CN106257503A - 一种互联网用电体相似用户识别方法 - Google Patents
一种互联网用电体相似用户识别方法 Download PDFInfo
- Publication number
- CN106257503A CN106257503A CN201610593648.3A CN201610593648A CN106257503A CN 106257503 A CN106257503 A CN 106257503A CN 201610593648 A CN201610593648 A CN 201610593648A CN 106257503 A CN106257503 A CN 106257503A
- Authority
- CN
- China
- Prior art keywords
- user
- internet
- similarity
- electricity
- users
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000005611 electricity Effects 0.000 claims abstract description 121
- 239000013598 vector Substances 0.000 claims abstract description 20
- 239000000284 extract Substances 0.000 claims abstract description 8
- 230000004044 response Effects 0.000 claims description 13
- 230000003542 behavioural effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000000205 computational method Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 34
- 238000004458 analytical method Methods 0.000 description 5
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 230000010354 integration Effects 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种互联网用电体相似用户识别方法,互联网售电体为每个用户建立用户信息数据库;从用户中选择样本用户,计算样本用户和售电体中所有用户的属性相似度,提取超出相似度阈值Y的用户,建立新用户群A;计算样本用户和新用户群A中各用户的日均负荷曲线、样本用户和新用户群A中每个用户日均负荷曲线相似度,然后提取新用户群A中超出负荷曲线相似度阈值Z的用户,建立新用户群B;构建所有用户用电行为的特征向量,计算样本用户与新用户群B中各用户的互联网用电行为相似度;对样本用户和B中各用户属性相似度、负荷曲线相似度和互联网用电行为相似度加权求和,超过阈值X的用户,为与样本用户相似的用户。
Description
技术领域
本发明涉及一种互联网售电体相似用户识别方法,属于能源互联网技术领域。
背景技术
随着国家能源互联网战略及电力体制改革政策的不断推进,电力市场化改革方向日渐明晰。未来的市场将实现售电主体多元化,以自由竞争为核心,实现电能资源有效供给和高效配置,促进以多元主体互动为核心的新型产业链结构的形成于发展。作为市场核心主体的售电公司,其商业模式的载体是互联网,将电力作为商品,不仅要借鉴传统电子商务和互联网增值服务模式,还要在互联网环境下形成电力营销的特色。
电力作为商品,其难以存储特性决定了其营销受发电、配电等多个环节制约,其目的不仅仅是要将电销售出去,更为重要的是作为负荷均衡的调节手段,支撑电网综合增效的提升,使得互联网电力营销不同于传统快消品的电子商务模式。传统电力营销收体制影响,一方面被动适应负荷需求,另一方面市场竞争的缺失,使其难以为用户提供个性化的供电服务。在互联网环境下,多售电体形成竞争关系,需要充分分析用户的社会属性、用电行为和互联网行为,以便为用户提供更为适宜的供电服务,也通过对用户的精准分析,制定供电策略。为了实现电力精准营销和优化营销,需要对互联网用电用户进行分类,并通过寻找形似用户的方式,精准预测或者推荐优化电力套餐。目前电力营销对用户的识别,多是基于用户社会属性进行定性分类,忽略对用电行为的精准分析,尤其是缺少对用户互联网行为及其对用电的影响做深入分析。
因此,售电体如何在互联网环境下通过分析用户行为寻找和识别相似用户,进而形成个性化用电服务和售电侧能效有效优化,是一个急需解决的技术问题。
发明内容
本本发明的目的是提供一种互联网售电体相似用户识别方法,能根据用户属性、用电行为和互联网行为综合分析两个用户的相似度,从而为用户提供精准用电业务推荐,而且帮助售电体充分掌握用户的用电规律,制定有效的需求侧响应策略。
