CN116758744B - 基于人工智能的智慧城市运维管理方法、***及存储介质 - Google Patents
基于人工智能的智慧城市运维管理方法、***及存储介质 Download PDFInfo
- Publication number
- CN116758744B CN116758744B CN202310742746.9A CN202310742746A CN116758744B CN 116758744 B CN116758744 B CN 116758744B CN 202310742746 A CN202310742746 A CN 202310742746A CN 116758744 B CN116758744 B CN 116758744B
- Authority
- CN
- China
- Prior art keywords
- road
- traffic
- acquiring
- data
- congestion
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 30
- 238000007726 management method Methods 0.000 title claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000008447 perception Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于人工智能的智慧城市运维管理方法、***及存储介质,包括:获取目标城市区域的路网数据进行预处理,提取目标城市区域的道路拓扑结构;通过数据感知获取道路相关信息,提取道路多源数据,更新目标城市区域对应的无向图;建立交通流量预测模型,获取交通态势时空特征,基于多源数据及交通态势时空特征获取交通流量预测值根据交通流量预测值结合时间戳识别目标城市区域中交通拥堵路段,生成交通管控信息,反馈至交通信号设备及交通监管人员。本方法通过交通势态的时空特征预测交通流量,精准预测拥堵路段,并且智慧生成交通管控信息降低交通压力,针对复杂多变的交通状况给出实时有效的解决策略,提高交通管理效率。
Description
技术领域
本发明涉及智慧城市技术领域,更具体的,涉及一种基于人工智能的智慧城市运维管理方法、***及存储介质。
背景技术
随着城市的持续扩展和人口的不断增加,城市在社会生产、公共服务、生活环境等领域所面临的矛盾也越来越多,智慧城市建设也因此对信息化发展提出了更高的要求。只有将人工智能、万物互联、大数据等技术应用至智慧城市信息化建设、运行和管理的各个环节,才能够优化城市治理体系,提升智慧城市的管理水平。随着科技的进步,“智慧城市”作为数字城市的高级形态,智慧城市和城市信息化建设的初衷与目标一致,为实现该目标,就必须对数字城市建设的目标、过程以及评价手段等进行深入探究。
智能交通***的研究是智慧城市的建设中重要的研究方向。在智能交通***中如何解决因交通瓶颈造成的城市瘫痪问题对智慧城市具有重要现实意义。对于瓶颈路段的准确预测以及合理规划绕行路线,有利于提高城市居民出行舒适度,也是智慧城市建设发展的特别要求。目前,交通路网的需求和供应之间的不平衡日益加剧,进而衍生出环境污染问题和资源浪费问题,因此从海量的交通数据中挖掘出有效信息,并对数据进行分析和处理,通过多源数据对交通态势进行感知,提升城市交通治理效率是当前亟需解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种基于人工智能的智慧城市运维管理方法、***及存储介质。
本发明第一方面提供了一种基于人工智能的智慧城市运维管理方法,包括:
获取目标城市区域的路网数据,对所述路网数据进行预处理,通过预处理后的路网数据提取目标城市区域的道路拓扑结构;
通过数据感知获取道路相关信息,提取道路多源数据,根据所述多源数据及道路拓扑结构更新目标城市区域对应的无向图;
利用图卷积神经网络及门控循环网络建立交通流量预测模型,获取交通态势时空特征,基于所述多源数据及交通态势时空特征获取交通流量预测值;
根据所述交通流量预测值结合时间戳识别目标城市区域中交通拥堵路段,根据所述交通拥堵路段及拥堵信息生成交通管控信息,反馈至交通信号设备及交通监管人员。
本方案中,通过预处理后的路网数据提取目标城市区域的道路拓扑结构,具体为:
获取目标城市区域的路网数据,将所述路网数据进行筛选,根据历史交通数据判断废弃路网数据,将预设时间内历史交通数据量小于预设数据量阈值的路网视为废弃路网数据,并进行删除;
通过历史交通数据提取轨迹数据,将所述轨迹数据进行分段,将分段后轨迹数据与路网数据进行匹配,根据匹配结果进行路网数据纠错,获取预处理后的路网数据;
根据预处理后的路网数据获取道路拓扑结构,根据目标城市区域对应的道路拓扑结构划分若干道路子区域;
通过所述道路子区域构建无向图,将所述道路子区域作为无向图中的节点,根据道路子区域的道路拓扑结构获取道路子区域之间的联系,生成无向图的边结构。
本方案中,通过数据感知获取道路相关信息,提取道路多源数据,根据所述多源数据及道路拓扑结构更新目标城市区域对应的无向图,具体为:
获取目标城市区域的道路拓扑图及历史交通数据,根据历史交通数据进行统计分析,获取交通拥堵次数大于预设次数阈值,则将对应的交通路段设置为高频拥堵路段;
构建目标城市区域路网热力图,在所述路网热力图中将高频拥堵路段进行标记,将高频拥堵路段与基础设施进行匹配,生成兴趣点信息;
通过数据感知获取各道路子区域在不同时间段的交通流量数据、目标城市区域的天气数据及道路子区域对应的兴趣点信息,生成各道路子区域的道路多源数据;
将所述道路多源数据导入目标城市区域对应的无向图进行更新,将所述无向图映射为图网络。
本方案中,利用图卷积神经网络及门控循环网络建立交通流量预测模型,获取交通态势时空特征,基于所述多源数据及交通态势时空特征获取交通流量预测值,具体为:
获取各道路子区域的多源数据时序序列,利用图卷积神经网络对无向图进行表示学习,构建各道路子区域节点的邻接矩阵;
通过各道路子区域中兴趣点的相似度及距离信息获取各道路子区域的之间的皮尔逊相关系数,根据所述皮尔逊相关系数表征各道路子区域节点的潜在依赖关联;
引入注意力机制,获取邻接矩阵中各邻接节点的注意力得分,进行Softmax运算得到注意力权重,利用所述注意力权重及皮尔逊相关系数对邻接节点进行聚合,获取具有空间特征的低维特征表示;
将具有空间特征的低维向量表示导入门控循环网络,通过两层的门控循环网络单元进行学习,对具有空间特征的低维特征表示进行时间维度上的特征提取,获取交通态势时空特征;
根据图卷积网络及门控循环网络建立交通流量预测模型,利用历史交通数据进行训练,将道路子区域当前多源数据及交通态势时空特征输入,获取交通流量预测值。
本方案中,根据所述交通流量预测值结合时间戳识别目标城市区域中交通拥堵路段,具体为:
获取目标城市区域中各道路子区域的交通流量预测值,选取目标道路子区域,根据所述道路拓扑图获取与目标道路子区域存在联系的道路子区域,并进行标记;
获取标记道路子区域与目标道路子区域的欧氏距离,根据所述欧氏距离生成第一权重信息,根据各标记道路子区域的第一权重信息构建第一权重矩阵;
预设时间段长度,基于历史交通数据获取标记道路子区域在不同时间段的交通流量;根据不同时间段的交通流量与日均交通流量的比值获取第二权重信息,根据各标记道路子区域的第二权重信息构建第二权重矩阵;
将所述第一权重矩阵及第二权重矩阵结合,对目标道路子区域的交通流量预测值进行修正;
根据道路基本信息的道路等级获取道路最大容量,将目标道路子区域修正后的交通流量预测值与道路最大容量进行对比,若修正后的交通流量预测值大于道路最大容量,则将目标道路子区域判定为交通拥堵路段。
本方案中,根据所述交通拥堵路段及拥堵信息生成交通管控信息,具体为:
获取交通拥堵路段的实时交通流量,提取所述交通拥堵路段的道路基本信息,根据所述道路基本信息建立检索标签,通过大数据方法根据所述检索标签利用相似度计算获取符合相似度要求的交通拥堵实例;
根据符合相似度要求的交通拥堵实例组成交通拥堵实例集,判断实时交通流量与所述交通拥堵实例集中各实例的相似度,获取相似度最大的交通拥堵实例,提取其拥堵程度标签;
根据所述拥堵程度标签确定实时交通流量对应的交通拥挤程度,根据实时交通流量的时间戳生成交通拥挤程度时序序列;
通过交通流量预测值获取拥堵方向,根据所述拥堵方向获取交通拥堵路段的交通信号设备的通行时间及等待时间,通过所述交通拥挤程度时序序列提取当前时刻的交通拥挤程度生成权重系数;
根据所述权重系数对通行时间及等待时间进行调整,生成交通信号设备的交通管控信息,另外,根据交通拥挤程度时序序列及交通流量预测值获取最高交通拥挤程度对应的时间戳;
获取交通拥堵路段预设范围内的交通监管人员,判断人员数量是否满足最高交通拥挤程度对应的人数标准,所述人数标准通过历史交通拥挤实例获取;
当人员数量不足时,则生成交通监管人员调度信息,优先发送至与交通拥堵路段距离近的交通监管人员。
本发明第二方面还提供了一种基于人工智能的智慧城市运维管理***,该***包括:存储器、处理器,所述存储器中包括基于人工智能的智慧城市运维管理方法程序,所述基于人工智能的智慧城市运维管理方法程序被所述处理器执行时实现如下步骤:
获取目标城市区域的路网数据,对所述路网数据进行预处理,通过预处理后的路网数据提取目标城市区域的道路拓扑结构;
通过数据感知获取道路相关信息,提取道路多源数据,根据所述多源数据及道路拓扑结构更新目标城市区域对应的无向图;
利用图卷积神经网络及门控循环网络建立交通流量预测模型,获取交通态势时空特征,基于所述多源数据及交通态势时空特征获取交通流量预测值;
根据所述交通流量预测值结合时间戳识别目标城市区域中交通拥堵路段,根据所述交通拥堵路段及拥堵信息生成交通管控信息,反馈至交通信号设备及交通监管人员。
本发明公开了一种基于人工智能的智慧城市运维管理方法、***及存储介质,包括:获取目标城市区域的路网数据进行预处理,提取目标城市区域的道路拓扑结构;通过数据感知获取道路相关信息,提取道路多源数据,更新目标城市区域对应的无向图;建立交通流量预测模型,获取交通态势时空特征,基于多源数据及交通态势时空特征获取交通流量预测值根据交通流量预测值结合时间戳识别目标城市区域中交通拥堵路段,生成交通管控信息,反馈至交通信号设备及交通监管人员。本方法通过交通势态的时空特征预测交通流量,精准预测拥堵路段,并且智慧生成交通管控信息降低交通压力,针对复杂多变的交通状况给出实时有效的解决策略,提高交通管理效率。
附图说明
图1示出了本发明一种基于人工智能的智慧城市运维管理方法的技术线路图;
图2示出了本发明建立交通流量预测模型的方法流程图;
图3示出了本发明根据交通拥堵路段及拥堵信息生成交通管控信息的方法流程图;
图4示出了本发明一种基于人工智能的智慧城市运维管理***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于人工智能的智慧城市运维管理方法的技术路线图及流程图。
如图1所示,本发明第一方面提供了一种基于人工智能的智慧城市运维管理方法,包括:
S102,获取目标城市区域的路网数据,对所述路网数据进行预处理,通过预处理后的路网数据提取目标城市区域的道路拓扑结构;
S104,通过数据感知获取道路相关信息,提取道路多源数据,根据所述多源数据及道路拓扑结构更新目标城市区域对应的无向图;
S106,利用图卷积神经网络及门控循环网络建立交通流量预测模型,获取交通态势时空特征,基于所述多源数据及交通态势时空特征获取交通流量预测值;
S108,根据所述交通流量预测值结合时间戳识别目标城市区域中交通拥堵路段,根据所述交通拥堵路段及拥堵信息生成交通管控信息,反馈至交通信号设备及交通监管人员。
需要说明的是,根据GIS地理数据及GPS轨迹数据获取目标城市区域的路网数据,将所述路网数据进行筛选,通过路网的交通调查站点获取历史交通数据,根据历史交通数据判断废弃路网数据,将预设时间内历史交通数据量小于预设数据量阈值的路网视为废弃路网数据,并进行删除;通过历史交通数据提取轨迹数据,将所述轨迹数据进行分段,将分段后轨迹数据与路网数据进行匹配,根据匹配结果进行路网数据纠错,获取预处理后的路网数据;根据预处理后的路网数据获取道路拓扑结构,根据目标城市区域对应的道路拓扑结构划分若干道路子区域;通过所述道路子区域构建无向图G={V,E,A},V表示节点的集合,将所述道路子区域作为无向图中的节点,E表示边的集合,根据道路子区域的道路拓扑结构获取道路子区域之间的联系,生成无向图的边结构,A表示无向图G的邻接矩阵。
图2示出了本发明建立交通流量预测模型的方法流程图。
根据本发明实施例,利用图卷积神经网络及门控循环网络建立交通流量预测模型,获取交通态势时空特征,基于所述多源数据及交通态势时空特征获取交通流量预测值,具体为:
S202,获取各道路子区域的多源数据时序序列,利用图卷积神经网络对无向图进行表示学习,构建各道路子区域节点的邻接矩阵;
S204,通过各道路子区域中兴趣点的相似度及距离信息获取各道路子区域的之间的皮尔逊相关系数,根据所述皮尔逊相关系数表征各道路子区域节点的潜在依赖关联;
S206,引入注意力机制,获取邻接矩阵中各邻接节点的注意力得分,进行Softmax运算得到注意力权重,利用所述注意力权重及皮尔逊相关系数对邻接节点进行聚合,获取具有空间特征的低维特征表示;
S208,将具有空间特征的低维向量表示导入门控循环网络,通过两层的门控循环网络单元进行学习,对具有空间特征的低维特征表示进行时间维度上的特征提取,获取交通态势时空特征;
S210,根据图卷积网络及门控循环网络建立交通流量预测模型,利用历史交通数据进行训练,将道路子区域当前多源数据及交通态势时空特征输入,获取交通流量预测值。
需要说明的是,将各道路子区域视为无向图上的一个节点,设置邻接矩阵充分提取污染物空间关系,另外在空间关系模拟中利用皮尔逊相关系数作为聚合权重,表征邻接节点的特征贡献,使得模型更加专注于空间关联大的道路子区域,利用邻居聚合机制进行特征更新获取具有空间特征的低维向量表示。
通过图卷积神经网络对输入的交通流量数据进行空间关联特征挖掘,将提取出来的具有空间特征的低维特征表示依次输入到两层的门控循环网络单元单元进行学习,保证交通流量序列的时序特征不丢失,最大程度获取数据之间的内在联系和周期性规律;优选的,在门控循环网络中添加节点注意力单元,在不同时间段中自适应的衡量各个节点的重要程度,增强节点信息;在图卷积神经网络和门控循环网络使用残差网络进行连接,通过残差网络有效降低了训练误差。
需要说明的是,获取目标城市区域的道路拓扑图及历史交通数据,根据历史交通数据进行统计分析,获取交通拥堵次数大于预设次数阈值,则将对应的交通路段设置为高频拥堵路段;构建目标城市区域路网热力图,在所述路网热力图中将高频拥堵路段进行标记,将高频拥堵路段与基础设施进行匹配,所述基础设施包括商场、学校及医院等,生成兴趣点信息;通过数据感知获取各道路子区域在不同时间段的交通流量数据、目标城市区域的天气数据及道路子区域对应的兴趣点信息,生成各道路子区域的道路多源数据;将所述道路多源数据导入目标城市区域对应的无向图进行更新,将所述无向图映射为图网络。
图3示出了本发明根据交通拥堵路段及拥堵信息生成交通管控信息的方法流程图。
根据本发明实施例,根据所述交通拥堵路段及拥堵信息生成交通管控信息,具体为:
S302,获取交通拥堵路段的实时交通流量,提取所述交通拥堵路段的道路基本信息,根据所述道路基本信息建立检索标签,通过大数据方法根据所述检索标签利用相似度计算获取符合相似度要求的交通拥堵实例;
S304,根据符合相似度要求的交通拥堵实例组成交通拥堵实例集,判断实时交通流量与所述交通拥堵实例集中各实例的相似度,获取相似度最大的交通拥堵实例,提取其拥堵程度标签;
S306,根据所述拥堵程度标签确定实时交通流量对应的交通拥挤程度,根据实时交通流量的时间戳生成交通拥挤程度时序序列;
S308,通过交通流量预测值获取拥堵方向,根据所述拥堵方向获取交通拥堵路段的交通信号设备的通行时间及等待时间,通过所述交通拥挤程度时序序列提取当前时刻的交通拥挤程度生成权重系数;
S310,根据所述权重系数对通行时间及等待时间进行调整,生成交通信号设备的交通管控信息,另外,根据交通拥挤程度时序序列及交通流量预测值获取最高交通拥挤程度对应的时间戳;
S312,获取交通拥堵路段预设范围内的交通监管人员,判断人员数量是否满足最高交通拥挤程度对应的人数标准,所述人数标准通过历史交通拥挤实例获取;
S314,当人员数量不足时,则生成交通监管人员调度信息,优先发送至与交通拥堵路段距离近的交通监管人员。
需要说明的是,根据所述权重系数对通行时间及等待时间进行调整,即在拥堵方向的通行时间的基础上进行加权,增加通行时间,在非拥堵方向的等待时间上进行加权,增加等待时间。
获取目标城市区域中各道路子区域的交通流量预测值,选取目标道路子区域,根据所述道路拓扑图获取与目标道路子区域存在联系的道路子区域,并进行标记;获取标记道路子区域与目标道路子区域的欧氏距离,根据所述欧氏距离生成第一权重信息,根据各标记道路子区域的第一权重信息构建第一权重矩阵;预设时间段长度,基于历史交通数据获取标记道路子区域在不同时间段的交通流量;根据不同时间段的交通流量与日均交通流量的比值获取第二权重信息,根据各标记道路子区域的第二权重信息构建第二权重矩阵;将所述第一权重矩阵及第二权重矩阵结合,对目标道路子区域的交通流量预测值进行修正;根据道路基本信息的道路等级获取道路最大容量,所述道路等级划分为快速路、主干路、次干路及支路;将目标道路子区域修正后的交通流量预测值与道路最大容量进行对比,若修正后的交通流量预测值大于道路最大容量,则将目标道路子区域判定为交通拥堵路段。
根据本发明实施例,根据用户的偏好信息进行路径推荐,具体为:
获取用户的历史交通轨迹数据及驾驶数据,提取用户的地点偏好信息及驾驶偏好信息,根据所述驾驶偏好信息判断用户的驾驶熟练度,通过目标城市区域的路网热力图,将各道路子区域的路况信息在路网热力图进行标注;
根据路网热力图中的路况信息及交通拥挤程度分析用户在各道路子区域的事故风险值,根据所述事故风险值对各道路子区域进行优先级排序,所述事故风险值越小优先级越高,在用户的目的地路径规划中选取优先级高的道路子区域生成推荐路径进行优先推荐;
根据用户对推荐路径的反馈信息更新用户的驾驶数据,并根据用户的地点偏好信息进行相似地点的推荐;
获取各道路子区域中车辆的轨迹信息及车辆运行状态进行监测,当出现异常状态时生成提醒信息,当异常状态车辆的持续时间大于预设时间阈值时,则生成广播数据通过交通调查设备生成广播信息,发送至附近车辆的车机***或终端设备;
需要说明的是,通过各道路子区域的路况信息表征道路类型及道路质量好坏,其中道路质量过差及拥堵程度过高均会导致事故风险值升高;获取各道路子区域中车辆的轨迹信息及车辆运行状态进行监测,当出现频繁加减速、频繁变道、车道偏离等异常状态时进行紧急提醒。另外,交通调查设备还能够广播信息对桥梁状态监测、隧道状态监测、道路状态监测等数据进行预警。
图4示出了本发明一种基于人工智能的智慧城市运维管理***的框图。
本发明第二方面还提供了一种基于人工智能的智慧城市运维管理***4,该***包括:存储器41、处理器42,所述存储器中包括基于人工智能的智慧城市运维管理方法程序,所述基于人工智能的智慧城市运维管理方法程序被所述处理器执行时实现如下步骤:
获取目标城市区域的路网数据,对所述路网数据进行预处理,通过预处理后的路网数据提取目标城市区域的道路拓扑结构;
通过数据感知获取道路相关信息,提取道路多源数据,根据所述多源数据及道路拓扑结构更新目标城市区域对应的无向图;
利用图卷积神经网络及门控循环网络建立交通流量预测模型,获取交通态势时空特征,基于所述多源数据及交通态势时空特征获取交通流量预测值;
根据所述交通流量预测值结合时间戳识别目标城市区域中交通拥堵路段,根据所述交通拥堵路段及拥堵信息生成交通管控信息,反馈至交通信号设备及交通监管人员。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于人工智能的智慧城市运维管理方法程序,所述基于人工智能的智慧城市运维管理方法程序被处理器执行时,实现如上述任一项所述的基于人工智能的智慧城市运维管理方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于人工智能的智慧城市运维管理方法,其特征在于,包括以下步骤:
获取目标城市区域的路网数据,对所述路网数据进行预处理,通过预处理后的路网数据提取目标城市区域的道路拓扑结构;
通过数据感知获取道路相关信息,提取道路多源数据,根据所述多源数据及道路拓扑结构更新目标城市区域对应的无向图;
利用图卷积神经网络及门控循环网络建立交通流量预测模型,获取交通态势时空特征,基于所述多源数据及交通态势时空特征获取交通流量预测值;
根据所述交通流量预测值结合时间戳识别目标城市区域中交通拥堵路段,根据所述交通拥堵路段及拥堵信息生成交通管控信息,反馈至交通信号设备及交通监管人员;
根据所述交通流量预测值结合时间戳识别目标城市区域中交通拥堵路段,具体为:
获取目标城市区域中各道路子区域的交通流量预测值,选取目标道路子区域,根据道路拓扑图获取与目标道路子区域存在联系的道路子区域,并进行标记;
获取标记道路子区域与目标道路子区域的欧氏距离,根据所述欧氏距离生成第一权重信息,根据各标记道路子区域的第一权重信息构建第一权重矩阵;
预设时间段长度,基于历史交通数据获取标记道路子区域在不同时间段的交通流量;根据不同时间段的交通流量与日均交通流量的比值获取第二权重信息,根据各标记道路子区域的第二权重信息构建第二权重矩阵;
将所述第一权重矩阵及第二权重矩阵结合,对目标道路子区域的交通流量预测值进行修正;
根据道路基本信息的道路等级获取道路最大容量,将目标道路子区域修正后的交通流量预测值与道路最大容量进行对比,若修正后的交通流量预测值大于道路最大容量,则将目标道路子区域判定为交通拥堵路段;
根据所述交通拥堵路段及拥堵信息生成交通管控信息,具体为:
获取交通拥堵路段的实时交通流量,提取所述交通拥堵路段的道路基本信息,根据所述道路基本信息建立检索标签,通过大数据方法根据所述检索标签利用相似度计算获取符合相似度要求的交通拥堵实例;
根据符合相似度要求的交通拥堵实例组成交通拥堵实例集,判断实时交通流量与所述交通拥堵实例集中各实例的相似度,获取相似度最大的交通拥堵实例,提取其拥堵程度标签;
根据所述拥堵程度标签确定实时交通流量对应的交通拥挤程度,根据实时交通流量的时间戳生成交通拥挤程度时序序列;
通过交通流量预测值获取拥堵方向,根据所述拥堵方向获取交通拥堵路段的交通信号设备的通行时间及等待时间,通过所述交通拥挤程度时序序列提取当前时刻的交通拥挤程度生成权重系数;
根据所述权重系数对通行时间及等待时间进行调整,生成交通信号设备的交通管控信息,另外,根据交通拥挤程度时序序列及交通流量预测值获取最高交通拥挤程度对应的时间戳;
获取交通拥堵路段预设范围内的交通监管人员,判断人员数量是否满足最高交通拥挤程度对应的人数标准,所述人数标准通过历史交通拥挤实例获取;
当人员数量不足时,则生成交通监管人员调度信息,优先发送至与交通拥堵路段距离近的交通监管人员。
2.根据权利要求1所述的一种基于人工智能的智慧城市运维管理方法,其特征在于,通过预处理后的路网数据提取目标城市区域的道路拓扑结构,具体为:
获取目标城市区域的路网数据,将所述路网数据进行筛选,根据历史交通数据判断废弃路网数据,将预设时间内历史交通数据量小于预设数据量阈值的路网视为废弃路网数据,并进行删除;
通过历史交通数据提取轨迹数据,将所述轨迹数据进行分段,将分段后轨迹数据与路网数据进行匹配,根据匹配结果进行路网数据纠错,获取预处理后的路网数据;
根据预处理后的路网数据获取道路拓扑结构,根据目标城市区域对应的道路拓扑结构划分若干道路子区域;
通过所述道路子区域构建无向图,将所述道路子区域作为无向图中的节点,根据道路子区域的道路拓扑结构获取道路子区域之间的联系,生成无向图的边结构。
3.根据权利要求1所述的一种基于人工智能的智慧城市运维管理方法,其特征在于,通过数据感知获取道路相关信息,提取道路多源数据,根据所述多源数据及道路拓扑结构更新目标城市区域对应的无向图,具体为:
获取目标城市区域的道路拓扑图及历史交通数据,根据历史交通数据进行统计分析,获取交通拥堵次数大于预设次数阈值,则将对应的交通路段设置为高频拥堵路段;
构建目标城市区域路网热力图,在所述路网热力图中将高频拥堵路段进行标记,将高频拥堵路段与基础设施进行匹配,生成兴趣点信息;
通过数据感知获取各道路子区域在不同时间段的交通流量数据、目标城市区域的天气数据及道路子区域对应的兴趣点信息,生成各道路子区域的道路多源数据;
将所述道路多源数据导入目标城市区域对应的无向图进行更新,将所述无向图映射为图网络。
4.根据权利要求1所述的一种基于人工智能的智慧城市运维管理方法,其特征在于,利用图卷积神经网络及门控循环网络建立交通流量预测模型,获取交通态势时空特征,基于所述多源数据及交通态势时空特征获取交通流量预测值,具体为:
获取各道路子区域的多源数据时序序列,利用图卷积神经网络对无向图进行表示学习,构建各道路子区域节点的邻接矩阵;
通过各道路子区域中兴趣点的相似度及距离信息获取各道路子区域的之间的皮尔逊相关系数,根据所述皮尔逊相关系数表征各道路子区域节点的潜在依赖关联;
引入注意力机制,获取邻接矩阵中各邻接节点的注意力得分,进行Softmax运算得到注意力权重,利用所述注意力权重及皮尔逊相关系数对邻接节点进行聚合,获取具有空间特征的低维特征表示;
将具有空间特征的低维向量表示导入门控循环网络,通过两层的门控循环网络单元进行学习,对具有空间特征的低维特征表示进行时间维度上的特征提取,获取交通态势时空特征;
根据图卷积网络及门控循环网络建立交通流量预测模型,利用历史交通数据进行训练,将道路子区域当前多源数据及交通态势时空特征输入,获取交通流量预测值。
5.一种基于人工智能的智慧城市运维管理***,其特征在于,该***包括:存储器、处理器,所述存储器中包括基于人工智能的智慧城市运维管理方法程序,所述基于人工智能的智慧城市运维管理方法程序被所述处理器执行时实现如下步骤:
获取目标城市区域的路网数据,对所述路网数据进行预处理,通过预处理后的路网数据提取目标城市区域的道路拓扑结构;
通过数据感知获取道路相关信息,提取道路多源数据,根据所述多源数据及道路拓扑结构更新目标城市区域对应的无向图;
利用图卷积神经网络及门控循环网络建立交通流量预测模型,获取交通态势时空特征,基于所述多源数据及交通态势时空特征获取交通流量预测值;
根据所述交通流量预测值结合时间戳识别目标城市区域中交通拥堵路段,根据所述交通拥堵路段及拥堵信息生成交通管控信息,反馈至交通信号设备及交通监管人员;
根据所述交通流量预测值结合时间戳识别目标城市区域中交通拥堵路段,具体为:
获取目标城市区域中各道路子区域的交通流量预测值,选取目标道路子区域,根据道路拓扑图获取与目标道路子区域存在联系的道路子区域,并进行标记;
获取标记道路子区域与目标道路子区域的欧氏距离,根据所述欧氏距离生成第一权重信息,根据各标记道路子区域的第一权重信息构建第一权重矩阵;
预设时间段长度,基于历史交通数据获取标记道路子区域在不同时间段的交通流量;根据不同时间段的交通流量与日均交通流量的比值获取第二权重信息,根据各标记道路子区域的第二权重信息构建第二权重矩阵;
将所述第一权重矩阵及第二权重矩阵结合,对目标道路子区域的交通流量预测值进行修正;
根据道路基本信息的道路等级获取道路最大容量,将目标道路子区域修正后的交通流量预测值与道路最大容量进行对比,若修正后的交通流量预测值大于道路最大容量,则将目标道路子区域判定为交通拥堵路段;
根据所述交通拥堵路段及拥堵信息生成交通管控信息,具体为:
获取交通拥堵路段的实时交通流量,提取所述交通拥堵路段的道路基本信息,根据所述道路基本信息建立检索标签,通过大数据方法根据所述检索标签利用相似度计算获取符合相似度要求的交通拥堵实例;
根据符合相似度要求的交通拥堵实例组成交通拥堵实例集,判断实时交通流量与所述交通拥堵实例集中各实例的相似度,获取相似度最大的交通拥堵实例,提取其拥堵程度标签;
根据所述拥堵程度标签确定实时交通流量对应的交通拥挤程度,根据实时交通流量的时间戳生成交通拥挤程度时序序列;
通过交通流量预测值获取拥堵方向,根据所述拥堵方向获取交通拥堵路段的交通信号设备的通行时间及等待时间,通过所述交通拥挤程度时序序列提取当前时刻的交通拥挤程度生成权重系数;
根据所述权重系数对通行时间及等待时间进行调整,生成交通信号设备的交通管控信息,另外,根据交通拥挤程度时序序列及交通流量预测值获取最高交通拥挤程度对应的时间戳;
获取交通拥堵路段预设范围内的交通监管人员,判断人员数量是否满足最高交通拥挤程度对应的人数标准,所述人数标准通过历史交通拥挤实例获取;
当人员数量不足时,则生成交通监管人员调度信息,优先发送至与交通拥堵路段距离近的交通监管人员。
6.根据权利要求5所述的一种基于人工智能的智慧城市运维管理***,其特征在于,利用图卷积神经网络及门控循环网络建立交通流量预测模型,获取交通态势时空特征,基于所述多源数据及交通态势时空特征获取交通流量预测值,具体为:
获取各道路子区域的多源数据时序序列,利用图卷积神经网络对无向图进行表示学习,构建各道路子区域节点的邻接矩阵;
通过各道路子区域中兴趣点的相似度及距离信息获取各道路子区域的之间的皮尔逊相关系数,根据所述皮尔逊相关系数表征各道路子区域节点的潜在依赖关联;
引入注意力机制,获取邻接矩阵中各邻接节点的注意力得分,进行Softmax运算得到注意力权重,利用所述注意力权重及皮尔逊相关系数对邻接节点进行聚合,获取具有空间特征的低维特征表示;
将具有空间特征的低维向量表示导入门控循环网络,通过两层的门控循环网络单元进行学习,对具有空间特征的低维特征表示进行时间维度上的特征提取,获取交通态势时空特征;
根据图卷积网络及门控循环网络建立交通流量预测模型,利用历史交通数据进行训练,将道路子区域当前多源数据及交通态势时空特征输入,获取交通流量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742746.9A CN116758744B (zh) | 2023-06-21 | 2023-06-21 | 基于人工智能的智慧城市运维管理方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742746.9A CN116758744B (zh) | 2023-06-21 | 2023-06-21 | 基于人工智能的智慧城市运维管理方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758744A CN116758744A (zh) | 2023-09-15 |
CN116758744B true CN116758744B (zh) | 2024-06-11 |
Family
ID=87951123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310742746.9A Active CN116758744B (zh) | 2023-06-21 | 2023-06-21 | 基于人工智能的智慧城市运维管理方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758744B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475646B (zh) * | 2023-10-06 | 2024-03-29 | 纬创软件(武汉)有限公司 | 基于人工智能的行人检测方法 |
CN117037499B (zh) * | 2023-10-09 | 2024-01-05 | 腾讯科技(深圳)有限公司 | 拥堵路段预测方法、装置、计算机设备和存储介质 |
CN117037501B (zh) * | 2023-10-10 | 2023-12-12 | 成都创一博通科技有限公司 | 基于人工智能的城市停车管理方法和管理*** |
CN117292551B (zh) * | 2023-11-27 | 2024-02-23 | 辽宁邮电规划设计院有限公司 | 基于物联网的城市交通态势调节***与方法 |
CN117609812A (zh) * | 2023-12-07 | 2024-02-27 | 中科报业智慧研究中心(深圳)有限公司 | 一种基于分频控制的智慧城市信息交互方法及*** |
CN117456737B (zh) * | 2023-12-24 | 2024-03-26 | 广东邦盛北斗科技股份公司 | 基于3d视觉智能的智慧交通大数据处理方法及*** |
CN117974075A (zh) * | 2024-04-01 | 2024-05-03 | 法诺信息产业有限公司 | 一种基于大数据的智慧城市公共信息管理*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000242884A (ja) * | 1999-02-23 | 2000-09-08 | Toyota Central Res & Dev Lab Inc | 交通流シミュレーションシステム |
CN107403551A (zh) * | 2017-08-04 | 2017-11-28 | 广州市交通规划研究院 | 一种路***通流检测数据的快速识别与数据重构方法 |
CN109919347A (zh) * | 2017-12-13 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 路况生成方法、相关装置和设备 |
CN109961180A (zh) * | 2019-03-15 | 2019-07-02 | 浙江工业大学 | 一种基于时空相关性的短时交通流量预测方法 |
CN112183862A (zh) * | 2020-09-29 | 2021-01-05 | 长春理工大学 | 一种城市路网的交通流量预测方法及*** |
CN115131669A (zh) * | 2022-07-29 | 2022-09-30 | 中南大学 | 多源数据协同的人车路网一体化构建方法 |
CN116050672A (zh) * | 2023-03-31 | 2023-05-02 | 山东银河建筑科技有限公司 | 基于人工智能的城市管理方法及*** |
-
2023
- 2023-06-21 CN CN202310742746.9A patent/CN116758744B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000242884A (ja) * | 1999-02-23 | 2000-09-08 | Toyota Central Res & Dev Lab Inc | 交通流シミュレーションシステム |
CN107403551A (zh) * | 2017-08-04 | 2017-11-28 | 广州市交通规划研究院 | 一种路***通流检测数据的快速识别与数据重构方法 |
CN109919347A (zh) * | 2017-12-13 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 路况生成方法、相关装置和设备 |
CN109961180A (zh) * | 2019-03-15 | 2019-07-02 | 浙江工业大学 | 一种基于时空相关性的短时交通流量预测方法 |
CN112183862A (zh) * | 2020-09-29 | 2021-01-05 | 长春理工大学 | 一种城市路网的交通流量预测方法及*** |
CN115131669A (zh) * | 2022-07-29 | 2022-09-30 | 中南大学 | 多源数据协同的人车路网一体化构建方法 |
CN116050672A (zh) * | 2023-03-31 | 2023-05-02 | 山东银河建筑科技有限公司 | 基于人工智能的城市管理方法及*** |
Non-Patent Citations (2)
Title |
---|
Gated Recurrent Graph Convolutional Attention Network for Traffic Flow Prediction;Xiaoyuan Feng 等;sustainability;第1-13页 * |
基于双重力模型和人工神经网络的空中交通流量组合预测;张明 等;西南交通大学学报(第05期);第764-770页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116758744A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116758744B (zh) | 基于人工智能的智慧城市运维管理方法、***及存储介质 | |
Karami et al. | Smart transportation planning: Data, models, and algorithms | |
EP2590151A1 (en) | A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras | |
CN110849384A (zh) | 导航路线生成方法、装置、可读存储介质和计算机设备 | |
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
CN116975785B (zh) | 一种基于cim模型的多源异构数据融合分析方法及*** | |
CN114331206A (zh) | 点位选址方法、装置、电子设备及可读存储介质 | |
Zhang et al. | Off-deployment traffic estimation—a traffic generative adversarial networks approach | |
Hoong et al. | Road traffic prediction using Bayesian networks | |
KR102359902B1 (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
Sinha et al. | Sustainable time series model for vehicular traffic trends prediction in metropolitan network | |
CN115587503B (zh) | 基于多模式仿真的个体出行链还原方法 | |
CN114915940B (zh) | 一种车路通信链路匹配方法、***、设备及介质 | |
CN115169466A (zh) | 一种地块画像方法、装置、电子设备及计算机可读介质 | |
Wu et al. | Vehicle trajectory prediction models by combining communication data | |
Li et al. | A real-time transportation prediction system | |
CN110121891B (zh) | 用于预测蜂窝通信网络中的移动通信设备的移动性的方法和设备 | |
Sharma et al. | Traffic Prediction Model Using Machine Learning in Intelligent Transportation Systems | |
Alhudhaif et al. | Spatio-temporal characterisation and compensation method based on CNN and LSTM for residential travel data | |
Othman et al. | Real-Time Simulation Framework with Traffic Incident Prediction: A Singapore Case Study | |
Ahmed et al. | Enhancement of traffic forecasting through graph neural network-based information fusion techniques | |
Nourani et al. | Distributed Traffic Congestion Classification in Intelligent Transportation Systems based on SDN and Fog Computing | |
Bansal et al. | Deep learning mechanism for region based urban traffic flow forecasting | |
Aljeri et al. | Performance Evaluation of Communication Lifetime Prediction Model for Autonomous Vehicular Networks | |
CN117150698B (zh) | 基于数字孪生的智慧城市网格对象构建方法与*** |
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: 20240521 Address after: 518000 Dormitory of Shekou TCL Company, Nanshan District, Shenzhen, Guangdong Province Applicant after: Ding Lu Country or region after: China Address before: Room 2102, Unit 1, Building 2, No. 178 Jufeng Road, Licang District, Qingdao City, Shandong Province, 266000 Applicant before: Shandong Yixin Zhiyuan Information Technology Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |