CN115409563A - 一种多因素影响的农业装备库存需求预测方法 - Google Patents
一种多因素影响的农业装备库存需求预测方法 Download PDFInfo
- Publication number
- CN115409563A CN115409563A CN202211146184.3A CN202211146184A CN115409563A CN 115409563 A CN115409563 A CN 115409563A CN 202211146184 A CN202211146184 A CN 202211146184A CN 115409563 A CN115409563 A CN 115409563A
- Authority
- CN
- China
- Prior art keywords
- imf
- prediction
- steps
- algorithm
- inputting
- 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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种多因素影响的农业装备库存需求预测方法,步骤为:一、获取库存需求量和影响因素的历史数据,将影响因素历史数据进行预处理;二、利用经验模态分解算法将库存需求量历史数据自适应分解为多个不同尺度的本征模态分量imf和一个残差分量res;三、使用傅里叶变换选取具有周期性特征的imf,将res和对应的imf输入Prophet算法进行训练建模,根据此预测模型对相应的imf进行预测;四、使用主成分分析法选取剩余imf的关键影响因素,将关键影响因素作为自变量,输入DRL‑LSSVM中进行训练建模,根据此预测模型对imf进行预测;五、将上述两个预测结果进行相加求和得到最终预测结果。该方法有效提升解决季节性需求下农业装备库存需求预测的准确率,提高模型的可解释性。
Description
技术领域
本发明属于需求预测技术领域,具体的说是一种多因素影响的农业装备库存需求预测方法。
背景技术
随着技术的进步和生产方式的现代化,标准化农业装备大批量生产越来越容易,农业装备制造企业越来越难以从数量相对过剩且缺乏差异的产品上获取竞争优势,开始在注重整体效益的同时越来越注意到仓储中库存成本控制的重要性,对库存需求预测的准确性和科学性提出了更高的要求。
由于农业装备产品需求的季节性,需求高峰月份与需求低谷月份的需求量差别巨大,为应对峰时生产,需要对一些制造周期长、结构复杂的专用零部件提前建立“储备库存”,这种库存不同于普通供应链管理中由订单拉动的库存,虽然与当前订单量有关,但更取决于多因素的影响或博弈结果。传统的预测方法在实际应用时存在一定的局限性,在面对高度不稳定的经济环境时难以取得令人满意的预测效果,人工神经网络模型由于其缺少相应的经济理论支撑,导致不能解释模型的经济含义。
发明内容
本发明为解决上述问题,提供了一种多因素影响的农业装备库存需求预测方法,该方法可以有效提升解决季节性需求下库存需求预测的准确率,提高了模型的可解释性。在现有的预测技术基础上结合Prophet算法与DRL-LSSVM两种预测模型,进一步提高了算法的效率和稳定性,为后续研究提供了新的思路。
本发明通过以下技术方案来实现:
一种多因素影响的农业装备库存需求预测方法,包括如下步骤:
步骤1、通过部门数据库获取库存需求量和影响因素的历史数据,将影响因素的历史数据进行数据预处理;
步骤2、利用经验模态分解算法,将库存需求量的历史数据自适应的分解为多个不同尺度的本征模态分量imf和一个残差分量res;
步骤3、使用傅里叶变换选取具有周期性特征的imf,将res和具有周期性特征的imf输入Prophet算法进行训练建模,并根据此预测模型对具有周期性特征的imf进行预测;
步骤4、使用主成分分析法选取剩余不具有周期性特征的imf的关键影响因素,将关键影响因素作为自变量,输入DRL-LSSVM中进行训练建模,并根据此预测模型对不具有周期性特征的imf进行预测;
步骤5、将步骤3和步骤4的预测结果进行相加求和,得到最终预测结果。
进一步的,所述步骤1中影响因素具体包括:库存量、订单量、原材料价格、合格率、生产率、农机补贴政策、农民收入、燃油价格、耕地政策、粮食价格。
进一步的,所述步骤1中对影响因素的历史数据进行数据预处理具体为:对影响因素的历史数据归一化处理。
进一步的,步骤2中将库存需求量历史数据x(t)进行EMD分解,分解为:
