CN101593424B - 一种短时交通流智能组合预测方法 - Google Patents
一种短时交通流智能组合预测方法 Download PDFInfo
- Publication number
- CN101593424B CN101593424B CN2009101003951A CN200910100395A CN101593424B CN 101593424 B CN101593424 B CN 101593424B CN 2009101003951 A CN2009101003951 A CN 2009101003951A CN 200910100395 A CN200910100395 A CN 200910100395A CN 101593424 B CN101593424 B CN 101593424B
- Authority
- CN
- China
- Prior art keywords
- module
- traffic flow
- output
- neural network
- type
- 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.)
- Expired - Fee Related
Links
Images
Abstract
本发明公开了一种短时交通流智能组合预测方法。它至少包括下列模块:1)历史平均模块:把一年不同的日期分为三种不同的类型:节假日类型、周末类型、周一和周五类型,基于历史交通流统计数据,对每种类型分别计算不同的交通流量;2)神经网络模块:是一个并行的分布式的信息处理网络,具有非线性映射和联想记忆的功能,通过数据本身的内在联系建模,对交通流进行预测;3)模糊组合模块:针对不同的交通状况,将历史平均模块和神经网络模块的输出作模糊组合变换,预测短时交通流。本发明的预测精度高于单项预测方法各自单独使用时的精度,是短时交通流预测的一种有效方法。
Description
技术领域
本发明涉及一种交通流预测方法,尤其涉及一种短时交通流智能组合预测方法。
背景技术
近年来,随着ITS(Intelligent traffic system)的蓬勃发展,智能交通管理与控制、动态交通状态辨识和预测以及实时交通流动态诱导成为ITS研究的热门课题。对这三个系统而言,它们首先需要的信息便是从某一时刻kT到下一时刻(k+1)T乃至以后若干时刻的短时交通流预测信息,因此准确实时的短时交通流预测是这三个系统实现的前提及关键,预测结果的好坏直接关系到这三个系统实施的效果。一般认为,预测周期时间T的跨度不超过15min的预测是短时交通流预测。
短时交通流预测模型和方法主要分为2类:一是统计预测算法模型,如移动平均、线性回归、自回归滑动平均、卡尔曼滤波以及非参数回归模型等;二是基于人工智能的模型。然而城市道路交通流量变化受多种自然和社会因素的影响,且各因素的作用机制通常不能用精确的数学语言来描述,属于时变的、复杂的非线性大系统。
目前单纯的某一种交通流预测方法都有其要求的独特的信息特征和应用条件,只能从各自不同的角度反映未来的情况,具有一定片面性,预测前往往需要进行大量的分析判断来选用最佳的方法。
发明内容
本发明的目的是为了充分发挥统计方法的静态稳定特点和神经网络强大的动态非线性映射能力,从而提高预测精度,提供一种短时交通流智能组合预测方法。
短时交通流智能组合预测方法至少包括下列模块:
1)历史平均模块:把一年不同的日期分为三种不同的类型:节假日类型、周末类型、周一和周五类型,基于历史交通流统计数据,对每种类型分别计算不同的交通流量;
2)神经网络模块:是一个并行的分布式的信息处理网络,具有非线性映射和联想记忆的功能,通过数据本身的内在联系建模,对交通流进行预测;
3)模糊组合模块:针对不同的交通状况,将历史平均模块和神经网络模块的输出作模糊组合变换,预测短时交通流。
所述的历史平均模块:
历史平均模块采用一次指数平滑法,定义为:
其中:q(k)为观测点在时段((k-1)T,kT]内的交通流量,其中,k=1,2,…,T为预测周期,一般取值为5-15min;为历史平均模块的输出,代表某观测点在时段(kT,(k+1)T]内该模块的交通流量预测值,q(k+1)代表该观测点在时段(kT,(k+1)T]内的历史平均交通流量,α∈[0,1]为平滑系数。
所述的神经网络模块:
采用一种由S函数神经元组成的前馈神经网络,其神经元输出为所有输入加权和与某一阀值的S型非线性函数,S型函数σ(·)是一个非减函数,满足σ(-∞)=0和σ(∞)=1,可表示为:
其中,c为一常数,它决定S函数的形状;
采用的前馈神经网络,它是由p个神经元组成的一种多输入单输出网络,输出为隐层神经元输出的加权和,设输入向量为[x1,…,xn],输出变量为y,它的数学描述如下:
其中:wij和tj为可调权重。
所述的模糊组合模块:
采用一种模糊算法,针对不同的交通状况,将历史平均模块和神经网络模块的输出作适当的组合变换,建立了一种短时交通流智能组合预测方法,即:
其中:为模糊组合模块的输出,代表某观测点在时段(kT,(k+1)T]内模糊组合模块的交通流量预测值;为神经网络模块的输出,代表某观测点在时段(kT,(k+1)T]内神经网络模块的交通流量预测值;为历史平均模块的输出,代表某观测点在时段(kT,(k+1)T]内历史平均模块的交通流量预测值;β为模块权重系数,在实际应用时,β∈[0.1,0.9],模糊组合模块β调整算法的模糊规则的基本规则为:参数β越大,则神经网络模块输出所占的权重越大,代表交通流突变较大;反之,则历史平均模块输出所占的权重越大,代表交通流变化较为平稳。
所述的模糊组合模块β调整算法的模糊规则如下:
设Δβ为β的变化率,Δβ正比于历史平均模块预测输出的百分比相对误差,但反比于预测周期,也就是说,如果当前采用的预测周期较大,或前一个预测周期内历史平均模块预测输出的百分比相对误差较小,则Δβ为负值,也就是β要减小,组合模块输出中历史平均模块输出所占的权重要适当增大。
本发明将历史平均模块和神经网络模块用于短时交通流预测,利用模糊逻辑方法对2个单项预测模块的预测结果进行综合,其输出作为最终的交通流量预测值。虽然交通流量的变化看似错综复杂,但其变化具有内在的规律,只要历史数据采集准确,本发明能够对交通变化做出较为准确的预测。其预测结果可以为交通管理部门进行交通管理和控制提供有力的保障。
附图说明
图1城市交通路网中典型的两个相邻交叉口的交通流量相关性示意图;
图2为交通流量观测站示意图;
图3为神经网络模块才用的1.5层前馈神经网络的结构图;
图4为交通流组合预测模块的结构图;
图5(a)为百分比相对误差PRE的模糊集定义示意图;
图5(b)为预测周期T的模糊集定义示意图;
图5(c)为β的变化率Δβ的模糊集定义示意图。
具体实施方式
短时交通流智能组合预测方法至少包括下列模块:
1)历史平均模块:把一年不同的日期分为三种不同的类型:节假日类型、周末类型、周一和周五类型,基于历史交通流统计数据,对每种类型分别计算不同的交通流量;
2)神经网络模块:是一个并行的分布式的信息处理网络,具有非线性映射和联想记忆的功能,通过数据本身的内在联系建模,对交通流进行预测;
3)模糊组合模块:针对不同的交通状况,将历史平均模块和神经网络模块的输出作模糊组合变换,预测短时交通流。
所述的历史平均模块:
历史平均模块采用一次指数平滑法,定义为:
其中:q(k)为观测点在时段((k-1)T,kT]内的交通流量,其中,k=1,2,…,T为预测周期,一般取值为5-15min;为历史平均模块的输出,代表某观测点在时段(kT,(k+1)T]内该模块的交通流量预测值,q(k+1)代表该观测点在时段(kT,(k+1)T]内的历史平均交通流量,α∈[0,1]为平滑系数。
所述的神经网络模块:
采用一种由S函数神经元组成的前馈神经网络,其神经元输出为所有输入加权和与某一阀值的S型非线性函数,S型函数σ(·)是一个非减函数,满足σ(-∞)=0和σ(∞)=1,可表示为:
其中,c为一常数,它决定S函数的形状;
采用的前馈神经网络,它是由p个神经元组成的一种多输入单输出网络,输出为隐层神经元输出的加权和,设输入向量为[x1,…,xn],输出变量为y,它的数学描述如下:
其中:wij和tj为可调权重。
所述的模糊组合模块:
采用一种模糊算法,针对不同的交通状况,将历史平均模块和神经网络模块的输出作适当的组合变换,建立了一种短时交通流智能组合预测方法,即:
其中:为模糊组合模块的输出,代表某观测点在时段(kT,(k+1)T]内模糊组合模块的交通流量预测值;为神经网络模块的输出,代表某观测点在时段(kT,(k+1)T]内神经网络模块的交通流量预测值;为历史平均模块的输出,代表某观测点在时段(kT,(k+1)T]内历史平均模块的交通流量预测值;β为模块权重系数,在实际应用时,β∈[0.1,0.9],模糊组合模块β调整算法的模糊规则的基本规则为:参数β越大,则神经网络模块输出所占的权重越大,代表交通流突变较大;反之,则历史平均模块输出所占的权重越大,代表交通流变化较为平稳。
所述的模糊组合模块β调整算法的模糊规则如下:
设Δβ为β的变化率,Δβ正比于历史平均模块预测输出的百分比相对误差,但反比于预测周期,也就是说,如果当前采用的预测周期较大,或前一个预测周期内历史平均模块预测输出的百分比相对误差较小,则Δβ为负值,也就是β要减小,组合模块输出中历史平均模块输出所占的权重要适当增大。
如图1所示,本发明认为城市交通路网中典型的两个相邻交叉口的交通流量具有相关性。其中,q1(k)、q2(k)和q3(k)分别为路口A北口左转车流、西口直行车流和南口右转车流在时段((k-1)T,kT]内的交通流量,q(k)为路口A和B之间路段上某一观测点在时段((k-1)T,kT]内的交通流量,其中,k=1,2,…。从图中可以看出,该观测点在时段(kT,(k+1)T]内的交通流量q(k+1),不仅与它在前一时段流量q(k)有关,而且还与路口A前一时段进入该路段的交通流量q1(k)、q2(k)和q3(k)有关,即:
q(k+1)=f(q1(k),q2(k),q3(k),q(k)),
其中,f(□)为一非线性函数。
具体实施时,设置如图2所示的交通流量观测站。该观测站每天24h检测并记录经过该站的各种车辆,每10min汇总一次,得到各检测周期内的交通流量序列并折算成小时流量。
历史平均模块采用一次指数平滑法,定义为:
其中:q(k)为观测点在时段((k-1)T,kT]内的交通流量,其中,k=1,2,…,T为预测周期,一般取值为5-15min;为历史平均模块的输出,代表某观测点在时段(kT,(k+1)T]内该模块的交通流量预测值;q(k+1)代表该观测点在时段(kT,(k+1)T]内的历史平均交通流量;α∈[0,1]为平滑系数。
为了提高历史平均模块的预测精度,把一年不同的日期分为三种不同的类型:1.节假日类型;2.周末类型;3.周一和周五类型。上述三种类型按顺序优先级依次降低。譬如2007年10月1日,这天是周一,属于周一和周五类型,同时这天也是国庆节,属于节假日类型,而按优先级这天就属于节假日类型。基于历史数据,对每种类型分别计算不同的q(k+1)。
如图3所示,神经网络模块采用一种由S函数神经元组成的前馈神经网络,其神经元的输出为所有输入加权和与某一阀值的S型非线性函数。S型函数σ(·)是一个非减函数,满足σ(-∞)=0和σ(∞)=1,可表示为:
其中,c为一常数,它决定S函数的形状。
采用的前馈神经网络,它是由p个神经元组成的一种多输入单输出网络,输出为隐层神经元输出的加权和,设输入向量为[x1,…,xn],输出变量为y,它的数学描述如下:
其中:wij和tj为可调权重。
如图4所示,模糊组合模块采用一种模糊算法,集历史平均模块和神经网络模块的优势于一体,针对不同的交通状况,将2个单项模块的输出作适当的组合变换,建立了一种短时交通流智能组合预测方法,即:
其中:为模糊组合模块的输出,代表某观测点在时段(kT,(k+1)T]内模糊组合模块的交通流量预测值;为神经网络模块的输出,代表某观测点在时段(kT,(k+1)T]内神经网络模块的交通流量预测值;为历史平均模块的输出,代表某观测点在时段(kT,(k+1)T]内历史平均模块的交通流量预测值;β为模块权重系数,理论上β∈[0,1],但在实际应用时,一般β∈[0.1,0.9]。参数β越大,则神经网络模块输出所占的权重越大,代表交通流突变较大;反之,则历史平均模块输出所占的权重越大,代表交通流变化较为平稳。
如图4所示,β的调整由一个双输入单输出的模糊算法实现,输入历史平均模块预测输出的百分比相对误差为PRE和预测周期T,输出为β的变化率Δβ。
如图5所示,PRE是历史平均模块预测输出的百分比相对误差, 代表历史平均模块的预测精度,也就是路段交通流平稳性,取值范围理论上为[0,∞),其语言值为:Z(零)、VS(很小)、S(小)、RS(较小)、M(中等)、RB(较大)、B(大)、VB(很大)。T为预测周期,一般取值为5-15min,T越小,交通流动态性越明显,反之,稳态性越明显,其语言值为:S(短)、RS(较短)、M(中等)、RL(较长)、L(长)、VL(很长)。Δβ为β的变化率,且Δβ∈[-0.5,0.5],其语言值为:NB(负大)、NM(负中)、NS(负小)、Z(零)、PS(正小)、PM(正中)、PB(正大)。如果Δβ为正值,则表示β要增加,说明该路段交通流动态变化增强,组合模块输出中神经网络模块输出所占的权重需增大;反之,则表示β要减小,说明该路段交通流趋于平稳,组合模块输出中历史平均模块输出所占的权重需增大。
交通流预测结果主要用于路网协调控制实施和基于LED屏的动态交通诱导。系统在被控区域内所有的主要交叉口和以及部分关键路段上安装了环形线圈车辆检测器,用于实时检测各种交通信息,通过专用网络传输到交通指挥中心,并存储在交通信息数据库中。
Claims (2)
1.一种短时交通流智能组合预测方法,其特征在于至少包括下列模块:
1)历史平均模块:把一年不同的日期分为三种不同的类型:节假日类型、周末类型、周一和周五类型,基于历史交通流统计数据,对每种类型分别计算不同的交通流量;
2)神经网络模块:是一个并行的分布式的信息处理网络,具有非线性映射和联想记忆的功能,通过数据本身的内在联系建模,对交通流进行预测;
3)模糊组合模块:针对不同的交通状况,将历史平均模块和神经网络模块的输出作模糊组合变换,预测短时交通流;
所述的历史平均模块:
历史平均模块采用一次指数平滑法,定义为:
其中:q(k)为观测点在时段((k-1)T,kT]内的交通流量,其中,k=1,2,…,T为预测周期,一般取值为5-15min;为历史平均模块的输出,代表某观测点在时段(kT,(k+1)T]内该模块的交通流量预测值,代表该观测点在时段(kT,(k+1)T]内的历史平均交通流量,α∈[0,1]为平滑系数;
所述的神经网络模块:
