CN109816183A - 一种精准公交客流大数据的优化方法及装置 - Google Patents
一种精准公交客流大数据的优化方法及装置 Download PDFInfo
- Publication number
- CN109816183A CN109816183A CN201910244118.1A CN201910244118A CN109816183A CN 109816183 A CN109816183 A CN 109816183A CN 201910244118 A CN201910244118 A CN 201910244118A CN 109816183 A CN109816183 A CN 109816183A
- Authority
- CN
- China
- Prior art keywords
- time
- shift
- passenger flow
- passenger
- big data
- 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
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种精准公交客流大数据的优化方法及装置,所述方法包括以下步骤:(1)获取当天运营的车辆及其所有班次的客流数据,(2)确定某车辆所有班次的发车间隔区间,(3)确定乘客实际最早上客时间和乘客实际最晚下客时间,(4)对客流大数据进行优化;通过计算机程序重新确定出乘客最早上客时间和最晚下客时间,以及循环班次的判断,去除无效客流的同时,保留首站提前上车和末站延后下车的客流,提高了公交有效客流大数据的准确性,为智能调度、客流分析、政府规划提供基础客流大数据支撑,同时提高了公交线网优化的仿真应用可行性;另外该方法适用度高,对各种线路类型(如环线,循环线路)均能适用。
Description
技术领域
本发明涉及智能交通研究领域,尤其是精准客流大数据的采集和应用领域,具体涉及一种精准公交客流大数据的优化方法及装置。
背景技术
我国各大城市为了缓解交通拥堵,均在积极规划和改善公共交通服务,开展公交线路优化的研究和实际线网调整业务,而客流大数据作为公交线网优化的关键因素,客流大数据准确性决定了线网优化的实际调整是否可行。
目前客流采集最有效的方法是通过公交前后门的摄像头采集乘客上下车视频图像,采用图像识别技术实现对上下车人数和方向的准确采集,但是该方法采集到的客流数据是公交车全天候上下车人员,包含了无效客流,如司机上下,车辆清洁人员、机务人员、保养人员等非正常乘客的上下车;同时多数的公交车到达首站后存在乘客提前上车的现象(距离出发还有一定的时间),车辆到达末站时也存在下客时间过长的现象。基于上述情况,如果采用某班次公交车首站实际出发时间(TS)-末站实际到达时间(TE)来计算有效客流量,会把提前上车和延后下车的客流量漏算;如果采用公交车的GPS最早采集时间(TS0)-GPS最晚采集时间(TE0)来计算客流量,会包含较多的无效客流;否则就需要人工统计某班次乘客最早上客时间(TS’)和乘客最晚下客时间(TE’),此方法工作量庞大,而且需要专门人员进行统计,因此如何在去除无效客流的同时,保留首站提前上车和末站延后下车的客流,快速确定出乘客最早上客时间和乘客最晚下客时间是目前存在的一大难题。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种精准公交客流大数据的优化方法及装置,该方法提高了公交有效客流大数据的准确性,提升了公交线网优化的仿真应用可行性,同时为智能调度、客流分析、政府规划提供基础客流大数据支撑。
为达到上述目的,本发明是通过以下的技术方案来实现的。
步骤1,从客流采集系统获取当天运营的车辆及其所有班次的客流数据,所述客流数据包括班次总数m、班次首站实际出发时间TS、班次末站实际到达时间TE、GPS点产生的时间,所述GPS点是指通过GPS采集的有上下车客流时的经纬度位置,所述GPS点产生的时间包括某班次GPS最早采集时间TS0和GPS最晚采集时间TE0;
优选的,所述班次首站实际出发时间TS是指公交车离开首站的时间,取GPS点加速远离首站区域的起始点速度为0的时间,所述班次末站实际到达时间(TE)是指公交车到达末站的时间,取GPS点减速到达末站区域的速度为0的时间;所述首站区域或末站区域是指以首站或者末站为中心方圆5-15m的区域。
优选的,所述客流采集系统是运用图像识别技术,通过在车辆前后门安装的摄像装置识别乘客上下车图像,并分析乘客运动轨迹,统计出站点上下车的乘客数量、上下车的时间、上下车时的GPS点,并关联车辆编号、班次编号
步骤2,确定某车辆所有班次的发车间隔区间
判断该班次是否为首班或末班,
若是首班,则发车之前的所述发车间隔区间是从GPS最早采集时间(TS0)到首站实际出发时间(TS1)的时间区间[TS0,TS1];
若是末班,则末班尾站后的所述发车间隔区间是从末站实际到达时间(TEm)到GPS最晚采集时间(TE0)的时间区间[TEm,TE0];
若不是首班,则所述发车间隔区间是从上个班次的末站实际到达时间(TEn-1)到本班次的首站实际出发时间(TSn)的时间区间[TEn-1,TSn](n∈INT[2,m]);优选的,判断上个班次和本班次是否为循环班次,所述循环班次为司机到达终点后未休息或者休息很短时间后直接返程,且未进入场站,若是循环班次,则客流大数据不需要进行优化,若不是循环班次,进入步骤3;
优选的,所述判断上个班次和本班次是否为循环班次具体为:根据不是首班情况下的发车间隔区间[TEn-1,TSn],获取该时间范围内的GPS点集合,如果根据GPS点轨迹得出的车辆行驶距离小于20~300m之间的任何一个值,且发车间隔时间(TSn-TEn-1)小于2-8min之间的任何一个值,则判定上个班次和本班次是循环班次,否则为非循环班次;
步骤3,确定乘客实际最早上客时间(TS’)和乘客实际最晚下客时间(TE’)
根据步骤2的所述发车间隔区间([TS0,TS1]或[TEn-1,TSn](n∈INT[2,m])或[TEm,TE0]),获取该时间范围内的GPS点集合,其中所述发车间隔区间的前后端点时间分别对应第一GPS点和最后GPS点;
从所述GPS点集合倒序查找,当GPS点速度首次大于0~10km/h之间任一值且该GPS点与所述最后GPS点之间的GPS轨迹距离首次大于1~100m之间任一值时,则该GPS点的产生时间TSn’为本班次的乘客实际最早上客时间;
从该集合顺序查找,当GPS点速度首次大于0~10km/h之间任一值且该GPS点与所述第一GPS点之间的GPS轨迹距离首次大于1~100m之间任一值时,则该GPS点的数据产生时间TEn’为本班次的乘客实际最晚下客时间。
步骤4,根据乘客实际最早上客时间(TS’)和乘客实际最晚下客时间(TE’)对客流大数据进行优化,取[TS’,TE’]的时间区间的客流为有效客流。
本发明还包括一种精准公交客流大数据的优化装置,包括获取单元、第一分析单元、第二分析单元、优化单元,上述单元依次电连接;
所述获取单元执行权利要求1至5任一项所述的一种精准公交客流大数据的优化方法的步骤1的步骤;
所述第一分析单元执行权利要求1至5任一项所述的一种精准公交客流大数据的优化方法的步骤2的步骤;
所述第二分析单元执行权利要求1至5任一项所述的一种精准公交客流大数据的优化方法的步骤3的步骤;
所述优化单元执行权利要求1至5任一项所述的一种精准公交客流大数据的优化方法的步骤4的步骤。
与现有技术相比,本发明具有如下有益效果:通过计算机程序重新确定出乘客最早上客时间和最晚下客时间,以及循环班次的判断,去除无效客流的同时,保留首站提前上车和末站延后下车的客流,提高了公交有效客流大数据的准确性,为智能调度、客流分析、政府规划提供基础客流大数据支撑,同时提高了公交线网优化的仿真应用可行性;另外该方法适用度高,对各种线路类型(如环线,循环线路)均能适用。
附图说明
图1为本发明的精准公交客流大数据的优化方法的流程图;
图2为本发明的精准公交客流大数据的优化装置示意图。
具体实施方式
为了阐明本发明的技术方案和工作原理,下面结合附图与具体实施例对本发明做详细的介绍。本实施例中,包括但不限于公交公司的公交车辆,也包括与公交车采用类似运行模式的企业班车、大巴车辆、旅游车辆等。
实施例一:
附图1为本发明的精准公交客流大数据的优化方法的流程图,结合该图,该方法主要包括以下步骤:
步骤1,从客流采集系统获取当天运营的某车辆(如车辆A)及车辆A在1路线运营的7个班次,及每班次的GPS最早采集时间(TS0)和GPS最晚采集时间(TE0);依次从第一班开始对客流大数据进行循环优化,车辆A的第n个班次的首站实际出发时间、末站实际到达时间分别记为TSn、TEn;
所述班次首站实际出发时间TS是指公交车离开首站的时间,取GPS点加速远离首站区域的起始点速度为0的时间,所述班次末站实际到达时间(TE)是指公交车到达末站的时间,取GPS点减速到达末站区域的速度为0的时间;所述首站区域或末站区域是指以首站或者末站为中心方圆10m的区域。
步骤2,确定某车辆所有班次的发车间隔区间
判断该班次是否为首班或末班,
若是首班,则发车之前的所述发车间隔区间是从GPS最早采集时间(TS0)到首站实际出发时间(TS1)的时间区间[TS0,TS1];
若是末班,则末班尾站后的所述发车间隔区间是从末站实际到达时间(TEm)到GPS最晚采集时间(TE0)的时间区间[TEm,TE0](m=7);
若不是首班,则所述发车间隔区间是从上个班次的末站实际到达时间(TEn-1)到本班次的首站实际出发时间(TSn)的时间区间[TEn-1,TSn](n∈INT[2,7]);判断上个班次和本班次是否为循环班次,所述循环班次为司机到达终点后未休息或者休息很短时间后直接返程,且未进入场站,若是循环班次,则客流大数据不需要进行优化,若不是循环班次,进入步骤3;
所述判断上个班次和本班次是否为循环班次具体为:根据不是首班情况下的发车间隔区间[TEn-1,TSn],获取该时间范围内的GPS点集合,如果根据GPS点轨迹得出的车辆行驶距离小于100m,且发车间隔时间(TSn-TEn-1)小于5min,则判定上个班次和本班次是循环班次,否则为非循环班次;
步骤3,确定乘客实际最早上客时间(TS’)和乘客实际最晚下客时间(TE’)
根据步骤2的所述发车间隔区间([TS0,TS1]或[TEn-1,TSn](n∈INT[2,7])或[TEm,TE0]),获取该时间范围内的GPS点集合,其中所述发车间隔区间的前后端点时间分别对应第一GPS点和最后GPS点;
从所述GPS点集合倒序查找,当GPS点速度首次大于5km/h且该GPS点与所述最后GPS点之间的GPS轨迹距离首次大于50m时,则该GPS点的产生时间TSn’为本班次的乘客实际最早上客时间;
从该集合顺序查找,当GPS点速度首次大于5km/h且该GPS点与所述第一GPS点之间的GPS轨迹距离首次大于50m时,则该GPS点的数据产生时间TEn’为本班次的乘客实际最晚下客时间。
步骤4,根据乘客实际最早上客时间(TS’)和乘客实际最晚下客时间(TE’)对客流大数据进行优化,取[TS’,TE’]之间的客流为有效客流。
对车辆A的所有班次循环计算得到7个实际的上下客时间区间[TSn’,TEn’](n∈INT[1,7]),以这些时间区间内的所有客流数据为当天有效的实际客流记录。
车辆A的某一天总客流为332,根据该方法得到的实际客流是313,提升准确率是5.7%。该方法对于普通线路,环线,循环班次线路等均适应,总体提升准确率为5%-10%。
基于相同的技术构思,图2为本发明的精准公交客流大数据的优化装置示意图,该装置可以执行本发明精准公交客流大数据的优化方法的流程。
如图2所示,该装置具体包括获取单元、第一分析单元、第二分析单元、优化单元,上述单元依次电连接;
所述获取单元执行权利要求1至5任一项所述的一种精准公交客流大数据的优化方法的步骤1的步骤;
所述第一分析单元执行权利要求1至5任一项所述的一种精准公交客流大数据的优化方法的步骤2的步骤;
所述第二分析单元执行权利要求1至5任一项所述的一种精准公交客流大数据的优化方法的步骤3的步骤;
所述优化单元执行权利要求1至5任一项所述的一种精准公交客流大数据的优化方法的步骤4的步骤。
以上结合附图对本发明进行了示例性描述,显然,本发明具体实现并不受上述方式的限制,凡是采用了本发明的方法构思和技术方案进行的各种非实质性的改进;或者未经改进、等同替换,将本发明的上述构思和技术方案直接应用于其他场合的,均在本发明的保护范围之内。
Claims (6)
1.一种精准公交客流大数据的优化方法,其特征在于,包括以下具体步骤:
步骤1,从客流采集系统获取当天运营的车辆及其所有班次的客流数据,所述客流数据包括班次总数m、班次首站实际出发时间TS、班次末站实际到达时间TE、GPS点产生的时间,所述GPS点是指通过GPS采集的有上下车客流时的经纬度位置,所述GPS点产生的时间包括某班次GPS最早采集时间TS0和GPS最晚采集时间TE0;
步骤2,确定某车辆所有班次的发车间隔区间
判断该班次是否为首班或末班,
若是首班,则发车之前的所述发车间隔区间是从GPS最早采集时间(TS0)到首站实际出发时间(TS1)的时间区间[TS0,TS1];
若是末班,则末班尾站后的所述发车间隔区间是从末站实际到达时间(TEm)到GPS最晚采集时间(TE0)的时间区间[TEm,TE0];
若不是首班,则所述发车间隔区间是从上个班次的末站实际到达时间(TEn-1)到本班次的首站实际出发时间(TSn)的时间区间[TEn-1,TSn](n∈INT[2,m]);
步骤3,确定乘客实际最早上客时间(TS’)和乘客实际最晚下客时间(TE’)
根据步骤2的所述发车间隔区间([TS0,TS1]或[TEn-1,TSn](n∈INT[2,m]或[TEm,TE0]),获取该时间范围内的GPS点集合,其中所述发车间隔区间的前后端点时间分别对应第一GPS点和最后GPS点;
从所述GPS点集合倒序查找,当GPS点速度首次大于0~10km/h之间任一值且该GPS点与所述最后GPS点之间的GPS轨迹距离首次大于1~100m之间任一值时,则该GPS点的产生时间TSn’为本班次的乘客实际最早上客时间;
从所述GPS点集合顺序查找,当GPS点速度首次大于0~10km/h之间任一值且该GPS点与所述第一GPS点之间的GPS轨迹距离首次大于1~100m之间任一值时,则该GPS点的产生时间TEn’为本班次的乘客实际最晚下客时间;
步骤4,根据乘客实际最早上客时间(TS’)和乘客实际最晚下客时间(TE’)对客流大数据进行优化,取每个班次[TS’,TE’]之间的客流为有效客流。
2.根据权利要求1所述的一种精准公交客流大数据的优化方法,其特征在于,步骤1中所述班次首站实际出发时间TS是指公交车离开首站的时间,取GPS点加速远离首站区域的起始速度为0的时间;所述班次末站实际到达时间(TE)是指公交车到达末站的时间,取GPS点减速到达末站区域的速度为0的时间;所述首站区域或末站区域是指以首站或者末站为中心方圆5-15m的区域。
3.根据权利要求1所述的一种精准公交客流大数据的优化方法,其特征在于,步骤2中若不是首班情况下,还包括:判断上个班次和本班次是否为循环班次,所述循环班次为司机到达终点后未休息或者休息很短时间后直接返程,且未进入场站,若是循环班次,则客流大数据不需要进行优化,若不是循环班次,进入步骤3。
4.根据权利要求3所述的一种精准公交客流大数据的优化方法,其特征在于,步骤2中所述判断上个班次和本班次是否为循环班次具体为:根据不是首班情况下的发车间隔区间[TEn-1,TSn],获取该区间范围内的GPS点集合,如果根据GPS点轨迹得出的车辆行驶距离小于20~300m之间任一值,且发车间隔时间(TSn-TEn-1)小于2-8min之间任一值,则判定上个班次和本班次是循环班次,否则为非循环班次。
5.根据权利要求1至4任一项所述的一种精准公交客流大数据的优化方法,其特征在于,步骤1中所述客流采集系统是运用图像识别技术,通过在车辆前后门安装的摄像装置识别乘客上下车图像,并分析乘客运动轨迹,统计出站点上下车的乘客数量、上下车的时间、上下车时的GPS点,并关联车辆编号、班次编号。
6.一种精准公交客流大数据的优化装置,其特征在于,包括获取单元、第一分析单元、第二分析单元、优化单元,上述单元依次电连接;
所述获取单元执行权利要求1至5任一项所述的一种精准公交客流大数据的优化方法的步骤1的步骤;
所述第一分析单元执行权利要求1至5任一项所述的一种精准公交客流大数据的优化方法的步骤2的步骤;
所述第二分析单元执行权利要求1至5任一项所述的一种精准公交客流大数据的优化方法的步骤3的步骤;
所述优化单元执行权利要求1至5任一项所述的一种精准公交客流大数据的优化方法的步骤4的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910244118.1A CN109816183B (zh) | 2019-03-28 | 2019-03-28 | 一种精准公交客流大数据的优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910244118.1A CN109816183B (zh) | 2019-03-28 | 2019-03-28 | 一种精准公交客流大数据的优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109816183A true CN109816183A (zh) | 2019-05-28 |
CN109816183B CN109816183B (zh) | 2020-02-21 |
Family
ID=66610846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910244118.1A Active CN109816183B (zh) | 2019-03-28 | 2019-03-28 | 一种精准公交客流大数据的优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816183B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992726A (zh) * | 2019-10-28 | 2020-04-10 | 上海城市交通设计院有限公司 | 一种公交车辆到站识别以及车辆上下行班次划分的方法 |
CN112732783A (zh) * | 2020-12-31 | 2021-04-30 | 南京行者易智能交通科技有限公司 | 一种基于客流大数据的公交溜站的判别方法 |
CN112860766A (zh) * | 2021-02-09 | 2021-05-28 | 青岛海信网络科技股份有限公司 | 一种公交运行车次认定方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1475958A (zh) * | 2002-08-15 | 2004-02-18 | 政 张 | 一种利用网络远程监测公交客流方法和装置 |
CN201181488Y (zh) * | 2008-03-26 | 2009-01-14 | 河北工业大学 | 公共交通车辆客流采集装置 |
US20100076679A1 (en) * | 2008-09-09 | 2010-03-25 | Younghyun Lee | System and method for real time bus selection arrangement |
CN103198565A (zh) * | 2013-04-12 | 2013-07-10 | 王铎源 | 一种公交ic卡收费与客流信息采集方法 |
US20140229249A1 (en) * | 2011-03-04 | 2014-08-14 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Active traffic and demand management system |
CN105005959A (zh) * | 2015-07-24 | 2015-10-28 | 吴江智远信息科技发展有限公司 | 一种具有特征属性的公交车客流量计算及统计分析方法 |
CN107248280A (zh) * | 2017-08-07 | 2017-10-13 | 江苏南大苏富特智能交通科技有限公司 | 一种基于实时客流预测的公交车发车调度方法 |
-
2019
- 2019-03-28 CN CN201910244118.1A patent/CN109816183B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1475958A (zh) * | 2002-08-15 | 2004-02-18 | 政 张 | 一种利用网络远程监测公交客流方法和装置 |
CN201181488Y (zh) * | 2008-03-26 | 2009-01-14 | 河北工业大学 | 公共交通车辆客流采集装置 |
US20100076679A1 (en) * | 2008-09-09 | 2010-03-25 | Younghyun Lee | System and method for real time bus selection arrangement |
US20140229249A1 (en) * | 2011-03-04 | 2014-08-14 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Active traffic and demand management system |
CN103198565A (zh) * | 2013-04-12 | 2013-07-10 | 王铎源 | 一种公交ic卡收费与客流信息采集方法 |
CN105005959A (zh) * | 2015-07-24 | 2015-10-28 | 吴江智远信息科技发展有限公司 | 一种具有特征属性的公交车客流量计算及统计分析方法 |
CN107248280A (zh) * | 2017-08-07 | 2017-10-13 | 江苏南大苏富特智能交通科技有限公司 | 一种基于实时客流预测的公交车发车调度方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992726A (zh) * | 2019-10-28 | 2020-04-10 | 上海城市交通设计院有限公司 | 一种公交车辆到站识别以及车辆上下行班次划分的方法 |
CN112732783A (zh) * | 2020-12-31 | 2021-04-30 | 南京行者易智能交通科技有限公司 | 一种基于客流大数据的公交溜站的判别方法 |
CN112732783B (zh) * | 2020-12-31 | 2023-07-18 | 南京行者易智能交通科技有限公司 | 一种基于客流大数据的公交溜站的判别方法 |
CN112860766A (zh) * | 2021-02-09 | 2021-05-28 | 青岛海信网络科技股份有限公司 | 一种公交运行车次认定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109816183B (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Koukoumidis et al. | Leveraging smartphone cameras for collaborative road advisories | |
Li et al. | Real-time queue length estimation for signalized intersections using vehicle trajectory data | |
CN103714698B (zh) | 基于距离图像的公交车辆客流量统计系统及方法 | |
CN109285376A (zh) | 一种基于深度学习的公交车客流统计分析系统 | |
CN109816183A (zh) | 一种精准公交客流大数据的优化方法及装置 | |
CN109275121B (zh) | 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法 | |
CN110969845B (zh) | 一种基于车路协同的智能车速控制方法及系统 | |
CN113347254A (zh) | 基于v2x的智能交通控制车联网系统及其控制方法 | |
CN105809993B (zh) | 一种基于车辆停止线通过时间推算路口信号灯配时的方法 | |
CN107248299B (zh) | 一种基于驻站时间的专用道公交优先干线协调控制方法 | |
CN103927866A (zh) | 基于gps的车辆等待红绿灯时间预测方法 | |
CN102903256A (zh) | 车辆导航方法和车辆导航系统 | |
CN111882867A (zh) | 一种基于物联网的城市智慧交通预警系统 | |
CN205751261U (zh) | 一种智能公交站牌 | |
Li et al. | A vehicular collision warning algorithm based on the time-to-collision estimation under connected environment | |
CN102722984A (zh) | 一种实时路况监控方法 | |
CN106530695A (zh) | 基于车联网的城市干道车辆行程时间实时预测方法 | |
CN105046983A (zh) | 一种基于车路协同的交通流量预测系统及方法 | |
CN102903257A (zh) | 车辆导航方法和车辆导航系统 | |
US10930145B2 (en) | Traffic system for predicting and providing traffic signal switching timing | |
CN110675646B (zh) | 公交站点位置获取方法及装置 | |
CN103903472B (zh) | 一种实时的brt车辆进站优化、站台客流引导系统及方法 | |
CN102142195B (zh) | 城市快速公交行驶工况信息的获取方法 | |
CN113781839A (zh) | 一种基于车路协同的十字路口高效通行方法及交通系统 | |
CN115100847A (zh) | 面向低渗透率网联车轨迹数据的排队服务时间估计方法 |
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 |