式中,x(t)为库存需求量在t时刻的值;imf为本征模态分量,按照频率由高到低排列;res为残差分量;j为本征模态分量的个数。
进一步的,步骤3中使用傅里叶变换选取具有周期性特征的imf,具体为:使用傅里叶变换把每个imf变换到频域,频域图呈离散状态的信号即为周期性信号。
进一步的,步骤3中Prophet算法通过拟合时间序列中存在的趋势项、季节项和节假日项,并将其累加,得到最终预测结果,对Prophet算法进行训练建模,具体步骤如下:
(1)、输入时间序列的时间戳和相应的值,对模型进行训练;
(2)、将需要预测的时间序列的长度输入训练好的预测模型;
(3)、输出未来的时间序列走势,包括拟合曲线,上界和下界。
进一步的,所述步骤4中使用主成分分析法法选取剩余不具有周期性特征的imf的关键影响因素,具体为:使用主成分分析法对影响数目进行缩减,去除不必要的特征,在不丢失绝大多数信息的前提下尽可能生成解释力更强的特征,生成若干个保留原始特征大部分信息的主成分,即关键影响因素。
进一步的,所述步骤4中基于DRL-LSSVM的回归预测具体步骤如下:
(1)步骤4中根据主成分分析法得到一个m×q的主成分得分矩阵,将其作为输入数据,剩余不具有周期性特征的imf作为输出数据,输入LSSVM模型;
(2)强化学习算法中的智能体以概率P为LSSVM算法选择一组超参数λ,在训练数据集中训练算法,将预测误差作为奖赏值,并利用策略梯度算法更新策略,最终选择一组预测误差最小的超参数,得到预测模型;
(3)将待预测数据输入预测模型,输出预测结果。
进一步的,所述步骤5中对预测结果进行相加求和具体为:
式中,x(t')为库存需求量在t'时刻的预测值;imfj(t')为第j个本征模态分量在t'时刻的预测值;res(t')为残差分量在t'时刻的预测值。
本发明的有益效果在于:
(1)本发明针对农业装备库存需求预测问题的复杂性,提出了一种多因素影响的库存需求预测方法,通过经验模态分解法,将原始序列数据分解为具有不同特征的新序列,使用并根据各自特点选择不同的影响因素和预测模型进行预测,弥补了传统预测方法对于历史数据样本量的过度依赖,使预测更科学、准确的同时提高了模型的可解释性;
(2)本发明充分考虑了农业装备库存需求非线性和波动性特征和农业装备从生产到库存过程中的不确定性以及宏观因素,有利于农业装备企业合理规划生产,减少库存浪费,保证企业的高效运转。
附图说明
图1为本发明的整体流程示意图;
图2为本发明中基于强化学习的LSSVM算法超参数优化方法流程图。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述。
实施例1
一种多因素影响的农业装备库存需求预测方法,包括如下步骤:
步骤1、通过部门数据库获取库存需求量和影响因素的历史数据,将影响因素的历史数据进行数据预处理;
本步骤中,影响因素具体包括:库存量、订单量、原材料价格、合格率、生产率、农机补贴政策、农民收入、燃油价格、耕地政策、粮食价格等。
本步骤中,对影响因素的历史数据进行数据预处理具体为:对影响因素的历史数据归一化处理,为了避免量纲对方差、协方差的影响,归一化处理采用Z-score标准化方法,具体如下:
步骤2、利用经验模态分解(EMD)算法,将库存需求量的历史数据自适应的分解为多个不同尺度的本征模态分量imf和一个残差分量res,具体为:
式中,x(t)为库存需求量在t时刻的值;imf为本征模态分量,按照频率由高到低排列;res为残差分量;j为本征模态分量的个数。
本步骤中,EMD分解法具体步骤如下:
(1)根据原始信号x(t)上下极值点,利用三次样条插值函数分别画出上包络线fmax(t)、下包络线fmin(t);
(2)求上线包络线均值m(t):
(3)记h1(t)为x(t)与m(t)的差,即:
h1(t)=x(t)-m(t)
如果h1(t)满足:h1(t)的极值点个数等于零点的个数或两者相差;h1(t)上线包络线的均值为0,即上下包络线关于时间轴对称,那么h1(t)为第一个imf。若不满足,则对h1(t)重复a、b过程,直至满足上述条件,成为第一个imf,记作imf1(t);
(4)将第一个imf从原信号中取出,得到剩余部分:
x1(t)=x(t)-imf1(t)
令为x1(t)成为新的x(t),重复上述步骤,以此得到剩余imf,直到余量函数为单调函数或者小于某一阈值时停止循环,此时,便将原信号分解为了一组本征模态分量与一个残差量:
步骤3、使用傅里叶变换选取具有周期性特征的imf,将res和具有周期性特征的imf输入Prophet算法进行训练建模,并根据此预测模型对具有周期性特征的imf进行预测;
本步骤中,使用离散傅里叶变换,将imf变换到频域,求出的结果的模呈现明显等间距的谱峰,频域图呈离散状态,可认为该imf具有周期性。具体步骤为:
式中,X(k)表示傅里叶变换后的数据,x(n)为输入的imf序列。
本步骤中,Prophet算法通过拟合时间序列中存在的趋势项、季节项和节假日项,并将其累加,得到最终预测结果,其基本结构如下:
x(t)=g(t)+s(t)+h(t)+εt
式中,x(t)为库存需求量时间序列;g(t)为趋势项,表示时间序列在非周期上的变化趋势;s(t)为季节项,一般以年为单位;h(t)为节假日项,表示在当天是否存在节假日;εt为剩余项。
本步骤中,对Prophet算法进行训练建模,具体步骤如下:
(1):输入时间序列的时间戳和相应的值,对模型进行训练;
(2):将需要预测的时间序列的长度输入训练好的预测模型;
(3):输出未来的时间序列走势,包括拟合曲线,上界和下界等。
步骤4、使用主成分分析法选(PCA)取剩余不具有周期性特征的imf的关键影响因素,将关键影响因素作为自变量,输入DRL-LSSVM中进行训练建模,并根据此预测模型对不具有周期性特征的imf进行预测;
本步骤中,以影响因素作为自变量,分别以剩余的各个imf数据为因变量,使用主成分分析法分析影响因素与imf数据间的相关性,对影响数目进行一定程度的缩减,去除不必要的特征,在不丢失绝大多数信息的前提下尽可能生成解释力更强的特征,生成若干个保留原始特征大部分信息的主成分,找到各个imf的关键影响因素。主成分分析法具体步骤如下:
(1)样本矩阵获取,设影响因素数量为n,每个影响因素包含数量为q的历史数据,则构成一个n×q的样本矩阵:
式中,yij(i=1,2,...,n,j=1,2,...,q)为第i个影响因素第j时刻的指标。
(2)计算影响因素之间的相关系数矩阵:
式中,rij(i,j=1,2,...,q)为数据相关系数,rij=rji。
(3)求矩阵Rq×q的特征值λi(i=1,2,...,q),及对应的特征向量ui(i=1,2,...,q),前m个主成分的累计贡献率为:
取累计贡献率超过85%的影响因素对应的前m个主成分,将这m个主成分的成分矩阵与原始数据带入主成分表达式计算得分矩阵,并将其作为预测模型的输入矩阵。
本步骤中,LSSVM是基于SVM改进的一种算法,引入等式化约束和最小二乘损失函数的方法,将最优化问题求解变换为线性方程求解,避免了二次规划问题,在继承SVM解决小样本、非线性、强耦合问题优点的同时,降低了算法复杂度,运算速度更快。LSSVM回归预测模型准确度与惩罚系数和核函数参数密切相关,若参数选择过大、过小会出现过学习或欠学习情况,导致预测精度降低,本方法采用深度强化学习(DRL)算法,将LSSVM算法的超参数优化问题抽象为序列决策问题,分步选择待优化算法的超参数,提高搜索效率。
深度强化学习算法利用LSTM人工神经网络构建一个智能体(Agent),该智能体的目标是找到一个策略使得LSSVM预测算法误差最小化,其工作流程具体如下:每一次迭代,智能体以概率P为LSSVM算法选择一组超参数λ,在训练数据集中训练算法,将预测值的误差作为奖赏值,并利用策略梯度算法更新策略,经多次训练,智能体会以更高的概率选择误差更小的超参数配置。
基于DRL-LSSVM的回归预测具体步骤如下:
(1)步骤4中根据主成分分析法得到一个m×q的主成分得分矩阵,将其作为输入数据,剩余不具有周期性特征的imf作为输出数据,输入LSSVM模型。
(2)强化学习算法中的智能体以概率P为LSSVM算法选择一组超参数λ,在训练数据集中训练算法,将预测误差作为奖赏值,并利用策略梯度算法更新策略,最终选择一组预测误差最小的超参数,得到预测模型。
(3)将待预测数据输入预测模型,输出预测结果。
步骤5、将步骤3和步骤4的预测结果进行相加求和,得到最终预测结果,具体为:
式中,x(t')为库存需求量在t'时刻的预测值;imfj(t')为第j个本征模态分量在t'时刻的预测值;res(t')为残差分量在t'时刻的预测值。
以上显示和描述了本发明的基本原理、主要特征和优点,本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内,本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种多因素影响的农业装备库存需求预测方法,其特征在于:包括如下步骤:
步骤1、通过部门数据库获取库存需求量和影响因素的历史数据,将影响因素的历史数据进行数据预处理;
步骤2、利用经验模态分解算法,将库存需求量的历史数据自适应的分解为多个不同尺度的本征模态分量imf和一个残差分量res;
步骤3、使用傅里叶变换选取具有周期性特征的imf,将res和具有周期性特征的imf输入Prophet算法进行训练建模,并根据此预测模型对具有周期性特征的imf进行预测;
步骤4、使用主成分分析法选取剩余不具有周期性特征的imf的关键影响因素,将关键影响因素作为自变量,输入DRL-LSSVM中进行训练建模,并根据此预测模型对不具有周期性特征的imf进行预测;
步骤5、将步骤3和步骤4的预测结果进行相加求和,得到最终预测结果。
2.根据权利要求1所述的一种多因素影响的库存需求预测方法,其特征在于:所述步骤1中影响因素具体包括:库存量、订单量、原材料价格、合格率、生产率、农机补贴政策、农民收入、燃油价格、耕地政策、粮食价格。
3.根据权利要求1所述的一种多因素影响的农业装备库存需求预测方法,其特征在于:所述步骤1中对影响因素的历史数据进行数据预处理具体为:对影响因素的历史数据归一化处理。
5.根据权利要求1所述的一种多因素影响的农业装备库存需求预测方法,其特征在于:步骤3中使用傅里叶变换选取具有周期性特征的imf,具体为:使用傅里叶变换把每个imf变换到频域,频域图呈离散状态的信号即为周期性信号。
6.根据权利要求1所述的一种多因素影响的农业装备库存需求预测方法,其特征在于:步骤3中Prophet算法通过拟合时间序列中存在的趋势项、季节项和节假日项,并将其累加,得到最终预测结果,对Prophet算法进行训练建模,具体步骤如下:
(1)、输入时间序列的时间戳和相应的值,对模型进行训练;
(2)、将需要预测的时间序列的长度输入训练好的预测模型;
(3)、输出未来的时间序列走势,包括拟合曲线,上界和下界。
7.根据权利要求1所述的一种多因素影响的农业装备库存需求预测方法,其特征在于:所述步骤4中使用主成分分析法法选取剩余不具有周期性特征的imf的关键影响因素,具体为:使用主成分分析法对影响数目进行缩减,去除不必要的特征,在不丢失绝大多数信息的前提下尽可能生成解释力更强的特征,生成若干个保留原始特征大部分信息的主成分,即关键影响因素。
8.根据权利要求1所述的一种多因素影响的农业装备库存需求预测方法,其特征在于:所述步骤4中基于DRL-LSSVM的回归预测具体步骤如下:
(1)步骤4中根据主成分分析法得到一个m×q的主成分得分矩阵,将其作为输入数据,剩余不具有周期性特征的imf作为输出数据,输入LSSVM模型;
(2)强化学习算法中的智能体以概率P为LSSVM算法选择一组超参数λ,在训练数据集中训练算法,将预测误差作为奖赏值,并利用策略梯度算法更新策略,最终选择一组预测误差最小的超参数,得到预测模型;
(3)将待预测数据输入预测模型,输出预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211146184.3A CN115409563A (zh) | 2022-09-20 | 2022-09-20 | 一种多因素影响的农业装备库存需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211146184.3A CN115409563A (zh) | 2022-09-20 | 2022-09-20 | 一种多因素影响的农业装备库存需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115409563A true CN115409563A (zh) | 2022-11-29 |
Family
ID=84164996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211146184.3A Pending CN115409563A (zh) | 2022-09-20 | 2022-09-20 | 一种多因素影响的农业装备库存需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115409563A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660565A (zh) * | 2022-12-27 | 2023-01-31 | 北京京东乾石科技有限公司 | 出库数量确定方法、装置、电子设备和计算机可读介质 |
CN116843378A (zh) * | 2023-09-01 | 2023-10-03 | 阳信东泰精密金属有限公司 | 一种基于深度学习的五金配件供应预测方法及系统 |
-
2022
- 2022-09-20 CN CN202211146184.3A patent/CN115409563A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660565A (zh) * | 2022-12-27 | 2023-01-31 | 北京京东乾石科技有限公司 | 出库数量确定方法、装置、电子设备和计算机可读介质 |
CN116843378A (zh) * | 2023-09-01 | 2023-10-03 | 阳信东泰精密金属有限公司 | 一种基于深度学习的五金配件供应预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115409563A (zh) | 一种多因素影响的农业装备库存需求预测方法 | |
Devi et al. | Hourly day-ahead wind power forecasting with the EEMD-CSO-LSTM-EFG deep learning technique | |
CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN110647980A (zh) | 一种基于gru神经网络的时间序列预测方法 | |
CN111476677B (zh) | 一种基于大数据的用电类别售电量分析与预测方法及系统 | |
Poczęta et al. | Learning fuzzy cognitive maps using structure optimization genetic algorithm | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN110689190A (zh) | 一种电网负荷预测方法、装置及相关设备 | |
CN111915092A (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
Kaboli et al. | An expression-driven approach for long-term electric power consumption forecasting | |
Raju et al. | An approach for demand forecasting in steel industries using ensemble learning | |
CN112330052A (zh) | 一种配变负荷预测方法 | |
CN115907611B (zh) | 一种基于配件市场价值的配件库存管控方法 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
CN116681152A (zh) | 基于SOM-BP神经网络改进Prophet模型的短期负荷预测方法 | |
CN112990584B (zh) | 一种基于深度强化学习的自动生产决策系统及方法 | |
Xie et al. | A fuzzy ARIMA correction model for transport volume forecast | |
CN114239989A (zh) | 一种物料需求计划的计算方法、系统、设备及存储介质 | |
CN113610328A (zh) | 一种发电负荷预测方法 | |
CN113139698A (zh) | 负荷预测方法、装置及设备 | |
Lee et al. | Introducing polynomial fuzzy time series | |
CN113947432A (zh) | 一种基于周期性分解的工业产品价格短期预测方法 | |
CN110889564B (zh) | 基于mkpca-rbfnn的短期电力负荷预测方法 | |
CN114998048A (zh) | 电量变化因素分析方法、装置、计算机设备和存储介质 | |
CN113743784A (zh) | 一种基于深度强化学习的生产时序表智能生成方法 |
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 |