采用一种由S函数神经元组成的前馈神经网络,其神经元输出为所有输入加权和与某一阀值的S型非线性函数,S型函数σ(·)是一个非减函数,满足σ(-∞)=0和σ(∞)=1,可表示为:
其中,c为一常数,它决定S函数的形状;
采用的前馈神经网络,它是由p个神经元组成的一种多输入单输出网络,输出为隐层神经元输出的加权和,设输入向量为[x1,…,xn],输出变量为y,它的数学描述如下:
其中:wij和tj为可调权重;
所述的模糊组合模块:
采用一种模糊算法,针对不同的交通状况,将历史平均模块和神经网络模块的输出作适当的组合变换,建立了一种短时交通流智能组合预测方法,即:
2.如权利要求1所述的一种短时交通流智能组合预测方法,其特征在于所述的模糊组合模块β调整算法的模糊规则如下:
设Δβ为β的变化率,Δβ正比于历史平均模块预测输出的百分比相对误差,但反比于预测周期,也就是说,如果当前采用的预测周期较大,或前一个预测周期内历史平均模块预测输出的百分比相对误差较小,则Δβ为负值,也就是β要减小,组合模块输出中历史平均模块输出所占的权重要适当增大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101003951A CN101593424B (zh) | 2009-07-10 | 2009-07-10 | 一种短时交通流智能组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101003951A CN101593424B (zh) | 2009-07-10 | 2009-07-10 | 一种短时交通流智能组合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101593424A CN101593424A (zh) | 2009-12-02 |
CN101593424B true CN101593424B (zh) | 2010-09-29 |
Family
ID=41408059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101003951A Expired - Fee Related CN101593424B (zh) | 2009-07-10 | 2009-07-10 | 一种短时交通流智能组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101593424B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842238A (zh) * | 2012-08-30 | 2012-12-26 | 浙江大学 | 一种城市主干道交通信号动态协调控制方法 |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034351B (zh) * | 2010-09-30 | 2012-07-25 | 天津大学 | 一种交通流短时预测系统 |
CN101976501B (zh) * | 2010-10-29 | 2012-05-30 | 天津市市政工程设计研究院 | 基于主成分分析和神经网络的港区道路安全性预测方法 |
CN102708679B (zh) * | 2012-05-29 | 2016-12-14 | 孙健 | 一种城市信号交叉口短时交通流预测方法 |
CN102693633B (zh) * | 2012-06-07 | 2014-03-12 | 浙江大学 | 一种短时交通流加权组合预测方法 |
CN103018555B (zh) * | 2012-12-24 | 2014-11-05 | 电子科技大学 | 一种高精度的电力参数软件同步采样方法 |
CN103280110B (zh) * | 2013-06-08 | 2017-12-26 | 北京云星宇交通科技股份有限公司 | 高速公路旅行时间的预测方法及装置 |
CN103778323B (zh) * | 2014-01-03 | 2017-01-18 | 株洲南车时代电气股份有限公司 | 基于指数平滑的预测交通流数据的方法和系统 |
CN103871246B (zh) * | 2014-02-10 | 2016-05-04 | 南京大学 | 基于路网空间关系约束Lasso的短时交通流预测方法 |
CN103914981A (zh) * | 2014-04-09 | 2014-07-09 | 江苏物联网研究发展中心 | 一种平面交叉口行人与左转车辆冲突预测方法 |
CN105046953A (zh) * | 2015-06-18 | 2015-11-11 | 南京信息工程大学 | 一种短时交通流组合预测方法 |
CN105046956B (zh) * | 2015-06-24 | 2017-04-26 | 银江股份有限公司 | 一种基于转向系数的交通流模拟及预测方法 |
CN105118293B (zh) * | 2015-09-16 | 2017-03-29 | 东南大学 | 一种考虑长期均衡关系的道路断面交通速度短时预测方法 |
CN105355038A (zh) * | 2015-10-14 | 2016-02-24 | 青岛观澜数据技术有限公司 | 一种利用pma建模预测短期交通流量的方法 |
CN105389980B (zh) * | 2015-11-09 | 2018-01-19 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
CN105575113A (zh) * | 2015-12-14 | 2016-05-11 | 清华大学 | 一种交通运行状态感知方法 |
CN105608508A (zh) * | 2015-12-25 | 2016-05-25 | 上海电机学院 | 一种交通最优路线查询方法及系统 |
CN105761488B (zh) * | 2016-03-30 | 2018-11-23 | 湖南大学 | 基于融合的实时极限学习机短时交通流预测方法 |
CN105761489A (zh) * | 2016-04-13 | 2016-07-13 | 南京邮电大学 | 一种交通流预测的三次指数平滑最优方法 |
CN107977986B (zh) * | 2016-10-21 | 2021-11-23 | 北京君正集成电路股份有限公司 | 一种运动轨迹的预测方法及装置 |
CN107481523A (zh) * | 2017-09-27 | 2017-12-15 | 中南大学 | 一种交通流速度预测方法及系统 |
CN108346293B (zh) * | 2018-04-18 | 2020-12-18 | 湖南大学 | 一种实时交通流短时预测方法 |
CN109410575B (zh) * | 2018-10-29 | 2020-05-01 | 北京航空航天大学 | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 |
CN109887272B (zh) * | 2018-12-26 | 2021-08-13 | 创新先进技术有限公司 | 一种交通人流量的预测方法及装置 |
CN109887290B (zh) * | 2019-03-30 | 2021-03-23 | 西安电子科技大学 | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 |
CN110827544B (zh) * | 2019-11-11 | 2022-09-02 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN110956807B (zh) * | 2019-12-05 | 2021-04-09 | 中通服咨询设计研究院有限公司 | 基于多源数据与滑动窗口组合的高速公路流量预测方法 |
CN111932871B (zh) * | 2020-06-28 | 2021-06-29 | 银江股份有限公司 | 一种区域级实时交通控制策略推荐系统及方法 |
-
2009
- 2009-07-10 CN CN2009101003951A patent/CN101593424B/zh not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842238A (zh) * | 2012-08-30 | 2012-12-26 | 浙江大学 | 一种城市主干道交通信号动态协调控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101593424A (zh) | 2009-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101593424B (zh) | 一种短时交通流智能组合预测方法 | |
Yao et al. | Short‐term traffic speed prediction for an urban corridor | |
Zhao et al. | Truck traffic speed prediction under non-recurrent congestion: Based on optimized deep learning algorithms and GPS data | |
Zhao et al. | Travel time prediction: Based on gated recurrent unit method and data fusion | |
Wang et al. | Truck traffic flow prediction based on LSTM and GRU methods with sampled GPS data | |
Fan et al. | Dynamic travel time prediction models for buses using only GPS data | |
Jiao et al. | Three revised kalman filtering models for short-term rail transit passenger flow prediction | |
Wu et al. | A combined deep learning method with attention-based LSTM model for short-term traffic speed forecasting | |
Kumar et al. | Short term traffic flow prediction in heterogeneous condition using artificial neural network | |
Cheng et al. | A big data based deep learning approach for vehicle speed prediction | |
Ma et al. | A novel STFSA-CNN-GRU hybrid model for short-term traffic speed prediction | |
CN107194491A (zh) | 一种基于公交客流和站间行程时间预测的动态调度方法 | |
CN103942953A (zh) | 一种基于浮动车数据的城市路网动态交通拥挤预测方法 | |
Lam et al. | Short-term hourly traffic forecasts using Hong Kong annual traffic census | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
Ai et al. | Short-term road speed forecasting based on hybrid RBF neural network with the aid of fuzzy system-based techniques in urban traffic flow | |
Han et al. | Highway traffic speed prediction in rainy environment based on APSO-GRU | |
Zhang et al. | Hybrid deep spatio-temporal models for traffic flow prediction on holidays and under adverse weather | |
Zhang | Short-term traffic flow prediction methods: A survey | |
Ruan et al. | Expressway exit station short-term traffic flow prediction with split traffic flows according originating entry stations | |
Shen | Freeway travel time estimation and prediction using dynamic neural networks | |
Xue et al. | Expressway traffic flow prediction model based on Bi-LSTM neural networks | |
Nie et al. | Use of multisensor data in reliable short-term travel time forecasting for urban roads: Dempster–Shafer approach | |
Zou et al. | Application of advanced traffic information systems: field test of a travel-time prediction system with widely spaced detectors | |
Zhang et al. | Short-Term Traffic Condition Prediction Based on Multi-Source Data Fusion and LSTM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100929 Termination date: 20110710 |