CN114491061A - 一种多维数据关联分析系统及方法 - Google Patents
一种多维数据关联分析系统及方法 Download PDFInfo
- Publication number
- CN114491061A CN114491061A CN202111642055.9A CN202111642055A CN114491061A CN 114491061 A CN114491061 A CN 114491061A CN 202111642055 A CN202111642055 A CN 202111642055A CN 114491061 A CN114491061 A CN 114491061A
- Authority
- CN
- China
- Prior art keywords
- multidimensional data
- relation
- association
- module
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于多维数据处理技术领域,提供了一种多维数据关联分析系统及方法。其中,多维数据关联分析系统包括数据分类存储模块,其用于获取多维数据并以各自唯一标识分类存储;关联关系构建模块,其用于构建多维数据的关联关系,并存储至分布式key‑value系统;关系图谱构建模块,其用于周期性扫描分布式key‑value存储系统,查询关联次数大于或等于设定阈值的关系,并建立实体及关系图谱;存储空间释放模块,其用于周期性扫描分布式key‑value系统,将关联次数小于设定阈值且最近设定时间段内无更新过key删除并压缩,释放存储空间;挖掘任务执行模块,其用于基于实体及关系图谱,以执行相应挖掘任务。
Description
技术领域
本发明属于多维数据处理技术领域,尤其涉及一种多维数据关联分析系统及方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在安防领域存在大量的行为日志数据,如人脸、车辆抓拍记录、手机位置采集记录等,当前大多数厂商都是对其单一数据进行检索,如常见的人脸检索、车辆检索等应用,通过数据抽取技术将结构化的行为日志存储到数据库中,然后对其进行检索和分析,而不同数据之间仅可以做简单地联表分析,而无法实现大规模的关系挖掘以及系统化的搜索与展现,不同维度的数据之间存在着壁垒,而数据的关联和融合分析方面的需求正随着业务的不断增长而涌现出来,但是传统的单一数据分析无法更好地挖掘多维度数据关联的价值,无法更精准的满足需要。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种多维数据关联分析系统及方法,其通过挖掘多维数据之间的关联关系,构建关系图谱,进而基于图计算技术进行关系的挖掘。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供了一种多维数据关联分析系统,其包括:
数据分类存储模块,其用于获取多维数据并以各自唯一标识分类存储;
关联关系构建模块,其用于构建多维数据的关联关系,并存储至分布式key-value系统;
关系图谱构建模块,其用于周期性扫描分布式key-value存储系统,查询关联次数大于或等于设定阈值的关系,并建立实体及关系图谱;
存储空间释放模块,其用于周期性扫描分布式key-value系统,将关联次数小于设定阈值且最近设定时间段内无更新过key删除并压缩,释放存储空间;
挖掘任务执行模块,其用于基于实体及关系图谱,以执行相应挖掘任务。
本发明的第二个方面提供了一种多维数据关联分析方法,其包括如下步骤:
获取多维数据并以各自唯一标识分类存储;
构建多维数据的关联关系,并存储至分布式key-value系统;
周期性扫描分布式key-value存储系统,查询关联次数大于或等于设定阈值的关系,并建立实体及关系图谱;
周期性扫描分布式key-value系统,将关联次数小于设定阈值且最近设定时间段内无更新过key删除并压缩,释放存储空间;
基于实体及关系图谱,以执行相应挖掘任务。
本发明的第三个方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的多维数据关联分析方法中的步骤。
本发明的第四个方面提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的多维数据关联分析方法中的步骤。
与现有技术相比,本发明的有益效果是:
(1)本发明基于多个维度的单一行为数据,采用分布式计算实现快速关联分析,由于无效关联数据量巨大,因此采用分布式的key-value数据库作为过渡,随着数据的积累不断建立关系图写入分布式图数据库并提供挖掘服务,准确度和有效关联率比较高,打通多类数据的时空关系,实现复杂的关系分析。
(2)本发明的key-value数据本身支持多维数据关系搜索,因此在建立关系图之前就可以提供部分业务支撑,提升了实时性。
(3)本发明的关联关系计算基于提前运行好的设备id映射表进行关联,复杂度为O(1),避免了经纬度距离计算带来过多的计算消耗,提高分析性能。
(4)本发明的所有基于图的计算,都是索引条件查询、排序查询、图的遍历、最短路径等,复杂度都比较低,因此所有搜索业务都可以在秒级返回,延迟较低。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的一种多维数据关联分析系统结构示意图;
图2是本发明实施例的一种多维数据关联分析系统原理图;
图3是本发明实施例的一种多维数据关联分析方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示,本实施例提供了一种多维数据关联分析系统,其具体包括如下模块:
(1)数据分类存储模块,其用于获取多维数据并以各自唯一标识分类存储。
下面以图2为例,多维数据以车辆、人脸和手机数据来详细说明的该多维数据关联分析系统的具体实施过程:
首先车辆、人脸和手机数据会采集到实时数据库中进行存储以及常规的分析,车辆数据以车牌号码、车牌类型作为唯一标识,人脸会由人脸聚类程序对其建立分组标签,以组号作为唯一标识,手机以基站或围栏设备采集后的串号作为唯一标识。
例如:车辆、人脸、手机记录经过数据抽取写入实时分析数据库中,提供常规的检索服务,其中车辆记录涉及到的核心字段有:license_plate(车牌号码)、plate_type_id(车牌类型)、device_id(抓拍设备id)、capture_time(抓拍时间),其余不涉及关联分析的字段不再详细列出,同样人脸的核心字段有:group(人脸分组,可认为人的标识)、device_id(人脸抓拍设备id)、capture_time(抓拍时间),手机的核心字段有:serial_number(序列号,可以是imsi/imei等唯一标识,对于分析算法来说都是通用的)、device_id(手机采集设备id,可以是基站、围栏等)、collect_time(收集时间),这些数据都存储在实时分析数据库中。
(2)关联关系构建模块,其用于构建多维数据的关联关系,并存储至分布式key-value系统。
例如:建立车辆-手机、人脸-手机的关联关系,并写入分布式的key-value系统。
在具体实施中,在所述关联关系构建模块中,多维数据关联统一采用编号的设备id进行关联。
其中,在所述关联关系构建模块中,首先通过经纬度的距离阈值或网格计算的方式挖掘出多维数据的映射关系,再基于该映射关系进行关联,形成设备关联映射表。
例如:
设备关联映射表是车辆抓拍设备id到手机采集设备id的映射关系,可以基于经纬度距离计算或者网格划分的方式得到映射关系,大致的格式为:
{车辆device_id1:[手机device_id1,手机device_id2,…],车辆device_id2:[…],…}
通过设备关联映射表可以快速判断记录中的车辆抓拍设备id和手机采集设备id是否存在关联关系。
其中,分布式关联计算任务从实时数据库中加载指定时间范围的数据同时加载设备关联映射表的内容,以车辆-手机关系为例,首先将车辆数据按照车牌号和车牌类型联合分组,并将每个分组内的重复数据或间隔很短的同设备数据进行过滤去重,得到轨迹序列,然后循环全部的车牌分组,在每个分组内循环所有的记录,对于每条记录的时间capture_time锁定时间阈值区间,时间阈值表示为time_threshold举例为±5min,这样会在区间[capture_time–time_threshold,capture_time+time_threshold]范围检索手机记录,因为不同设备时间可能略有不同或者采集间隔有所不同,所以这个时间范围内的数据都认为有所关联,然后在空间范围内通过设备关联表确定已经筛选出的手机点位和当前车辆点位是否符合设备关联表中的关联关系,如果不符合则跳过,否则就认为当前车辆和手机存在一次关联关系,关联关系可以表示为:{车牌类型-车牌号-手机串号:set(设备1,设备2,…)},关联的值之所以采用set是因为在1个位置关联多次都算作1次有效关联,最后计算完成当前车辆分组所有的记录后,对结果进行计数,就得到关联总设备数,即结果字典:{车牌类型-车牌号-手机串号:关联设备个数},同样人脸手机关联结果字典为:{人脸分组编号-手机串号:关联设备个数},最后将关联的计算结果存入到分布式的key-value数据库中,key就是上面字典中的唯一标识,而value就是关联的设备数。
之所以先分组再计算是做了一次优化,即每次算完之后直接写入key-value数据库,这样每个车辆或者每个人脸有且只能出现一次,这样就可以减少写key-value数据库的次数,减少I/O次数,从而提升性能。
(3)关系图谱构建模块,其用于周期性(比如:每周)扫描分布式key-value存储系统,查询关联次数大于或等于设定阈值的关系,并建立实体及关系图谱。
具体地,在所述关系图谱构建模块中,在分布式图数据库中建立实体及关系图谱。
其中,在所述关系图谱构建模块中,自动根据当前key-value存储中的总区间拆分为多个区间进行并行扫描。
例如:
由于key-value数据库中数据按照key有序排列,因此可以很方便的进行区间扫描,所以分布式关系图创建任务会自动根据当前key-value存储中的总区间拆分为多个区间进行并行扫描,提高I/O利用率,然后将次数大于或等于指定阈值的关系在图数据库中创建,关系包括顶点(车辆、人脸、手机)和边(关系类型和计数),写入关系到图数据库时,先判断顶点是否在图数据库中,如果不存在则写入,存在会自动跳过,然后判断边是否存在,如果存在会更新计数并写入,否则会创建新的边并写入当前类型和计数。以车辆-手机关系为例,首先判断两个顶点车辆和手机在图数据库中是否存在实体,如果不存在则创建,然后再判断车辆-手机类型的边是否存在,如果存在将当前计数更新进去,否则会创建新的关系。
(4)存储空间释放模块,其用于周期性扫描分布式key-value系统,将关联次数小于设定阈值且最近设定时间段内无更新过key删除并压缩,释放存储空间。
其中,存储空间释放即清理任务,会周期性执行,按照key的顺序扫描key-value数据库,然后将计数次数小于指定阈值的关系且更新时间距离当前时间大于过期时间阈值,则该key-value关系认为是无效关联,将从数据库中删除当前key并进行数据库的压缩释放空间,最终key-value数据库中剩下的都是有效的关系,其余的大量无效关系会被清理掉。
(5)挖掘任务执行模块,其用于基于实体及关系图谱,以执行相应挖掘任务。
例如:
全局关联度排序搜索:直接对图数据库中的边缘进行搜索,按照关联次数排序,就可以得到整个图中关联次数最多的车辆、人脸和手机的关系信息。
车辆手机关系分析:以输入的车辆信息为中心进行一度广度优先搜索,即可得到与当前车辆具有关系的手机列表,同理以输入的手机信息为中心进行一度广度优先搜索,即可得到与当前手机有关系的所有车辆列表。
人脸手机关系分析:以输入的人脸信息为中心进行一度广度优先搜索,即可得到与当前车辆具有关系的手机列表,同理以输入的手机信息为中心进行一度广度优先搜索,即可得到与当前手机有关联关系的所有人脸列表。
车辆人脸互搜:以输入的车辆信息为中心进行二度广度优先搜索,即可得到与当前车辆具有同手机关系的人脸,同理以输入的人脸信息为中心进行二度广度优先搜索,即可得到与当前人脸有同手机关系的车辆。同时输入车辆和手机进行最短路径算法,可以得到指定车辆和手机之间是否存在一条路径能够连通。
手机使用人挖掘:以输入的手机信息为中心进行一度广度优先搜索,即可得到与当前手机同时存在关系的车辆和人脸信息,说明结果中的车辆和人脸可能存在一定的关系。
关系详情查询:通过上面图数据库进行关系挖掘之后会得出具体的关系,然后可以进一步查看关系的详情信息,即两个实体之间具体在哪些位置和时间进行了关联,从而直观的查看到原始的状态,具体实现是查询实时数据库信息,搜索实体的轨迹信息,例如车辆-手机关系,则搜索一定时间范围内车辆的轨迹和手机的轨迹,均按照抓拍或采集时间戳capture_time进行排序,然后遍历车辆记录通过二分搜索算法向手机记录中执行位置插入,从而得到周围关联的手机,如果有多条记录则只认为有1次有效关联,这种详情关联的复杂度为O(nlogn),对传统的两层循环进行的优化,可以实现数十万个记录的长轨迹毫秒级比对。
此处需要说明的是,具体的图谱挖掘功能具体如上,实际应用中可根据需求进行扩容,不限于上述功能。
实施例二
如图3所示,本实施例提供了一种多维数据关联分析方法,其具体包括如下步骤:
步骤1:获取多维数据并以各自唯一标识分类存储;
步骤2:构建多维数据的关联关系,并存储至分布式key-value系统;
其中,多维数据关联统一采用编号的设备id进行关联。
具体地,首先通过经纬度的距离阈值或网格计算的方式挖掘出多维数据的映射关系,再基于该映射关系进行关联,形成设备关联映射表。
步骤3:周期性扫描分布式key-value存储系统,查询关联次数大于或等于设定阈值的关系,并建立实体及关系图谱;
在具体实施中,在分布式图数据库中建立实体及关系图谱。
在该步骤中,自动根据当前key-value存储中的总区间拆分为多个区间进行并行扫描,以提高实体及关系图谱构建效率。
步骤4:周期性扫描分布式key-value系统,将关联次数小于设定阈值且最近设定时间段内无更新过key删除并压缩,释放存储空间;
步骤5:基于实体及关系图谱,以执行相应挖掘任务。
此处需要说明的是,本实施例中的各个步骤的具体实施过程,与实施例一中的各个模块的具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的多维数据关联分析方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的多维数据关联分析方法中的步骤。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种多维数据关联分析系统,其特征在于,包括:
数据分类存储模块,其用于获取多维数据并以各自唯一标识分类存储;
关联关系构建模块,其用于构建多维数据的关联关系,并存储至分布式key-value系统;
关系图谱构建模块,其用于周期性扫描分布式key-value存储系统,查询关联次数大于或等于设定阈值的关系,并建立实体及关系图谱;
存储空间释放模块,其用于周期性扫描分布式key-value系统,将关联次数小于设定阈值且最近设定时间段内无更新过key删除并压缩,释放存储空间;
挖掘任务执行模块,其用于基于实体及关系图谱,以执行相应挖掘任务。
2.如权利要求1所述的多维数据关联分析系统,其特征在于,在所述关联关系构建模块中,多维数据关联统一采用编号的设备id进行关联。
3.如权利要求1所述的多维数据关联分析系统,其特征在于,在所述关联关系构建模块中,首先通过经纬度的距离阈值或网格计算的方式挖掘出多维数据的映射关系,再基于该映射关系进行关联,形成设备关联映射表。
4.如权利要求1所述的多维数据关联分析系统,其特征在于,在所述关系图谱构建模块中,在分布式图数据库中建立实体及关系图谱。
5.如权利要求1所述的多维数据关联分析系统,其特征在于,在所述关系图谱构建模块中,自动根据当前key-value存储中的总区间拆分为多个区间进行并行扫描。
6.一种多维数据关联分析方法,其特征在于,包括:
获取多维数据并以各自唯一标识分类存储;
构建多维数据的关联关系,并存储至分布式key-value系统;
周期性扫描分布式key-value存储系统,查询关联次数大于或等于设定阈值的关系,并建立实体及关系图谱;
周期性扫描分布式key-value系统,将关联次数小于设定阈值且最近设定时间段内无更新过key删除并压缩,释放存储空间;
基于实体及关系图谱,以执行相应挖掘任务。
7.如权利要求6所述的多维数据关联分析方法,其特征在于,多维数据关联统一采用编号的设备id进行关联;
或在分布式图数据库中建立实体及关系图谱。
8.如权利要求6所述的多维数据关联分析方法,其特征在于,自动根据当前key-value存储中的总区间拆分为多个区间进行并行扫描。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求6-8中任一项所述的多维数据关联分析方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求7-8中任一项所述的多维数据关联分析方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111642055.9A CN114491061A (zh) | 2021-12-29 | 2021-12-29 | 一种多维数据关联分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111642055.9A CN114491061A (zh) | 2021-12-29 | 2021-12-29 | 一种多维数据关联分析系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114491061A true CN114491061A (zh) | 2022-05-13 |
Family
ID=81507688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111642055.9A Pending CN114491061A (zh) | 2021-12-29 | 2021-12-29 | 一种多维数据关联分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491061A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092169A (zh) * | 2023-04-04 | 2023-05-09 | 南京小唐安朴科技有限公司 | 一种以采集频率与范围为权重的数据关联度计算方法 |
-
2021
- 2021-12-29 CN CN202111642055.9A patent/CN114491061A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092169A (zh) * | 2023-04-04 | 2023-05-09 | 南京小唐安朴科技有限公司 | 一种以采集频率与范围为权重的数据关联度计算方法 |
CN116092169B (zh) * | 2023-04-04 | 2023-06-20 | 南京小唐安朴科技有限公司 | 一种以采集频率与范围为权重的数据关联度计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2263180B1 (en) | Indexing large-scale gps tracks | |
Deng et al. | Trajectory indexing and retrieval | |
CN103092867B (zh) | 一种数据管理方法及系统、数据分析装置 | |
US9720986B2 (en) | Method and system for integrating data into a database | |
Uddin et al. | Finding regions of interest from trajectory data | |
CN109634946B (zh) | 一种基于大数据挖掘的轨迹智能匹配关联分析方法 | |
CN104239377A (zh) | 跨平台的数据检索方法及装置 | |
CN109325062B (zh) | 一种基于分布式计算的数据依赖挖掘方法及系统 | |
CN1992632A (zh) | 一种通信网络告警方法以及告警系统 | |
CN113297135A (zh) | 数据处理方法以及装置 | |
CN113946575A (zh) | 时空轨迹数据处理方法、装置、电子设备及存储介质 | |
KR20180126792A (ko) | 분산인메모리기반 복합형스트림 데이터처리시스템 및 방법 | |
CN114491061A (zh) | 一种多维数据关联分析系统及方法 | |
Belhassena et al. | Trajectory big data processing based on frequent activity | |
Yadamjav et al. | Querying recurrent convoys over trajectory data | |
CN108182230B (zh) | 基于位向量四叉树的移动对象汇聚模式挖掘方法 | |
US20160078071A1 (en) | Large scale offline retrieval of machine operational information | |
CN104778355A (zh) | 基于广域分布交通系统的异常轨迹检测方法 | |
KR101331350B1 (ko) | 데이터 큐브를 이용한 대용량 시계열 데이터 관리 방법 | |
CN109471907B (zh) | 一种基于卡口数据的行车规律分析系统和方法 | |
Shang et al. | VID join: Mapping trajectories to points of interest to support location-based services | |
CN112182121B (zh) | 一种涉车关系发现方法、装置、设备和介质 | |
Cao et al. | A grid-based clustering method for mining frequent trips from large-scale, event-based telematics datasets | |
Akasapu et al. | Efficient trajectory pattern mining for both sparse and dense dataset | |
CN113051360B (zh) | 一种相似轨迹的确定方法、装置、计算机设备及存储介质 |
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 |