CN110766201A - 收入预测方法、系统、电子设备、计算机可读存储介质 - Google Patents
收入预测方法、系统、电子设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN110766201A CN110766201A CN201910914445.3A CN201910914445A CN110766201A CN 110766201 A CN110766201 A CN 110766201A CN 201910914445 A CN201910914445 A CN 201910914445A CN 110766201 A CN110766201 A CN 110766201A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- time sequence
- prediction
- revenue
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种收入预测方法,对原始的时间序列数据进行预处理,依据时间将时间序列数据分为:非月最后一天的数据、31天月最后一天的数据、30天月最后一天的数据以及28天月最后一天的数据;对每一类的时间序列数据分别建立预测模型,输入原始的时间序列数据至预测模型进行训练,获得训练好的预测模型,预测模型包括通过非线性的方式集成了传统时序模型和改进的深度学习模型;采集实时的时间序列数据,将其输入到训练好的预测模型,获得预测的收入数据,并输出结果。本发明结合每月月末个人收入数据与当月天数存在相关性,将数据拆分建模,在数据量不足时,使此种规律具有可预测性,也使预测准确率得到了提升,能有效提升了模型模型运行效率。
Description
技术领域
本发明涉及计算机数据处理技术领域,特别涉及一种收入预测方法、系统、电子设备及计算机可读存储介质。
背景技术
通信行业是我国社会经济的基础行业,在促进国家经济增长、保障信息安全、服务国家网络强国的战略上都占据着重要地位。但随着行业改革政策的推行与落实,互联网技术快速发展,市场竞争逐渐加剧,整个行业都面临转型。在此背景下,有效预测通信行业未来的发展情况,合理构建预测模型则显得愈发有价值。国内对运营商收入预测的相关研究大多集中在2008年以前,且2008年以前我国运营商行业仍然处于平稳发展的阶段,2008年以后逐渐受到了市场竞争的影响发生波动,数据呈现不规则变动的特点,之后运营商业务收入的相关预测较2008之前来说更加具有难度。
现有的传统收入预测方法以手工为主,工作量巨大,难以实现长周期、高频次的实施,无法满足按天调整的要求。且手工预测只能对当月已发生业务办理及通信量进行补全,对未发生新增、通信量、套外等无法预测。因此亟需一种技术手段来提高预测精准度、提升预测频度。
分析历史收入数据可知,不管是个人收入部分,还是集团收入部分,每月最后一天都会发生规律性“异常”增长,且增长趋势每月都不相同,另外,通过观察个人收入每月最后一天的数据,发现其变化与当月天数呈反比,即当月天数越短,最后一天的个人收入值越高。但由于数据并未累计到一年以上,这种年的周期性模型被无法学习到,且该数据会对其本月他天的数据预测的准确性造成不利影响。
发明内容
本发明要解决的技术问题是如何提供一种可较为准确的对通信行业进行收入预测的收入预测方法、系统、电子设备及计算机可读存储介质。
为了解决上述技术问题,本发明的技术方案为:
第一方面,本发明提出一种收入预测方法,包括步骤:
对原始的时间序列数据进行预处理,依据时间将所述时间序列数据分为:非月最后一天的数据、31天月最后一天的数据、30天月最后一天的数据以及28天月最后一天的数据;
对每一类的时间序列数据分别建立预测模型,输入原始的时间序列数据至预测模型进行训练,获得训练好的预测模型,所述预测模型包括通过非线性的方式集成了时序模型和深度学习模型;
采集实时的时间序列数据,将其输入到训练好的所述预测模型,获得预测的收入数据,并输出结果。
优选地,所述深度学习模型为LSTM模型,所述LSTM模型包括LSTM网络单元。
优选地,所述LSTM模型还包括四层神经网络,四层神经网络设置于所述LSTM网络单元之前,且其与所述LSTM网络单元之间通过全连接层进行连接,四层神经网络的初始权重与所述LSTM网络单元的初始权重相同。
优选地,所述预测模型内集成的时序模型包括stl+arima模型、tslm模型以及prophet模型。
优选地,所述LSTM模型的损失函数中包括惩罚系数Wd,所述损失函数为:
优选地,采集实时的时间序列数据,将其输入到训练好的所述预测模型,获得预测的收入数据,并输出结果之后还包括步骤:
通过准确率公式来对预测的收入数据进行评估,所述准确率公式为:
其中y为真实值,yhat为预测值。
优选地,所述时间序列数据还包括集团收入数据类,所述预测模型还包括集团收入数据类的预测模型。
第二方面,本发明还提出一种收入预测系统,所述收入预测系统包括:
数据预处理模块:对原始的时间序列数据进行预处理,依据时间将所述时间序列数据分为:非月最后一天的数据、31天月最后一天的数据、30天月最后一天的数据以及28天月最后一天的数据;
建模模块:对每一类的时间序列数据分别建立预测模型,所述预测模型包括通过非线性的方式集成了时序模型和深度学习模型;
训练模块:输入原始的时间序列数据至预测模型进行训练,获得训练好的预测模型;
预测模块:采集实时的时间序列数据,将其输入到训练好的所述预测模型,获得预测的收入数据,并输出结果。
第三方面,本发明还提出了一种收入预测电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的收入预测方法的步骤。
第三方面,本发明还提出了一种收入预测的计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时间实现上述的收入预测方法的步骤。
采用上述技术方案,本发明将数据分为月最后一天、非月最后一天数据,并将月最后一天数据分为31天月最后一天的数据、30天月最后一天的数据以及28天月最后一天的数据,对于不同类型的数据分别建立模型,进行深度学习,实现实时数据输入后的收入数据预测。本发明通过对历史数据的深入挖掘,发现每月月末个人收入数据与当月天数存在相关性,将数据进行拆分建模,使此种规律具有可预测性,也使预测准确率得到了提升,避免了月最后一天数据对其本月他天的数据预测的准确性造成不利影响。
附图说明
图1为本发明收入预测方法一实施例的步骤流程图;
图2为本发明收入预测方法的数据分类图;
图3为本LSTM单元结构图;
图4为本发明改进后的LSTM模型结构图;
图5为本发明收入预测系统一实施例的原理模块图。
图中,10-数据预处理模块,20-建模模块,30-训练模块,40-预测模块。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参照图1,本发明提出一种收入预测方法,包括步骤:
对原始的时间序列数据进行预处理,依据时间将时间序列数据分为:集团收入数据类、非月最后一天的数据、31天月最后一天的数据、30天月最后一天的数据以及28天月最后一天的数据;
对每一类的时间序列数据分别建立预测模型,输入原始的时间序列数据至预测模型进行训练,获得训练好的预测模型,预测模型包括通过非线性的方式集成了时序模型和深度学习模型;深度学习模型为包括LSTM网络单元的LSTM模型。LSTM模型模型还包括四层神经网络,四层神经网络设置于LSTM网络单元之前,且其与LSTM网络单元之间通过全连接层进行连接,四层神经网络的初始权重与LSTM网络单元的初始权重相同。预测模型内集成的时序模型包括stl+arima模型、tslm模型以及prophet模型。
本发明优化了深度学习模型的损失函数和网络结构,适当提升模型复杂度的同时,有效提升了模型预测准确性和模型运行效率。
采集实时的时间序列数据,将其输入到训练好的预测模型,获得预测的收入数据,并输出结果。
通过准确率公式来对预测的收入数据进行评估,准确率公式为:
其中y为真实值,yhat为预测值。
在本发明一优选的实施例中,LSTM模型的损失函数中包括惩罚系数Wd,损失函数为:
需要说明的是,31天月最后一天的数据包括每年的1、3、5、7、8、10、12月;
30天月最后一天的数据包括每年的4、6、9、11月;
28天月最后一天的数据包括每年的2月;
对于闰年来说还包括29天月最后一天的数据。
本发明实施例的第一方面是将历史数据拆分,分开建模:
分析历史收入数据可知,不管是个人收入部分,还是集团收入部分,每月最后一天都会发生规律性“异常”增长,且增长趋势每月都不相同,为避免其对其他天的数据预测造成影响,本发明将每月最后一天数据与其他天数据进行分开建模。另外,通过观察个人收入每月最后一天的数据,发现其变化与当月天数呈反比,即当月天数越短,最后一天的个人收入值越高。但由于数据并未累计到一年以上,这种年的周期性模型无法学习到,因此本发明对个人收入最后一天的预测模型又进行进一步拆分,即31天,30天,28天分别建立不同的预测模型。具体数据拆分建模参照图2。
4.2本发明第二方面优化了LSTM损失函数及内部网络结构:
LSTM是RNN的一个优秀的变种模型,继承了大部分RNN模型的特性。原始RNN的隐藏层只有一个状态,即h,它对于短期的输入非常敏感。LSTM在此基础上增加了一个状态c,用来保存长期的状态。为了控制长期状态c,LSTM的思路是使用三个控制开关。第一个开关为遗忘门,负责控制继续保存长期状态c;第二个开关为输入门,负责控制把即时状态输入到长期状态c;第三个开关为输出门,负责控制是否把长期状态c作为当前的LSTM的输出。随着信息进入该模型,LSTM中的‘门’会对该信息进行判断,符合规则的信息会被留下,不符合的信息会被遗忘,以此原理,可以解决神经网络中长序列依赖问题,同时解决了梯度回传过程由于逐步缩减而产生的梯度消失问题。LSTM单元结构如图3所示。
在此原理基础上,对LSTM进行了以下两点的改进:
第一,优化了LSTM损失函数。收入预测除了要保证真实值与预测值的误差尽可能小以外,对收入变动方向的预测也同样重要。对收入环比增长或者下降这种方向上的预测,也对运营商的营销决策起着关键性的作用。传统的LSTM损失函数MAE、MSE不会给我们有关变更方向的信息,而在收入预测中本发明对损失函数进行了修改,在接近真实值的同时,也能正确的预测下一时刻的变动方向。因此在损失函数的优化上,加入了惩罚项,当下一时刻的变动方向预测错误时,增加惩罚系数Wd,Wd的取值大于1,最终损失函数定义如下:
第二,优化了LSTM的网络结构。由于目前历史数据较少,输入数据序列长度分割则不能过大,这就导致LSTM网络深度不能太深,参数调节自由度低,特征提取不全面,从而降低了预测准确率。因此,本发明在LSTM网络单元前加入4层神经网络,并用一个全连接层将二者衔接,且赋予4层神经网络与LSTM相同的初始权重,这样不仅有效提高了网络深度,还能预先对输入信息进行部分特征提取,有效提高了特征提取效率,具体参照图4。
参照图5,本发明还提出一种收入预测系统,收入预测系统包括:
数据预处理模块10:对原始的时间序列数据进行预处理,依据时间将时间序列数据分为:非月最后一天的数据、31天月最后一天的数据、30天月最后一天的数据以及28天月最后一天的数据;
建模模块20:对每一类的时间序列数据分别建立预测模型,预测模型包括通过非线性的方式集成了时序模型和深度学习模型;
训练模块30:输入原始的时间序列数据至预测模型进行训练,获得训练好的预测模型;
预测模块40:采集实时的时间序列数据,将其输入到训练好的预测模型,获得预测的收入数据,并输出结果。
本发明还提出了一种收入预测电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述的收入预测方法的步骤。该收入预测方法步骤包括:
S10:对原始的时间序列数据进行预处理,依据时间将所述时间序列数据分为:非月最后一天的数据、31天月最后一天的数据、30天月最后一天的数据以及28天月最后一天的数据;
S20:对每一类的时间序列数据分别建立预测模型,输入原始的时间序列数据至预测模型进行训练,获得训练好的预测模型,所述预测模型包括通过非线性的方式集成了时序模型和深度学习模型;
S30:采集实时的时间序列数据,将其输入到训练好的所述预测模型,获得预测的收入数据,并输出结果。
此外,本发明还提出了一种收入预测的计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时间实现上述的收入预测方法的步骤。该方法步骤包括:
S10:对原始的时间序列数据进行预处理,依据时间将所述时间序列数据分为:非月最后一天的数据、31天月最后一天的数据、30天月最后一天的数据以及28天月最后一天的数据;
S20:对每一类的时间序列数据分别建立预测模型,输入原始的时间序列数据至预测模型进行训练,获得训练好的预测模型,所述预测模型包括通过非线性的方式集成了时序模型和深度学习模型;
S30:采集实时的时间序列数据,将其输入到训练好的所述预测模型,获得预测的收入数据,并输出结果。
本发明通过人工智能的方式完成收入预测,减少了人员分析成本;本发明深入挖掘数据自身规律,通过数据拆分、分开建模的方式有效规避了数据不足的问题,提升了模型准确率;本发明通过优化LSTM损失函数和内部网络结构,提升了预测准确率和效率。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (10)
1.一种收入预测方法,其特征在于,包括步骤:
对原始的时间序列数据进行预处理,依据时间将所述时间序列数据分为:非月最后一天的数据、31天月最后一天的数据、30天月最后一天的数据以及28天月最后一天的数据;
对每一类的时间序列数据分别建立预测模型,输入原始的时间序列数据至预测模型进行训练,获得训练好的预测模型,所述预测模型包括通过非线性的方式集成的时序模型和深度学习模型;
采集实时的时间序列数据,将其输入到训练好的所述预测模型,获得预测的收入数据,并输出结果。
2.根据权利要求1所述的收入预测方法,其特征在于:所述深度学习模型为LSTM模型,所述LSTM模型包括LSTM网络单元。
3.根据权利要求2所述的收入预测方法,其特征在于:所述LSTM模型还包括四层神经网络,四层神经网络设置于所述LSTM网络单元之前,且其与所述LSTM网络单元之间通过全连接层进行连接,四层神经网络的初始权重与所述LSTM网络单元的初始权重相同。
4.根据权利要求1所述的收入预测方法,其特征在于:所述预测模型内集成的时序模型包括stl+arima模型、tslm模型以及prophet模型。
7.根据权利要求1所述的收入预测方法,其特征在于:所述时间序列数据还包括集团收入数据类,所述预测模型还包括集团收入数据类的预测模型。
8.一种收入预测系统,其特征在于,所述收入预测系统包括:
数据预处理模块:对原始的时间序列数据进行预处理,依据时间将所述时间序列数据分为:非月最后一天的数据、31天月最后一天的数据、30天月最后一天的数据以及28天月最后一天的数据;
建模模块:对每一类的时间序列数据分别建立预测模型,所述预测模型包括通过非线性的方式集成了时序模型和深度学习模型;
训练模块:输入原始的时间序列数据至预测模型进行训练,获得训练好的预测模型;
预测模块:采集实时的时间序列数据,将其输入到训练好的所述预测模型,获得预测的收入数据,并输出结果。
9.一种收入预测电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述程序时实现权利要求1-7任一项所述的收入预测方法的步骤。
10.一种收入预测的计算机可读存储介质,其上存储有计算机程序,其特征在于:该计算机程序被处理器执行时间实现权利要求1-7任一项所述的收入预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914445.3A CN110766201A (zh) | 2019-09-26 | 2019-09-26 | 收入预测方法、系统、电子设备、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914445.3A CN110766201A (zh) | 2019-09-26 | 2019-09-26 | 收入预测方法、系统、电子设备、计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766201A true CN110766201A (zh) | 2020-02-07 |
Family
ID=69329993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910914445.3A Pending CN110766201A (zh) | 2019-09-26 | 2019-09-26 | 收入预测方法、系统、电子设备、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766201A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461872A (zh) * | 2020-04-02 | 2020-07-28 | 杨九妹 | 基于区块链的大数据企业资金管理方法及系统 |
CN111861000A (zh) * | 2020-07-21 | 2020-10-30 | 携程计算机技术(上海)有限公司 | 基于历史数据的日收入预测方法、系统、设备及存储介质 |
CN113743971A (zh) * | 2020-06-17 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种数据处理方法和装置 |
-
2019
- 2019-09-26 CN CN201910914445.3A patent/CN110766201A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461872A (zh) * | 2020-04-02 | 2020-07-28 | 杨九妹 | 基于区块链的大数据企业资金管理方法及系统 |
CN113743971A (zh) * | 2020-06-17 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种数据处理方法和装置 |
CN111861000A (zh) * | 2020-07-21 | 2020-10-30 | 携程计算机技术(上海)有限公司 | 基于历史数据的日收入预测方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | The damping accumulated grey model and its application | |
Rangapuram et al. | Deep state space models for time series forecasting | |
CN102469103B (zh) | 基于bp神经网络的木马事件预测方法 | |
CN110766201A (zh) | 收入预测方法、系统、电子设备、计算机可读存储介质 | |
CN112906982A (zh) | 一种基于gnn-lstm结合的网络流量预测方法 | |
BenDor et al. | Ecological and economic sustainability in fishery management: a multi-agent model for understanding competition and cooperation | |
CN107977864A (zh) | 一种适用于金融场景的客户洞察方法和系统 | |
CN110197307B (zh) | 一种结合注意力机制的区域型海表面温度预测方法 | |
CN103886218A (zh) | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 | |
CN104408108A (zh) | 基于灰色系统理论的热点话题群体影响力分析系统及方法 | |
CN116090839B (zh) | 水资源耦合系统多重风险分析与评估方法及系统 | |
CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
Omidi et al. | Forecasting stock prices using financial data mining and Neural Network | |
CN107832421A (zh) | 一种自适应的组合数据挖掘模型系统及方法 | |
CN109657851A (zh) | 事件驱动型的股价预测方法、装置、设备及存储介质 | |
Saliminezhad et al. | Validity of unbalanced growth theory and sectoral investment priorities in Indonesia: Application of feature ranking methods | |
CN110310199B (zh) | 借贷风险预测模型的构建方法、系统及借贷风险预测方法 | |
CN115994459B (zh) | 一种海量电网基建项目建设时序优化方法、系统及设备 | |
CN114841098B (zh) | 基于稀疏表示驱动的深度强化学习北斗导航芯片设计方法 | |
CN110544124A (zh) | 一种基于模糊神经网络的废旧手机定价方法 | |
Gu et al. | Deep learning solutions to master equations for continuous time heterogeneous agent macroeconomic models | |
CN116976842B (zh) | 一种基于多元化配置企业薪酬自动核算方法 | |
Kadhim et al. | Employing boosting algorithms to predict the growth of the Iraqi GDP | |
CN117332923B (zh) | 一种网状指标体系的赋权方法及系统 | |
Dreyfus-León et al. | Recruitment prediction for Pacific herring (Clupea pallasi) on the west coast of Vancouver Island, Canada |
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 |
Application publication date: 20200207 |
|
WD01 | Invention patent application deemed withdrawn after publication |