CN109064748A - 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法 - Google Patents
基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法 Download PDFInfo
- Publication number
- CN109064748A CN109064748A CN201811089218.3A CN201811089218A CN109064748A CN 109064748 A CN109064748 A CN 109064748A CN 201811089218 A CN201811089218 A CN 201811089218A CN 109064748 A CN109064748 A CN 109064748A
- Authority
- CN
- China
- Prior art keywords
- average speed
- traffic
- neural network
- convolution neural
- variable convolution
- 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
- 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
-
- 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
-
- 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
-
- 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
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种复杂环境下的城市道路平均速度的预测的方法,包括以下步骤:(1)利用差分进化算法,通过不断的差分进化,获取时间分割点的位置,使子时间段间的交通平均速度相关系数最低,从而对时间进行切分;(2)利用层次聚类获取一系列同一时间段不同日期下相似的交通平均速度变化模式,从而通过识别交通速度变化模式来划分交通环境;(3)把不同交通环境所对应的交通数据用于训练并得到不同的参数基本可变卷积神经网络;(4)根据回报值,从每个基本可变卷积神经网络中选择一个历史平均回报高的可变卷积神经网络作为最终预测器用于下一个预测时间的交通平均速度预测。
Description
技术领域
本发明涉及智慧交通领域,尤其涉及复杂交通环境下的交通速度预测方法。
背景技术
交通拥堵造成了时间和能源的巨大损失,根据最近的报告,中国15座城市每天共损失10亿元,美国年损失680亿美元,英国年损失约43亿英镑,荷兰6年前年损失已经达30亿欧元。最近,北京市交通发展研究中心发布的《2017北京市交通发展年度报告》显示,交通拥堵让北京市年损失1056亿元,相当于北京GDP的7.5%。倘若平摊到每辆机动车上,每年每辆车的平均经济损失达21957元。
幸运的是,通过主要城市道路上的传感器我们可以获取大量具备时间特征的交通信息(GPS设备,磁感线圈,卡口等),众多的研究显示,这些交通数据可以用于预测交通平均速度,从而帮助用户避开拥堵区域,或作为相关部门路网规划(比如在拥挤的路段增加车道)和道路施工区域安排(短期的施工会影响交通)的依据。
一个主要的挑战是怎么基于历史数据创造一个适应复杂多变环境的预测器。随着深度学习得发展,人们开始采用神经网络对交通数据进行处理。之前的研究显示如果交通预测中考虑了交通环境的因素,则这个预测模型的性能表现会更加的好,比如已经提出的DBN-LSTM模型,它考虑了雨天因素,把雨天分成了几个等级输入到神经网络中,从而让神经网络在雨天的预测性能大大提升。然而文章中的雨天因素是通过人的历史经验进行划分,而且仅仅考虑了雨天的影响。然而交通环境也不仅仅包含天气,还包含道路状况,温度,风力,节假日等。我们不可能通过对这些因素一一进行划分从而划分交通环境,所以我们要找到一个可以反映这些因素特征的方法对交通环境进行自适应划分。此外,由于交通的时空特征是随着时间不断变化的,传统的卷积神经网络在特征提取时采用固定的矩形对输入的特征图进行特征提取,这样会影响特征提取的效果。而动态卷积神经会根据特征图的特征自适应改变卷积核的形状使交通时空特征都落在卷积核上。
发明内容
本发明为克服上述的不足之处,目的在于提供一种在复杂交通环境下的交通平均速度预测方法。本方法根据交通平均速度变化模式,自适应识别交通环境,采用不同交通环境对应的不同交通数据训练可变卷积神经网络得到适应不同环境的可变卷积网络模型,最后通过选择回报值最大的神经网络模型作为下一个预测时间点的预测模型。本发明可应对不同的交通环境和多变的交通时空特征,有利于在复杂交通环境下提高交通平均速度预测精度。
本发明是通过以下技术方案达到上述目的:基于可变卷积神经网络和时间聚类分析的交通平均速度预测方法,包括步骤如下:
(1)利用差分进化算法,通过不断的差分进化,获取时间分割点的位置,使子时间段间的交通平均速度相关系数最低,从而对时间进行切分;
(2)利用层次聚类获取一系列同一时间段不同日期下相似的交通平均速度变化模式,从而通过识别交通速度变化模式来划分交通环境;
(3)把不同交通环境所对应的交通数据用于训练并得到不同的参数基本可变卷积神经网络;
(4)根据回报值,从每个基本可变卷积神经网络中选择一个历史平均回报高的可变卷积神经网络作为最终预测器用于下一个预测时间的交通平均速度预测。
作为优选,所述步骤(1)和(2)里计算子时间段间的交通平均速度序列的相关系数和层次聚类中类簇间相似性的计算公式如下:
其中x,y代表二个长度相关的交通时间序列数据,cov(x,y)和分别代表的是协方差和标准差。
作为优选,所述步骤(3)中可变神经网络的时空输入矩阵矩阵如下:
其中,时空矩阵v作为卷积神经网络输入层,v:,t为不同的路段在同一时间t的平均速度,vr,:代表在路段r上不同时间的平均速度;且r-i代表当前预测路段的上游,r+i代表当前预测路段的下游。
作为优选,所述步骤(3)可变卷积神经网络的卷积层计算公式如下:
其中,k0和kn分别代表卷积核的位置和形状。Δkn代表可变卷积核的变化,其来自和当前卷积核相同大小的额外卷积核所得到的偏移特征图。w(kn)代表卷积核内的权值。
作为优选,所述步骤(4)预测器选择的公式如下:
其中,代表从一系列可变卷积神经网络f∈F中选择的最终预测器;yt是预测的值;rewardf(t)代表预测器f在子时间t的均值回报。
本发明的有益效果在于:(1)利用可变卷积神经网络提取不同的时空特征从而提高预测的准确性;(2)基于时间聚类分析,通过识别交通变化模式来划分交通环境,从而得到不同交通环境对应的交通数据。(3)根据每个基本可变神经网络的平均回报值从一系列基本可变神经网络中选择最佳的可变神经网络用于下个时间点的交通平均速度预测
附图说明
图1是实施本发明方法的道路图。
图2是本发明方法的整个模型的结构。
图3是本发明的可变卷积神经网络的结构。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此:
实施例:如图1,这是某市市心路部分道路图。我们选取市心路-建设三路到市心路-彩虹快速路之间作为示例路段进行说明。每个路口都有实时检测设备用于检测所需要的交通特征参数如:交通流,交通平均速度等。首先对数据进行预处理,处理其中的异常数据,比如交通平均速度大于80或路段流量为0所对应的平均速度。我们通过历史和前后的时间序列关系对其重置。
基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法:如图2所示是整个系统的模型,通过时间聚类分析把历史数据分成对应不同交通环境的数据簇;然后不同的数据簇用于训练生成适应不同交通环境下的基础可变卷积神经网络;根据实时的时空交通速度特征和交通环境,选择最佳的可变卷积神经网络提取当前的时空信息特征计算下一个时间点的平均速度,步骤如下:
1)基于差分进化算法的时间切分:
首先我们初始化种群大小L=[l1,l2…ln]并且每个个体的基因编码是其中每个基因值代表着时间分割点。然后我们通过迭代的交叉和变异最终确定适应函数最大的个体作为时间的切割点(由于得到的基因值可能不是整数,需要四舍五入),其中适应函数是计算各个时间段之间的平均速度的平均相关系数,适应函数值越小则越容易被保留。
2)基于层次聚类的环境切分:
时间切分完成后,把同一时间段的相似交通速度变化模式合并成相同的数据簇。这个是采用基于相关系数的层级聚类算法实现的。
3)可变卷积神经网络的训练:
可变卷积神经网络的主要可以分成二个部分,训练卷积核偏移和训练卷积神经网络各参数。
Step1:训练卷积核偏移。如图3卷积核偏移量是通过额外添加的卷积核得到的。额外的卷积核的大小是和当前的卷积层的卷积核大小一样。输出的偏移特征图也是和输入图像同等大小。在训练期间,额外卷积核和当前卷积核同时生成输出特征。为了学习偏移量,梯度通过二线性插值负反馈传播。
Step2:训练卷积神经网络各参数。首先初始化卷积神经网络网络的所有参数。然后采用梯度反向传播以减少损失函数
4)进行路段平均速度预测:
对于每一个在时间子分段t的交通需求:
Step1:初始化回报矩阵
Step2:从一系列的基础可变卷积神经网络中选择回报均值最大的可变卷积神经网络进行预测。
Step3:真实值揭示后更新回报矩阵rewardf(t)。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (6)
1.基于时间聚类和可变卷积神经网络的交通平均速度预测方法,包括步骤如下:
(1)采用差分进化算法通过不断的差分进化获取最佳的分割点,使分割后的子时间段的交通平均速度序列之间的平均相关系数最低;
(2)采用基于相关系数的层次聚类对不同天的同一时间段的交通平均速度序列进行时间聚类,得到具有不同交通平均速度变化模式的N个数据簇;
(3)把不同的数据簇放入已经构建的可变卷积神经网络进行训练,通过学习时空输入矩阵的时空关系得到一系列不同的卷积核形状和不同参数的可变卷积神经网络;
(4)根据均值回报从一系列基础可变卷积神经网络中选择一个最终预测器,即在当前时间子分段内回报最高的可变卷积神经网络所得到的预测值作为下一个时间的预测值;
(5)真实值揭露后,更新每个基础可变卷积神经网络的平均回报值,进入步骤(4);
(6)重复执行步骤(5),直到当前的子时间段结束。
2.根据权利要求1所述的基于时间聚类的可变卷积神经网络的交通平均速度预测,其特征在于:所述步骤(1)计算差分进化流程如下:
Step1:初始化总群L=[l1,l2,…,lM],并且每个个体的基因是其中每个基因点代表分割点;
Step2:种群迭代交叉和变异启发式的个体基因改变;
Step3:采用贪婪算法选取适应函数值较小的个体存活;适应函数是计算子时间段之间的交通平均速度的平均相关系数的值;
Step4:若运行次数大于所设的次数或适应值小于所设的值则算法停止,否则到step3。
3.根据权利要求1所述的基于时间聚类的可变卷积神经网络的交通平均速度预测,其特征在于:所述步骤(1)、(2)计算平均速度序列之间的相关系数公式如下:
其中,x,y代表二个不同的交通平均速度时间序列;cov(x,y)和分别代表这两个平均速度序列的协方差和标准差。
4.根据权利要求1所述的基于时间聚类的可变卷积神经网络的交通平均速度预测,其特征在于:所述步骤(3)中平均速度的时空矩阵的构建:
其中,时空矩阵v作为卷积神经网络输入层,v:,t为不同的路段在同一时间t的平均速度,vr,:代表在路段r上不同时间的平均速度;且r-i代表当前预测路段的上游,r+i代表当前预测路段的下游。
5.根据权利要求1所述的基于时间聚类的可变卷积神经网络的交通平均速度预测方法,其特征在于:所述步骤(3)中可变卷积神经网络的卷积层计算公式如下:
其中,k0和kn分别代表卷积核的位置和形状;Δkn代表可变卷积核的变化,其来自和当前卷积核相同大小的额外卷积核所得到的偏移特征图;w(kn)代表卷积核内的权值。
6.根据权利要求1所述的基于时间聚类的可变卷积神经网络的交通平均速度预测方法,其特征在于:所述步骤(4)匹配预测及计算公式如下:
其中,代表从一系列可变卷积神经网络f∈F中选择的最终预测器;yt是预测的值;rewardf(t)代表预测器f在子时间t的均值回报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811089218.3A CN109064748B (zh) | 2018-09-18 | 2018-09-18 | 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811089218.3A CN109064748B (zh) | 2018-09-18 | 2018-09-18 | 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109064748A true CN109064748A (zh) | 2018-12-21 |
CN109064748B CN109064748B (zh) | 2020-12-25 |
Family
ID=64762063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811089218.3A Active CN109064748B (zh) | 2018-09-18 | 2018-09-18 | 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064748B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211641A (zh) * | 2019-06-13 | 2019-09-06 | 纪震 | 一种基因表达数据的聚类分析方法及终端设备 |
CN110991751A (zh) * | 2019-12-06 | 2020-04-10 | 讯飞智元信息科技有限公司 | 用户生活模式预测方法、装置、电子设备及存储介质 |
CN111461978A (zh) * | 2020-03-30 | 2020-07-28 | 北京工业大学 | 一种基于注意力机制的逐分辨率提升图像超分辨率复原方法 |
CN111882869A (zh) * | 2020-07-13 | 2020-11-03 | 大连理工大学 | 一种考虑不良天气的深度学习交通流预测方法 |
CN112636328A (zh) * | 2020-11-25 | 2021-04-09 | 国网湖南省电力有限公司 | 一种中压配电网设备负荷状态辨识方法 |
CN112950924A (zh) * | 2019-12-10 | 2021-06-11 | 东北大学秦皇岛分校 | 一种基于深度学习的复杂交通路网交通速度预测方法 |
CN113450562A (zh) * | 2021-05-08 | 2021-09-28 | 浙江工业大学 | 一种基于聚类和图卷积网络的路网交通状态判别方法 |
CN113538904A (zh) * | 2021-06-22 | 2021-10-22 | 浙江工业大学 | 一种基于时空前序编解码预测器的交通事故识别方法 |
CN113888415A (zh) * | 2021-09-07 | 2022-01-04 | 北京三快在线科技有限公司 | 一种模型训练以及图像修复方法及装置 |
CN114089055A (zh) * | 2021-09-30 | 2022-02-25 | 安徽继远软件有限公司 | 一种电网有限空间作业人员安全状态监测方法及系统 |
CN114842645A (zh) * | 2022-04-28 | 2022-08-02 | 北京市智慧交通发展中心(北京市机动车调控管理事务中心) | 一种基于k-means的路网速度态势规律提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673463A (zh) * | 2009-09-17 | 2010-03-17 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
CN106205126A (zh) * | 2016-08-12 | 2016-12-07 | 北京航空航天大学 | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 |
CN107103754A (zh) * | 2017-05-10 | 2017-08-29 | 华南师范大学 | 一种道路交通状况预测方法及系统 |
CN107180530A (zh) * | 2017-05-22 | 2017-09-19 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
CN107481523A (zh) * | 2017-09-27 | 2017-12-15 | 中南大学 | 一种交通流速度预测方法及系统 |
-
2018
- 2018-09-18 CN CN201811089218.3A patent/CN109064748B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673463A (zh) * | 2009-09-17 | 2010-03-17 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
CN106205126A (zh) * | 2016-08-12 | 2016-12-07 | 北京航空航天大学 | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 |
CN107103754A (zh) * | 2017-05-10 | 2017-08-29 | 华南师范大学 | 一种道路交通状况预测方法及系统 |
CN107180530A (zh) * | 2017-05-22 | 2017-09-19 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
CN107481523A (zh) * | 2017-09-27 | 2017-12-15 | 中南大学 | 一种交通流速度预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
罗文慧 等: "基于CNN-SVR混合深度学习模型的短时交通流预测", 《交通运输系统工程与信息》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211641A (zh) * | 2019-06-13 | 2019-09-06 | 纪震 | 一种基因表达数据的聚类分析方法及终端设备 |
CN110991751A (zh) * | 2019-12-06 | 2020-04-10 | 讯飞智元信息科技有限公司 | 用户生活模式预测方法、装置、电子设备及存储介质 |
CN112950924A (zh) * | 2019-12-10 | 2021-06-11 | 东北大学秦皇岛分校 | 一种基于深度学习的复杂交通路网交通速度预测方法 |
CN111461978A (zh) * | 2020-03-30 | 2020-07-28 | 北京工业大学 | 一种基于注意力机制的逐分辨率提升图像超分辨率复原方法 |
CN111882869A (zh) * | 2020-07-13 | 2020-11-03 | 大连理工大学 | 一种考虑不良天气的深度学习交通流预测方法 |
CN112636328A (zh) * | 2020-11-25 | 2021-04-09 | 国网湖南省电力有限公司 | 一种中压配电网设备负荷状态辨识方法 |
CN112636328B (zh) * | 2020-11-25 | 2022-06-21 | 国网湖南省电力有限公司 | 一种中压配电网设备负荷状态辨识方法 |
CN113450562A (zh) * | 2021-05-08 | 2021-09-28 | 浙江工业大学 | 一种基于聚类和图卷积网络的路网交通状态判别方法 |
CN113538904A (zh) * | 2021-06-22 | 2021-10-22 | 浙江工业大学 | 一种基于时空前序编解码预测器的交通事故识别方法 |
CN113888415A (zh) * | 2021-09-07 | 2022-01-04 | 北京三快在线科技有限公司 | 一种模型训练以及图像修复方法及装置 |
CN114089055A (zh) * | 2021-09-30 | 2022-02-25 | 安徽继远软件有限公司 | 一种电网有限空间作业人员安全状态监测方法及系统 |
CN114842645A (zh) * | 2022-04-28 | 2022-08-02 | 北京市智慧交通发展中心(北京市机动车调控管理事务中心) | 一种基于k-means的路网速度态势规律提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109064748B (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109064748A (zh) | 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法 | |
CN111210633B (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN107610464B (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
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 | |
CN111860951A (zh) | 一种基于动态超图卷积网络的轨道交通客流预测方法 | |
CN111080029B (zh) | 基于多路段时空相关的城市交通路段速度预测方法及系统 | |
CN102332210B (zh) | 基于手机定位数据的实时城市道路交通流数据提取方法 | |
CN110070713A (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN113487066B (zh) | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 | |
CN110458048A (zh) | 顾及城镇格局特征的人口分布时空演变与认知 | |
CN107230351A (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN110322695A (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN110570651A (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN113902011A (zh) | 基于循环神经网络的城市轨道交通短时客流预测方法 | |
CN109034449A (zh) | 基于深度学习和乘客行为模式的短期公交客流预测方法 | |
CN109658695A (zh) | 一种多因素的短时交通流预测方法 | |
CN108205889A (zh) | 基于卷积神经网络的高速公路交通流预测方法 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN110503104B (zh) | 一种基于卷积神经网络的短时剩余车位数量预测方法 | |
CN110414732A (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
CN106910199A (zh) | 面向城市空间信息采集的车联网众包方法 | |
CN104992244A (zh) | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 | |
CN110517485A (zh) | 一种基于时段划分的短时交通流预测方法 | |
CN102938092A (zh) | 一种基于神经网络的建筑节假日能耗预测方法 | |
CN106845714A (zh) | 一种基于季节指数的arima模型预测城市轨道交通月度客流方法 |
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 |