CN108093085A - 一种大数据系统实时服务参数自适应调整方法 - Google Patents

一种大数据系统实时服务参数自适应调整方法 Download PDF

Info

Publication number
CN108093085A
CN108093085A CN201810040704.XA CN201810040704A CN108093085A CN 108093085 A CN108093085 A CN 108093085A CN 201810040704 A CN201810040704 A CN 201810040704A CN 108093085 A CN108093085 A CN 108093085A
Authority
CN
China
Prior art keywords
resource
service parameter
real time
time service
elman
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
Application number
CN201810040704.XA
Other languages
English (en)
Inventor
聂敏
连德富
李春
孙俊
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.)
Chengdu Xundao Technology Co Ltd
Original Assignee
Chengdu Xundao Technology Co Ltd
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 Chengdu Xundao Technology Co Ltd filed Critical Chengdu Xundao Technology Co Ltd
Priority to CN201810040704.XA priority Critical patent/CN108093085A/zh
Publication of CN108093085A publication Critical patent/CN108093085A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5019—Workload prediction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5022—Workload threshold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/505—Clust
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/508—Monitor

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种大数据系统实时服务参数自适应调整方法，其特征在于：包括采集系统资源使用监控记录；基于Elman神经网络建立系统资源使用预测模型；对系统资源使用预测模型的训练和预测，获得所需的资源负荷预测值；根据资源使用预测值，自动调整系统实时服务参数。本发明通过深度学习方法训练系统资源使用的预测模型，预测的资源变化量，基于资源使用量与服务参数之间的关系，实现对系统服务参数的自适应调整。

Description

一种大数据系统实时服务参数自适应调整方法
技术领域
本发明涉及大数据处理技术领域，尤其是一种大数据系统实时服务参数自适应调整方法。
背景技术
随着信息技术的发展，信息化程度的不断提高，系统越来越复杂，管理平台往分布式的结果发展，随着信息技术的发展，信息化程度的不断提高，系统越来越复杂，管理平台往分布式的结果发展。分布式网络存储系统采用可扩展的系统结构，利用多台存储服务器分担存储负荷，利用位置服务器定位存储信息。在分布式的结构的系统中，分布式大数据系统配置效率非常重要。
在大数据系统中，由于对资源的需求不清楚，系统配置的参数无法将系统资源进行合理配置，从而造成系统性能差，严重影响系统的工作。
发明内容
本发明的发明目的在于：针对上述存在的问题，提供一种大数据系统实时服务参数自适应调整方法，通过对资源使用的预测，对服务参数进行调整，从而合理配置资源，提高大数据系统的工作性能。
本发明采用的技术方案如下：
本发明一种大数据系统实时服务参数自适应调整方法，包括采集系统资源使用监控记录；基于Elman神经网络建立系统资源使用预测模型；对系统资源使用预测模型的训练和预测，包括以下步骤：S1：利用固定尺寸重叠滑动窗口技术从系统资源使用监控记录数据中提取资源负荷子序列集；S2：使用聚类算法将资源负荷子序列集按照最优个数分成若干类，放置在不同的聚类簇中；S3：输入当前的资源负荷数据，并将该数据和已有的聚类簇的数据进行似然度计算，提取具有与当前资源负荷数据具有最大似然度的聚类簇；S4：将聚类簇的资源负荷子序列集输入到Elman神经网络预测模块中对其进行训练和预测，获得所需的资源负荷预测值；根据资源使用预测值，自动调整系统实时服务参数。
进一步，所述S2中聚类簇的最优个数的计算方法：
S21：利用AIC准则计算聚类对应的最高后验概率P(M/X)的值，式中，d为HMM模型M参数空间中所有参数的总数，N为所给数据个数的总和，为数据xi属于第k个聚类的隶属度，Pk是混合模型中每个HMM模型的先验概率；
S22：AIC准则通过权衡对数似然项和复杂度惩罚项来确定最佳聚类个数。
进一步，所述S4中Elman神经网络预测模块的训练具体包括以下：构建Elman神经网络模型，初始Elman神经网络的权值阈值长度；通过遗传算法对Elman神经网络的权值进行训练；获取最优权值阈值；对Elman神经网络进行更新权值训练。
进一步，通过遗传算法对Elman神经网络的权值进行训练的方法：种群个体实数编码和种群初始化；将Elman神经网络训练误差作为适应度值；进行选择、交叉和变异操作，计算适应度值；检查是否满足结束条件，产生神经网络的最优权值阈值。
进一步，所述适应度值的计算公式：
E(k)＝1/2(yd(k)-y(k))T(yd(k)-y(k))；式中yd(k)为第k步网络的实际输出。
进一步，构建Elman神经网络模型，Elman神经网络模型结构包括输入层、隐含层、输出层和关联层的四层神经网络结构，数学模型表示为：
y(k)＝g[ω3x(k)]
x(k)＝f[ω1xc(k)+ω2u(k-1)]
xc(k)＝αxc(k-1)+x(k-1)
公式中，ω1表示隐含层与关联层的连接权矩阵，ω2表示隐含层与输入层之间的连接权矩阵，ω3表示隐含层与输出层的连接权矩阵，y(k)表示k时刻神经网络的输出，u(k)表示k时刻神经网络的输入，x(k)表示k时刻的隐含层状态，xc(k)表示k时刻关联层中神经元的状态，f(·)表示隐含层的激活函数所组成的非线性向量函数，g(·)表示输出层的激活函数所组成的非线性向量函数，其中f(·)取sigmoid函数；0≤α<1为隐含层子反馈增益因子。
进一步，所述通过预测模块预测下一段时间内的资源需求量，并与当前的资源负荷量结合，计算需要增加或释放的资源，从而自适应调整系统服务参数。
综上所述，由于采用了上述技术方案，本发明的有益效果是：与现有技术相比，通过建立大数据系统资源数据使用预测模型，预测系统下一时间的资源使用量，并结合现有的资源使用情况，得到需要调整的资源量，从而自适应调整系统实时服务参数。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明中系统资源使用预测模型的训练和预测方法流程图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
如图1，本发明一种大数据系统实时服务参数自适应调整方法，包括采集系统资源使用监控记录；基于Elman神经网络建立系统资源使用预测模型，进行训练和预测；并根据预测值调整系统实时服务参数。
系统资源使用预测模型的训练和预测步骤包括以下：
S1：利用固定尺寸重叠滑动窗口技术从系统资源使用监控记录数据中提取资源负荷子序列集；
S2：使用聚类算法将资源负荷子序列集按照最优个数分成若干类，放置在不同的聚类簇中；聚类簇的最优个数的计算方法：
S21：利用AIC准则计算聚类对应的最高后验概率P(M/X)的值；由于AIC准则：其中d为HMM模型M参数空间中所有参数的总数,N为所给数据个数的总和，LL是由HMM模型对所给数据计算得到的对数似然值；所以式中为数据xi属于第k个聚类的隶属度，Pk是混合模型中每个HMM模型的先验概率；
S22：AIC准则通过权衡对数似然项和复杂度惩罚项来确定最佳聚类个数；
S3：输入当前的资源负荷数据，并将该数据和已有的聚类簇的数据进行似然度计算，提取具有与当前资源负荷数据具有最大似然度的聚类簇；
S4：将聚类簇的资源负荷子序列集输入到Elman神经网络预测模块中对其进行训练和预测，获得所需的资源负荷预测值；
Elman神经网络预测模块的训练具体包括以下：
步骤一：构建Elman神经网络模型；Elman神经网络模型结构包括输入层、隐含层、输出层和关联层的四层神经网络结构，数学模型表示为：
y(k)＝g[ω3x(k)]
x(k)＝f[ω1xc(k)+ω2u(k-1)]
xc(k)＝αxc(k-1)+x(k-1)
公式中，ω1表示隐含层与关联层的连接权矩阵，ω2表示隐含层与输入层之间的连接权矩阵，ω3表示隐含层与输出层的连接权矩阵，y(k)表示k时刻神经网络的输出，u(k)表示k时刻神经网络的输入，x(k)表示k时刻的隐含层状态，xc(k)表示k时刻关联层中神经元的状态，f(·)表示隐含层的激活函数所组成的非线性向量函数，g(·)表示输出层的激活函数所组成的非线性向量函数，其中f(·)取sigmoid函数；0≤α<1为隐含层子反馈增益因子；
步骤二：初始Elman神经网络的权值阈值长度；
步骤三：通过遗传算法对Elman神经网络的权值进行训练；具体包括：种群个体实数编码和种群初始化；将Elman神经网络训练误差作为适应度值；进行选择、交叉和变异操作，计算适应度值；所述适应度值的计算公式：E(k)＝1/2(yd(k)-y(k))T(yd(k)-y(k))；式中yd(k)为第k步网络的实际输出；检查是否满足结束条件，产生神经网络的最优权值阈值；
步骤四：获取最优权值阈值；对Elman神经网络进行更新权值训练。
在通过预测模块预测下一段时间内的资源需求量，并与当前的资源负荷量结合后，计算需要增加或释放的资源，从而自适应调整系统服务参数。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (7)

1.一种大数据系统实时服务参数自适应调整方法，其特征在于：包括采集系统资源使用监控记录；
基于Elman神经网络建立系统资源使用预测模型；
对系统资源使用预测模型的训练和预测，包括以下步骤：S1：利用固定尺寸重叠滑动窗口技术从系统资源使用监控记录数据中提取资源负荷子序列集；S2：使用聚类算法将资源负荷子序列集按照最优个数分成若干类，放置在不同的聚类簇中；S3：输入当前的资源负荷数据，并将该数据和已有的聚类簇的数据进行似然度计算，提取具有与当前资源负荷数据具有最大似然度的聚类簇；S4：将聚类簇的资源负荷子序列集输入到Elman神经网络预测模块中对其进行训练和预测，获得所需的资源负荷预测值；
根据资源使用预测值，自动调整系统实时服务参数。
2.如权利要求1所述的大数据系统实时服务参数自适应调整方法，其特征在于：所述S2中聚类簇的最优个数的计算方法：
S21：利用AIC准则计算聚类对应的最高后验概率P(M/X)的值，式中，d为HMM模型M参数空间中所有参数的总数，N为所给数据个数的总和，为数据xi属于第k个聚类的隶属度，Pk是混合模型中每个HMM模型的先验概率；
S22：AIC准则通过权衡对数似然项和复杂度惩罚项来确定最佳聚类个数。
3.如权利要求1所述的大数据系统实时服务参数自适应调整方法，其特征在于：所述S4中Elman神经网络预测模块的训练具体包括以下步骤：构建Elman神经网络模型，初始Elman神经网络的权值阈值长度；通过遗传算法对Elman神经网络的权值进行训练；获取最优权值阈值；对Elman神经网络进行更新权值训练。
4.如权利要求3所述的大数据系统实时服务参数自适应调整方法，其特征在于：通过遗传算法对Elman神经网络的权值进行训练的方法：种群个体实数编码和种群初始化；将Elman神经网络训练误差作为适应度值；进行选择、交叉和变异操作，计算适应度值；检查是否满足结束条件，产生神经网络的最优权值阈值。
5.如权利要求4所述的大数据系统实时服务参数自适应调整方法，其特征在于：所述适应度值的计算公式：
E(k)＝1/2(yd(k)-y(k))T(yd(k)-y(k))；式中yd(k)为第k步网络的实际输出。
6.如权利要求3所述的大数据系统实时服务参数自适应调整方法，其特征在于：构建Elman神经网络模型，Elman神经网络模型结构包括输入层、隐含层、输出层和关联层的四层神经网络结构，数学模型表示为：
y(k)＝g[ω3x(k)]
x(k)＝f[ω1xc(k)+ω2u(k-1)]
xc(k)＝αxc(k-1)+x(k-1)
公式中，ω1表示隐含层与关联层的连接权矩阵，ω2表示隐含层与输入层之间的连接权矩阵，ω3表示隐含层与输出层的连接权矩阵，y(k)表示k时刻神经网络的输出，u(k)表示k时刻神经网络的输入，x(k)表示k时刻的隐含层状态，xc(k)表示k时刻关联层中神经元的状态，f(·)表示隐含层的激活函数所组成的非线性向量函数，g(·)表示输出层的激活函数所组成的非线性向量函数，其中f(·)取sigmoid函数；0≤α<1为隐含层子反馈增益因子。
7.如权利要求1所述的大数据系统实时服务参数自适应调整方法，其特征在于：所述通过预测模块预测下一段时间内的资源需求量，并与当前的资源负荷量结合，计算需要增加或释放的资源，从而自适应调整系统服务参数。
CN201810040704.XA 2018-01-16 2018-01-16 一种大数据系统实时服务参数自适应调整方法 Pending CN108093085A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810040704.XA CN108093085A (zh) 2018-01-16 2018-01-16 一种大数据系统实时服务参数自适应调整方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810040704.XA CN108093085A (zh) 2018-01-16 2018-01-16 一种大数据系统实时服务参数自适应调整方法

Publications (1)

Publication Number Publication Date
CN108093085A true CN108093085A (zh) 2018-05-29

Family

ID=62182331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810040704.XA Pending CN108093085A (zh) 2018-01-16 2018-01-16 一种大数据系统实时服务参数自适应调整方法

Country Status (1)

Country Link
CN (1) CN108093085A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959787A (zh) * 2018-07-12 2018-12-07 山东大学 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统
CN109445935A (zh) * 2018-10-10 2019-03-08 杭州电子科技大学 云计算环境下一种高性能大数据分析系统自适应配置方法
CN109996247A (zh) * 2019-03-27 2019-07-09 中国电子科技集团公司信息科学研究院 网络化资源调配方法、装置、设备及存储介质
CN110322933A (zh) * 2019-06-20 2019-10-11 浙江工业大学 一种基于动态误差补偿机制的聚丙烯熔融指数混合建模方法
TWI758979B (zh) * 2020-11-30 2022-03-21 財團法人工業技術研究院 適應性搜尋空間調整的參數最佳化系統與方法及應用其之使用者介面
CN114861781A (zh) * 2022-04-25 2022-08-05 北京科杰科技有限公司 自动调参优化方法、装置、电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593538A (zh) * 2013-11-28 2014-02-19 东南大学 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法
CN107025384A (zh) * 2015-10-15 2017-08-08 赵乐平 一种复杂数据预测模型的构建方法
CN107578093A (zh) * 2017-09-14 2018-01-12 长安大学 滑坡变形的Elman神经网络动态预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593538A (zh) * 2013-11-28 2014-02-19 东南大学 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法
CN107025384A (zh) * 2015-10-15 2017-08-08 赵乐平 一种复杂数据预测模型的构建方法
CN107578093A (zh) * 2017-09-14 2018-01-12 长安大学 滑坡变形的Elman神经网络动态预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XU, DA-YU等: "A mixture of HMM, GA, and Elman network for load prediction in cloud-oriented data centers", 《JOURNAL OF ZHEJIANG UNIVERSITY-SCIENCE C (COMPUTERS & ELECTRONICS)》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959787A (zh) * 2018-07-12 2018-12-07 山东大学 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统
CN108959787B (zh) * 2018-07-12 2023-05-26 山东大学 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统
CN109445935A (zh) * 2018-10-10 2019-03-08 杭州电子科技大学 云计算环境下一种高性能大数据分析系统自适应配置方法
CN109445935B (zh) * 2018-10-10 2021-08-10 杭州电子科技大学 云计算环境下一种高性能大数据分析系统自适应配置方法
CN109996247A (zh) * 2019-03-27 2019-07-09 中国电子科技集团公司信息科学研究院 网络化资源调配方法、装置、设备及存储介质
CN109996247B (zh) * 2019-03-27 2022-03-11 中国电子科技集团公司信息科学研究院 网络化资源调配方法、装置、设备及存储介质
CN110322933A (zh) * 2019-06-20 2019-10-11 浙江工业大学 一种基于动态误差补偿机制的聚丙烯熔融指数混合建模方法
TWI758979B (zh) * 2020-11-30 2022-03-21 財團法人工業技術研究院 適應性搜尋空間調整的參數最佳化系統與方法及應用其之使用者介面
US11960253B2 (en) 2020-11-30 2024-04-16 Industrial Technology Research Institute System and method for parameter optimization with adaptive search space and user interface using the same
CN114861781A (zh) * 2022-04-25 2022-08-05 北京科杰科技有限公司 自动调参优化方法、装置、电子设备

Similar Documents

Publication Publication Date Title
CN108093085A (zh) 一种大数据系统实时服务参数自适应调整方法
CN105138717A (zh) 一种动态变异粒子群优化神经网络的变压器状态评估方法
EP1557788A2 (en) Reduction of fitness evaluations using clustering technique and neural network ensembles
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN105160444A (zh) 电力设备故障率确定方法及系统
CN108985514A (zh) 基于eemd和lstm的负荷预测方法、装置及设备
CN104636801A (zh) 一种基于优化bp神经网络的预测输电线路可听噪声方法
CN104636985A (zh) 一种改进bp神经网络的输电线路无线电干扰预测方法
CN109818775A (zh) 基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法
CN105868863B (zh) 一种基于模糊判断的机电系统多层级可靠性预计方法
CN107103359A (zh) 基于卷积神经网络的大服务系统在线可靠性预测方法
CN115098330A (zh) 基于云边协同模式的设备异常检测系统及方法
CN110070228A (zh) 一种神经元分支进化的bp神经网络风速预测方法
CN108594793A (zh) 一种改进的rbf飞控系统故障诊断网络训练方法
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN111832836B (zh) 一种计及负荷用电特性的配电网重构方法及系统
CN114117787A (zh) 基于ssa优化bp神经网络的短期风功率预测方法
CN113627533A (zh) 一种基于强化学习的电力设备检修决策生成方法
CN116862021B (zh) 基于信誉评估的抗拜占庭攻击的去中心化学习方法及系统
CN111242347B (zh) 基于历史权重更新的桥梁管养辅助决策系统
Razmi et al. Neural network based on a genetic algorithm for power system loading margin estimation
CN112183721A (zh) 一种基于自适应差分进化的组合水文预测模型的构建方法
CN111027855A (zh) 考虑输电线路气象灾害故障概率的电力系统风险控制方法
CN116432968A (zh) 一种电力系统的储能规划方法及设备
CN115860044A (zh) 基于改进松鼠搜索算法的短期电力负荷预测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180529

RJ01 Rejection of invention patent application after publication