CN113985496B - 一种基于lstm-gm神经网络模型的风暴潮智能预报方法 - Google Patents
一种基于lstm-gm神经网络模型的风暴潮智能预报方法 Download PDFInfo
- Publication number
- CN113985496B CN113985496B CN202111247088.3A CN202111247088A CN113985496B CN 113985496 B CN113985496 B CN 113985496B CN 202111247088 A CN202111247088 A CN 202111247088A CN 113985496 B CN113985496 B CN 113985496B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- network model
- prediction
- lstm
- 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
- 238000003062 neural network model Methods 0.000 title claims abstract description 60
- 238000013277 forecasting method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000002360 prefrontal effect Effects 0.000 description 2
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 240000006413 Prunus persica var. persica Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于LSTM‑GM神经网络模型的风暴潮智能预报方法,步骤依次包括收集处理观测站点历史风暴潮数据资料与收集观测站点的历史风暴潮数据,包括观测站点气象因素数据与台风因素数据;将归一化后的数据按比例随机分为训练集和预测集;将训练集数据输入LSTM神经网络模型中进行迭代训练并用测试集数据对训练结果进行验证,直至预测误差满足预设预报精度标准;LSTM神经网络模型的预测误差序列输入GM模型中,利用GM模型对误差序列进行修正,将预测数据进行反归一化处理,输出风暴潮潮位预测值;预测结果评价。本发明一种基于LSTM‑GM神经网络模型的风暴潮智能预报方法具有风暴潮预报精度高、模型收敛时间短的特点。
Description
技术领域
本发明涉及一种基于LSTM-GM神经网络模型的风暴潮智能预报方法。
背景技术
风暴潮是由于强风和伴随强风扰动的气压剧变而导致的海面水位异常波动的现象。我国海岸线漫长,南北纵跨温带和热带,春冬易受寒潮大风影响,夏秋常遭热带气旋袭击,导致我国成为遭受风暴潮灾害最严重的国家之一,给沿海城市经济发展和人民生命财产安全造成巨大威胁。因此,风暴潮的准确预报对沿海防洪减灾和保证人民生命财产安全具有重要的现实意义。目前,风暴潮预报方法可概括为三类:一是根据历史风暴潮资料、有关气象站风场和气压场的历史资料进行经验统计预报;二是建立大气数学模型和风暴潮二维或三维概化数学模型,进行数值模拟预报;三是智能预报。上述经验统计预报存在一定主观性和片面性,对历史资料存在较强的依赖性,尽管可对风暴潮量级进行分析判断,但难以达到量化的目的;数值模拟预报近年来虽取得了较大发展,但由于风暴潮灾害致灾因子多而复杂,难以较好反映风暴潮内部物理机制和自然边界条件,有时结果并不令人满意,且模拟时间较长。近年来,随着人工智能技术的发展,许多先进的智能优化算法被应用于风暴潮智能预报中,智能预报方法的研究虽提高了预报精度,但由于大多预报模型没有综合考虑气象因素和台风因素的影响,导致风暴潮的预报精度较低。现有LSTM神经网络模型在风暴潮预测中有着广泛的应用,但预报精度低,模型收敛时间长。
发明内容
本发明所要解决的技术问题是提供一种基于LSTM-GM神经网络模型的风暴潮智能预报方法。
本发明一种基于LSTM-GM神经网络模型的风暴潮智能预报方法的技术方案是这样实现的:一种基于LSTM-GM神经网络模型的风暴潮智能预报方法,依次包括如下步骤:
1、收集处理观测站点历史风暴潮数据资料,收集观测站点的历史风暴潮数据,上述数据包括观测站点气象因素数据与台风因素数据,上述气象因素数据包括观测站点的风速、风向、气压、前序潮位;上述台风因素数据包括历史台风的台风中心最低气压、台风中心最大风速、台风中心最大风速半径、台风中心距观测站点的最短距离;
2、数据预处理,采用归一化法对步骤1获取的观测站点气象因素数据与台风因素数据进行预处理,将归一化后的数据按比例随机分为训练集和预测集;
3、LSTM神经网络模型建立,初步拟定LSTM神经网络模型的参数,将步骤2得到的训练集数据输入LSTM神经网络模型中进行迭代训练,并用测试集数据对训练结果进行验证,直至预测误差满足预设预报精度评价标准,输出预测误差序列;若不满足预设精度评价标准,则对LSTM神经网络模型的参数进行逐一微调,直至预测误差满足预设预报精度标准;
4、GM模型建立,将步骤3得到的LSTM神经网络模型的预测误差序列输入GM模型中,利用GM模型对误差序列进行修正,将预测的数据进行反归一化处理,输出风暴潮潮位预测值;
5、预测结果评价,将步骤4得到的LSTM-GM神经网络模型的风暴潮潮位预测值与步骤3LSTM神经网络模型预测结果进行对比与分析。
步骤1中所述的历史风暴潮数据包括t时刻观测站点的风速风向/>气压/>前序潮位/>以及t时刻台风中心的最低气压/>台风中心的最大风速/>台风中心的最大风速半径/>台风中心距观测站点的最短距离/>台风中心的最大风速半径/>由公式1表示如下:
式中:φt为t时刻台风中心的纬度
步骤二中的归一化数据预处理归一化后的数值/>由公式2表示如下:
式中:是/>归一化后的数值,/>是t时刻观测站点i要素的历史数据,/>和分别表示t时刻观测站点历史风暴潮监测数据中的最大值和最小值,/>和/>分别表示/>和/>对应的归一化最大值和最小值,T为观测站点历史风暴潮监测数据的总时长。
步骤2中以归一化处理后历史风暴潮数据的0.9作为LSTM神经网络模型的训练集,0.1作为LSTM神经网络模型的测试集。归一化处理后的数据表示如下:
步骤3中LSTM神经网络模型的预报精度评价标准为平均绝对误差MAE,由公式3表示如下:
式中:n为模型测试集的总样本数,Wi为样本i的风暴潮潮位预测值,为样本i对应的风暴潮潮位实测值。
本发明一种基于LSTM-GM神经网络模型的风暴潮智能预报方法具有风暴潮预报精度高、模型收敛时间短的特点。
附图说明
下面结合附图和实施例对本发明做进一步的说明。
图1为本发明一种基于LSTM-GM神经网络模型的风暴潮智能预报方法流程图;
图2为山东省潍坊港风暴潮智能预报、监测结果图。
具体实施方式
实施例1
1、软件来源
本发明所使用的编程软件为python,版本为python3.8.5,编译器为pycharm。
2、本发明一种基于LSTM-GM神经网络模型的风暴潮智能预报方法如图1所示,本发明一种基于LSTM-GM神经网络模型的风暴潮智能预报方法,依次包括如下步骤:
(1)、收集观测站点山东省潍坊港2000年~2019年的9个历史风暴潮数据,包括0108号桃芝台风、0209号风神台风、0420号海马台风、0509号麦莎台风、1105号米雷台风、1210号达维台风、1410号麦德姆台风、1818号温比亚台风和1909号利奇马台风。发生台风时每隔一小时获取一次监测数据。上述历史风暴潮数据包括t时刻台风中心的风速风向气压/>前序潮位/>以及t时刻台风中心的最低气压/>台风中心的最大风速/>台风中心的最大风速半径/>台风中心距观测站点的最短距离/>台风中心的最大风速半径由公式1表示如下:
式中:φt为t时刻台风中心的纬度
(2)、数据预处理,采用归一化法对步骤(1)获取的观测站点山东省潍坊港气象因素数据与台风因素数据进行预处理,将归一化后的数据按比例随机分为训练集和预测集;上述归一化后的数值/>由公式2表示如下:
式中:是/>归一化后的数值,/>是t时刻观测站点i要素的历史数据,/>和分别表示历史风暴潮监测数据中t时刻的最大值和最小值,/>和/>分别表示和/>对应的归一化的最大值和最小值,T为历史风暴潮监测数据的总时长。
将归一化处理后的观测站点山东省潍坊港气象因素数据与台风因素数据的0.9作为LSTM模型的训练集、0.1作为LSTM模型的测试集。归一化处理后的数据可表示为:
(3)、LSTM神经网络模型建立,初步拟定LSTM神经网络模型的参数,LSTM神经网络模型的参数设定为输入维度为8,输出维度为1,隐含层中的隐含节点数为200,最大迭代次数为500,最小批量数为10,梯度阈值为1,为了减少过拟合对预测模型的影响,添加dropout正则化,数值为0.2;训练选用的模型优化器为Adma算法,将步骤(2)得到的训练集数据输入LSTM神经网络模型中进行迭代训练,并用测试集数据对训练结果进行验证,直至预测误差满足预设预报精度评价标准,输出预测误差序列;若不满足预设精度评价标准,则对LSTM神经网络模型的参数进行逐一微调,直至预测误差满足预设预报精度标准;LSTM神经网络模型的预报精度评价标准为平均绝对误差MAE,由公式3表示如下:
式中:n为模型测试集的总样本数,Wi为样本i的风暴潮潮位预测值,为样本i对应的风暴潮潮位实测值。本实施例中风暴潮潮位的平均绝对误差不超过5%的情况下,均可以接受。
(4)、GM模型建立,将步骤(3)得到的LSTM神经网络模型的预测误差序列输入GM模型中,利用GM模型对误差序列进行修正,将预测的数据进行反归一化处理,输出风暴潮潮位预测值;
(5)、预测结果评价,将步骤(4)得到的LSTM-GM神经网络模型的风暴潮潮位预测值与步骤(3)LSTM神经网络模型预测值进行对比与分析。
本发明一种基于LSTM-GM神经网络模型的风暴潮智能预报方法(简称本发明LSTM-GM神经网络模型)风暴潮潮位预测值、风暴潮潮位监测值与现有LSTM神经网络模型风暴潮潮位预测值与时间关系数据见表1、曲线如图2所示;
表1本发明LSTM-GM神经网络模型的风暴潮潮位预测值、风暴潮潮位监测值与现有LSTM神经网络模型风暴潮潮位预测值与时间关系数据
本发明LSTM-GM神经网络模型与现有LSTM神经网络模型的风暴潮智能预报相关数据对比见表2
表2本发明LSTM-GM神经网络模型与现有LSTM神经网络模型的风暴潮智能预报相关数据对比
实施例说明,本发明一种基于LSTM-GM神经网络模型的风暴潮智能预报方法风暴潮潮位预测值平均绝对误差MAE为3.8%,完全满足风暴潮智能预报风暴潮潮位平均绝对误差不超过5%的精度要求,而现有LSTM神经网络模型的风暴潮潮位预测值平均绝对误差MAE为11.2%,不能满足风暴潮智能预报风暴潮潮位平均绝对误差不超过5%的精度要求。本发明一种基于LSTM-GM神经网络模型的风暴潮智能预报方法的数值运行时间为20s,而现有LSTM神经网络模型的数值运行时间为60s,说明本发明一种基于LSTM-GM神经网络模型的风暴潮智能预报方法显著地缩短了模型收敛时间。因而,本发明一种基于LSTM-GM神经网络模型的风暴潮智能预报方法具有风暴潮预报精度高、模型收敛时间短的特点。
Claims (1)
1.一种基于LSTM-GM神经网络模型的风暴潮智能预报方法,依次包括如下步骤:
(1)、收集处理观测站点历史风暴潮数据资料,收集观测站点的历史风暴潮数据,上述数据包括观测站点气象因素数据与台风因素数据,上述气象因素数据包括观测站点的风速、风向、气压、前序潮位;上述台风因素数据包括历史台风的台风中心最低气压、台风中心最大风速、台风中心最大风速半径、台风中心距观测站点的最短距离;所述的历史风暴潮数据t时刻观测站点的风速为风向为/>气压为/>前序潮位为/>以及t时刻台风中心的最低气压为/>台风中心的最大风速为/>台风中心的最大风速半径为/>台风中心距观测站点的最短距离为/>台风中心的最大风速半径/>由公式1表示如下:
式中:φt为t时刻台风中心的纬度
(2)、数据预处理,采用归一化法对步骤(1)获取的观测站点气象因素数据与台风因素数据进行预处理,将归一化后的数据按比例随机分为训练集和预测集;归一化数据预处理归一化后的数值/>由公式2表示如下:
式中:是/>归一化后的数值,/>是t时刻观测站点i要素的历史数据,/>和/>分别表示t时刻观测站点历史风暴潮监测数据中的最大值和最小值,/>和/>分别表示/>和/>对应的归一化最大值和最小值,T为观测站点历史风暴潮监测数据的总时长;
以归一化处理后历史风暴潮数据的0.9作为LSTM神经网络模型的训练集,0.1作为LSTM神经网络模型的测试集,归一化处理后的数据表示如下:
(3)、LSTM神经网络模型建立,初步拟定LSTM神经网络模型的参数,LSTM神经网络模型的参数设定为输入维度为8,输出维度为1,隐含层中的隐含节点数为200,最大迭代次数为500,最小批量数为10,梯度阈值为1,为了减少过拟合对预测模型的影响,添加dropout正则化,数值为0.2;训练选用的模型优化器为Adma算法,将步骤(2)得到的训练集数据输入LSTM神经网络模型中进行迭代训练,并用测试集数据对训练结果进行验证,直至预测误差满足预设预报精度评价标准平均绝对误差MAE≤5%,输出预测误差序列;若不满足预设精度评价标准平均绝对误差MAE≤5%,则对LSTM神经网络模型的参数进行逐一微调,直至预测误差满足预设预报精度标准平均绝对误差MAE≤5%;LSTM神经网络模型的预报精度评价标准平均绝对误差MAE,由公式3表示如下:
式中:n为模型测试集的总样本数,Wi为样本i的风暴潮潮位预测值,为样本i对应的风暴潮潮位实测值;
(4)、GM模型建立,将步骤(3)得到的LSTM神经网络模型的预测误差序列输入GM模型中,利用GM模型对误差序列进行修正,将预测数据进行反归一化处理,输出风暴潮潮位预测值;
(5)、预测结果评价,将步骤(4)得到的LSTM-GM神经网络模型的风暴潮潮位预测值与步骤(3)LSTM神经网络模型预测结果进行对比与分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111247088.3A CN113985496B (zh) | 2021-10-26 | 2021-10-26 | 一种基于lstm-gm神经网络模型的风暴潮智能预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111247088.3A CN113985496B (zh) | 2021-10-26 | 2021-10-26 | 一种基于lstm-gm神经网络模型的风暴潮智能预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113985496A CN113985496A (zh) | 2022-01-28 |
CN113985496B true CN113985496B (zh) | 2024-04-09 |
Family
ID=79741512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111247088.3A Active CN113985496B (zh) | 2021-10-26 | 2021-10-26 | 一种基于lstm-gm神经网络模型的风暴潮智能预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113985496B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600764B (zh) * | 2022-11-17 | 2023-05-05 | 中船重工(武汉)凌久高科有限公司 | 基于权重邻域粗糙集快速约简的滚动时域能耗预测方法 |
CN116128141B (zh) * | 2023-02-07 | 2023-08-29 | 国家海洋环境预报中心 | 风暴潮预测方法、装置、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977569A (zh) * | 2019-04-01 | 2019-07-05 | 北部湾大学 | 一种融合多因素的mos风暴潮过程灾害模拟方法 |
CN111310968A (zh) * | 2019-12-20 | 2020-06-19 | 西安电子科技大学 | 一种基于互信息的lstm神经网络循环水文预报方法 |
CN111325947A (zh) * | 2020-03-04 | 2020-06-23 | 合肥泽众城市智能科技有限公司 | 一种基于长短期记忆网络的风暴潮洪涝预警方法和系统 |
-
2021
- 2021-10-26 CN CN202111247088.3A patent/CN113985496B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977569A (zh) * | 2019-04-01 | 2019-07-05 | 北部湾大学 | 一种融合多因素的mos风暴潮过程灾害模拟方法 |
CN111310968A (zh) * | 2019-12-20 | 2020-06-19 | 西安电子科技大学 | 一种基于互信息的lstm神经网络循环水文预报方法 |
CN111325947A (zh) * | 2020-03-04 | 2020-06-23 | 合肥泽众城市智能科技有限公司 | 一种基于长短期记忆网络的风暴潮洪涝预警方法和系统 |
Non-Patent Citations (2)
Title |
---|
基于LSTM-GM 神经网络模型的深基坑沉降变形预测;袁志明等;《江西理工大学学报》;第41卷(第1期);正文第9页第3段-第13页第4段 * |
基于多变量LSTM 神经网络模型的风暴潮临近预报;刘媛媛等;《海洋通报》;第39卷(第6期);正文第690页第5段-第694页第4段 * |
Also Published As
Publication number | Publication date |
---|---|
CN113985496A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798051B (zh) | 基于长短期记忆神经网络的空气质量时空预测方法 | |
CN111310968B (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN113985496B (zh) | 一种基于lstm-gm神经网络模型的风暴潮智能预报方法 | |
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN112465243B (zh) | 一种空气质量预报方法及系统 | |
CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
CN112529240B (zh) | 一种大气环境数据的预测方法、系统、装置及存储介质 | |
CN111325947B (zh) | 一种基于长短期记忆网络的风暴潮洪涝预警方法和系统 | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN113807562A (zh) | 海洋表面温度的预测方法 | |
CN117113236B (zh) | 一种智慧城市监控系统及数据处理方法 | |
CN112149887A (zh) | 一种基于数据时空特征的pm2.5浓度预测方法 | |
CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
CN113283155A (zh) | 一种近地表气温估算方法、系统、存储介质及设备 | |
CN115267945A (zh) | 一种基于图神经网络的雷电预警方法与系统 | |
Yang et al. | Joint occurrence probability analysis of typhoon-induced storm surges and rainstorms using trivariate Archimedean copulas | |
CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
CN110852493A (zh) | 基于多种模型对比的大气pm2.5浓度预测方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN114139590A (zh) | 用于估算海洋温度的方法 | |
CN114943189B (zh) | 一种基于XGboost的声速剖面反演方法及系统 | |
CN116434479A (zh) | 一种区域性洪涝灾害等级预测预警方法及系统 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN116451821A (zh) | 基于深度学习的大区域新能源发电功率预测方法及系统 | |
Bárdossy et al. | Circulation patterns identified by spatial rainfall and ocean wave fields in Southern Africa |
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 |