CN109523782A - 一种基于身份检测数据的路段旅行时间精细化计算方法 - Google Patents
一种基于身份检测数据的路段旅行时间精细化计算方法 Download PDFInfo
- Publication number
- CN109523782A CN109523782A CN201811204743.5A CN201811204743A CN109523782A CN 109523782 A CN109523782 A CN 109523782A CN 201811204743 A CN201811204743 A CN 201811204743A CN 109523782 A CN109523782 A CN 109523782A
- Authority
- CN
- China
- Prior art keywords
- sample
- hourage
- trip time
- road trip
- time
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000004364 calculation method Methods 0.000 title claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 abstract description 2
- 230000008676 import Effects 0.000 description 18
- 230000006399 behavior Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000011144 upstream manufacturing 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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于身份检测数据的路段旅行时间精细化计算方法,包括如下步骤:S1.以车辆身份ID作为识别码,构建每辆车的身份检测设备检测序列;S2.在预设的时间段t内,通过身份检测设备检测序列得到路段旅行时间集合;S3.按下游交叉口的不同转向车道对进行分类;S4.从中剔除无效旅行时间样本,得到初步筛选集合S5.从中剔除非连续出行样本,得到有效旅行时间样本集合S6.通过有效旅行时间样本集合得到区分转向的精细路段旅行时间本发明不需要增加新的检测设备就可以得到实时、准确、可靠的路况信息;各个路段的计算逻辑相互独立,不会造成误差累积,计算精准度上有保障;计算方法简单,具有较高的实现效率和现实应用价值。
Description
技术领域
本发明涉及交通数据分析领域,更具体地,涉及一种基于身份检测数据的路段旅行时间精细化计算方法。
背景技术
旅行时间(行程时间)作为衡量交通出行效率的重要指标,也是影响出行体验的重要因素,被广泛地应用于交通状态评估。与此相关地,实时路况发布、出行路径规划等交通出行服务应用对路段/路径旅行时间的精准度要求越来越高。随着交通检测手段的发展进步,可用于计算路段及路径旅行时间的检测数据和方法逐渐增多,然而能够有效提高计算精度的方法手段却相当有限。
目前,国内各大城市,甚至部分中小城市,均在中心城区的信控交叉口部署了智能交通视频身份检测系统,用于车辆闯红灯违法行为自动抓拍。道路交叉口身份检测系统通过视频分析、图像识别等技术的综合组织与应用,实现了对车辆个体的精准感知,检测信息包括车辆个体的身份信息、经行的交叉口及其车道、过车时刻等,为交通管理者和执法者提供全面、可靠的个体交通信息,也为交通状态估计提供有效的数据支撑。
个体车辆在城市路网内,受到路段上下游交叉口交通信号控制和转向交通流量差异的影响,不同转向车辆所经历的行程时间普遍会有显著不同。目前常见的路段旅行时间估计算法对于上述问题,无法做到精细化的区分。而路径旅行时间的误差会由于路段旅行时间估计的不精准而不断累积,准确度难以得到保障,因此区分转向的精细化路段旅行时间计算至关重要。
发明内容
本发明克服了上述现有关于旅行时间估计算法精准度不足的技术缺陷,提供了一种新的基于身份检测数据的路段旅行时间精细化计算方法,满足了关于旅行时间估计算法中对于精准度的要求。
为解决上述技术问题,本发明的技术方案如下:
一种基于身份检测数据的路段旅行时间精细化计算方法,包括如下步骤:
S1.以车牌号码作为识别码,构建每辆车的身份检测设备检测序列;
所述的身份检测设备监测序列是通过数据节点组成链表结构形成的,所述的数据节点包括身份检测设备编号、车道编号、车辆经过时间;所述的数据节通过车辆经过时间的先后顺序进行排列;
S2.在预设的时间段t内,通过身份检测设备检测序列得到路段旅行时间集合;
所述的路段旅行时间集合通过以下方式进行计算:
所述的路段旅行时间通过车辆经过时间进行计算:
所述的路段旅行时间集合Tm通过以下公式进行计算:
式中,为路段m的旅行时间样本,其中k∈{1,2,...,s}表示样本编号;
S3.按下游交叉口的不同转向车道对进行分类;
对于特定路段m,将S2获得的s个路段旅行时间样本,按照其对应到掉头、左转、直行、右转的不同转向车道组,进行分类,获得路段下游交叉口不同转向的路段旅行时间样本集合,从路段旅行时间样本集合中将路段m的下游出口转向n的路段旅行时间样本集合记为
S4.从中剔除无效旅行时间样本,得到初步筛选集合
所述的无效旅行时间样本是数值上小于tmin的旅行时间样本所述的tmin是预设值或者通过计算方式取得;
S5.从中剔除非连续出行样本,得到有效旅行时间样本集合
所述的非连续出行样本是数值上大于的旅行时间样本所述的是预设值或者通过计算方式取得;
S6.通过有效旅行时间样本集合得到区分转向的精细路段旅行时间
在一种优选的方案中,所述的路段旅行时间通过以下计算方式进行计算:
式中,为第k编号车辆依次经过身份检测设备i,j所对应的路段旅行时间;为第k编号车辆依次经过身份检测设备i,j的车辆经过时间。
在一种优选的方案中,所述的tmin通过以下计算方式进行计算:
tmin=l/vmax
式中,l为路段长度,vmax为预设的最高速度;本优选方案中vmax为路段m的最高速度,通过管理部门进行设定。
在一种优选的方案中,所述的通过以下计算方式进行计算:
式中,a为预设的倍数,C为预设的冗余时间;为初步筛选集合的最小旅行时间。本优选方案中,可用于剔除一些非连续的驾驶行为,包括停车,车辆出现损坏等类似非连续驾驶的何况。
在一种优选的方案中,所述的a对应高峰时期、平峰时期和深夜时期有不同的取值。本优选方案中,a的不同取值有利于提高对环境变化的适用性。
在一种优选的方案中,所述的高峰时期a=3;平峰时期a=2;深夜时期a=1。
在一种优选的方案中,所述的通过算术平均法或者几何平均法或者加权平均法进行计算。本优选方案中,不同的数据处理方法体现了基于不同维度对数据集中趋势的判断。
在一种优选的方案中,所述的通过算术平均法进行计算,计算方法如下所示:
式中,b为有效旅行时间样本集合中的有效旅行时间样本个数;为有效旅行时间样本集合中的有效旅行时间样本,其中p∈{1,2,...,b}表示集合中的样本编号。
与现有技术相比,本发明技术方案的有益效果是:
1.可以在不增加现有检测设备的条件下,充分利用身份检测设备检测设备的优势,提供实时、准确、可靠的交通运行路况信息。
2.各个路段旅行时间的计算逻辑相互独立,不会造成误差累积,通过组成路段累加得到可靠的路径旅行时间,计算精准度上有保障。
3.计算方法简单,具有较高的实现效率和现实应用价值。
附图说明
图1是本实施例流程图。
图2是本实施中北进口早高峰时段的旅行时间散点图。
图3是本实施中北进口早高峰时段的平均旅行时间绝对值折线图。
图4是本实施中北进口早高峰时段的平均旅行时间相对值折线图。
图5是本实施中北进口晚高峰时段的旅行时间散点图。
图6是本实施中北进口晚高峰时段的平均旅行时间绝对值折线图。
图7是本实施中北进口晚高峰时段的平均旅行时间相对值折线图。
图8是本实施中北进口平峰时段的旅行时间散点图。
图9是本实施中北进口平峰时段的平均旅行时间绝对值折线图。
图10是本实施中北进口平峰时段的平均旅行时间相对值折线图。
图11是本实施中南进口早高峰时段的旅行时间散点图。
图12是本实施中南进口早高峰时段的平均旅行时间绝对值折线图。
图13是本实施中南进口早高峰时段的平均旅行时间相对值折线图。
图14是本实施中南进口晚高峰时段的旅行时间散点图。
图15是本实施中南进口晚高峰时段的平均旅行时间绝对值折线图。
图16是本实施中南进口晚高峰时段的平均旅行时间相对值折线图。
图17是本实施中南进口平峰时段的旅行时间散点图。
图18是本实施中南进口平峰时段的平均旅行时间绝对值折线图。
图19是本实施中南进口平峰时段的平均旅行时间相对值折线图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示,一种基于身份检测数据的路段旅行时间精细化计算方法,包括如下步骤:
S1.以车牌号码作为识别码,构建每辆车的身份检测设备检测序列;
身份检测设备监测序列是通过数据节点组成链表结构形成的,数据节点包括身份检测设备编号、车道编号、车辆经过时间;数据节通过车辆经过时间的先后顺序进行排列;
S2.以10min为统计时间段,通过身份检测设备检测序列得到路段旅行时间集合;
路段旅行时间集合通过以下方式得到:
路段旅行时间通过以下公式进行计算:
式中,为第k编号车辆依次经过身份检测设备i,j所对应的路段旅行时间;为第k编号车辆依次经过身份检测设备i,j的车辆经过时间;
路段旅行时间集合Tm通过以下公式进行计算:
式中,为路段m的旅行时间样本,其中k∈{1,2,...,s}表示样本编号;
S3.按下游交叉口的不同转向车道对旅行时间样本进行分类;
对于特定路段m,将S2获得的s个路段旅行时间样本,按照其对应到掉头、左转、直行、右转的不同转向车道组,进行分类,获得路段下游交叉口不同转向的路段旅行时间样本集合,从路段旅行时间样本集合中将路段m的下游出口转向n的路段旅行时间样本集合记为
S4.从旅行时间样本集合中剔除无效旅行时间样本,得到初步筛选集合;
无效旅行时间样本是数值上小于tmin的旅行时间样本tmin通过以下公式进行计算:
tmin=l/vmax (3)
式中,l为路段长度,vmax=60km/h;
S5.从初步筛选集合中剔除非连续出行样本,得到有效旅行时间样本集合;
非连续出行样本是数值上大于的旅行时间样本 通过以下公式进行计算:
式中,高峰时期a=3;平峰时期a=2;深夜时期a=1,C=120s;为初步筛选集合的最小旅行时间;
S6.通过有效旅行时间样本集合得到区分转向的精细路段旅行时间;
通过以下公式进行计算:
式中,b为有效旅行时间样本集合中的有效旅行时间样本个数;为有效旅行时间样本集合中的有效旅行时间样本,其中p∈{1,2,...,b}表示集合中的样本编号。
通过本实施例在某市某路段的某工作日的早晚高峰时段(7:30—8:30以及17:00—18:00)得的身份检测过车流水数据和交通信号机灯色转换时间数据,包括路段编号、车道编号、过车时间,红绿灯转换时间、车牌等信息,对应的数据结构如表格1所示,进口道各转向统计时间间隔的旅行时间样本数如表格2所示。
本实施例基于上述样本数量得到的样本数据形成以下附图:
图2是本实施中北进口早高峰时段的旅行时间散点图。
图3是本实施中北进口早高峰时段的平均旅行时间绝对值折线图。
图4是本实施中北进口早高峰时段的平均旅行时间相对值折线图。
图5是本实施中北进口晚高峰时段的旅行时间散点图。
图6是本实施中北进口晚高峰时段的平均旅行时间绝对值折线图。
图7是本实施中北进口晚高峰时段的平均旅行时间相对值折线图。
图8是本实施中北进口平峰时段的旅行时间散点图。
图9是本实施中北进口平峰时段的平均旅行时间绝对值折线图。
图10是本实施中北进口平峰时段的平均旅行时间相对值折线图。
图11是本实施中南进口早高峰时段的旅行时间散点图。
图12是本实施中南进口早高峰时段的平均旅行时间绝对值折线图。
图13是本实施中南进口早高峰时段的平均旅行时间相对值折线图。
图14是本实施中南进口晚高峰时段的旅行时间散点图。
图15是本实施中南进口晚高峰时段的平均旅行时间绝对值折线图。
图16是本实施中南进口晚高峰时段的平均旅行时间相对值折线图。
图17是本实施中南进口平峰时段的旅行时间散点图。
图18是本实施中南进口平峰时段的平均旅行时间绝对值折线图。
图19是本实施中南进口平峰时段的平均旅行时间相对值折线图。
由图2、图5、图8、图11、图14和图17可知,早高峰时段各转向旅行时间样本分布合理,可以进一步进行平均旅行时间对比。
以10分钟为间隔分转向计算平均路段旅行时间,得到平均旅行时间绝对值折线图,如图3、图6、图9、图12、图15和图18所示,从中可以看出,由于信号控制(右转不受信号灯限制可自由通行)和交通流量(直行和左转流量相对较大)的差异,直行和左转的平均行程时间明显高于右转的平均水平,不同转向间存在显著差异。
为了更直观地展示路段出口不同转向的平均路段旅行时间的差异。按右转的平均路段旅行时间进行归一化处理(右转是100%,直行和左转行程时间折算为相对于右转行程时间的百分比),得到平均旅行时间相对值折线图,如图4、图7、图10、图13、图16和图19所示。从中可以更加清晰地看出,左转和直行的平均旅行时间比右转更大。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。
对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
表格1数据结构
表2进口道各转向统计时间间隔的旅行时间样本数
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。本发明的交叉口身份检测设备除了卡口,还可以是电子车牌、微波检测、地磁检测、收费站派卡、视频监控等。上述的交叉口身份检测设备均可以达到类似技术效果。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种基于身份检测数据的路段旅行时间精细化计算方法,其特征在于,包括如下步骤:
S1.以车辆身份ID作为识别码,构建每辆车的身份检测设备检测序列;
所述的身份检测设备监测序列是通过数据节点组成链表结构形成的,所述的数据节点包括身份检测设备编号、车道编号、车辆经过时间;所述的数据节通过车辆经过时间的先后顺序进行排列;
S2.在预设的时间段t内,通过身份检测设备检测序列得到路段旅行时间集合;
所述的路段旅行时间集合Tm通过以下公式进行计算:
式中,为路段m的旅行时间样本,其中k∈{1,2,...,s}表示样本编号;
S3.按下游交叉口的不同转向车道对进行分类;
对于特定路段m,将S2获得的s个路段旅行时间样本,按照其对应到掉头、左转、直行、右转的不同转向车道组,进行分类,获得路段下游交叉口不同转向的路段旅行时间样本集合,从路段旅行时间样本集合中将路段m的下游出口转向n的路段旅行时间样本集合记为
S4.从中剔除无效旅行时间样本,得到初步筛选集合
所述的无效旅行时间样本是数值上小于tmin的旅行时间样本所述的tmin是预设值或者通过计算方式取得;
S5.从中剔除非连续出行样本,得到有效旅行时间样本集合
所述的非连续出行样本是数值上大于的旅行时间样本所述的是预设值或者通过计算方式取得;
S6.通过有效旅行时间样本集合得到区分转向的精细路段旅行时间
2.根据权利要求1所述的路段旅行时间精细化计算方法,其特征在于,所述的路段旅行时间通过以下计算方式进行计算:
式中,为第k编号车辆依次经过身份检测设备i,j所对应的路段旅行时间;为第k编号车辆依次经过身份检测设备i,j的车辆经过时间。
3.根据权利要求1或2所述的路段旅行时间精细化计算方法,其特征在于,所述的tmin通过以下计算方式进行计算:
tmin=l/vmax
式中,l为路段长度,vmax为预设的最高速度。
4.根据权利要求3所述的路段旅行时间精细化计算方法,其特征在于,所述的通过以下计算方式进行计算:
式中,a为预设的倍数,C为预设的冗余时间;为初步筛选集合的最小旅行时间。
5.根据权利要求4所述的路段旅行时间精细化计算方法,其特征在于,所述的a对应高峰时期、平峰时期和深夜时期有不同的取值。
6.根据权利要求5所述的路段旅行时间精细化计算方法,其特征在于,所述的高峰时期a=3;平峰时期a=2;深夜时期a=1。
7.根据权利要求1、2、4、5或6中任一权利要求所述的路段旅行时间精细化计算方法,其特征在于,所述的通过算术平均法或者几何平均法或者加权平均法进行计算。
8.根据权利要求7所述的路段旅行时间精细化计算方法,其特征在于,所述的通过算术平均法进行计算,计算方法如下所示:
式中,b为有效旅行时间样本集合中的有效旅行时间样本个数;为有效旅行时间样本集合中的有效旅行时间样本,其中p∈{1,2,...,b}表示集合中的样本编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811204743.5A CN109523782A (zh) | 2018-10-16 | 2018-10-16 | 一种基于身份检测数据的路段旅行时间精细化计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811204743.5A CN109523782A (zh) | 2018-10-16 | 2018-10-16 | 一种基于身份检测数据的路段旅行时间精细化计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109523782A true CN109523782A (zh) | 2019-03-26 |
Family
ID=65770557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811204743.5A Pending CN109523782A (zh) | 2018-10-16 | 2018-10-16 | 一种基于身份检测数据的路段旅行时间精细化计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523782A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646542A (zh) * | 2013-12-24 | 2014-03-19 | 北京四通智能交通系统集成有限公司 | 一种交通影响范围的预测方法和装置 |
CN106251642A (zh) * | 2016-09-18 | 2016-12-21 | 北京航空航天大学 | 一种基于实时公交车gps数据的公交路链速度计算方法 |
CN106448159A (zh) * | 2016-09-09 | 2017-02-22 | 蔡诚昊 | 一种基于动态交通信息的道路交通分级预警方法 |
CN108629982A (zh) * | 2018-05-16 | 2018-10-09 | 中山大学 | 一种基于旅行时间分布规律的路段车辆数估计方法 |
-
2018
- 2018-10-16 CN CN201811204743.5A patent/CN109523782A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646542A (zh) * | 2013-12-24 | 2014-03-19 | 北京四通智能交通系统集成有限公司 | 一种交通影响范围的预测方法和装置 |
CN106448159A (zh) * | 2016-09-09 | 2017-02-22 | 蔡诚昊 | 一种基于动态交通信息的道路交通分级预警方法 |
CN106251642A (zh) * | 2016-09-18 | 2016-12-21 | 北京航空航天大学 | 一种基于实时公交车gps数据的公交路链速度计算方法 |
CN108629982A (zh) * | 2018-05-16 | 2018-10-09 | 中山大学 | 一种基于旅行时间分布规律的路段车辆数估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106197458B (zh) | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 | |
CN110717433A (zh) | 一种基于深度学习的交通违规分析方法及装置 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN105405293B (zh) | 一种道路旅行时间短期预测方法和系统 | |
CN109544932A (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
CN109377726A (zh) | 一种基于车联网的高速公路团雾精确警示、诱导系统及方法 | |
CN106652483A (zh) | 利用检测设备在区域公路网布设交通信息检测点的方法 | |
CN107085952A (zh) | 一种评价区域信号灯配时方案的方法、装置及系统 | |
CN103839415B (zh) | 基于路面图像特征识别的交通流量和占有率信息获取方法 | |
CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN111862632A (zh) | 一种智能交通信号灯防拥堵的方法及装置 | |
JPH05307695A (ja) | 交通流計測処理方法及び装置 | |
CN104750963B (zh) | 交叉口延误时长估计方法及装置 | |
CN104298969A (zh) | 基于颜色与haar特征融合的人群规模统计方法 | |
CN107590999A (zh) | 一种基于卡口数据的交通状态判别方法 | |
CN107240264B (zh) | 一种车辆非有效行驶轨迹识别方法和城市道路设施规划方法 | |
CN109887283A (zh) | 一种基于卡口数据的道路拥堵预测方法、系统及装置 | |
CN110363985A (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
CN107622668A (zh) | 一种基于rfid的动态可视化交叉口监测管理系统 | |
CN109508659A (zh) | 一种用于人行横道的人脸识别系统及方法 | |
CN106327880B (zh) | 一种基于监控视频的车速识别方法及其系统 | |
CN107545757A (zh) | 基于车牌识别的城市道路流速测量装置和方法 | |
CN110136442A (zh) | 基于共享单车gps轨迹数据的行人侵占道路行为识别方法 | |
CN109903574A (zh) | 路口交通信息的获取方法和装置 | |
CN113593235A (zh) | 一种基于物联网技术的交通监控系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |
|
RJ01 | Rejection of invention patent application after publication |