CN107977735A - 一种基于深度学习的城市日用水量预测方法 - Google Patents
一种基于深度学习的城市日用水量预测方法 Download PDFInfo
- Publication number
- CN107977735A CN107977735A CN201711127624.XA CN201711127624A CN107977735A CN 107977735 A CN107977735 A CN 107977735A CN 201711127624 A CN201711127624 A CN 201711127624A CN 107977735 A CN107977735 A CN 107977735A
- Authority
- CN
- China
- Prior art keywords
- water consumption
- deep learning
- hidden layer
- daily water
- layer
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 21
- 210000005036 nerve Anatomy 0.000 claims abstract description 9
- 238000002834 transmittance Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 238000001556 precipitation Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000003696 structure analysis method Methods 0.000 description 1
- 230000009897 systematic 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的城市日用水量预测方法,该方法以前一段时间每日用水量、日最高温度、日降水量、当月用水量占全年比、节假情况等数据为输入层数据,通过逐层贪婪训练包含K‑1个隐层的栈式自编码器(SAE),获得每层的权重,SAE的输出可以认为是数据的非线性、紧凑的特征表示;由于预测过程也是一个非线性的过程,本发明在包含K‑1个隐层的SAE基础上在连接一个反向传播神经网络(BPNN)而不是直接使用SAE输出的特征进行预测。同时通过反向传播算法对整个K+2层的网络权重进行调谐优化,从而完成深度学习网络的训练。本发明同时利用了SAE的强大特征表征能力和BPNN的优越预测能力,提高了城市日用水量预测的准确度。
Description
技术领域
本发明涉及一种城市日用水量预测方法,具体涉及一种基于深度学习的城市日用水量预测方法,属于用水量预测技术领域。
背景技术
实行最严格的水资源管理制度,目前的关键是解决用水效率的问题。而解决用水效率的关键则是对用水量的准确预测。用水量和节水潜力会随着时间与天气等条件的影响而发生变化,具有复杂性、非线性、时变性等特点。目前预测所使用的数学方法可以分为三类:时间序列法、结构分析法、系统分析法。时间序列方法可以细分为:确定型、随机概率型。但只是对历史数据的挖掘,在处理随机性因素造成的用水、节水变化异常情况时预测效果受限。结构分析方法在时间和数据关联的基础上添加其他相关因素如温度、降雨量、节假日等综合预测,但该方法中因素的选择对模型的精度影响较大。系统分析方法是一种以反馈控制理论为基础,以计算机仿真技术为手段,通常用以研究复杂的社会经济系统的定量方法。
神经网络具有较强的自组织、自学习及归纳与容错能力,且对非线性问题拟合效果较好,越来越多的用于解决预测问题,但是对于有问题的非凸优化,它仍然不能超过一个或两个隐藏层。近年来,Geoffrey Hinton等人(G.E.Hinton,S. Osindero,and Y.Teh,“Afast learning algorithm for deep belief nets,”Neural computation,vol.18,no.7,pp.1527–1554,2006)证明深度神经网络可以取得更佳的效果,其可以解决很多复杂问题。并且,正如文献(M.and L. Karlssonand A.Loutfi,“A review of unsupervisedfeature learning and deep learning for time-series modeling,”PatternRecognition Letters,vol.42,pp.11–24,2014)所指出的:诸如限制波尔兹曼机器(RBM)、条件RBM,自动编码器(AE)、循环神经网络(RNN)等深度学习技术对时间序列数据建模的优点。然而,到目前为止,经典的深层神经网络栈式编码器Stacked Autoencoder(SAE,P.Vincent,H. Larochelle,I.Lajoie,Y.Bengio,and P.Manzagol,“Stacked denoisingautoencoders: Learning useful representations in a deep network with a localdenoising criterion,” Journal of Machine Learning Research,vol.11,no.Dec,pp.3371–3408,2010)在城市用水量预测中还没有被考虑过。
发明内容
本发明所要解决的技术问题是:提供一种基于深度学习的城市日用水量预测方法,采用栈式自编码器(SAE)和反向传播神经网络(BPNN)相结合的深度学习方法,同时利用了SAE的强大特征表征能力和BPNN的优越预测能力,实现城市日用水量的有效预测。
本发明为解决上述技术问题采用以下技术方案:
一种基于深度学习的城市日用水量预测方法,包括如下步骤:
步骤1,连续搜集N天的历史数据,包括日用水量、日最高温度、日降水量以及是否为节假日,并对搜集的历史数据做归一化预处理;利用前N-1天每日用水量、日最高温度、日降水量、是否为节假日作为输入数据,利用第N天的日用水量数据作为输出数据,构建用于训练的输入输出数据集;N为正整数;
步骤2,构建深度学习网络模型,包括输入层、K个隐层以及输出层;该模型由包含K-1个隐层的栈式自编码器和包含1个隐层的反向传播神经网络构成; K为大于2的正整数;
步骤3,随机初始化步骤2构建的深度学习网络模型的网络权重;
步骤4,将步骤1构建的输入输出数据集作为训练样本,通过逐层贪婪训练具有K-1个隐层的栈式自编码器,得到K-1个隐层的权重,将K-1个隐层的权重分别对应作为深度学习网络模型前K-1个隐层的网络权重;
步骤5,将栈式自编码器的输出作为反向传播神经网络的输入,通过反向传播算法对深度学习网络模型总共K+2层的网络权重进行调谐优化,得到训练完成的深度学习网络模型;
步骤6,获取测试样本,包括日用水量、日最高温度、日降水量以及是否为节假日,并对测试样本进行归一化处理,利用训练完成的深度学习网络模型对经归一化处理后的测试样本进行预测。
作为本发明的一种优选方案,步骤4所述逐层贪婪训练具有K-1个隐层的栈式自编码器,具体为:逐层贪婪训练具有K-1个隐层的栈式自编码器即为训练 K-1个稀疏自编码器,将前一个稀疏自编码器隐藏层的输出作为后一个稀疏自编码器的输入,第一个稀疏自编码器的输入为前N-1天日用水量、日最高温度、日降水量、是否为节假日。
作为本发明的一种优选方案,所述稀疏自编码器包括输入层、隐藏层、输出层。
作为本发明的一种优选方案,步骤2所述深度学习网络模型为:在包含K-1 个隐层的栈式自编码器基础上再连接包含1个隐层的反向传播神经网络,构成深度学习网络模型的整个网络结构。
作为本发明的一种优选方案,步骤1所述N为大于3的正整数。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明通过集成栈式自编码器(SAE)和反向传播神经网络(BPNN)构建深度学习网络模型,用于日用水量预测。
2、本发明同时利用了SAE的强大特征表征能力和BPNN的优越预测能力,提高了城市日用水量预测的准确度。
附图说明
图1是本发明基于深度学习的城市日用水量预测方法的流程图。
图2是本发明基于深度学习的城市日用水量预测方法中深度学习网络结构模型图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,为本发明一种基于深度学习的城市日用水量预测方法的流程图,该方法包括以下步骤:
步骤1:利用前N天每日用水量、日最高温度、日降水量、是否为节假日作为输入数据,利用下一日的用水量作为输出数据,构建用于训练的输入输出数据集,并对数据输入归一化预处理;
步骤2:搭建深度学习网络模型,所述模型是集成栈式自编码器(SAE)和反向传播神经网络(BPNN)的多层的网络结构,包括输入层、输出层、以及K 个隐层,如图2所示;
步骤3:随机初始化步骤2中的模型的网络权重;
步骤4:将步骤1中预处理后的数据作为训练样本,通过逐层贪婪训练具有 K-1个隐层的栈式自编码器(SAE),获得的K-1个隐层的网络权重作为深度学习模型前K-1个隐层的权重;
训练包含K-1个隐层的栈式自编码器(SAE)的过程实际上是训练K-1个稀疏自编码器(稀疏自动编码器由三层组成:输入层,隐藏层和输出层,其原理是让输出等于输入),其前一个稀疏自编码器的隐含层输出作为其后一个稀疏自编码器的输入,第一个稀疏自编码器的输入为前N-1日的用水量、降雨量、日最高温度、是否为节假日等输入数据。训练完成后将K-1个稀疏自编码器各自隐层的权重作为栈式自编码器(SAE)K-1个隐层的权重。
步骤5:在包含K-1个隐层的SAE基础上在连接一个反向传播神经网络 (BPNN,包含一个隐层,SAE输出的特征作为BPNN的输入),构成了深度学习模型的整个网络结构;
步骤6:通过反向传播算法对整个K+2层的深度学习模型网络权重进行调谐优化;
步骤7:经过训练完成构建整个K+2层网络的城市日用水量预测模型,将未训练过的前N-1日用水量、降雨量、日最高温度、是否为节假日等数据输入预测模型,预测下一日的用水量。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (5)
1.一种基于深度学习的城市日用水量预测方法,其特征在于,包括如下步骤:
步骤1,连续搜集N天的历史数据,包括日用水量、日最高温度、日降水量以及是否为节假日,并对搜集的历史数据做归一化预处理;利用前N-1天每日用水量、日最高温度、日降水量、是否为节假日作为输入数据,利用第N天的日用水量数据作为输出数据,构建用于训练的输入输出数据集;N为正整数;
步骤2,构建深度学习网络模型,包括输入层、K个隐层以及输出层;该模型由包含K-1个隐层的栈式自编码器和包含1个隐层的反向传播神经网络构成;K为大于2的正整数;
步骤3,随机初始化步骤2构建的深度学习网络模型的网络权重;
步骤4,将步骤1构建的输入输出数据集作为训练样本,通过逐层贪婪训练具有K-1个隐层的栈式自编码器,得到K-1个隐层的权重,将K-1个隐层的权重分别对应作为深度学习网络模型前K-1个隐层的网络权重;
步骤5,将栈式自编码器的输出作为反向传播神经网络的输入,通过反向传播算法对深度学习网络模型总共K+2层的网络权重进行调谐优化,得到训练完成的深度学习网络模型;
步骤6,获取测试样本,包括日用水量、日最高温度、日降水量以及是否为节假日,并对测试样本进行归一化处理,利用训练完成的深度学习网络模型对经归一化处理后的测试样本进行预测。
2.根据权利要求1所述基于深度学习的城市日用水量预测方法,其特征在于,步骤4所述逐层贪婪训练具有K-1个隐层的栈式自编码器,具体为:逐层贪婪训练具有K-1个隐层的栈式自编码器即为训练K-1个稀疏自编码器,将前一个稀疏自编码器隐藏层的输出作为后一个稀疏自编码器的输入,第一个稀疏自编码器的输入为前N-1天日用水量、日最高温度、日降水量、是否为节假日。
3.根据权利要求2所述基于深度学习的城市日用水量预测方法,其特征在于,所述稀疏自编码器包括输入层、隐藏层、输出层。
4.根据权利要求1所述基于深度学习的城市日用水量预测方法,其特征在于,步骤2所述深度学习网络模型为:在包含K-1个隐层的栈式自编码器基础上再连接包含1个隐层的反向传播神经网络,构成深度学习网络模型的整个网络结构。
5.根据权利要求1所述基于深度学习的城市日用水量预测方法,其特征在于,步骤1所述N为大于3的正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711127624.XA CN107977735A (zh) | 2017-11-15 | 2017-11-15 | 一种基于深度学习的城市日用水量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711127624.XA CN107977735A (zh) | 2017-11-15 | 2017-11-15 | 一种基于深度学习的城市日用水量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107977735A true CN107977735A (zh) | 2018-05-01 |
Family
ID=62013389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711127624.XA Pending CN107977735A (zh) | 2017-11-15 | 2017-11-15 | 一种基于深度学习的城市日用水量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977735A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242265A (zh) * | 2018-08-15 | 2019-01-18 | 杭州电子科技大学 | 基于误差平方和最小的城市需水量组合预测方法 |
CN110751416A (zh) * | 2019-10-29 | 2020-02-04 | 杭州鲁尔物联科技有限公司 | 一种用水量的预测方法、装置及设备 |
CN111626518A (zh) * | 2020-05-29 | 2020-09-04 | 上海交通大学 | 基于深度学习神经网络的城市天级需水量在线预测方法 |
CN112036668A (zh) * | 2020-09-30 | 2020-12-04 | 北京百度网讯科技有限公司 | 用水量预测方法、装置、电子设备以及计算机可读介质 |
CN114862618A (zh) * | 2022-04-21 | 2022-08-05 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的城市用水量预测方法、装置、设备及介质 |
CN116451874A (zh) * | 2023-06-14 | 2023-07-18 | 埃睿迪信息技术(北京)有限公司 | 一种城市用水量预测方法、装置及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100104118A (ko) * | 2009-03-16 | 2010-09-29 | 주식회사 비츠로시스 | 지엠디에이치 알고리즘을 이용한 물수요 예측방법 |
CN105868852A (zh) * | 2016-03-28 | 2016-08-17 | 广州地理研究所 | 城市居民日用水量预测方法 |
-
2017
- 2017-11-15 CN CN201711127624.XA patent/CN107977735A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100104118A (ko) * | 2009-03-16 | 2010-09-29 | 주식회사 비츠로시스 | 지엠디에이치 알고리즘을 이용한 물수요 예측방법 |
CN105868852A (zh) * | 2016-03-28 | 2016-08-17 | 广州地理研究所 | 城市居民日用水量预测方法 |
Non-Patent Citations (2)
Title |
---|
FAN LIU, ET AL: "A Flood Forecasting Model based on Deep Learning Algorithm via Integrating Stacked Autoencoders with BP Neural Network", 《2017 IEEE THIRD INTERNATIONAL CONFERENCE ON MULTIMEDIA BIG DATA》 * |
阎立华等: "城市日用水量预测的神经网络方法", 《沈阳建筑工程学院学报(自然科学版)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242265A (zh) * | 2018-08-15 | 2019-01-18 | 杭州电子科技大学 | 基于误差平方和最小的城市需水量组合预测方法 |
CN109242265B (zh) * | 2018-08-15 | 2022-03-01 | 杭州电子科技大学 | 基于误差平方和最小的城市需水量组合预测方法 |
CN110751416A (zh) * | 2019-10-29 | 2020-02-04 | 杭州鲁尔物联科技有限公司 | 一种用水量的预测方法、装置及设备 |
CN111626518A (zh) * | 2020-05-29 | 2020-09-04 | 上海交通大学 | 基于深度学习神经网络的城市天级需水量在线预测方法 |
CN112036668A (zh) * | 2020-09-30 | 2020-12-04 | 北京百度网讯科技有限公司 | 用水量预测方法、装置、电子设备以及计算机可读介质 |
CN112036668B (zh) * | 2020-09-30 | 2023-06-16 | 北京百度网讯科技有限公司 | 用水量预测方法、装置、电子设备以及计算机可读介质 |
CN114862618A (zh) * | 2022-04-21 | 2022-08-05 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的城市用水量预测方法、装置、设备及介质 |
CN116451874A (zh) * | 2023-06-14 | 2023-07-18 | 埃睿迪信息技术(北京)有限公司 | 一种城市用水量预测方法、装置及设备 |
CN116451874B (zh) * | 2023-06-14 | 2023-09-05 | 埃睿迪信息技术(北京)有限公司 | 一种城市用水量预测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Deep temporal convolutional networks for short-term traffic flow forecasting | |
CN107977735A (zh) | 一种基于深度学习的城市日用水量预测方法 | |
Hu et al. | Forecasting energy consumption and wind power generation using deep echo state network | |
Ren et al. | Multi-scale dense gate recurrent unit networks for bearing remaining useful life prediction | |
Wang et al. | A BP neural network model optimized by mind evolutionary algorithm for predicting the ocean wave heights | |
Le et al. | Comparison of deep learning techniques for river streamflow forecasting | |
Wen et al. | Big data driven marine environment information forecasting: a time series prediction network | |
Almalaq et al. | A review of deep learning methods applied on load forecasting | |
CN111161535B (zh) | 基于注意力机制的图神经网络交通流量预测方法及系统 | |
Benmouiza et al. | Forecasting hourly global solar radiation using hybrid k-means and nonlinear autoregressive neural network models | |
Zolfaghari et al. | Modeling and predicting the electricity production in hydropower using conjunction of wavelet transform, long short-term memory and random forest models | |
Nikoo et al. | Flood-routing modeling with neural network optimized by social-based algorithm | |
Ju et al. | Division-based rainfall-runoff simulations with BP neural networks and Xinanjiang model | |
Fu et al. | Prediction of particular matter concentrations by developed feed-forward neural network with rolling mechanism and gray model | |
Movagharnejad et al. | Forecasting the differences between various commercial oil prices in the Persian Gulf region by neural network | |
Bing et al. | Stock market prediction using artificial neural networks | |
Pizzuti et al. | Smart street lighting management | |
CN110580543A (zh) | 一种基于深度信念网络的电力负荷预测方法及系统 | |
CN107704970A (zh) | 一种基于Spark的需求侧负荷预测方法 | |
Lawal et al. | Wind speed prediction using hybrid 1D CNN and BLSTM network | |
Tsai et al. | Decision tree–based classifier combined with neural-based predictor for water-stage forecasts in a river basin during typhoons: a case study in taiwan | |
Al-Janabi et al. | Development of deep learning method for predicting DC power based on renewable solar energy and multi-parameters function | |
Cai et al. | An air quality prediction model based on a noise reduction self-coding deep network | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Wang et al. | An approach of recursive timing deep belief network for algal bloom forecasting |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180501 |