CN108198421B - 一种区分单车、多车事故的高速公路事故多发路段判别方法 - Google Patents
一种区分单车、多车事故的高速公路事故多发路段判别方法 Download PDFInfo
- Publication number
- CN108198421B CN108198421B CN201810052199.0A CN201810052199A CN108198421B CN 108198421 B CN108198421 B CN 108198421B CN 201810052199 A CN201810052199 A CN 201810052199A CN 108198421 B CN108198421 B CN 108198421B
- Authority
- CN
- China
- Prior art keywords
- accident
- road
- traffic
- safety
- accidents
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000007726 management method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013398 bayesian method Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种区分单车、多车事故的高速公路事故多发路段判别方法，应用于交通安全管理与道路安全评估领域。通过采集道路几何数据、交通运行数据和交通事故数据，根据事故形态将交通事故分成单车、多车事故，基于道路几何参数划分高速公路同质路段，并统计各路段的单车事故数和多车事故数，以构建交通安全分析的样本数据集，使用全贝叶斯方法分别建立单车、多车事故的安全表现模型，将样本数据代入安全表现模型计算安全可提高空间并据此进行路段排序，从而判别单车、多车事故的事故多发路段。所发明的方法分开判别了单车、多车事故的高速公路事故多发路段，相对于基于事故总数的事故多发路段判别方法，具有更高的准确性和可靠性。
Description
技术领域
本发明涉及交通安全管理领域，特别涉及一种区分单车、多车事故的高速公路事故多发路段判别方法。
背景技术
高速公路具有交通设施完善、交通流量大、运行舒适等优点，然而较高的车辆行驶速度导致其交通事故严重程度亦处于较高水平，据统计，我国高速公路的死亡率是一般公路的4.2倍。2003年公安部公布的29个国家级的事故危险路段中高速公路占了5个，比例远远高出一般公路。高速公路交通安全已越来越受到管理者的重视，发展重点也逐步进入“管建并举，管理为重”的阶段。其中，事故多发路段判别是高速公路交通安全管理的重要内容之一。
事故多发路段判别就是基于路段安全性确定高速公路危险路段。目前事故多发路段判别方法主要分为三类：事故数法、空间分析法以及事故预测模型法。事故数法基于观测的事故绝对数直接进行判别，包括事故数法、事故率法等，我国交通部门在开展事故多发路段排查工作时常常采用此类方法，但是该方法忽略了事故的空间集聚性和随机波动性，易导致判别结果出现偏差。空间分析法利用空间分析技术识别点的集聚特征，从而判断事故的多发路段，然而该方法未考虑到事故的影响因素，无法为后期道路改善工作提供依据和帮助。事故预测模型法通过构建安全表现模型分析事故的影响因素，并进行事故预测，基于事故预测值或构造其他指标如安全可提高空间(Potential for Safety Improvement,PSI)，最终判别事故多发路段。
现有事故多发路段判别工作多采用事故总数进行判别，未能考虑不同类型事故之间的空间分布差异性及改善措施差异性，如单车事故和多车事故。此外，国外的研究发现单车事故和多车事故的影响因素存在不同，建议分别建立安全表现模型以预测单车事故数、多车事故数，而不是基于总事故数建立单一的安全表现模型。
发明内容
本发明的目的是：一种区分单车、多车事故的高速公路事故多发路段判别方法。通过采集道路几何数据、交通运行数据和交通事故数据，根据事故形态将交通事故分成单车、多车事故，基于道路几何参数划分高速公路同质路段，并统计各路段的单车事故数和多车事故数，以构建交通安全分析的样本数据集，使用全贝叶斯方法分别建立单车、多车事故的安全表现模型，将样本数据代入安全表现模型计算安全可提高空间并据此进行路段排序，从而判别单车、多车事故的事故多发路段。
本发明所采用的技术方案是：
一种区分单车、多车事故的高速公路事故多发路段判别方法，步骤如下：
步骤1：获取高速公路道路几何数据、交通运行数据及交通事故数据。从道路设计资料中获取道路横断面、纵断面及平面几何数据，基于交通检测设备获取交通运行数据，通过交通管理部门获取事故数据，并根据事故形态将事故分为单车事故、多车事故。
步骤2：将高速公路划分为同质路段。根据横断面、纵断面及平面几何参数，将高速公路划分为几何参数一致的同质路段，即路段内部的横断面、纵断面及平面线形保持一致。
步骤3：构建样本数据集。提取各同质路段的道路几何特征变量、交通运行特征变量及单车事故数、多车事故数，构建交通安全分析的样本数据集，提供给步骤4和步骤5。
步骤4：使用全贝叶斯方法(Full Bayes Method)建立安全表现模型。
步骤4.1：基于泊松对数正态回归(Poisson LognormalRegression,PLN)构建安全表现模型。假设路段交通事故数服从泊松分布，其中Yi k表示路段i事故类型k的交通事故数，k＝1表示单车事故，k＝2表示多车事故，则构建安全表现模型为其中为路段i的事故数期望，表示自变量，即影响路段事故数的道路几何特征变量或交通运行特征变量，βk为各自变量对应的回归系数，为随机项，服从正态分布，δk 2为正态分布的方差。
步骤4.2：使用全贝叶斯方法估计安全表现模型参数。首先为参数设置一个特定的先验分布，再与观测数据结合得出后验分布，并通过马尔科夫链蒙特卡洛法(Markov ChainMonte Carlo,MCMC)完成参数估计。
步骤5：计算安全可提高空间(Potential for Safety Improvement,PSI)。安全可提高空间为贝叶斯估计事故数与类似地点平均事故期望的差值，计算公式为 其中，为路段i事故类型k的安全可提高空间，k＝1表示单车事故，k＝2表示多车事故，表示自变量，βk为安全表现模型中的回归系数，为随机项。将样本数据代入计算公式，计算所有路段单车事故的安全可提高空间 (PSI1)和多车事故的安全可提高空间(PSI2)。
步骤6：判别事故多发路段。安全可提高空间越大路段越危险，根据PSI1和PSI2对路段进行降序排列，按照需求分别选取排列靠前者为单车、多车事故的事故多发路段。
本发明的优点是：
本发明提出了一种区分单车、多车事故的高速公路事故多发路段判别方法。其优点在于：1.判别高速公路事故多发路段时，区分了单车事故和多车事故，相较于采用总体事故数的传统判别方法，结果更加准确、有针对性；2.采用安全可提高空间作为事故多发路段的判别依据，考虑了相似路段的事故均值，相较于传统方法，判别结果更加合理。
附图说明
附图图1为本发明的流程图。
具体实施方式
通过采集道路几何数据、交通运行数据和交通事故数据，根据事故形态将交通事故分成单车、多车事故，基于道路几何参数划分高速公路同质路段，并统计各路段的单车事故数和多车事故数，以构建交通安全分析的样本数据集，使用全贝叶斯方法分别建立单车、多车事故的安全表现模型，将样本数据代入安全表现模型计算安全可提高空间并据此进行路段排序，从而判别单车、多车事故的事故多发路段。所发明的方法分开判别了单车、多车事故的高速公路事故多发路段，相对于基于事故总数的事故多发路段判别方法，具有更高的准确性和可靠性。
下面结合附图和具体实施例对本发明进行详细说明,步骤如下：
步骤1：获取高速公路道路几何数据、交通运行数据及交通事故数据。从道路设计资料中获取道路横断面、纵断面及平面几何数据，基于交通检测设备获取交通运行数据，通过交通管理部门获取事故数据，并根据事故形态将事故分为单车事故、多车事故。
步骤2：将高速公路划分为同质路段。根据横断面、纵断面及平面几何参数，将高速公路划分为几何参数一致的同质路段，即路段内部的横断面、纵断面及平面线形保持一致。
步骤3：构建样本数据集。提取各同质路段的道路几何特征变量、交通运行特征变量及单车事故数、多车事故数，构建交通安全分析的样本数据集，提供给步骤4和步骤5。
步骤4：使用全贝叶斯方法(Full Bayes Method)建立安全表现模型。
步骤4.1：基于泊松对数正态回归(Poisson LognormalRegression,PLN)构建安全表现模型。假设路段交通事故数服从泊松分布，其中Yi k表示路段i事故类型k的交通事故数，k＝1表示单车事故，k＝2表示多车事故，则构建安全表现模型为其中为路段i的事故数期望，表示自变量，即影响路段事故数的道路几何特征变量或交通运行特征变量，βk为各自变量对应的回归系数，为随机项，服从正态分布，δk 2为正态分布的方差。
步骤4.2：使用全贝叶斯方法估计安全表现模型参数。首先为参数设置一个特定的先验分布，再与观测数据结合得出后验分布，并通过马尔科夫链蒙特卡洛法(Markov ChainMonte Carlo,MCMC)完成参数估计。进行参数估计时，设置参数先验分布为δk 2～gamma(0.001,0.001)，βk～normal(0,1×10-5)。基于95％贝叶斯置信区间 (Bayesian CredibleInterval,BCI)判断变量是否显著，若95％BCI不包含0，则变量显著。
步骤5：计算安全可提高空间(Potential for Safety Improvement,PSI)。安全可提高空间为贝叶斯估计事故数与类似地点平均事故期望的差值，计算公式为 其中，为路段i事故类型k的安全可提高空间，k＝1表示单车事故，k＝2表示多车事故，表示自变量，βk为安全表现模型中的回归系数，为随机项。将样本数据代入计算公式，计算所有路段单车事故的安全可提高空间 (PSI1)和多车事故的安全可提高空间(PSI2)。
步骤6：判别事故多发路段。安全可提高空间越大路段越危险，根据PSI1和PSI2对路段进行降序排列，按照需求分别选取排列靠前者为单车、多车事故的事故多发路段。
实施例
利用中国上海市沈海高速的真实道路几何数据、交通运行数据及交通管理部门记录的交通事故数据，测试本发明。
依照本发明的步骤1到步骤3，采集沈海高速的道路几何数据、交通运行数据及交通事故数据，根据交通事故的事故形态将其分为单车事故、多车事故。为保证同一路段的平面线形、纵断面线形和横断面参数相同，将沈海高速两侧共划分成343个同质路段，并为路段编号，提取各路段的道路几何特征变量、交通运行特征变量，并与各路段的单车事故数、多车事故数对应合并，构建交通安全分析的样本数据集。样本数据集中，道路几何变量包括平曲线类型、平曲线曲率、平曲线长度、缓和曲线长度、平曲线占路段长度的比例、竖曲线类型、最大坡度、竖曲线曲率、坡度变化值、纵坡长度、竖曲线占路段长度的比例、中央分隔带宽度、车道数、路段长度，交通运行变量包括交通流量、货车比例、平均速度、速度标准差，单车事故共391起，多车事故共665起。
基于样本数据集，依照本发明的步骤4，建立单车事故的安全表现模型，如表1所示；建立多车事故的安全表现模型，如表2所示。
表1
表2
依照本发明的步骤5和步骤6，将样本数据代入安全表现模型计算各路段的PSI1和PSI2，按照安全可提高空间对路段进行降序排列，PSI值越大排名越靠前。选取排名前10的路段作为事故多发路段，结果如表3所示。
表3
根据表3，安全可提高空间排名前10的路段中，只有路段269、路段198和路段3同时为单车事故和多车事故的事故多发路段。而单车事故与多车事故的前10名事故多发路段中，有7条路段都不相同，表明单车事故和多车事故的事故多发路段差异较大。因此，本发明的判别结果更加准确、有针对性，有利于高速公路交通安全管理工作的开展。
Claims (1)
1.一种区分单车、多车事故的高速公路事故多发路段判别方法，其特征在于，步骤如下：
步骤1：获取高速公路道路几何数据、交通运行数据及交通事故数据；从道路设计资料中获取道路横断面、纵断面及平面几何数据，基于交通检测设备获取交通运行数据，通过交通管理部门获取事故数据，并根据事故形态将事故分为单车事故、多车事故；
步骤2：将高速公路划分为同质路段；根据横断面、纵断面及平面几何参数，将高速公路划分为几何参数一致的同质路段，即路段内部的横断面、纵断面及平面线形保持一致；
步骤3：构建样本数据集；提取各同质路段的道路几何特征变量、交通运行特征变量及单车事故数、多车事故数，构建交通安全分析的样本数据集，提供给步骤4和步骤5；
步骤4：使用全贝叶斯方法建立安全表现模型；
步骤4.1：基于泊松对数正态回归构建安全表现模型；假设路段交通事故数服从泊松分布，其中Yi k表示路段i事故类型k的交通事故数，k＝1表示单车事故，k＝2表示多车事故，则构建安全表现模型为其中为路段i的事故数期望，表示自变量，即影响路段事故数的道路几何特征变量或交通运行特征变量，βk为各自变量对应的回归系数，为随机项，服从正态分布，δk 2为正态分布的方差；
步骤4.2：使用全贝叶斯方法估计安全表现模型参数；首先为参数设置一个特定的先验分布，再与观测数据结合得出后验分布，并通过马尔科夫链蒙特卡洛法完成参数估计；
步骤5：计算安全可提高空间；安全可提高空间为贝叶斯估计事故数与类似地点平均事故期望的差值，计算公式为其中，为路段i事故类型k的安全可提高空间，k＝1表示单车事故，k＝2表示多车事故，表示自变量，βk为安全表现模型中的回归系数，为随机项；将样本数据代入计算公式，计算所有路段单车事故的安全可提高空间PSI1和多车事故的安全可提高空间PSI2；
步骤6：判别事故多发路段；安全可提高空间越大路段越危险，根据PSI1和PSI2对路段进行降序排列，按照需求分别选取排列靠前者为单车、多车事故的事故多发路段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810052199.0A CN108198421B (zh) | 2018-01-19 | 2018-01-19 | 一种区分单车、多车事故的高速公路事故多发路段判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810052199.0A CN108198421B (zh) | 2018-01-19 | 2018-01-19 | 一种区分单车、多车事故的高速公路事故多发路段判别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108198421A CN108198421A (zh) | 2018-06-22 |
| CN108198421B true CN108198421B (zh) | 2019-06-11 |
Family
ID=62590197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810052199.0A Active CN108198421B (zh) | 2018-01-19 | 2018-01-19 | 一种区分单车、多车事故的高速公路事故多发路段判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108198421B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598929B (zh) * | 2018-11-26 | 2020-06-16 | 北京交通大学 | 一种多类别交通事故起数预测方法 |
| CN110335468A (zh) * | 2019-07-26 | 2019-10-15 | 王宣予 | 一种道路安全状态识别方法 |
| CN110956335B (zh) * | 2019-12-10 | 2020-10-02 | 黑龙江省公路勘察设计院 | 一种基于预测事故率分级的公路安全评价系统及评价方法 |
| CN113780641A (zh) * | 2021-08-31 | 2021-12-10 | 同济大学 | 一种基于迁移学习的事故预测方法及装置 |
| CN113887569B (zh) * | 2021-09-09 | 2022-10-25 | 同济大学 | 一种基于区域尺度的事故多发区域判别方法 |
| CN113920723B (zh) * | 2021-09-27 | 2022-09-16 | 同济大学 | 一种山区高速公路事故多发路段识别方法 |
| CN113887604A (zh) * | 2021-09-27 | 2022-01-04 | 同济大学 | 一种面向安全教育改善的重点管理区域识别方法 |
| CN113919144A (zh) * | 2021-09-27 | 2022-01-11 | 同济大学 | 一种山区高速公路事故致因分析模型建模方法及存储介质 |
| CN113920725B (zh) * | 2021-09-30 | 2022-12-16 | 同济大学 | 一种基于中观层面的城郊主干道事故预测方法及存储介质 |
| CN113836736A (zh) * | 2021-09-30 | 2021-12-24 | 交通运输部公路科学研究所 | 路段安全评价的方法、装置、电子设备和可读存储介质 |
| CN114611867A (zh) * | 2022-01-24 | 2022-06-10 | 广西交通设计集团有限公司 | 一种基运营期高等级公路事故易发点鉴别方法 |
| CN115171367A (zh) * | 2022-05-23 | 2022-10-11 | 广西交通设计集团有限公司 | 一种基于埃尔曼神经网络的高等级公路事故预测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6662141B2 (en) * | 1995-01-13 | 2003-12-09 | Alan R. Kaub | Traffic safety prediction model |
| CN103544850B (zh) * | 2013-09-13 | 2016-01-20 | 中国科学技术大学苏州研究院 | 车联网中基于车间距离概率分布的碰撞预测方法 |
| CN104809879B (zh) * | 2015-05-14 | 2017-05-03 | 重庆大学 | 基于动态贝叶斯网络的高速公路路段交通状态估计方法 |
| CN105070097B (zh) * | 2015-07-16 | 2017-05-03 | 山东交通学院 | 一种营运车辆道路交通事故风险识别方法 |
| CN106875687B (zh) * | 2017-04-24 | 2020-01-14 | 哈尔滨工业大学 | 一种基于滑动窗法的事故多发路段自动鉴别方法 |
| CN107564280B (zh) * | 2017-08-22 | 2020-09-29 | 王浩宇 | 基于环境感知的驾驶行为数据采集分析系统和方法 |
-
2018
- 2018-01-19 CN CN201810052199.0A patent/CN108198421B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108198421A (zh) | 2018-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108198421B (zh) | 一种区分单车、多车事故的高速公路事故多发路段判别方法 | |
| CN109448369B (zh) | 高速公路实时运行风险计算方法 | |
| CN104809879B (zh) | 基于动态贝叶斯网络的高速公路路段交通状态估计方法 | |
| WO2020244288A1 (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
| CN102360525B (zh) | 基于判别分析的快速道路实时交通事故风险预测方法 | |
| Mallikarjuna et al. | Area occupancy characteristics of heterogeneous traffic | |
| CN106297285B (zh) | 基于动态权重的高速公路交通运行状态模糊综合评价方法 | |
| CN108922168B (zh) | 一种中观层面事故多发道路判别的方法 | |
| CN108760740B (zh) | 一种基于机器视觉的路面抗滑性能快速检测方法 | |
| CN105946860B (zh) | 一种考虑驾驶风格的弯道车速预测方法 | |
| CN114783183A (zh) | 一种基于交通态势算法的监控方法与系统 | |
| CN111062648B (zh) | 一种沥青路面综合性能的评价方法 | |
| CN108682149A (zh) | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 | |
| CN106485919B (zh) | 一种判定快速道路定点测速仪对交通事故数量影响的方法 | |
| CN102360526A (zh) | 一种快速道路路段状态的实时监测方法 | |
| CN102735320A (zh) | 基于桥梁动应变识别车辆重量的方法 | |
| CN109635852B (zh) | 一种基于多维属性的用户画像构建与聚类方法 | |
| CN110562261B (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
| CN112767684A (zh) | 一种基于收费数据的高速公路交通拥堵检测方法 | |
| Biswas et al. | Assessment of level-of-service on urban arterials: a case study in Kolkata metropolis | |
| CN106780266B (zh) | 基于主成分贡献度参数的事故热点内特性分析及行车指导方法 | |
| CN108492560A (zh) | 一种道路检测器缺失数据补全方法及装置 | |
| CN112862279A (zh) | 高速公路行车道路面状况评价方法 | |
| CN106910334A (zh) | 一种基于大数据预测路段状况的方法及装置 | |
| CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 |
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 |