CN110085026A - 一种基于聚类分析和马尔科夫模型的交通状态预测方法 - Google Patents

一种基于聚类分析和马尔科夫模型的交通状态预测方法 Download PDF

Info

Publication number
CN110085026A
CN110085026A CN201910241335.5A CN201910241335A CN110085026A CN 110085026 A CN110085026 A CN 110085026A CN 201910241335 A CN201910241335 A CN 201910241335A CN 110085026 A CN110085026 A CN 110085026A
Authority
CN
China
Prior art keywords
traffic
volume
markov model
occupation rate
behavior
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
Application number
CN201910241335.5A
Other languages
English (en)
Inventor
安泽萍
朱弘戈
张艳
贺静
裴月玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHINA HIGHWAY ENGINEERING CONSULTING GROUP Co Ltd
Original Assignee
CHINA HIGHWAY ENGINEERING CONSULTING GROUP Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CHINA HIGHWAY ENGINEERING CONSULTING GROUP Co Ltd filed Critical CHINA HIGHWAY ENGINEERING CONSULTING GROUP Co Ltd
Priority to CN201910241335.5A priority Critical patent/CN110085026A/zh
Publication of CN110085026A publication Critical patent/CN110085026A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于聚类分析和马尔科夫模型的交通状态预测方法。选择交通量和交通占有率作为城市交叉口交通状态的评价指标；根据交通控制中心采集的大量交通流数据，采用K均值聚类的方法对交通量和交通占有率进行聚类分析；采用熵值法和层次分析法相结合的方法确定交通量和交通占有率的权重集；根据线性分析法确定交通量和交通占有率的隶属度函数，并得到其隶属度矩阵；计算模糊综合评价矩阵，根据最大隶属度原则评价现有交通状态；根据现有交通状态，基于马尔科夫模型预测未来交通状态。本发明适用于实际案例，提高了预测精度。

Description

一种基于聚类分析和马尔科夫模型的交通状态预测方法
技术领域
本发明设计智能交通技术领域，尤其涉及基于聚类分析和马尔科夫模型的交通状态预测方法
背景技术
随着经济和科技的不断发展，人们对出行的交通信息要求越来越高，如出行前就知道目前道路的交通状态，以便能选择最有效的交通路线和出行方式，所以，交通控制与诱导系统成为智能交通系统研究的热门核心课题，而实现交通控制与诱导系统的关键问题是实时准确的交通状态预测，即如何有效的利用实时交通数据预测交通状况。关于基于交通参数评价交通状态，较为广泛的是将交通量，速度，交通流密度，车头时距，车头间距，交通占有率等多个交通参数作为评价指标或者基于这些参数计算畅通率，负裕度，停车时间比例等来作为评价指标，进而评价交通状态。但评价指标选取复杂或需要对检测器数据进行处理，计算量较大。
因此，现有技术还有待于改进和发展。
发明内容
鉴于现有技术的不足，本发明目的在于提供基于聚类分析和马尔科夫模型的交通状态预测的方法，旨在解决评价指标选取复杂或需要对检测器数据进行处理，计算量较大的问题。
本发明的技术方案如下：
一种基于聚类分析和马尔科夫模型的交通状态预测方法，其中，方法包括步骤：
选择交通量和交通占有率作为城市交叉口交通状态的评价指标；
根据交通控制中心采集的大量交通流数据，采用K均值聚类的方法对交通量和交通占有率进行聚类分析；
采用熵值法和层次分析法相结合的方法确定交通量和交通占有率的权重集；
根据线性分析法确定交通量和交通占有率的隶属度函数，并得到其隶属度矩阵；
计算模糊综合评价矩阵，根据最大隶属度原则评价现有交通状态；
根据现有交通状态，基于马尔科夫模型预测未来交通状态；
所述的基于聚类分析和马尔科夫模型交通状态预测方法，其中，研究内容：
选择交通量和交通占有率作为评价指标；
依据路口的交通流特性以及拥堵强度，将路口交通流状态划分为3类:自由交通流，平峰期交通流，拥挤交通流。
k均值聚类步骤
设置聚类数k,求解每个聚类的质心
计算每个样本到k个质心中的各个距离，选取离质心最近距离的样本，将该样本聚类到此质心中
重新计算每个聚类中所有样本的均值，将其作为新的聚类的质心
若质心不变，则过程结束。若质心改变，则重复k均值聚类步骤，直到质心收敛。
权重的确定方法有主观赋权法和客观赋权法，这两种方法各有好坏。因而采用主客观赋权相结合的方法来确定权重，确保权重值计算的精准度。
将熵权法和层次分析法求得的权重进行加权平均求解组合权重，计算公式如下：
W＝αW1+(1-α)W2
式中：W1代表熵权法求得的权重，W2代表层次分析法求得的权重。α为加权系数，且α∈[0,1]
模糊综合评价步骤：
假定某交通状态的评价因子交通量是x，其隶属度函数为r(x)，交通量的隶属度函数为
假定某交通状态的评价因子交通占有率是y，其隶属度函数为r(y),交通占有率的隶属度函数为
得到其隶属度矩阵
求出模糊综合评价集Q,其中M为权重集，R为隶属度矩阵
由最大隶属度原则，max{q1,q2,q3}所对应的下标即为评价对象的最终评价等级。即取q1,q2,q3三者中最大值所代表的交通状态，作为道路交通状态模糊综合评判的最终结果。
马尔科夫模型步骤
初始化，历史交通状态作为一组参考依据，统计各交通状态在样本中所占比例，取一个月同一时间30个交通状态作为样本粒子，输入粒子，每个粒子的权值为1/30。
输入粒子后,据步骤[0036]中确定每个粒子，即交通状态所占比例，确定每个粒子的先验概率通过马尔科夫模型确定状态转移过程，进而实现
xk为系统状态(可理解为系统中k时刻的交通状态)，uk为过程噪声，即转移过程中的误差。
马尔科夫链的具体过程如下:
初始概率的确定
N＝30即样本总个数，Mi为状态i出现的次数，Fi是频数状态转移概率
其中F(xj|xi)为频数，Mij和Mi分别为每一种交通状态的状态个数。根据公式所确定的状态转移概率，可确定状态转移矩阵，即
t＝k时刻交通状态的确定
X(t＝k)＝X(t＝k-1)×P
本发明公开了一种基于聚类分析和马尔科夫模型预测交通状态的预测方法。本发明根据交通控制中心采集的大量的交通流参数，评价现有交通状态，然后，基于现有交通状态预测未来交通状态。准确的为人们提供交通出行信息并且为交通管理者制定合适的交通诱导与控制策略提供可靠的依据。
附图说明
图1为本发明的一种基于聚类分析和马尔科夫模型交通状态预测方法的k均值聚类算法流程图
图2为本发明的一种基于聚类分析和马尔科夫模型交通状态预测方法的流程图
具体实施方式
为使本发明的目的、技术方案及效果更佳更佳清楚明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了基于聚类分析和马尔科夫模型的交通状态预测的方法的实施流程图,如图2所示，方法包括：
选取对路口交通状态最敏感或最容易获取的指标作为路口交通状态的判别指标；
交通量是指在单位时间内，通过道路上的某一地点或者某一断面实际参与交通的参与者的数量。又称作交通流量或者流量。
交通占有率指汽车通过观测断面的时间占总观测时间的比
依据路口的交通流特性以及拥挤强度，将路口交通状态分为三类：自由交通流，平峰期交通流和拥挤交通流；
采用k均值聚类的方法对路口交通量和交通占有率进行聚类分析，分别得到交通量和交通占有率的聚类中心；
权重的确定方法有主观赋权法和客观赋权法，这两种方法各有好坏。因而采用主客观赋权相结合的方法来确定权重，确保权重值计算的精准度。
将熵权法和层次分析法求得的权重进行加权平均求解组合权重，计算公式如下：
W＝αW1+(1-α)W2
式中：W1代表熵权法求得的权重，W2代表层次分析法求得的权重。α为加权系数，且α∈[0,1]
线性分析法确定隶属度函数。线性分析法首先在一个连续的区间上确定一系列具有分界点作用的值，然后将实际指标值通过线性内插公式进行处理，即可得到指标值对应的隶属度；
假定某交通状态的评价因子交通量是x，其隶属度函数为r(x),假定交通状态的评价因子交通占有率是y,其隶属度函数为r(y)；
得到交通量和交通占有率的隶属度矩阵
求解模糊综合评价矩阵
由最大隶属度原则，max{b1,b2,b3}所对应的下标即为评价对象的最终评价等级。即取b1,b2,b3三者中最大值所代表的交通状态，作为道路交通状态模糊综合评判的最终结果。
初始化，历史交通状态作为一组参考依据，统计各交通状态在样本中所占比例，取一个月同一时间30个交通状态作为样本粒子，输入粒子，每个粒子的权值为1/N；
输入粒子后，确定每个粒子的先验概率通过马尔科夫模型确定状态转移过程，进而实现xk为系统状态(可理解为系统中k时刻的交通状态)， uk为过程噪声，即转移过程中的误差
初始概率的确定即样本总个数，Mi为状态i出现的次数，Fi是频数，当样本数量足够大时，用频数代替频率是可以得。也就是上边所说的先验概率
状态转移概率的确定
t＝k时刻交通状态的确定,X(t＝k)＝X(t＝k-1)×P.
综上所述，本发明提出了一种基于聚类分析和马尔科夫模型的交通状态预测方法。方法包括：采用k均值聚类方法对交通量和交通占有率进行聚类分析；基于聚类分析的结果和采集的交通量及交通占有率数据进行交通状态的模糊综合评价；根据评价结果基于马尔科夫模型预测未来交通状态。本发明根据交通控制中心采集的大量的交通流参数，评价现有交通状态，然后，基于现有交通状态预测未来交通状态。准确的为人们提供交通出行信息并且为交通管理者制定合适的交通诱导与控制策略提供可靠的依据。
应当理解的是，本发明应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (5)

1.一种基于聚类分析和马尔科夫模型的交通状态预测方法，其特征在于，包括以下步骤：
选择交通量和交通占有率作为城市交叉口交通状态的评价指标；
根据采集的交通流数据，采用K均值聚类的方法对交通量和交通占有率进行聚类分析；
采用熵值法和层次分析法相结合的方法确定交通量和交通占有率的权重集；
根据线性分析法确定交通量和交通占有率的隶属度函数，并得到其隶属度矩阵；
计算模糊综合评价矩阵，根据最大隶属度原则评价现有交通状态；
根据现有交通状态，基于马尔科夫模型预测未来交通状态。
2.根据权利要求1所述的基于聚类分析和马尔科夫模型交通状态预测方法，其中：
选择交通量和交通占有率作为评价指标；
依据路口的交通流特性以及拥堵强度，将路口交通流状态划分为3类:自由交通流，平峰期交通流，拥挤交通流；
k均值聚类步骤
设置聚类数k,求解每个聚类的质心
计算每个样本到k个质心中的各个距离，选取离质心最近距离的样本，将该样本聚类到此质心中
重新计算每个聚类中所有样本的均值，将其作为新的聚类的质心
若质心不变，则过程结束；若质心改变，则重复k均值聚类步骤，直到质心收敛。
3.根据权利要求1所述的基于聚类分析和马尔科夫模型交通状态预测方法，其中：
将熵权法和层次分析法求得的权重进行加权平均求解组合权重，计算公式如下：
W＝αW1+(1-α)W2
式中：W1代表熵权法求得的权重，W2代表层次分析法求得的权重；α为加权系数，且α∈[0,1]。
4.根据权利要求1所述的基于聚类分析和马尔科夫模型交通状态预测方法，其中模糊综合评价步骤：
假定某交通状态的评价因子交通量是x，其隶属度函数为r(x)，交通量的隶属度函数为
假定某交通状态的评价因子交通占有率是y，其隶属度函数为r(y),交通占有率的隶属度函数为
得到其隶属度矩阵
求出模糊综合评价集Q,其中M为权重集，R为隶属度矩阵
由最大隶属度原则，max{q1,q2,q3}所对应的下标即为评价对象的最终评价等级；即取q1,q2,q3三者中最大值所代表的交通状态，作为道路交通状态模糊综合评判的最终结果。
5.根据权利要求1所述的基于聚类分析和马尔科夫模型交通状态预测方法，马尔科夫模型步骤：
初始化，历史交通状态作为一组参考依据，统计各交通状态在样本中所占比例，取一个月同一时间30个交通状态作为样本粒子，输入粒子，每个粒子的权值为1/30；
输入粒子后,据步骤中确定每个粒子，即交通状态所占比例，确定每个粒子的先验概率通过马尔科夫模型确定状态转移过程，进而实现
xk为系统状态理解为系统中k时刻的交通状态，uk为过程噪声，即转移过程中的误差；
马尔科夫链的具体过程如下:
初始概率的确定
N＝30即样本总个数，Mi为状态i出现的次数，Fi是频数状态转移概率
其中F(xj|xi)为频数，Mij和Mi分别为每一种交通状态的状态个数；根据公式所确定的状态转移概率，确定状态转移矩阵，即
t＝k时刻交通状态的确定
X(t＝k)＝X(t＝k-1)×P。
CN201910241335.5A 2019-03-28 2019-03-28 一种基于聚类分析和马尔科夫模型的交通状态预测方法 Pending CN110085026A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910241335.5A CN110085026A (zh) 2019-03-28 2019-03-28 一种基于聚类分析和马尔科夫模型的交通状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910241335.5A CN110085026A (zh) 2019-03-28 2019-03-28 一种基于聚类分析和马尔科夫模型的交通状态预测方法

Publications (1)

Publication Number Publication Date
CN110085026A true CN110085026A (zh) 2019-08-02

Family

ID=67413724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910241335.5A Pending CN110085026A (zh) 2019-03-28 2019-03-28 一种基于聚类分析和马尔科夫模型的交通状态预测方法

Country Status (1)

Country Link
CN (1) CN110085026A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517485A (zh) * 2019-08-09 2019-11-29 大连理工大学 一种基于时段划分的短时交通流预测方法
CN110598747A (zh) * 2019-08-13 2019-12-20 广东工业大学 基于自适应k均值聚类算法的道路分类方法
CN111064617A (zh) * 2019-12-16 2020-04-24 重庆邮电大学 基于经验模态分解聚类的网络流量预测方法及装置
CN111368897A (zh) * 2020-02-28 2020-07-03 中南大学 基于状态转移算法的除铜过程的犹豫模糊c均值聚类方法
CN111739283A (zh) * 2019-10-30 2020-10-02 腾讯科技（深圳）有限公司 一种基于聚类的路况计算方法、装置、设备及介质
CN111814901A (zh) * 2020-07-21 2020-10-23 西北工业大学 基于数据挖掘与状态学习的医师操作手法模拟方法
CN112085951A (zh) * 2020-08-17 2020-12-15 西安电子科技大学 交通状态判别方法、系统、存储介质、计算机设备及应用
CN112327666A (zh) * 2020-10-22 2021-02-05 智慧航海（青岛）科技有限公司 动力巡航系统控制模型的目标函数权重矩阵确定方法
WO2021218235A1 (zh) * 2020-04-30 2021-11-04 山东交通学院 一种道路交通拥堵预警方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006087854A1 (ja) * 2004-11-25 2006-08-24 Sharp Kabushiki Kaisha 情報分類装置、情報分類方法、情報分類プログラム、情報分類システム
CN101540018A (zh) * 2009-01-23 2009-09-23 浙江师范大学 一种企业信息技术应用程度评价方法及系统
CN103413443A (zh) * 2013-07-03 2013-11-27 太原理工大学 基于隐马尔科夫模型的短时交通流状态预测方法
CN104933862A (zh) * 2015-05-26 2015-09-23 大连理工大学 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法
CN109086965A (zh) * 2018-07-03 2018-12-25 大连理工大学 一种基于灰云模型的河流沉积物重金属污染二维评价方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006087854A1 (ja) * 2004-11-25 2006-08-24 Sharp Kabushiki Kaisha 情報分類装置、情報分類方法、情報分類プログラム、情報分類システム
CN101540018A (zh) * 2009-01-23 2009-09-23 浙江师范大学 一种企业信息技术应用程度评价方法及系统
CN103413443A (zh) * 2013-07-03 2013-11-27 太原理工大学 基于隐马尔科夫模型的短时交通流状态预测方法
CN104933862A (zh) * 2015-05-26 2015-09-23 大连理工大学 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法
CN109086965A (zh) * 2018-07-03 2018-12-25 大连理工大学 一种基于灰云模型的河流沉积物重金属污染二维评价方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517485A (zh) * 2019-08-09 2019-11-29 大连理工大学 一种基于时段划分的短时交通流预测方法
CN110517485B (zh) * 2019-08-09 2021-05-07 大连理工大学 一种基于时段划分的短时交通流预测方法
CN110598747A (zh) * 2019-08-13 2019-12-20 广东工业大学 基于自适应k均值聚类算法的道路分类方法
CN111739283A (zh) * 2019-10-30 2020-10-02 腾讯科技（深圳）有限公司 一种基于聚类的路况计算方法、装置、设备及介质
CN111739283B (zh) * 2019-10-30 2022-05-20 腾讯科技（深圳）有限公司 一种基于聚类的路况计算方法、装置、设备及介质
CN111064617A (zh) * 2019-12-16 2020-04-24 重庆邮电大学 基于经验模态分解聚类的网络流量预测方法及装置
CN111064617B (zh) * 2019-12-16 2022-07-22 重庆邮电大学 基于经验模态分解聚类的网络流量预测方法及装置
CN111368897A (zh) * 2020-02-28 2020-07-03 中南大学 基于状态转移算法的除铜过程的犹豫模糊c均值聚类方法
CN111368897B (zh) * 2020-02-28 2023-06-20 中南大学 基于状态转移算法的除铜过程的犹豫模糊c均值聚类方法
WO2021218235A1 (zh) * 2020-04-30 2021-11-04 山东交通学院 一种道路交通拥堵预警方法及系统
CN111814901A (zh) * 2020-07-21 2020-10-23 西北工业大学 基于数据挖掘与状态学习的医师操作手法模拟方法
CN112085951A (zh) * 2020-08-17 2020-12-15 西安电子科技大学 交通状态判别方法、系统、存储介质、计算机设备及应用
CN112327666A (zh) * 2020-10-22 2021-02-05 智慧航海（青岛）科技有限公司 动力巡航系统控制模型的目标函数权重矩阵确定方法
CN112327666B (zh) * 2020-10-22 2023-02-07 智慧航海（青岛）科技有限公司 动力巡航系统控制模型的目标函数权重矩阵确定方法

Similar Documents

Publication Publication Date Title
CN110085026A (zh) 一种基于聚类分析和马尔科夫模型的交通状态预测方法
CN108109382B (zh) 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法
CN105913661B (zh) 一种基于收费数据的高速公路路段交通状态判别方法
CN108492557A (zh) 基于多模型融合的高速公路拥堵等级判断方法
CN109754597B (zh) 一种城市道路区域拥堵调控策略推荐系统及方法
CN102867408B (zh) 一种公交出行路线的选择方法
CN110176141B (zh) 一种基于poi及流量特征的交通小区划分方法和系统
CN105355049B (zh) 一种基于宏观基本图的高速公路运行状态评价方法
CN109686090B (zh) 一种基于多源数据融合的虚拟交通流量计算方法
CN105825669A (zh) 一种识别城市快速路交通瓶颈的系统和方法
CN109686091B (zh) 一种基于多源数据融合的交通流量填补算法
CN107507421B (zh) 快速路交通状态判别方法及装置
CN107622678A (zh) 一种基于图像处理的智能交通控制系统及其方法
CN102592447A (zh) 一种基于fcm的区域路网的道路交通状态判别方法
CN112885088B (zh) 一种基于动态交通流的多匝道协调控制方法
CN109215350A (zh) 一种基于rfid电子车牌数据的短期交通状态预测方法
CN103473469A (zh) 一种基于客观指标的扇区交通态势多层次模糊评价方法
CN108038578B (zh) 基于需求预测和中心辐射网络的公共自行车静态调度方法
CN107689158A (zh) 一种基于图像处理的智能交通控制方法
CN109389305B (zh) 一种城市轨道交通区间乘客交通流状态判别方法
CN107886720A (zh) 一种基于区间二型模糊集合节假日城市交通拥堵转移分析方法
CN111476449B (zh) 基于改进k均值聚类算法的地铁车站运营时段划分方法
CN111161545B (zh) 基于视频的交叉口区域交通参数统计方法
CN106652450B (zh) 一种高速公路交通指数数值确定方法
CN108898831A (zh) 基于道路高清卡口数据的路段状况评估方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190802