CN105279966B - 一种校园交通的拥堵识别方法 - Google Patents
一种校园交通的拥堵识别方法 Download PDFInfo
- Publication number
- CN105279966B CN105279966B CN201510650627.6A CN201510650627A CN105279966B CN 105279966 B CN105279966 B CN 105279966B CN 201510650627 A CN201510650627 A CN 201510650627A CN 105279966 B CN105279966 B CN 105279966B
- Authority
- CN
- China
- Prior art keywords
- speed
- congestion
- average
- pedestrian
- bicycle
- 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
Abstract
本发明公开了一种校园交通的拥堵识别方法，在对校园交通拥堵情况进行分析后提出了道路占用率的计算方法，建立了基于三相交通理论的交通拥堵评价指标，将交通道路拥堵状况定义为三个状态，分别是自由流，一般拥堵和严重拥堵；选用皮尔逊相关系数法分析拥堵指标与各项交通流参数之间的相关性。本发明算法复杂度低、简单易行，可操作性强，目前尚无对校园交通进行拥堵识别的方法，可用于校园或住宅小区等特定环境下交通拥堵情况的识别。
Description
技术领域
本发明属于交通领域，具体涉及一种校园交通的拥堵识别方法。
背景技术
近几十年来，大学持续性的扩招，一定程度上满足了社会的发展，同时也给大学的发展带来诸多的问题，比如校园交通系统也面临着严峻的挑战。近年来，频繁发生高校拥挤踩踏事故，一方面是学生的安全意识薄弱，另一方面如何在这样的形势下有效的解决校园交通拥堵问题从而获得可持续的发展，构建校园绿色交通是我们必须要解决的问题。
国内外学者基于三相交通理论(交通流可分为三个阶段:自由流，同步流和宽运动堵塞流)，提出了交通拥堵和描述各种方法。对于交通拥堵的研究表明，基于交通流参数的特征对于拥挤的检测是十分重要的。考虑到交通现象的不同方面，许多研究提出了不同的观点。实际上，现在几乎所有的交通流参数特征都是基于公路,高速公路和城市交通拥堵的，而对校园交通拥堵的研究有限。这个限制激励我们开发一种能够有效描述校园交通状况的特征。
校园交通研究的挑战在于校园结构的复杂性。校园交通拥堵的有效特征正在成为一个重要的待解决的问题，而目前尚无对校园交通进行拥堵识别的方法。
发明内容：
为了克服上述背景技术的缺陷，本发明提供一种校园交通的拥堵识别方法，简单易行，可操作性强。
为了解决上述技术问题本发明的所采用的技术方案为：
一种校园交通的拥堵识别方法，包括如下步骤：
步骤1，获取混合交通模式下各类道路使用者的数据；
步骤2，根据步骤1所获取数据计算交通道路占用率；
步骤3，依据道路占用率结合各类道路使用者的数据将交通拥堵分为自由流，一般拥堵和严重拥堵三个级别；
步骤4，用相关系数法分别计算各类道路使用者的数据和道路占用率与交通拥堵级别之间的相关性。
较佳地，各类道路使用者的数据是对视频资料进行数据统计得出的。
较佳地，各类道路使用者的数据包括行人、自行车、摩托车和汽车的数量、速度和占用道路面积。
较佳地，道路占用率，设定i＝1，2，3，4分别代表行人、自行车、摩托车和汽车各类道路使用者，Ni表示行人、自行车、摩托车和汽车的数量，Sr表示所选取实验路段的面积，Si表示行人、自行车、摩托车和汽车的单个道路使用者所占用的道路面积。
较佳地，步骤3是指依据道路占用率结合汽车、自行车和行人的速度对交通拥堵情况进行评价并得出交通拥堵级别，具体方法为：当道路占用率比平均道路占用率提高90％以上，汽车速度比汽车平均速度降低50％以上，摩托车速度较摩托车平均速度降低20％以上，自行车速度比自行车平均速度降低10％以上，行人速度比行人平均速度降低15％以上，则评价交通拥堵级别为严重拥堵；
当道路占用率比平均道路占用率提高40％-90％，汽车速度比汽车平均速度降低20％-50％，摩托车速度比摩托车平均速度下降5％-10％；自行车速度比自行车平均速度降低5％-10％，行人速度比行人平均速度降低5％-15％，则评价交通拥堵级别为一般拥堵；
