CN109816983A - 一种基于深度残差网络的短时交通流量预测方法 - Google Patents
一种基于深度残差网络的短时交通流量预测方法 Download PDFInfo
- Publication number
- CN109816983A CN109816983A CN201910140249.5A CN201910140249A CN109816983A CN 109816983 A CN109816983 A CN 109816983A CN 201910140249 A CN201910140249 A CN 201910140249A CN 109816983 A CN109816983 A CN 109816983A
- Authority
- CN
- China
- Prior art keywords
- residual error
- traffic flow
- error network
- depth residual
- space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000001419 dependent effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008034 disappearance Effects 0.000 abstract description 2
- 238000013277 forecasting method Methods 0.000 abstract description 2
- 230000002123 temporal effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于深度残差网络的短时交通流量预测方法，属于智能交通系统领域。本发明采用一种基于深度残差网络的短时间交通流量预测方法，充分考虑了交通流量的时空特征。考虑到较强的时间相关性，模型进行了时空关联性分析。在模型的生成器中，使用了深度残差网络，利用残差思想在精确提取非线性交通流量数据的时空特征的同时解决了深度神经网络的梯度消失问题。并且，该模型可以根据数据量的大小将网络从18层拓展到152层。通过利用深度残差网络与时空关联性结合提高了对短时交通流预测的能力，使得模型的预测的效果更加精确，也使模型具有更好的鲁棒性和适用性。
Description
技术领域
本发明涉及一种基于深度残差网络的短时交通流量预测方法，属于智能交通系统领域。
背景技术
近年来，社会经济持续快速发展、城市化进程加快、汽车日益普及，导致交通拥挤加剧，交通事故频发，交通环境恶化。交通问题在发展中国家和发达国家都成为亟待解决的问题之一。因此，智能交通系统作为一种能有效解决交通问题的手段便成为了人们研究的热点。研究ITS的目的是使人、汽车、道路和环境和谐相处，所以智能交通系统被认为是解决道路交通阻塞、减少环境污染和降低交通事故发生等交通问题的有效方法之一。道路交通的短时流量预测是智能交通系统研究的核心部分之一，其主要内容是利用适当的方法进行实时动态预测，为给出行者提供最佳行驶路线、均衡交通流、优化交通管理方案、改进交通控制等方面提供基础依据。因为短时交通流量的预测的时间跨度较小易受天气、特殊事件、交通事故等影响，具有非线性、非周期性等特点。如何对短时交通流量进行实时、动态和精准的预测，进而提高城市管理和运行效率是个重大挑战。
交通领域一直保持着稳定的发展与创新，新技术不断推陈出新，交通领域的问题的研究方法也应该与时俱进，不断尝试新的理论与新的技术来解决交通问题。城市问题中关键的一环就是交通问题，大量的监控视频，感应线圈，GPS定位技术会产生海量数据源，这给应用大数据技术来预测短时交通流量提供了数据基础。现有的短时交通流量预测大多都是基于历史数据给出的预测结果，如果遇到突发事件，如暴风雪、车祸等，预测结果会与实际结果有很大的偏差，本发明就是在此背景下运用深度残差网络技术对路口的短时交通流量进行预测。
发明内容
本发明要解决的技术问题是提供一种基于深度残差网络的短时交通流量预测模型方法，用于提高智能交通系统中短时交通流量预测的问题。
本发明采用的技术方案是：一种基于深度残差网络的短时交通流量预测方法，包括如下步骤：
(1)获取某一固定路段的交通流量数据，该数据包含三个维度：速度、流量、占有率；速度为通过车辆的平均速度，流量为车辆通过的数量，占有率是为道路中一个点被车辆占有时间的百分比；
(2)在深度残差网络模型的生成器中，运用正则化的方式得到时空关联性；
利用最小角度回归LARS拟合正则化损失函数LASSO，得到稀疏线性模型，来确定时空关系；
Lasso回归使用L1正则化，Lasso回归的损失函数表达式如下:
其中n为样本个数，α为常数系数，θ为系数，X是自变量，Y为因变量，||θ||1为L1范数；
要找到数据的时空关联性需要使J(θ)趋近于0：寻找到与因变量Y接近或者相关度最高的自变量Xk，得到残差Yyes，直接走到出现一个特征值Xt的地方，使得特征值Xt和残差Yyes的相关度和自变量Xk与残差Yyes的相关度是一样的，此时残差Yyes就在特征值Xt和自变量Xk的角平分线上，沿着残差的角平分线走下去，直到出现下一个特征值Xp，满足特征值Xp与残差Yyes相关度趋近于1，将特征值Xp加入到因变量Y的逼近特征集合，并用因变量Y的逼近特征集合公用的角平分线，作为新的逼近方向，以此循环，直到所有的变量都已经取完了，算法停止；此时对应系数θ为最终结果，将关联性强的值取1，关联性弱的取0，进而得到一个时空关联性的系数稀疏矩阵；
(3)通过深度残差网络与时空关联性相结合，预测出短时交通流量结果；
(4)将步骤(3)的预测结果与当前实际交通流量数值比较，反馈给深度残差网络，进行参数优化，得到更为准确的结果，并将当前实际交通流量数值传入深度残差网络进行迭代。
具体地，所述步骤3中深度残差网络与时空关联性相结合具体为：
将步骤(2)得到的参数带入到深度残差网络中，深度残差网络之中自身有个权重，参数为1的得到的权重就高,参数为0的权重就低。
本发明的有益效果是：本发明提出了一种面向短时交通流量预测的深度残差网络预测模型方法，提高了对交通流量进行短时预测的准确率，并且提升了模型的可靠性和可扩展性。针对交通流量短时预测不理想的问题，本发明采用一种基于深度残差网络的短时间交通流量预测方法，充分考虑了交通流量的时空特征。考虑到较强的时间相关性，模型进行了时空关联性分析。在模型的生成器中，使用了深度残差网络，利用残差思想在精确提取非线性交通流量数据的时空特征的同时解决了深度神经网络的梯度消失问题。并且，该模型可以根据数据量的大小将网络从18层拓展到152层。通过利用深度残差网络与时空关联性结合提高了对短时交通流预测的能力，使得模型的预测的效果更加精确，也使模型具有更好的鲁棒性和适用性。
附图说明
图1为本发明系统流程框图；
图2为深度残差网络的系统结构图；
图3为实例时空关联性的系数矩阵图；
图4为实例时空关联性分析图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步说明。
实施例1：如图1-4所示，本发明的具体实施过程如图1所示，包括如下4个方面：
(1)获取某一固定路段的交通流量数据，该数据包含三个维度：速度、流量、占有率；速度为通过车辆的平均速度，流量为车辆通过的数量，占有率是为道路中一个点被车辆占有时间的百分比；
(2)在深度残差网络模型的生成器中，运用正则化的方式得到时空关联性；
利用最小角度回归LARS拟合正则化损失函数LASSO，得到稀疏线性模型，来确定时空关系；
Lasso回归使用L1正则化，Lasso回归的损失函数表达式如下:
其中n为样本个数，α为常数系数，θ为系数，X是自变量，Y为因变量，||θ||1为L1范数；
要找到数据的时空关联性需要使J(θ)趋近于0：寻找到与因变量Y接近或者相关度最高的自变量Xk，得到残差Yyes，直接走到出现一个特征值Xt的地方，使得特征值Xt和残差Yyes的相关度和自变量Xk与残差Yyes的相关度是一样的，此时残差Yyes就在特征值Xt和自变量Xk的角平分线上，沿着残差的角平分线走下去，直到出现下一个特征值Xp，满足特征值Xp与残差Yyes相关度趋近于1，将特征值Xp加入到因变量Y的逼近特征集合，并用因变量Y的逼近特征集合公用的角平分线，作为新的逼近方向，以此循环，直到所有的变量都已经取完了，算法停止；此时对应系数θ为最终结果，将关联性强的值取1，关联性弱的取0，进而得到一个时空关联性的系数稀疏矩阵；
(3)通过深度残差网络与时空关联性相结合，预测出短时交通流量结果；
(4)将步骤(3)的预测结果与当前实际交通流量数值比较，反馈给深度残差网络，进行参数优化，得到更为准确的结果，并将当前实际交通流量数值传入深度残差网络进行迭代。
具体地，所述步骤3中深度残差网络与时空关联性相结合具体为：
将步骤(2)得到的参数带入到深度残差网络中，深度残差网络之中自身有个权重，参数为1的得到的权重就高,参数为0的权重就低。
通过实验表明增加网络的宽度和深度可以更好的提高网络性能，但是通过实验发现，当网络层数达到一定数目后，网络的性能就会饱和，再增加网络的性能就会退化，这种退化不是由过拟合引起的，因为此时训练精度和测试精度都在下降，这说明网络变深之后，网络就变得更难训练了。深度残差网络在神经网络的结构层面解决了这一问题，使得就算网络很深，梯度也不会消失。
神经网络的优化都是通过梯度下降的方法来优化的。每次正向计算的时候计算出Loss，然后调整参数矩阵才能使得Loss更小，使得预测和事实更接近，所以需要通过反向传播来来传播梯度。
深度残差网络认为要优化的目标是H(x)＝F(x)+x(x为输入，H(x)为输出)，通过这种结构把训练目标转变，由原来的H(x)转为H(x)-x。
在深度残差网络基本结构中间3x3的卷积层首先在一个降维1x1卷积层下减少了计算，然后在另一个1x1的卷积层下做了还原，既保持了精度又减少了计算量。
深度残差网络为现有技术，其网络模型的参数如表1：
表1
预测结果与当前实际交通流量数值在判断器中进行比较，将比较结果反馈给深度残差网络，进行参数优化，得到更为准确的结果，并将当前实际交通流量数值传入深度残差网络进行迭代。
本发明使用美国芝加哥市中心8英里处I-55公路上采集的数据进行了实验，该数据由22个环路探测器采集。
如图3是实例中时空关联性的系数矩阵，利用最小角度回归(LARS)来拟合正则化损失函数(LASSO)，得到了时空关联系数的稀疏线性模型。
如图4是实例时空关联性分析图，探测器11的线性模型系数值，有120个值对应着20个传感器的6个滞后量，可以看出最大的系数为探测器11本身最近测量相对应的系数。也可以看出这个模型将最大值分配给了在时间和空间上最接近建模变量的变量，并且大部分的权值在最近的测量中。
表二为模型实例的误差，其中评价指标为，平均绝对百分比误差MAPE，平均绝对值误差MAE，均方差MSE，均方根RMSE，可释方差得分EVS。
LSTM为传统的长短时预测模型，Resnet为深度残差网络模型，改进Resnet模型为本发明模型。
| 方法 | MAPE | MAE | MSE | RMSE | EVS |
| LSTM | 12.96％ | 23.58 | 867 | 29.45 | 0.957 |
| Resnet | 11.03％ | 23.43 | 850 | 29.37 | 0.958 |
| 改进Resnet | 9.01％ | 21.26 | 760 | 25.98 | 0.979 |
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种基于深度残差网络的短时交通流量预测方法，其特征在于：包括如下步骤：
(1)获取某一固定路段的交通流量数据，该数据包含三个维度：速度、流量、占有率；速度为通过车辆的平均速度，流量为车辆通过的数量，占有率是为道路中一个点被车辆占有时间的百分比；
(2)在深度残差网络模型的生成器中，运用正则化的方式得到时空关联性；
利用最小角度回归LARS拟合正则化损失函数LASSO，得到稀疏线性模型，来确定时空关系；
Lasso回归使用L1正则化，Lasso回归的损失函数表达式如下:
其中n为样本个数，α为常数系数，θ为系数，X是自变量，Y为因变量，||θ||1为L1范数；
要找到数据的时空关联性需要使J(θ)趋近于0：寻找到与因变量Y接近或者相关度最高的自变量Xk，得到残差Yyes，直接走到出现一个特征值Xt的地方，使得特征值Xt和残差Yyes的相关度和自变量Xk与残差Yyes的相关度是一样的，此时残差Yyes就在特征值Xt和自变量Xk的角平分线上，沿着残差的角平分线走下去，直到出现下一个特征值Xp，满足特征值Xp与残差Yyes相关度趋近于1，将特征值Xp加入到因变量Y的逼近特征集合，并用因变量Y的逼近特征集合公用的角平分线，作为新的逼近方向，以此循环，直到所有的变量都已经取完了，算法停止；此时对应系数θ为最终结果，将关联性强的值取1，关联性弱的取0，进而得到一个时空关联性的系数稀疏矩阵；
(3)通过深度残差网络与时空关联性相结合，预测出短时交通流量结果；
(4)将步骤(3)的预测结果与当前实际交通流量数值比较，反馈给深度残差网络，进行参数优化，得到更为准确的结果，并将当前实际交通流量数值传入深度残差网络进行迭代。
2.一种基于深度残差网络的短时交通流量预测方法，其特征在于：所述步骤3中深度残差网络与时空关联性相结合具体为：
将步骤(2)得到的参数带入到深度残差网络中，深度残差网络之中自身有个权重，参数为1的得到的权重就高,参数为0的权重就低。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910140249.5A CN109816983A (zh) | 2019-02-26 | 2019-02-26 | 一种基于深度残差网络的短时交通流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910140249.5A CN109816983A (zh) | 2019-02-26 | 2019-02-26 | 一种基于深度残差网络的短时交通流量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109816983A true CN109816983A (zh) | 2019-05-28 |
Family
ID=66607571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910140249.5A Pending CN109816983A (zh) | 2019-02-26 | 2019-02-26 | 一种基于深度残差网络的短时交通流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109816983A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
| CN110503833A (zh) * | 2019-08-29 | 2019-11-26 | 桂林电子科技大学 | 一种基于深度残差网络模型的入口匝道联动控制方法 |
| CN111144666A (zh) * | 2020-01-02 | 2020-05-12 | 吉林大学 | 一种基于深度时空残差网络的海洋温跃层预测方法 |
