CN111401559B - 雾霾形成的模糊认知图及其多维时间序列挖掘方法 - Google Patents
雾霾形成的模糊认知图及其多维时间序列挖掘方法 Download PDFInfo
- Publication number
- CN111401559B CN111401559B CN202010096085.3A CN202010096085A CN111401559B CN 111401559 B CN111401559 B CN 111401559B CN 202010096085 A CN202010096085 A CN 202010096085A CN 111401559 B CN111401559 B CN 111401559B
- Authority
- CN
- China
- Prior art keywords
- haze
- fuzzy cognitive
- jth
- formula
- state
- 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
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005065 mining Methods 0.000 title claims abstract description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 35
- 239000003344 environmental pollutant Substances 0.000 claims description 16
- 231100000719 pollutant Toxicity 0.000 claims description 16
- 230000007704 transition Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- JCXJVPUVTGWSNB-UHFFFAOYSA-N Nitrogen dioxide Chemical compound O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 5
- 239000000356 contaminant Substances 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- 229910002089 NOx Inorganic materials 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 239000011164 primary particle Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000011163 secondary particle Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明一种雾霾形成的模糊认知图及其多维时间序列挖掘方法,包括如下步骤:①雾霾形成的模糊认知图构建;②雾霾形成模糊认知图的多维时间序列挖掘方法。本发明是针对雾霾形成这类复杂系统的特点,提出一种主子结构的模糊认知图PS‑FCM,它包括一个模糊认知主图P‑FCM和多个模糊认知子图S‑FCMs,在此基础上给出了PS‑FCM的多维时间序列挖掘方法;它不仅可用于多维时间序列预测,还可以用于多维复杂关系的揭示。
Description
技术领域
本发明一种雾霾形成的模糊认知图及其多维时间序列挖掘方法,属于大气污染的技术领域。
背景技术
目前我国(特别是华北地区)雾霾形成呈现一种复杂性“新常态”,主要体现在以下两点。其一,从雾霾形成的污染颗粒物而言,大气污染类型从原来单一型向多变型转变,且多种污染物相互反应形成的“二次污染”日益凸显。其二,从气象条件来说,它的变化可能对雾霾形成产生巨大影响,其中全球气候变暖使得局部“极端天气”呈现多变性,厄尔尼诺的扰动导致雾霾发生的可能性增加;其次,我国西北部以治理风沙为目的的“三防工程”,以及内蒙南部与张北的大型风力电站,可能对华北地区的风力造成了一定的影响;另一方面,“南水北调工程”也许对该地区的湿度(形成雾霾的重要条件)产生了一定的影响。
在这种“新常态”下,雾霾预警的误报、漏报率较高,给城市交通、居民健康和心理带来了重大影响,削弱了雾霾防治决策与治理措施实施的效果。究其原因,雾霾形成具有模糊复杂性、动态非线性、混沌性,而传统的方法缺少研究雾霾形成因素间的非线性复杂关系,难以模拟它的动态演化过程,对形成条件发生微小变化的敏感度不够,直接导致雾霾应急预警与实际发生的不符。
事实上,雾霾形成是一个复杂的模糊系统,它涉及到以PM2.5为主的微细颗粒物、气象条件等,是它们共同作用的结果。污染物之间、气象条件之间、气象条件和污染物与雾霾形成之间都存在着复杂迭代的认知关系,比如空气中PM2.5主要有以固态形式排放出的一次粒子和NOx、SO2等前体污染物通过大气化学反应生成的二次粒子两种。因此,从模糊认知关系的角度为雾霾形成系统建模、研究系统中的复杂关系是雾霾形成研究的一重要科学问题。
而且,雾霾形成中隐藏着规模巨大的数据资源,这些监测数据(如各污染物排放浓度,气象状况的时序监测数据等)为雾霾形成的研究提供了海量的数据“样本”。因此,如何以这些时序数据为驱动,从巨大的历史数据中学习训练雾霾形成系统的非线性、动态变化,挖掘雾霾形成中的模糊认知关系(值),是雾霾形成亟待解决的一个科学问题。
为此,本发明另辟途径,从复杂模糊系统的视角对雾霾形成进行认知建模,以近年来华北地区出现的雾霾天气“样本”为驱动,模拟“新常态”下雾霾形成的演变过程,以揭示其中的非线性复杂关系。
发明内容
本发明解决的技术问题:
雾霾形成是一个动态复杂系统,如何根据对雾霾形成的认知,构建雾霾形成模糊认知图,并提出一种在海量数据的驱动下进行雾霾形成模糊认知图的多维时间序列挖掘。
本发明的技术方案:
①雾霾形成的模糊认知图构建
根据FCM与雾霾形成复杂系统的原理,构建适用于这类复杂系统的主子结构模糊认知图PS-FCM的一般形式,数学模型如公式(1)、(2)所示。
公式(2),其中分别为第j个模糊认知图子图中的第i个概念结点在t、t-1时的状态值,为第j个模糊认知图子图中的第k个概念结点在t-1时的状态值,在雾霾形成中代表就是子系统(污染物或气象);公式(1),其中yt、yt-1表达了模糊认知主图中目标概念在t时、t-1时的激活状态,在雾霾形成复杂系统为雾霾状态。一共有M个子系统,第j个子系统中结点的个数为Nj,uji为第j个(污染物或气象)子系统中第i个因素对雾霾的影响关系,wki为(污染物或气象)子系统中第k个因素对第i个因素之间的影响关系,与分别为x与y系统中t时的状态转换函数(阈值函数),一般选用tan-sigmoid函数见公式(3)或log-sigmoid函数见公式(4)。
具体的,对雾霾形成,污染物的模糊认知子图表达为公式(2),气象的模糊认知子图表达为公式(2),与雾霾形成模糊认知主图表达为公式(1),从而形成主子结构的模糊认知图PS-FCM如图1,它是一个与时间相关的动态系统,如图2所示。
②雾霾形成模糊认知图的多维时间序列挖掘方法
在雾霾形成预测中,基于雾霾形成模糊认知图见公式(5),目标Et是使预测结果与实际结果的差值最小。
其中,定义等于公式(1)中的 为状态转换函数,不同参数表达了在不同系统在不同时刻的转换,比如为t-1时y系统的状态转换函数,为t-2时y系统的状态转换函数,为t-r时y系统的状态转换函数,为t-1时xji所在系统的状态转换函数,为q-1时xji所在系统的状态转换函数;为函数的逆;表示第j个系统中第i个结点在t-2时的值,同理,表示第j个系统中第i个结点在t-l时的值,表示第j个系统中第i个结点在l-1时的值,表示第j个系统中第k个结点在p-1时的值;yt-2在t-2时y的状态值;t、p、l、r表示为时间变量。由此得到u和w两个权重向量的更新方法:
本发明的优点在于:本发明是针对雾霾形成这类复杂系统的特点,提出一种主子结构的模糊认知图PS-FCM,它包括一个模糊认知主图P-FCM和多个模糊认知子图S-FCMs,在此基础上给出了PS-FCM的多维时间序列挖掘方法。它不仅可用于多维时间序列预测,还可以用于多维复杂关系的揭示。
附图说明
图1是集成多模糊认知子图于一体的主子结构模糊认知图。
图2是主子结构模糊认知图的动态结构。
具体实施方式
本发明获取的数据包括,第一类是污染物浓度,来自北京环境保护检测中心,时间跨度从2015/1/2到2017/3/10,PM2.5,SO2,NO2,O3,CO等污染物的实时排放浓度,每三个小时采集一次(2:00,5:00,8:00,11:00,14:00,17:00,20:00and23:00),共六千多条数据;第二类是气象条件数据,来自开放web网站https://rp5.ru/,时间跨度从2015/1/2到2017/3/10,有温度(T)、大气压(P)、相对湿度(Rh)、风速(Wp)以及是否为雾霾(Haze)等气象的实时动态,每三个小时采集一次(2:00,5:00,8:00,11:00,14:00,17:00,20:00and 23:00)。
第一步,使用PM2.5、SO2、NO2、O3、CO五个维度的特征构建污染物模糊认知子图,使用温度(T)、大气压(P)、相对湿度(Rh)、风速(Wp)四个维度构建气象模糊认知子图,与雾霾(Haze)情况一同构建主子结构的雾霾形成模糊认知图PS-FCM。
其中,
j∈{PM2.5,NO2,CO,O3,SO2,T,P,Rh,Wp};min(xi)为第i维数据集最小值,max(xi)为第i维数据集最大值。在原始数据中,雾霾一维特征的实际状态有两种0和1。
第三步,随机初始化权重向量u和w,基于上述获取的数据,根据公式(6)更新权重向量u和w中的任一向量,直到满足公式(5)为止。
采用不同阈值函数f中不同的参数c值,参数c为公式(3)和公式(4)中转换函数f中的参数,是得到预测结果如表1-表6所示。
表1不同阈值函数与参数下的单个维度预测结果
表1中,就雾霾单个变量的预测结果来看,i.三种函数和参数都达到了较好的区分效果;ii.在参数c=5时的tan-sigmoid函数预测结果更接近实际值。值得注意的是,在参数c=1时的tan-sigmoid函数预测结果与参数c=5时的tan-sigmoid函数预测结果相比,有较小的取值范围。
表2不同阈值函数与参数下的多维度预测结果
表2中,在雾霾形成多个维度的预测结果来看,在参数c=1时的tan-sigmoid函数预测结果在三种情况下是最好的,如表2所示。
表3多维度预测结果
表3中,在参数c=1时的tan-sigmoid函数预测结果与实际值的均方误差。
表4多维因素对雾霾的影响权重
表4中,从PS-FCM的主模糊认知图(主系统)中即u可以看到,二氧化氮(NO2)是雾霾形成的主要污染物,气压(P)是雾霾形成的主要气象条件,整体来讲,气象条件对雾霾形成的影响高于污染物的影响。
表5污染物子系统中的影响权重
表5中,在PS-FCM中的污染物子系统中,PM2.5是最主要的污染物,在对PM2.5的贡献中,NO2排放是对PM2.5影响最大的,而且它对其他污染物影响也是最大的;此外不能忽视的还有臭氧(O3),它的排放对PM2.5影响也较大。
表6气象子系统中的影响权重
表6中,在PS-FCM中的气象子系统中,气压是对其他气象条件影响的主要因素。
Claims (1)
1.一种雾霾形成的模糊认知图及其多维时间序列挖掘方法,其特征在于:包括如下步骤:
①雾霾形成的模糊认知图构建
根据FCM与雾霾形成复杂系统的原理,构建适用于这类复杂系统的主子结构模糊认知图PS-FCM,数学模型如公式(1)、(2)所示;
其中,
公式(2),其中分别为第j个模糊认知图子图中的第i个概念结点在t、t-1时的状态值,为第j个模糊认知图子图中的第k个概念结点在t-1时的状态值,在雾霾形成中代表就是子系统;公式(1),其中yt、yt-1表达了模糊认知主图中目标概念在t时、t-1时的激活状态,在雾霾形成复杂系统为雾霾状态;一共有M个子系统,第j个子系统中结点的个数为Nj,uji为第j个子系统中第i个因素对雾霾的影响关系,wki为子系统中第k个因素对第i个因素之间的影响关系,与分别为x与y系统中t时的状态转换函数,选用tan-sigmoid函数见公式(3)或log-sigmoid函数见公式(4);
对雾霾形成,污染物的模糊认知子图表达为公式(2),气象的模糊认知子图表达为公式(2),与雾霾形成模糊认知主图表达为公式(1);
②雾霾形成模糊认知图的多维时间序列挖掘方法
在雾霾形成预测中,基于雾霾形成模糊认知图见公式(5),目标Et是使预测结果与实际结果的差值最小;
为第j个子系统中的第i个概念结点在t时的状态预测值,是t时雾霾的预测值;
在雾霾形成模糊认知图中u={...uji...}和是两个关键向量,需要通过数据驱动训练得到;提出了一种梯度下降法的模糊认知图多维时序挖掘方法,关系权重的更新推导过程如下;
其中,定义等于公式(1)中的 为状态转换函数,不同参数表达了在不同系统在不同时刻的转换;为t-1时y系统的状态转换函数,为t-2时y系统的状态转换函数,为t-r时y系统的状态转换函数,为t-1时xji所在系统的状态转换函数,为q-1时xji所在系统的状态转换函数;为函数的逆;表示第j个系统中第i个结点在t-2时的值,同理,表示第j个系统中第i个结点在t-l时的值,表示第j个系统中第i个结点在l-1时的值,表示第j个系统中第k个结点在p-1时的值;yt-2在t-2时y的状态值;t、p、l、r表示为时间变量;由此得到u和w两个权重向量的更新方法:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010096085.3A CN111401559B (zh) | 2020-02-17 | 2020-02-17 | 雾霾形成的模糊认知图及其多维时间序列挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010096085.3A CN111401559B (zh) | 2020-02-17 | 2020-02-17 | 雾霾形成的模糊认知图及其多维时间序列挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401559A CN111401559A (zh) | 2020-07-10 |
CN111401559B true CN111401559B (zh) | 2023-05-05 |
Family
ID=71428531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010096085.3A Active CN111401559B (zh) | 2020-02-17 | 2020-02-17 | 雾霾形成的模糊认知图及其多维时间序列挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401559B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009029787A2 (en) * | 2007-08-31 | 2009-03-05 | Raytheon Company | System and method for sensor tasking |
CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
CN108875960A (zh) * | 2018-06-11 | 2018-11-23 | 深圳大学 | 一种基于梯度下降的时序模糊认知图的学习方法及系统 |
CN109492760A (zh) * | 2018-12-21 | 2019-03-19 | 北京航空航天大学 | 基于深度模糊认知图模型的可解释预测方法 |
CN110187636A (zh) * | 2019-05-30 | 2019-08-30 | 济南大学 | 适用于水泥预粉磨过程的模型的建立方法、装置及应用 |
CN110310241A (zh) * | 2019-06-26 | 2019-10-08 | 长安大学 | 一种融合深度区域分割的多大气光值交通图像去雾方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8112369B2 (en) * | 2009-02-11 | 2012-02-07 | The United States Of America As Represented By The Secretary Of The Navy | Methods and systems of adaptive coalition of cognitive agents |
US11074495B2 (en) * | 2013-02-28 | 2021-07-27 | Z Advanced Computing, Inc. (Zac) | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
-
2020
- 2020-02-17 CN CN202010096085.3A patent/CN111401559B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009029787A2 (en) * | 2007-08-31 | 2009-03-05 | Raytheon Company | System and method for sensor tasking |
CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
CN108875960A (zh) * | 2018-06-11 | 2018-11-23 | 深圳大学 | 一种基于梯度下降的时序模糊认知图的学习方法及系统 |
CN109492760A (zh) * | 2018-12-21 | 2019-03-19 | 北京航空航天大学 | 基于深度模糊认知图模型的可解释预测方法 |
CN110187636A (zh) * | 2019-05-30 | 2019-08-30 | 济南大学 | 适用于水泥预粉磨过程的模型的建立方法、装置及应用 |
CN110310241A (zh) * | 2019-06-26 | 2019-10-08 | 长安大学 | 一种融合深度区域分割的多大气光值交通图像去雾方法 |
Non-Patent Citations (4)
Title |
---|
Zhen Peng等.A new perspective on formation of haze-fog The fuzzy cognitive map and its approaches to data mining.《Sustainability》.2017,第9卷(第3期),1-14. * |
Zhen Peng等.Haze pollution causality mining and prediction based on multi-dimensional time series with PS-FCM.《Information sciences》.2020,第523卷307-317. * |
彭珍等.企业大气污染排放数据挖掘方法研究——以北京及其周边为例.《情报工程》.2017,第3卷(第02期),41-50. * |
马楠等.模糊认知图研究进展.《计算机科学》.2011,第38卷(第10期),23-28+50. * |
Also Published As
Publication number | Publication date |
---|---|
CN111401559A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tsai et al. | Air pollution forecasting using RNN with LSTM | |
CN106650825B (zh) | 一种机动车尾气排放数据融合系统 | |
CN108491970B (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
CN109063908B (zh) | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 | |
CN109492760B (zh) | 基于深度模糊认知图模型的道路交通可解释预测方法 | |
CN109146161A (zh) | 融合栈式自编码和支持向量回归的pm2.5浓度预测方法 | |
CN110766222B (zh) | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 | |
Zhou et al. | Exploring Copula-based Bayesian Model Averaging with multiple ANNs for PM2. 5 ensemble forecasts | |
CN109685249A (zh) | 基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法 | |
CN108537336B (zh) | 一种基于深度神经网络的空气质量预测方法 | |
Hernandez et al. | Analysis of the information obtained from PM 2.5 concentration measurements in an urban park | |
Hamid et al. | Short term prediction of PM10 concentrations using seasonal time series analysis | |
CN114822709A (zh) | 大气污染多粒度精准成因分析方法及装置 | |
CN111401559B (zh) | 雾霾形成的模糊认知图及其多维时间序列挖掘方法 | |
Zhang et al. | Forecasting skewed biased stochastic ozone days: Analyses and solutions | |
Jiang et al. | The statistical distributions of SO 2, NO 2 and PM 10 concentrations in Xi'an, China | |
Riyaz et al. | Air quality prediction in smart cities: a fuzzy-logic based approach | |
CN115587650A (zh) | 中短期分时段大气常规污染物多目标混合预测方法 | |
CN110175719B (zh) | 通过尾气数据空间插值实现尾气排放估计及预警的方法 | |
Yoo et al. | Prediction system for fine particulate matter concentration index by meteorological and air pollution material factors based on machine learning | |
Astudillo et al. | Predicting air quality using deep learning in Talca City, Chile | |
Saha et al. | Forecast analysis of visibility for airport operations with deep learning techniques | |
Deepan et al. | Air quality index prediction using seasonal autoregressive integrated moving average transductive long short‐term memory | |
Farhadi et al. | Prediction of CO and PM10 in Cold and Warm Seasons and Survey of the Effect of Instability Indices on Contaminants Using Artificial Neural Network: A Case Study in Tehran City | |
Gong et al. | Research and Realization of Air Quality Grade Prediction Based on KNN |
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 |