CN113256326A - 一种基于深度学习实现商超大屏点位人流量预测的方法 - Google Patents
一种基于深度学习实现商超大屏点位人流量预测的方法 Download PDFInfo
- Publication number
- CN113256326A CN113256326A CN202110483193.0A CN202110483193A CN113256326A CN 113256326 A CN113256326 A CN 113256326A CN 202110483193 A CN202110483193 A CN 202110483193A CN 113256326 A CN113256326 A CN 113256326A
- Authority
- CN
- China
- Prior art keywords
- data
- flow prediction
- people flow
- screen point
- large screen
- 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
- 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
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度学习实现商超大屏点位人流量预测的方法,包括如下步骤:S 1.获取商超每个大屏点位采集的数据,对采集的数据进行处理以及提取出进行人流量预测的特征值,依据提取的特征值数据构建基于LSTM长短期记忆神经网络的人流量预测模型;S2.依据处理后数据及提取的特征值,生成训练数据集和测试数据集,通过训练数据集按照设定的步长对人流量预测模型进行训练,再通过测试数据集验证训练好的人流量预测模型;S3.向人流量预测模型输入实时特征值数据,对每个大屏点位在目标时间段内人流量进行预测。本发明实现对商超大屏点位的人流量预测,解决信息丢失问题,提高了人流量预测的准确性。
Description
技术领域
本发明属于人流量预测技术领域,具体涉及一种基于深度学习实现商超大屏点位人流量预测的方法。
背景技术
现有大型商场超市有人流量预测需求,通常需要知道未来1到7天内的人流量,现有方式是基于商场超市内大屏进行人流量预测,从而为决策提供依据。
基于大屏进行人流量预测的技术早期采用树模型进行预测,采集数据无需进行标准化,此种方式进行模型训练的训练集不能代表总体数据集合,即测试集中会出现训练集中从未出现的特征或回归值,导致信息丢失,模型的效果极差。而采用简单神经网络模型为时间序列提供思路,但存在一定的局限性,即此种模型的隐含状态很难描述长距离输入的依赖关系,仍无法解决信息丢失的问题。
此为现有技术的不足,因此,针对现有技术中的上述缺陷,提供一种基于深度学习实现商超大屏点位人流量预测的方法,是非常有必要的。
发明内容
针对现有技术中存在的基于大屏进行人流量预测的模型存在信息丢失的缺陷,本发明提供一种基于深度学习实现商超大屏点位人流量预测的方法,以解决现有技术中存在的技术问题。
为解决现有技术的上述技术问题,现提供如下技术方案:
一种基于深度学习实现商超大屏点位人流量预测的方法,包括如下步骤:
S1.获取商超每个大屏点位采集的数据,对采集的数据进行处理以及提取出进行人流量预测的特征值,依据提取的特征值数据构建基于LSTM长短期记忆神经网络的人流量预测模型;
S2.依据处理后数据及提取的特征值,生成训练数据集和测试数据集,通过训练数据集按照设定的步长对人流量预测模型进行训练,再通过测试数据集验证训练好的人流量预测模型;
S3.向人流量预测模型输入实时特征值数据,对每个大屏点位在目标时间段内人流量进行预测。采用LSTM长短期记忆神经网络模型来进行人流量预测,效果优于滑动平均模型、自回归模型、自回归滑动平均模型、极大似然估计模型、隐马尔可夫模型和RNN审计网络模型,对提升预测的准确性有一定的提高,预测时间越接近当前时间,预测效果越好。
进一步地,步骤S1具体步骤如下:
S11.获取商超内各大屏点位采集的数据,生成数据集合;
S12.将数据集合内数据按照时间序列进行排序,对时间序列存在异常数据进行清洗;
S13.根据人流量预测需求选定特征值,并根据选定特征值从清洗后数据集合中提取特征值数据,对特征值数据进行标准化处理;
S14.使用标准化处理后特征值数据构建基于LSTM长短期记忆神经网络的人流量预测模型。对数据的处理保证数据有效性,为模型训练做好准备。
进一步地,步骤S12中,对时间序列中存在异常值数据进行删除,以及对时间序列中存在的超过设定时间段的空缺数据值进平滑插入补足。明显异常数据需要删除,防止带来误差,空缺数据需要进行插入,同时要符合数据间的趋势。
进一步地,步骤S13中计算数据集合中各特征值与人流量的相关性,按照相关性大小选定特征值;
步骤S14中,为人流量预测模型中特征值设定权重,各特征值权重按照与人流量相关性分配比例。增大相关性强的特征值数据权重可提高预测准确性。
进一步地,步骤S13中根据人流量预测需求选择的特征值包括人流量、大屏信息、地区信息、时间信息、天气信息以及地区疫情等级。
进一步地,大屏信息包括但不限于大屏设备ID、大区ID、商超ID、商超区域ID以及大屏设备运行时间;
地区信息包括但不限于省编号、市编号以及县区编号;
时间信息包括但不限于年、月、日以、星期几以及是否存在节日信息;
天气信息包括但不限于天气、气温、风力、风向以及空气污染指数。
进一步地,步骤S2具体步骤如下:
S21.从标准化处理后特征值数据中选择数据,生成训练数据集和测试数据集;
S22.选取时间间隔,作为设定步长;
S23.通过训练数据集按照设定步长对人流量预测模型进行训练,得到若干个人流量预测初模型;
S24.将测试数据集输入各人流量预测初模型进行验证,得到各人流量预测初模型的准确率,选择准确率最高的人流量预测初模型作为验证通过的人流量预测模型。以时间间隔作为步长是LSTM长短期记忆神经网络模型训练的必要条件。
进一步地,步骤S22中,时间间隔设定为三天、周、月、季度或年。分别以三天、周、月、季度或年作为一个步长对LSTM长短期记忆神经网络模型进行训练。
进一步地,步骤S3具体步骤如下:
S31.获取实时特征值数据以及目标时间段;
S32.将实时特征值数据及目标时间段输入验证通过的人流量预测模型,得到各大屏点位在目标时间段内的人流量。目标时间段即为可实现预测的最大时间段,大于该时间段则预测准确性无法保证,越接近当前时间,预测的准确性越高。
进一步地,目标时间段设定为1-7天;
步骤S32中,通过人流量预测模型预测1-7天内每个大屏点位每天的人流量。
本发明的有益效果在于,
本发明提供的基于深度学习实现商超大屏点位人流量预测的方法,通过对商超大屏采集数据进行处理,再对LSTM长短期记忆神经网络的人流量预测模型进行训练验证,实现对商超大屏点位的人流量预测,解决信息丢失问题,提高了人流量预测的准确性,为商场超市进行决策提供依据和数据支持。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著的进步,其实施的有益效果也是显而易见的。
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作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的方法流程示意图一;
图2是本发明的方法流程示意图二。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
RNN,是Recurrent Neural Network的简称,指循环神经网络。
LSTM,是Long Short-Term Memory的简称,长短期记忆网络,是一种特殊的RNN。
实施例1:
如图1所示,本发明提供一种基于深度学习实现商超大屏点位人流量预测的方法,包括如下步骤:
S1.获取商超每个大屏点位采集的数据,对采集的数据进行处理以及提取出进行人流量预测的特征值,依据提取的特征值数据构建基于LSTM长短期记忆神经网络的人流量预测模型;
S2.依据处理后数据及提取的特征值,生成训练数据集和测试数据集,通过训练数据集按照设定的步长对人流量预测模型进行训练,再通过测试数据集验证训练好的人流量预测模型;
S3.向人流量预测模型输入实时特征值数据,对每个大屏点位在目标时间段内人流量进行预测。
LSTM长短期记忆神经网络模型主要是解决之前的RNN神经网络模型在反向传播中梯度消失,RNN神经网络模型在计算的过程中出现了遗忘,而时间序列前后的数据是存在关系的,靠后的隐含状态和输出比较难保留靠前的输入和信息,这里是有目的的遗忘上一步信息和控制当前步信息,使LSTM长短期记忆神经网络与RNN神经网络模型融合,特征值和模型都是其中重要选项,缺一不可。
实施例2:
如图2所示,本发明提供一种基于深度学习实现商超大屏点位人流量预测的方法,包括如下步骤:
S1.获取商超每个大屏点位采集的数据,对采集的数据进行处理以及提取出进行人流量预测的特征值,依据提取的特征值数据构建基于LSTM长短期记忆神经网络的人流量预测模型;具体步骤如下:
S11.获取商超内各大屏点位采集的数据,生成数据集合;
S12.将数据集合内数据按照时间序列进行排序,对时间序列存在异常数据进行清洗;对时间序列中存在异常值数据进行删除,以及对时间序列中存在的超过设定时间段的空缺数据值进平滑插入补足;
S13.根据人流量预测需求选定特征值,并根据选定特征值从清洗后数据集合中提取特征值数据,对特征值数据进行标准化处理;计算数据集合中各特征值与人流量的相关性,按照相关性大小选定特征值;
S14.使用标准化处理后特征值数据构建基于LSTM长短期记忆神经网络的人流量预测模型;为人流量预测模型中特征值设定权重,各特征值权重按照与人流量相关性分配比例;
S2.依据处理后数据及提取的特征值,生成训练数据集和测试数据集,通过训练数据集按照设定的步长对人流量预测模型进行训练,再通过测试数据集验证训练好的人流量预测模型;具体步骤如下:
S21.从标准化处理后特征值数据中选择数据,生成训练数据集和测试数据集;
S22.选取时间间隔,作为设定步长;时间间隔设定为三天、周、月、季度或年;
S23.通过训练数据集按照设定步长对人流量预测模型进行训练,得到若干个人流量预测初模型;
S24.将测试数据集输入各人流量预测初模型进行验证,得到各人流量预测初模型的准确率,选择准确率最高的人流量预测初模型作为验证通过的人流量预测模型;
S3.向人流量预测模型输入实时特征值数据,对每个大屏点位在目标时间段内人流量进行预测;具体步骤如下:
S31.获取实时特征值数据以及目标时间段;目标时间段设定为1-7天;
S32.将实时特征值数据及目标时间段1-7天输入验证通过的人流量预测模型,得到各大屏点位在目标时间段1-7天内每天的人流量。
在某些实施例中,步骤S13中根据人流量预测需求选择的特征值包括人流量、大屏信息、地区信息、时间信息、天气信息以及地区疫情等级;
大屏信息包括但不限于大屏设备ID、大区ID、商超ID、商超区域ID以及大屏设备运行时间;
地区信息包括但不限于省编号、市编号以及县区编号;
时间信息包括但不限于年、月、日以、星期几以及是否存在节日信息;节日信息包括春节、端午节、中秋节、618、双11以及周期性节假日;
天气信息包括但不限于天气、气温、风力、风向以及空气污染指数。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习实现商超大屏点位人流量预测的方法,其特征在于,包括如下步骤:
S 1.获取商超每个大屏点位采集的数据,对采集的数据进行处理以及提取出进行人流量预测的特征值,依据提取的特征值数据构建基于LSTM长短期记忆神经网络的人流量预测模型;
