CN103077615B - 一种优化信号交叉口排队长度的在线学习方法 - Google Patents
一种优化信号交叉口排队长度的在线学习方法 Download PDFInfo
- Publication number
- CN103077615B CN103077615B CN201210554601.8A CN201210554601A CN103077615B CN 103077615 B CN103077615 B CN 103077615B CN 201210554601 A CN201210554601 A CN 201210554601A CN 103077615 B CN103077615 B CN 103077615B
- Authority
- CN
- China
- Prior art keywords
- queue length
- phase place
- intensified learning
- behavior
- green time
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种优化信号交叉口排队长度的在线学习方法,包括以下步骤:(1)状态、行为、奖赏选取;(2)强化学习矩阵更新公式;(3)建立仿真优化平台;(4)在线运行。本发明所述方法能够计算全局最优解、且具有记忆性的信号配时优化技术。本发明与风险中立强化学习技术相比,本发明不需要事先离线学习,具有更好的实时性和适应性。
Description
技术领域
本发明属于交通技术领域,涉及一种优化信号交叉口排队长度的在线学习方法。
背景技术
人工智能是现代科学技术领域的一个重要方向,是实现系统智能化、提高系统性能的重要手段。人工智能方法是一个横断技术,可以应用于各个学科领域。在道路交通信号控制领域,现有技术采用的是20世纪60年代至80年代的科学技术,这些技术在处理庞大的状态空间和解空间问题上具有很大的局限性。城市道路交叉口信号配时涉及庞大的状态空间和解空间,现有技术对交叉口信号配时问题作了诸多简化。城市路网交通拥堵是近些年国内外大中城市面临的一个难题,经常出现车辆排队至上游路口造成路网死锁的严重拥堵情况。以排队长度为优化目标应对我国机动车保有量井喷式增长具有重要的理论价值和现实意义。目前城市交叉口信号配时技术的智能化程度较低,不能够从经验中改善系统性能,对系统经历过的状态无记忆性。风险敏感的强化学习技术为交通信号控制的智能化提供了一个途径,适合交通信号控制的无导师学习、动态学习、在线学习的特点。
交通信号控制的现有技术主要有三种:Transyt系统采用历史数据优化配时方案,SCOOT系统采用检测器数据优化配时方案,优化方法均为爬山法,SCOOT系统可称为Transyt系统的实时在线版本。SCATS系统采用“投票”法优化配时方案。其中Transyt系统和SCOOT系统以延误、排队长度、油耗的综合指标为优化目标,SCATS系统以绿灯时间等饱和度为优化目标。Transyt系统和SCOOT系统的技术方案是建立一个交通流运动的仿真模型,通过计算各比选配时方案的指标值,确定新的配时方案。采用小步距调整的方法寻求局部最优解,解空间很小,如当前方案、当前方案加4秒、当前方案减4秒。
SCATS系统没有使用仿真交通的数学模型,采用以实时交通数据为基础的算法,用于实时方案选择。根据车辆检测装置所提供的实时交通量数据和停车线断面在绿灯期间的实际通过量,算法选择子系统内各交叉口共用的信号周期长度、各交叉口的绿信比及绿灯起步时距。SCATS系统要求事先利用脱机计算的方式为每个交叉口拟定四个可供选用的绿信比方案、五个内部绿灯起步时距方案、五个外部绿灯起步时距方案。绿信比方案的选择与信号周期的调整交错进行,两者结合起来,对各相位的绿灯时间不断调整的结果,使各相位饱和度维持大致相等的水平,即“绿灯时间等饱和度”原则。
近几年来,国内外学者对采用强化学习方法建立信号配时优化技术进行了一定的尝试。采用基于环境检测的强化学习方法对噪音环境下的配时优化进行了研究,噪音环境主要指驾驶员行为和流量需求波动,该文通过检测环境的改变来学习动态的流量模式,自动对流量模式进行识别,执行对应的策略,跟踪环境转换的预估误差和奖励。研究了一种基于近似动态规划的自适应交通信号实时控制算法,具体地利用线性近似函数代替动态规划中的值函数,其中线性近似函数的参数由时间差分强化学习和扰动强化学习两种方法在线学习,结果表明极大地提高了模型的计算效率,而且模型优化的时间步长越小性能越优。研究了基于“车辆投票”的强化学习优化模型,通过估计每个车辆的等待时间决定配时方案,结果表明优于固定信号配时模型。建立了基于Q学习模型的配时优化模型,需要对状态集中所有连续状态进行描述,计算时间随着车道数量和交叉口数量指数增加,限制了该模型只能用于小型路网。随后,基于函数近似的强化学习算法对信号配时优化进行了研究,提出了基于特征的状态描述方法,将状态离散为低、中、高三个区间,解决了状态一行为对的维数灾难问题。使用神经网络调整模糊交通信号控制器的成员函数,使用强化学习评估神经网络采用的行为的效用,改进了模糊控制的效果。将Agent与经验知识和Q学习算法相结合,研究单个路口的动态配时问题。采用Q学习方法以减少延误为目标对单路口进行信号配时的优化,并应用模糊控制规则改善信号控制,研究结果表明该方法优于定时控制、感应式控制。将Q学习及BP神经元网络应用于切换式的信号控制优化,结果表明该模型能够感知交通流变化,并能够自适应控制,比定时控制相比具有明显的优势。
总体上说,现有技术中建立基于强化学习的交通控制模型的做法是不考虑周期的概念,在每个时间步判断各相位的放行权是否切换;没有和传统的交通控制优化目标进行结合,建立的优化目标的可行性没有被验证;而且这些方法都是基于风险中立的强化学习方法,优化的过程中没有考虑车辆到达的随机波动,只能先离线学习获得初始强化学习矩阵,然后再在线应用,在优化的实时性和动态性方面具有一定的局限。
总之,现有技术中城市交通信号控制系统存在以下缺陷:(1)采用小步距对配时方案进行优化,优化滞后于实际交通流状态;(2)在很小的空间中优化,解为局部最优解,性能差;(3)对经历的历史状态不具有记忆性,效率低。(4)路网几何尺寸布局一旦调整,就需要花费大量时间对系统的参数进行调试。
发明内容
本发明的目的是克服现有技术的缺陷,提供一种优化信号交叉口排队长度的在线学习方法,提出能够计算全局最优解、且具有记忆性的信号配时优化技术。解决现有技术只能在很小的空间中进行优化,难以保证解的最优化的问题。解决现有技术不能够积累经验、形成管理预案的缺点。相对于风险中立的强化学习优化技术,本发明解决了需要事先离线学习进行初始化的不足,保证了配时方案的连续性、小波动。风险中立的强化学习技术属于方案选择式原理,风险敏感的强化学习技术属于方案生成式原理。
本发明采用人工智能领域的风险敏感强化学习理论建立了配时优化技术,该技术能够对整个优化空间进行搜索,得到全局最优解;该技术具有学习能力,对经历的历史状态具有记忆能力;由于风险敏感强化学习技术解决了规避车辆随机到达带来的风险问题,因此可以直接在线学习。与风险中立强化学习技术相比,本发明不需要事先离线学习,具有更好的实时性和适应性。
其技术方案为:一种优化信号交叉口排队长度的在线学习方法,包括以下步骤:
(1)状态、行为、奖赏选取
11)以各相位关键车流的排队长度组成的向量作为状态,为了提高计算效率,状态空间采用离散形式,离散步长为平均排队长度差的整数倍数;
12)以各相位绿灯时间组成的向量作为行为,采用动态行为集技术:首先计算各相位关键车流的平均排队长度占交叉口总排队长度的比例,然后将这一比例乘以事先确定的周期长度,得到各相位的基准绿灯时间,以基准绿灯时间为原点,以周期的某一比例值作为半径,构成各相位绿灯时间的行为集;
13)以各相位关键车流的加权排队长度差的绝对值之和作为奖赏,优化目标是等排队长度,通过权重系数反映交通流向的重要程度;
(2)强化学习矩阵更新公式
强化学习矩阵更新公式为:其中β为权重因子,α为学习率,γ为折扣因子,r表示当前奖励,Q(s,a)表示状态s、行为a对应的强化学习值;
(3)建立仿真优化平台
31)以Excel VBA作为主控程序,将微观交通仿真软件Vissim和Matlab软件作为调用对象,分别采用COM接口和Excel Link接口;
32)利用Vissim软件建立交通仿真模型,利用Matlab开发优化排队长度的强化学习模型,基于实时数据利用该平台计算强化学习矩阵;
(4)在线运行
41)按照步骤(1)中提到的离散步长,通过视频检测器判断排队长度处于哪个区间;
42)在线运行指数平滑型的强化学习模型,优化信号配时;
43)利用数据采集手段对优化效果进行评估。
进一步优选,所述数据采集手段主要包括视频检测器、线圈检测器数据、出租车GPS数据、人工调查、视频录像。
本发明的有益效果:
本发明提出了基于仿真平台计算风险敏感强化学习矩阵的方法,比基于解析模型的方法更加准确;
本发明提出以优化排队长度作为目标,这对于解决高峰期出现的死锁现象有重要价值;
本发明提出了可直接在线应用的风险敏感强化学习,解决了风险中立强化学习方法需事先离线学习进行初始化的问题。
本发明提出了指数平滑型的风险敏感强化学习技术,规避车辆到达的随机波动对强化学习矩阵更新带来的风险;
本发明提出了动态行为集技术,提高了在线学习的计算效率。
附图说明
图1是仿真优化平台结构图;COM接口为Component Object Model的简称,微软定义的标准接口,Vissim为德国PTV公司的交通仿真商业软件,Excel VBA为Excel Visual BasicFor application,Excel Link接口为一种软件中间件,Matlab为Matrix Laboratory的简称。
图2是本发明离散步长和检测器位置示意图。
具体实施方式
下面结合附图具体实例来详细描述本发明的技术方案。
一种优化信号交叉口排队长度的在线学习方法,其特征在于,包括以下步骤:
(1)状态、行为、奖赏选取
11)以各相位关键车流的排队长度组成的向量作为状态,为了提高计算效率,状态空间采用离散形式,离散步长为平均排队长度差的整数倍数;
12)以各相位绿灯时间组成的向量作为行为,对于多相位交叉口,会出现行为对的维数灾难问题,学习速度是在线学习技术具有实用性的关键,为了提高学习速度,采用动态行为集技术:具体地,首先计算各相位关键车流的平均排队长度占交叉口总排队长度即交叉口各相位关键车流的排队长度之和的比例,然后将这一比例乘以事先确定的周期长度,得到各相位的基准绿灯时间。以基准绿灯时间为原点,以周期的某一比例值作为半径,构成各相位绿灯时间的行为集;
13)以各相位关键车流的加权排队长度差的绝对值之和作为奖赏,优化目标是等排队长度,通过权重系数反映交通流向的重要程度。例如,对于有三个关键相位的交叉口,奖励函数可写为r=|γ1q1-γ2q2|+|γ2q2-γ2q3|+|γ2q2-γ2q3|,γ1·γ2·γ3表示车流流向的权重,q1和q2和q3表示红末排队长度,根据相位的重要程度设置权重值。
(2)强化学习矩阵更新公式
车辆到达具有随机性,这种随机性会导致收敛的强化学习矩阵瞬间变化,从而导致当前最优行为瞬间转换至其他行为,然后又逐渐地转回到当前最优行为。这种随机波动对于在线强化学习模型是一种风险,为了规避这种风险,本发明提出了一种指数平滑型的强化学习技术,解决了车辆随机到达造成的模型波动问题,降低了最优行为频繁变换的风险,提高了控制的鲁棒性。
强化学习矩阵更新公式为:其中β为权重因子,α为学习率,γ为折扣因子,r表示当前奖励,Q(s,a)表示状态s、行为a对应的强化学习值;
(3)建立仿真优化平台,仿真优化平台的结构图如图1所示。
31)以Excel VBA作为主控程序,将微观交通仿真软件Vissim和Matlab软件作为调用对象,分别采用COM接口和Excel Link接口;
32)利用Vissim软件建立交通仿真模型,利用Matlab开发优化排队长度的强化学习模型,基于实时数据利用该平台计算强化学习矩阵;
以两相位配时为例说明强化学习矩阵的含义,表1中q1,q2是各相位的排队长度值,数量是排队长度的排列组合值。g1,g2是指各相位的绿灯时间,数量是绿灯时间的排列组合值。其他的矩阵元素值是(状态-行为对)值。
表1
(4)在线运行
如图2所示,41)按照步骤(1)中提到的离散步长,通过视频检测器判断排队长度处于哪个区间;
42)在线运行指数平滑型的强化学习模型,优化信号配时;
43)利用数据采集手段对优化效果进行评估。
所述数据采集手段主要包括视频检测器数据、线圈检测器数据、出租车GPS数据、人工调查、视频录像。
以上所述,仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。
Claims (2)
1.一种优化信号交叉口排队长度的在线学习方法,其特征在于,包括以下步骤:
(1)状态、行为、奖赏选取
11)以各相位关键车流的排队长度组成的向量作为状态,为了提高计算效率,状态空间采用离散形式,离散步长为平均排队长度差的整数倍数;
12)以各相位绿灯时间组成的向量作为行为,采用动态行为集技术:首先计算各相位关键车流的平均排队长度占交叉口总排队长度的比例,然后将这一比例乘以事先确定的周期长度,得到各相位的基准绿灯时间,以基准绿灯时间为原点,以周期的某一比例值作为半径,构成各相位绿灯时间的行为集;
13)以各相位关键车流的加权排队长度差的绝对值之和作为奖赏,优化目标是等排队长度,通过权重系数反映交通流向的重要程度;
(2)强化学习矩阵更新公式
强化学习矩阵更新公式为: 其中β为权重因子,α为学习率,γ为折扣因子,r表示当前奖励,Q(s,a)表示状态s、行为a对应的强化学习值,Q(s′,a′)表示在状态s′、选择行为a′的排队长度优化值,其中参数s′表示关键车流的排队长度,参数a′表示交叉口各相位的绿灯时间,参数A表示交叉口各相位绿灯时间的配时方案库;
(3)建立仿真优化平台
31)以Excel VBA作为主控程序,将微观交通仿真软件Vissim和Matlab软件作为调用对象,分别采用COM接口和Excel Link接口;
32)利用Vissim软件建立交通仿真模型,利用Matlab开发优化排队长度的强化学习模型,基于实时数据利用该平台计算强化学习矩阵;
(4)在线运行
41)按照步骤(1)中提到的离散步长,通过视频检测器判断排队长度处于哪个区间;
42)在线运行步骤32)中的指数平滑型的强化学习模型,优化信号配时;
43)利用数据采集手段对优化效果进行评估。
2.根据权利要求1所述的优化信号交叉口排队长度的在线学习方法,其特征在于,所述数据采集手段是通过视频检测器、线圈检测器、出租车GPS、人工调查共同获得的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210554601.8A CN103077615B (zh) | 2012-12-20 | 2012-12-20 | 一种优化信号交叉口排队长度的在线学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210554601.8A CN103077615B (zh) | 2012-12-20 | 2012-12-20 | 一种优化信号交叉口排队长度的在线学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103077615A CN103077615A (zh) | 2013-05-01 |
CN103077615B true CN103077615B (zh) | 2015-03-25 |
Family
ID=48154131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210554601.8A Expired - Fee Related CN103077615B (zh) | 2012-12-20 | 2012-12-20 | 一种优化信号交叉口排队长度的在线学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103077615B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616509B (zh) * | 2015-02-03 | 2016-08-17 | 上海交通大学 | 基于交通微观仿真的城市平面信号交叉口优化方法及系统 |
CN104933876B (zh) * | 2015-06-03 | 2018-03-13 | 浙江师范大学 | 一种自适应智慧城市智能交通信号的控制方法 |
CN104932267B (zh) * | 2015-06-04 | 2017-10-03 | 曲阜师范大学 | 一种采用资格迹的神经网络学习控制方法 |
CN104966403A (zh) * | 2015-07-23 | 2015-10-07 | 合肥革绿信息科技有限公司 | 一种基于地磁的干线自优化信号控制方法及装置 |
CN105096617A (zh) * | 2015-07-23 | 2015-11-25 | 合肥革绿信息科技有限公司 | 一种基于视频的干线自优化信号控制方法及装置 |
CN104966404A (zh) * | 2015-07-23 | 2015-10-07 | 合肥革绿信息科技有限公司 | 一种基于阵列雷达的单点自优化信号控制方法及装置 |
CN105118310A (zh) * | 2015-07-23 | 2015-12-02 | 合肥革绿信息科技有限公司 | 一种基于视频的单点自优化信号控制方法及装置 |
CN105070075A (zh) * | 2015-07-23 | 2015-11-18 | 合肥革绿信息科技有限公司 | 一种基于阵列雷达的干线自优化信号控制方法及装置 |
CN104992566A (zh) * | 2015-07-31 | 2015-10-21 | 合肥革绿信息科技有限公司 | 一种基于线圈的单点自优化信号控制方法及装置 |
CN106205156B (zh) * | 2016-08-12 | 2018-06-26 | 南京航空航天大学 | 一种针对部分车道车流突变的交叉口自愈合控制方法 |
CN106910351B (zh) * | 2017-04-19 | 2019-10-11 | 大连理工大学 | 一种基于深度强化学习的交通信号自适应控制方法 |
CN107331167B (zh) * | 2017-08-07 | 2019-09-17 | 青岛海信网络科技股份有限公司 | 一种交通信号灯反馈调整方法及装置 |
CN108510764B (zh) * | 2018-04-24 | 2023-11-10 | 南京邮电大学 | 一种基于q学习的多路口自适应相位差协调控制系统及方法 |
CN108805348B (zh) * | 2018-06-05 | 2020-06-23 | 京东数字科技控股有限公司 | 一种交叉口信号配时控制优化的方法和装置 |
CN108762221B (zh) * | 2018-07-09 | 2021-05-11 | 西安电子科技大学 | 含有不可控事件的自动制造系统的无死锁控制方法 |
CN109035812B (zh) * | 2018-09-05 | 2021-07-27 | 平安科技(深圳)有限公司 | 交通信号灯的控制方法、装置、计算机设备及存储介质 |
CN110136481B (zh) * | 2018-09-20 | 2021-02-02 | 初速度(苏州)科技有限公司 | 一种基于深度强化学习的停车策略 |
CN110264750B (zh) * | 2019-06-14 | 2020-11-13 | 大连理工大学 | 一种基于多任务深度q网络的q值迁移的多交叉口信号灯协同控制方法 |
CN111554109B (zh) * | 2020-04-21 | 2021-02-19 | 河北万方中天科技有限公司 | 基于排队长度的信号配时方法及终端 |
CN111899537B (zh) * | 2020-07-01 | 2023-03-28 | 山东摩西网络科技有限公司 | 一种基于边缘计算的交叉口信号控制移动调优装置和方法 |
CN112216126A (zh) * | 2020-09-27 | 2021-01-12 | 航天科工广信智能技术有限公司 | 一种基于sarsa的干线交通控制优化方法 |
CN112785859B (zh) * | 2020-12-17 | 2022-01-25 | 漳州职业技术学院 | 一种城市区域信号灯统一配时控制系统及方法 |
CN113421439B (zh) * | 2021-06-25 | 2022-05-13 | 嘉兴学院 | 一种基于蒙特卡罗算法的单路口交通信号配时优化方法 |
CN114639254B (zh) * | 2022-03-07 | 2023-08-29 | 北京交通大学 | 城市多车道环形交叉口通行控制方法及系统 |
CN114743388B (zh) * | 2022-03-22 | 2023-06-20 | 中山大学·深圳 | 一种基于强化学习的多交叉口信号自适应控制方法 |
CN116311990B (zh) * | 2023-03-27 | 2023-12-22 | 南京莱斯信息技术股份有限公司 | 一种基于互联网数据与检测数据融合的信号控制方法 |
-
2012
- 2012-12-20 CN CN201210554601.8A patent/CN103077615B/zh not_active Expired - Fee Related
Non-Patent Citations (6)
Title |
---|
Reinforcement Learning With Function Approximation for Traffic Signal Control;Prashanth L. A. and Shalabh Bhatnagar;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20110630;第12卷(第2期);全文 * |
单交叉口信号配时的离线Q 学习模型研究;卢守峰等;《控制工程》;20121120;第19卷(第6期);全文 * |
城市交通干线的Q−学习控制算法;马风伟,刘智勇;《五邑大学学报(自然科学版)》;20071015;第21卷(第3期);全文 * |
基于Q-学习的交通信号控制方法;承向军等;《基于Q-学习的交通信号控制方法》;20060830(第8期);全文 * |
基于车均延误最小的Q学习交通信号控制方法;沈文,李志强;《交通科学与工程》;20090930;第25卷(第3期);全文 * |
集成VISSIM、Excel VBA和MATLAB的仿真平台研究;卢守峰等;《交通运输系统工程与信息》;20120815;第12卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103077615A (zh) | 2013-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103077615B (zh) | 一种优化信号交叉口排队长度的在线学习方法 | |
Jin et al. | A group-based traffic signal control with adaptive learning ability | |
Zhang et al. | Evaluation of urban public transport priority performance based on the improved TOPSIS method: A case study of Wuhan | |
CN105740556A (zh) | 基于客流需求的列车运行图自动编制方法 | |
CN102610092A (zh) | 基于rbf神经网络城市道路速度预测方法 | |
Xiong et al. | Analog simulation of urban construction land supply and demand in Chang-Zhu-Tan Urban Agglomeration based on land intensive use | |
