CN106649651B - 一种基于出租车轨迹数据的交通出行共现现象的可视化分析方法 - Google Patents

一种基于出租车轨迹数据的交通出行共现现象的可视化分析方法 Download PDF

Info

Publication number
CN106649651B
CN106649651B CN201611137603.1A CN201611137603A CN106649651B CN 106649651 B CN106649651 B CN 106649651B CN 201611137603 A CN201611137603 A CN 201611137603A CN 106649651 B CN106649651 B CN 106649651B
Authority
CN
China
Prior art keywords
data
occurrence
region
decimal
convert
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
Application number
CN201611137603.1A
Other languages
English (en)
Other versions
CN106649651A (zh
Inventor
孔祥杰
李梦琳
杨卓
夏锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201611137603.1A priority Critical patent/CN106649651B/zh
Publication of CN106649651A publication Critical patent/CN106649651A/zh
Application granted granted Critical
Publication of CN106649651B publication Critical patent/CN106649651B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/904—Browsing; Visualisation therefor
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Computational Linguistics (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于出租车轨迹数据的交通出行共现现象的可视化分析方法，该方法经过基本的数据预处理之后，对数据进行区域划分和时间划分将车辆映射到不同的车辆群中，之后将数据建模在图结构中，提取出共现事件数据，基于数据特点和设计原理探讨分析任务，提出可视化设计流程，将多种可视化方法结合，实现了包含三个视图的可视化设计方案，为共现现象分析提供一种简明清晰的表现形式，基于上海出租车轨迹数据集的实例分析验证我们的可视化设计可以从多角度多层次进行共现现象的直观分析。

Description

一种基于出租车轨迹数据的交通出行共现现象的可视化分析 方法
技术领域
本发明涉及交通数据可视化领域，尤其涉及一种基于出租车轨迹数据的交通出行共现现象的可视化分析方法。
背景技术
城市中人类移动规律中的共现现象是指来自两个区域的人们在同一个时间段内访问同一个城市区域。分析共现现象在社会和商业方面有极大的应用价值，如行人出行建议、交通规划、传染病预防、商业活动和信息传播。随着车载GPS设备的广泛普及，大量追踪人类移动轨迹的数据可以被获取到。数据驱动分析的新机会油然而生。由于缺少系统高效的方法，人们在有效分析复杂数据方面面临巨大困难。而数据可视化将人类的能力和直观的可视化界面相结合，可以显著降低数据分析难度。
发明内容
本发明的目的是利用新型的可视化方法进行基于网页的交互式分析，降低数据分析的复杂度，致力于提供简单清晰的视觉表达，深入挖掘车辆行车轨迹中隐藏的共现现象。在本发明中使用包含多种可视化形式的多个视图结合来进行基于空间环境、区域和时间的共现现象探索。该可视化设计是首次基于车辆行车轨迹数据的专门化的一组可视化设计，来深入挖掘人类移动规律中的共现现象。基于真实数据集的实例分析证明了该可视化设计在分析共现方面的有效性和实效性，验证了本发明可以为挖掘人类移动规律和分析车辆行车轨迹数据提供有效信息。
一种基于出租车轨迹数据的交通出行共现现象的可视化分析方法，其包括以下步骤：
S1：对出租车轨迹数据进行预处理
S2：对S1所述出租车轨迹数据进行车辆映射
S3：从S2所述进行车辆映射后的出租车数据中提取出共现事件数据
S4：对S3所述共现事件数据进行可视化展示
其中S1具体包括：出租车轨迹数据的清洗，包括清除错误、异常值和冲突值；出租车轨迹数据的匹配，包括将记录的离散的点与路网匹配。
其中S2包括如下步骤：
S2.1：区域划分，研究区域定位为：纬度在31.105到31.425之间，经度在121.185到121.865之间，之后将整个研究区域划分成规则的矩形，每个小区域的大小为经纬度0.02*0.02，将经纬度分别为lat，lng的位置计算后划分到相应区域并计算其区域编号，计算公式如下：
Location＝(floor((CONVERT(decimal(7，3)，lng)-121.185)*50)
+floor((CONVERT(decimal(7，3)，lat)-31.105)*50)*34)
其中decimal(7，3)函数定义了数据的精度为7位有效数字小数点前3位数字，CONVERT(decimal(7，3)，lng)函数为将数据集中的经度信息转换成一共7位有效数字小数点前3位数字的数字格式，floor()函数为对括号内的数字向下取整，以使得到的区域编号均为整数；
S2.2：时间划分，将全天划分成24个均匀的时间间隔，每个时间间隔为1小时，首先利用转换函数convert(datetime，starttime，120)将行车开始时间starttime转换成标准时间格式，然后利用datepart()函数得到时间的hour部分，计算公式如下：
Time＝datepart([hour]，convert(datetime，starttime，120))
其中S3包括如下步骤：
S3.1：在图结构G＝(V，E)对共现进行建模：区域作为点，共现事件作为边；
S3.2：构建一系列子图，每个子图代表一个时间间隔，在每个子图中，当且仅当两个点之间发生共现是才会在这两点和共现发生的区域之间添加一条边，对于每条边，会添加一条权向量，表示参与共现的区域的行车数；
S3.3：对所有子图的数据在共现事件的地点和时间间隔上聚集形成完整共现图。
其中S4包括如下步骤：
S4.1：基于空间环境的探索，利用包含路径图热图密度图和地图的地图视图来显示S3.2和S3.3所生成的数据；
S4.2：基于区域的探索，利用包含扇形图(p，m，n)的区域视图来显示共现的区域特性，其中p表示与特定区域共现的区域，m表示该区域参与共现的行车数，n表示两个区域之间的距离；
S4.3：基于时间的探索，利用包含柱状图的流量视图来显示S3.2和S3.3所生成的数据中的共现事件数量；
其中S4.2中距离数据计算包括如下步骤：
S4.2.1：将区域编号转换成对应经纬度，定义区域内所有行车位置使用的都是该区域的左上角坐标，将行车的起始位置startP和终止位置endP转换成相应的坐标lat1，lng1，lat2，lng2，计算公式如下：
S4.2.2：行车起始位置lat1，lng1和终止位置lat2，lng2之间的实际距离计算公式如下：
Distance＝CONVERT(decimal(7，3)，(6730×acos(sin(lat1×PI()/180)
×sin(lat2×PI()/180)+cos(lat1×PI()/180)×cos(lat2
×PI()/180)×cos((lng1-lng2)×PI()/180))))
其中decimal()函数和CONVERT()函数同S2.1中释义，分别为定义数据精度和转换数据格式，在数据库SQL语句中PI()函数返回浮点型的π值。
本发明的方法经过基本的数据预处理之后，对数据进行区域划分和时间划分将车辆映射到不同的车辆群中，之后将数据建模在图结构中，提取出共现事件数据，基于数据特点和设计原理探讨分析任务，提出可视化设计流程，将多种可视化方法结合，实现了包含三个视图的可视化设计方案，为共现现象分析提供一种简明清晰的表现形式，基于上海出租车轨迹数据集的实例分析验证我们的可视化设计可以从多角度多层次进行共现现象的直观分析。
附图说明
图1为一种基于出租车轨迹数据探索城市交通出行规律中共现现象的可视化设计流程图。
图2为本发明的探索目的——共现的定义示意图。
图3为本发明基于的出租车轨迹数据的数据处理流程图。
图4为本发明实施案例利用上海市2015年4月的出租车轨迹数据中提取的全天共现事件数据得到的全局共现流入概览的地图视图效果图。
图5为本发明实施案例利用上海市2015年4月的出租车轨迹数据中提取的时间间隔共现事件数据得到的在早上7时全局共现数量的地图视图效果图。
图6为本发明在图4中选择虹桥机场所在区域后的虹桥机场共现事件流入的地图视图效果图。
图7为本发明实施案例利用上海市2015年4月的出租车轨迹数据中提取的全天共现事件数据得到的全局共现流入热度概览的热图效果图。
图8为本发明实施案例利用上海市2015年4月的出租车轨迹数据中提取的时间间隔共现事件数据得到的虹桥机场共现区域特性的区域视图效果图。
图9为本发明实施案例利用上海市2015年4月的出租车轨迹数据中提取的全天共现事件数据得到的全局共现数量的流量视图效果图。
具体实施方式
本发明实施例提供了一种基于出租车轨迹数据的交通出行共现现象的可视化分析方法，流程如图1所示，该设计包括以下步骤：
S1：对记录了上海市13310辆出租车在2015年4月20日全天的GPS数据生成的轨迹数据进行预处理。
其中GPS原始数据记录的属性如下表1所示。
编号 名称 注释
1 ID 轨迹编号
2 VEHICLEID 车辆编号
3 LONG GPS经度
4 LAT GPS纬度
5 RATE GPS速度
6 ANGLE GPS方位
7 DATE_TIME 日期时间
8 STATE 状态(1：载客，0：空载)
9 EXTENDSTAT
10 RESERVED
S2：对记录了上海市13310辆出租车在2015年4月20日全天的GPS数据生成的轨迹数据进行车辆映射，将车辆映射到相应的车辆群，步骤如下：
S2.1：区域划分，为了方便区域划分，在整个研究区域上选出规整的大矩形，根据使用的数据集基于的城市上海，将研究区域定位为：纬度在31.105到31.425之间，经度在121.185到121.865之间(参照OpenStreetMap中GPS标准)，之后将整个研究区域划分成规则的矩形，每个小区域的大小为经纬度0.02*0.02(考虑到现实生活中，一个工作区，一个商圈，或者一个大学的面积大小，我们将每个矩形定义为经纬度0.02*0.02，这在实际中约为长1000米宽800米的矩形)，将经纬度分别为lat，lng的位置计算后划分到相应区域并计算其区域编号，计算公式如下：
Location＝(floor((CONVERT(decimal(7，3)，lng)-121.185)*50)
+floor((CONVERT(decimal(7，3)，lat)-31.105)*50)*34)
其中decimal(7，3)函数定义了数据的精度为7位有效数字小数点前3位数字，CONVERT(decimal(7，3)，lng)函数为将数据集中的经度信息转换成一共7位有效数字小数点前3位数字的数字格式，floor()函数为对括号内的数字向下取整，以使得到的区域编号均为整数；
S2.2：时间划分，将全天划分成24个均匀的时间间隔，每个时间间隔为1小时，将轨迹数据转换为OD数据，保留一次轨迹的起点和终点，首先利用转换函数convert(datetime，starttime，120)将行车开始时间starttime转换成标准时间格式，然后利用datepart()函数得到时间的hour部分，计算公式如下：
Time＝datepart([hour]，convert(datetime，starttime，120))
经过区域划分和时间划分一次行车的时空属性信息就表示为区域编号和时间编号。
S3：从S2所述进行车辆映射后的车辆群数据中基于区域提取出共现事件数据，包括如下步骤：
S3.1：在图结构G＝(V，E)中对共现事件进行建模：区域作为点，共现事件作为边，共现的定义示意图如图2所示；
S3.2：构建一系列子图，每个子图代表一个时间间隔，在每个子图中，当且仅当两个点之间发生共现时才会在这两点和共现发生的区域之间添加一条边，对于每条边，会添加一条权向量，表示参与共现的区域的行车数；
S3.3：对所有子图的数据在共现事件的地点和时间间隔上聚集形成完整共现图；
至以上步骤，对数据的处理已经全部完成，数据处理流程如图3所示。
S4：对S3所述共现事件数据进行可视化展示，包括如下步骤：
S4.1：基于空间环境的探索，利用包含路径图热图密度图和地图的地图视图来显示S3.2和S3.3所生成的数据，地图视图按时间属性细化为总视图(如4所示)和时间片视图(如图5所示)，地图视图按区域类型划分为乘客流入图(如图6所示)和乘客流出图，乘客流出图的热度图如图7所示；
S4.2：基于区域的探索，利用包含扇形图(p，m，n)的区域视图来显示共现的区域特性，其中p表示与特定区域共现的区域，m表示该区域参与共现的行车数，n表示两个区域之间的距离，如图8所示；
S4.3：基于时间的探索，利用包含柱状图的流量视图来显示S3.2和S3.3所生成的数据中的共现事件数量，如图9所示；
其中S4.2中距离数据计算包括如下步骤：
S4.2.1：将区域编号转换成对应经纬度，定义区域内所有行车位置使用的都是该区域的左上角坐标，将行车的起始位置startP和终止位置endP转换成相应的坐标lat1，lng1，lat2，lng2，计算公式如下：
S4.2.2：行车起始位置lat1，lng1和终止位置lat2，lng2之间的实际距离计算公式如下：
Distance＝CONVERT(decimal(7，3)，(6730×acos(sin(lat1×PI()/180)
×sin(lat2×PI()/180)+cos(lat1×PI()/180)×cos(lat2
×PI()/180)×cos((lng1-lng2)×PI()/180))))
其中decimal()函数和CONVERT()函数同S2.1中释义，分别为定义数据精度和转换数据格式，在数据库SQL语句中P()函数返回浮点型的π值。

Claims (2)

1.一种基于出租车轨迹数据的交通出行共现现象的可视化分析方法，其特征在于以下步骤：
S1：对出租车轨迹数据进行预处理：出租车轨迹数据的清洗，包括清除错误、异常值和冲突值；出租车轨迹数据的匹配，包括将记录的离散的点与路网匹配；
S2：对S1所述出租车轨迹数据进行车辆映射，包括如下步骤：
S2.1：区域划分，研究区域定位为：纬度在31.105到31.425之间，经度在121.185到121.865之间，之后将整个研究区域划分成规则的矩形，每个小区域的大小为经纬度0.02*0.02，将经纬度分别为lat，lng的位置计算后划分到相应区域并计算其区域编号，计算公式如下：
Location＝(floor((CONVERT(decimal(7，3)，lng)-121.185)*50)+floor((CONVERT(decimal(7，3)，lat)-31.105)*50)*34)
其中decimal(7，3)函数定义了数据的精度为7位有效数字小数点前3位数字，CONVERT(decimal(7，3)，lng)函数为将数据集中的经度信息转换成一共7位有效数字小数点前3位数字的数字格式，floor()函数为对括号内的数字向下取整，以使得到的区域编号均为整数；
S2.2：时间划分，将全天划分成24个均匀的时间间隔，每个时间间隔为1小时，首先利用转换函数convert(datetime，starttime，120)将行车开始时间starttime转换成标准时间格式，然后利用datepart()函数得到时间的hour部分，计算公式如下：
Time＝datepart([hour]，convert(datetime，starttime，120))；
S3：从S2所述进行车辆映射后的出租车数据中提取出共现事件数据；包括如下步骤：
S3.1：在图结构G＝(V，E)对共现进行建模：区域作为点，共现事件作为边；
S3.2：构建一系列子图，每个子图代表一个时间间隔，在每个子图中，当且仅当两个点之间发生共现时， 才会在这两点和共现发生的区域之间添加一条边，对于每条边，会添加一条权向量，表示参与共现的区域的行车数；
S3.3：对所有子图的数据在共现事件的地点和时间间隔上聚集形成完整共现图；
S4：对S3所述共现事件数据进行可视化展示；包括如下步骤：
S4.1：基于空间环境的探索，利用包含路径图、热图、密度图和地图的地图视图来显示S3.2和S3.3所生成的数据；
S4.2：基于区域的探索，利用包含扇形图(p，m，n)的区域视图来显示共现的区域特性，其中p表示与特定区域共现的区域，m表示该区域参与共现的行车数，n表示两个区域之间的距离；
S4.3：基于时间的探索，利用包含柱状图的流量视图来显示S3.2和S3.3所生成的数据中的共现事件数量。
2.如权利要求1所述的基于出租车轨迹数据的交通出行共现现象的可视化分析方法，其特征在于所述步骤S4.2中距离数据计算包括如下步骤：
S4.2.1：将区域编号转换成对应经纬度，定义区域内所有行车位置使用的都是该区域的左上角坐标，将行车的起始位置startP和终止位置endP转换成相应的坐标lat1，lng1，lat2，lng2，计算公式如下：
S4.2.2：行车起始位置lat1，lng1和终止位置lat2，lng2之间的实际距离计算公式如下：
n＝CONVERT(decimal(7，3)，(6730×acos(sin(lat1×PI()/180)×sin(lat2×PI()/180)+cos(lat1×PI()/180)×cos(lat2×PI()/180)×cos((lng1-lng2)×PI()/180))))
其中decimal()函数和CONVERT()函数同S2.1中释义，分别为定义数据精度和转换数据格式，在数据库SQL语句中PI()函数返回浮点型的π值。
CN201611137603.1A 2016-12-12 2016-12-12 一种基于出租车轨迹数据的交通出行共现现象的可视化分析方法 Expired - Fee Related CN106649651B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611137603.1A CN106649651B (zh) 2016-12-12 2016-12-12 一种基于出租车轨迹数据的交通出行共现现象的可视化分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611137603.1A CN106649651B (zh) 2016-12-12 2016-12-12 一种基于出租车轨迹数据的交通出行共现现象的可视化分析方法

Publications (2)

Publication Number Publication Date
CN106649651A CN106649651A (zh) 2017-05-10
CN106649651B true CN106649651B (zh) 2018-07-06

Family

ID=58824538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611137603.1A Expired - Fee Related CN106649651B (zh) 2016-12-12 2016-12-12 一种基于出租车轨迹数据的交通出行共现现象的可视化分析方法

Country Status (1)

Country Link
CN (1) CN106649651B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609107B (zh) * 2017-09-13 2020-07-14 大连理工大学 一种基于多源城市数据的出行共现现象可视化分析方法
CN108595496B (zh) * 2018-03-16 2021-08-27 中国地质大学（武汉） 一种OpenStreetMap与土地利用数据的类别映射方法
CN111897868B (zh) * 2020-07-31 2022-06-10 浙江大学 用于分析与规划公交线路的可视分析方法和系统
CN112598905B (zh) * 2020-12-14 2021-10-26 苏州智能交通信息科技股份有限公司 一种客流动态分析预警方法、系统和存储介质
CN112732855B (zh) * 2021-01-13 2022-06-17 浙江工业大学 出租车交通数据同构网络可视化方法、系统及其存储介质
CN113378891B (zh) * 2021-05-18 2022-03-29 东北师范大学 基于轨迹分布表示的城市区域关系可视分析方法
CN114510533B (zh) * 2022-01-06 2023-03-17 北京中交兴路车联网科技有限公司 一种事故还原方法、装置、电子设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095481A (zh) * 2015-08-13 2015-11-25 浙江工业大学 大规模出租车od数据可视分析方法
CN105206046A (zh) * 2015-10-10 2015-12-30 东南大学 基于大数据的出租车服务站选址及可行性评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150310037A1 (en) * 2014-03-03 2015-10-29 Otman A. Basir System for collecting, aggregating and interpreting geo-spatial data for marketing and security applications

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095481A (zh) * 2015-08-13 2015-11-25 浙江工业大学 大规模出租车od数据可视分析方法
CN105206046A (zh) * 2015-10-10 2015-12-30 东南大学 基于大数据的出租车服务站选址及可行性评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
短时交通流量智能组合预测模型及应用;沈国江等;《系统工程理论与实践》;20110331;第31卷(第3期);第561-568页 *

Also Published As

Publication number Publication date
CN106649651A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
CN106649651B (zh) 一种基于出租车轨迹数据的交通出行共现现象的可视化分析方法
Zhou et al. Visual abstraction of large scale geospatial origin-destination movement data
Cheng et al. Exploratory visualisation of congestion evolutions on urban transport networks
Arsanjani et al. Integration of logistic regression, Markov chain and cellular automata models to simulate urban expansion
Goodchild Geographic information systems
Liu et al. Visual analysis of route diversity
CN102607553B (zh) 一种基于出行轨迹数据的行程识别方法
Guc et al. Semantic annotation of GPS trajectories
Le et al. Large-eddy simulation of the Mississippi River under base-flow condition: hydrodynamics of a natural diffluence-confluence region
CN103020222B (zh) 用于车辆gps数据分析与异常监测的可视挖掘方法
Boulange et al. Improving planning analysis and decision making: The development and application of a Walkability Planning Support System
CN105489004A (zh) 面向道路实时速度计算的卡口与浮动车数据融合方法
Carrivick et al. Decadal‐scale changes of the ödenwinkelkees, central austria, suggest increasing control of topography and evolution towards steady state
Li et al. 3D geological implicit modeling method of regular voxel splitting based on layered interpolation data
Zheng et al. Visual analysis of bi-directional movement behavior
Basri et al. Measurement of accessibility index using gravity model based on gis in sukabumi district
Magrath et al. Evaluating different methods for determining road grade best suited to advanced bus transportation systems
Pearlstine et al. Spatially continuous interpolation of water stage and water depths using the Everglades Depth Estimation Network (EDEN)
Elsersawy et al. Integrating Geographical Information System (GIS) with hydrodynamic modeling for evaluation the Nile River berths navigation conditions
Jiang et al. Understand space–time accessibility using a visual metaphor: a case study in Hong Kong–Zhuhai–Macao Belt
Zheng et al. Visualization of spatio-temporal relations in movement event using multi-view
Merwade et al. Towards an Open and Integrated Cyberinfrastructure for River Morphology Research in the Big Data Era
Turner et al. Introduction to modeling terminology and concepts
Ferreira Visual analytics techniques for exploration of spatiotemporal data
Shao et al. Research on visual analysis technology and application of urban road data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180706