本发明的目的是以下述方式实现的:
一种互联网用电体相似用户识别方法,包括以下步骤:
(1)互联网售电体为每个用户建立包含用户属性信息的用户信息数据库,所述用户属性信息包括用户人口、住房面积、房屋市场均价、加热类型、历史用电负荷、用户互联网用电行为;
(2)从用户中选择样本用户,并计算样本用户和其余售电体中所有用户的属性相似度,提取超出预先设定的属性相似度阈值Y的用户,建立新的用户群A;
(3)计算样本用户和新用户群A中的各个用户的日均负荷曲线,并分别计算样本用户和新用户群A中每个用户的日均负荷曲线相似度,然后提取新用户群A中超出预先设定的负荷曲线相似度阈值Z的用户,建立新用户群B;
(4)构建互联网售电体所有用户的互联网用电行为的特征向量,然后分别计算样本用户与新用户群B中各用户的互联网用电行为相似度;
(5) 对样本用户和新用户群B中各用户的属性相似度、负荷曲线相似度和互联网用电行为相似度进行加权求和,超过预先设置的互联网售电体设定的阈值X的用户,为与样本用户相似的用户。
所述(2)中计算属性相似度的方法为:
对互联网售电体中各用户的用户属性设定分类表;
将互联网售电体中各用户的所有属性分别映射到用户属性分类表中,如果两个用户的各属性映射到用户属性分类表的同一位置则认为该属性相似度为1,否则为0;
根据售电体预先设定的各属性的权重W1,加权计算各用户属性相似度S1(i,j);
其中,W1表示各属性的权重向量,S1(i,j)表示样本i和用户j的属性相似度。
所述(4)中用电行为的特征向量中的元素包括互联网售电平台应用业务类型、用电报告阅读状态、需求响应情况、用户信用。
所述(3)中,计算日均负荷曲线相似度的方法为:分别取新用户A中各用户的日负荷曲线中各小时的平均负荷,组成负荷向量Lj,获取样本用户i的日负荷曲线中各小时的平均负荷,组成负荷向量Li,负荷相似度为:
其中,n∈[1,24],表示24个小时。
所述(4)中互联网行为相似度的计算方法为:
设定互联网售电体的用户互联网行为要素分类表;
从用户信息数据库中获取各用户互联网用电行为,所述用户互联网用电行为包括互联网售电平台应用业务类型、用电报告阅读状态、需求响应情况、用户信用等级;所述互联网售电平台应用业务类型为用户通过售电平台订购的增值服务类型,用电报告阅读状态为用户查询用电详情的频,需求响应情况为用户峰谷用电量差值;
将样本用户i与用户j的互联网售电平台应用业务类型、用电报告阅读状态、需求响应情况、用户信用等级分别映射到用户互联网行为要素分类表中,如果样本用户i与用户j映射到用户互联网行为要素分类表的同一位置则认为该要素相似度为1,否则为0;
根据互联网售电体预先设定的用户互联网行为要素分类表中各要素相似度权重W2,加权计算用户互联网用电行为相似度S3(i,j)。
所述(5)中,根据售电体设定的各要素相似度权重W3,用户i与用户j的相似度为
。
本发明通过用户属性、用电行为、互联网用电行为三个维度逐级递进地分析用户相似性,尤其考虑了互联网售电环境下用户行为对用电的影响。对用户而言可以通过售电体发布的相似用户用电情况,来对比和优化用电模式;对售电体而言可以向用户精准推荐用电套餐和用电增值业务,更进一步的通过影响用户的互联网行为综合控制电力资源在时间和空间上的配置。
附图说明
图1为本发明的分析流程图。
具体实施方式
本发明提供一种互联网用电体相似用户识别方法,包括以下步骤:
STP1:互联网售电体为每个用户建立包含用户属性信息的用户信息数据库,所述用户属性信息包括用户人口、住房面积、房屋市场均价、加热类型、历史用电负荷、用户互联网用电行为;即首先要建立与用户用电有关的所有行为的信息数据库。
STP2:从用户中选择样本用户i,并计算样本用户和其余售电体中所有用户的属性相似度,提取超出预先设定的属性相似度阈值Y的用户,建立新的用户群A。
具体来说,首先对互联网售电体中各用户的用户属性预先设定分类表,例如对人口、住房面积、房屋市场均价、加热类型等用户属性设定分类表;其次将互联网售电体中各用户的所有属性分别映射到用户属性分类表中,如果两个用户的各属性映射到用户属性分类表的同一位置则认为该属性相似度为1,否则为0;根据售电体预先设定的各属性的权重W1,加权计算各用户属性相似度S1(i,j);其中,W1表示各属性的权重向量,S1(i,j)表示样本i和用户j的属性相似度。
例如,假设形成的属性相似度向量为[1,0,1,1],而根据售电体预先设定的各属性权重向量W1=[0.25,0.25,0.25,0.25],那么加权计算用户属性相似度为
假如预先设定的设用户属性相似度阈值Y=0.7,则将所有与样本用户i相似度超过0.7的用户则划入新的用户群A。
STP3:计算样本用户和新用户群A中的各个用户的日负荷曲线,并分别计算样本用户和新用户群A中每个用户的日负荷曲线相似度,然后提取新用户群A中超出预先设定的负荷曲线相似度阈值Z的用户,建立新用户群B。
而计算日负荷曲线相似度的方法为:分别获取新用户A中各用户的日负荷曲线中各小时的平均负荷,组成负荷向量Lj,获取样本用户i的日均负荷曲线中各小时的平均负荷,组成负荷向量Li,负荷相似度为:
其中,n∈[1,24],表示24个小时。
例如,假设
Li=[2,3,4,5,4,6,4,7,5,6,4,3,5,9,5,6,4,3,7,2,1,3,2,1];
Lj=[1,2,4,5,4,6,4,7,8,2,4,3,5,6,5,7,4,3,6,2,1,2,2,1];
则计算负荷相似度:
设用户负荷相似度阈值为0.8,则在用户群A中所有与用户i相似度超过0.8的用户则划入新的用户群B。
STP4:构建互联网售电体所有用户的互联网用电行为的特征向量,然后分别计算样本用户与新用户群B中各用户的互联网用电行为相似度。
具体来说,首先建立用户互联网用电行为特征向量,其内部的元素包括:互联网售电平台应用业务类型、用电报告阅读状态、需求响应情况、用户信用等,该向量为互联网售电体的用户互联网行为的要素分类表。
从用户信息数据库中获取各用户互联网用电行为,用户互联网用电行为包括互联网售电平台应用业务类型、用电报告阅读状态、需求响应情况、用户信用等级;所述互联网售电平台应用业务类型为用户通过售电平台订购的增值服务类型,用电报告阅读状态为用户查询用电详情的频,需求响应情况为用户峰谷用电量差值。
将样本用户i与用户j的互联网售电平台应用业务类型、用电报告阅读状态、需求响应情况、用户信用等级分别映射到用户互联网行为要素分类表中,如果样本用户i与用户j映射到用户互联网行为要素分类表的同一位置则认为该要素相似度为1,否则为0;
根据互联网售电体预先设定的用户互联网行为要素分类表中各要素相似度权重W2,加权计算用户互联网用电行为相似度S3(i,j)。
假设形成的互联网行为相似度向量为[0,0,1,1],再根据售电体设定的各属性权重W2=[0.3,0.1,0.2,0.4],加权计算用户互联网行为相似度
。
STP5:对样本用户和新用户群B中各用户的属性相似度、负荷曲线相似度和互联网用电行为相似度进行加权求和,超过预先设置的互联网售电体设定的阈值X的用户,为与样本用户相似的用户。
即根据售电体设定的各要素相似度权重W3,用户i与用户j的相似度为
。
例如根据售电体设定的各要素相似度权重W2=[0.2,0.4,0.4],样本用户i与用户j的相似度为
假设售电体设定相似度阈值X为0.7,者在用户群B中所有与样本用户相似度超0过0.7的用户均为样本用户的相似用户。
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的技术人员来说,在不脱离本发明整体构思前提下,还可以作出若干改变和改进,这些也应该视为本发明的保护范围。
Claims (6)
1.一种互联网用电体相似用户识别方法,其特征在于,包括以下步骤:
(1)互联网售电体为每个用户建立包含用户属性信息的用户信息数据库,所述用户属性信息包括用户人口、住房面积、房屋市场均价、加热类型、历史用电负荷、用户互联网用电行为;
(2)从用户中选择样本用户,并计算样本用户和其余售电体中所有用户的属性相似度,提取超出预先设定的属性相似度阈值Y的用户,建立新的用户群A;
(3)计算样本用户和新用户群A中的各个用户的日均负荷曲线,并分别计算样本用户和新用户群A中每个用户的日均负荷曲线相似度,然后提取新用户群A中超出预先设定的负荷曲线相似度阈值Z的用户,建立新用户群B;
(4)构建互联网售电体所有用户的互联网用电行为的特征向量,然后分别计算样本用户与新用户群B中各用户的互联网用电行为相似度;
(5) 对样本用户和新用户群B中各用户的属性相似度、负荷曲线相似度和互联网用电行为相似度进行加权求和,超过预先设置的互联网售电体设定的阈值X的用户,为与样本用户相似的用户。
2.根据权利要求1所述的一种互联网用电体相似用户识别方法,其特征在于:所述(2)中计算属性相似度的方法为:
对互联网售电体中各用户的用户属性设定分类表;
将互联网售电体中各用户的所有属性分别映射到用户属性分类表中,如果两个用户的各属性映射到用户属性分类表的同一位置则认为该属性相似度为1,否则为0;
根据售电体预先设定的各属性的权重W1,加权计算各用户属性相似度S1(i,j);
其中,W1表示各属性的权重向量,S1(i,j)表示样本i和用户j的属性相似度。
3.根据权利要求1所述的一种互联网用电体相似用户识别方法,其特征在于:所述(4)中用电行为的特征向量中的元素包括互联网售电平台应用业务类型、用电报告阅读状态、需求响应情况、用户信用。
4.根据权利要求1所述的一种互联网用电体相似用户识别方法,其特征在于:所述(3)中,计算日均负荷曲线相似度的方法为:分别取新用户A中各用户的日负荷曲线中各小时的平均负荷,组成负荷向量Lj,获取样本用户i的日负荷曲线中各小时的平均负荷,组成负荷向量Li,负荷相似度为:
QUOTE
其中,n∈[1,24],表示24个小时。
5.根据权利要求1所述的一种互联网用电体相似用户识别方法,其特征在于:所述(4)中互联网行为相似度的计算方法为:
设定互联网售电体的用户互联网行为要素分类表;
从用户信息数据库中获取各用户互联网用电行为,所述用户互联网用电行为包括互联网售电平台应用业务类型、用电报告阅读状态、需求响应情况、用户信用等级;所述互联网售电平台应用业务类型为用户通过售电平台订购的增值服务类型,用电报告阅读状态为用户查询用电详情的频,需求响应情况为用户峰谷用电量差值;
将样本用户i与用户j的互联网售电平台应用业务类型、用电报告阅读状态、需求响应情况、用户信用等级分别映射到用户互联网行为要素分类表中,如果样本用户i与用户j映射到用户互联网行为要素分类表的同一位置则认为该要素相似度为1,否则为0;
根据互联网售电体预先设定的用户互联网行为要素分类表中各要素相似度权重W2,加权计算用户互联网用电行为相似度S3(i,j)。
6.根据权利要求1所述的一种互联网用电体相似用户识别方法,其特征在于:
所述(5)中,根据售电体设定的各要素相似度权重W3,用户i与用户j的相似度为
QUOTE 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610593648.3A CN106257503A (zh) | 2016-07-26 | 2016-07-26 | 一种互联网用电体相似用户识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610593648.3A CN106257503A (zh) | 2016-07-26 | 2016-07-26 | 一种互联网用电体相似用户识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106257503A true CN106257503A (zh) | 2016-12-28 |
Family
ID=57713744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610593648.3A Pending CN106257503A (zh) | 2016-07-26 | 2016-07-26 | 一种互联网用电体相似用户识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106257503A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845874A (zh) * | 2017-03-16 | 2017-06-13 | 北京中电普华信息技术有限公司 | 一种关联度计算方法及装置 |
CN107862558A (zh) * | 2017-12-11 | 2018-03-30 | 中国南方航空股份有限公司 | 自助式用户群扩展方法 |
CN108363721A (zh) * | 2018-01-03 | 2018-08-03 | 国网信通亿力科技有限责任公司 | 一种用户信息检索系统 |
CN110046303A (zh) * | 2019-04-09 | 2019-07-23 | 有光创新(北京)信息技术有限公司 | 一种基于需求匹配平台实现的信息推荐方法及装置 |
CN110766516A (zh) * | 2019-09-26 | 2020-02-07 | 武汉大学 | 一种基于电力需求响应的电能实时交易平台构建方法 |
CN113743637A (zh) * | 2020-05-29 | 2021-12-03 | 青岛海尔电冰箱有限公司 | 基于协同过滤的煤气浓度预测方法、设备及冰箱 |
-
2016
- 2016-07-26 CN CN201610593648.3A patent/CN106257503A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845874A (zh) * | 2017-03-16 | 2017-06-13 | 北京中电普华信息技术有限公司 | 一种关联度计算方法及装置 |
CN106845874B (zh) * | 2017-03-16 | 2020-09-08 | 北京中电普华信息技术有限公司 | 一种关联度计算方法及装置 |
CN107862558A (zh) * | 2017-12-11 | 2018-03-30 | 中国南方航空股份有限公司 | 自助式用户群扩展方法 |
CN108363721A (zh) * | 2018-01-03 | 2018-08-03 | 国网信通亿力科技有限责任公司 | 一种用户信息检索系统 |
CN108363721B (zh) * | 2018-01-03 | 2020-08-25 | 国网信通亿力科技有限责任公司 | 一种基于数据挖掘的电力用户信息检索系统 |
CN110046303A (zh) * | 2019-04-09 | 2019-07-23 | 有光创新(北京)信息技术有限公司 | 一种基于需求匹配平台实现的信息推荐方法及装置 |
CN110766516A (zh) * | 2019-09-26 | 2020-02-07 | 武汉大学 | 一种基于电力需求响应的电能实时交易平台构建方法 |
CN113743637A (zh) * | 2020-05-29 | 2021-12-03 | 青岛海尔电冰箱有限公司 | 基于协同过滤的煤气浓度预测方法、设备及冰箱 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106257503A (zh) | 一种互联网用电体相似用户识别方法 | |
Keshavarz Ghorabaee et al. | Assessment of third-party logistics providers using a CRITIC–WASPAS approach with interval type-2 fuzzy sets | |
Tavassoli et al. | Predicting group membership of sustainable suppliers via data envelopment analysis and discriminant analysis | |
CN105205701A (zh) | 一种网络动态定价方法和系统 | |
Lv et al. | An effective fruit fly optimization algorithm with hybrid information exchange and its applications | |
CN106204162A (zh) | 一种互联网环境下新入网电力用户用电模式预测方法 | |
CN111489065A (zh) | 融合ict供应链网络拓扑和产品商业信息的节点风险评估 | |
CN107180362A (zh) | 基于深度学习的零售商品销售预测方法 | |
Jain et al. | Prioritization of supplier selection criteria: A fuzzy-AHP approach | |
CN109087138A (zh) | 数据处理方法及系统、计算机系统和可读存储介质 | |
CN113781139A (zh) | 物品推荐方法、物品推荐装置、设备和介质 | |
Mazurkiewicz et al. | System of a complex assessment of technological innovative solutions | |
Khodadadzadeh et al. | A state-of-art review on supplier selection problem | |
CN109426983A (zh) | 闪购活动自动生成方法及装置、存储介质、电子设备 | |
Cao | A Novel Optimal Selection Algorithm for Agricultural Trade Export in Blockchain‐Enabled Internet of Things | |
Xia et al. | The research of online shopping customer churn prediction based on integrated learning | |
CN106204161A (zh) | 一种互联网环境下电力用户群体分析方法 | |
Hong | LSTM-based sales forecasting model. | |
CN110751513A (zh) | 一种智能运营平台的数据处理方法和装置 | |
CN104751234A (zh) | 一种用户资产的预测方法及装置 | |
Roszkowska | Application the TOPSIS methods for ordering offers in buyer-seller transaction | |
CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 | |
Caglayan et al. | Sales forecasting by artificial neural networks for the apparel retail chain stores-An application | |
Qiao et al. | A supplier evaluation based on the closeness degree of triangular fuzzy number research | |
Yin et al. | Effect of magnitude differences in the raw data on price forecasting using rbf neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161228 |