CN107844848A - 一种区域人流量预测方法及系统 - Google Patents
一种区域人流量预测方法及系统 Download PDFInfo
- Publication number
- CN107844848A CN107844848A CN201610835257.8A CN201610835257A CN107844848A CN 107844848 A CN107844848 A CN 107844848A CN 201610835257 A CN201610835257 A CN 201610835257A CN 107844848 A CN107844848 A CN 107844848A
- Authority
- CN
- China
- Prior art keywords
- people
- flow
- history
- data
- coefficient
- 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.)
- Granted
Links
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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种区域人流量预测方法,所述方法包括:按照预定规则对预定区域历史N天内的所有人流量数据进行分类,形成至少两类历史人流量数据;对每类所述历史人流量数据分别采用相同模型训练得到各自对应的预测模型系数;根据每类所述历史人流量数据各自对应的所述预测模型系数,预测所述预定区域未来时刻的人流量。本发明实施例同时公开了一种区域人流量预测系统。
Description
技术领域
本发明涉及人流量预测技术,尤其涉及一种区域人流量预测方法及系统。
背景技术
在各个景区或城市公共场所区域,监控人流分布和增长趋势,对可能发生的突发事件进行预警,防止类似踩踏事件的发生,提高管理水平,提升服务质量,显得尤为重要。人流量的预测目前主要是根据视频监控或者WIFI定位方式统计当前区域人数,数据覆盖狭隘,人流量预测精度不高。在移动互联网时代,基于位置信息服务(LBS,Location BasedService)的应用日益广泛的。移动电信运营商在提供LBS服务时具有天然的优势。借助移动基站信息和庞大的用户数量,可以较精确地预测人流量。
现有的基于LBS服务预测人流量技术通常是对历史数据进行模型训练得到参数模型,再将当前时刻的人流量信息输入参数模型中预测得到未来时刻的人流量。现有技术在人流预测上有一定程度上的实现,但是还存在两个重大的问题:
第一,在预测人流量时,采用的是对历史数据进行模型训练得到参数模型,而对历史数据并没有做数据分类。由于区域人流量变化符合一定的规律性,如节假日比工作日人流量通常要多,那么未按照规律对历史数据进行分类,而对所有数据整体训练得到参数模型,这样无法避免地致使训练的模型系数与实际情况有较大误差,影响了模型的构造,进而影响人流量预测精度。
第二,目前是将当前时刻的人流量信息输入参数模型中,根据参数模型直接得到未来时刻的人流量。这里缺乏考虑当前时刻人流量变化趋势对于未来时刻人流量预测的影响。在当前时刻人流量突变的情况下,现有技术缺乏自适应性,预测会产生较大的误差。
发明内容
为解决上述技术问题,本发明实施例期望提供一种区域人流量预测方法及系统,以期至少部分或全部解决现有技术中存在的上述技术问题。
本发明的技术方案是这样实现的:
本发明提供一种区域人流量预测方法,所述方法包括:
按照预定规则对预定区域历史N天内的所有人流量数据进行分类,形成至少两类历史人流量数据;其中,N为大于等于2的整数;
对每类所述历史人流量数据分别采用相同模型训练,得到各自对应的预测模型系数;
根据每类所述历史人流量数据各自对应的所述预测模型系数,预测所述预定区域未来时刻的人流量。
上述方案中,所述按照预定规则对预定区域历史N天内的所有人流量数据进行分类,包括:
按照每个历史人流量数据产生的日期类型对所有历史人流量数据进行分类,将属于同一日期类型的历史人流量数据划为一类;其中,所述日期类型包括工作日、周末和/或节假日。
上述方案中,所述按照每个历史人流量数据产生的日期类型对所有历史人流量数据进行分类,将属于同一日期类型的历史人流量数据划为一类,包括:
获取每个历史人流量数据的产生时间;
根据所述产生时间判断每个历史人流量数据的日期类型归属于所述工作日、周末和/或节假日;
将归属于所述工作日、周末和/或节假日日期类型的历史人流量数据分别划为一类。
上述方案中,对每类所述历史人流量数据分别采用相同模型训练,得到各自对应的预测模型系数,包括:
对属于所述工作日日期类型的历史人流量数据进行模型训练得到对应的第一预测模型系数;
对属于所述周末日期类型的历史人流量数据进行模型训练得到对应的第二预测模型系数;和/或,
对属于所述节假日日期类型的历史人流量数据进行模型训练得到对应的第三预测模型系数。
上述方案中,根据每类所述历史人流量数据各自对应的所述预测模型系数预测所述预定区域未来时刻的人流量,包括:
获取所述预定区域当前时刻的人流量;
判断所述当前时刻的日期类型归属于所述工作日、周末和/或节假日;
当所述当前时刻的日期类型属于所述工作日时,将当前时刻的人流量与历史下一时刻的第一预测模型系数相乘,得到当前下一时刻的人流量;
当所述当前时刻的日期类型属于所述周末时,将当前时刻的人流量与历史下一时刻的第二预测模型系数相乘,得到当前下一时刻的人流量;和/或,
当所述当前时刻的日期类型属于所述节假日时,将当前时刻的人流量与历史下一时刻的第三预测模型系数相乘,得到当前下一时刻的人流量。
上述方案中,对每类所述历史人流量数据分别采用相同模型训练得到各自对应的预测模型系数,包括:
a)计算历史N天中第i天j时刻的人流前项比例系数Cij:
其中,当j=1时,Ci1=1;当j>1时,若Sij-1=0,Cij=1,若Sij-1≠0,Cij=Sij/Sij-1;其中Sij为第i天j时刻的人数,Sij-1为第i天j-1时刻的人数;
b)根据所述人流前项比例系数Cij得到历史N天中第i天的全部M个时刻点的人流前项比例系数向量Ci:
Ci={Ci1 Ci2 … Cij … CiM};
c)根据所述人流前项比例系数向量Ci得到历史N天的人流前项比例系数矩阵C:
d)将所述人流前项比例系数矩阵C中每一列元素取出,根据公式对历史N天中相同时刻j的人流前项比例系数求平均值dj:
e)将历史N天中M个相同时刻j的所述平均值dj作为预测模型系数。
上述方案中,所述将所述人流前项比例系数矩阵C中每一列元素取出,根据公式对历史N天中相同时刻j的人流前项比例系数求平均值dj之后,所述方法还包括:
采用简单高斯平滑算法对历史N天中M个相同时刻j的所述平均值dj分别进行平滑处理,得到修正后的预测模型系数。
上述方案中,根据每类所述历史人流量数据对应的预测模型系数预测所述预定区域未来时刻的人流量,包括:
获取所述预定区域当前时刻的人流量;
将所述当前时刻的人流量与历史下一时刻的所述修正后的预测模型系数相乘,得到当前下一时刻的人流量。
上述方案中,所述获取所述预定区域当前时刻的人流量之后,所述方法还包括:
计算所述当前时刻的人流前项比例系数,根据所述当前时刻的人流前项比例系数对历史当前时刻的预测模型系数进行修正得到修正值;
将所述修正值与历史下一时刻的预测模型系数或所述修正后的预测模型系数相加求和值,再将所述当前时刻的人流量与所述和值相乘得到当前下一时刻的人流量。
本发明还提供一种区域人流量预测系统,所述系统包括:
数据分类模块,用于按照预定规则对预定区域历史N天内的所有人流量数据进行分类,形成至少两类历史人流量数据;其中,N为大于等于2的整数;
模型训练模块,用于对每类所述历史人流量数据分别采用相同模型训练得到各自对应的预测模型系数;
人流预测模块,用于根据每类所述历史人流量数据各自对应的所述预测模型系数,预测所述预定区域未来时刻的人流量。
本发明实施例提供了一种区域人流量预测方法及系统,按照预定规则对预定区域历史N天内的所有人流量数据进行分类,形成至少两类历史人流量数据;对每类所述历史人流量数据分别采用相同模型训练得到各自对应的预测模型系数;根据每类所述历史人流量数据各自对应的所述预测模型系数,预测所述预定区域未来时刻的人流量。这样,对预定区域原始历史人流数据做分类然后单独训练模型系数,减少训练的模型系数与实际情况的误差,使模型的构造更加符合实际,根据训练的不同模型系数预测人流量,提高了人流量预测精度。
附图说明
图1为本发明实施例示出的一种区域人流量预测方法示意图;
图2为本发明实施例示出的另一种区域人流量预测方法示意图;
图3为本发明实施例示出的又一种区域人流量预测方法示意图;
图4为本发明实施例中的高斯平滑及人流预测过程示意图;
图5为本发明实施例示出的一种区域人流量预测系统示意图;
图6为图5所示的区域人流量预测系统中的数据分类模块示意图;
图7为图5所示的区域人流量预测系统中的模型训练模块示意图;
图8为图5所示的区域人流量预测系统中的人流预测模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
为了实现对预定区域,如景区、商业街或机场车站等城市公共场所的人流量有效地监控和预防危险事情发生,本发明各个实施例提出一种区域人流量预测方法及系统,一方面对预定区域原始历史人流数据做分类然后单独训练模型系数,减少训练的模型系数与实际情况的误差,使模型的构造更加符合实际,根据训练的不同模型系数综合预测人流量,提高人流量预测精度。另一方面在人流预测时加入当前人流量变化影响因子,使得模型系数符合一般流量特性,增加了模型系数在人流量突发情况下的适应性,减小预测误差,提高人流量预测精度。下面结合附图具体说明本发明各个实施例。
图1为本发明实施例示出的一种区域人流量预测方法示意图,所述方法包括:
S101、按照预定规则对预定区域历史N天内的所有人流量数据进行分类,形成至少两类历史人流量数据;其中,N为大于等于2的整数。
具体的,本实施例中N可以取30,N也可以取30以上或以下,对此不作限定,可根据预测时段要求设置。N取30即可以选取距离当前时间之前历史一个月内的所有人流量数据进行分类。示例性的,获取每一天24小时每分钟的人流量数据,即每天有1440个人流量数据,对应每天的每一分钟时刻。当然也可以按照小时为单位得到每天24个时刻的人流量数据,对此不作限定。获取人流量数据后,按照每个历史人流量数据产生的日期类型对所有历史人流量数据进行分类,将属于同一日期类型的历史人流量数据划为一类;其中,所述日期类型包括工作日、周末和/或节假日,即法定节假日。本实施例中以工作日、周末和节假日三种日期类型为例进行说明,对历史人流量数据分类具体如下:
示例性的,获取每个历史人流量数据的产生时间,根据所述产生时间判断每个历史人流量数据的日期类型归属于所述工作日、周末和节假日;将归属于所述工作日、周末和节假日日期类型的历史人流量数据分别划为一类。区域人流量变化通常符合一定的规律性,如节假日比周末人流量通常要多,周末比工作日人流量通常要多,现有技术中未按照规律对历史数据进行分类,而对所有数据整体训练得到模型参数,这样无法避免地致使训练的模型系数与实际情况有较大误差,人流预测不够准确。
S102、对每类所述历史人流量数据分别采用相同模型训练得到各自对应的预测模型系数。
这里,例如对属于工作日日期类型的历史人流量数据进行模型训练得到对应的一个模型系数;对属于周末日期类型的历史人流量数据进行模型训练得到对应的一个模型系数;对属于节假日日期类型的历史人流量数据分别进行同样的模型训练得到对应的一个模型系数。
S103、根据每类所述历史人流量数据各自对应的所述预测模型系数,预测所述预定区域未来时刻的人流量。
这里,实际预测时,获取预定区域当前时刻的人流量,根据当前时刻当天所属的日期类型确定对应的模型系数,再根据对应的模型系数计算预测所述预定区域未来时刻的人流量。
本实施例中对预定区域原始历史人流数据做分类然后单独训练模型系数,减少训练的模型系数与实际情况的误差,使模型的构造更加符合实际,根据训练的不同模型系数预测人流量,提高了人流量预测精度。
图2为本发明实施例示出的另一种区域人流量预测方法示意图,在上述实施例的基础上,所述对每类所述历史人流量数据采用相同模型训练得到各自对应的预测模型系数,包括:
S1021、对属于所述工作日日期类型的历史人流量数据进行模型训练得到对应的第一预测模型系数;
S1022、对属于所述周末日期类型的历史人流量数据进行模型训练得到对应的第二预测模型系数;
