CN110598082B - 一种基于pm2.5数据采集预测方法 - Google Patents
一种基于pm2.5数据采集预测方法 Download PDFInfo
- Publication number
- CN110598082B CN110598082B CN201910873593.5A CN201910873593A CN110598082B CN 110598082 B CN110598082 B CN 110598082B CN 201910873593 A CN201910873593 A CN 201910873593A CN 110598082 B CN110598082 B CN 110598082B
- Authority
- CN
- China
- Prior art keywords
- model
- url
- data
- webpage
- data source
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
- G06F16/9566—URL specific, e.g. using aliases, detecting broken or misspelled links
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L61/00—Network arrangements, protocols or services for addressing or naming
- H04L61/45—Network directories; Name-to-address mapping
- H04L61/4505—Network directories; Name-to-address mapping using standardised directories; using standardised directory access protocols
- H04L61/4511—Network directories; Name-to-address mapping using standardised directories; using standardised directory access protocols using domain name system [DNS]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明涉及一种基于PM2.5数据采集预测方法,包括以下步骤:步骤S1:爬取网页数据源或定时抽取数据源;步骤S2:建立ARIMA模型;步骤S3:得到数据发展趋势。本发明通过采用网络爬虫和新建地址获取所需的PM2.5的相关数据源,并存入存储库中,按照相关的数据源,利用SPSS统计工具计算出PM2.5预报和相关信息,比如天气预报、人群出行、着装、运动建议等。
Description
技术领域
本发明涉及数据预测技术领域,特别涉及一种基于PM2.5数据采集预测方法。
背景技术
现有的PM2.5数据检测都是依赖于从各个监测站采集数据,然后将各个监测站的数据汇总后才能构成一个城市的数据,最后才进行分析,这样会使得数据集中不及时,难以起到实时显示PM2.5情况的作用,并且PM2.5的数据预测也不准确。
发明内容
本发明的目的在于改善现有技术中所存在的不足,提供一种基于PM2.5数据采集预测方法,及时获取PM2.5数据源,预测出未来PM2.5的情况。
为了实现上述发明目的,本发明实施例提供了以下技术方案:
一种基于PM2.5数据采集预测方法,包括以下步骤:
步骤S1:爬取网页数据源或定时抽取数据源;
步骤S2:建立ARIMA模型;
步骤S3:得到数据发展趋势。
通过网络爬虫和新建地址获取城市的PM2.5数据信息,迅速得到当前城市区域的有效PM2.5数据,进而通过长期采集的大量数据进行大数据分析建模。
更进一步地,为了更好的实现本发明,所述爬取网页数据源包括以下步骤:
步骤S1-A1:选取多个已有的URL地址放入待抓取URL队列中;
步骤S1-A2:从待抓取URL队列中取出URL地址进行DNS域名解析,得到各URL 地址的主机IP;
步骤S1-A3:根据各URL地址的主机IP,下载各自对应的网页内容,并将下载的网页内容存入网页存储库中;同时将已解析的URL地址放入已抓取URL队列中。
更进一步地,为了更好的实现本发明,所述爬取网页数据源还包括以下步骤:
步骤S1-A4:从已抓取URL队列中取出URL地址进行DNS域名解析,循环步骤 S1-A2至步骤S1-A3。
更进一步地,为了更好的实现本发明,所述定时抽取数据源包括以下步骤:
步骤S1-B1:新建多个URL地址;
步骤S1-B2:根据新建的多个URL地址,建立各个URL地址相应的HTTP连接,并将这些HTTP连接返回至URL连接对象;
步骤S1-B3:根据HTTP连接获取相应的HTTP状态码,若HTTP状态码符合预先设置的值时,则使用该HTTP连接在URL连接对象中对应的输入流对象来获取网页内容;
步骤S1-B4:下载获取的网页内容,并存入网页存储库中。
更进一步地,为了更好的实现本发明,所述建立ARIMA模型包括以下步骤:
步骤S2-A:根据网页存储库中数据源的时间序列的散点图、自相关函数和偏自相关函数,对时间序列的平稳性进行识别;
步骤S2-B:若时间序列为非平稳序列,则对其进行平稳化处理;
步骤S2-C:对平稳的时间序列建立相应的模型。
更进一步地,为了更好的实现本发明,所述对平稳的时间序列建立相应的模型的步骤包括:
若平稳序列的偏相关函数是截尾型,而自相关函数是拖尾型,则建立为自回归AR模型;若平稳序列的偏相关函数是拖尾型,而自相关函数是截尾型,则建立为滑动平均MA模型;若平稳序列的偏相关函数和自相关函数均是拖尾型,则建立为自回归滑动平均ARMA模型。
更进一步地,为了更好的实现本发明,所述得到数据发展趋势的步骤包括:
步骤S3-A:分别对自回归AR模型、滑动平均MA模型、自回归滑动平均ARMA 模型进行迭代,利用最小二乘法计算误差值最低的模型作为预测模型;
步骤S3-B:根据预测模型得到所需数据的发展趋势。
与现有技术相比,本发明的有益效果:
本发明通过网络爬虫和新建地址获取城市的PM2.5数据信息,迅速得到当前城市区域的有效PM2.5数据,进而通过长期采集的大量数据进行大数据分析建模,根据历史时期的数据计算预测出未来的PM2.5情况,并给人们提出相应的出行、着装、运动建议等。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的工作流程图;
图2为本发明爬取网页数据源的工作流程图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
本发明通过下述技术方案实现,如图1所示,一种基于PM2.5数据采集预测方法,通过采用网络爬虫和新建地址获取所需的PM2.5的相关数据源,并存入存储库中,按照相关的数据源,利用SPSS统计工具计算出PM2.5预报和相关信息,比如天气预报、人群出行、着装、运动建议等。如图1所示为本发明工作流程图,本发明包括以下步骤:
步骤S1:爬取网页数据源或定时抽取数据源。
如图2所示,所述爬取网页数据源包括以下步骤:
步骤S1-A1:选取多个已有的URL地址放入待抓取URL队列中。
步骤S1-A2:从待抓取URL队列中取出URL地址进行DNS域名解析,得到各 URL地址的主机IP。
步骤S1-A3:根据各URL地址的主机IP,下载各自对应的网页内容,并将下载的网页内容存入网页存储库中;同时将已解析的URL地址放入已抓取URL 队列中。
步骤S1-A4:从已抓取URL队列中取出URL地址再次进行DNS域名解析,循环爬取网页数据源的过程。
所述定时抽取数据源包括以下步骤:
步骤S1-B1:新建多个URL地址,表示需要访问的网址;
比如,url=newURL("http://www.sina.com.cn")。
步骤S1-B2:根据新建的多个URL地址,建立各个URL地址相应的HTTP连接,并将这些HTTP连接返回至URL连接对象;
比如,urlConnection=(HttpURLConnection)url.openConnection()。
步骤S1-B3:根据HTTP连接获取相应的HTTP状态码;
比如,responsecode=urlConnection.getResponseCode();
若HTTP状态码符合预先设置的值时,比如预先设置的状态码值为200,那么若HTTP状态码为200时,则使用该HTTP连接在URL连接对象中对应的输入流对象来获取网页内容。
步骤S1-B4:下载获取的网页内容,并存入网页存储库中。
步骤S2:建立ARIMA模型。
所述ARIMA模型全称为自回归积分滑动平均模型(Autoregressive IntegratedMoving Average Model),是指将非平稳时间序列转化为平稳时间序列,然后将因变量的滞后值以及随机误差项的限值和滞后值进行回归所建立的模型,是一种精度较高的短期时间序列预测方法。
具体来说,所述建立ARIMA模型包括以下步骤:
步骤S2-A:根据网页存储库中数据源的时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律,对时间序列的平稳性进行识别。
步骤S2-B:若时间序列为非平稳序列,则对其进行平稳化处理。
如果数据序列是非平稳的,并存在一定的增长或下降趋势,则需要对数据进行差分处理,如果数据存在异方差,则需对数据进行技术处理,直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。
步骤S2-C:对平稳的时间序列建立相应的模型,包括:
若平稳序列的偏相关函数是截尾型,而自相关函数是拖尾型,则建立为自回归AR模型;自回归AR模型中最简单的一种前后依存关系就是变量当前的取值主要与其前一时期的取值状况有关,用数学模型来描述这种关系即是如下的一阶自回归AR模型:
Xt1=ΦXt-1+εt (1)
其中{Xt}为零均值(即已中心化处理)的平稳序列,φ为Xt对Xt-1的依赖程度,εt为随机扰动项序列(外部冲击)。
如果Xt与过去时期直到Xt-p的取值相关,则需要使用包含Xt-1、...、Xt-p在内的 p阶自回归模型来加以刻画,那么p阶自回归模型的一般形式为:
Xt1=Φ1Xt-1+Φ2Xt-2+...+ΦpXt-p+εt (2)
若平稳序列的偏相关函数是拖尾型,而自相关函数是截尾型,则建立为滑动平均MA模型;序列Xt的记忆是关于过去外部冲击值的记忆,在这种情况下,Xt可以表示成过去冲击值和现在冲击值的线性组合,即:
Xt2=εt-θ1εt-1-θ2εt-2-...-θqεt-q (3)
此模型常称为序列Xt的滑动平均模型,即滑动平均MA模型;其中q为滑动平均的阶数,θ1、θ2、...、θq为参滑动平均的权数,相应的序列Xt称为滑动平均序列。
若平稳序列的偏相关函数和自相关函数均是拖尾型,则建立为自回归滑动平均ARMA模型;如果序列{Xt}的当前值不仅与自身的过去值有关,而且还与其以前进入系统的外部冲击存在一定依存关系,则在用模型刻画这种动态特征时,模型中既包括自身的滞后项,也包括过去的外部冲击,这种模型叫做自回归滑动平均模型,即(2)与(3)合成,其一般结构为:
Xt3=Φ1Xt-1+Φ2Xt-2+...+ΦpXt-p+εt-θ1εt-1-θ2εt-2-...-θqεt-q (4)
将预测对象随时间推移而形成的数据序列视为一个随机序列,用一定的数学模型来近似描述这个序列,这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。其中ARIMA(p,d,q)称为差分自回归移动平均模型,AR是自回归,p为自回归项,MA为移动平均,q为移动平均项数,d为时间序列成为平稳时所做的差分次数。当d为0,即为式(3)的特殊情况。
步骤S3:得到数据发展趋势。
所述得到数据发展趋势的步骤包括:
步骤S3-A:分别对自回归AR模型、滑动平均MA模型、自回归滑动平均ARMA 模型进行迭代,利用最小二乘法计算误差值最低的模型作为预测模型;
步骤S3-B:根据预测模型得到所需数据的发展趋势。
在指数平滑模型下,观察ARIMA模型的残差是否是平均值为0且方差为常数的正态分布(服从零均值、方差不变的正态分布),同时也要观察连续残差是否自相关。Ljung-Boxtest是对randomness的检验,或者说是对时间序列是否存在滞后相关的一种统计检验。LB检验则是基于一系列滞后阶数,判断序列总体的相关性或者说随机性是否存在。时间序列中一个最基本的模型就是高斯白噪声序列。而对于ARIMA模型,其残差被假定为高斯白噪声序列,所以当我们用ARIMA模型去拟合数据时,拟合后我们要对残差的估计序列进行LB检验,判断其是否是高斯白噪声。
本发明通过网络爬虫和新建地址获取城市的PM2.5数据信息,迅速得到当前城市区域的有效PM2.5数据,进而通过长期采集的大量数据进行大数据分析建模,根据历史时期的数据计算预测出未来的PM2.5情况,并给人们提出相应的出行、着装、运动建议等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (3)
1.一种基于PM2.5数据采集预测方法,其特征在于:包括以下步骤:
步骤S1:爬取网页数据源或定时抽取数据源;
所述爬取网页数据源包括以下步骤:
步骤S1-A1:选取多个已有的URL地址放入待抓取URL队列中;
步骤S1-A2:从待抓取URL队列中取出URL地址进行DNS域名解析,得到各URL地址的主机IP;
步骤S1-A3:根据各URL地址的主机IP,下载各自对应的网页内容,并将下载的网页内容存入网页存储库中;同时将已解析的URL地址放入已抓取URL队列中;
所述定时抽取数据源包括以下步骤:
步骤S1-B1:新建多个URL地址;
步骤S1-B2:根据新建的多个URL地址,建立各个URL地址相应的HTTP连接,并将这些HTTP连接返回至URL连接对象;
步骤S1-B3:根据HTTP连接获取相应的HTTP状态码,若HTTP状态码符合预先设置的值时,则使用该HTTP连接在URL连接对象中对应的输入流对象来获取网页内容;
步骤S1-B4:下载获取的网页内容,并存入网页存储库中;
步骤S2:建立ARIMA模型;
所述建立ARIMA模型包括以下步骤:
步骤S2-A:根据网页存储库中数据源的时间序列的散点图、自相关函数和偏自相关函数,对时间序列的平稳性进行识别;
步骤S2-B:若时间序列为非平稳序列,则对其进行平稳化处理;
步骤S2-C:对平稳的时间序列建立相应的模型;
所述对平稳的时间序列建立相应的模型的步骤包括:
若平稳序列的偏相关函数是截尾型,而自相关函数是拖尾型,则建立为自回归AR模型;
若平稳序列的偏相关函数是拖尾型,而自相关函数是截尾型,则建立为滑动平均MA模型;
若平稳序列的偏相关函数和自相关函数均是拖尾型,则建立为自回归滑动平均ARMA模型;
步骤S3:得到数据发展趋势。
2.根据权利要求1所述的一种基于PM2.5数据采集预测方法,其特征在于:所述爬取网页数据源还包括以下步骤:
步骤S1-A4:从已抓取URL队列中取出URL地址进行DNS域名解析,循环步骤S1-A2至步骤S1-A3。
3.根据权利要求1所述的一种基于PM2.5数据采集预测方法,其特征在于:所述得到数据发展趋势的步骤包括:
步骤S3-A:分别对自回归AR模型、滑动平均MA模型、自回归滑动平均ARMA模型进行迭代,利用最小二乘法计算误差值最低的模型作为预测模型;
步骤S3-B:根据预测模型得到所需数据的发展趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910873593.5A CN110598082B (zh) | 2019-09-17 | 2019-09-17 | 一种基于pm2.5数据采集预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910873593.5A CN110598082B (zh) | 2019-09-17 | 2019-09-17 | 一种基于pm2.5数据采集预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598082A CN110598082A (zh) | 2019-12-20 |
CN110598082B true CN110598082B (zh) | 2022-09-27 |
Family
ID=68859962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910873593.5A Active CN110598082B (zh) | 2019-09-17 | 2019-09-17 | 一种基于pm2.5数据采集预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598082B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432871A (zh) * | 2023-06-13 | 2023-07-14 | 北京化工大学 | 一种基于AdaBoost算法的公交调度优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844346A (zh) * | 2016-03-17 | 2016-08-10 | 福州大学 | 基于arima模型的航班延误预测方法 |
WO2017028632A1 (zh) * | 2015-08-19 | 2017-02-23 | 中国电力科学研究院 | 一种配电网运行可靠性的预测方法 |
-
2019
- 2019-09-17 CN CN201910873593.5A patent/CN110598082B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017028632A1 (zh) * | 2015-08-19 | 2017-02-23 | 中国电力科学研究院 | 一种配电网运行可靠性的预测方法 |
CN105844346A (zh) * | 2016-03-17 | 2016-08-10 | 福州大学 | 基于arima模型的航班延误预测方法 |
Non-Patent Citations (1)
Title |
---|
基于时间序列的航天器遥测数据预测算法;闫谦时等;《计算机测量与控制》;20170525(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110598082A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Young | Advances in real–time flood forecasting | |
Hess et al. | Linear trend analysis: a comparison of methods | |
CN110472090B (zh) | 基于语义标签的图像检索方法以及相关装置、存储介质 | |
Chen et al. | Nonlinear dynamics of hourly ozone concentrations: nonparametric short term prediction | |
CN107679626A (zh) | 机器学习方法、装置、系统、存储介质及设备 | |
Rodriguez et al. | Bootstrap prediction intervals in state–space models | |
WO2017168967A1 (ja) | データ分析手法候補決定装置 | |
CN110598082B (zh) | 一种基于pm2.5数据采集预测方法 | |
CN110543474A (zh) | 一种基于全埋点与潜在因子模型的用户行为分析方法和装置 | |
CN110956278A (zh) | 重新训练机器学习模型的方法和系统 | |
Mayoral | Further evidence on the statistical properties of real GNP | |
Brändle et al. | Distribution, abundance and niche breadth of birds: scale matters | |
Pichuka et al. | Development of a time‐varying downscaling model considering non‐stationarity using a Bayesian approach | |
CN102929948B (zh) | 列表页识别系统及方法 | |
Chien et al. | The implementation of Bayesian structural additive regression models in multi-city time series air pollution and human health studies | |
CN108090794B (zh) | 一种基于动态滑动时间窗口的商品对象排序方法及装置 | |
Chen et al. | Impact of cyclonic and anticyclonic activity on Greenland ice sheet surface mass balance variation during 1980–2013 | |
CN105989071A (zh) | 获取用户网络操作特征的方法及设备 | |
WO2023048807A1 (en) | Hierarchical representation learning of user interest | |
CN112948463A (zh) | 轧钢数据采样方法、装置、电子设备及存储介质 | |
JP5824429B2 (ja) | スパムアカウントスコア算出装置、スパムアカウントスコア算出方法、及びプログラム | |
CN111382891A (zh) | 短期负荷预测方法和短期负荷预测装置 | |
CN116522901B (zh) | It社群的关注信息的分析方法、装置、设备和介质 | |
CN115222486B (zh) | 物品推荐模型训练方法、物品推荐方法、装置及存储介质 | |
CN113139146B (zh) | 网站质量评估方法、装置及计算设备 |
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 |