当道路占用率在平均道路占用率30％以下，汽车速度在汽车平均速度的负10％以上，摩托车速度在摩托车平均速度负5％以上；自行车在自行车平均速度的负5％以上，行人速度在行人平均速度的负5％以上，则评价交通拥堵级别为自由流。
较佳地，平均道路占用率是指在实验路段特定时间段内的道路占用率平均值；汽车平均速度是指在实验路段特定时间段内的汽车速度平均值；摩托车平均速度是指在实验路段特定时间段内的摩托车速度平均值；自行车平均速度是指在实验路段特定时间段内的自行车速度平均值；行人平均速度是指在实验路段特定时间段内的行人速度平均值。
较佳地，步骤4是用Spearman皮尔逊相关系数法分别计算道路占用率、汽车速度、摩托车速度、自行车速度、行人速度与步骤3所得的交通拥堵级别的相关性，相关性其中，dj＝xj-yj，xj为在统计时段内的数据集合组成的数组，数据为道路占用率或行人速度或自行车速度或摩托车速度或汽车速度，yj表示交通拥堵级别，自由流、一般拥堵和严重拥堵分别用2、1、0表示，n表示xj或yj的数据量。
较佳地，在步骤4之后还包括对结果进行验证的步骤5，建立的BP神经网络模型，从步骤4的结果提取相关性最高的数个特征作为BP神经网络的输入参数，对该模型进行训练，计算得出样本交通拥堵级别，将步骤3所得的交通拥堵级别与样本交通拥堵级别进行对比得到本方法的交通拥堵识别率。
较佳地，BP神经网络模型为三层BP神经网络模型，从步骤4的结果提取相关性最高的三个特征作为BP神经网络的输入参数。
较佳地，选取函数作为BP神经网络模型的激活函数；m为输入参数，表示汽车速度、行人速度或交通道路占用率与其权重的加权和，权重为随机量；S(m)为BP神经网络神经元输出，表示样本交通拥堵级别。
本发明的有益效果在于：本方法在对校园交通拥堵情况进行分析后提出了道路占用率的计算方法，建立了基于三相交通理论的交通拥堵评价指标，将交通道路拥堵状况定义为三个状态，分别是自由流，一般拥堵和严重拥堵；选用Spearman皮尔逊相关系数法分析拥堵指标与各项交通流参数之间的相关性；最后还建立了三层的BP神经网络模型，对识别率进行计算分析，构建基于三层BP神经网络的交通评价方法。本发明算法复杂度低、简单易行，可操作性强，目前尚无对校园交通进行拥堵识别的方法，可用于校园或住宅小区等特定环境下交通拥堵情况的识别。
附图说明
图1为本发明实施例的流程图；
图2为本发明实施例交通流行人、汽车、自行车和摩托车数量和总数量随时间变化图；
图3为本发明实施例交通流速度随时间变化图；
图4为本发明实施例道路占有率随时间变化图；
图5为本发明实施例BP神经网络准确率；
图6为本发明实施例在两组实验数据中随机选取训练数据集和测试数据集，并对该两组实验数据合并记录的情况下BP神经网络准确率随迭代次数的变化情况；
图7为本发明实施例两组实验数据选取其中一组数据为训练数据集，另一组数据为测试数据集，对测试数据进行记录时BP神经网络准确率随迭代次数的变化情况；
图8为本发明实施例BP神经网络模型的误差随迭代次数的变化情况。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
一种校园交通的拥堵识别方法(图1)，包括如下步骤：
步骤1，获取混合交通模式下各类道路使用者的数据，本实施例中包括行人、自行车、摩托车和汽车的数量、速度和占用道路面积；而各类道路使用者的数据是对视频资料进行数据统计得出的。实践中还可以增加统计电动车等道路使用者的数据。
步骤2，根据步骤1所获取数据计算交通道路占用率；
道路占用率其中i＝1，2，3，4分别代表各类道路使用者包括行人、自行车、摩托车和汽车，Ni表示行人、自行车、摩托车和汽车的数量，Sr表示所选取实验路段的面积，Si表示行人、自行车、摩托车和汽车的单个占用面积。
步骤3，依据道路占用率结合各类道路使用者的数据评价交通拥堵级别，包括自由流，一般拥堵和严重拥堵；
基于三相交通理论，建立交通拥堵评价指标。混合交通模式下的各类交通使用者的数量和速度分布分别如图2和图3所示，道路占用率随时间分布如图4所示。依据道路占用率结合汽车、自行车和行人的速度对交通拥堵情况进行评价并得出交通拥堵级别，方法如下：
当道路占用率比平均道路占用率提高90％以上，汽车速度比汽车平均速度降低50％以上，摩托车速度较摩托车平均速度降低20％以上，自行车速度比自行车平均速度降低10％以上，行人速度比行人平均速度降低15％以上，则评价交通拥堵级别为严重拥堵；
当道路占用率比平均道路占用率提高40％-90％，汽车速度比汽车平均速度降低20％-50％，摩托车速度比摩托车平均速度下降5％-10％；自行车速度比自行车平均速度降低5％-10％，行人速度比行人平均速度降低5％-15％，则评价交通拥堵级别为一般拥堵；
当道路占用率在平均道路占用率30％以下，汽车速度在汽车平均速度的负10％以上，摩托车速度在摩托车平均速度负5％以上；自行车在自行车平均速度的负5％以上，行人速度在行人平均速度的负5％以上，则评价交通拥堵级别为自由流。
平均道路占用率是指在实验路段特定时间段内的道路占用率平均值；汽车平均速度是指在实验路段特定时间段内的汽车速度平均值；自行车平均速度是指在实验路段特定时间段内的自行车速度平均值；行人平均速度是指在实验路段特定时间段内的行人速度平均值。
本实施例中，在数量分布图(图2)的两个峰值时间段，道路占用率达到1.0，高于平均值0.5；汽车平均速度为2.5m/s，相比汽车速度平均值(5m/s)降低了2.5m/s；行人速度(1m/s)比行人速度平均值(1.25m/s)低了0.25m/s；自行车速度为2.5m/s，低于自行车平均速度(2.8m/s)。从视频数据中可以看出，此时交通状况复杂，行人与车辆互相影响程度大且移动受阻，拥堵情况较为严重，可以将此时段的交通道路拥堵程度定义为严重拥堵；
在数量分布图(图2)的两个峰值两旁时间段，汽车速度(3.5m/s)低于汽车速度平均值(5m/s)，行人和自行车速度均可以达到其速度平均值(分别为1.25m/s和2.5m/s)，道路占用率达到0.8，高于平均值(0.5)，结合视频数据分析，此时行人与自行车数量较多，但仍能保持一个期望速度前行，汽车速度受到一定影响，虽然交通流密度较大，但整体交通仍保持一个较为稳定的状态，可以将此时段的拥堵程度定义为一般拥堵；
在峰值之外的其他时段，道路占用率维持在0.15，行人，自行车，摩托车和汽车的速度可达到各自速度平均值(分别为1m/s，5m/s，5m/s)，交通流密度较小，此时交通运行状态良好，可以定义为自由流。
步骤4，用相关系数法分别计算各类道路使用者的数据和道路占用率与交通拥堵级别之间的相关性。
本实施例用Spearman皮尔逊相关系数法分别计算道路占用率、汽车速度、自行车速度、摩托车速度、行人速度与步骤3所得的交通拥堵级别的相关性，相关性
其中，dj＝xj-yj，xj为在统计时段内的数据集合组成的数组，数据为道路占用率或行人速度或自行车速度或摩托车汽车速度，yj表示交通拥堵级别，自由流、一般拥堵和严重拥堵分别用2、1、0表示，n表示xj或yj的数据量。
步骤5，建立三层BP神经网络模型，从步骤4的结果提取相关性最高的三个特征作为BP神经网络的输入参数，本实施例中为汽车速度、行人速度和道路占用率，选取函数作为BP神经网络模型的激活函数，其中e约等于2.718281828，m为输入参数(汽车速度、行人速度或交通道路占用率)与其权重(随机量)的加权和，S(m)表示BP神经网络中的神经元的输出。
本实施例对该模型进行训练，计算得出样本交通拥堵级别，将步骤3所得的交通拥堵级别与样本交通拥堵级别进行对比得到本方法的交通拥堵识别率。经过步骤4的计算摩托车与交通拥堵级别之间的相关性最低，因此本实施例对本方法进行验证时候将摩托车的因素剔除进行。
本实施例选取了训练和测试样本，测试本方法对于交通拥堵的识别率。得出识别率结果(图5)，图6和图7分别表示在两个数据集上进行200次测试的准确率分布图，图6为随机选取训练数据集和测试数据集，并对两组实验数据合并记录的情况下BP神经网络准确率随迭代次数的变化情况，图7为在两组实验数据中选取其中一组数据为训练数据集，另一组数据为预测数据集，并且对两组数据分别记录时BP神经网络准确率随迭代次数的变化情况；图8表示模型在迭代中的误差变化图。从结果中可以看出，本实施例所述方法在保持效率的前提下，能够达到90％以上的交通拥堵的识别率，为混合交通模式下的拥堵检测识别提供了参考。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种校园交通的拥堵识别方法，其特征在于，包括如下步骤：
步骤1，获取混合交通模式下各类道路使用者的数据；
步骤2，根据步骤1所获取数据计算交通道路占用率；
步骤3，依据所述道路占用率结合所述各类道路使用者的数据划分交通拥堵级别，包括自由流，一般拥堵和严重拥堵；
步骤4，用相关系数法分别计算所述各类道路使用者的数据和所述道路占用率与所述交通拥堵级别之间的相关性；
步骤5，对所述步骤4的结果进行验证，建立的BP神经网络模型，从所述步骤4的结果提取相关性最高的数个特征作为BP神经网络的输入参数，对该模型进行训练，计算得出样本交通拥堵级别，将步骤3所得的所述交通拥堵级别与所述样本交通拥堵级别进行对比得到本方法的交通拥堵识别率。
2.根据权利要求1所述的一种校园交通的拥堵识别方法，其特征在于：所述各类道路使用者的数据是对视频资料进行数据统计得出的。
3.根据权利要求1所述的一种校园交通的拥堵识别方法，其特征在于：所述各类道路使用者的数据包括行人、自行车、摩托车和汽车的数量、速度和占用道路面积。
4.根据权利要求1所述的一种校园交通的拥堵识别方法，其特征在于：所述道路占用率包括：设定i＝1，2，3，4分别行人、自行车、摩托车和汽车各类道路使用者包括，Ni表示行人、自行车、摩托车和汽车的数量，Sr表示所选取实验路段的面积，Si表示行人、自行车、摩托车和汽车的单个道路使用者所占用的道路面积。
5.根据权利要求1所述的一种校园交通的拥堵识别方法，其特征在于，所述步骤3是指依据所述道路占用率结合汽车、自行车和行人的速度对交通拥堵情况进行评价并得出交通拥堵级别，具体方法为：当道路占用率比平均道路占用率的提高率高于90％，汽车速度比汽车平均速度降低率高于50％，摩托车速度较摩托车平均速度降低率高于20％，自行车速度比自行车平均速度降低率高于10％，行人速度比行人平均速度降低率高于15％，则评价交通拥堵级别为严重拥堵；
当道路占用率比平均道路占用率提高40％-90％，汽车速度比汽车平均速度降低20％-50％，摩托车速度比摩托车平均速度下降5％-10％；自行车速度比自行车平均速度降低5％-10％，行人速度比行人平均速度降低5％-15％，则评价交通拥堵级别为一般拥堵；
当道路占用率在平均道路占用率30％以下，汽车速度在汽车平均速度的负10％以上，摩托车速度在摩托车平均速度负5％以上；自行车在自行车平均速度的负5％以上，行人速度在行人平均速度的负5％以上，则评价交通拥堵级别为自由流。
6.根据权利要求5所述的一种校园交通的拥堵识别方法，其特征在于：平均道路占用率是指在实验路段特定时间段内的道路占用率平均值；汽车平均速度是指在实验路段特定时间段内的汽车速度平均值；摩托车平均速度是指在实验路段特定时间段内的摩托车速度平均值；自行车平均速度是指在实验路段特定时间段内的自行车速度平均值；行人平均速度是指在实验路段特定时间段内的行人速度平均值。
7.根据权利要求1所述的一种校园交通的拥堵识别方法，其特征在于：所述步骤4是用Spearman皮尔逊相关系数法分别计算道路占用率、汽车速度、摩托车速度、自行车速度、行人速度与所述步骤3所得的交通拥堵级别的相关性，所述相关性其中，dj＝xj-yj，xj为在统计时段内的数据集合组成的数组，所述数据为道路占用率或行人速度或自行车速度或摩托车速度或汽车速度，yj表示交通拥堵级别，自由流、一般拥堵和严重拥堵分别用2、1、0表示，n表示xj或yj的数据量。
8.根据权利要求1所述的一种校园交通的拥堵识别方法，其特征在于：所述BP神经网络模型为三层BP神经网络模型，从所述步骤4的结果提取相关性最高的三个特征作为BP神经网络的输入参数。
9.根据权利要求8所述的一种校园交通的拥堵识别方法，其特征在于：选取函数作为所述BP神经网络模型的激活函数；m为输入参数，表示汽车速度、行人速度或交通道路占用率与其权重的加权和，所述权重为随机量；S(m)为BP神经网络神经元输出，表示所述样本交通拥堵级别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510650627.6A CN105279966B (zh) | 2015-10-09 | 2015-10-09 | 一种校园交通的拥堵识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510650627.6A CN105279966B (zh) | 2015-10-09 | 2015-10-09 | 一种校园交通的拥堵识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105279966A CN105279966A (zh) | 2016-01-27 |
| CN105279966B true CN105279966B (zh) | 2018-03-13 |
Family
ID=55148895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510650627.6A Expired - Fee Related CN105279966B (zh) | 2015-10-09 | 2015-10-09 | 一种校园交通的拥堵识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105279966B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106097726A (zh) * | 2016-08-23 | 2016-11-09 | 苏州科达科技股份有限公司 | 检测区域的确定、交通信息检测方法及装置 |
| CN106373397B (zh) * | 2016-09-28 | 2018-10-02 | 哈尔滨工业大学 | 基于模糊神经网络的遥感图像道路通行情况分析方法 |
| CN106997669B (zh) * | 2017-05-31 | 2020-06-09 | 青岛大学 | 一种基于特征重要性的判断交通拥堵成因的方法 |
| CN107274670B (zh) * | 2017-07-06 | 2020-11-13 | 盐城工学院 | 校园交通评估方法及装置 |
| CN107832890A (zh) * | 2017-11-15 | 2018-03-23 | 浙江大华技术股份有限公司 | 一种拥堵预测方法和装置 |
| CN109243174B (zh) * | 2018-09-05 | 2021-11-19 | 昆明理工大学 | 一种基于空间感知的混合自行车交通波计算方法 |
| CN109841060A (zh) * | 2019-01-23 | 2019-06-04 | 桂林电子科技大学 | 一种基于线性回归的道路拥堵判断装置及判断方法 |
| CN111561942A (zh) * | 2019-02-13 | 2020-08-21 | 阿里巴巴集团控股有限公司 | 一种导航路线的确定方法及装置 |
| CN111613049B (zh) * | 2019-02-26 | 2022-07-12 | 北京嘀嘀无限科技发展有限公司 | 一种道路状态监测方法以及装置 |
| CN110111563A (zh) * | 2019-04-08 | 2019-08-09 | 东南大学 | 一种城市快速路的实时交通状态估计方法 |
| CN110111573B (zh) * | 2019-05-15 | 2020-09-08 | 辽宁工业大学 | 一种基于物联网的拥堵车辆综合调度方法 |
| CN110738853B (zh) * | 2019-10-25 | 2020-10-09 | 北京航空航天大学 | 一种基于复杂网络相关性的关键节点识别方法 |
| CN115795083B (zh) * | 2022-11-17 | 2024-01-05 | 北京百度网讯科技有限公司 | 确定道路设施完备性的方法、装置、电子设备和介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9489838B2 (en) * | 2014-03-11 | 2016-11-08 | Here Global B.V. | Probabilistic road system reporting |
| CN104778832B (zh) * | 2015-04-24 | 2017-07-28 | 东南大学 | 一种多方式的城市道路横断面资源协调配置方法 |
| CN104851293B (zh) * | 2015-05-18 | 2017-03-29 | 安徽科力信息产业有限责任公司 | 一种基于地点车速的路段交通拥堵指数评价方法 |
-
2015
- 2015-10-09 CN CN201510650627.6A patent/CN105279966B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105279966A (zh) | 2016-01-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105279966B (zh) | 一种校园交通的拥堵识别方法 | |
| CN104077613B (zh) | 一种基于级联多级卷积神经网络的人群密度估计方法 | |
| CN110163439A (zh) | 一种基于注意力机制的城市规模出租车轨迹预测方法 | |
| CN106650913B (zh) | 一种基于深度卷积神经网络的车流密度估计方法 | |
| CN105046956B (zh) | 一种基于转向系数的交通流模拟及预测方法 | |
| CN106710215B (zh) | 瓶颈上游车道级交通状态预测系统及实现方法 | |
| CN101751438B (zh) | 自适应语义驱动的主题网页过滤系统 | |
| CN109840612A (zh) | 用户驾驶行为分析方法及系统 | |
| CN107967451A (zh) | 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法 | |
| CN108629978A (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
| Zhu et al. | Cycling comfort evaluation with instrumented probe bicycle | |
| CN109598943A (zh) | 车辆违章的监控方法、装置及系统 | |
| CN108710719A (zh) | 基于冲突区侵占度的交叉口内部冲突消解仿真模拟方法 | |
| CN109658694A (zh) | 一种卷积神经网络高危车辆交通流预测方法和系统 | |
| CN106777169A (zh) | 一种基于车联网数据的用户出行喜好分析方法 | |
| CN107315998A (zh) | 基于车道线的车辆种类划分方法和系统 | |
| CN106960189A (zh) | 一种基于隐含马尔可夫模型的驾驶意图判定方法 | |
| Radhakrishnan et al. | Discharge headway model for heterogeneous traffic conditions | |
| CN106370198A (zh) | 一种考虑出行异质性的路径选择方法 | |
| CN115662113A (zh) | 一种信号交叉口人车博弈冲突风险评估与预警方法 | |
| Ibrahim et al. | CyclingNet: Detecting cycling near misses from video streams in complex urban scenes with deep learning | |
| CN113643542A (zh) | 基于集成学习的多车交互环境下车辆轨迹预测方法及系统 | |
| Kashifi | Investigating two-wheelers risk factors for severe crashes using an interpretable machine learning approach and SHAP analysis | |
| CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
| Li et al. | Driver behavior modelling at the urban intersection via canonical correlation analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180313 Termination date: 20191009 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |