CN110634292B - 一种基于路阻性能函数的行程时间可靠性估计方法 - Google Patents
一种基于路阻性能函数的行程时间可靠性估计方法 Download PDFInfo
- Publication number
- CN110634292B CN110634292B CN201910886106.9A CN201910886106A CN110634292B CN 110634292 B CN110634292 B CN 110634292B CN 201910886106 A CN201910886106 A CN 201910886106A CN 110634292 B CN110634292 B CN 110634292B
- Authority
- CN
- China
- Prior art keywords
- road
- travel time
- path
- section
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000015556 catabolic process Effects 0.000 claims abstract description 12
- 238000006731 degradation reaction Methods 0.000 claims abstract description 12
- 238000005315 distribution function Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000903 blocking effect Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 abstract description 2
- 230000003864 performance function Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 14
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于路阻性能函数的行程时间可靠性估计方法,用于解决城市快速路上行程时间可靠性估计问题。技术方案是在引入路网通行能力的退化系数以及饱和度密度函数后,利用路阻性能函数建立行程预算时间估计模型,该方法可为城市快速路行程时间预测、路径规划等领域研究提供技术方法支持。
Description
技术领域
本发明涉及行程时间可靠性估计方法领域,具体是一种基于路阻性能函数的行程时间可靠性估计方法。
背景技术
随着我国交通运输业的发展,交通需求与交通供给不平衡导致交通拥堵日益加剧,从交通系统运行效率角度来说,行程时间可靠性是衡量交通网络性能的一个重要评价指标。行程时间的预测可以为出行者提供准确和可靠的出发时间和到达时间信息,是城市道路交通信息发布最有价值的内容之一。
近年来,国内外学者在行程时间预测方面提出了很多种行程时间预测方法。Jiwon等人将行程时间与占用率作为特征向量,利用KNN方法实现了短时行程时间预测。邢雪等人采用K-means方法将历史行程时间作为特征向量预测行程时间。Wang等人利用ARIMA时间序列分析模型和时空延迟神经网络模型STDNN等模型对行程时间进行了预测。丁宏飞等利用机器学习方法如BP神经网络和支持向量机实现了行程时间预测。上述所述研究并未全面地考虑行程时间的影响因素,实际上行程时间的不确定性是交通需求和供给之间相互作用的结果。交通供给不确定性的主要影响因素包括自然灾害、日常道路维护、交通事故、特殊事件和恶劣天气等,而交通需求不确定性主要是与起讫点相关的交通需求的随机变化引起的。而路网通行能力和路网饱和度是描述交通需求和供给的量化变量。因此,一些学者开始关注考虑路网通行能力和路网饱和度随机变化情况下的出行时间可靠性。Bell和Lida分析了日交通需求变化下的出行时间可靠性。Shao等人基于OD需求为正态分布这个假设得出行程时间可靠性。Zhou和Chen假设路段交通流量服从对数正态分布来估计行程时间可靠性。Asakura等人考虑了一种由于道路损坏而导致的通行能力衰减情况下的行程时间可靠性。但是这些研究只讨论了行程时间变化的两个关键因素之一。在行程时间可靠性估计研究方面若只考虑单一因素的变化,则估计结果会存在一定的误差。因此,Chen等人将OD需求和通行能力作为连续随机变量,采用蒙特卡罗模拟方法计算行程时间可靠性。Lam等人考虑路段通行能力是降雨强度的非递增函数,同时又考虑了交通需求随机性。Siu和Lo认为交通需求的随机性是非通勤者交通量的变化所致,并且路段的通行能力是随机退化的。虽然这些研究既考虑了出行需求的波动,也考虑了路段通行能力的退化,但这些研究假设出行需求只是作为一个连续的随机变量,或者路段通行能力仅遵循某种分布函数。很少有工作将出行需求波动和路段通行能力退化作为一个整体随机变量来分析出行时间可靠性。而路阻性能函数建立起了行程时间、交通供给和需求的量化关系,目前比较常见的路阻性能函数包括BPR(Bureau of Public Roads)性能函数、线性回归路阻函数、Davidson’s路阻性能函数等等,其中,在交通领域BPR性能函数被广泛地用来估计行程时间。
虽然,BPR函数能够用来研究行程时间可靠性问题,但是由于交通需求与通行能力退化的影响因素很多,而现有技术方法并不能够全面的将它们之间的相互影响关系建立,因此,现有技术方法并未给出一种合理的方案,即同时考虑交通需求与通行能力退化的随机性影响,利用BPR函数来估计行程时间可靠性。
发明内容
本发明的目的是提供一种基于路阻性能函数的行程时间可靠性估计方法,以解决现有技术行程时间可靠性估计方法中没有考虑交通需求与通行能力的问题。
为了达到上述目的,本发明所采用的技术方案为:
一种基于路阻性能函数的行程时间可靠性估计方法,其特征在于:包括以下步骤:
(1)、构建路径期望行程时间估计模型如下所示:
公式(1)中,β和n表示路阻性能函数的待标定参数,下标a表示路段序号,L表示路段集合,表示路段a的自由流行程时间,表示路段a的饱和度,表示路段a的饱和度密度函数,参数φa∈[0,1]表示路段a通行能力的退化系数,表示路段与路径的关联系数,当路段a∈r,则否则,其值为0;
(3)、根据步骤(1)建立的路径期望行程时间估计模型,以及步骤(2)得到的预留行程时间项,建立路径预算行程时间估计模型:
(4)、根据步骤(3)建立的路径预算行程时间估计模型,给出路径可靠度Rr可表示为:
Rr=P{Tr actual|Tr actual≤Br}≥α (4),
公式(4)中,P表示概率,Tr actual表示路径r的实际行程时间,α则为路径r的行程时间可靠度。
所述的一种基于路阻性能函数的行程时间可靠性估计方法,其特征在于:步骤(1)中,通过浮动车数据对路段饱和度密度函数进行拟合,获得各路段饱和度密度函数分布函数,从而估计出路径期望行程时间。
公式(5)中,fa表示路段a的交通流量,ca表示路段a的通行能力,ka表示路段a的交通密度,va表示路段a上区间平均车速,表示路段a的阻塞密度,表示路段a的自由流速度,表示路段a最大服务交通量,通常可认为是路段a的设计通行能力。
所述的一种基于路阻性能函数的行程时间可靠性估计方法,其特征在于:步骤(3)建立的考虑交通需求与供给随机性的路径预算行程时间估计模型中,参数标定为:
路阻性能参数β,n:基于不同路段的浮动车数据标定所得,路段等级不同其值不同;
形状参数κa、位置参数μa和尺度参数σa:基于浮动车速数据,针对不同的路段拟合出相应路段的饱和度极值分布函数,获得其相应参数值。
本发明提供了一种基于路阻性能函数的行程时间可靠性估计方法,是针对路网中交通需求与供给的随机波动性,基于路阻性能函数建立行程时间估计模型,具体来说,涉及考虑交通需求供给随机变化的一种基于路阻性能函数的行程时间可靠性估计方法,此方法可广泛应用于城市快速路行程时间预测、路径规划等领域。
本发明通过引入通行能力退化系数和路段饱和密度分布函数,将交通需求与通行能力比值作为一个随机变量来估计行程时间可靠性,在本发明提出的估计方法下,能够较高准确的估计行程时间可靠性。
附图说明
图1是本发明方法流程框图。
图2是本发明实施例中两条路径示意图。
图3是本发明所提出的路段饱和度密度分布函数图:某一路段拟合的极值分布函数图。
图4是本发明所提出的基于预算行程时间估计模型得到的不同可靠度下两条路径的预算行程时间。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,一种基于路阻性能函数的行程时间可靠性估计方法,包括以下步骤:
(1)、构建路径期望行程时间估计模型如下所示:
公式(1)中,β和n表示路阻性能函数的待标定参数,下标a表示路段序号,L表示路段集合,表示路段a的自由流行程时间,表示路段a的饱和度,表示路段a的饱和度密度函数,参数φa∈[0,1]表示路段a通行能力的退化系数,表示路段与路径的关联系数,当路段a∈r,则否则,其值为0;
(3)、根据步骤(1)建立的路径期望行程时间估计模型,以及步骤(2)得到的预留行程时间项,建立路径预算行程时间估计模型:
(4)、根据步骤(3)建立的路径预算行程时间估计模型,给出路径可靠度Rr可表示为:
Rr=P{Tr actual|Tr actual≤Br}≥α (4),
公式(4)中,P表示概率,Tr actual表示路径r的实际行程时间,α则为路径r的行程时间可靠度。
步骤(1)中,通过浮动车数据对路段饱和度密度函数进行拟合,获得各路段饱和度密度函数分布函数,从而估计出路径期望行程时间。
公式(5)中,fa表示路段a的交通流量,ca表示路段a的通行能力,ka表示路段a的交通密度,va表示路段a上区间平均车速,表示路段a的阻塞密度,表示路段a的自由流速度,表示路段a最大服务交通量,通常可认为是路段a的设计通行能力。
步骤(3)建立的考虑交通需求与供给随机性的路径预算行程时间估计模型中,参数标定为:
路阻性能待定参数β,n:基于不同路段的浮动车数据标定所得,路段等级不同其值不同;
形状参数κa、位置参数μa和尺度参数σa:基于浮动车速数据,针对不同的路段拟合出相应路段的饱和度极值分布函数,获得其相应参数值。
实施例:
本实施例是针对城市快速路行程时间估计的问题,基于路阻性能函数,引入通行能力的退化系数以及饱和度密度函数来估计出行时间可靠性。以图2所示的路径为例进行行程时间估计,具体步骤如下:
(2)、路径预算行程时间估计模型:
(3)、考虑交通需求与供给随机性的路径预算行程时间估计模型:
其中,fa表示路段a的交通流量,ca表示路段a的通行能力,ka表示路段a的交通密度,va表示路段a上区间平均车速,表示路段a的阻塞密度,表示路段a的自由流速度,表示路段a最大服务交通量,通常可认为是路段a的设计通行能力。
(5)、根据所建立的考虑交通需求与供给随机性的路径预算行程时间估计模型,进一步定义路径的可靠度Rr,可表示为Rr=P{Tr actual|Tr actual≤Br}≥α,其中,P表示概率,Tr actual表示路径r的实际行程时间,α则为路径r的行程时间可靠。
(6)、考虑交通需求与供给随机性的路径预算行程时间估计模型参数取值:
路阻性能参数β,n:基于不同路段的浮动车数据标定所得,路段等级不同其值不同;
形状参数κa、位置参数μa和尺度参数σa:基于浮动车速数据,针对不同的路段拟合出相应路段的饱和度极值分布函数,获得其相应参数值;
如图3所示,图3是所选节点编号11215到11163路段的饱和度密度分布函数图:节点编号11215到11163路段拟合的极值分布函数图;从这个路段饱和度密度分布函数图可以看出,路段饱和度密度函数符合极值分布。
如图4所示,图4是基于预算行程时间估计模型得到的不同可靠度下两条路径(起点11333到终点11226、起点11333到终点11163,如图2所示)的预算行程时间。从图中可以看出,利用路段实际的行程时间与在0.95的可靠度下估计的预算行程时间较吻合,说明本发明提出的估计方法具有较好的预测效果。
本发明所述的实施例仅仅是对本发明的优选实施方式进行的描述,并非对本发明构思和范围进行限定,在不脱离本发明设计思想的前提下,本领域中工程技术人员对本发明的技术方案作出的各种变型和改进,均应落入本发明的保护范围,本发明请求保护的技术内容,已经全部记载在权利要求书中。
Claims (4)
1.一种基于路阻性能函数的行程时间可靠性估计方法,其特征在于:包括以下步骤:
(1)、构建路径期望行程时间估计模型如下所示:
公式(1)中,β和n表示路阻性能函数的待标定参数,下标a表示路段序号,L表示路段集合,表示路段a的自由流行程时间,表示路段a的饱和度,表示路段a的饱和度密度函数,参数φa∈[0,1]表示路段a通行能力的退化系数,表示路段与路径的关联系数,当路段a∈r,则否则,其值为0;
(3)、根据步骤(1)建立的路径期望行程时间估计模型,以及步骤(2)得到的预留行程时间项,建立路径预算行程时间估计模型:
(4)、根据步骤(3)建立的路径预算行程时间估计模型,给出路径可靠度Rr可表示为:
Rr=P{Tr actual|Tr actual≤Br}≥α (4),
公式(4)中,P表示概率,Tr actual表示路径r的实际行程时间,α则为路径r的行程时间可靠度。
2.根据权利要求1所述的一种基于路阻性能函数的行程时间可靠性估计方法,其特征在于:步骤(1)中,通过浮动车数据对路段饱和度密度函数进行拟合,获得各路段饱和度密度函数分布函数,从而估计出路径期望行程时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910886106.9A CN110634292B (zh) | 2019-09-19 | 2019-09-19 | 一种基于路阻性能函数的行程时间可靠性估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910886106.9A CN110634292B (zh) | 2019-09-19 | 2019-09-19 | 一种基于路阻性能函数的行程时间可靠性估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110634292A CN110634292A (zh) | 2019-12-31 |
CN110634292B true CN110634292B (zh) | 2020-10-16 |
Family
ID=68971655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910886106.9A Active CN110634292B (zh) | 2019-09-19 | 2019-09-19 | 一种基于路阻性能函数的行程时间可靠性估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110634292B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754771B (zh) * | 2020-06-22 | 2021-11-30 | 中山大学 | 一种基于交通信号和密度延误的个体行程时间预测方法 |
CN112071095B (zh) * | 2020-06-30 | 2021-07-30 | 合肥工业大学 | 一种基于v2x技术的应急车辆通过交叉口的信号配时方法 |
CN113393676B (zh) * | 2021-06-09 | 2022-05-31 | 东北林业大学 | 一种基于无人机视觉和毫米波雷达的交通检测方法及装置 |
KR20230016492A (ko) * | 2021-07-26 | 2023-02-02 | 현대자동차주식회사 | 내비게이션 경로 탐색 장치 및 그 방법 |
CN113870591B (zh) * | 2021-10-22 | 2023-08-01 | 上海应用技术大学 | 基于交通量预测的信号控制时段的划分方法、装置及设备 |
CN114842641B (zh) * | 2022-03-11 | 2024-02-09 | 华设设计集团股份有限公司 | 面向省域的多模式链式交通分配方法 |
CN115019507B (zh) * | 2022-06-06 | 2023-12-01 | 上海旷途科技有限公司 | 城市路网行程时间可靠性实时估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530695A (zh) * | 2016-11-09 | 2017-03-22 | 宁波大学 | 基于车联网的城市干道车辆行程时间实时预测方法 |
CN106898142A (zh) * | 2017-03-07 | 2017-06-27 | 北京航空航天大学 | 一种考虑路段相关性的路径行程时间可靠度计算方法 |
CN106960572A (zh) * | 2017-04-05 | 2017-07-18 | 大连交通大学 | 一种基于延迟时间系数的高速公路行程时间可靠性计算方法 |
CN109308803A (zh) * | 2018-07-31 | 2019-02-05 | 北京航空航天大学 | 基于随机波动模型的路径行程时间可靠性分析 |
CN109712398A (zh) * | 2019-01-22 | 2019-05-03 | 江苏智通交通科技有限公司 | 高速公路行程时间估计模型参数优化方法 |
US20190272752A1 (en) * | 2018-03-05 | 2019-09-05 | NEC Laboratories Europe GmbH | Method for robust control of a machine learning system and robust control system |
-
2019
- 2019-09-19 CN CN201910886106.9A patent/CN110634292B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530695A (zh) * | 2016-11-09 | 2017-03-22 | 宁波大学 | 基于车联网的城市干道车辆行程时间实时预测方法 |
CN106898142A (zh) * | 2017-03-07 | 2017-06-27 | 北京航空航天大学 | 一种考虑路段相关性的路径行程时间可靠度计算方法 |
CN106960572A (zh) * | 2017-04-05 | 2017-07-18 | 大连交通大学 | 一种基于延迟时间系数的高速公路行程时间可靠性计算方法 |
US20190272752A1 (en) * | 2018-03-05 | 2019-09-05 | NEC Laboratories Europe GmbH | Method for robust control of a machine learning system and robust control system |
CN109308803A (zh) * | 2018-07-31 | 2019-02-05 | 北京航空航天大学 | 基于随机波动模型的路径行程时间可靠性分析 |
CN109712398A (zh) * | 2019-01-22 | 2019-05-03 | 江苏智通交通科技有限公司 | 高速公路行程时间估计模型参数优化方法 |
Non-Patent Citations (1)
Title |
---|
"动态路阻下的出行时间预测和路径选择模型";张安英等;《公路与汽运》;20140331(第2期);第48-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110634292A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110634292B (zh) | 一种基于路阻性能函数的行程时间可靠性估计方法 | |
He et al. | Customer preference and station network in the London bike-share system | |
Van Arem et al. | Recent advances and applications in the field of short-term traffic forecasting | |
Thomas et al. | Predictions of urban volumes in single time series | |
Nagle et al. | Accuracy of networkwide traffic states estimated from mobile probe data | |
Polus | A study of travel time and reliability on arterial routes | |
Chien et al. | Dynamic travel time prediction with real-time and historic data | |
CN109215350B (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
CN108629973A (zh) | 基于固定检测设备的路段交通拥堵指数计算方法 | |
CN108492555A (zh) | 一种城市路网交通状态评价方法及装置 | |
CN101488284A (zh) | 道路交通状况即时预测的智能管理系统 | |
CN110751311B (zh) | 偶发性交通拥堵持续时间的数据提取与实时预测方法 | |
CN102346964A (zh) | 道路交通网络区域拥堵实时预测与智能管理系统 | |
Xinghao et al. | Predicting bus real-time travel time basing on both GPS and RFID data | |
CN108345987B (zh) | 一种道路基础设施建设项目影响评价决策支持系统及方法 | |
CN104112361A (zh) | 路网交通中常发瓶颈和偶发瓶颈的识别方法 | |
CN112150802B (zh) | 基于地面公交运行状态可靠性的城市道路等级划分方法 | |
CN111581538A (zh) | 一种基于高速公路收费数据的高速交通流状态推断方法 | |
CN110119884A (zh) | 一种基于近邻传播聚类的高速铁路客流时段划分方法 | |
Shen | Freeway travel time estimation and prediction using dynamic neural networks | |
CN110120154B (zh) | 大规模路网下利用检测器数据的交通路况预测方法 | |
Zhu et al. | Large-scale travel time prediction for urban arterial roads based on Kalman filter | |
Sheu | A fuzzy clustering approach to real-time demand-responsive bus dispatching control | |
Huang et al. | A novel loglinear model for freeway travel time prediction | |
Festa et al. | Experimental analysis of different simulation models for motorway traffic flow |
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 |