S2.依据处理后数据及提取的特征值,生成训练数据集和测试数据集,通过训练数据集按照设定的步长对人流量预测模型进行训练,再通过测试数据集验证训练好的人流量预测模型;
S3.向人流量预测模型输入实时特征值数据,对每个大屏点位在目标时间段内人流量进行预测。
2.如权利要求1所述的基于深度学习实现商超大屏点位人流量预测的方法,其特征在于,步骤S1具体步骤如下:
S 11.获取商超内各大屏点位采集的数据,生成数据集合;
S 12.将数据集合内数据按照时间序列进行排序,对时间序列存在异常数据进行清洗;
S 13.根据人流量预测需求选定特征值,并根据选定特征值从清洗后数据集合中提取特征值数据,对特征值数据进行标准化处理;
S 14.使用标准化处理后特征值数据构建基于LSTM长短期记忆神经网络的人流量预测模型。
3.如权利要求2所述的基于深度学习实现商超大屏点位人流量预测的方法,其特征在于,步骤S12中,对时间序列中存在异常值数据进行删除,以及对时间序列中存在的超过设定时间段的空缺数据值进平滑插入补足。
4.如权利要求2所述的基于深度学习实现商超大屏点位人流量预测的方法,其特征在于,步骤S13中计算数据集合中各特征值与人流量的相关性,按照相关性大小选定特征值;
步骤S14中,为人流量预测模型中特征值设定权重,各特征值权重按照与人流量相关性分配比例。
5.如权利要求2所述的基于深度学习实现商超大屏点位人流量预测的方法,其特征在于,步骤S13中根据人流量预测需求选择的特征值包括人流量、大屏信息、地区信息、时间信息、天气信息以及地区疫情等级。
6.如权利要求5所述的基于深度学习实现商超大屏点位人流量预测的方法,其特征在于,大屏信息包括但不限于大屏设备ID、大区ID、商超ID、商超区域ID以及大屏设备运行时间;
地区信息包括但不限于省编号、市编号以及县区编号;
时间信息包括但不限于年、月、日以、星期几以及是否存在节日信息;
天气信息包括但不限于天气、气温、风力、风向以及空气污染指数。
7.如权利要求4所述的基于深度学习实现商超大屏点位人流量预测的方法,其特征在于,步骤S2具体步骤如下:
S21.从标准化处理后特征值数据中选择数据,生成训练数据集和测试数据集;
S22.选取时间间隔,作为设定步长;
S23.通过训练数据集按照设定步长对人流量预测模型进行训练,得到若干个人流量预测初模型;
S24.将测试数据集输入各人流量预测初模型进行验证,得到各人流量预测初模型的准确率,选择准确率最高的人流量预测初模型作为验证通过的人流量预测模型。
8.如权利要求7所述的基于深度学习实现商超大屏点位人流量预测的方法,其特征在于,步骤S22中,时间间隔设定为三天、周、月、季度或年。
9.如权利要求7所述的基于深度学习实现商超大屏点位人流量预测的方法,其特征在于,步骤S3具体步骤如下:
S31.获取实时特征值数据以及目标时间段;
S32.将实时特征值数据及目标时间段输入验证通过的人流量预测模型,得到各大屏点位在目标时间段内的人流量。
10.如权利要求9所述的基于深度学习实现商超大屏点位人流量预测的方法,其特征在于,目标时间段设定为1-7天;
步骤S32中,通过人流量预测模型预测1-7天内每个大屏点位每天的人流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110483193.0A CN113256326A (zh) | 2021-04-30 | 2021-04-30 | 一种基于深度学习实现商超大屏点位人流量预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110483193.0A CN113256326A (zh) | 2021-04-30 | 2021-04-30 | 一种基于深度学习实现商超大屏点位人流量预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113256326A true CN113256326A (zh) | 2021-08-13 |
Family
ID=77223476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110483193.0A Pending CN113256326A (zh) | 2021-04-30 | 2021-04-30 | 一种基于深度学习实现商超大屏点位人流量预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256326A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282732A (zh) * | 2021-12-29 | 2022-04-05 | 重庆紫光华山智安科技有限公司 | 一种区域人流量的预测方法及装置 |
CN116029395A (zh) * | 2023-03-24 | 2023-04-28 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
CN116664095A (zh) * | 2023-06-21 | 2023-08-29 | 一站发展(北京)云计算科技有限公司 | 一种基于深度学习的安保巡检预测方法 |
CN116777507A (zh) * | 2023-06-23 | 2023-09-19 | 青岛中沃兴牧食品科技有限公司 | 一种基于lstm模型的猪肉专卖网点各类猪肉销售量的预测方法 |
-
2021
- 2021-04-30 CN CN202110483193.0A patent/CN113256326A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282732A (zh) * | 2021-12-29 | 2022-04-05 | 重庆紫光华山智安科技有限公司 | 一种区域人流量的预测方法及装置 |
CN116029395A (zh) * | 2023-03-24 | 2023-04-28 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
CN116029395B (zh) * | 2023-03-24 | 2023-08-04 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
CN116664095A (zh) * | 2023-06-21 | 2023-08-29 | 一站发展(北京)云计算科技有限公司 | 一种基于深度学习的安保巡检预测方法 |
CN116664095B (zh) * | 2023-06-21 | 2024-02-27 | 一站发展(北京)云计算科技有限公司 | 一种基于深度学习的安保巡检预测方法 |
CN116777507A (zh) * | 2023-06-23 | 2023-09-19 | 青岛中沃兴牧食品科技有限公司 | 一种基于lstm模型的猪肉专卖网点各类猪肉销售量的预测方法 |
CN116777507B (zh) * | 2023-06-23 | 2024-05-28 | 青岛中沃兴牧食品科技有限公司 | 一种基于lstm模型的猪肉专卖网点各类猪肉销售量的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113256326A (zh) | 一种基于深度学习实现商超大屏点位人流量预测的方法 | |
CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
CN111210093B (zh) | 基于大数据的日用水量预测方法 | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及系统 | |
CN109902859B (zh) | 基于大数据和机器学习算法的排队高峰时段预估方法 | |
CN115775085A (zh) | 一种基于数字孪生的智慧城市管理方法及系统 | |
Cheng et al. | A synoptic weather-typing approach to project future daily rainfall and extremes at local scale in Ontario, Canada | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
Li et al. | GMM-HMM-based medium-and long-term multi-wind farm correlated power output time series generation method | |
CN117909888B (zh) | 智慧人工智能气候预测方法 | |
Gupta et al. | Very short term wind power prediction using hybrid univariate ARIMA-GARCH model | |
Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
Park et al. | Demand power forecasting with data mining method in smart grid | |
Hilbers et al. | Importance subsampling for power system planning under multi-year demand and weather uncertainty | |
CN116581755B (zh) | 功率预测方法、装置、设备及存储介质 | |
Rego et al. | Mean shift densification of scarce data sets in short-term electric power load forecasting for special days | |
CN117277304A (zh) | 考虑日出日落时间的光伏发电超短期功率预测方法、系统 | |
Ajagunsegun et al. | Machine Learning-Based System for Managing Energy Efficiency of Public Buildings: An Approach towards Smart Cities | |
CN111861801A (zh) | 酒店满房预测方法、系统、设备及存储介质 | |
CN111339155A (zh) | 一种关联分析系统 | |
Zhang et al. | Spatiotemporal Attention Fusion Network for Short-Term Passenger Flow Prediction on New Year’s Day Holiday in Urban Rail Transit System | |
CN109614642A (zh) | 一种水文频率分析的模型选择方法 | |
Huang et al. | A Machine Learning Based Method for Short-term Urban Rail Transit Passenger Flow Prediction | |
Mahfooz et al. | SDG-11.6. 2 Indicator and Predictions of PM2. 5 using LSTM Neural Network |
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 |