CN111091410A - 一种结合节点嵌入和用户行为特征的网点销量预测方法 - Google Patents
一种结合节点嵌入和用户行为特征的网点销量预测方法 Download PDFInfo
- Publication number
- CN111091410A CN111091410A CN201911064290.5A CN201911064290A CN111091410A CN 111091410 A CN111091410 A CN 111091410A CN 201911064290 A CN201911064290 A CN 201911064290A CN 111091410 A CN111091410 A CN 111091410A
- Authority
- CN
- China
- Prior art keywords
- period
- sales
- user behavior
- matrix
- value
- 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.)
- Granted
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明公开一种结合节点嵌入和用户行为特征的网点销量预测方法,步骤是:定义考察周期,计算各网点在各考察周期的经营销量或交易总金额的同比,并构建网点关联矩阵,计算各网点的用户行为特征值;选取最佳关联周期数STbest,根据当期的属性数据和STbest个历史周期的属性数据,计算下一个周期的销量同比值r’,再与当期销量q*相乘,从而得到预测销量值q*r’。此种方法针对具有时空间特征的零售网点,能够预测未来时间周期内零售总销量(可以为金额或数量等)。
Description
技术领域
本发明属于机器学习技术领域,特别涉及一种结合节点嵌入和用户行为特征的网点销量预测方法。
背景技术
大型企业的零售网点往往不均质的分布在城市空间,根据业务类型不同,这种零售网点的数量在一个城市或者区域里可能达到几十甚至几百的数量,比如银行的网点、加油站、便利店等等。每个营业网点的销量预测一直都是企业管理层关注的问题。
零售网点的销量预测一般是指依据历史销量数据,和从零售记录中提取出的统计数据,比如用户数,消费品类,每次消费金额等,采用某种预测方法来预测未来某个时间周期的销量值。已有的预测方法一般分为传统的时间序列分析方法(比如回归、指数平滑发、ARIMA模型等)和机器学习领域的新方法(支持向量机、梯度提升、随机森林等和某些深度学习模型,比如循环神经网络RNN和其变体长短期记忆网络模型等)。
发明内容
本发明的目的,在于提供一种结合节点嵌入和用户行为特征的网点销量预测方法,其针对具有时空间特征的零售网点,能够预测未来时间周期内零售总销量(可以为金额或数量等)。
为了达成上述目的,本发明的解决方案是:
一种结合节点嵌入和用户行为特征的网点销量预测方法,包括如下步骤:
步骤1,定义考察周期P,每一年具有nt个考察周期,计算各网点Si在某一年时长内各考察周期P的经营销量或交易总金额qiu,1≤i≤m,m为网点个数,1≤u≤nt,然后计算该网点的同比riu:
riu=qiu/qiu去年
其中,qiu去年为上一年同期的经营销量或交易总金额;
步骤2,构建m×m的网点关联矩阵X,其中,若网点i、j在设定时间范围内有n个共同用户,且n≥p,那么将xij赋值为n,否则赋值为0,1≤i,j≤m;再对网点关联矩阵X进行降维处理,得到降维后的矩阵Z,其行数为网点个数m,列数为设定的降维后的维度;
步骤3,对于每个网点Si,获取考察的经营时间范围内所有用户的消费时间信息,并构建所有用户的总时间间隔序列Tall;
步骤4,统计总时间间隔序列Tall中出现的各个值的个数,得到间隔频次序列F={td},其中,d为Tall中出现的所有值的个数;然后令x={log(d)},y={log(td)},拟合y=xki,得到对应该网点的用户行为特征值ki;
步骤5,重复步骤3-4,得到m个网点的用户行为特征值,构建向量K,其中包括m个元素,分别为m个网点的用户行为特征值;
步骤6,选取最佳关联周期数STbest,根据当期的属性数据和STbest个历史周期的属性数据,计算下一个周期的销量同比值r’,即得到预测销量值q×r’,其中q为上一年同期的销量。
上述步骤1中,对于各网点在当期的经营销量或交易总金额q,如果某网点在考察当期内有关停的情况,关停天数为Pmiss,则该网点在当期的经营销量或交易总金额q=q0*P/(P-Pmiss),其中q0为该网点在考察周期P的实际经营销量或交易总金额。
上述步骤2中,采用node2vec算法,通过设定顶点重复访问概率参数和内外游走参数来控制降维处理的结果,对网点关联矩阵X进行降维处理,得到降维后的矩阵Z。
上述步骤3中,构建所有用户的总时间间隔序列Tall的具体方法是:
步骤3a,对于某一用户,根据该用户在设定周期内在该网点的消费时间信息,计算连续两次来访的时间间隔序列T;
步骤3b,定义最小考察周期Tunit,将序列T中的每个元素除以该考察周期Tunit并取整,得到时间间隔序列T’;
步骤3c,对所有用户都重复步骤3a-3b,从而得到总时间间隔序列Tall。
上述步骤6中,选取关联周期数STbest的具体过程是:
步骤6a,选取可能的关联周期数ST={1,2,3…,STmax},STmax为最大可能取值,然后对所选取的ST周期数构建同比数据矩阵R,该矩阵的行数为网点数目,第i行对应第i个网点,该矩阵具有ST+1列,分别是当期同比值,前第1期同比值,前第2期同比值,…,前第ST期同比值;将该同比数据矩阵R、矩阵Z、向量K结合网点属性数据组合成训练数据,表示为一个m×h矩阵TD,h为所有组合起来的维度个数;
步骤6b,采用机器学习模型进行拟合,然后在所有ST值里选取模型训练效果最好的关联周期数STbest,确定为最终使用的数值。
上述步骤6b中,机器学习模型采用随机森林、梯度提升决策树或循环神经网络的变体LSTM。
采用上述方案后,本发明与以往销量预测方法的不同之处在于对网点特征和网点时空间特征的提取和处理上,主要体现在以下几点:
a)网点关联的特征
采用节点嵌入方法(node2vec)对网点关联关系进行降维处理,以描述所处不同地理位置的网点的相似性,这种相似性会用一个向量来表示每一个网点的关联属性,从而用来表征网点关联的特征。这种关联特征会对在一个有限的空间里(比如一个直辖市或者一个地级市)分布在不同区域的网点之间的关联性有很好的表征,能够反映网点间的相似性,比如相隔很远的两个网点很可能在这种特征维度中表现出来是很相似的网点,而相隔较近的网点却不一定相似,反而会有某种迥然不同的表现。
Node2vec方法来自论文:
Aditya Grover,Jure Leskovec,node2vec:Scalable Feature Learning forNetworks,ACM SIGKDD international conference on Knowledge discovery and datamining,2016
b)用户行为
建立网点访问用户的频次模型,对用户的访问间隔数据进行模型拟合,并提取拟合的模型参数,这种参数能反映不同网点在用户到访行为上的差异性,从而能反映网点用户群的特征。
附图说明
图1是本发明的模型训练流程图;
图2是本发明的预测过程流程图;
图3是对矩阵X运用node2vec算法的示意图;
图4是线性拟合示意图。
具体实施方式
以下将结合附图,对本发明的技术方案及有益效果进行详细说明。
如图1和图2所示,本发明提供一种结合节点嵌入和用户行为特征的网点销量预测方法,主要步骤如下:
一、数据清洗
从网点交易数据库里提取相关原始数据,数据字段包括但不限于:
每笔交易金额、涉及品类、交易用户标示ID、交易日期和时间、交易网点标示SID等
需要的网点属性数据包括:网点所处经纬度,网点种类等
对预测标的(比如下个月总销量)进行预处理,方法如下:
1、获取每个网点在考察周期P(比如按自然周、自然月或季度等)的经营销量或者交易总金额等,记为q,需要做如下预处理:
如果该考察周期内有网点关停的情况出现,比如关停天数为Pmiss,则需要对q做同比放大,q*P/(P-Pmiss)来替换实际q值(注意:P为该考察周期的全部天数)。
2、对每个网点的当期q,结合上一年同期的q去年,计算每个网点的同比r:
r=q/q去年
从而获得销量的同比数据r,数据样例如下(注意第三列即为同比数据r):
表1
二、处理网点相似性
采用节点嵌入来处理网点关联:
1、数据收集与处理,获取消费者的消费记录,包括消费网点标示、消费日期和时间、消费内容(金额和数量等,比如加油站加油的升数和金额)等;
2、构建网点交叉网络,首先构建全0值的矩阵X(纵向和横向元素个数均为加油站总个数),考察某一时间范围内,如果网点i和j总共有n个用户都有消费记录,则给Xij的值赋为n;然后设定一定的阈值p,将矩阵所有值小于p的元素重置为0,这样就得到网点关联矩阵X。
3、对矩阵X运用node2vec算法,指定参数维度N,则该算法的输出对每个网点都有一个N维向量表示,从而得到一个降维后的表示,记为Z(一个m行N列的矩阵,m行表示m个网点,每列表示node2vec处理后的每个维度,共N个维度),图形化的示意图见图3。
三、提取用户访问行为信息:
1、获取某消费网点Sj带有用户唯一标示的消费记录(该标示可以为用户的现金储值卡或会员卡等),搜集一定周期以内的每个用户的消费时间信息,并计算连续两次来访的时间间隔序列,比如某用户X来消费网点的消费时间间隔序列T={3,10,7,5,12,14…}(单位是天数);然后自定义最小的考察周期Tunit(一般为一周,即7天),将T序列每个元素除以该最小周期Tunit并向上取整,得到新的时间间隔序列T’={1,2,1,1,2,2…}。对所有用户都进行同样的计算,得到总时间间隔序列Tall={T’};
2、统计Tall里所有出现的值的个数,比如0出现了t0次,1出现了t1次,2出现了t2次,等等,获得一个间隔频次序列F={ti},i为Tall序列里的出现的所有值(可能连续,但也可能不连续);
3、一般在具有一定量用户数的该间隔频次序列都符合幂律分布,所以取x={log(i)},y={log(ti)},用线性拟合方法计算斜率k,即拟合y=xk。
拟合的示意图见图4。
该斜率作为该消费网点X的用户行为特征值k,输出的数据样例如下表:
表1
四、搜索最佳历史关联长度
对于任一网点在某个时间周期的销量同比,比如在历史时期T的同比值Rt,这个值会与该网点以往的表现相关联,那么应该关联多少个历史周期,是一个需要通过模型训练和比较训练结果的过程来实现的。
该过程会先选取一系列可能的关联周期数ST={1,2,3…}(比如多少个月),一般最大会取一年所对应的周期数,比如按月份的话就取12,按周的话就取52。
举例,如果关联周期数为3,即表示当期的销量同比会与T-1,T-2,T-3这3个历史周期的数据相关联,那么就把这3个周期的网点所有提取出的属性维度(包括销量同比数据r,网点关联矩阵Z,用户行为特征值k),加上其他的一维向量(标示网点属性,比如网点的经纬度)组合成训练数据,表示为一个2维矩阵TD,具有m行n列(m为网点个数,n为所有组合起来的维度个数)。
同样以关联周期数为3举例,TD矩阵的每一行表示一个网点,n列是分别来自于以下数据:
a、3个历史周期的销量同比数据rT-1,rT-2,rT-3,
b、网点关联的降维表达,z1,z2,z3,…,zN,N为node2vec算法采用的维度参数N
c、用户行为特征值k
d、其他维度数据,比如网点的经度和纬度等
然后选择一定的机器学习模型去拟合当期的那个店销量同比值rT,可以采用集成学习模型,比如随机森林或者梯度提升决策树(GBDT,xgboost等),也可以用循环神经网络的变体LSTM来训练,一般来说,GBDT就可以获得不错的效果。
然后在所有ST值里选取模型训练效果最好的那个关联周期数STbest,确定为最终使用的数值。
六、预测
用训练好的模型,输入当期的各个属性数据和选取STbest个历史周期的相关属性数据,就可以计算出下一个周期的销量同比值r’,然后将该同比值乘以去年的销量q,即得到预测销量值:q*r’。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (6)
1.一种结合节点嵌入和用户行为特征的网点销量预测方法,其特征在于包括如下步骤:
步骤1,定义考察周期P,每一年具有nt个考察周期,计算各网点Si在某一年内各考察周期P的经营销量或交易总金额qiu,1≤i≤m,m为网点个数,1≤u≤nt,然后计算该网点的同比riu:
riu=qiu/qiu去年
其中,qiu去年为网点Si上一年同期的经营销量或交易总金额;
步骤2,构建m×m的网点关联矩阵X,其中,若网点i、j在设定时间范围内有n个共同用户,且n≥p,那么将xij赋值为n,否则赋值为0,1≤i,j≤m;再对网点关联矩阵X进行降维处理,得到降维后的矩阵Z,其行数为网点个数m,列数为设定的降维后的维度;
步骤3,对于每个网点Si,获取考察的经营时间范围内所有用户的消费时间信息,并构建所有用户的总时间间隔序列Tall;
步骤4,统计总时间间隔序列Tall中出现的各个值的个数,得到间隔频次序列F={td},其中,d为Tall中出现的所有值的个数;然后令x={log(d)},y={log(td)},拟合y=xki,得到对应该网点的用户行为特征值ki;
步骤5,重复步骤3-4,得到m个网点的用户行为特征值,构建向量K,其中包括m个元素,分别为m个网点的用户行为特征值;
步骤6,选取最佳关联周期数STbest,根据当期的属性数据和STbest个历史周期的属性数据,计算下一个周期的销量同比值r’,结合上一年同期的销量q,二者相乘即得到预测销量值q×r’,其中,q=q1u去年+q2u去年+…+qmu去年。
2.如权利要求1所述的一种结合节点嵌入和用户行为特征的网点销量预测方法,其特征在于:所述步骤1中,对于各网点在当期的经营销量或交易总金额q,如果某网点在考察当期内有关停的情况,关停天数为Pmiss,则该网点在当期的经营销量或交易总金额q=q0*P/(P-Pmiss),其中q0为该网点在考察周期P的实际经营销量或交易总金额。
3.如权利要求1所述的一种结合节点嵌入和用户行为特征的网点销量预测方法,其特征在于:所述步骤2中,采用node2vec算法,通过设定顶点重复访问概率参数和内外游走参数来控制降维处理的结果,对网点关联矩阵X进行降维处理,得到降维后的矩阵Z。
4.如权利要求1所述的一种结合节点嵌入和用户行为特征的网点销量预测方法,其特征在于:所述步骤3中,构建所有用户的总时间间隔序列Tall的具体方法是:
步骤3a,对于某一用户,根据该用户在设定周期内在该网点的消费时间信息,计算连续两次来访的时间间隔序列T;
步骤3b,定义最小考察周期Tunit,将序列T中的每个元素除以该考察周期Tunit并取整,得到时间间隔序列T’;
步骤3c,对所有用户都重复步骤3a-3b,从而得到总时间间隔序列Tall。
5.如权利要求1所述的一种结合节点嵌入和用户行为特征的网点销量预测方法,其特征在于:所述步骤6中,选取关联周期数STbest的具体过程是:
步骤6a,选取可能的关联周期数ST={1,2,3…,STmax},STmax为最大可能取值,然后对所选取的ST周期数构建同比数据矩阵R,该矩阵的行数为网点数目,第i行对应第i个网点,该矩阵具有ST+1列,分别是当期同比值,前第1期同比值,前第2期同比值,…,前第ST期同比值;将该同比数据矩阵R、矩阵Z、向量K结合网点属性数据组合成训练数据,表示为一个m×h矩阵TD,h为所有组合起来的维度个数;
步骤6b,采用机器学习模型进行拟合,然后在所有ST值里选取模型训练效果最好的关联周期数STbest,确定为最终使用的数值。
6.如权利要求5所述的一种结合节点嵌入和用户行为特征的网点销量预测方法,其特征在于:所述步骤6b中,机器学习模型采用随机森林、梯度提升决策树或循环神经网络的变体LSTM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911064290.5A CN111091410B (zh) | 2019-11-04 | 2019-11-04 | 一种结合节点嵌入和用户行为特征的网点销量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911064290.5A CN111091410B (zh) | 2019-11-04 | 2019-11-04 | 一种结合节点嵌入和用户行为特征的网点销量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091410A true CN111091410A (zh) | 2020-05-01 |
CN111091410B CN111091410B (zh) | 2022-03-11 |
Family
ID=70394083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911064290.5A Active CN111091410B (zh) | 2019-11-04 | 2019-11-04 | 一种结合节点嵌入和用户行为特征的网点销量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091410B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882039A (zh) * | 2020-07-28 | 2020-11-03 | 平安科技(深圳)有限公司 | 物理机销售数据预测方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647800A (zh) * | 2018-03-19 | 2018-10-12 | 浙江工业大学 | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 |
CN108804704A (zh) * | 2018-06-19 | 2018-11-13 | 北京顶象技术有限公司 | 一种用户深度画像方法及装置 |
CN110209820A (zh) * | 2019-06-05 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 用户标识检测方法、装置及存储介质 |
CN110287335A (zh) * | 2019-06-17 | 2019-09-27 | 桂林电子科技大学 | 基于知识图谱和用户长短期偏好的个性化景点推荐方法及装置 |
-
2019
- 2019-11-04 CN CN201911064290.5A patent/CN111091410B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647800A (zh) * | 2018-03-19 | 2018-10-12 | 浙江工业大学 | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 |
CN108804704A (zh) * | 2018-06-19 | 2018-11-13 | 北京顶象技术有限公司 | 一种用户深度画像方法及装置 |
CN110209820A (zh) * | 2019-06-05 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 用户标识检测方法、装置及存储介质 |
CN110287335A (zh) * | 2019-06-17 | 2019-09-27 | 桂林电子科技大学 | 基于知识图谱和用户长短期偏好的个性化景点推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
杨晋吉: ""一种知识图谱的排序学习个性化推荐算法"", 《小型微型计算机系统》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882039A (zh) * | 2020-07-28 | 2020-11-03 | 平安科技(深圳)有限公司 | 物理机销售数据预测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111091410B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10896205B2 (en) | Interactive on-demand hypercube synthesis based multi-dimensional drilldown and a pivotal analysis tool and methods of use | |
