CN108399749A - 一种短时交通出行需求预测方法 - Google Patents
一种短时交通出行需求预测方法 Download PDFInfo
- Publication number
- CN108399749A CN108399749A CN201810207311.3A CN201810207311A CN108399749A CN 108399749 A CN108399749 A CN 108399749A CN 201810207311 A CN201810207311 A CN 201810207311A CN 108399749 A CN108399749 A CN 108399749A
- Authority
- CN
- China
- Prior art keywords
- branch
- time
- data
- prediction
- time dimension
- 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
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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种短时交通出行需求预测方法,属于数据挖掘技术领域。包括一种基于ConvLSTM网络的交通出行预测框架。将预测地区按道路划分成子区域,统计子区域在历史时刻下的交通出行需求量;然后,将统计的结果按照区域位置进行填充,形成历史数据快照;将历史数据按照时间维度划分成时间近期分支、时间趋势分支、时间区段分支;该框架包括从时间维度划分成不同的分支。首先它将待预测地区划分成不同的子区域,统计各个子区域中的交通出行需求量,将其按照不同的时间维度整理成为历史快照序列数据;然后搭建预测网络框架,训练得到每个分支的最优权重。最后预测每个分支的结果,并利用模型融合的方法对不同分支进行融合,提升预测的准确程度。
Description
技术领域
本发明属于数据挖掘技术领域。
背景技术
短时交通需求预测是交通数据挖掘领域的一大热点研究课题,例如:基于多视图聚类的短时交通需求预测,基于ARMA的短时交通需求预测等等。交通出行数据是典型的时空数据。大多数短时交通需求预测的研究课题,仅仅利用了时空数据中的时间性或空间性,不能够准确的刻画出出行数据中的时空规律。因此,研究如何充分综合的利用出行数据中的时空特性是十分必要的工作。
近两年,深度学习领域进展巨大。Alpha Go在围棋领域的巨大进步,Image Net数据集上,深度学习的识别能力已经远远超过人类等事实均表现出了深度学习的能力。并且与传统的方法相比,深度学习往往会取得比较优秀的成绩。在深度学习中,卷积神经网络能够提取数据中的空间特征;LSTM神经网络能够提取数据中的时间特征;ConvLSTM神经网络能够同时提取数据中的时空特征。因此,可以利用ConvLSTM神经网络去提取交通出行数据中的时空特性,从而提升需求预测的准确程度。
通过对现有的专利及相关技术的检索发现,现有的与交通出行需求预测有关的方法有:
(1)张秀梅,杨志奎,林宝华等.一种动态路网交通需求预测方法及其系统,CN106846805A[P].2017.提出了一种基于动态路网的交通需求预测方法及其系统。该方法采集多源交通数据,对其进行数据清洗,弥合和融合等操作。利用经验阈值,删除异常数据,补充缺失数据。将动态路网数据融入其中,构建闭环学习,从而提升动态路网的交通需求预测的准确程度。
(2)陆洋,陆化普,屈闻聪.用于评估当前出行需求及预测未来出行需求的方法及系统,CN104899443A[P].2015.提出了一种评估当前出行需求的方法。该方法利用一定的规则将预测范围划分为n个子范围,然后对区域范围内的土地使用数据,居民活动数据和无线设备数据等进行融合。最后根据融合后的数据和特定区域表现出的居民活动特性来确定当前区域的出行需求信息。
(3)冷彪;赵文远;熊璋.基于SVM预测乘客出行概率的轨道交通客流预测方法,CN103310287A[P].2013.提出了一种基于SVM预测乘客出行概率的轨道交通客流预测方法。利用轨道交通的历史出行数据,统计乘客出行比例和乘客从该站出发到其他站的比例。然后利用SVM模型得到这两种情况下的概率。最后利用列车的发车间隔等,模拟乘客出行,计算乘客到下一站点的时间,更新全路网客流。
可以看出现有的交通出行预测方法有其优点,但是也存在着不足,同时公路段交通出行需求的预测方法较少。通过对现有文献的查阅发现,目前存在的方法存在着以下不足:(1)使用模型相对原始,因此执行效率低下,预测准确度不高。(2)大部分方法仅仅考虑到,出行数据中的时间特性。但是在实际情况中,由于相邻区域的交通出行量会相互影响,因此空间特性是提升预测准确程度的一大因素。
因此,为了同时利用出行数据中的时空特性,进行端到端的预测,本发明采用了基于ConvLSTM神经网络的预测框架,以此最大程度地利用出行数据中的时空特性;除此之外,为了提高预测的准确程度,本发明引入了多视图的思想,利用时间属性上的不同维度,将整个框架分成三个分支,能够综合考虑时空特性;同时,本发明旨在尽可能多地挖掘数据中的有效信息,提取数据的特征,提升时空数据的预测性能,所提出的框架不仅可应用于交通领域,也能延伸到其他时空数据领域中,提高了方法的普适性。因此,本发明提出的短时交通出行需求预测方法具有较高的研究意义与应用价值。鉴于以上陈述的已有方案的不足,本发明旨在提供更简单的、更完善的方案,并使之克服现有技术的以上缺点。
发明内容
本发明的目的是提供一种基于端到端的交通出行需求预测方法,它利用深度学习中的ConvLSTM网络,能够同时获取数据中的时空特性,从而提高出行需求的预测准确程度,降低预测误差。同时,端到端的框架设计能够提升模型的预测速度,使得预测过程更加简单有效。该方法能够解决实际的交通需求预测问题,并且能够拓宽至其他时空相关领域。
本发明的目的是通过以下技术方案来实现的:
1.一种短时交通出行需求预测方法,包括以下步骤:
步骤一、按照时间维度整理交通出行需求数据:
(1)将预测地区按道路划分成子区域,统计子区域在历史时刻下的交通出行需求量;然后,将统计的结果按照区域位置进行填充,形成历史数据快照;
(2)将历史数据按照时间维度划分成三个分支,用Bc表示时间近期分支,Bt表示时间趋势分支,Bp表示时间区段分支;
(3)在每个时间维度分支下,将接近的t个小时的历史快照数据按照时间先后叠加在一起,就会形成在每个时间维度分支下的一段数据快照序列{TDn-1,TDn-2,…,TDn-t};TDn-1表示距离当前时间1个小时,然后依次到距离当前时间t个小时;
步骤二、构建神经网络预测框架:
根据所属时间维度,构建神经网络预测框架及其框架分支,神经网络预测框架的每个框架分支分别处理对应时间维度的历史快照数据,其中,预测部分的卷积长短记忆神经网络(ConvLSTM)负责获取时空数据中的时空性特征;批量化神经网络(BatchNormalization)负责加速训练,调整数据竞争方向,具有快速收敛特征;三维卷积层(Conv3D)负责最后特征子图的融合,得到预测结果;
步骤三、预测时间维度分支的结果与模型融合:
(1)将历史快照数据放入神经网络预测框架中进行训练,得到优化的非线性权重,进行保存;然后将预测集放入神经网络预测框架中,利用优化的权重,各个时间维度分支得到预测结果;
(2)将各个时间维度分支预测的结果,利用公式:
对进行模型融合,进一步提升预测结果的准确程度;
式中:分别表示Bc,Bp,Bt时间维度分支下的预测结果;TDt表示融合后的预测结果;*表示两个矩阵的乘积;Wc,Wp,Wt分别表示对应上述的三个时间维度下的权重;其中时间维度分支的个数按照时间的维度的切分粒度进行划分,神经网络预测框架分支的数目与时间维度分支的数目保持一致。
与现有技术相比,本发明的优点和效果:
(1)该发明提出了一个端到端的交通出行需求预测框架。该框架简单,高效,使用者仅需输入数据,通过框架处理,最后分析输出结果。(2)该发明使用的ConvLSTM网络能够同时获取时空数据中的时空特性,预测误差小,准确程度较高。(3)该发明提出的框架,能够扩展到其他相关的时空数据领域,拥有普适性。
附图说明
图1为本发明中交通出行需求预测框架示意图。
具体实施方式
以下结合附图实施对本发明作进一步详细描述。
本发明提出了一种短时交通出行需求预测方法,由以下步骤组成:
1.一种短时交通出行需求预测方法,包括以下步骤:
步骤一、按照时间维度整理交通出行需求数据:
(1)将预测地区按道路划分成子区域,统计子区域在历史时刻下的交通出行需求量;然后,将统计的结果按照区域位置进行填充,形成历史数据快照;
(2)将历史数据按照时间维度划分成三个分支,用Bc表示时间近期分支,Bt表示时间趋势分支,Bp表示时间区段分支;
(3)在每个时间维度分支下,将接近的t个小时的历史快照数据按照时间先后叠加在一起,就会形成在每个时间维度分支下的一段数据快照序列{TDn-1,TDn-2,…,TDn-t};TDn-1表示距离当前时间1个小时,然后依次到距离当前时间t个小时;
步骤二、构建神经网络预测框架:
根据所属时间维度,构建神经网络预测框架及其框架分支,神经网络预测框架的每个框架分支分别处理对应时间维度的历史快照数据,其中,预测部分的卷积长短记忆神经网络(ConvLSTM)负责获取时空数据中的时空性特征;批量化神经网络(BatchNormalization)负责加速训练,调整数据竞争方向,具有快速收敛特征;三维卷积层(Conv3D)负责最后特征子图的融合,得到预测结果;
步骤三、预测时间维度分支的结果与模型融合:
(1)将历史快照数据放入神经网络预测框架中进行训练,得到优化的非线性权重,进行保存;然后将预测集放入神经网络预测框架中,利用优化的权重,各个时间维度分支得到预测结果;
(2)将各个时间维度分支预测的结果,利用公式:
对进行模型融合,进一步提升预测结果的准确程度;
式中:分别表示Bc,Bp,Bt时间维度分支下的预测结果;TDt表示融合后的预测结果;*表示两个矩阵的乘积;Wc,Wp,Wt分别表示三个时间维度下的权重;其中时间维度分支的个数按照时间的维度的切分粒度进行划分,神经网络预测框架分支的数目与时间维度分支的数目保持一致。
例如,针对出租车交通出行需求数据。首先把预测区域划分成多个子区域,分别统计子区域在不同时间维度下的数据快照序列;然后搭建对应的神经网络预测框架,并将对应的时间维度的数据快照序列放入对应的神经网络预测框架中训练;接下来对对应的测试数据进行预测;最后利用模型融合得到结果。
对本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。
Claims (1)
1.一种短时交通出行需求预测方法,包括以下步骤:
步骤一、按照时间维度整理交通出行需求数据:
(1)将预测地区按道路划分成子区域,统计子区域在历史时刻下的交通出行需求量;然后,将统计的结果按照区域位置进行填充,形成历史数据快照;
(2)将历史数据按照时间维度划分成三个分支,用Bc表示时间近期分支,Bt表示时间趋势分支,Bp表示时间区段分支;
(3)在每个时间维度分支下,将接近的t个小时的历史快照数据按照时间先后叠加在一起,就会形成在每个时间维度分支下的一段数据快照序列{TDn-1,TDn-2,…,TDn-t};TDn-1表示距离当前时间1个小时,然后依次到距离当前时间t个小时;
步骤二、构建神经网络预测框架:
根据所属时间维度,构建神经网络预测框架及其框架分支,神经网络预测框架的每个框架分支分别处理对应时间维度的历史快照数据,其中,预测部分的卷积长短记忆神经网络(ConvLSTM)负责获取时空数据中的时空性特征;批量化神经网络(BatchNormalization)负责加速训练,调整数据竞争方向,具有快速收敛特征;三维卷积层(Conv3D)负责最后特征子图的融合,得到预测结果;
步骤三、预测时间维度分支的结果与模型融合:
(1)将历史快照数据放入神经网络预测框架中进行训练,得到优化的非线性权重,进行保存;然后将预测集放入神经网络预测框架中,利用优化的权重,各个时间维度分支得到预测结果;
(2)将各个时间维度分支预测的结果,利用公式: 对进行模型融合,进一步提升预测结果的准确程度;
式中:分别表示Bc,Bp,Bt时间维度分支下的预测结果;TDt表示融合后的预测结果;*表示两个矩阵的乘积;Wc,Wp,Wt分别表示对应三个时间维度下的权重;其中时间维度分支的个数按照时间的维度的切分粒度进行划分,神经网络预测框架分支的数目与时间维度分支的数目保持一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810207311.3A CN108399749A (zh) | 2018-03-14 | 2018-03-14 | 一种短时交通出行需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810207311.3A CN108399749A (zh) | 2018-03-14 | 2018-03-14 | 一种短时交通出行需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108399749A true CN108399749A (zh) | 2018-08-14 |
Family
ID=63092779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810207311.3A Pending CN108399749A (zh) | 2018-03-14 | 2018-03-14 | 一种短时交通出行需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399749A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767622A (zh) * | 2019-02-14 | 2019-05-17 | 重庆邮电大学 | 面向卡口相似性划分和循环神经网络的交通流量预测方法 |
CN109918671A (zh) * | 2019-03-12 | 2019-06-21 | 西南交通大学 | 基于卷积循环神经网络的电子病历实体关系抽取方法 |
CN109978040A (zh) * | 2019-03-19 | 2019-07-05 | 西南交通大学 | 一种交通运力分布预测方法 |
CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
CN110070715A (zh) * | 2019-04-29 | 2019-07-30 | 浙江工业大学 | 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法 |
CN110148296A (zh) * | 2019-04-16 | 2019-08-20 | 南京航空航天大学 | 一种基于深度迁移学习的跨城市交通流量联合预测方法 |
CN110210664A (zh) * | 2019-05-29 | 2019-09-06 | 东南大学 | 多个个体车辆使用行为短时预测的深度学习方法 |
CN111784018A (zh) * | 2019-04-03 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 一种资源调度方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000069165A (ja) * | 1998-08-19 | 2000-03-03 | Nippon Telegr & Teleph Corp <Ntt> | 時系列データ変換を用いたトラヒック予測方法及びその装置 |
CN105046953A (zh) * | 2015-06-18 | 2015-11-11 | 南京信息工程大学 | 一种短时交通流组合预测方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
WO2016095708A1 (zh) * | 2014-12-16 | 2016-06-23 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN106447137A (zh) * | 2016-11-18 | 2017-02-22 | 广东省科技基础条件平台中心 | 一种基于信息融合和马尔可夫模型的交通客流预测方法 |
CN106710222A (zh) * | 2017-03-22 | 2017-05-24 | 广东工业大学 | 一种交通流量预测方法及装置 |
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
-
2018
- 2018-03-14 CN CN201810207311.3A patent/CN108399749A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000069165A (ja) * | 1998-08-19 | 2000-03-03 | Nippon Telegr & Teleph Corp <Ntt> | 時系列データ変換を用いたトラヒック予測方法及びその装置 |
WO2016095708A1 (zh) * | 2014-12-16 | 2016-06-23 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN105046953A (zh) * | 2015-06-18 | 2015-11-11 | 南京信息工程大学 | 一种短时交通流组合预测方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
CN106447137A (zh) * | 2016-11-18 | 2017-02-22 | 广东省科技基础条件平台中心 | 一种基于信息融合和马尔可夫模型的交通客流预测方法 |
CN106710222A (zh) * | 2017-03-22 | 2017-05-24 | 广东工业大学 | 一种交通流量预测方法及装置 |
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
Non-Patent Citations (2)
Title |
---|
SHENGDONG DU, TIANRUI LI, XUN GONG, YAN YANG: "《Traffic Flow Forecasting Based on Hybrid Deep Learning Framework》", 《2017 12TH INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEMS AND KNOWLEDGE ENGINEERING (ISKE)》 * |
乔松林,孙仁诚,刘吉: "《基于深度学习的短时交通流量预测》", 《青岛大学学报(自然科学版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
CN109767622A (zh) * | 2019-02-14 | 2019-05-17 | 重庆邮电大学 | 面向卡口相似性划分和循环神经网络的交通流量预测方法 |
CN109767622B (zh) * | 2019-02-14 | 2021-12-17 | 重庆邮电大学 | 面向卡口相似性划分和循环神经网络的交通流量预测方法 |
CN109918671A (zh) * | 2019-03-12 | 2019-06-21 | 西南交通大学 | 基于卷积循环神经网络的电子病历实体关系抽取方法 |
CN109918671B (zh) * | 2019-03-12 | 2022-12-20 | 西南交通大学 | 基于卷积循环神经网络的电子病历实体关系抽取方法 |
CN109978040A (zh) * | 2019-03-19 | 2019-07-05 | 西南交通大学 | 一种交通运力分布预测方法 |
CN111784018A (zh) * | 2019-04-03 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 一种资源调度方法、装置、电子设备及存储介质 |
CN110148296A (zh) * | 2019-04-16 | 2019-08-20 | 南京航空航天大学 | 一种基于深度迁移学习的跨城市交通流量联合预测方法 |
CN110070715A (zh) * | 2019-04-29 | 2019-07-30 | 浙江工业大学 | 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法 |
CN110210664A (zh) * | 2019-05-29 | 2019-09-06 | 东南大学 | 多个个体车辆使用行为短时预测的深度学习方法 |
CN110210664B (zh) * | 2019-05-29 | 2020-07-24 | 东南大学 | 多个个体车辆使用行为短时预测的深度学习方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399749A (zh) | 一种短时交通出行需求预测方法 | |
CN102799897B (zh) | 基于gps定位的交通方式组合出行的计算机识别方法 | |
CN103116696B (zh) | 基于稀疏采样的手机定位数据的人员常驻地点识别方法 | |
CN104217250B (zh) | 一种基于历史数据的城市轨道交通新线开通客流预测方法 | |
Guo et al. | The integration of CPS, CPSS, and ITS: A focus on data | |
CN104731963B (zh) | 一种基于车联网的网格化路径推荐方法及系统 | |
CN107529651A (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
CN105206048A (zh) | 一种基于交通od数据的城市居民群体换乘模式发现系统及方法 | |
CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
CN103116702A (zh) | 一种基于活动链模式的选择自行车方式出行预测方法 | |
CN105868861A (zh) | 一种基于时空数据融合的公交客流演化分析方法 | |
CN105740643A (zh) | 一种基于城市区域网格自适应的pm2.5浓度推测方法 | |
CN105320997A (zh) | 一种基于大数据的公交客流轨迹实时跟踪方法 | |
CN109978040A (zh) | 一种交通运力分布预测方法 | |
Bao et al. | Short‐term FFBS demand prediction with multi‐source data in a hybrid deep learning framework | |
CN106327867B (zh) | 一种基于gps数据的公交准点预测方法 | |
Hua et al. | Forecasting usage and bike distribution of dockless bike‐sharing using journey data | |
CN109410576A (zh) | 多源数据融合的路况分析方法、装置、存储介质及系统 | |
CN107274000A (zh) | 一种突发事件下城市轨道交通断面客流预测方法 | |
CN104794927A (zh) | 一种公交车到站时间预测方法 | |
CN103150326A (zh) | 面向概率数据流的Skyline查询方法 | |
CN113487219A (zh) | 一种城市出租车需求预测方法、装置和计算机设备 | |
CN103020733A (zh) | 一种基于权重的机场单航班噪声预测方法及其系统 | |
CN113761020B (zh) | 一种城市轨道交通异常大客流实时预测方法 | |
CN112509285B (zh) | 基于卷积神经网络cnn的全球台风报文收集方法及收集系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180814 |
|
WD01 | Invention patent application deemed withdrawn after publication |