CN114092164A - 一种基于联邦学习的门店销量预测方法及装置 - Google Patents
一种基于联邦学习的门店销量预测方法及装置 Download PDFInfo
- Publication number
- CN114092164A CN114092164A CN202210076896.6A CN202210076896A CN114092164A CN 114092164 A CN114092164 A CN 114092164A CN 202210076896 A CN202210076896 A CN 202210076896A CN 114092164 A CN114092164 A CN 114092164A
- Authority
- CN
- China
- Prior art keywords
- data
- store
- spatial
- portrait
- federally
- 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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于联邦学习的门店销量预测方法及装置,包括:基于第一数据源的空间网格划分,为每个所述空间网格建立第一画像数据;基于第二数据源的现有门店,为每个现有门店建立第二画像数据;将所述第一画像数据和第二画像数据上传到联邦学习平台进行模型训练,并基于训练好的模型,输入门店预选点计算销量。本申请通过联邦学习,基于多数据源数据训练AI模型进行门店销量预测,预测结果更为准确。
Description
技术领域
本申请请求保护一种预设技术,尤其涉及一种基于联邦学习的门店销量预测方法。本申请还涉及一种基于联邦学习的门店销量预测装置。
背景技术
当前,通过AI模型训练进行结果预测的方法越来越多的应用到社会生活的方方面面中,其特点是采集众多的样本数据,将所述样本数据输入到设计好的AI模型中进行训练,获得训练好的预测模块,然后在训练好的模型中输入因子数据,得到结果数据。
但是,每个公司或者组织能够采集的样本数据是不完整的,其主要是侧重于一个侧面的数据,无法完整的表达因果对应关系,因此联邦学习算法应运而生。所述联邦学习是将多个公司或者组织的数据进行模型训练,而这个过程中数据不会泄露出去。
现有技术中,还没有基于联邦学习的门店销量预测方法,而普通的AI模型无法精确的进行销量预测。
发明内容
为了解决问题门店销量预测不精确的问题,本申请提供一种基于联邦学习的门店销量预测方法。本申请还涉及一种基于联邦学习的门店销量预测装置。
本申请提供一种基于联邦学习的门店销量预测方法,包括:
基于第一数据源的空间网格划分,为每个所述空间网格建立第一画像数据;
基于第二数据源的现有门店,为每个现有门店建立第二画像数据;
将所述第一画像数据和第二画像数据上传到联邦学习平台进行模型训练,并基于训练好的模型,输入门店预选点计算销量。
可选的,所述第一画像数据包括:人口总量、人口增长率、人口密度、年龄分布、流动特点、家庭特点、收入情况、购买力指数、民族、学历及职业构成、天气、节假日、流动人口数量;所述第二画像数据包括:门店位置、所处商圈及商场、业态类型、周边要素以及每天的各品类的销售额。
可选的,所述空间网格划分,包括:
获取空间数据;
将所述空间数据按照预设分割密度进行分割,形成空间网格。
可选的,所述空间数据包括:连续空间数据和分段空间数据,所述连续空间数据是指一个连续的空间的数据,所述分段空间数据是指两个或者多个互不关联的空间的数据。
可选的,所述现有门店包括:具有相似或者相同产品门店。
本申请还提供一种基于联邦学习的门店销量预测装置,包括:
第一数据模块,用于基于第一数据源的空间网格划分,为每个所述空间网格建立第一画像数据;
第二数据模块,用于基于第二数据源的现有门店,为每个现有门店建立第二画像数据;
结果模块,用于将所述第一画像数据和第二画像数据上传到联邦学习平台进行模型训练,并基于训练好的模型,输入门店预选点计算销量。
可选的,所述第一画像数据包括:人口总量、人口增长率、人口密度、年龄分布、流动特点、家庭特点、收入情况、购买力指数、民族、学历及职业构成、天气、节假日、流动人口数量;所述第二画像数据包括:门店位置、所处商圈及商场、业态类型、周边要素以及每天的各品类的销售额。
可选的,所述第一数据模块包括:
获取单元,用于获取空间数据;
划分单元,用于将所述空间数据按照预设分割密度进行分割,形成空间网格。
可选的,所述空间数据包括:连续空间数据和分段空间数据,所述连续空间数据是指一个连续的空间的数据,所述分段空间数据是指两个或者多个互不关联的空间的数据。
可选的,所述现有门店包括:具有相似或者相同产品门店。
本申请相较于现有技术的优点是:
本申请提供一种基于联邦学习的门店销量预测方法,包括:基于第一数据源的空间网格划分,为每个所述空间网格建立第一画像数据;基于第二数据源的现有门店,为每个现有门店建立第二画像数据;将所述第一画像数据和第二画像数据上传到联邦学习平台进行模型训练,并基于训练好的模型,输入门店预选点计算销量。本申请通过联邦学习,基于多数据源数据训练AI模型进行门店销量预测,预测结果更为准确。
附图说明
图1是本申请中基于联邦学习的门店销量预测流程图。
图2是本申请中分割密度确定流程图。
图3是本申请中基于联邦学习的门店销量预测装置示意图。
具体实施方式
以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例,但是本申请还可以采用不同于此的描述的其他方式实施,本领域技术人员可以在本申请构思的指引下,采用不同的技术手段实现本申请,因此本申请不受下面具体实施例的限制。
本申请提供一种基于联邦学习的门店销量预测方法,包括:基于第一数据源的空间网格划分,为每个所述空间网格建立第一画像数据;基于第二数据源的现有门店,为每个现有门店建立第二画像数据;将所述第一画像数据和第二画像数据上传到联邦学习平台进行模型训练,并基于训练好的模型,输入门店预选点计算销量。本申请通过联邦学习,基于多数据源数据训练AI模型进行门店销量预测,预测结果更为准确。
图1是本申请中基于联邦学习的门店销量预测流程图。
请参照图1所示,S101基于第一数据源的空间网格划分,为每个所述空间网格建立第一画像数据。
在本申请中,用于模型训练的数据是多个数据源提供的,至少包括第一数据源和第二数据源,所示第一数据源和第二数据源在数据类型上是互补的,即第一数据源和第二数据源可以提供一个描述的完整数据。
在本申请中,第一数据源提供的是空间属性的数据,该空间属性的数据称为第一画像数据。所述第一画像数据包括:人口总量、人口增长率、人口密度、年龄分布、流动特点、家庭特点、收入情况、购买力指数、民族、学历及职业构成、天气、节假日、流动人口数量。具体的,所述空间属性的数据是按照空间划分成多个网格,所述第一画像数据是每个网格的第一画像数据。所述空间数据包括:连续空间数据和分段空间数据,所述连续空间数据是指一个连续的空间的数据,所述分段空间数据是指两个或者多个互不关联的空间的数据。
所述网格是按照预设的分割密度进行划分的,包括:获取空间数据;将所述空间数据按照预设分割密度进行分割,形成空间网格。所述预设的分割密度是指根据某一种条件确定的网格大小形成的空间网格。一种优选的实施方式是,所述分割密度是根据门店最大承载力确定,例如一个门店的最大流动人数、一个门店的最大覆盖范围等。
图2是本申请中分割密度确定流程图。
请参照图2所示,S201,根据门店属性确定最大流动人数以及覆盖范围。
所述最大流动人数是指,当一个门店的结账排队时长等于一个预设的时长时,该门店处于最大流动人数,本申请中,所述预设时长设置为5分钟。
所述覆盖范围是指,所述门店可以吸引的消费者最远距离为半径的完整圆形区域的面积。
S202,根据所述最大流动人数以及覆盖范围确定分割密度。
一个门店最好的范围和流动人数是在可以吸引的消费者最远距离为半径的完整圆形区域内,刚好处于最大人流量,因此将所述最大人流量A乘以可以吸引的消费者最远距离为半径的完整圆形区域面积B最为参数进行分割密度设置。网格边长计算其公式如下:
其中,L表示网格边长,K表示预设的人流量和预设的网格面积的比值,所述N表示相同面积的圆和正方形,圆直径减去正方形边长的值。
然后基于所述边长为L的网格对空间进行划分,作为预设分割密度。
最后基于所述预设分割密度对空间进行划分形成空间网格,再计算每个空间网格的第一画像数据。
请参照图1所示,S102基于第二数据源的现有门店,为每个现有门店建立第二画像数据。
所述第二画像数据是指门店的环境,特征等,包括:门店位置、所处商圈及商场、业态类型、周边要素以及每天的各品类的销售额。所述周边要素可以包括:河流、特定建筑等。优选的,所述门店是具有相似或者相同产品门店。
请参照图1所示,S103将所述第一画像数据和第二画像数据上传到联邦学习平台进行模型训练,并基于训练好的模型,输入门店预选点计算销量。
所述联邦学习平台部署到所述第一数据源和第二数据源,每个所述数据源分别从所述联邦服务平台下载训练模型,将本地是第一画像数据或者第二画像数据输入到所述训练模型中进行训练,并根据训练结果进行参数更新。
将参数更新的训练模型返回到联邦学习平台中,然后根据更新的参数进行训练模型的整体参数更新,将整体参数更新的模型返回到各个数据源。
到此,所述训练模型训练完成,最后将门店预选点输入到所述训练好的模型中计算门店的预测销量。
本申请还提供一种基于联邦学习的门店销量预测装置,包括:第一数据模块301,第二数据模块302,结果模块303。
图3是本申请中基于联邦学习的门店销量预测装置示意图。
请参照图3所示,第一数据模块301,用于基于第一数据源的空间网格划分,为每个所述空间网格建立第一画像数据。
在本申请中,用于模型训练的数据是多个数据源提供的,至少包括第一数据源和第二数据源,所示第一数据源和第二数据源在数据类型上是互补的,即第一数据源和第二数据源可以提供一个描述的完整数据。
在本申请中,第一数据源提供的是空间属性的数据,该空间属性的数据称为第一画像数据。所述第一画像数据包括:人口总量、人口增长率、人口密度、年龄分布、流动特点、家庭特点、收入情况、购买力指数、民族、学历及职业构成、天气、节假日、流动人口数量。具体的,所述空间属性的数据是按照空间划分成多个网格,所述第一画像数据是每个网格的第一画像数据。所述空间数据包括:连续空间数据和分段空间数据,所述连续空间数据是指一个连续的空间的数据,所述分段空间数据是指两个或者多个互不关联的空间的数据。
所述网格是按照预设的分割密度进行划分的,包括:获取空间数据;将所述空间数据按照预设分割密度进行分割,形成空间网格。所述预设的分割密度是指根据某一种条件确定的网格大小形成的空间网格。一种优选的实施方式是,所述分割密度是根据门店最大承载力确定,例如一个门店的最大流动人数、一个门店的最大覆盖范围等。
请参照图2所示,S201,根据门店属性确定最大流动人数以及覆盖范围。
所述最大流动人数是指,当一个门店的结账排队时长等于一个预设的时长时,该门店处于最大流动人数,本申请中,所述预设时长设置为5分钟。
所述覆盖范围是指,所述门店可以吸引的消费者最远距离为半径的完整圆形区域的面积。
S202,根据所述最大流动人数以及覆盖范围确定分割密度。
一个门店最好的范围和流动人数是在可以吸引的消费者最远距离为半径的完整圆形区域内,刚好处于最大人流量,因此将所述最大人流量A乘以可以吸引的消费者最远距离为半径的完整圆形区域面积B最为参数进行分割密度设置。网格边长计算其公式如下:
其中,L表示网格边长,K表示预设的人流量和预设的网格面积的比值,所述N表示相同面积的圆和正方形,圆直径减去正方形边长的值。
然后基于所述边长为L的网格对空间进行划分,作为预设分割密度。
最后基于所述预设分割密度对空间进行划分形成空间网格,再计算每个空间网格的第一画像数据。
请参照图3所示,第二数据模块302,用于基于第二数据源的现有门店,为每个现有门店建立第二画像数据。
所述第二画像数据是指门店的环境,特征等,包括:门店位置、所处商圈及商场、业态类型、周边要素以及每天的各品类的销售额。所述周边要素可以包括:河流、特定建筑等。优选的,所述门店是具有相似或者相同产品门店。
请参照图3所示,结果模块303,用于将所述第一画像数据和第二画像数据上传到联邦学习平台进行模型训练,并基于训练好的模型,输入门店预选点计算销量。
所述联邦学习平台部署到所述第一数据源和第二数据源,每个所述数据源分别从所述联邦服务平台下载训练模型,将本地是第一画像数据或者第二画像数据输入到所述训练模型中进行训练,并根据训练结果进行参数更新。
将参数更新的训练模型返回到联邦学习平台中,然后根据更新的参数进行训练模型的整体参数更新,将整体参数更新的模型返回到各个数据源。
到此,所述训练模型训练完成,最后将门店预选点输入到所述训练好的模型中计算门店的预测销量。
Claims (10)
1.一种基于联邦学习的门店销量预测方法,其特征在于,包括:
基于第一数据源的空间网格划分,为每个所述空间网格建立第一画像数据;
基于第二数据源的现有门店,为每个现有门店建立第二画像数据;
将所述第一画像数据和第二画像数据上传到联邦学习平台进行模型训练,并基于训练好的模型,输入门店预选点计算销量。
2.根据权利要求1所述基于联邦学习的门店销量预测方法,其特征在于,所述第一画像数据包括:人口总量、人口增长率、人口密度、年龄分布、流动特点、家庭特点、收入情况、购买力指数、民族、学历及职业构成、天气、节假日和流动人口数量;所述第二画像数据包括:门店位置、所处商圈及商场、业态类型和周边要素以及每天的各品类的销售额。
3.根据权利要求1所述基于联邦学习的门店销量预测方法,其特征在于,所述空间网格划分,包括:
获取空间数据;
将所述空间数据按照预设分割密度进行分割,形成空间网格。
4.根据权利要求3所述基于联邦学习的门店销量预测方法,其特征在于,所述空间数据包括:连续空间数据和分段空间数据,所述连续空间数据是指一个连续的空间的数据,所述分段空间数据是指两个或者多个互不关联的空间的数据。
5.根据权利要求1所述基于联邦学习的门店销量预测方法,其特征在于,所述现有门店包括:具有相似或者相同产品门店。
6.一种基于联邦学习的门店销量预测装置,其特征在于,包括:
第一数据模块,用于基于第一数据源的空间网格划分,为每个所述空间网格建立第一画像数据;
第二数据模块,用于基于第二数据源的现有门店,为每个现有门店建立第二画像数据;
结果模块,用于将所述第一画像数据和第二画像数据上传到联邦学习平台进行模型训练,并基于训练好的模型,输入门店预选点计算销量。
7.根据权利要求6所述基于联邦学习的门店销量预测装置,其特征在于,所述第一画像数据包括:人口总量、人口增长率、人口密度、年龄分布、流动特点、家庭特点、收入情况、购买力指数、民族、学历及职业构成、天气、节假日和流动人口数量;所述第二画像数据包括:门店位置、所处商圈及商场、业态类型和周边要素以及每天的各品类的销售额。
8.根据权利要求6所述基于联邦学习的门店销量预测装置,其特征在于,所述第一数据模块包括:
获取单元,用于获取空间数据;
划分单元,用于将所述空间数据按照预设分割密度进行分割,形成空间网格。
9.根据权利要求8所述基于联邦学习的门店销量预测装置,其特征在于,所述空间数据包括:连续空间数据和分段空间数据,所述连续空间数据是指一个连续的空间的数据,所述分段空间数据是指两个或者多个互不关联的空间的数据。
10.根据权利要求6所述基于联邦学习的门店销量预测装置,其特征在于,所述现有门店包括:具有相似或者相同产品门店。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076896.6A CN114092164A (zh) | 2022-01-24 | 2022-01-24 | 一种基于联邦学习的门店销量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076896.6A CN114092164A (zh) | 2022-01-24 | 2022-01-24 | 一种基于联邦学习的门店销量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092164A true CN114092164A (zh) | 2022-02-25 |
Family
ID=80309181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210076896.6A Pending CN114092164A (zh) | 2022-01-24 | 2022-01-24 | 一种基于联邦学习的门店销量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092164A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952105A (zh) * | 2017-04-26 | 2017-07-14 | 浙江大学 | 一种基于迁移学习的商铺最优化选址方法 |
CN110458609A (zh) * | 2019-07-23 | 2019-11-15 | 安徽迪科数金科技有限公司 | 一种新店经营管理预测分析系统 |
US20200286022A1 (en) * | 2019-03-10 | 2020-09-10 | Applied Methods Inc. | Platform for In-Memory Analysis of Network Data Applied to Site Selection with Current Market Information, Demand Estimates, and Competitor Information |
CN112801340A (zh) * | 2020-12-16 | 2021-05-14 | 北京交通大学 | 一种基于多层级城市信息单元画像的人群密度预测方法 |
CN113627975A (zh) * | 2021-07-28 | 2021-11-09 | 南京苏宁软件技术有限公司 | 门店选址方法、装置、计算机设备和存储介质 |
CN113763045A (zh) * | 2021-09-06 | 2021-12-07 | 武汉博创非凡智能科技有限公司 | 一种基于多源数据融合的门店选址可视化分析方法及系统 |
-
2022
- 2022-01-24 CN CN202210076896.6A patent/CN114092164A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952105A (zh) * | 2017-04-26 | 2017-07-14 | 浙江大学 | 一种基于迁移学习的商铺最优化选址方法 |
US20200286022A1 (en) * | 2019-03-10 | 2020-09-10 | Applied Methods Inc. | Platform for In-Memory Analysis of Network Data Applied to Site Selection with Current Market Information, Demand Estimates, and Competitor Information |
CN110458609A (zh) * | 2019-07-23 | 2019-11-15 | 安徽迪科数金科技有限公司 | 一种新店经营管理预测分析系统 |
CN112801340A (zh) * | 2020-12-16 | 2021-05-14 | 北京交通大学 | 一种基于多层级城市信息单元画像的人群密度预测方法 |
CN113627975A (zh) * | 2021-07-28 | 2021-11-09 | 南京苏宁软件技术有限公司 | 门店选址方法、装置、计算机设备和存储介质 |
CN113763045A (zh) * | 2021-09-06 | 2021-12-07 | 武汉博创非凡智能科技有限公司 | 一种基于多源数据融合的门店选址可视化分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kelling et al. | Using semistructured surveys to improve citizen science data for monitoring biodiversity | |
Abolhasani et al. | Simulating urban growth under planning policies through parcel-based cellular automata (ParCA) model | |
Long et al. | Mapping block-level urban areas for all Chinese cities | |
Liao et al. | Assessment of urbanization-induced ecological risks in an area with significant ecosystem services based on land use/cover change scenarios | |
US11669910B2 (en) | Multi-platform data processing system | |
Osman et al. | Driving factors of urban sprawl in Giza governorate of the Greater Cairo Metropolitan Region using a logistic regression model | |
CN112308281A (zh) | 一种温度信息预测方法及装置 | |
Milanés-Batista et al. | Application of Business Intelligence in studies management of Hazard, Vulnerability and Risk in Cuba | |
Roy et al. | A novel approach for rainfall-runoff modelling using a biogeography-based optimization technique | |
Karimi et al. | Developing a methodology for modelling land use change in space and time | |
CN116050947A (zh) | 车辆调度效果的评价方法、装置、计算机设备和存储介质 | |
Grinberger et al. | Dynamic agent based simulation of an urban disaster using synthetic big data | |
Ward et al. | An optimized cellular automata approach for sustainable urban development in rapidly urbanizing regions | |
Cuellar et al. | Assessing the accuracy of sensitivity analysis: an application for a cellular automata model of Bogota’s urban wetland changes | |
CN116030617A (zh) | 一种基于公路od数据进行车流量预测的方法及装置 | |
CN116629460B (zh) | 一种基于ST-RANet模型的地铁客流预测方法 | |
Lagarias | Exploring land use policy scenarios with the use of a cellular automata-based model: urban sprawl containment and sustainable development in Thessaloniki | |
Nicoletta et al. | Bayesian spatio-temporal modelling and prediction of areal demands for ambulance services | |
CN115994625B (zh) | 一种路面垃圾预测方法、系统和智能终端 | |
Jin et al. | Enriched spatial analysis of air pollution: Application to the city of Bogotá, Colombia | |
CN116109234B (zh) | 一种基于预测与决策一体化的快递系统智能订单分配方法 | |
Lee et al. | Application of fuzzy combination operators to flood vulnerability assessments in Seoul, Korea | |
CN114092164A (zh) | 一种基于联邦学习的门店销量预测方法及装置 | |
Zhao et al. | Modeling land-use change and population relocation dynamics in response to different sea level rise scenarios: Case study in Bay County, Florida | |
Irandegani et al. | Investigating temporal and spatial effects of urban planning variables on crime rate: A Gwr and Ols based approach |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220225 |
|
RJ01 | Rejection of invention patent application after publication |