CN109685583B (zh) | 一种基于大数据的供应链需求预测方法 | |
US9123052B2 (en) | Marketing model determination system | |
CN108665311B (zh) | 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法 | |
CN110009502B (zh) | 理财数据分析方法、装置、计算机设备和存储介质 | |
CN106845846A (zh) | 大数据资产评估方法 | |
CN112232833A (zh) | 流失会员客群数据预测方法、模型训练方法及装置 | |
CN117350766A (zh) | 一种基于私域电商平台的数据处理方法、系统及存储介质 | |
Orogun et al. | Predicting consumer behaviour in digital market: a machine learning approach | |
Ferreira et al. | Actual and counterfactual growth incidence and delta Lorenz curves: estimation and inference | |
CN116401379A (zh) | 金融产品数据推送方法、装置、设备及存储介质 | |
CN110163722B (zh) | 用于农产品精准销售的大数据分析系统及分析方法 | |
CN111091410B (zh) | 一种结合节点嵌入和用户行为特征的网点销量预测方法 | |
CN116304374A (zh) | 一种基于包装数据的客户匹配方法及系统 | |
Yang | Sales Prediction of Walmart Sales Based on OLS, Random Forest, and XGBoost Models | |
EP3493082A1 (en) | A method of exploring databases of time-stamped data in order to discover dependencies between the data and predict future trends | |
Wang et al. | Visual Analysis of E‐Commerce User Behavior Based on Log Mining | |
Ying et al. | Research on E-commerce Data Mining and Managing Model in The Process of Farmers' Welfare Growth | |
Lin et al. | Banking intelligence: application of data warehouse in bank operations | |
Dissanayake et al. | Association Mining Approach for Customer Behavior Analytics | |
KR20210079886A (ko) | 고객의 구매 속성을 결정하는 방법 및 장치 | |
Tripathy et al. | Rough set-based attribute reduction and decision rule formulation for marketing data | |
Ushakova et al. | Analytical decision list algorithm for managing customer reaction to a marketing campaign | |
Glukhov et al. | Clustering-based customer representation learning from dynamic transactional data | |
CN118212041B (zh) | 一种金融理财产品推荐方法及系统 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 210012 Room 802, building 2, No. 106, software Avenue, Yuhuatai District, Nanjing, Jiangsu Province Applicant after: NANJING GUANGPU INFORMATION TECHNOLOGY Co.,Ltd. Address before: 210000 block a, 15th floor, Sunshine Building, 98 Shigu Road, Qinhuai District, Nanjing City, Jiangsu Province Applicant before: NANJING GUANGPU INFORMATION TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |