CN112037515A - 一种基于dnn的公交车详细调度方法 - Google Patents
一种基于dnn的公交车详细调度方法 Download PDFInfo
- Publication number
- CN112037515A CN112037515A CN202010920818.0A CN202010920818A CN112037515A CN 112037515 A CN112037515 A CN 112037515A CN 202010920818 A CN202010920818 A CN 202010920818A CN 112037515 A CN112037515 A CN 112037515A
- Authority
- CN
- China
- Prior art keywords
- passenger
- bus
- density
- stop board
- getting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002699 waste material Substances 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
-
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于DNN的公交车详细调度方法,该方法包括:采集每个公交站牌处正在候车的乘客图像,将乘客图像送入乘客密度检测网络,得到乘客密度图;将得到的乘客密度图送入等级分类网络进行处理,得到每个公交站牌处乘客的密度等级;密度等级大于等于等级阈值时,在相应的公交站牌处生成初始调车指令;并计算每辆公交车在相应的公交站牌处的乘客上车率,对多个乘客上车率进行比较操作,得到最高乘客上车率,结合初始调车指令和最高乘客上车率对应公交车的线路,生成最终调车指令,调用备用公交车上路运行。本发明不需在公交站牌处安装用于统计每路公交车乘坐人数的设备即可实现公交车的详细调度。
Description
技术领域
本发明涉及人工智能、智慧公交领域,尤其是一种基于DNN的公交车详细调度方法。
背景技术
目前对于城市公交车调度一般通过人群密度等级来调度一辆新的公交车,考虑到实际情况中每个站牌处有多路公交车的情况,仅通过站牌处人群数来调度一辆新的公交车不能很好的解决部分乘客候车时间过长的问题。
申请号为CN200710133472.4的发明专利中提出了一种数字化公交信息发布与群控的方法和装置,其解决了公交车调度信息的发布问题,但是并没有很好的解决公交车的调度问题。该现有技术仅仅能够显示某一站台将要到站的那班公交车的到站时间,却无法解决部分乘客候车时间过长的问题。
申请号为CN201310706830.1的发明专利中公开了一种智能公交站台及智能公交***,其通过智能公交站台的指示作用,有效减少了公交车需要停靠站台的数量,提高了公交车的运行效率。然而,该现有技术也无法解决部分乘客候车时间过长的问题。
发明内容
为了解决现有技术存在的问题,本发明提出一种基于DNN的公交车详细调度方法,该方法包括:
步骤一,采集每个公交站牌处正在候车的乘客图像,将乘客图像送入乘客密度检测网络,得到乘客密度图;将得到的乘客密度图送入等级分类网络进行处理,得到每个公交站牌处乘客的密度等级;
步骤二,预先设置等级阈值,当得到的密度等级大于等于等级阈值时,在相应的公交站牌处生成初始调车指令并开始执行倒计时指令;
步骤三,对于每个密度等级大于等级阈值的公交站牌:
在倒计时指令开始执行至倒计时指令执行结束这一时间段内,对在该公交站牌处存在停靠操作的公交车进行筛选操作,计算符合筛选条件的公交车的乘客上车率;对该时间段内得到的公交车的乘客上车率进行比较操作,得到最高乘客上车率;
步骤四,结合初始调车指令和最高乘客上车率对应公交车的线路,生成最终调车指令,调用备用公交车上路运行。
乘客密度检测网络包括乘客密度检测编码器和乘客密度检测解码器,其中,乘客密度检测编码器对乘客图像进行特征提取,得到第一特征图;乘客密度检测解码器对特征图进行上采样与特征提取,得到乘客密度图。
等级分类网络包括等级分类编码器和全连接层,其中,乘客密度图经过等级分类编码器的特征提取后送入全连接层,得到各个乘客密度等级的概率,经过后处理后得到乘客密度图的密度等级。
所述筛选操作具体为:
对每辆公交车内的人数进行统计,根据得到的人数相应的为每辆公交车设置权重;若某一辆公交车权重小于预先设置好的权重阈值,则该公交车此次不进行乘客上车率的计算;其中,权重越小,人数越多。
对每辆公交车内的人数进行统计的具体方法为:
利用公交车内的第一摄像头采集车厢图像,将车厢图像送入关键点检测网络,得到关键点热图,根据关键点热图中关键点的个数得到公交车内的人数。
关键点检测网络包括关键点检测编码器和关键点检测解码器,关键点检测编码器对输入图像进行特征提取,输出第二特征图;关键点检测解码器对第二特征图进行上采样与特征提取,生成关键点热图。
若在倒计时指令开始执行至执行结束这一时间段内某线路公交车的出现次数大于等于两次,则选择在这一时间段内得到的该线路多辆公交车对应的多个乘客上车率中的最大值作为该线路公交车的乘客上车率进行比较操作。
所述备用公交车停放在公交站牌附近。
本发明的有益效果在于:
1.本发明可以具体到某一路公交的调度,且备用公交车停放在公交站牌附近,接收到最终调车指令后可以快速上路运行,快速降低公交车的载客负担,可以更好的解决部分乘客候车时间过长这一问题。
2.本发明不需在公交站牌处安装用于统计每路公交车乘坐人数的设备,结合每辆公交车的乘客上车率即可实现公交车的详细调度,减少了资金的浪费,便于广泛推广应用。
3.本发明结合神经网络技术,计算速度快,得到的结果误差小,且根据乘客密度等级生成公交车的初始调车指令的方法能够避免因少数人数差引起的误判。
附图说明
图1为本发明实施流程图。
具体实施方式
为了让本领域技术人员更好的理解本发明,下面结合实施例和附图对本发明进行详细描述。
本发明主要通过公交站牌处的乘客密度及每辆公交车的乘车率对公交车进行调度管理,实现对城市公交车的合理规划,具体地,本发明提出一种基于DNN的公交车详细调度方法,其实施流程如图1所示,具体地,首先对采集到的公交站牌处等待乘车的乘客图像进行处理,生成乘客密度图,根据乘客密度图等待乘客密度等级,乘客密度等级高于一定值时新调度一辆公交车投入运行,通过乘客密度等级来调度公交车的方法能够避免少数人数差引起的误判;乘客密度图经后处理得到公交站牌处乘客人数,结合公交站牌处的总乘客人数和每辆公交车的上车人数统计每辆公交车的乘车率,新调度公交车的行驶路线与乘车率最高的那辆公交车的路线相同,实现对公交车进行详细调度。
实施例:
利用摄像头采集每个公交站牌处正在候车的乘客图像,建议拍摄公交站牌及其临近区域,避免遗漏情况;将乘客图像送入乘客密度检测网络,得到乘客密度图,其中,乘客密度检测网络的训练过程为:
(a)将采集的乘客图像数据进行归一化处理,即将图片矩阵变为[0,1]之间的浮点数,以便模型更好地收敛。
(b)制作标签数据:标签的制作分为两步,第一步,对乘客进行关键点的标注,标注在每位乘客头部的位置,即X,Y的坐标;第二步,将第一步得到的乘客散点图与高斯核卷积得到乘客密度图。具体的细节如高斯核大小的选取等,不在本发明讨论范围。标签数据同样要进行归一化处理。
(c)将经过归一化处理的乘客图像数据与标签数据送入乘客密度检测网络中对乘客密度检测编码器和乘客密度检测解码器进行训练,具体地,乘客密度检测编码器对乘客图像进行特征提取,得到第一特征图,乘客密度检测解码器对第一特征图进行上采样与特征提取,生成乘客密度图;其中,乘客密度图的像素值值域为[0,1]之间的浮点数。
(d)乘客密度检测网络的Loss函数采用均方误差损失函数。
至此,得到乘客密度图。
将得到的乘客密度图送入等级分类网络进行处理,得到每个公交站牌处乘客的密度等级;依据公交站牌处乘客密集程度的不同,分为多个密集等级,密度等级的划分实施者可以自行决定,实施例将乘客密度等级设置为1级、2级、3级、4级,等级越高代表该站牌处乘客密集程度越大。其中,等级分类网络的训练过程为:
(a)将标有密度等级的乘客密度图进行归一化处理后送入等级分类网络进行训练,以便模型更好地收敛。
(b)等级分类编码器对乘客密度图进行特征提取后送入全连接层,输出乘客密度图的各个密度等级的概率,经过argmax操作后得到乘客密度图对应的密度等级。
(c)等级分类网络的损失函数采用交叉熵函数。
至此,得到公交站牌处乘客的密度等级。
预先设置等级阈值,当得到的密度等级大于等于等级阈值时,在相应的公交站牌处生成初始调车指令并开始执行倒计时指令;优选地,实施例中等级阈值为2;通过密度等级实现对公交车的粗调度,即生成初始调车指令,告知相关人员需要新调度一辆公交车投入运行;其中,倒计时的时长为预先设置好的经验值。
由于在实际情况中每个站牌处都会有多路公交车停靠,所以本发明对新调度公交车的行驶线路进行了详细规划。
对于每个密度等级大于等级阈值的公交站牌:在倒计时指令开始执行至倒计时指令执行结束这一时间段内,对在该公交站牌处存在停靠操作的公交车进行筛选操作,计算符合筛选条件的公交车的乘客上车率。
具体地,以密度等级大于等级阈值的某一个公交站牌为例,来详细说明新调度公交车的详细调度方法:
筛选操作具体为:对于即将到该公交站牌的公交车,首先对公交车上已有的乘客进行人数统计,根据得到的人数相应的为每辆公交车设置权重;若某一辆公交车权重小于预先设置好的权重阈值,则该公交车在该站牌处不进行乘客上车率的计算;对权重大于权重阈值的公交车进行乘客上车率的计算;其中,权重越小,人数越多。
对公交车上已有的乘客进行人数统计的方法为:
利用公交车内的第一摄像头采集车厢图像,将车厢图像送入关键点检测网络,得到关键点热图;其中,第一摄像头为公交车内部车头上方的斜俯视摄像头,拍摄车厢内部得到车厢图像,车厢图像中要包括车内乘客;关键点检测网络的训练过程为:
(a)将采集的车厢图像数据进行归一化处理,即将图片矩阵变为[0,1]之间的浮点数,以便模型更好地收敛。
(b)制作标签数据:标签的制作分为两步,第一步,对公交车内的乘客进行关键点的标注,标注在每位车内乘客头部的位置,即X,Y的坐标;第二步,将第一步得到的车内乘客散点图与高斯核卷积得到关键点热图。具体的细节如高斯核大小的选取等,不在本发明讨论范围。标签数据同样要进行归一化处理。
(c)将经过归一化处理的车厢图像数据与标签数据送入关键点检测网络中对关键点检测编码器和关键点检测解码器进行训练,具体地,关键点检测编码器对车厢图像进行特征提取,得到第二特征图,关键点检测解码器对第二特征图进行上采样与特征提取,生成关键点热图;其中,关键点热图的像素值值域为[0,1]之间的浮点数。
(d)关键点检测网络的Loss函数采用均方误差损失函数。
至此,完成关键点检测网络的训练。
根据关键点热图中关键点的个数得到公交车内的人数,具体的对关键点热图进行后处理得到人数的方法是本领域人员公知的,本发明不再赘述。
乘客上车率的计算方法为:
根据乘客密度图得到公交车站牌处正在候车的乘客人数,即对乘客密度图进行后处理即可得到乘客人数,该方法为周知的,这里不再赘述。
公交车到达公交站牌处时,利用公交车内的第二摄像头采集多帧上客门处的乘客上车图像,利用关键点检测网络对乘客上车图像进行处理得到上车人数;其中,第二摄像头是车门上方摄像头,拍摄范围为乘客上车区域;此时,关键点检测网络的输入为乘客上车图像,关键点为上车乘客的头部关键点。
需要指出的是,当公交车到公交站牌处且车门开启,公交车车门上方第二摄像头开始连续多帧采集乘客上车图像,关键点检测网络开始检测上车乘客头部关键点,公交车重新开始启动时关键点检测网络检测结束。
本发明是要根据头部关键点来统计上车人数,因此对检测到的关键点标注ID号,若该ID前一帧图像并未检测到,则认定该帧为该ID的初始出现帧,标记并记录该帧该ID号的关键点位置。本发明旨在统计公交车在该站牌处的乘客上车率,因此仅需要获取上车乘客关键点位置即可。
为防止漏检或多检的情况,车门上方第二摄像头采集连续多帧图像进行检测,本发明提出利用计算相邻帧关键点IOU的方式实现检测范围内同一目标的跟踪,IOU大于0.8则认为前后帧关键点为同一人,然后统计出上车乘客头部关键点个数,也即在该站牌处某辆公交车的上车人数。
某辆公交车的上车人数与该辆公交车到站时公交站牌处正在候车的乘客人数的比值为该辆公交车的乘客上车率。
按照上述方法可以得到倒计时指令开始执行至倒计时指令执行结束这一时间段内的多辆根据车的乘客上车率,对该时间段内得到的多辆公交车的乘客上车率进行比较操作,得到最高乘客上车率;其中,若在倒计时指令开始执行至执行结束的时间段内,某线路公交车的出现次数大于等于两次,则选择在这一时间段内得到的该线路多辆公交车对应的多个乘客上车率中的最大值作为该线路公交车的乘客上车率进行比较操作。
结合初始调车指令和最高乘客上车率对应公交车的线路,生成最终调车指令,调用备用公交车上路运行,即新调度的公交车的行驶线路与最高乘客上车率对应的公交车的行驶线路相同;其中,备用公交车有多辆且停放在公交站牌附近。
以上所述旨在让本领域技术人员更好的理解本发明,并不用于限制本发明,凡是在本发明精神和原则之内做出的修改与变动皆在本发明的保护范围内。
Claims (9)
1.一种基于DNN的公交车详细调度方法,其特征在于,该方法包括:
步骤一,采集每个公交站牌处正在候车的乘客图像,将乘客图像送入乘客密度检测网络,得到乘客密度图;将得到的乘客密度图送入等级分类网络进行处理,得到每个公交站牌处乘客的密度等级;
步骤二,预先设置等级阈值,当得到的密度等级大于等于等级阈值时,在相应的公交站牌处生成初始调车指令并开始执行倒计时指令;
步骤三,对于每个密度等级大于等级阈值的公交站牌:
在倒计时指令开始执行至倒计时指令执行结束这一时间段内,对在该公交站牌处存在停靠操作的公交车进行筛选操作,计算符合筛选条件的公交车的乘客上车率;对该时间段内得到的公交车的乘客上车率进行比较操作,得到最高乘客上车率;
步骤四,结合初始调车指令和最高乘客上车率对应公交车的线路,生成最终调车指令,调用备用公交车上路运行。
2.如权利要求1所述的方法,其特征在于,乘客密度检测网络包括乘客密度检测编码器和乘客密度检测解码器,其中,乘客密度检测编码器对乘客图像进行特征提取,得到第一特征图;乘客密度检测解码器对特征图进行上采样与特征提取,得到乘客密度图。
3.如权利要求1所述的方法,其特征在于,等级分类网络包括等级分类编码器和全连接层,其中,乘客密度图经过等级分类编码器的特征提取后送入全连接层,得到各个乘客密度等级的概率,经过后处理后得到乘客密度图的密度等级。
4.如权利要求1所述的方法,其特征在于,所述筛选操作具体为:
对每辆公交车内的人数进行统计,根据得到的人数相应的为每辆公交车设置权重;若某一辆公交车权重小于预先设置好的权重阈值,则该公交车此次不进行乘客上车率的计算;其中,权重越小,人数越多。
5.如权利要求4所述的方法,其特征在于,对每辆公交车内的人数进行统计的具体方法为:
利用公交车内的第一摄像头采集车厢图像,将车厢图像送入关键点检测网络,得到关键点热图,根据关键点热图中关键点的个数得到公交车内的人数。
6.如权利要求5所述的方法,其特征在于,乘客上车率的计算方法为:
根据乘客密度图得到公交车站牌处正在候车的乘客人数,利用公交车内的第二摄像头采集多帧上客门处的乘客上车图像,利用关键点检测网络对乘客上车图像进行处理得到上车人数,上车人数与正在候车的乘客人数的比值为乘客上车率。
7.如权利要求6所述的方法,其特征在于,关键点检测网络包括关键点检测编码器和关键点检测解码器,关键点检测编码器对输入图像进行特征提取,输出第二特征图;关键点检测解码器对第二特征图进行上采样与特征提取,生成关键点热图。
8.如权利要求1所述的方法,其特征在于,若在倒计时指令开始执行至执行结束这一时间段内某线路公交车的出现次数大于等于两次,则选择在这一时间段内得到的该线路多辆公交车对应的多个乘客上车率中的最大值作为该线路公交车的乘客上车率进行比较操作。
9.如权利要求1所述的方法,其特征在于,所述备用公交车停放在公交站牌附近。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010920818.0A CN112037515B (zh) | 2020-09-04 | 2020-09-04 | 一种基于dnn的公交车详细调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010920818.0A CN112037515B (zh) | 2020-09-04 | 2020-09-04 | 一种基于dnn的公交车详细调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037515A true CN112037515A (zh) | 2020-12-04 |
CN112037515B CN112037515B (zh) | 2021-12-14 |
Family
ID=73591472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010920818.0A Active CN112037515B (zh) | 2020-09-04 | 2020-09-04 | 一种基于dnn的公交车详细调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037515B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004355385A (ja) * | 2003-05-29 | 2004-12-16 | Hitachi Electronics Service Co Ltd | バス乗降客数把握システム |
CN103093610A (zh) * | 2011-11-07 | 2013-05-08 | 梁开军 | 公交车辆调度控制*** |
CN106448133A (zh) * | 2016-08-30 | 2017-02-22 | 中原智慧城市设计研究院有限公司 | 基于客流量统计的云公交分析调度*** |
CN107545766A (zh) * | 2016-10-25 | 2018-01-05 | 郑州蓝视科技有限公司 | 基于站内监控的公交车调度方法 |
CN109801485A (zh) * | 2019-01-24 | 2019-05-24 | 王军 | 一种智能信息调度*** |
CN110245558A (zh) * | 2019-05-07 | 2019-09-17 | 平安科技(深圳)有限公司 | 基于人脸识别的公交车辆调度方法、装置及计算机设备 |
-
2020
- 2020-09-04 CN CN202010920818.0A patent/CN112037515B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004355385A (ja) * | 2003-05-29 | 2004-12-16 | Hitachi Electronics Service Co Ltd | バス乗降客数把握システム |
CN103093610A (zh) * | 2011-11-07 | 2013-05-08 | 梁开军 | 公交车辆调度控制*** |
CN106448133A (zh) * | 2016-08-30 | 2017-02-22 | 中原智慧城市设计研究院有限公司 | 基于客流量统计的云公交分析调度*** |
CN107545766A (zh) * | 2016-10-25 | 2018-01-05 | 郑州蓝视科技有限公司 | 基于站内监控的公交车调度方法 |
CN109801485A (zh) * | 2019-01-24 | 2019-05-24 | 王军 | 一种智能信息调度*** |
CN110245558A (zh) * | 2019-05-07 | 2019-09-17 | 平安科技(深圳)有限公司 | 基于人脸识别的公交车辆调度方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112037515B (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6570731B2 (ja) | 乗客の混雑度の算出方法及びそのシステム | |
CN109829403B (zh) | 一种基于深度学习的车辆防碰撞预警方法及*** | |
CN110033002B (zh) | 基于多任务级联卷积神经网络的车牌检测方法 | |
CN111104903B (zh) | 一种深度感知交通场景多目标检测方法和*** | |
CN102542797B (zh) | 图像式的交通参数检测***与方法 | |
CN103985182B (zh) | 一种公交客流自动计数方法及自动计数*** | |
CN113160602B (zh) | 一种智能公交调度模拟*** | |
CN104392610B (zh) | 基于分布式视频的高速路交通事件影响范围动态监控方法 | |
CN102073851A (zh) | 一种城市交通事故自动识别方法和*** | |
CN105844229A (zh) | 一种乘客拥挤度的计算方法及其*** | |
Ren et al. | A novel squeeze YOLO-based real-time people counting approach | |
CN104092988A (zh) | 一种公共场合客流管理方法、装置及*** | |
CN113160575A (zh) | 一种非机动车辆及驾驶人的交通违法行为检测方法及*** | |
CN110956817B (zh) | 一种车载单元唤醒方法、装置及*** | |
CN114023062A (zh) | 一种基于深度学习和边缘计算的交通流信息监测方法 | |
CN112289037B (zh) | 基于复杂环境下高视角的机动车辆违规停车检测方法及*** | |
CN113743260A (zh) | 一种地铁站台密集人流情况下的行人跟踪方法 | |
CN114926422B (zh) | 一种上下车客流量检测方法及*** | |
Zhang et al. | An integrated approach for vehicle detection and type recognition | |
CN111695545A (zh) | 一种基于多目标追踪的单车道逆行检测方法 | |
Kumar et al. | VPDS: an AI-based automated vehicle occupancy and violation detection system | |
CN112037515B (zh) | 一种基于dnn的公交车详细调度方法 | |
Van Phat et al. | Aircraft push-back prediction and turnaround monitoring by vision-based object detection and activity identification | |
CN117315934A (zh) | 基于无人机的高速公路车流量实时监测及拥堵预测*** | |
CN114937352B (zh) | 适用于车队云服务的智能调度方法及*** |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211116 Address after: 230000 floor 3, Internet Industrial Park, No. 17, Huayuan Avenue, economic development zone, Baohe District, Hefei City, Anhui Province Applicant after: Anhui yilu'an Technology Co., Ltd Address before: 510630 floor 1-3, west half floor, building C, No. 61, Dongpu Second Road, Tianhe District, Guangzhou, Guangdong Applicant before: Zhong Jing |
|
GR01 | Patent grant | ||
GR01 | Patent grant |