S1023、对属于所述节假日日期类型的历史人流量数据进行模型训练得到对应的第三预测模型系数。
通过对预定区域历史人流数据做分类然后单独训练模型系数,减少训练的模型系数与实际情况的误差,使模型的构造更加符合实际,区域人流量变化通常符合一定的规律性,如节假日比周末人流量通常要多,周末比工作日人流量通常要多,所以所述第一预测模型系数、第二预测模型系和第三预测模型系数通常不相同,但在某些情况下也可以相同,例如发生地震等自然灾害或者其他紧急情况下,可能打破区域人流量变化通常符合的规律性。
图3为本发明实施例示出的又一种区域人流量预测方法示意图,在上述实施例的基础上,所述根据每类所述历史人流量数据各自对应的所述预测模型系数,预测所述预定区域未来时刻的人流量,包括:
S1031、获取所述预定区域当前时刻的人流量;
S1032、判断所述当前时刻的日期类型归属于所述工作日、周末和节假日;
S1033、当所述当前时刻的日期类型属于所述工作日时,将当前时刻的人流量与历史下一时刻的第一预测模型系数相乘,得到当前下一时刻的人流量;
S1034、当所述当前时刻的日期类型属于所述周末时,将当前时刻的人流量与历史下一时刻的第二预测模型系数相乘,得到当前下一时刻的人流量;
S1035、当所述当前时刻的日期类型属于所述节假日时,将当前时刻的人流量与历史下一时刻的第三预测模型系数相乘,得到当前下一时刻的人流量。
这样,实际预测时,获取预定区域当前时刻的人流量,根据当前时刻当天所属的日期类型确定对应的模型系数,再根据对应的模型系数计算预测所述预定区域未来时刻的人流量,由于对预定区域原始历史人流数据做分类然后单独训练模型系数,减少训练的模型系数与实际情况的误差,使模型的构造更加符合实际,根据训练的不同模型系数预测人流量,提高了人流量预测精度。
下面对上述各个实施例中涉及的模型系数训练过程做出说明。对每类所述历史人流量数据分别采用相同模型训练得到各自对应的预测模型系数,即对归属于所述工作日、周末和节假日的每一类历史人流量数据进行如下的相同模型系数训练,得到各自对应的第一、第二和第三预测模型系数,具体包括:
a)计算历史N天中第i天j时刻的人流前项比例系数Cij:
其中,当j=1时,Ci1=1;当j>1时,若Sij-1=0,Cij=1,若Sij-1≠0,Cij=Sij/Sij-1;其中Sij为第i天j时刻的人数,Sij-1为第i天j-1时刻的人数;i和j均为大于等于1的整数。
人流前项比例系数为当前时刻的人数与前一时刻的人数的比例,若前一时刻人数为0,则该人流前项比例系数定为1。
人流量具有很强的继承性,当前时刻的人流量与上一时刻的人流量息息相关。本实施例中采用后一时刻与前一时刻的人流量比值作为向后时刻的人流量的联系,所以定义人流前项比例系数。此外将一天作为基本数据样本,那么一天中的第一个人流前项比例系数则为1。
b)根据所述人流前项比例系数Cij得到历史N天中第i天的全部M个时刻点的人流前项比例系数向量Ci:
Ci={Ci1 Ci2 … Cij … CiM};M为大于等于1的整数,j小于等于M。
c)根据所述人流前项比例系数向量Ci得到历史N天的人流前项比例系数矩阵C:
d)将所述人流前项比例系数矩阵C中每一列元素取出,根据公式对历史N天中相同时刻j的人流前项比例系数求平均值dj:
e)将历史N天中M个相同时刻j的所述平均值dj作为预测模型系数。预测模型系数中包括M个平均值dj,分别一一对应历史每天M个时刻。
通过上述训练过程可得到属于所述工作日、周末和节假日的每一类历史人流量数据各自对应的第一、第二和第三预测模型系数。根据该模型系数即可进行后续人流预测。
图4为本发明实施例中的高斯平滑及人流预测过程示意图。为了避免根据历史人流量数据进行模型系数训练时个别数据异常导致的预测模型系数误差,提高预测精度。在上述模型系数训练过程中,所述将所述人流前项比例系数矩阵C中每一列元素取出,根据公式对历史N天中相同时刻j的人流前项比例系数求平均值dj之后,所述方法还包括:
采用简单高斯平滑算法对历史N天中M个相同时刻j的所述平均值dj分别进行平滑处理,得到修正后的预测模型系数。
具体的,通过简单高斯平滑算法对预测模型系数中M个平均值dj分别进行平滑,平滑窗口从2增加到N-2。需要说明的是,简单高斯平滑算法可参看现有技术,不再赘述。平滑过程中,利用N-1天的历史人流量数据进行上述模型系数训练得到试验预测模型系数,再将第N天的实际某一当前时刻的实际人流量带入所述试验预测模型系数预测第N天下一时刻的人流量,进而得到实际人流量与预测的第N天下一时刻的人流量的误差值,将所述实际人流量与该误差值的平方和最小时的平均值dj作为修正后的预测模型系数di':
di'={di1'di2'…dij'…diM'},其中每个元素表示历史M个时刻修正后的预测模型系数。
示例性的,根据每类所述历史人流量数据对应的预测模型系数预测所述预定区域未来时刻的人流量,具体可以包括:获取所述预定区域当前时刻的人流量,将所述当前时刻的人流量与历史下一时刻的所述修正后的预测模型系数相乘,得到当前下一时刻的人流量。这样,避免了根据历史人流量数据进行模型系数训练时个别数据异常导致的预测模型系数误差,提高人流预测精度。
进一步的,为了增加了预测模型系数在实际预测时人流量突发情况下的适应性,减小预测误差,提高人流量预测精度。所述获取所述预定区域当前时刻的人流量之后,所述方法还包括:
计算所述当前时刻的人流前项比例系数,根据所述当前时刻的人流前项比例系数对历史当前时刻的预测模型系数进行修正得到修正值;其中,修正值为所述当前时刻的人流前项比例系数减去历史当前时刻的预测模型系数的差值;
将所述修正值与历史下一时刻的预测模型系数或所述修正后的预测模型系数相加求和值,再将所述当前时刻的人流量与所述和值相乘得到当前下一时刻的人流量。下面结合示例具体说明本实施例。
具体的,假定预测基本条件,至少给出实际预测时当天j时刻的人流量。实际预测时,假设已有j时刻的人流量Sj,预测j+1时刻的人流量过程如下:
首先,判断j-1时刻人流量Sj-1是否为Sj-1=0(j=1时,默认j-1时刻的人流量为0,基于判断结果,有以下两种预测方式:
第一种人流预测方式:如果Sj-1=0,则当前下一时刻的人流量为:
其中,dj+1'为修正后的相对当前j时刻的历史下一时刻,即历史j+1时刻的预测模型系数;
第二种人流预测方式:如果Sj-1≠0,计算当前j时刻的人流前项比例系数Ci:
Cj=Sj/Sj-1;
根据所述当前j时刻的人流前项比例系数对对应的历史当前j时刻的预测模型系数dj'进行修正得到修正值
预测当前下一时刻的人流量
可选的,本发明实施例还可以预测未来t时刻的人流量得知最后时刻j的人流量Sj,则t时刻的人流量为:
其中t-j>1。
本发明实施例基于预定区域历史人流量统计数据,将数据按照周期性划分,根据数据日期类型分类训练模型系数,考虑实际预测时当前人流突发变化影响因素,对预测模型系数修正。本发明实施例一方面对原始历史数据做分类然后单独训练,得到各自对应的预测模型系数;另一方面在预测模型系数中加入当前人流量变化影响系数。利用当前时刻的人流前项比例系数对历史当前时刻的人流前项比例系数做出修正,得到预测模型系数修正值,避免当前特殊情况与历史时间特性的不同造成误差。这样,预测模型系数符合一般人流量规律特性,增加了预测模型系数在人流量突发情况下的适应性,提高了人流量预测精度。
另外,本发明实施例在根据分类后的历史数据训练模型系数时,采用高斯平滑的方式,防止个别历史数据异常造成的系数误差,进一步提高了人流量预测精度。
图5为本发明实施例示出的一种区域人流量预测系统示意图,所述系统包括数据分类模块501、模型训练模块502和人流预测模块503;其中,
所述数据分类模块501,用于按照预定规则对预定区域历史N天内的所有人流量数据进行分类,形成至少两类历史人流量数据;其中,N为大于等于2的整数;
所述模型训练模块502,用于对每类所述历史人流量数据分别采用相同模型训练得到各自对应的预测模型系数;
所述人流预测模块503,用于根据每类所述历史人流量数据各自对应的所述预测模型系数,预测所述预定区域未来时刻的人流量。
具体的,所述数据分类模块501具体用于:按照每个历史人流量数据产生的日期类型对所有历史人流量数据进行分类,将属于同一日期类型的历史人流量数据划为一类;其中,所述日期类型包括工作日、周末和/或节假日。
图6为图5所示的区域人流量预测系统中的所述数据分类模块501示意图。所述数据分类模块501包括时间获取模块5011、日期类型判断模块5012和数据划分模块5013;其中,
所述时间获取模块5011,用于获取每个历史人流量数据的产生时间;
所述日期类型判断模块5012,用于根据所述产生时间判断每个历史人流量数据的日期类型归属于所述工作日、周末和/或节假日;
所述数据划分模块5013,用于将归属于所述工作日、周末和/或节假日日期类型的历史人流量数据分别划为一类。
图7为图5所示的区域人流量预测系统中的所述模型训练模块502示意图。所述模型训练模块502包括:第一训练模块5021、第二训练模块5022和第三训练模块5023;其中,
所述第一训练模块5021,用于对属于所述工作日日期类型的历史人流量数据进行模型训练得到对应的第一预测模型系数;
所述第二训练模块5022,用于对属于所述周末日期类型的历史人流量数据进行模型训练得到对应的第二预测模型系数;和/或,
所述第三训练模块5023,用于对属于所述节假日日期类型的历史人流量数据进行模型训练得到对应的第三预测模型系数。
图8为图5所示的区域人流量预测系统中的所述人流预测模块503示意图。所述人流预测模块503包括:第一人流量获取模块5031、判断模块503、第一预测模块503、第二预测模块5034和/或第三预测模块5035;其中,
所述第一人流量获取模块5031,用于获取所述预定区域当前时刻的人流量;
所述判断模块5032,用于判断所述当前时刻的日期类型归属于所述工作日、周末和/或节假日中;
所述第一预测模块5033,用于当所述当前时刻的日期类型属于所述工作日时,将当前时刻的人流量与历史下一时刻的第一预测模型系数相乘,得到当前下一时刻的人流量;
所述第二预测模块5034,用于当所述当前时刻的日期类型属于所述周末时,将当前时刻的人流量与历史下一时刻的第二预测模型系数相乘,得到当前下一时刻的人流量;和/或,
所述第三预测模块5035,用于当所述当前时刻的日期类型属于所述节假日时,将当前时刻的人流量与历史下一时刻的第三预测模型系数相乘,得到当前下一时刻的人流量。
所述模型训练模块502用于根据以下模型训练得到每类所述历史人流量数据对应的预测模型系数:
a)计算历史N天中第i天j时刻的人流前项比例系数Cij::
其中,当j=1时,Ci1=1;当j>1时,若Sij-1=0,Cij=1,若Sij-1≠0,Cij=Sij/Sij-1;其中Sij为第i天j时刻的人数,Sij-1为第i天j-1时刻的人数;
b)根据所述人流前项比例系数Cij得到历史N天中第i天的全部M个时刻点的人流前项比例系数向量Ci:
Ci={Ci1 Ci2 … Cij … CiM};
c)根据所述人流前项比例系数向量Ci得到历史N天的人流前项比例系数矩阵C:
d)将所述人流前项比例系数矩阵C中每一列元素取出,根据公式对历史N天中相同时刻j的人流前项比例系数求平均值dj:
e)将历史N天中M个相同时刻j的所述平均值dj作为预测模型系数。
进一步的,所述模型训练模块502还包括历史数据修正模块(图未示);其中,
所述历史数据修正模块,用于采用简单高斯平滑算法对历史N天中M个相同时刻j的所述平均值dj分别进行平滑处理,得到修正后的预测模型系数。
进一步的,所述人流预测模块503还包括第二人流量获取模块和第四预测模块(图未示);其中,
所述第二人流量获取模块,用于获取所述预定区域当前时刻的人流量;
所述第四预测模块,用于将所述当前时刻的人流量与历史下一时刻的所述修正后的预测模型系数相乘,得到当前下一时刻的人流量。
进一步的,所述人流预测模块503还包括系数修正模块和第五预测模块(图未示);其中,
所述系数修正模块,用于根据第二人流量获取模块获取的所述预定区域当前时刻的人流量计算所述当前时刻的人流前项比例系数,根据所述当前时刻的人流前项比例系数对历史当前时刻的预测模型系数进行修正得到修正值;
所述第五预测模块,用于将所述修正值与历史下一时刻的预测模型系数或所述修正后的预测模型系数相加求和值,再将所述当前时刻的人流量与所述和值相乘得到当前下一时刻的人流量。
需要说明的是,该系统实施例与上述方法实施例基于同一构思作出,与上述方法实施例一一对应,具体请参看前述方法实施例中的详细描述,此处不再赘述。
本发明实施例按照预定规则对预定区域历史N天内的所有人流量数据进行分类,形成至少两类历史人流量数据;对每类所述历史人流量数据分别采用相同模型训练得到各自对应的预测模型系数;根据每类所述历史人流量数据各自对应的所述预测模型系数,预测所述预定区域未来时刻的人流量。这样,对预定区域原始历史人流数据做分类然后单独训练模型系数,减少训练的模型系数与实际情况的误差,使模型的构造更加符合实际,根据训练的不同模型系数预测人流量,提高了人流量预测精度。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种区域人流量预测方法,其特征在于,所述方法包括:
按照预定规则对预定区域历史N天内的所有人流量数据进行分类,形成至少两类历史人流量数据;其中,N为大于等于2的整数;
对每类所述历史人流量数据分别采用相同模型训练,得到各自对应的预测模型系数;
根据每类所述历史人流量数据各自对应的所述预测模型系数,预测所述预定区域未来时刻的人流量。
2.根据权利要求1所述方法,其特征在于,所述按照预定规则对预定区域历史N天内的所有人流量数据进行分类,包括:
按照每个历史人流量数据产生的日期类型对所有历史人流量数据进行分类,将属于同一日期类型的历史人流量数据划为一类;其中,所述日期类型包括工作日、周末和/或节假日。
3.根据权利要求2所述方法,其特征在于,所述按照每个历史人流量数据产生的日期类型对所有历史人流量数据进行分类,将属于同一日期类型的历史人流量数据划为一类,包括:
获取每个历史人流量数据的产生时间;
根据所述产生时间判断每个历史人流量数据的日期类型归属于所述工作日、周末和/或节假日;
将归属于所述工作日、周末和/或节假日日期类型的历史人流量数据分别划为一类。
4.根据权利要求3所述方法,其特征在于,对每类所述历史人流量数据分别采用相同模型训练,得到各自对应的预测模型系数,包括:
对属于所述工作日日期类型的历史人流量数据进行模型训练得到对应的第一预测模型系数;
对属于所述周末日期类型的历史人流量数据进行模型训练得到对应的第二预测模型系数;和/或,
对属于所述节假日日期类型的历史人流量数据进行模型训练得到对应的第三预测模型系数。
5.根据权利要求4所述方法,其特征在于,根据每类所述历史人流量数据各自对应的所述预测模型系数预测所述预定区域未来时刻的人流量,包括:
获取所述预定区域当前时刻的人流量;
判断所述当前时刻的日期类型归属于所述工作日、周末和/或节假日;
当所述当前时刻的日期类型属于所述工作日时,将当前时刻的人流量与历史下一时刻的第一预测模型系数相乘,得到当前下一时刻的人流量;
当所述当前时刻的日期类型属于所述周末时,将当前时刻的人流量与历史下一时刻的第二预测模型系数相乘,得到当前下一时刻的人流量;和/或,
当所述当前时刻的日期类型属于所述节假日时,将当前时刻的人流量与历史下一时刻的第三预测模型系数相乘,得到当前下一时刻的人流量。
6.根据权利要求1-5任一项所述方法,其特征在于,对每类所述历史人流量数据分别采用相同模型训练得到各自对应的预测模型系数,包括:
a)计算历史N天中第i天j时刻的人流前项比例系数Cij:
其中,当j=1时,Ci1=1;当j>1时,若Sij-1=0,Cij=1,若Sij-1≠0,Cij=Sij/Sij-1;其中Sij为第i天j时刻的人数,Sij-1为第i天j-1时刻的人数;
b)根据所述人流前项比例系数Cij得到历史N天中第i天的全部M个时刻点的人流前项比例系数向量Ci:
Ci={Ci1 Ci2 … Cij … CiM};
c)根据所述人流前项比例系数向量Ci得到历史N天的人流前项比例系数矩阵C:
d)将所述人流前项比例系数矩阵C中每一列元素取出,根据公式对历史N天中相同时刻j的人流前项比例系数求平均值dj:
e)将历史N天中M个相同时刻j的所述平均值dj作为预测模型系数。
7.根据权利要求6所述方法,其特征在于,所述将所述人流前项比例系数矩阵C中每一列元素取出,根据公式对历史N天中相同时刻j的人流前项比例系数求平均值dj之后,所述方法还包括:
采用简单高斯平滑算法对历史N天中M个相同时刻j的所述平均值dj分别进行平滑处理,得到修正后的预测模型系数。
8.根据权利要求7所述方法,其特征在于,根据每类所述历史人流量数据对应的预测模型系数预测所述预定区域未来时刻的人流量,包括:
获取所述预定区域当前时刻的人流量;
将所述当前时刻的人流量与历史下一时刻的所述修正后的预测模型系数相乘,得到当前下一时刻的人流量。
9.根据权利要求8所述方法,其特征在于,所述获取所述预定区域当前时刻的人流量之后,所述方法还包括:
计算所述当前时刻的人流前项比例系数,根据所述当前时刻的人流前项比例系数对历史当前时刻的预测模型系数进行修正得到修正值;
将所述修正值与历史下一时刻的预测模型系数或所述修正后的预测模型系数相加求和值,再将所述当前时刻的人流量与所述和值相乘得到当前下一时刻的人流量。
10.一种区域人流量预测系统,其特征在于,所述系统包括:
数据分类模块,用于按照预定规则对预定区域历史N天内的所有人流量数据进行分类,形成至少两类历史人流量数据;其中,N为大于等于2的整数;
模型训练模块,用于对每类所述历史人流量数据分别采用相同模型训练得到各自对应的预测模型系数;
人流预测模块,用于根据每类所述历史人流量数据各自对应的所述预测模型系数,预测所述预定区域未来时刻的人流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610835257.8A CN107844848B (zh) | 2016-09-20 | 2016-09-20 | 一种区域人流量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610835257.8A CN107844848B (zh) | 2016-09-20 | 2016-09-20 | 一种区域人流量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107844848A true CN107844848A (zh) | 2018-03-27 |
CN107844848B CN107844848B (zh) | 2020-12-29 |
Family
ID=61656907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610835257.8A Active CN107844848B (zh) | 2016-09-20 | 2016-09-20 | 一种区域人流量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107844848B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804569A (zh) * | 2018-05-23 | 2018-11-13 | 上海市城市建设设计研究总院(集团)有限公司 | 基于人工智能的地下空间人流量预测方法 |
CN109389244A (zh) * | 2018-09-06 | 2019-02-26 | 浙江鸿程计算机系统有限公司 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
CN109511109A (zh) * | 2018-11-22 | 2019-03-22 | 南京极行信息科技有限公司 | 一种宏观区域实时人流保有量预测方法 |
CN109525981A (zh) * | 2018-11-22 | 2019-03-26 | 南京茶非氪信息科技有限公司 | 一种宏观区域实时流动量检测算法 |
CN109657701A (zh) * | 2018-11-22 | 2019-04-19 | 南京茶非氪信息科技有限公司 | 一种宏观区域实时人流保有量检测算法 |
CN109670631A (zh) * | 2018-11-22 | 2019-04-23 | 南京极行信息科技有限公司 | 一种宏观区域实时流动量预测方法 |
CN110175690A (zh) * | 2019-04-04 | 2019-08-27 | 中兴飞流信息科技有限公司 | 一种景区客流量预测的方法、装置、服务器和存储介质 |
CN110555721A (zh) * | 2019-08-13 | 2019-12-10 | 上海汇纳数据科技有限公司 | 一种商场类型分类方法、装置及电子设备 |
CN110956480A (zh) * | 2018-09-26 | 2020-04-03 | 北京嘀嘀无限科技发展有限公司 | 用户结构预估方法、装置及服务器 |
CN111105070A (zh) * | 2019-11-20 | 2020-05-05 | 深圳市北斗智能科技有限公司 | 客流预警方法及系统 |
CN111144660A (zh) * | 2019-12-30 | 2020-05-12 | 北京百度网讯科技有限公司 | 人流量预测的方法、装置、电子设备及存储介质 |
CN111310978A (zh) * | 2020-01-20 | 2020-06-19 | 中国石油天然气股份有限公司 | 确定油气管道的重点监控管段的方法及装置 |
CN111800807A (zh) * | 2019-04-08 | 2020-10-20 | 中移(苏州)软件技术有限公司 | 一种基站用户数量告警的方法及装置 |
CN112242040A (zh) * | 2020-10-16 | 2021-01-19 | 成都中科大旗软件股份有限公司 | 一种景区客流多维度监管系统及方法 |
CN112333431A (zh) * | 2020-10-30 | 2021-02-05 | 深圳市商汤科技有限公司 | 场景监测方法、装置、电子设备及存储介质 |
CN112417555A (zh) * | 2020-11-18 | 2021-02-26 | 君泰天创工程咨询有限公司 | 一种用于建筑设计优化方案判断的系统及方法 |
CN112991628A (zh) * | 2021-02-04 | 2021-06-18 | 福建乐摩物联科技有限公司 | 一种动态调整共享按摩椅可占座时间的方法、系统和介质 |
CN113132891A (zh) * | 2019-12-30 | 2021-07-16 | 中国移动通信集团浙江有限公司 | 一种基于移动信令的客流统计方法和系统 |
CN113159856A (zh) * | 2021-04-30 | 2021-07-23 | 山东旗帜信息有限公司 | 一种收费站出站口流量预测方法及系统 |
CN113743684A (zh) * | 2021-11-05 | 2021-12-03 | 通号通信信息集团有限公司 | 人流量预测方法、电子设备、计算机可读存储介质 |
CN113938869A (zh) * | 2020-07-14 | 2022-01-14 | 中国联合网络通信集团有限公司 | 应急通信方法、装置及存储介质 |
CN114095390A (zh) * | 2021-11-11 | 2022-02-25 | 北京百度网讯科技有限公司 | 区域内对象流量的预测方法、装置、电子设备以及存储介质 |
CN116029395A (zh) * | 2023-03-24 | 2023-04-28 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
CN117455554A (zh) * | 2023-12-26 | 2024-01-26 | 数字苏州建设有限公司 | 一种基于lbs的大型活动重点通行道路人流分时段预测方法 |
CN112417555B (zh) * | 2020-11-18 | 2024-05-31 | 君泰天创工程咨询有限公司 | 一种用于建筑设计优化方案判断的系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014003321A1 (ko) * | 2012-06-27 | 2014-01-03 | 명지대학교 산학협력단 | 최단경로를 이용한 출발점 기반의 통행 배정방법 |
CN104821082A (zh) * | 2015-04-29 | 2015-08-05 | 电子科技大学 | 一种基于综合评价的短时交通流预测方法 |
CN105205297A (zh) * | 2014-06-12 | 2015-12-30 | 腾讯科技(深圳)有限公司 | 一种时间序列预测方法及系统 |
-
2016
- 2016-09-20 CN CN201610835257.8A patent/CN107844848B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014003321A1 (ko) * | 2012-06-27 | 2014-01-03 | 명지대학교 산학협력단 | 최단경로를 이용한 출발점 기반의 통행 배정방법 |
CN105205297A (zh) * | 2014-06-12 | 2015-12-30 | 腾讯科技(深圳)有限公司 | 一种时间序列预测方法及系统 |
CN104821082A (zh) * | 2015-04-29 | 2015-08-05 | 电子科技大学 | 一种基于综合评价的短时交通流预测方法 |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804569A (zh) * | 2018-05-23 | 2018-11-13 | 上海市城市建设设计研究总院(集团)有限公司 | 基于人工智能的地下空间人流量预测方法 |
CN109389244A (zh) * | 2018-09-06 | 2019-02-26 | 浙江鸿程计算机系统有限公司 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
CN109389244B (zh) * | 2018-09-06 | 2020-08-18 | 浙江鸿程计算机系统有限公司 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
CN110956480A (zh) * | 2018-09-26 | 2020-04-03 | 北京嘀嘀无限科技发展有限公司 | 用户结构预估方法、装置及服务器 |
CN109525981A (zh) * | 2018-11-22 | 2019-03-26 | 南京茶非氪信息科技有限公司 | 一种宏观区域实时流动量检测算法 |
CN109670631A (zh) * | 2018-11-22 | 2019-04-23 | 南京极行信息科技有限公司 | 一种宏观区域实时流动量预测方法 |
CN109657701A (zh) * | 2018-11-22 | 2019-04-19 | 南京茶非氪信息科技有限公司 | 一种宏观区域实时人流保有量检测算法 |
CN109511109B (zh) * | 2018-11-22 | 2021-08-03 | 南京极行信息科技有限公司 | 一种宏观区域实时人流保有量预测方法 |
CN109657701B (zh) * | 2018-11-22 | 2022-11-11 | 南京茶非氪信息科技有限公司 | 一种宏观区域实时人流保有量检测方法 |
CN109525981B (zh) * | 2018-11-22 | 2021-11-02 | 南京茶非氪信息科技有限公司 | 一种宏观区域实时流动量检测方法 |
CN109511109A (zh) * | 2018-11-22 | 2019-03-22 | 南京极行信息科技有限公司 | 一种宏观区域实时人流保有量预测方法 |
CN110175690A (zh) * | 2019-04-04 | 2019-08-27 | 中兴飞流信息科技有限公司 | 一种景区客流量预测的方法、装置、服务器和存储介质 |
CN111800807A (zh) * | 2019-04-08 | 2020-10-20 | 中移(苏州)软件技术有限公司 | 一种基站用户数量告警的方法及装置 |
CN110555721A (zh) * | 2019-08-13 | 2019-12-10 | 上海汇纳数据科技有限公司 | 一种商场类型分类方法、装置及电子设备 |
CN111105070A (zh) * | 2019-11-20 | 2020-05-05 | 深圳市北斗智能科技有限公司 | 客流预警方法及系统 |
CN111105070B (zh) * | 2019-11-20 | 2024-04-16 | 深圳市北斗智能科技有限公司 | 客流预警方法及系统 |
CN113132891A (zh) * | 2019-12-30 | 2021-07-16 | 中国移动通信集团浙江有限公司 | 一种基于移动信令的客流统计方法和系统 |
CN113132891B (zh) * | 2019-12-30 | 2022-06-28 | 中国移动通信集团浙江有限公司 | 一种基于移动信令的客流统计方法和系统 |
CN111144660A (zh) * | 2019-12-30 | 2020-05-12 | 北京百度网讯科技有限公司 | 人流量预测的方法、装置、电子设备及存储介质 |
CN111310978A (zh) * | 2020-01-20 | 2020-06-19 | 中国石油天然气股份有限公司 | 确定油气管道的重点监控管段的方法及装置 |
CN113938869B (zh) * | 2020-07-14 | 2023-06-20 | 中国联合网络通信集团有限公司 | 应急通信方法、装置及存储介质 |
CN113938869A (zh) * | 2020-07-14 | 2022-01-14 | 中国联合网络通信集团有限公司 | 应急通信方法、装置及存储介质 |
CN112242040A (zh) * | 2020-10-16 | 2021-01-19 | 成都中科大旗软件股份有限公司 | 一种景区客流多维度监管系统及方法 |
CN112333431A (zh) * | 2020-10-30 | 2021-02-05 | 深圳市商汤科技有限公司 | 场景监测方法、装置、电子设备及存储介质 |
CN112417555B (zh) * | 2020-11-18 | 2024-05-31 | 君泰天创工程咨询有限公司 | 一种用于建筑设计优化方案判断的系统及方法 |
CN112417555A (zh) * | 2020-11-18 | 2021-02-26 | 君泰天创工程咨询有限公司 | 一种用于建筑设计优化方案判断的系统及方法 |
CN112991628A (zh) * | 2021-02-04 | 2021-06-18 | 福建乐摩物联科技有限公司 | 一种动态调整共享按摩椅可占座时间的方法、系统和介质 |
CN113159856A (zh) * | 2021-04-30 | 2021-07-23 | 山东旗帜信息有限公司 | 一种收费站出站口流量预测方法及系统 |
CN113743684B (zh) * | 2021-11-05 | 2022-03-15 | 通号通信信息集团有限公司 | 人流量预测方法、电子设备、计算机可读存储介质 |
CN113743684A (zh) * | 2021-11-05 | 2021-12-03 | 通号通信信息集团有限公司 | 人流量预测方法、电子设备、计算机可读存储介质 |
CN114095390B (zh) * | 2021-11-11 | 2023-10-13 | 北京百度网讯科技有限公司 | 区域内对象流量的预测方法、装置、设备及存储介质 |
CN114095390A (zh) * | 2021-11-11 | 2022-02-25 | 北京百度网讯科技有限公司 | 区域内对象流量的预测方法、装置、电子设备以及存储介质 |
CN116029395A (zh) * | 2023-03-24 | 2023-04-28 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
CN116029395B (zh) * | 2023-03-24 | 2023-08-04 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
CN117455554A (zh) * | 2023-12-26 | 2024-01-26 | 数字苏州建设有限公司 | 一种基于lbs的大型活动重点通行道路人流分时段预测方法 |
CN117455554B (zh) * | 2023-12-26 | 2024-03-22 | 数字苏州建设有限公司 | 一种基于lbs的大型活动重点通行道路人流分时段预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107844848B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844848A (zh) | 一种区域人流量预测方法及系统 | |
Sheu | Dynamic relief-demand management for emergency logistics operations under large-scale disasters | |
Yu et al. | Headway-based bus bunching prediction using transit smart card data | |
Yu et al. | Probabilistic prediction of bus headway using relevance vector machine regression | |
Khosravi et al. | Prediction intervals to account for uncertainties in travel time prediction | |
Vishnu et al. | Supply chain risk management: models and methods | |
CN109495318A (zh) | 一种移动通信网络流量预测方法、装置及可读存储介质 | |
CN107403325B (zh) | 机票订单可信度评价方法和装置 | |
Sayarshad et al. | Survey and empirical evaluation of nonhomogeneous arrival process models with taxi data | |
CN110991875A (zh) | 一种平台用户质量评估系统 | |
CN110942086A (zh) | 数据预测优化方法、装置、设备及可读存储介质 | |
CN106897801A (zh) | 司机分类的方法、装置、设备以及存储介质 | |
CN108564423A (zh) | 票务订单的恶意占位识别方法、系统、设备和存储介质 | |
Wei et al. | Modeling crew itineraries and delays in the national air transportation system | |
CN110348601A (zh) | 一种基于双向长短期记忆网络的地铁短期客流量预测方法 | |
CN113361810B (zh) | 一种客流量预测方法、装置、设备和存储介质 | |
Stergiopoulos et al. | Analyzing congestion interdependencies of ports and container ship routes in the maritime network infrastructure | |
CN114547128A (zh) | 虚假订单的识别方法、系统、计算机设备及存储介质 | |
CN109685356A (zh) | 基于产业数据的预警方法及系统 | |
CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
Oliveira et al. | Modelling the redistribution of hospital supply to achieve equity taking account of patient's behaviour | |
CN109492911A (zh) | 风险事件的风险预估方法、装置、计算机设备及存储介质 | |
CN109919675A (zh) | 基于神经网络的通讯用户升档预测概率识别方法及系统 | |
WO2019119042A1 (en) | Infrastructure asset management system and/or method | |
CN111597221A (zh) | 基于大数据技术的客户用电行为分析方法 |
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 |