• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 12
    • 下载费用:30 金币  

    重庆时时彩彩博士: 一种基于KERNELKNN匹配的道路交通状态获取方法.pdf

    摘要
    申请专利号:

    重庆时时彩单双窍门 www.4mum.com.cn CN201410852124.2

    申请日:

    2014.12.31

    公开号:

    CN104751630A

    公开日:

    2015.07.01

    当前法律状态:

    授权

    有效性:

    有权

    法律详情: 授权|||实质审查的生效IPC(主分类):G08G 1/01申请日:20141231|||公开
    IPC分类号: G08G1/01 主分类号: G08G1/01
    申请人: 浙江工业大学
    发明人: 徐东伟; 王永东; 周晓根; 张贵军; 冯远静; 郝小虎; 陈铭
    地址: 310014浙江省杭州市下城区朝晖六区潮王路18号浙江工业大学
    优先权:
    专利代理机构: 杭州斯可睿专利事务所有限公司33241 代理人: 王利强
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201410852124.2

    授权公告号:

    ||||||

    法律状态公告日:

    2017.01.18|||2015.07.29|||2015.07.01

    法律状态类型:

    授权|||实质审查的生效|||公开

    摘要

    一种基于Kernel-KNN匹配的道路交通状态获取方法,首先提取具有代表性的道路交通数据,经过数据处理后建立道路交通运行特征参考序列;然后选取道路交通数据序列,并构建道路交通数据序列的Mercer核;最后选取道路交通特征参考数据序列和当前道路交通特征序列,获取道路交通特征参考数据序列和当前道路交通特征序列在特征空间的欧式距离,通过KNN方法选取k个道路交通状态,最后通过加权平均获取道路交通状态。最终实现对道路交通运行状态实时、有效的动态估计。本发明提供了一种有效获取道路交通状态、准确性较好的基于Kernel-KNN匹配的道路交通状态获取方法。

    权利要求书

    权利要求书
    1.  一种基于Kernel-KNN匹配的道路交通状态获取方法,其特征在于:所述获取方法包括以下步骤:
    (1)建立道路交通特征参考序列:
    设计道路交通特征参考序列,提取具有代表性的道路交通数据并进行数据预处理,建立道路交通运行特征参考序列;
    (2)构建道路交通数据序列核函数:
    选取多维多粒度的道路交通数据序列,利用核函数将道路交通数据序列映射到特征空间,构建道路交通数据序列核函数;
    (3)基于Kernel-KNN获取道路交通状态:
    提取道路交通特征参考数据序列和当前道路交通数据序列,获取道路交通特征参考数据序列和当前道路交通数据序列在高维特征空间的欧式距离,通过KNN方法选取k个最近邻道路交通特征参考数据序列;从道路交通特征参考数据序列中,选取这k个最近邻道路交通特征参考数据序列的下一时刻的道路交通状态,最后通过对这k个道路交通状态加权平均获取道路交通状态。

    2.  如权利要求1所述的基于Kernel-KNN匹配的道路交通状态获取方法,其特征在于:所述步骤(1)中,假设交通流检测器采集交通状态信息的时间间隔为Δt,单一交通流检测器每天采集的交通状态信息的数量为Num,设定选取的时间维度为c×Δt,选取的道路交通参数粒度为d,则t时刻选取的道路交通数据序列X(t)为:
    X(t)=[S(t-(c-1)Δt)…S(t-Δt)S(t)]T
    S(t)=[S1(t)S2(t)…Sd(t)]T
    其中,S(t)为t时刻路段的道路交通状态参数集,Si(t)为路段在时间段[t,t+Δt]内的第i种道路交通状态参数值,i=1,2,…d;
    所述步骤将道路交通数据序列X(t)通过非线性映射φ映射到高维特征空间得到φ(X(t)),则特征空间中t1时刻和t2时刻的道路交通数据序列高维特征的点积用Mercer核表示为:
    K(X(t1),X(t2))=<φ(X(t1)),φ(X(t2))>
    非线性映射φ由核函数的表达形式决定。

    3.  如权利要求2所述的基于Kernel-KNN匹配的道路交通状态获取方法,其特征在于:所述步骤(3)中,基于Kernel-KNN获取道路交通状态的过程如下:
    步骤3.1:不同道路交通数据序列的选取
    设定共选取a天的道路交通状态数据建立道路交通特征参考序列,则道路交通特征参考序列中交通状态信息的数量为a×Num,定义道路交通特征参考序列中第h个数据点的时刻为(h·Δt),该时刻道路交通特征参考数据序列XS(h·Δt)为:
    XS(h·Δt)=[S(h·Δt-(c-1)Δt)…S(h·Δt-Δt)S(h·Δt)]T
    S(h·Δt)=[S1(h·Δt)S2(h·Δt)…Sd(h·Δt)]T
    其中,S(h·Δt)为(h·Δt)时刻路段的道路交通特征参考值,Si(h·Δt)为路段在时间段[h·Δt,(h+1)Δt]内的第i种道路交通状态参数参考值,i=1,2,…d;c-1≤h≤(a×Num-1);
    tN为当前时间刻度,则当前时刻选取的道路交通数据序列X(tN)为:
    X(tN)=[S(tN-(c-1)Δt)…S(tN-Δt)S(tN)]T
    S(tN)=[S1(tN)S2(tN)…Sd(tN)]T
    步骤3.2:道路交通数据序列特征空间中欧式距离的获取
    通过Mercer核将多维多粒度的道路交通数据序列映射到特征空间,基于核函数的定义,多维多粒度的道路交通数据已被映射到φ(X(t)),则道路交通特征参考 数据序列XS(h·Δt)和当前道路交通数据序列X(tN)在特征空间中的欧式距离表示为:
    d(XS(h&CenterDot;Δt),X(tN))=||φ(XS(h&CenterDot;Δt))-φ(X(tN)||2=<φ(XS(h&CenterDot;Δt)),φ(XS(h&CenterDot;Δt))>-2<φ(XS(h&CenterDot;Δt)),φ(X(tN)>+<φ(X(tN),φ(X(tN)>=K(XS(h&CenterDot;Δt),XS(h&CenterDot;Δt))-2K(XS(h&CenterDot;Δt),X(tN))+K(X(tN),X(tN))]]>
    步骤3.3:道路交通状态的获取
    (3.3.1)利用距离公式,计算当前道路交通数据序列与道路交通特征参考数据序列之间的核距离,选取距离当前道路交通数据序列的k个最近邻道路交通特征参考数据序列XS(gi·Δt),1≤i≤k,c-1≤gi≤(a×Num-1);
    (3.3.2)从道路交通特征参考数据序列中,选取这k个最近邻道路交通特征参考数据序列的下一时刻的道路交通状态,记为S((gi+1)Δt),1≤i≤k,c-1≤gi≤(a×Num-1);
    (3.3.3)tN+Δt时刻的道路交通状态通过下式获得:
    S(tN+Δ)&OverBar;=Σi=1kμi&CenterDot;S((gi+1)Δt)]]>
    其中,μi为第i个道路交通状态的权重值,其与当前道路交通数据序列与道路交通特征参考数据序列在特征空间的欧式距离成反比。

    说明书

    说明书一种基于Kernel-KNN匹配的道路交通状态获取方法
    技术领域
    本发明属于交通状态获取领域,涉及一种道路交通状态获取方法。
    背景技术
    道路交通状态获取是进行交通流控制和诱导等交通管理的重要前提,是制定交通安全管理策略、交通事故检测、交通事故致因分析等交通安全保障措施的必要基础,是交通基础设施管理、监控和维护不可缺少的第一手资料。因此交通状态获取是交通管理、交通安全保障和交通基础设施监控维护的基础性重要问题。
    在既有的道路交通状态获取方法中,由于道路交通系统的复杂多变性,参数模型、人工智能等方法往往具有很多限制性条件,很难实现具有广泛性的道路交通状态获取。而非参数模型(KNN)中对总体分布的一般性假设条件的范围很宽,所以基于非参数统计建立的模型具有较好的鲁棒性和适应性。但在既有的基于KNN获取道路交通状态的算法中,没有考虑是道路交通状态的多维多粒度的特性。存在的技术缺陷是:准确性较差。
    发明内容
    为了克服已有道路交通状态获取方法的准确性较差的不足,本发明提供了一种有效获取道路交通状态、准确性较好的基于Kernel-KNN匹配的道路交通状态获取方法。
    本发明解决其技术问题所采用的技术方案是:
    一种基于Kernel-KNN匹配的道路交通状态获取方法,所述获取方法包括以下步骤:
    (1)建立道路交通特征参考序列:
    设计道路交通特征参考序列,提取具有代表性的道路交通数据并进行数据预 处理,建立道路交通运行特征参考序列;
    (2)构建道路交通数据序列核函数:
    选取多维多粒度的道路交通数据序列,利用核函数将道路交通数据序列映射到特征空间,构建道路交通数据序列核函数;
    (3)基于Kernel-KNN获取道路交通状态:
    提取道路交通特征参考数据序列和当前道路交通数据序列,获取道路交通特征参考数据序列和当前道路交通数据序列在高维特征空间的欧式距离,通过KNN方法选取k个最近邻道路交通特征参考数据序列;从道路交通特征参考数据序列中,选取这k个最近邻道路交通特征参考数据序列的下一时刻的道路交通状态,最后通过对这k个道路交通状态加权平均获取道路交通状态。
    进一步,所述步骤(1)中,假设交通流检测器采集交通状态信息的时间间隔为Δt,单一交通流检测器每天采集的交通状态信息的数量为Num,设定选取的时间维度为c×Δt,选取的道路交通参数粒度为d,则t时刻选取的道路交通数据序列X(t)为:
    X(t)=[S(t-(c-1)Δt) … S(t-Δt) S(t)]T
    S(t)=[S1(t) S2(t) … Sd(t)]T
    其中,S(t)为t时刻路段的道路交通状态参数集,Si(t)为路段在时间段[t,t+Δt]内的第i种道路交通状态参数值,i=1,2,…d;
    所述步骤将道路交通数据序列X(t)通过非线性映射φ映射到高维特征空间得到φ(X(t)),则特征空间中t1时刻和t2时刻的道路交通数据序列高维特征的点积用Mercer核表示为:
    K(X(t1),X(t2))=<φ(X(t1)),φ(X(t2))>。
    再进一步,所述步骤(3)中,基于Kernel-KNN获取道路交通状态的过程如 下:
    步骤3.1:不同道路交通数据序列的选取
    设定共选取a天的道路交通状态数据建立道路交通特征参考序列,则道路交通特征参考序列中交通状态信息的数量为a×Num。定义道路交通特征参考序列中第h个数据点的时刻为(h·Δt),则该时刻道路交通特征参考数据序列XS(h·Δt)为:
    XS(h·Δt)=[S(h·Δt-(c-1)Δt) … S(h·Δt-Δt) S(h·Δt)]T
    S(h·Δt)=[S1(h·Δt) S2(h·Δt) … Sd(h·Δt)]T
    其中,S(h·Δt)为(h·Δt)时刻路段的道路交通特征参考值,Si(h·Δt)为路段在时间段[h·Δt,(h+1)Δt]内的第i种道路交通状态参数参考值,i=1,2,…d;
    c-1≤h≤(a×Num-1);
    tN为当前时间刻度,则当前时刻选取的道路交通数据序列X(tN)为:
    X(tN)=[S(tN-(c-1)Δt) … S(tN-Δt) S(tN)]T
    S(tN)=[S1(tN) S2(tN) … Sd(tN)]T
    步骤3.2:道路交通数据序列特征空间中欧式距离的获取
    通过Mercer核将多维多粒度的道路交通数据序列映射到特征空间,基于核函数的定义,多维多粒度的道路交通数据已被映射到φ(X(t)),则道路交通特征参考数据序列XS(h·Δt)和当前道路交通数据序列X(tN)在特征空间中的欧式距离表示为:
    d(XS(h&CenterDot;Δt),X(tN))=||φ(XS(h&CenterDot;Δt))-φ(X(tN)||2=<φ(XS(h&CenterDot;Δt)),φ(XS(h&CenterDot;Δt))>-2<φ(XS(h&CenterDot;Δt)),φ(X(tN)>+<φ(X(tN),φ(X(tN)>=K(XS(h&CenterDot;Δt),XS(h&CenterDot;Δt))-2K(XS(h&CenterDot;Δt),X(tN))+K(X(tN),X(tN))]]>
    步骤3.3:道路交通状态的获取
    (3.3.1)利用距离公式,计算当前道路交通数据序列与道路交通特征参考数据序列之间的核距离,选取距离当前道路交通数据序列的k个最近邻道路交通特征参考数据序列XS(gi·Δt),1≤i≤k,c-1≤gi≤(a×Num-1);
    (3.3.2)从道路交通特征参考数据序列中,选取这k个最近邻道路交通特征参考数据序列的下一时刻的道路交通状态,记为S((gi+1)Δt),1≤i≤k,c-1≤i≤(a×Num-1);
    (3.3.3)tN+Δt时刻的道路交通状态通过下式获得:
    S(tN+Δt)&OverBar;=Σi=1kμi&CenterDot;S((gi+1)Δt)]]>
    其中,μi为第i个道路交通状态的权重值,其与当前道路交通数据序列与道路交通特征参考数据序列在特征空间的欧式距离成反比。
    本发明的有益效果主要表现在:通过引入道路交通数据序列的核函数,将道路交通数据序列映射到高维空间,最后通过KNN匹配的方法最终实现道路交通状态的有效获取,其结果可以应用到交通状态分析、交通诱导及控制系统中。
    附图说明
    图1是道路交通特征参考序列的时间格式的示意图。
    具体实施方式
    下面结合附图对本发明作进一步描述。
    参照图1,一种基于Kernel-KNN匹配的道路交通状态获取方法,包括以下步骤:
    (1)建立道路交通特征参考序列:
    设计道路交通特征参考序列,提取具有代表性的道路交通数据并进行数据预处理,建立道路交通运行特征参考序列;
    (2)构建道路交通数据序列核函数:
    选取多维多粒度的道路交通数据序列,利用核函数将道路交通数据序列映射 到特征空间,构建道路交通数据序列核函数;
    (3)基于Kernel-KNN获取道路交通状态:
    提取道路交通特征参考数据序列和当前道路交通数据序列,获取道路交通特征参考数据序列和当前道路交通数据序列在高维特征空间的欧式距离,通过KNN方法选取k个最近邻道路交通特征参考数据序列;从道路交通特征参考数据序列中,选取这k个最近邻道路交通特征参考数据序列的下一时刻的道路交通状态,最后通过对这k个道路交通状态加权平均获取道路交通状态。
    本实施例的基于Kernel-KNN匹配的道路交通状态获取方法,含有以下步骤:
    (1)建立道路交通特征参考序列的步骤
    步骤1.1:设计道路交通特征参考序列的结构
    设定道路交通状态数据的采集周期是Δt,则道路交通信息模板的时间格式如图1所示。
    道路交通特征参考序列的表格式如表1和表2所示。
    表1 道路交通特征参考序列信息表:

    表1
    表2 道路交通特征参考序列描述表:

    表2
    步骤1.2:通过相关的数据预处理,建立道路交通运行特征参考序列
    获取目标路段的具有代表性的道路交通状态历史数据,并进行数据预处理(主要针对个别异常和缺失数据的修复),将经过数据预处理后的道路交通状态数据输入道路交通特征参考序列中,从而建立道路交通特征参考序列。
    (2)构建道路交通数据序列核函数的步骤
    单一的道路交通参数不能有效反应道路交通状态,故基于单一道路交通状态匹配来获取道路交通状态具有很大的随机性和偏差性。故本文中我们选取多维多粒度的道路交通状态数据进行匹配。假设交通流检测器采集交通状态信息的时间间隔为Δt,单一交通流检测器每天采集的交通状态信息的数量为Num。设定选取的时间维度为c×Δt,选取的道路交通参数粒度为d,则t时刻选取的道路交通数据序列X(t)为:
    X(t)=[S(t-(c-1)Δt) … S(t-Δt) S(t)]T
    S(t)=[S1(t) S2(t) … Sd(t)]T
    其中,S(t)为t时刻路段的道路交通状态参数集,Si(t)为路段在时间段[t,t+Δt]内的第i种道路交通状态参数值(i=1,2,…d)。
    将道路交通数据序列X(t)通过非线性映射φ映射到高维特征空间得到φ(X(t))。则特征空间中t1时刻和t2时刻的道路交通数据序列高维特征的点积用Mercer核表示为:
    K(X(t1),X(t2))=<φ(X(t1)),φ(X(t2))>
    非线性映射φ由核函数的表达形式决定。
    (3)基于Kernel-KNN获取道路交通状态的步骤
    步骤3.1:不同道路交通数据序列的选取
    在基于Kernel-KNN匹配获取道路交通状态的过程中,涉及到的数据集合主要有两个:道路交通特征参考数据序列和当前道路交通数据序列。
    设定共选取a天的道路交通状态数据建立道路交通特征参考序列,则道路交通特征参考序列中交通状态信息的数量为a×Num。定义道路交通特征参考序列中第h个数据点的时刻为(h·Δt),该时刻道路交通特征参考数据序列XS(h·Δt)为:
    XS(h·Δt)=[S(h·Δt-(c-1)Δt) … S(h·Δt-Δt) S(h·Δt)]T
    S(h·Δt)=[S1(h·Δt) S2(h·Δt) … Sd(h·Δt)]T
    其中,S(h·Δt)为(h·Δt)时刻路段的道路交通特征参考值,Si(h·Δt)为路段在时间段[h·Δt,(h+1)Δt]内的第i种道路交通状态参数参考值,i=1,2,…d;c-1≤h≤(a×Num-1)。
    tN为当前时间刻度,则定义当前时刻选取的道路交通数据序列X(tN)为:
    X(tN)=[S(tN-(c-1)Δt) … S(tN-Δt) S(tN)]T
    S(tN)=[S1(tN) S2(tN) … Sd(tN)]T
    步骤3.2:道路交通数据序列特征空间中欧式距离的获取
    通过Mercer核将多维多粒度的道路交通数据序列映射到特征空间,使得映射后同类样本接近,异类样本变远?;诤撕亩ㄒ?,多维多粒度的道路交通数据已被映射到φ(X(t)),则道路交通特征参考数据序列XS(h·Δt)和当前道路交通数据序列X(tN)在特征空间中的欧式距离表示为:
    d(XS(h&CenterDot;Δt),X(tN))=||φ(XS(h&CenterDot;Δt))-φ(X(tN)||2=<φ(XS(h&CenterDot;Δt)),φ(XS(h&CenterDot;Δt))>-2<φ(XS(h&CenterDot;Δt)),φ(X(tN)>+<φ(X(tN),φ(X(tN)>=K(XS(h&CenterDot;Δt),XS(h&CenterDot;Δt))-2K(XS(h&CenterDot;Δt),X(tN))+K(X(tN),X(tN))]]>
    步骤3.3:道路交通状态的获取
    (3.3.1)利用距离公式,计算当前道路交通数据序列与道路交通特征参考数据序列之间的核距离,选取距离当前道路交通数据序列的k个最近邻道路交通特征参考数据序列XS(gi·Δt),1≤i≤k,c-1≤gi≤(a×Num-1)。
    (3.3.2)从道路交通特征参考数据序列中,选取这k个最近邻道路交通特征参考数据序列的下一时刻的道路交通状态,记为S((gi+1)Δt),1≤i≤k,c-1≤i≤(a×Num-1)。
    (3.3.3)tN+Δt时刻的道路交通状态通过下式获得:
    S(tN+Δt)&OverBar;=Σi=1kμi&CenterDot;S((gi+1)Δt)]]>
    其中,μi为第i个道路交通状态的权重值,其与当前道路交通数据序列与道路交通特征参考数据序列在特征空间的欧式距离成反比。
    实例:一种基于Kernel-KNN匹配的道路交通状态获取方法,包括如下步骤:
    (1)选取实验数据 
    考虑到实际道路交通状态数据的可用性和有效性,选取北京市二环路上典型路段的道路交通数据进行算法应用及验证。路段的具体信息如表3所示,表3为实验路段信息表:

    表3
    提取两周(2011.06.01-2011.06.14)的道路交通历史数据建立道路交通特征参考序列。道路交通状态数据的获取间隔Δt为2min。
    将2011.06.15的道路交通数据作为训练数据集,进行算法参数设定。将2011.06.16-2011.06.29的道路交通数据作为实验数据集,进行算法验证。
    (2)核函数选取 
    鉴于高斯核函数具有可分性和局部性,选用高斯核函数进行算法应用与验证。高斯核函数的基本形式如下:
    K(x,y)=e-||x-y||22σ2]]>
    (3)参数确定
    在基于高斯核函数获取道路交通状态的过程中,涉及的参数主要包括:σ值、时间维度c·Δt、k值。针对不同的道路交通状态数据集,获取最优的道路交通状态参数时对应的各个参数各不相同。这里所做的参数设定只是对参数对基于Kernel-KNN的道路交通状态获取算法的大概影响分析。
    由于这些参数对算法的精度各有影响,单独分析每个参数对算法精度的影响并不能确保算法的最优,因此在进行算法分析时应该同时考虑所有参数对该道路交通状态获取算法的影响。
    引入归一化平均绝对误差对参数对算法精度的影响进行分析:
    NMAE=|S(tN+Δt)&OverBar;-S(tN+Δt)|S(tN+Δt)]]>
    即对于不同的(σ,c,k),存在与之对应的NMAE。故存在如下等式:
    NMAE=ω(σ,c,k)
    即(σ,c,k)与NMAE存在某种分布关系ω,寻找NMAE最小的时对应的(σ,c,k),即为最优参数设定过程。故可以得到如下模型:
    Minω(σ,c,k)
    WhereNMAE=|S(tN+Δt)&OverBar;-S(tN+Δt)|S(tN+Δt)]]>
    最终(σ,c,k)的取值可以通过道路交通状态历史数据的统计分析确定。
    (4)实验结果
    基于实验路段的数据提取和各参数的确定,对目标路段的道路交通状态进行估计。速度和流量作为能够最直观有效地反映道路交通状态的参数,本实验结果主要针对路段的运行速度值和统计流量值进行估计。为使实验结果具有对比性,将实验结果与基于简单历史数据获取道路交通状态数据以及基于KNN获取道路交通状态数据的结果进行对比。
    利用绝对误差e、百分比误差PE以及绝对误差的标准方差σ来检验算法精度,
    e=|S*-S|,PE=|S*-S|/S,σ=Σi=1nei2/n]]>
    其中,S*是计算的交通状态参数值;v是实际的交通状态参数值;n为实验编号。 
    所有实验路段2011.06.16-2011.06.29的交通状态获取结果的统计分析如下表所示。其中,eker、PEker是基于Kernel-KNN获取交通状态的绝对误差和百分比误差,σker是其绝对误差的标准方差;eKNN、PEKNN是基于KNN获取交通状态的绝对误差和百分比误差,σKNN是其绝对误差的标准方差;esim、PEsim是基于简单历史数据获取交通状态的绝对误差和百分比误差,σsim是其绝对误差的标准方差。
    表4 为速度获取结果统计:


    表4
    表5 为流量获取结果统计:

    表5。

    关 键 词:
    一种 基于 KERNELKNN 匹配 道路交通 状态 获取 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    关于本文
    本文标题:一种基于KERNELKNN匹配的道路交通状态获取方法.pdf
    链接地址://www.4mum.com.cn/p-5894528.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03