向流量估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564789A CN108564789A (zh) | 2018-09-21 |
CN108564789B true CN108564789B (zh) | 2020-11-17 |
Family
ID=63553369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810594341.4A Active CN108564789B (zh) | 2018-06-11 | 2018-06-11 | 基于收费站数据的高速公路匝道上下行方向流量估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564789B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390419A (zh) * | 2019-05-20 | 2019-10-29 | 重庆大学 | 基于pso-lssvm模型的高速公路收费站流量预测方法 |
CN110299015B (zh) * | 2019-07-03 | 2020-08-11 | 东南大学 | 一种基于收费站的匝道管控方法 |
CN111739292B (zh) * | 2020-06-08 | 2022-04-01 | 重庆大学 | 一种考虑路网od流量贡献时变性的收费站流量预测方法 |
CN113345252B (zh) * | 2021-06-08 | 2022-07-22 | 重庆大学 | 一种收费站下道流量短时预测方法与装置 |
CN113870565B (zh) * | 2021-10-26 | 2022-12-23 | 邢吉平 | 基于迁移学习模型的城市路网未知流量估计方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104464291A (zh) * | 2014-12-08 | 2015-03-25 | 杭州智诚惠通科技有限公司 | 一种交通流量预测方法和*** |
CN106372722A (zh) * | 2016-09-18 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 地铁短时流量预测方法及装置 |
JP2017174408A (ja) * | 2016-03-22 | 2017-09-28 | トヨタ自動車株式会社 | 基本安全メッセージデータに基づく交通管理 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360522B (zh) * | 2011-09-27 | 2013-11-13 | 浙江交通职业技术学院 | 一种高速公路优化控制方法 |
JP6061383B2 (ja) * | 2013-01-16 | 2017-01-18 | 住友電工システムソリューション株式会社 | 交通情報推定装置、コンピュータプログラム及び交通情報推定方法 |
CN103310287B (zh) * | 2013-07-02 | 2016-07-06 | 北京航空航天大学 | 基于svm预测乘客出行概率的轨道交通客流预测方法 |
CN104240520A (zh) * | 2014-09-24 | 2014-12-24 | 四川省交通科学研究所 | 一种基于gso优化的高速公路流量预测方法 |
CN104680789B (zh) * | 2015-03-04 | 2017-01-18 | 蔡诚昊 | 一种快速道路拥堵指数估算及预测方法 |
CN104809870A (zh) * | 2015-04-10 | 2015-07-29 | 安徽四创电子股份有限公司 | 一种高架桥入口匝道交通拥堵等级估计方法 |
CN105243847B (zh) * | 2015-10-28 | 2017-06-20 | 安徽四创电子股份有限公司 | 一种高架道路交通检测器布设方法及其交通量估算方法 |
-
2018
- 2018-06-11 CN CN201810594341.4A patent/CN108564789B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104464291A (zh) * | 2014-12-08 | 2015-03-25 | 杭州智诚惠通科技有限公司 | 一种交通流量预测方法和*** |
JP2017174408A (ja) * | 2016-03-22 | 2017-09-28 | トヨタ自動車株式会社 | 基本安全メッセージデータに基づく交通管理 |
CN106372722A (zh) * | 2016-09-18 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 地铁短时流量预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
"基于拥堵概率的城市快速路入口匝道控制策略";李嘉;《湖南大学学报(自然科学版)》;20170331;第44卷(第3期);第105-112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108564789A (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564789B (zh) | 基于收费站数据的高速公路匝道上下行方向流量估计方法 | |
Xing et al. | Examining traffic conflicts of up stream toll plaza area using vehicles’ trajectory data | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN109215350B (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
CN103839409B (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
CN114783183B (zh) | 一种基于交通态势算法的监控方法与*** | |
CN108597227B (zh) | 高速公路收费站下道交通流量预测方法 | |
CN106781499B (zh) | 一种交通网络效率评价*** | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN104464304A (zh) | 一种基于路网特性的城市道路车辆行驶速度预测方法 | |
CN106710215B (zh) | 瓶颈上游车道级交通状态预测***及实现方法 | |
CN110979342B (zh) | 一种用于车辆全局能量管理控制的工况信息获取方法 | |
CN110299011A (zh) | 一种基于收费数据的高速公路任意断面的交通流预测方法 | |
CN104318757B (zh) | 一种公交专用道上的公交车车路段运行时间预测方法 | |
CN105185106B (zh) | 一种基于粒计算的道路交通流参数预测方法 | |
CN108986457B (zh) | 基于交通冲突分析的etc车道布设方案评价方法 | |
CN111583628B (zh) | 基于数据质量控制的道路网重型货车交通流量预测方法 | |
CN114187766B (zh) | 一种基于饱和率的道路服务水平评价方法 | |
CN104574968A (zh) | 一种临界交通状态参数的确定方法 | |
CN113051811B (zh) | 一种基于gru网络的多模式短期交通拥堵预测方法 | |
CN111161537A (zh) | 考虑拥堵叠加效应的公路拥堵态势预测方法 | |
CN112990544A (zh) | 一种高速公路交织区交通事故预测方法 | |
CN113570852A (zh) | 基于安全替代评价指标的高风险路段风险防控手段评估 | |
CN112950934A (zh) | 一种道路拥堵原因识别方法 | |
CN104575049A (zh) | 一种基于阵列雷达的高架匝道智能诱导方法及装置 |
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: 20230309 Address after: 213399 room 5025, building B, 218 Hongkou Road, Kunlun Street, Liyang City, Changzhou City, Jiangsu Province Patentee after: Liyang Smart City Research Institute of Chongqing University Address before: 400044 No. 174, positive street, Shapingba District, Chongqing Patentee before: Chongqing University |