CN110956336B - 一种基于图算法的行车路线挖掘方法 - Google Patents
一种基于图算法的行车路线挖掘方法 Download PDFInfo
- Publication number
- CN110956336B CN110956336B CN201911279238.1A CN201911279238A CN110956336B CN 110956336 B CN110956336 B CN 110956336B CN 201911279238 A CN201911279238 A CN 201911279238A CN 110956336 B CN110956336 B CN 110956336B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- points
- algorithm
- graph
- 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
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于图算法的行车路线挖掘方法,包括:收集并清洗异常点数据;数据降维;构建车辆轨迹图;转换代价值;求解最优路径;去除相似路径得到最热路径。本发明采用Geohash算法对危险品车辆建图后,利用图算法得到代价最小即最优的路径,实现了有效判别目标点,并建立车辆-目标点的映射关系,使得效益/规模最优化,可合理的调度危化品运输,产生巨大的社会价值和经济价值。
Description
技术领域
本发明涉及路径规划领域,具体提供一种基于图算法的行车路线挖掘方法。
背景技术
在现代生活中,危险品大批量的生产与使用使得危险品的运输在经济活动中的比重更加重要,危险品已经成为人们生活中离不开的物品。对于世界上大多数成员来说,日常活动已经跟危险品息息相关。而存在的问题是,很多危险品需要到生产地才能被使用,而非在产地被使用,这就意味着危险品的生产至使用过程需要经过相当距离的运输过程。据估计,我国95%以上的危险化学品涉及异地运输问题,每天危险化学品的运输量超过100万吨,每年总的运输量将超过4亿吨。危险品运输不同于其他物品运输过程,他们之间的差别在于前者运输过程伴有很大的风险。运输过程一旦发生事故,将会对生命财产产生巨大损失,并且考虑到危险品的危险特性,所造成事故也有可能对环境造成巨大破坏。危化品运输是一种特殊的商业运输活动,在经济活动中尤其是工业生产中具有不可替代的地位。因此,解决如何合理的调度危化品运输,就能够产生巨大的社会价值和经济价值。
现有技术CN109374006A公开了一种多目标的危险品道路运输路径规划方法,包括:分别求取筛选的道路网络中的时间最优路径、安全最优路径和能耗最优路径,时间最优路径、安全最优路径和能耗最优路径统称为目标最优路径;判断所述目标最优路径否为同一个有向边;分别求取不是同一个有向边的目标最优路径的其他阻抗;基于所述目标最优路径的阻抗确定所述目标最优路径的隶属度函数及所述隶属度函数的上下界,从而得到所述目标最优路径的隶属度;将所述目标最优路径的隶属度集为一体,转化成加权附属目标;基于所述加权附属目标获得最优路径。达到了全方位的考虑时间、安全、能耗等因素对路径规划影响,从而获取最优路径的目的。
现有技术中,如何有效的判别目标点;如何建立车辆-目标点的映射关系,使得效益/规模最优化,急需设计一种行车路线挖掘方法。
发明内容
为克服现有技术中合理调度危险品运输的问题,本发明基于图算法提出了一种行车轨迹的挖掘方法,具体包括以下步骤:
S1、收集车辆轨迹点信息,筛选出异常点数据并清除;
S2、利用Geohash算法将所述车辆轨迹点二维信息及地图区域二维信息进行划分,降维为字符串表示;
S3、构建所述车辆的轨迹图;
S4、将所述车辆的轨迹图中两点间通过的车辆数量转化为代价值,并求解最小代价值得到最优路径,其中代价函数为ex,式中x为每条路径的通过车辆数的相反数;
S5、采用KSP算法,求解K条最优路径;
S6、根据所述步骤S3中所述车辆轨迹图中的点关系,采用node2vec算法去除相似度高于阈值的点得到最优路径。
具体地,所述步骤S1中经由数据中心收集车辆定位信息,输入数据库形成所述车辆轨迹点数据;筛选所述异常点数据的规则为:
1)所述车辆轨迹点数据中时间戳不在0:00:00-23:59:59之间的轨迹点;
2)所述车辆轨迹点数据中坐标超出所述地图区域的轨迹点;
3)所述车辆轨迹中的跳点,如:连续轨迹上一秒的位置与下一秒的数据相差几百公里;
并将前后轨迹时间颠倒的所述车辆轨迹点,按时间顺序排序。
具体地,所述步骤S2中采用Geohash算法将整个所述地图区域进行划分,采用base32编码方式,每一个字母或数字均由5bits组成,并将所述地图区域分为32个区域,通过00000至11111的字符串标识所述32个区域;将所述车辆轨迹点落在同一个Geohash块内的所有点,用所述Geohash块的中心表示。
具体地,所述步骤S3中以所述Geohash块中心为点,将各中心点连接起来构建全量轨迹图。
具体地,所述步骤S4中计算过程为:
所述车辆为N辆,每辆车走过的的轨迹包含M个点,路径为L;
点Pi,j(i∈N,j∈M)和相邻点Pi,j-1(i∈N,j∈M)之间通过的所述车辆的数量表达式为:
H(Pi,j,Pi,j-1);
对连通所述路径L上相邻点间通过的所述车辆的数量求和,表达式为:
通过求解最小代价值,得到K组最大值,即为所述K条最优路径。
具体地,所述步骤S6中的去除过程为:
通过Node2vec算法将所述车辆的轨迹图中的网络节点映射到欧式空间,用向量表示所述网络节点特征;
将所述网络节点中任意两相邻节点向量余弦相似度高于阀值的节点,从所述车辆的轨迹图中删除。
最终将Geohash解码后的经纬度连接起来构成真正的车辆轨迹。
本发明具有以下有益效果:
本发明采用Geohash算法对危险品车辆建图后,利用图算法得到代价最小即最优的路径,实现了合理的调度危化品运输,产生巨大的社会价值和经济价值。
附图说明
图1为本发明公开的一种基于图算法的行车路线挖掘方法流程图;
图2为KSP算法求解K条最优路径流程图。
具体实施方式
下面将结合附图,对本发明做进一步说明。
本发明基于图算法提出了一种行车轨迹的挖掘方法,如图1所示,具体包括以下步骤:
步骤S1、收集车辆轨迹点信息,利用规则筛选出异常点数据并清除;优选设计为,运输危化品车辆安装北斗卫星定位的终端每隔30秒定位一次,收集来的相关数据上传到交通数据中心,经由数据中心收集车辆定位信息,输入数据库形成车辆轨迹点数据;筛选异常点数据的规则为:
1)车辆轨迹点数据中时间戳不在0:00:00-23:59:59之间的轨迹点;
2)车辆轨迹点数据中坐标超出地图区域的轨迹点;
3)轨迹中的跳点,如:连续轨迹上一秒的位置与下一秒的数据相差几百公里;
并将前后轨迹时间颠倒的车辆轨迹点,按时间顺序排序。
经过数据清除后获得车辆轨迹数据。
步骤S2、利用Geohash算法将车辆轨迹点二维信息及地图区域二维信息进行划分,优选设计为,利用Geohash算法把轨迹点落在同一个Geohash块内的所有点用Geohash块的中心表示;并利用Geohash算法将整个地图或者某个指定区域进行一次划分,采用base32编码方式,即Geohash算法中的每一个字母或者数字都是由5bits组成,因5bits可以有32中不同的组合,故将整个地图或者某个指定区域分为32个区域,并通过00000至11111的字符串来标识这32个区域。
同一辆车的某段轨迹经过某一路段可能有多个位置点会落在同一个Geohash内,这时用这个Geohash值来表示这辆车的多个轨迹值,以此类推到多辆车轨迹,若N辆车都经过了该路段,则这N辆车在该路段的轨迹点都可用此段的Geohash来表示,达到降维的效果。
该步骤输出为,原车辆经纬度轨迹值转换成由Geohash块表示的车辆轨迹字符串数据。
步骤S3、构建车辆的轨迹图;优选设计为,以Geohash块中心为点,将各中心点连接起来构建全量轨迹图。
步骤S4、将车辆的轨迹图中两点间通过的车辆数量转化为代价值,并求解最小代价值得到最优路径,其中代价函数为ex,式中x为每条路径的通过车辆数的相反数;
优选设计为,计算过程如下:
假设整张地图或指定区域存在N辆车,每辆车走过的的轨迹包含M个点,路径为L;
针对点Pi,j(i∈N,j∈M)和Pi,j-1(i∈N,j∈M),可以有函数H(Pi,j,Pi,j-1),定义为每两点之间通过的车辆的数量;所述车辆为N辆,每辆车走过的的轨迹包含M个点,路径为L;
点Pi,j(i∈N,j∈M)和相邻点Pi,j-1(i∈N,j∈M)之间通过的所述车辆的数量表达式为:
H(Pi,j,Pi,j-1);
对连通所述路径L上相邻点间通过的所述车辆的数量求和,表达式为:
通过求解最小代价值,得到K组最大值,即为所述K条最优路径。
步骤S5、采用KSP算法,求解K条最优路径;求解步骤为:通过Dijkstra算法计算得到最短路径,并将其作为迭代路径,经过如图2所示流程,程序迭代将符合条件K条路径依次找出。
步骤S6、根据步骤S3中车辆轨迹图中的点关系,采用node2vec算法去除相似度高于阈值的点得到最热路径;优选设计为,去除过程如下:
通过Node2vec算法将车辆的轨迹图中的网络节点映射到欧式空间,用向量表示网络节点特征;
将网络节点中任意两相邻节点向量余弦相似度高于阀值的节点,从车辆的轨迹图中删除。
最终将Geohash解码后的经纬度连接起来构成真正的车辆轨迹。
其中,阈值的设定需根据数据情况,具体调整阈值递增或递减,选取所得效果最好值为步骤S6中所用阈值。
上述详细说明是针对本发明其中之一可行实施例的具体说明,该实施例并非用以限制本发明的专利范围,凡未脱离本发明所为的等效实施或变更,均应包含于本发明技术方案的范围内。
Claims (5)
1.一种基于图算法的行车路线挖掘方法,其特征在于,具体包括以下步骤:
S1、收集车辆轨迹点数据,筛选出异常的车辆轨迹点数据并清除;
S2、利用Geohash算法将所述车辆轨迹点数据及地图区域二维信息进行划分,降维为字符串表示;
S3、构建所述车辆的轨迹图;
S4、将所述车辆的轨迹图中两点间通过的车辆数量转化为代价值,并求解最小代价值得到最优路径,其中代价函数为ex,式中x为每条路径的通过车辆数的相反数;
S5、采用KSP算法,求解K条最优路径;
S6、根据所述步骤S3中所述车辆轨迹图中的点关系,采用node2vec算法去除相似度高于阈值的点得到最热路径;
所述步骤S4中计算过程为:
所述车辆为N辆,每辆车走过的轨迹包含M个点,路径为L;
点Pi,j和相邻点Pi,j-1之间通过的所述车辆的数量表达式为:
H(Pi,j,Pi,j-1),
其中,i∈N,j∈M;
对连通所述路径L上相邻点间通过的所述车辆的数量求和,表达式为:
通过求解最小代价值,得到K组最大值,即为所述K条最优路径。
2.根据权利要求1所述基于图算法的行车路线挖掘方法,其特征在于,所述步骤S1中经由数据中心收集车辆定位信息,输入数据库形成所述车辆轨迹点数据;筛选所述异常的车辆轨迹点数据的规则为:
1)所述车辆轨迹点数据中时间戳不在0:00:00-23:59:59之间的轨迹点;
2)所述车辆轨迹点数据中坐标超出所述地图区域的轨迹点;
3)所述车辆轨迹点数据中的跳点;
并将前后轨迹时间颠倒的所述车辆轨迹点,按时间顺序排序。
3.根据权利要求1所述基于图算法的行车路线挖掘方法,其特征在于,所述步骤S2中采用Geohash算法将整个所述地图区域进行划分,采用base32编码方式,每一个字母或数字均由5bits组成,并将所述地图区域分为32个区域,通过00000至11111的字符串标识所述32个区域;将所述车辆轨迹点落在同一个Geohash块内的所有点,用所述Geohash块的中心表示。
4.根据权利要求3所述基于图算法的行车路线挖掘方法,其特征在于,所述步骤S3中以所述Geohash块中心为点,将各中心点连接起来构建全量轨迹图。
5.根据权利要求1所述基于图算法的行车路线挖掘方法,其特征在于,所述步骤S6中的去除过程为:
通过node2vec算法将所述车辆的轨迹图中的网络节点映射到欧式空间,用向量表示所述网络节点特征;
将所述网络节点中任意两相邻节点向量余弦相似度高于阀值的节点,从所述车辆的轨迹图中删除,并将删除的所述节点组成的路径删除,将所得数据经过Geohash解码后的经纬度连接起来构成真正的车辆轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911279238.1A CN110956336B (zh) | 2019-12-13 | 2019-12-13 | 一种基于图算法的行车路线挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911279238.1A CN110956336B (zh) | 2019-12-13 | 2019-12-13 | 一种基于图算法的行车路线挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956336A CN110956336A (zh) | 2020-04-03 |
CN110956336B true CN110956336B (zh) | 2023-05-30 |
Family
ID=69981385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911279238.1A Active CN110956336B (zh) | 2019-12-13 | 2019-12-13 | 一种基于图算法的行车路线挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956336B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114745252B (zh) * | 2022-04-18 | 2024-03-15 | 中国第一汽车股份有限公司 | 车辆断网原因检测方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015223480A1 (de) * | 2015-11-26 | 2017-06-01 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur adaptiven Bahnplanung und/oder Bahnführung eines Fahrzeugs |
CN107451693A (zh) * | 2017-08-02 | 2017-12-08 | 南京工业大学 | 多点多目标的危化品运输路径优化方法 |
CN110285793A (zh) * | 2019-07-08 | 2019-09-27 | 中原工学院 | 一种基于双目立体视觉系统的车辆智能测轨迹方法 |
EP3556601A1 (en) * | 2018-04-16 | 2019-10-23 | Morgan Brown Consultancy Ltd. | Vehicle routing |
CN110375753A (zh) * | 2019-07-04 | 2019-10-25 | 丰图科技(深圳)有限公司 | 地图匹配方法、装置、服务器及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7957871B1 (en) * | 2005-09-29 | 2011-06-07 | Hopstop.com, Inc. | Methods and apparatuses for navigation in urban environments |
US9261376B2 (en) * | 2010-02-24 | 2016-02-16 | Microsoft Technology Licensing, Llc | Route computation based on route-oriented vehicle trajectories |
US9969081B2 (en) * | 2012-07-27 | 2018-05-15 | Alberto Daniel Lacaze | Method and system for the directed control of robotic assets |
CN103646560B (zh) * | 2013-11-27 | 2015-12-02 | 福建工程学院 | 出租车行车轨迹经验知识路径的提取方法 |
CN109559507A (zh) * | 2018-11-16 | 2019-04-02 | 西南交通大学 | 一种基于历史gps轨迹数据的网约车超速事件识别方法 |
-
2019
- 2019-12-13 CN CN201911279238.1A patent/CN110956336B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015223480A1 (de) * | 2015-11-26 | 2017-06-01 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur adaptiven Bahnplanung und/oder Bahnführung eines Fahrzeugs |
CN107451693A (zh) * | 2017-08-02 | 2017-12-08 | 南京工业大学 | 多点多目标的危化品运输路径优化方法 |
EP3556601A1 (en) * | 2018-04-16 | 2019-10-23 | Morgan Brown Consultancy Ltd. | Vehicle routing |
CN110375753A (zh) * | 2019-07-04 | 2019-10-25 | 丰图科技(深圳)有限公司 | 地图匹配方法、装置、服务器及存储介质 |
CN110285793A (zh) * | 2019-07-08 | 2019-09-27 | 中原工学院 | 一种基于双目立体视觉系统的车辆智能测轨迹方法 |
Non-Patent Citations (3)
Title |
---|
Traffic Optimization by Simultaneous Control of Vehicles Speeds and Routes;Abdel Gafoor Haddad.etc;2019 IEEE 6th International Conference on Industrial Engineering and Applications (ICIEA);第786-790页 * |
危险品运输车辆路径问题的多目标优化;柴获;何瑞春;马昌喜;代存杰;;中国安全科学学报(10);第84-90页 * |
基于出租车轨迹数据的最优路径规划方法;戚欣;梁伟涛;马勇;;计算机应用(07);第2106-2113页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110956336A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soh et al. | Adaptive deep learning-based air quality prediction model using the most relevant spatial-temporal relations | |
CN111489553A (zh) | 一种路线规划方法、装置、设备和计算机存储介质 | |
CN103646560A (zh) | 出租车行车轨迹经验知识路径的提取方法 | |
JP6314656B2 (ja) | 道路交通需要予測装置及び道路交通需要予測方法 | |
Qiu et al. | Dynamic Electronic Toll Collection via Multi-Agent Deep Reinforcement Learning with Edge-Based Graph Convolutional Networks. | |
CN110956336B (zh) | 一种基于图算法的行车路线挖掘方法 | |
Aqib et al. | A deep learning model to predict vehicles occupancy on freeways for traffic management | |
CN115841080A (zh) | 多视图动态时空语义嵌入的露天矿卡车运输时间预测方法 | |
CN109887280B (zh) | 一种交通网络节点关键度评估方法 | |
Lu et al. | Broken bike recycling planning for sharing bikes system | |
Zavin et al. | Towards developing an intelligent system to suggest optimal path based on historic and real-time traffic data | |
CN116070385B (zh) | 一种境外矿产资源供应链风险自动识别方法及系统 | |
CN112797997A (zh) | 一种基于栅格路网的应急路径规划架构和方法 | |
Beheshtian et al. | Flood-resilient deployment of fueling stations: extension of facility location problem | |
Luo et al. | A new memetic algorithm to solve the stochastic tsp | |
CN109741597A (zh) | 一种基于改进深度森林的公交车路段运行时间预测方法 | |
Hsieh et al. | A decision framework to recommend cruising locations for taxi drivers under the constraint of booking information | |
Munir et al. | Route optimization for the cement industry under the CPEC initiative | |
Wang et al. | Prediction of the deviation between alternative routes and actual trajectories for bicyclists | |
CN110942178A (zh) | 一种基于资源分配指标的链路预测方法的充电桩推荐方法 | |
Nahum et al. | The Real-Time Multi-Objective Vehicle Routing Problem–Case Study: Information Availability and the Quality of the Results | |
Malviya et al. | Multiple Agents based Disaster Prediction for Public Environments using Data Mining Techniques | |
Wang | Optimization on fire station location selection for fire emergency vehicles using k-means algorithm | |
Abideen et al. | Regional‐based multi‐module spatial–temporal networks predicting city‐wide taxi pickup/dropoff demand from origin to destination | |
Prakash et al. | Multimodal network routing problem using Multimodal Leg Outcome (MLO) table |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220718 Address after: 201204 room 1801b, No. 1155, Fangdian Road, Pudong New Area, Shanghai Applicant after: Zhonghaifu Information Technology Co.,Ltd. Address before: 200131 room 8-26, floor 8, building 2, No. 115, futexi 1st Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant before: Shanghai Zhonghuan Energy Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |