CN104616498B - 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 - Google Patents
基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 Download PDFInfo
- Publication number
- CN104616498B CN104616498B CN201510053258.2A CN201510053258A CN104616498B CN 104616498 B CN104616498 B CN 104616498B CN 201510053258 A CN201510053258 A CN 201510053258A CN 104616498 B CN104616498 B CN 104616498B
- Authority
- CN
- China
- Prior art keywords
- traffic congestion
- beta
- alpha
- markov chain
- quantum
- 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
Classifications
-
- 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
-
- 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
Abstract
本发明涉及一种基于马尔可夫链和神经网络的交通拥挤状态组合预测方法,包括以下步骤:1)采用类似PageRank的马尔可夫链方法进行交通拥挤状态预测,得到第一预测结果;2)采用量子多智能体算法优化的后向传播神经网络(BP神经网络)方法进行交通拥挤状态预测,得到第二预测结果;3)基于信息熵获取所述第一预测结果、第二预测结果的权重;4)根据所述第一预测结果、第二预测结果及相应权重获得最终预测结果。与现有技术相比,本发明具有预测实时性好、精度高和拓展性好等优点。
Description
技术领域
本发明涉及交通状态预测领域,尤其是涉及一种基于马尔可夫链和神经网络的交通拥挤状态组合预测方法。
背景技术
造成道路交通拥堵的原因很多,但根本原因可以归结为交通需求和交通供给之间的不平衡。解决交通拥堵问题,不外乎从供需两方面来采取措施:在供给方面通过加强基础设施建设来提高路网整体交通容量,在需求方面优化出行行为生成的时空分布。考虑可行性和经济性,从后者入手,最大限度地提高现有路网的利用率逐渐成为交通研究人员和管理者的焦点。交通状态预测就是通过综合分析交通状态的现状和历史后,对未来的状况进行估计,以预先采取诱导和控制措施,因而可以提高路网利用率,缓解交通拥堵。
目前,对道路交通拥堵预测方法的研究已经取得一定的成果,主要有卡尔曼滤波、神经网络、支持向量机、混沌理论、元胞自动机、C4.5决策树以及上述方法的组合方法等。但是,这些研究主要聚焦在交通流参数(如流量、速度和占有率等)的预测上,即使也提出了一些交通状态的预测方法,但多数仅局限在单一路段或局部区域的预测上,未能从宏观角度出发,预测整个路网的拥挤状态。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测实时性好、精度高的基于马尔可夫链和神经网络的交通拥挤状态组合预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于马尔可夫链和神经网络的交通拥挤状态组合预测方法,包括以下步骤:
1)采用类似PageRank的马尔可夫链方法进行交通拥挤状态预测,得到第一预测结果;
2)采用量子多智能体算法优化的BP神经网络方法进行交通拥挤状态预测,得到第二预测结果;
3)基于信息熵获取所述第一预测结果、第二预测结果的权重;
4)根据所述第一预测结果、第二预测结果及相应权重获得最终预测结果。
所述步骤1)中,采用类似PageRank的马尔可夫链方法进行交通拥挤状态预测时,转移概率矩阵的求解过程具体为:
101)构建路网有向图;
102)构建转移概率矩阵P={Pij}m×m,m为路网有向图中路段总数,其中,
Pij=(1-Pii)tpij
式中,tii为路段i的行程时间,tpij为路段i到路段j的转向概率,Pii为转移概率矩阵中主对角元素,Pij为转移概率矩阵中第i行、第j列的元素,i=1,...,m,j=1,...,m。
所述步骤2)中,采用量子多智能体算法对BP神经网络进行优化具体为:
201)确定BP神经网络结构;
202)构建多智能体网格,初始化量子智能体;
203)将量子比特编码的量子智能体转换成二进制串,再由二进制串转换成十进制数;
204)依次将种群中的每个个体的值赋给BP神经网络,作为初始权值和阈值;
205)对BP神经网络进行训练和测试;
206)根据BP神经网络的均方误差评估个体的适应度值,判断是否满足终止条件,若是,则执行步骤208),若否,则执行步骤207);
207)依次对种群进行合作操作、交叉操作、变异操作,获得新种群,返回步骤204);
208)获得满意的初始权值和阈值,结束。
所述多智能体网格为分布有多个量子智能体的N×N网格;
所述量子智能体为采用量子比特编码的智能体,表达式为:
式中,α和β为量子比特位的概率幅值, 是第m维的候选解,km是该候选解的量子比特位数,M是所求问题的维度,即所要优化的权值阈值的总数。
所述合作操作包括和小组最优个体的合作操作以及和当代最优个体的合作操作。
所述交叉操作采用单点交叉方式。
所述变异操作采用量子非门算子进行变异。
所述步骤3)中,基于信息熵权重获取方法为:
301)获得评价矩阵E:
式中,ei,j表示第i种预测方法的第j种指标的误差评价值,k为预测方法种数,s为评价指标个数;
302)对评价矩阵的每项指标进行归一化操作,可得归一化评价矩阵F:
303)计算第i种预测方法的信息熵:
304)根据信息熵计算各单项预测方法的权重:
与现有技术相比,本发明具有以下优点:
(1)本方法借鉴Google公司提出的PageRank技术的思想,提出类似的马尔可夫链方法,适用于整个路网的拥挤状态预测;
(2)考虑交通流的随机性和非线性,构建组合方法,预测精度高;
(3)本方法易于求解,预测实时性好;
(4)易于获知路网渐趋平稳时的交通流分布情况,便于规划避开拥挤路段的时间最优出行路线,容易识别路网中的关键路段,几乎涵盖了交通预测的各方面,方法的拓展性好。
附图说明
图1为本发明的整体框架示意图;
图2为本发明构建的路网有向图;
图3为本发明路网有向图中某个路口的各方向转向概率示意图;
图4为与图3对应的该路口的各方向转移概率示意图;
图5为多智能体网格的分组示意图;
图6为本发明采用量子多智能体算法优化BP神经网络的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供一种基于马尔可夫链和神经网络的交通拥挤状态组合预测方法,包括以下步骤:
1)采用类似PageRank的马尔可夫链方法进行交通拥挤状态预测,得到第一预测结果;
2)采用量子多智能体算法优化的BP神经网络方法进行交通拥挤状态预测,得到第二预测结果;
3)基于信息熵获取第一预测结果、第二预测结果的权重;
4)根据第一预测结果、第二预测结果及相应权重获得最终预测结果。
1、转移概率矩阵的求解
PageRank技术的核心思想是将Google数据库中的网页间的关系描述为一个巨大的稀疏矩阵,把所有网页的集合看成随机过程的状态空间,假定用户选择下一个浏览网页的过程只依赖于当前浏览的网页,则这一过程可以认为是一个有限状态的马尔可夫链,从而去求解网页重要性排名值。由于考虑实际问题,路网中路段的选择和网页链接的跳转不尽相同,因此并不能直接将PageRank技术套用到路网拥堵预测研究中,而需要对其关键步骤——转移概率矩阵的求解加以改进,其余预测步骤采用PageRank技术。本方法中,转移概率矩阵的求解过程具体为:
101)以路段作为节点,构建路网有向图,如图2所示,该网络能清晰地反映路口转向问题。例如,截取图2中的一个路口(多条路段汇合点)如图3所示,路段AC之后车辆有三种选择:CA、CB和CD,概率分别为10%、45%和45%。
102)构建转移概率矩阵P={Pij}m×m,m为路网有向图中路段总数,P中各元素应表示的是路段的转移概率。考虑到路口处各分叉方向的转向概率不同和各路段行程时间(按倍数来算,最小值为1)有差异,P中各元素表达式为:
Pij=(1-Pii)tpij (2)
式中,tii为路段i的行程时间,tpij为路段i到路段j的转向概率,Pii为转移概率矩阵中主对角元素,Pij为转移概率矩阵中第i行、第j列的元素,i=1,...,m,j=1,...,m。
公式(1)所示的转移概率矩阵主对角元素计算公式是由级数求和公式推导得出。按照上述公式的计算方法,将图3修正为图4,至此,即可求得路段转移概率矩阵,为类似PageRank的马尔可夫链预测方法的提出做好了铺垫。
2、量子多智能体算法优化的后向传播神经网络(QMA-BPNN)
定义1(量子智能体):量子智能体是采用量子比特编码的智能体,其表述方式如下:
式中,α和β为量子比特位的概率幅值, 是第m维的候选解,km是该候选解的量子比特位数,M是所求问题的维度,即所要优化的权值阈值的总数。
定义2(多智能体网格):所有的量子智能体分布在一个规模为N×N的网格中,称为多智能体网格。对该网格按图5中的虚线框所示的方法进行分组。
如图6所示,采用量子多智能体算法对BP神经网络进行优化具体为:
201)确定BP神经网络结构;
202)构建多智能体网格,初始化量子智能体;
203)将量子比特编码的量子智能体转换成二进制串,再由二进制串转换成十进制数;
204)依次将种群中的每个个体的值赋给BP神经网络,作为初始权值和阈值;
205)对BP神经网络进行训练和测试;
206)根据BP神经网络的均方误差评估个体的适应度值,判断是否满足终止条件,若是,则执行步骤208),若否,则执行步骤207);
终止条件指设定的最大迭代次数或可接受的误差范围。
其中,适应度评估操作的伪代码如下:
步骤1)对多智能体网格中的每个量子智能体a
Setm=1;
步骤2)While m≤M
Set i=1,xm=0
步骤3)While i≤km
If(random[0,1]>|αm,j|2),then setBinm,j=1
Else Binm,j=0
i=i+1
步骤4)End
步骤5)Set i=km,j=0
步骤6)While i>1
x m=xm+Binm,j*2j
j=j+1
i=i-1
步骤7)End
步骤8)
步骤9)m=m+1
步骤10)End
步骤11)Output(x1,x2,...,xM)
步骤12)根据神经网络的均方误差(MSE)评估解的适应度值
207)依次对种群进行合作操作、交叉操作、变异操作,获得新种群,返回步骤204);
合作操作包括和小组最优个体的合作操作以及和当代最优个体的合作操作,均通过量子旋转门算子实现。
按定义2中的分组方法,假设是ai,j所在的小组中其它量子智能体的最优个体,Fitness(ai,j)和分别表示ai,j和的适应度值,则和小组最优个体的合作方式如下:
1)若则ai,j保持不变。
2)若ai,j的相位角则通过量子旋转门朝着的相位角的方向进化。
和当代最优个体的合作操作同上,只需将换成当代最优个体。
交叉操作采用单点交叉方式,以提升搜索能力。变异操作采用量子非门算子,一方面是为了加快收敛速度,另一方面是为了保持种群多样性,避免陷入局部最优。
208)获得满意的初始权值和阈值,结束。
3、基于信息熵的权重
熵的概念起源于热力学,表示一个热力系统在热功转换过程中的热能有效利用的程度。香农将其引入信息论,用信息熵评价来获取系统信息的有序程度和效用值。将信息熵用于组合预测方法的权重计算时,信息熵越大,效用值越小,则该方法在组合预测方法中所占的权重就越小;反之,信息熵越小,所占权重越大。基于信息熵的权重获取方法具体为:
301)获得评价矩阵E:
式中,ei,j表示第i种预测方法的第j种指标的误差评价值,k为预测方法种数,s为评价指标个数;
302)对评价矩阵的每项指标进行归一化操作,可得归一化评价矩阵F:
303)计算第i种预测方法的信息熵:
304)根据信息熵计算各单项预测方法的权重:
Claims (6)
1.一种基于马尔可夫链和神经网络的交通拥挤状态组合预测方法,其特征在于,包括以下步骤:
1)采用基于PageRank的马尔可夫链方法进行交通拥挤状态预测,得到第一预测结果;
2)采用量子多智能体算法优化的BP神经网络方法进行交通拥挤状态预测,得到第二预测结果;
3)基于信息熵获取所述第一预测结果、第二预测结果的权重;
4)根据所述第一预测结果、第二预测结果及相应权重获得最终预测结果;
所述步骤1)中,采用基于PageRank的马尔可夫链方法进行交通拥挤状态预测时,转移概率矩阵的求解过程具体为:
101)构建路网有向图;
102)构建转移概率矩阵P={Pij}m×m,m为路网有向图中路段总数,其中,
Pij=(1-Pii)tpij
式中,tii为路段i的行程时间,tpij为路段i到路段j的转向概率,Pii为转移概率矩阵中主对角元素,Pij为转移概率矩阵中第i行、第j列的元素,i=1,...,m,j=1,...,m;
所述步骤2)中,采用量子多智能体算法对BP神经网络进行优化具体为:
201)确定BP神经网络结构;
202)构建多智能体网格,初始化量子智能体;
203)将量子比特编码的量子智能体转换成二进制串,再由二进制串转换成十进制数;
204)依次将种群中的每个个体的值赋给BP神经网络,作为初始权值和阈值;
205)对BP神经网络进行训练和测试;
206)根据BP神经网络的均方误差评估个体的适应度值,判断是否满足终止条件,若是,则执行步骤208),若否,则执行步骤207);
207)依次对种群进行合作操作、交叉操作、变异操作,获得新种群,返回步骤204);
208)获得满意的初始权值和阈值,结束。
2.根据权利要求1所述的基于马尔可夫链和神经网络的交通拥挤状态组合预测方法,其特征在于,所述多智能体网格为分布有多个量子智能体的N×N网格;
所述量子智能体为采用量子比特编码的智能体,表达式为:
式中,α和β为量子比特位的概率幅值,是第m维的候选解,km是该候选解的量子比特位数,M是所求问题的维度,即所要优化的权值阈值的总数。
3.根据权利要求1所述的基于马尔可夫链和神经网络的交通拥挤状态组合预测方法,其特征在于,所述合作操作包括和小组最优个体的合作操作以及和当代最优个体的合作操作。
4.根据权利要求1所述的基于马尔可夫链和神经网络的交通拥挤状态组合预测方法,其特征在于,所述交叉操作采用单点交叉方式。
5.根据权利要求1所述的基于马尔可夫链和神经网络的交通拥挤状态组合预测方法,其特征在于,所述变异操作采用量子非门算子进行变异。
6.根据权利要求1所述的基于马尔可夫链和神经网络的交通拥挤状态组合预测方法,其特征在于,所述步骤3)中,基于信息熵权重获取方法为:
301)获得评价矩阵E:
式中,ei,j表示第i种单项预测方法的第j种指标的误差评价值,k为预测方法种数,s为评价指标个数;
302)对评价矩阵的每项指标进行归一化操作,可得归一化评价矩阵F:
303)计算第i种预测方法的信息熵:
304)根据信息熵计算各单项预测方法的权重:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510053258.2A CN104616498B (zh) | 2015-02-02 | 2015-02-02 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510053258.2A CN104616498B (zh) | 2015-02-02 | 2015-02-02 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104616498A CN104616498A (zh) | 2015-05-13 |
CN104616498B true CN104616498B (zh) | 2017-01-25 |
Family
ID=53150929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510053258.2A Expired - Fee Related CN104616498B (zh) | 2015-02-02 | 2015-02-02 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104616498B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899664B (zh) * | 2015-06-17 | 2019-04-02 | 西南石油大学 | 一种基于马尔科夫链和贝叶斯网络的钻井风险预测方法 |
CN105243848A (zh) * | 2015-11-10 | 2016-01-13 | 上海语镜汽车信息技术有限公司 | 实时路况的预测方法和系统 |
CN105303835B (zh) * | 2015-11-13 | 2017-09-01 | 西安邮电大学 | 一种道路交通流状态的短时预测方法 |
CN105303839B (zh) * | 2015-12-04 | 2017-12-08 | 中国科学院遥感与数字地球研究所 | 潜在拥堵道路交叉点的预测方法和装置 |
CN106197455B (zh) * | 2016-07-28 | 2018-11-13 | 武汉大学 | 一种城市交通路网实时动态多路口路径导航量子搜索方法 |
US10395127B2 (en) * | 2016-09-13 | 2019-08-27 | Hitachi Information & Telecommunication Engineering, Ltd. | State prediction device and state prediction method |
CN106846834A (zh) * | 2017-01-21 | 2017-06-13 | 亚信蓝涛(江苏)数据科技有限公司 | 一种基于深度学习的交通控制优化方法 |
CN107065545B (zh) * | 2017-04-01 | 2020-03-24 | 同济大学 | 基于马尔科夫跳变的分布式事件触发滤波系统及设计方法 |
CN106981201A (zh) * | 2017-05-11 | 2017-07-25 | 南宁市正祥科技有限公司 | 复杂环境下的车辆识别方法 |
CN107274669B (zh) * | 2017-07-03 | 2019-07-23 | 北方工业大学 | 一种基于最短路径的城市道路交通网络熵计算方法及系统 |
TWI675347B (zh) * | 2017-08-14 | 2019-10-21 | 無限方舟科技股份有限公司 | 交通壅塞資訊預測系統 |
CN108128309A (zh) * | 2017-09-01 | 2018-06-08 | 特百佳动力科技有限公司 | 一种车辆工况实时预测的方法 |
CN107967803A (zh) * | 2017-11-17 | 2018-04-27 | 东南大学 | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 |
CN108629976A (zh) * | 2018-05-17 | 2018-10-09 | 同济大学 | 基于gps的城市交通拥堵预测深度学习方法 |
CN109147325B (zh) * | 2018-09-04 | 2022-01-28 | 广州视源电子科技股份有限公司 | 路况预测方法及装置、存储介质、处理器 |
CN109215350B (zh) * | 2018-11-02 | 2021-05-25 | 重庆大学 | 一种基于rfid电子车牌数据的短期交通状态预测方法 |
CN109377761A (zh) * | 2018-12-10 | 2019-02-22 | 南京理工大学 | 基于马尔可夫链模型的交通因子网络构建方法 |
CN111325968B (zh) * | 2018-12-13 | 2021-05-25 | 深圳先进技术研究院 | 一种基于拥堵扩散的交通瓶颈预测方法、系统及电子设备 |
CN112069721B (zh) * | 2019-06-11 | 2024-02-27 | 上海电机学院 | 一种风电爬坡事件预测方法 |
CN111144793B (zh) * | 2020-01-03 | 2022-06-14 | 南京邮电大学 | 基于多智能体深度强化学习的商业建筑hvac控制方法 |
CN111589138B (zh) * | 2020-05-06 | 2022-08-02 | 腾讯科技(深圳)有限公司 | 动作预测方法、装置、设备及存储介质 |
CN111862591A (zh) * | 2020-05-13 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、装置及存储介质 |
CN111583649B (zh) * | 2020-05-15 | 2022-02-01 | 重庆大学 | 一种rfid时空数据交通流特征参数预测方法 |
CN111833605B (zh) * | 2020-07-10 | 2022-04-26 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、路况预测模型训练方法、装置及存储介质 |
CN113762644B (zh) * | 2021-09-26 | 2023-11-24 | 中国联合网络通信集团有限公司 | 一种基于马尔科夫链的拥挤状态预测方法及装置 |
CN114897173B (zh) * | 2022-05-18 | 2023-05-30 | 北京大学 | 基于变分量子线路确定PageRank的方法及装置 |
CN117236371B (zh) * | 2023-11-16 | 2024-03-26 | 国开启科量子技术(安徽)有限公司 | 基于博弈悖论的量子人工智能体优化方法、装置、设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7813870B2 (en) * | 2006-03-03 | 2010-10-12 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
CN102568200B (zh) * | 2011-12-21 | 2015-04-22 | 辽宁师范大学 | 车辆行驶状态实时判别的方法 |
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 |
CN103413443B (zh) * | 2013-07-03 | 2015-05-20 | 太原理工大学 | 基于隐马尔科夫模型的短时交通流状态预测方法 |
-
2015
- 2015-02-02 CN CN201510053258.2A patent/CN104616498B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104616498A (zh) | 2015-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104616498B (zh) | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 | |
He et al. | Risk assessment of urban network planning in china based on the matter-element model and extension analysis | |
CN105701596A (zh) | 一种基于大数据技术的配网抢修精益化方法以及管理系统 | |
CN101982843B (zh) | 一种非参数回归短时交通流预测中状态向量的选取方法 | |
CN106446571A (zh) | 风电场功率预测的误差评价方法 | |
CN103198648A (zh) | 用于公交系统的自适应调度方法 | |
CN103440535B (zh) | 基于免疫优化和模糊决策的多目标厂级负荷优化方法 | |
Chen et al. | Maintenance schedule optimisation for a railway power supply system | |
CN103066596A (zh) | 一种配电网接线方法 | |
CN105243428A (zh) | 基于蝙蝠算法优化支持向量机预测公交车到站时间的方法 | |
CN106570250A (zh) | 面向电力大数据的微电网短期负荷预测方法 | |
CN105023092A (zh) | 一种基于电量特性分析的用电负荷监测方法 | |
CN109299827A (zh) | 基于长短时记忆循环神经网络的城轨设备故障预测方法 | |
CN105375461A (zh) | 基于预测技术的主动配电网供电能力实时评估方法 | |
CN105809349A (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
CN108898285A (zh) | 一种基于信息熵的啤酒包装生产线运行效率定量评估方法 | |
CN102184328A (zh) | 一种土地利用演化ca模型转换规则优化方法 | |
CN106327867A (zh) | 一种基于gps数据的公交准点预测方法 | |
CN104820869A (zh) | 一种含模型切换机制的风电功率爬坡事件预测方法 | |
CN103177403A (zh) | 一种综合停电检修计划的控制方法 | |
Zhao | Research on resilience recovery strategy optimization of highway network after disaster based on genetic algorithm | |
Wenjing et al. | Data mining based dynamic scheduling approach for semiconductor manufacturing system | |
Chen et al. | Logistics Path Decision Optimization Method of Fresh Product Export Cold Chain Considering Transportation Risk | |
Wang et al. | The unemployment rate forecast model basing on bp neural network | |
Kochar et al. | Long Term Load Forecasting Model for Chhattisgarh State |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170125 Termination date: 20200202 |