著录项信息
专利名称 | 一种快速准确预测车辆通过路段旅行时间的方法 |
申请号 | CN201410270534.6 | 申请日期 | 2014-06-17 |
法律状态 | 暂无 | 申报国家 | 中国 |
公开/公告日 | 2014-09-03 | 公开/公告号 | CN104021674A |
优先权 | 暂无 | 优先权号 | 暂无 |
主分类号 | G08G1/01 | IPC分类号 | G;0;8;G;1;/;0;1查看分类表>
|
申请人 | 武汉烽火众智数字技术有限责任公司 | 申请人地址 | 广东省广州高新技术产业开发区揽月路101号A座3层
变更
专利地址、主体等相关变化,请及时变更,防止失效 |
权利人 | 广州烽火众智数字技术有限公司 | 当前权利人 | 广州烽火众智数字技术有限公司 |
发明人 | 王虹;索丹;陈岚;张仁辉;张景 |
代理机构 | 武汉宇晨专利事务所 | 代理人 | 黄瑞棠 |
摘要
本发明公开了一种快速准确预测车辆通过路段旅行时间的方法,属于智能交通领域。本方法是:a、获取所有卡口站点信息及一段时间内的历史车辆信息;b、获取起点卡口站点A的车辆缓存;c、判断与卡口A相邻的卡口Bi的旅行时间预测是否完毕;d、车牌号码匹配查找以卡口A为起点,Bi为终点的车辆记录;e、计算当前时段和前一时段车辆从起点卡口站点A到终点卡口站点Bi的旅行时间;f、采用卡尔曼算法预测下一时段车辆的旅行时间;g、拥堵系数计算;h、旅行时间检测预测方法结束。本发明可以快速准确地预测出车辆通过各相邻卡口站点路段的旅行时间,适用于智能运输系统、交通卡口系统、道路交通管理系统、出行者信息系统和交通流信息检测系统。
1.一种快速准确预测车辆通过路段旅行时间的方法,其特征在于包括以下步骤:
a、获取所有的卡口站点信息及一段时间内的历史车辆信息(101)
b、获取起点卡口A的车辆缓存(102)
c、判断与卡口A相邻的卡口Bi的旅行时间预测是否完毕(103),i的值介于1和TG_MAXCOUNT之间,TG_MAXCOUNT表示卡口站点总数,是则跳转到步骤h(108),否则进入步骤d(104);
d、车牌号码匹配查找以卡口A为起点,Bi为终点的车辆记录(104);
e、计算当前时段和前一时段车辆从起点卡口站点A到终点卡口站点Bi的旅行时间(105);
f、采用卡尔曼算法预测下一时段车辆从起点卡口A到终点卡口Bi的旅行时间(106);
g、拥堵系数计算,将拥堵信息实时上报(107);
h、结束旅行时间预测流程(108)。
2.按权利要求1所述的一种快速准确预测车辆通过路段旅行时间的方法,其特征在于e步骤包括以下子步骤:
e1、获取终点卡口点Bi的车辆缓存(201),本方法依据终点卡口车辆缓存,在起点卡口站点车辆缓存中找通行车辆,以确保找到以起点卡口为出发点,以终点卡口站点为目的点的车辆;
e2、获取起点卡口点A的车辆缓存(202);
e3、获取从起点卡口A到终点卡口Bi的最短时间t1,最长时间t0(203),t0和t1分别表示各个卡口站点的理论最大和最小行驶时间,各个站点t0和t1的值不一定相同;
e4、卡口A的车辆缓存中查找车辆经过时刻在时间段[T-t0,T-t1]内,且以卡口点Bi为终点的车辆(204),T为车辆经过终点卡口站点Bi的时刻;
e5、判断符合要求的车辆是否找到(205),是则进入步骤e6(206),否则查找卡口站点A的下一车辆缓存(209)后跳转到步骤e4(204);
e6、根据车辆经过卡口的经过时刻差值得出车辆经过卡口点A到卡口点Bi的旅行时间,i=i+1(206),i用于计数,记录找到的以起点卡口A为出发点,以卡口Bi为终点的车辆数目;
e7、判断i是否等于M(207),是则进入步骤e8(208),否则查找卡口站点Bi的下一车辆缓存(210)后跳转到步骤e2(202),其中M为预先设置的需要找的车辆数目,该M值能够根据需要改变;
e8、记录结果(208),将得到的旅行时间数据存入矩阵中,作为接下来的卡尔曼滤波预测模型的输入参数。
3.按权利要求1所述的一种快速准确预测车辆通过路段旅行时间的方法,其特征在于f步骤包括以下子步骤:
f1、令初始时刻k=k0,赋初值(301),设k0为起始时间,确定k0时刻的初始值x(k0)和p(k0);
f2、计算预测x(k|k-1)值(302),x(k|k-1)=z(k,k-1)x’(k-1)其中x’(k-1)为前一个状态k-1的估计值,z(k,k-1)为状态转移矩阵,该z(k,k-1)值是利用历史数据,应用3次样条差值拟合曲线,根据此曲线确定的状态转移矩阵;
f3、计算协方差(303),P(k|k-1)=z(k,k-1)p(k-1)zT(k,k-1)+q(k-1),其中p(k-1)为前一状态k-1的协方差,zT(k,k-1)为z(k,k-1)的转置矩阵,q(k-1)为系统噪声协方差;
f4、计算增益矩阵k(k)的值(304),k(k)=p(k|k-1)aT(k)[a(k)p(k|k-1)aT(k)+r(k)]-1,其中a(k)为观测矩阵,即步骤e10(210)计算的旅行时间结果矩阵,aT(k)为观测矩阵a(k)的转置矩阵,r(k)为观测噪声协方差,符号-1为求矩阵的逆运算;
f5、计算最优估计值x’(k)的值(305),
x’(k)=x(k|k-1)+k(k)[y(k)-a(k)x(k|k-1)],其中y(k)为观测向量;
f6、更新协方差P(k)的值(306),p(k)=[I-k(k)a(k)]p(k|k-1),其中I为单位矩阵;
f7、判断k是否等于k’(307),是则进入步骤f8(308),否则k=k+1(309)后跳转到步骤f2(302),其中k’为需要预测的时刻;
f8、计算预测结果t(k+1)(308),得到路段在下一个时间的旅行时间的预测值为t(k+1)=a(k)x(k)。
一种快速准确预测车辆通过路段旅行时间的方法\n技术领域\n[0001] 本发明涉及智能交通领域,尤其涉及一种快速准确预测车辆通过路段旅行时间的方法。\n背景技术\n[0002] 路段旅行时间是最重要、最被广泛关注和最能反映交通运行状态的信息,与地点交通参数相比,可以更好地评价道路的畅通程度,能够反映道路的运输效率,体现实时的道路交通拥挤情况。路段旅行时间预测是交通流诱导系统重点研究内容,被认为是预测现代城市拥挤问题最为有效手段之一。\n[0003] 现有技术中,在进行旅行时间预测时,主要有神经网络预测方法、卡尔曼滤波预测方法、时间序列法和GPS浮动车技术等方法。\n[0004] 神经网络预测方法在交通流预测中的应用,在一定程度上消除了建立精确数学模型的困难,能保证一定的预测精度,但是它的网络训练时间过长,参数调整过于繁琐,尤其在输入输出单元较多以及隐含层单元较多时,计算较为复杂,难于在线实现。\n[0005] 时间序列法建模简单,容易理解,在数据充分的情况下,能达到较高的预测精度,但是该方法只利用了路段旅行时间的历史数据,并没有考虑其它影响因素,当交通状态发送急剧变化时,预测结果和实际结果会存在明显的时间延迟现象。\n[0006] 而对于GPS浮动车技术,由于GPS定位点不一定正好与路段起始点与终止点重合,因此,这两个点的地图匹配非常关键,而且当丢失数据较多时,特别是路段起止点附近无GPS定位点的数据时,误差会较大,甚至会出现没有计算结果的情况。\n[0007] 卡尔曼滤波预测方法应用于行程时间预测具有实时性较高的优势,而应用此法的主要困难是模型参数的正确确定。\n发明内容\n[0008] 本发明的目的就在于克服现有技术存在的上述问题和不足,对卡尔曼滤波模型的参数进行优化处理,提供一种快速准确预测车辆通过路段旅行时间的方法。\n[0009] 本发明的目的是这样实现的:\n[0010] 采用卡尔曼滤波模型,并对卡尔曼模型参数进行优化处理,采用定时器机制定时将所有卡口站点最新的过车数据存入任务链表中运算;通过车牌号码匹配获取从起点卡口为出发点,终点卡口为目的点的车辆,根据前一时段和当前时段各车辆通过各卡口站点的经过时刻差值获取旅行时间,最后将获取到的路段前一时段的旅行时间和当前时段路段旅行时间输入到模型中,预测路段下一时段的旅行时间。本发明有效解决了现有技术在进行路段旅行时间预测时出现的预测结果不准确和计算复杂的问题。\n[0011] 一、一种快速准确预测车辆通过路段旅行时间的系统(简称系统)\n[0012] 本系统包括工作环境:网格化监控平台、前端数据接入单元和旅行时间预测服务器;\n[0013] 其连接关系是:网格化监控平台、前端数据接入单元和旅行时间预测服务器依次连接。\n[0014] 工作原理\n[0015] 网格化监控平台的各个子监控平台建立在各个卡口站点上,当有车辆经卡口站点时,该卡口站点对应监控平台会自动获取该车辆的图像并计算得出该车辆的包括车牌号码、车辆经过卡口站点的时间等信息在内的车辆信息,然后把车辆信息通过前端数据接入单元发送给旅行时间预测服务器,旅行时间预测服务器根据接收到的车辆信息和服务器内缓存历史车辆信息通过本发明的方法实时预测出该车辆到达各相邻卡口站点的旅行时间。\n[0016] 二、一种快速准确预测车辆通过路段旅行时间的方法(简称方法)\n[0017] 本方法主要是通过建立卡尔曼模型来进行路段旅行时间预测的方法。同时为减低旅行时间预测服务器CPU及内存占用率及提高旅行时间预测的准确性采用定时机制定时启动旅行时间预测算法。该方法通过卡口站点间的距离和限速值计算出各个卡口站点间的理论最小Tmin和最大行驶时间Tmax,当在时刻T有车辆经过终点卡口站点时,通过卡口站点间关系,在其起点卡口站点的车辆缓存中找时间段[T-Tmax,T-Tmin]里的车辆,通过车牌号码匹配,找出以起点卡口为出发点,以终点卡口站点为达到卡口点的车辆。根据车辆通过起点卡口站点和终点卡口站点的经过时刻差值得出车辆通过起点卡口站点到终点卡口这一路段的旅行时间。最后将得到的旅行时间作为输入参数,输入到已经建好的卡尔曼模型中,预测下一时段车辆通过起点卡口站点到终点卡口站点这一路段的旅行时间。\n[0018] 具体地说,本方法包括以下步骤:\n[0019] a、获取所有卡口站点信息及一段时间内的历史车辆信息;\n[0020] b、获取起点卡口站点A的车辆缓存;\n[0021] c、判断与卡口A相邻的卡口Bi的旅行时间预测是否完毕,是则转跳到步骤h,否则进入步骤d;\n[0022] d、车牌号码匹配查找以卡口A为起点,Bi为终点的车辆记录;\n[0023] e、计算当前时段和前一时段车辆从起点卡口站点A到终点卡口站点Bi的旅行时间;\n[0024] f、采用卡尔曼算法预测下一时段车辆从起点卡口站点A到终点卡口站点Bi的旅行时间;\n[0025] g、拥堵系数计算,将拥堵信息实时上报,跳转到步骤c以计算车辆到达下一个相邻卡口站点的旅行时间;\n[0026] h、旅行时间检测预测方法结束。\n[0027] 本发明相比现有技术,具有下列优点和有益效果:\n[0028] ①对卡尔曼滤波模型参数进行优化处理,使预测结果更加准确\n[0029] 应用卡尔曼滤波算法的主要困难是模型参数的正确确定;本方法为提高卡尔曼滤波算法预测结果的准确性,其中状态转移矩阵参数采用3次样条差值方法确定,而非直接采用单位矩阵,以防止前后相邻两个周期的交通状态差别变大而影响预测结果。\n[0030] ②采用定时机制定时启动旅行时间预测算法\n[0031] 由于同一路段的路况在短暂时间内不会发生显著的变化,因此本方法采用定时器定时启动运算的机制,每隔5分钟启动一次旅行时间预测算法,将所有卡口站点最新的过车数据放入运算任务链表中进行计算,每隔15分钟清除一次过期的车辆缓存,在定时器定时的这5分钟内,实时的过车数据会更新卡尔曼滤波模型里的状态转移矩阵;这样做不仅可以减轻旅行时间预测服务器运算负担,降低其CPU和内存的占用率,同时可以做到预测结果是利用历史车辆数据和当前时段的实时过车数据进行旅行时间预测,提高预测可信度及准确性。\n[0032] ③为车辆出行提供路径选择\n[0033] 本预测方法每执行一次就能准确地预测出所有卡口站点的各相邻卡口站点之间的路段旅行时间,为车辆出行路径选择提供基本依据。\n[0034] 总之,本发明可以快速准确地预测出车辆通过各相邻卡口站点路段的旅行时间,适用于智能运输系统、交通卡口系统、道路交通管理系统、出行者信息系统和交通流信息检测系统。\n附图说明\n[0035] 图1是本方法的流程图;\n[0036] 图2是计算当前时段和前一时段旅行时间流程图;\n[0037] 图3是卡尔曼算法流程图;\n[0038] 图4是本系统结构和方法应用示意图。\n[0039] 图中:\n[0040] 400—旅行时间预测系统,\n[0041] 410—旅行时间预测服务器;\n[0042] 420—前端数据接入单元;\n[0043] 430—网格化监控平台,\n[0044] 431—第1监控平台,\n[0045] 432—第2监控平台,……\n[0046] 43N—第N监控平台,N是自然数,N≤500;\n[0047] 401—智能运输系统;\n[0048] 402—交通卡口系统;\n[0049] 403—道路交通管理系统;\n[0050] 404—出行者信息系统;\n[0051] 405—交通流信息检测系统;\n[0052] 图5是旅行时间预测结果示意图。\n[0053] 图中:\n[0054] Ka—第1卡口站点;\n[0055] Kb—第2卡口站点;\n[0056] Kc—第3卡口站点;\n[0057] Kd—第4卡口站点。\n具体实施方式\n[0058] 下面结合附图和实施例详细说明:\n[0059] 一、系统\n[0060] 1、总体\n[0061] 如图4,本系统包括工作环境:前端数据接入单元420和网格化监控平台430;设置有旅行时间预测服务器410;\n[0062] 其连接关系是:\n[0063] 网格化监控平台430、前端数据接入单元420和旅行时间预测服务器410依次连接。\n[0064] 2、功能部件\n[0065] 1)旅行时间预测服务器410\n[0066] 旅行时间预测服务器410是旅行时间预测的功能实体,在物理分布上对应一台服务器;其主要功能为:\n[0067] ①接收网格化监控平台430发送过来的车辆信息;\n[0068] ②实现本发明的路段旅行时间预测方法。\n[0069] 2)前端数据接入单元420\n[0070] 前端数据接入单元420是一种对前端抓拍的实时的过车数据进行存储转发的单元,其功能是实现网格化监控平台的数据接入。\n[0071] 3)网格化监控平台430\n[0072] 网格化监控平台430含有多个子监控平台,第1监控平台431、第2监控平台432……第N监控平台43N,N是自然数,N≤500;每个子监控平台均与某个卡口站点相对应,由于卡口站点呈网格化分布,所以称之为网格化监控平台。\n[0073] 3、工作机理\n[0074] 网格化监控平台430监控各个卡口站点的过车情况,对经过各个卡口站点的车辆进行车牌号码识别并获取包括车辆号码在内的车辆信息,然后把车辆信息通过前端数据接入单元420发送给旅行时间预测服务器410。\n[0075] 二、方法\n[0076] 如图1,本方法包括下列步骤:\n[0077] a、获取所有的卡口站点信息及一段时间内的历史车辆信息-101\n[0078] 获取网格中所有的卡口站点信息和网格中所有卡口站点一段时间内的历史车辆信息,构建车辆缓存三级链表来保存历史车辆信息;\n[0079] 车辆缓存三级链表以车辆经过的卡口站点为缓存链表的一级节点,以车辆经过该卡口站点的时间段为缓存链表的二级节点,以在该时间段内经过该卡口站点的车辆的信息作为缓存链表的三级节点;车辆的信息又单独构成双向链表;存放卡口站点信息的链表和存放历史车辆信息的三级链表的一级节点链表有着同样的关键字和顺序;卡口站点信息的内容包含该卡口站点的最大行驶时间和最小行驶时间;\n[0080] b、获取起点卡口A的车辆缓存-102\n[0081] 通过卡口站点A的名称获取起始卡口A在其存储数组的下标值,然后根据该下标值获取起点卡口站点A的车辆缓存;\n[0082] c、判断与卡口A相邻的卡口Bi的旅行时间预测是否完毕-103,i的值介于1和TG_MAXCOUNT之间,TG_MAXCOUNT表示卡口站点总数,是则跳转到步骤h-108,否则进入步骤d-\n104;\n[0083] d、车牌号码匹配查找以卡口A为起点,Bi为终点的车辆记录-104;\n[0084] e、计算当前时段和前一时段车辆从起点卡口站点A到终点卡口站点Bi的旅行时间-105\n[0085] 具体而言,如图2,e步骤包括以下子步骤:\n[0086] e1、获取终点卡口点Bi的车辆缓存-201,本方法依据终点卡口车辆缓存,在起点卡口站点车辆缓存中找通行车辆,以确保找到以起点卡口为出发点,以终点卡口站点为目的点的车辆;\n[0087] e2、获取起点卡口点A的车辆缓存-202;\n[0088] e3、获取从起点卡口A到终点卡口Bi的最短时间t1,最长时间t0-203,t0和t1分别表示各个卡口站点的理论最大和最小行驶时间,各个站点t0和t1的值不一定相同;\n[0089] e4、卡口A的车辆缓存中查找车辆经过时刻在时间段[T-t0,T-t1]内,且以卡口点Bi为终点的车辆-204,T为车辆经过终点卡口站点Bi的时刻;\n[0090] e5、判断符合要求的车辆是否找到-205,是则进入步骤e6-206,否则查找卡口站点A的下一车辆缓存-209后跳转到步骤e4-204;\n[0091] e6、根据车辆经过卡口的经过时刻差值得出车辆经过卡口点A到卡口点Bi的旅行时间,i=i+1-206,i用于计数,记录找到的以起点卡口A为出发点,以卡口Bi为终点的车辆数目;\n[0092] e7、判断i是否等于M-207,是则进入步骤e8-208,否则查找卡口站点Bi的下一车辆缓存-210后跳转到步骤e2-202,其中M为预先设置的需要找的车辆数目,该值可以根据需要改变;\n[0093] e8、记录结果-208,将得到的旅行时间数据存入矩阵中,作为接下来的卡尔曼滤波预测模型的输入参数。\n[0094] f、采用卡尔曼算法预测下一时段车辆从起点卡口A到终点卡口Bi的旅行时间-\n106;\n[0095] 具体而言,如图3,f步骤包括以下子步骤:\n[0096] f1、令初始时刻k=k0,赋初值-301,设k0为起始时间,确定k0时刻的初始值x(k0)和p(k0);\n[0097] f2、计算预测x(k|k-1)值-302,x(k|k-1)=z(k,k-1)x’(k-1)其中x’(k-1)为前一个状态k-1的估计值,z(k,k-1)为为状态转移矩阵,该值是利用历史数据,应用3次样条差值拟合曲线,根据此曲线确定的状态转移矩阵;\n[0098] f3、计算协方差-303,P(k|k-1)=z(k,k-1)p(k-1)zT(k,k-1)+q(k-1),其中p(k-1)为前一状态k-1的协方差,zT(k,k-1)为z(k,k-1)的转置矩阵,q(k-1)为系统噪声协方差;\n[0099] f4、计算增益矩阵k(k)的值-304,k(k)=p(k|k-1)aT(k)[a(k)p(k|k-1)aT(k)+r(k)]-1,其中a(k)为观测矩阵,即步骤e10-210计算的旅行时间结果矩阵,aT(k)为观测矩阵a(k)的转置矩阵,r(k)为观测噪声协方差,符号-1为求矩阵的逆运算;\n[0100] f5、计算最优估计值x’(k)的值-305,\n[0101] x’(k)=x(k|k-1)+k(k)[y(k)-a(k)x(k|k-1)],其中y(k)为观测向量;\n[0102] f6、更新协方差P(k)的值-306,p(k)=[I-k(k)a(k)]p(k|k-1),其中I为单位矩阵;\n[0103] f7、判断k是否等于k’-307,是则进入步骤f8-308,否则k=k+1-308后跳转到步骤f2-302,其中k’为需要预测的时刻;\n[0104] f8、计算预测结果t(k+1)-308,得到路段在下一个时间的旅行时间的预测值为t(k+1)=a(k)x(k)。\n[0105] g、拥堵系数计算,将拥堵信息实时上报-107,根据卡口之间关系和限速值可以得到车辆由起点卡口A到终点卡口Bi的最短时间Tmin值,预测出来的旅行时间结果同Tmin值比对,根据比对结果,制定拥堵等级,将道路拥堵情况分为不拥堵、轻微拥堵、拥堵、较严重拥堵、严重拥堵情况,然后将拥堵信息实时上报给卡口系统,以作为交通诱导基本依据;跳转到步骤c-103;\n[0106] h、结束旅行时间预测流程-108。\n[0107] 具体方法为:\n[0108] 采用卡尔曼滤波模型,并对卡尔曼模型参数进行优化处理,采用定时器机制定时将所有卡口站点最新的过车数据放入任务链表中运算;通过车牌号码匹配获取从起点卡口为出发点,终点卡口为目的点的车辆,根据前一时段和当前时段各车辆通过各卡口站点的经过时刻差值获取旅行时间,最后将获取到的路段前一时段的旅行时间和当前时段路段旅行时间输入到模型中,预测路段下一时段的旅行时间。该方法有效解决了现有技术在进行路段旅行时间预测时出现的预测结果不准确,计算复杂的问题,同时本预测方法每执行一次就能准确预测出所有卡口站点内各相邻卡口站点之间的路段旅行时间,为车辆出行路径选择提供基本依据。\n[0109] 举例:如图5所示,实际中会有很多辆车经过卡口站点,为简化,这里仅以6辆车经过卡口站点的情况来说明本方法。其中Ka、Kb、Kc及Kd为卡口站点,Va、Vb、Vc、Vd、Ve及Vf是不同车牌的车辆,Ta1、Ta2、Ta3为车辆Va经过卡口站点Ka、Kb及Kc的经过时刻,类似地Tb1、Tb2、Tb3,Tc1…为其它各车经过各卡口站点的经过时刻。根据卡尔曼滤波理论建立卡尔曼滤波预测模型。\n[0110] 卡口站点Ka->Kb,对于终点卡口站点Kb缓存中的车辆Va、Vb、Vc、Vd、Ve及Vf,在Ka的车辆缓存中进行车牌号码匹配,可以找到经由起点卡口站点Ka到达终点卡口站点Kb的车辆Va、Vb、Vc、Vd、Ve及Vf。获取旅行时间:t0=Ta2-Ta1,t1=Tb2-Tb1,t2=Tc2-Tc1,t3=Td2-Td1,t4=Te2-Te1,T5=Tf2-Tf1,将获取到的旅行时间t0、t1、t2、t3、t4、t5存入矩阵A中,将矩阵A作为输入参数,输入到卡尔曼滤波模型中,预测下一时段车辆经由卡口Ka->Kb的旅行时间。\n[0111] 同理,可以预测出下一时段车辆经由卡口Kb->Kc的旅行时间及卡口Kb->Kd的旅行时间。\n[0112] 三、方法应用\n[0113] 如图4,本发明可以作为子模块或者子系统应用到智能运输系统401、交通卡口系统402、道路交通管理系统403、出行者信息系统404、交通流信息检测系统405等中,实现上述系统路段旅行时间预测功能。\n[0114] 本发明提供了一种快速准确地预测车辆通过路段旅行时间的方法,建立卡尔曼滤波预测模型进行路段旅行时间预测,并提出了具有实用价值的路段旅行时间预测应用方案。
法律信息
- 2018-10-26
专利权的转移
登记生效日: 2018.10.08
专利权人由武汉烽火众智数字技术有限责任公司变更为广州烽火众智数字技术有限公司
地址由430074 湖北省武汉市洪山区邮科院路88号变更为510663 广东省广州高新技术产业开发区揽月路101号A座3层
- 2016-07-06
- 2014-10-08
实质审查的生效
IPC(主分类): G08G 1/01
专利申请号: 201410270534.6
申请日: 2014.06.17
- 2014-09-03
引用专利(该专利引用了哪些专利)
序号 | 公开(公告)号 | 公开(公告)日 | 申请日 | 专利名称 | 申请人 |
1
| |
2010-11-24
|
2009-05-22
| | |
2
| |
2013-04-24
|
2012-12-14
| | |
3
| |
2013-12-18
|
2013-09-25
| | |
被引用专利(该专利被哪些专利引用)
序号 | 公开(公告)号 | 公开(公告)日 | 申请日 | 专利名称 | 申请人 | 该专利没有被任何外部专利所引用! |