| CN112907971A (zh) * | 2021-02-04 | 2021-06-04 | 南通大学 | 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103700255A (zh) * | 2013-12-30 | 2014-04-02 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
| CN103871246A (zh) * | 2014-02-10 | 2014-06-18 | 南京大学 | 基于路网空间关系约束Lasso的短时交通流预测方法 |
| KR101638368B1 (ko) * | 2015-01-02 | 2016-07-11 | 경희대학교 산학협력단 | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 |
| US20170116850A1 (en) * | 2015-10-27 | 2017-04-27 | Hyundai Motor Company | Traffic prediction system, vehicle-mounted display apparatus, vehicle, and traffic prediction method |
| CN107464419A (zh) * | 2017-08-28 | 2017-12-12 | 北京工业大学 | 一种考虑时空特性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 |
| CN108831153A (zh) * | 2018-08-09 | 2018-11-16 | 深圳先进技术研究院 | 一种利用时空分布特性的交通流预测方法及装置 |
| CN108985446A (zh) * | 2018-07-24 | 2018-12-11 | 百度在线网络技术（北京）有限公司 | 用于告警的方法及装置 |
| CN109215344A (zh) * | 2018-09-27 | 2019-01-15 | 中电科大数据研究院有限公司 | 用于城市道路短时交通流量预测的方法和系统 |
-
2019
- 2019-02-26 CN CN201910140249.5A patent/CN109816983A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103700255A (zh) * | 2013-12-30 | 2014-04-02 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
| CN103871246A (zh) * | 2014-02-10 | 2014-06-18 | 南京大学 | 基于路网空间关系约束Lasso的短时交通流预测方法 |
| KR101638368B1 (ko) * | 2015-01-02 | 2016-07-11 | 경희대학교 산학협력단 | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 |
| US20170116850A1 (en) * | 2015-10-27 | 2017-04-27 | Hyundai Motor Company | Traffic prediction system, vehicle-mounted display apparatus, vehicle, and traffic prediction method |
| CN107464419A (zh) * | 2017-08-28 | 2017-12-12 | 北京工业大学 | 一种考虑时空特性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 |
| CN108985446A (zh) * | 2018-07-24 | 2018-12-11 | 百度在线网络技术（北京）有限公司 | 用于告警的方法及装置 |
| CN108831153A (zh) * | 2018-08-09 | 2018-11-16 | 深圳先进技术研究院 | 一种利用时空分布特性的交通流预测方法及装置 |
| CN109215344A (zh) * | 2018-09-27 | 2019-01-15 | 中电科大数据研究院有限公司 | 用于城市道路短时交通流量预测的方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| XINGMING WU ET AL.: "Short-Term Urban Traffic Flow Prediction Using", 《IEEE》 * |
| 赵博: "深度异步残差网络及在路网交通流预测中的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
| CN110503833A (zh) * | 2019-08-29 | 2019-11-26 | 桂林电子科技大学 | 一种基于深度残差网络模型的入口匝道联动控制方法 |
| CN110503833B (zh) * | 2019-08-29 | 2021-06-08 | 桂林电子科技大学 | 一种基于深度残差网络模型的入口匝道联动控制方法 |
| CN111144666A (zh) * | 2020-01-02 | 2020-05-12 | 吉林大学 | 一种基于深度时空残差网络的海洋温跃层预测方法 |
| CN112907971A (zh) * | 2021-02-04 | 2021-06-04 | 南通大学 | 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 |
| CN112907971B (zh) * | 2021-02-04 | 2022-06-10 | 南通大学 | 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816983A (zh) | 一种基于深度残差网络的短时交通流量预测方法 | |
| CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
| CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
| CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
| CN109064748B (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 | |
| Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
| CN109272157A (zh) | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 | |
| CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
| CN110299011A (zh) | 一种基于收费数据的高速公路任意断面的交通流预测方法 | |
| CN110956807B (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
| CN110979342B (zh) | 一种用于车辆全局能量管理控制的工况信息获取方法 | |
| CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
| CN109272746A (zh) | 一种基于bp神经网络数据融合的mfd估测方法 | |
| CN114881356A (zh) | 基于粒子群算法优化bp神经网络的城市交通碳排预测方法 | |
| CN109584551A (zh) | 一种基于层次聚类的关联交叉口群划分的设计方法 | |
| Yang et al. | Application of data science technologies in intelligent prediction of traffic congestion | |
| WO2022142418A1 (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
| Shen et al. | Prediction of entering percentage into expressway service areas based on wavelet neural networks and genetic algorithms | |
| CN111009140B (zh) | 一种基于开源路况信息的智能交通信号控制方法 | |
| Wang et al. | ARIMA model and few-shot learning for vehicle speed time series analysis and prediction | |
| Prontri et al. | Traffic signal control using fuzzy logic | |
| Fu et al. | Traffic safety oriented multi-intersection flow prediction based on transformer and cnn | |
| CN109447352B (zh) | 一种公交出行od矩阵反推的组合方法 | |
| Lu et al. | Research on the intelligent assignment model of urban traffic planning based on optimal path optimization algorithm | |
| CN115759329A (zh) | 基于卷积神经网络的景区游客人数预测方法 |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20211026 |