CN105047057A (zh) | 一种考虑多驾驶员类型和车道选择偏好的高快速路网宏观交通流仿真方法 | |
Wang et al. | Optimal dynamic investment allocation on construction of intelligent transportation infrastructure and road maintenance with environmental costs | |
Fujimoto et al. | Ad hoc distributed simulations | |
Osorio et al. | An efficient simulation-based optimization algorithm for large-scale transportation problems | |
CN115879652B (zh) | 能源网络分级协同规划方法、装置、电子设备及存储介质 | |
Ma et al. | A method for queue length estimation in an urban street network based on roll time occupancy data | |
Lin et al. | Service-oriented dynamic data driven application systems to traffic signal control | |
Zhang et al. | [Retracted] A Data‐Driven Control Strategy for Urban Express Ramp | |
Patel et al. | Real-time adaptive signal controller for non-lane following heterogeneous road traffic | |
Wang et al. | A decision-making model of development intensity based on similarity relationship between land attributes intervened by urban design | |
He et al. | Reversible lane control system with low emission load based on VISSIM simulator | |
Kapoor et al. | Green Urban Development: A methodology to calculate site and infrastructure related GHG emissions | |
CN105489014B (zh) | 一种基于主成分分析交通信息的补偿方法 | |
Liu et al. | Research on urban transport network topology vulnerability identification under rainfall conditions | |
Liu et al. | Research on intersection phase timing calculating method based on interval detection data | |
Sadiqa et al. | Signal Traffic Optimization Using Control Algorithm in Urban Traffic Framew | |
Freedman et al. | Analysis of new starts project by using tour-based model of San Francisco, California | |
Chen et al. | Variable Lane Control of Intersection Region Based on Simulation Platform | |
Sun et al. | GIS-Based urban land use and traffic coordination evaluation system |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150325 Termination date: 20151220 |
|
CF01 | Termination of patent right due to non-payment of annual fee |