CN111079931A - 一种基于图神经网络的状态空间概率性多时间序列预测方法 - Google Patents
一种基于图神经网络的状态空间概率性多时间序列预测方法 Download PDFInfo
- Publication number
- CN111079931A CN111079931A CN201911379600.2A CN201911379600A CN111079931A CN 111079931 A CN111079931 A CN 111079931A CN 201911379600 A CN201911379600 A CN 201911379600A CN 111079931 A CN111079931 A CN 111079931A
- Authority
- CN
- China
- Prior art keywords
- distribution
- neural network
- hidden state
- time
- network
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图神经网络的状态空间概率性多时间序列预测方法,包括:(1)获取多时间序列并对时间序列进行预处理以构建训练集,同时构建图结构;(2)根据图神经网络和多层感知机构建用于生成隐状态的先验分布和时间序列的生成模型,根据基于图神经网络和循环神经网络构建用于生成隐状态的近似后验分布的推断网络;(3)根据隐状态的先验分布和近似后验分布构建损失函数,以最大化损失函数为目标,优化生成模型和推断网络的参数;(4)应用时,利用推断网络获得待预测序列的最新时刻的隐状态估计,然后利用生成模型根据最新时刻的隐状态估计计算获得隐状态的先验分布,再根据该隐状态的先验分布计算获得时间序列观测估计值。
Description
技术领域
本发明涉及时间序列预测领域,具体涉及一种基于图神经网络的状态空间概率性多时间序列预测方法。
背景技术
时间序列数据广泛存在于商业、金融、智慧城市、医疗、环境科学等领域,时间序列预测技术在数据分析、智能决策和异常检测等应用中能发挥重要作用。在较多场景中,多条同质且相关的时间序列被同时观测和记录,如相关商品的销量、相关股票的价格、城市道路的流量、脑电图、相邻地区的空气质量等。
针对这样的多时间序列,一种简单的预测方法是使用以ARIMA为代表的经典统计模型对每条时间序列进行独立的建模和预测。这种方法虽然具备参数求解过程简单、有成熟软件工具库可供使用、可为预测提供不确定性估计等优点,但由于其对每条时间序列独立建模,无法捕获和利用多条时间序列间的交互影响关系。一种可建模多时间序列相关性的方法是将多条相关的时间序列联合视为一条多变量时间序列,使用以VAR为代表的经典多变量时间序列模型进行预测。然而,VAR仅能建模线性的、延迟较短的影响关系,但现实中多时间序列间的影响关系可能是非线性且长延迟的。
另一种可建模多时间序列相关性的方法是使用神经网络对多时间序列进行联合预测。这种方法将时间序列预测建模为一个有监督学习问题,将多变量时间序列处理为以历史观测为输入、以未来观测为输出的训练样本,基于卷积神经网络(CNN)、全连接神经网络(FCN)或递归神经网络(RNN)构建输入至输出的映射,采用随机梯度下降算法学习神经网络中的参数,使用训练后的模型进行预测。此方法的优点是可利用神经网络强有效的拟合能力建模多条时间序列间的非线性相关性,但缺点是其黑盒式地建模输入输出映射,容易学习到有助于提升预测精度的虚假统计相关性,致使泛化性能不佳,且难以为预测结果提供有意义的不确定性估计。
发明内容
本发明的目的是提供一种基于图神经网络的状态空间概率性多时间序列预测方法,利用图结构显式表示多时间序列间的关系,使用隐状态建模不确定性,以预测时间序列。
本发明的技术方案为:
一种基于图神经网络的状态空间概率性多时间序列预测方法,包括以下步骤:
(1)获取多时间序列并对时间序列进行预处理以构建训练集,同时构建图结构;
(2)根据图神经网络和多层感知机构建用于生成隐状态的先验分布和时间序列的生成模型,根据基于图神经网络和循环神经网络构建用于生成隐状态的近似后验分布的推断网络;
(3)根据隐状态的先验分布和近似后验分布构建损失函数,以最大化损失函数为目标,优化生成模型和推断网络的参数;
(4)应用时,利用推断网络获得待预测序列的最新时刻的隐状态估计,然后利用生成模型根据最新时刻的隐状态估计计算获得隐状态的先验分布,再根据该隐状态的先验分布计算获得时间序列观测估计值。
本发明显式地建模了多时间序列产生过程中的交互影响和不确定性,可对协同演化的多时间序列进行联合预测,支持为预测结果提供不确定性估计。与现有的方法相比,其优点在于:
1)使用图结构显式表示多条时间序列间的潜在影响关系,利用图神经网络在状态空间建模各时间序列之间的交互影响,便于向模型中注入有无关系、关系强弱、关系类型等先验知识,避免了全黑盒式模型的完全相关假设,有助于提升模型的泛化能力和降低模型所需的训练数据量。
2)使用隐状态建模时间序列演化过程的不确定性,支持建模状态转移有随机性的时间序列;多条时间序列的隐状态通过图神经网络共同演化,有助于捕获噪声在时间序列间的传播;以从模型中采样的方式输出对未来的联合预测,显式地考虑了预测结果的不确定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是实施例提供的基于图神经网络的状态空间概率性多时间序列预测方法的总流程图;
图2是实施例提供的基于图神经网络的状态空间概率性多时间序列预测方法的总体框架;
图3是实施例提供的生成模型的结构示意图;
图4是实施例提供的推断网络的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1是实施例提供的基于图神经网络的状态空间概率性多时间序列预测方法的总流程图。图2是实施例提供的基于图神经网络的状态空间概率性多时间序列预测方法的总体框架。图2中,图中Zt表示各节点在时刻t的隐状态,Xt表示各节点在时刻t的观测值,实线箭头表示生成模型的计算,虚线箭头表示推断网络的计算。参见图1和图2,实施例提供的概率性多时间序列预测方法包括以下步骤:
每条时间序列对应一个节点,将其编号为1,…,n。图结构可用一个二元组表示其中V={1,…,n}是节点的集合,E是边的集合,(i,j)∈E表示节点i和节点j之间有边,即对应的时间序列可能会相互影响。这样的图结构可根据多时间序列背后的动态系统内部结构来构建,对于不同的场景可能方式不一。例如,对于商品销量时间序列,可根据两种商品是否经常被一起购买来确定是否将它们在图中连接;对于路网流量时间序列,可根据两条道路的距离是否低于特定阈值来确定是否将它们在图中连接。给定图结构后进一步计算与之对应的邻接矩阵A,当且仅当(i,j)∈E或i=j时Ai,j=1,否则Ai,j=0;计算度数矩阵D,其是一个对角矩阵,对角元素即节点i的度数。
当时间序列中存在缺失值时,使用时间序列中前一非缺失时刻的值填补缺失值。对时间序列中所有值进行min-max归一化处理,使处理后每一个数值都归一化到[-1,1]的范围内,转换公式如下:
其中,Xold为原始时间序列中的数值,Xmin为时间序列中的最小值,Xmax为时间序列中的最大值,Xnew为归一化之后的数值。
步骤3,根据图神经网络和多层感知机构建用于生成时间序列的生成模型,其中,图神经网络用于构建参数化的状态转移分布pθ(Zt|Zt-1),多层感知机用于构建参数化的状态观测分布pθ(Xt|Zt),θ表示生成模型的参数集合;
状态转移分布pθ(Zt|Zt-1)被指定为参数化的多元独立正态分布(即协方差矩阵为对角矩阵),其均值和方差(即协方差矩阵的对角元素)由以Zt-1为输入的图神经网络(GNN)的输出,即其中图神经网络的实现方式如下:
GNN(Z):=tanh(D-1AZW) (2)
其中符号:=表示定义为,W为可学习的参数,tanh(·)是一种非线性激活函数。
步骤4,基于图神经网络和循环神经网络构建推断网络,该推断网络用于构建参数化的近似后验分布qφ(Zt|Zt-1,Xt),其中φ表示推断网络的参数集合。
以上一时刻隐状态Zt-1和当前时刻观测Xt为输入,推断网络输出的近似后验分布qφ(Zt|Zt-1,Xt)被指定为参数化的多元独立正态分布(即协方差矩阵为对角矩阵),其均值和方差(即协方差矩阵的对角元素)由循环神经网络(RNN)和图神经网络输出,即其中:
Ht=RNNφ(Ht-1,Xt) (5)
推断网络的参数集合φ包括GNN和RNN的参数,RNN使用GRU单元实现。
步骤5,从训练数据集中随机选取M个样本,作为一个训练批次。对于该批次中的每一个训练样本X1:T,并行执行步骤6-10。
根据经验设置一个训练批次内的样本数M,通常令M=32。
步骤8,对于时刻t=1,…,T,迭代地执行步骤9。
具体地,对数似然下界定义为:
整批次的目标函数如下:
其中j表示训练的迭代次数,初始参数θ1和φ1通过随机初始化获得。
步骤12,重复执行步骤5-11直至达到指定迭代次数,保存模型参数。
可根据经验预先指定迭代次数,或监控训练目标至其收敛时结束迭代。
步骤13,给定待预测序列X1:T、预测步长L、采样数量K,对于k=1,…,K,执行步骤14-16。
步骤15,对于l=1,…,L,执行步骤16。
步骤18,如需更精简的输出,可计算K份蒙特卡罗预测的逐元素均值、5分位数和95分位数,分别作为预测、置信下界、置信上界输出。
预测均值计算如下:
其中sort函数对输入进行升序排序。
上述概率性多时间序列预测方法通过图神经网络和状态空间建模方法的融合显式地建模了多时间序列产生过程中的交互影响关系和不确定性,可对协同演化的多时间序列进行联合预测,支持为预测结果提供不确定性估计,在智慧城市、体育分析、金融、环境科学等领域都具有广阔的应用前景。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于图神经网络的状态空间概率性多时间序列预测方法,包括以下步骤:
(1)获取多时间序列并对时间序列进行预处理以构建训练集,同时构建图结构;
(2)根据图神经网络和多层感知机构建用于生成隐状态先验分布和时间序列观测的生成模型,根据基于图神经网络和循环神经网络构建用于生成隐状态近似后验分布的推断网络;
(3)根据隐状态的先验分布和近似后验分布构建损失函数,以最大化损失函数为目标,优化生成模型和推断网络的参数;
(4)应用时,利用推断网络获得待预测序列的最新时刻的隐状态估计,然后利用生成模型根据最新时刻的隐状态估计计算获得未来时刻隐状态的先验分布,再采样获得对未来时刻时间序列观测的估计值。
4.如权利要求1所述的基于图神经网络的状态空间概率性多时间序列预测方法,其特征在于,生成模型中,图神经网络用于构建参数化的状态转移分布pθ(Zt|Zt-1),多层感知机用于构建参数化的状态观测分布pθ(Xt|Zt),θ表示生成模型的参数集合;
GNN(Z):=tanh(D-1AZW) (2)
其中符号:=表示定义为,W为可学习的参数,tanh(·)是一种逐元素非线性激活函数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911379600.2A CN111079931A (zh) | 2019-12-27 | 2019-12-27 | 一种基于图神经网络的状态空间概率性多时间序列预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911379600.2A CN111079931A (zh) | 2019-12-27 | 2019-12-27 | 一种基于图神经网络的状态空间概率性多时间序列预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111079931A true CN111079931A (zh) | 2020-04-28 |
Family
ID=70318843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911379600.2A Pending CN111079931A (zh) | 2019-12-27 | 2019-12-27 | 一种基于图神经网络的状态空间概率性多时间序列预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079931A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085866A (zh) * | 2020-08-14 | 2020-12-15 | 陕西千山航空电子有限责任公司 | 一种基于飞参数据的飞机异常状态识别方法 |
CN112150013A (zh) * | 2020-09-27 | 2020-12-29 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
CN112269931A (zh) * | 2020-10-28 | 2021-01-26 | 中山大学 | 数据驱动的群体智能交互关系推断与演化计算方法 |
CN112330079A (zh) * | 2021-01-07 | 2021-02-05 | 四川大汇大数据服务有限公司 | 地表信息预测方法及装置 |
CN112465054A (zh) * | 2020-12-07 | 2021-03-09 | 深圳市检验检疫科学研究院 | 一种基于fcn的多变量时间序列数据分类方法 |
CN112783940A (zh) * | 2020-12-31 | 2021-05-11 | 广州大学 | 基于图神经网络的多源时序数据故障诊断方法和介质 |
CN112966193A (zh) * | 2021-03-05 | 2021-06-15 | 北京百度网讯科技有限公司 | 出行意图推断方法、模型训练方法、相关装置及电子设备 |
CN113159409A (zh) * | 2021-04-14 | 2021-07-23 | 浙江大学 | 一种基于组感知图神经网络的全国城市空气质量预测方法 |
CN113379156A (zh) * | 2021-06-30 | 2021-09-10 | 南方科技大学 | 速度预测方法、装置、设备及存储介质 |
US20220129790A1 (en) * | 2020-10-28 | 2022-04-28 | Verizon Media Inc. | System and method for deep enriched neural networks for time series forecasting |
CN114519405A (zh) * | 2022-04-21 | 2022-05-20 | 科大天工智能装备技术(天津)有限公司 | 一种流程工业多传感器数据协同分析方法和系统 |
WO2022165602A1 (en) * | 2021-02-04 | 2022-08-11 | Huawei Technologies Co., Ltd. | Method, system and computer readable medium for probabilistic spatiotemporal forecasting |
CN114915444A (zh) * | 2022-03-23 | 2022-08-16 | 中国科学院信息工程研究所 | 基于图神经网络的DDoS攻击检测方法及装置 |
CN115510597A (zh) * | 2022-09-22 | 2022-12-23 | 中国人民解放军海军航空大学 | Gnn框架下基于广义s维分配的多传感器数据互联方法 |
CN115640337A (zh) * | 2022-12-22 | 2023-01-24 | 粤港澳大湾区数字经济研究院(福田) | 针对符号图网络的异常数据预测方法、系统及相关设备 |
-
2019
- 2019-12-27 CN CN201911379600.2A patent/CN111079931A/zh active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085866A (zh) * | 2020-08-14 | 2020-12-15 | 陕西千山航空电子有限责任公司 | 一种基于飞参数据的飞机异常状态识别方法 |
CN112150013A (zh) * | 2020-09-27 | 2020-12-29 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
US20220129790A1 (en) * | 2020-10-28 | 2022-04-28 | Verizon Media Inc. | System and method for deep enriched neural networks for time series forecasting |
CN112269931A (zh) * | 2020-10-28 | 2021-01-26 | 中山大学 | 数据驱动的群体智能交互关系推断与演化计算方法 |
CN112269931B (zh) * | 2020-10-28 | 2023-10-31 | 中山大学 | 数据驱动的群体智能交互关系推断与演化计算方法 |
CN112465054A (zh) * | 2020-12-07 | 2021-03-09 | 深圳市检验检疫科学研究院 | 一种基于fcn的多变量时间序列数据分类方法 |
CN112783940A (zh) * | 2020-12-31 | 2021-05-11 | 广州大学 | 基于图神经网络的多源时序数据故障诊断方法和介质 |
CN112783940B (zh) * | 2020-12-31 | 2023-06-09 | 广州大学 | 基于图神经网络的多源时序数据故障诊断方法和介质 |
CN112330079A (zh) * | 2021-01-07 | 2021-02-05 | 四川大汇大数据服务有限公司 | 地表信息预测方法及装置 |
WO2022165602A1 (en) * | 2021-02-04 | 2022-08-11 | Huawei Technologies Co., Ltd. | Method, system and computer readable medium for probabilistic spatiotemporal forecasting |
CN112966193B (zh) * | 2021-03-05 | 2023-07-25 | 北京百度网讯科技有限公司 | 出行意图推断方法、模型训练方法、相关装置及电子设备 |
CN112966193A (zh) * | 2021-03-05 | 2021-06-15 | 北京百度网讯科技有限公司 | 出行意图推断方法、模型训练方法、相关装置及电子设备 |
CN113159409A (zh) * | 2021-04-14 | 2021-07-23 | 浙江大学 | 一种基于组感知图神经网络的全国城市空气质量预测方法 |
CN113379156A (zh) * | 2021-06-30 | 2021-09-10 | 南方科技大学 | 速度预测方法、装置、设备及存储介质 |
CN114915444B (zh) * | 2022-03-23 | 2023-03-10 | 中国科学院信息工程研究所 | 基于图神经网络的DDoS攻击检测方法及装置 |
CN114915444A (zh) * | 2022-03-23 | 2022-08-16 | 中国科学院信息工程研究所 | 基于图神经网络的DDoS攻击检测方法及装置 |
CN114519405A (zh) * | 2022-04-21 | 2022-05-20 | 科大天工智能装备技术(天津)有限公司 | 一种流程工业多传感器数据协同分析方法和系统 |
CN114519405B (zh) * | 2022-04-21 | 2022-07-12 | 科大天工智能装备技术(天津)有限公司 | 一种流程工业多传感器数据协同分析方法和系统 |
CN115510597A (zh) * | 2022-09-22 | 2022-12-23 | 中国人民解放军海军航空大学 | Gnn框架下基于广义s维分配的多传感器数据互联方法 |
CN115510597B (zh) * | 2022-09-22 | 2024-02-02 | 中国人民解放军海军航空大学 | Gnn框架下基于广义s维分配的多传感器数据互联方法 |
CN115640337A (zh) * | 2022-12-22 | 2023-01-24 | 粤港澳大湾区数字经济研究院(福田) | 针对符号图网络的异常数据预测方法、系统及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079931A (zh) | 一种基于图神经网络的状态空间概率性多时间序列预测方法 | |
Zhang et al. | AS-NAS: Adaptive scalable neural architecture search with reinforced evolutionary algorithm for deep learning | |
Shukla | Neuro-genetic prediction of software development effort | |
CN113905391B (zh) | 集成学习网络流量预测方法、系统、设备、终端、介质 | |
CN111582610A (zh) | 基于卷积神经网络对家庭能量分解的预测方法 | |
CN112765896A (zh) | 一种基于lstm的水处理时序数据异常检测方法 | |
CN109344992B (zh) | 一种融合时空因素的智能家居用户操控行为习惯建模方法 | |
Gan et al. | A global–local optimization approach to parameter estimation of RBF-type models | |
Liu et al. | A survey on computationally efficient neural architecture search | |
CN114639483A (zh) | 一种基于图神经网络的电子病历检索方法及装置 | |
CN113988464A (zh) | 基于图神经网络的网络链路属性关系预测方法及设备 | |
CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
CN116346639A (zh) | 一种网络流量预测方法、系统、介质、设备及终端 | |
Wang et al. | Graph active learning for GCN-based zero-shot classification | |
CN116340726A (zh) | 一种能源经济大数据清洗方法、系统、设备及存储介质 | |
Zhou et al. | Online recommendation based on incremental-input self-organizing map | |
Zhang et al. | Granger causal inference for interpretable traffic prediction | |
CN115081609A (zh) | 一种智能决策中的加速方法、终端设备及存储介质 | |
CN114092269A (zh) | 基于改进广义网络向量模型的时序数据预测方法及装置 | |
CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
CN113704570A (zh) | 基于自监督学习式进化的大规模复杂网络社区检测方法 | |
CN111382391A (zh) | 一种用于多目标回归的目标相关特征构建方法 | |
Shen et al. | Long-term multivariate time series forecasting in data centers based on multi-factor separation evolutionary spatial–temporal graph neural networks | |
Prudêncio et al. | Design of neural networks for time series prediction using case-initialized genetic algorithms | |
CN115359654B (zh) | 流量预测系统的更新方法及装置 |
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 |