CN116665448A - 一种基于图卷积网络的交通速度实时预测方法及系统 - Google Patents

一种基于图卷积网络的交通速度实时预测方法及系统 Download PDF

Info

Publication number
CN116665448A
CN116665448A CN202310689573.9A CN202310689573A CN116665448A CN 116665448 A CN116665448 A CN 116665448A CN 202310689573 A CN202310689573 A CN 202310689573A CN 116665448 A CN116665448 A CN 116665448A
Authority
CN
China
Prior art keywords
graph
space
information
network
global
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
Application number
CN202310689573.9A
Other languages
English (en)
Inventor
康厅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Pulan Robot Co ltd
Original Assignee
Shenzhen Pulan Robot Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Pulan Robot Co ltd filed Critical Shenzhen Pulan Robot Co ltd
Priority to CN202310689573.9A priority Critical patent/CN116665448A/zh
Publication of CN116665448A publication Critical patent/CN116665448A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明适用智能交通技术领域，提供了一种基于图卷积网络的交通速度实时预测方法及系统，本方法的目的在于通过构建空间图和语义图，并将空间图和语义图分为全局和局部两个维度作为模型的输入，实现了对整个交通拓扑图中全局信息和局部信息的多层次捕获，便于将节点间的相似性融入算法中，有利于优化模型，提高算法性能。

Description

一种基于图卷积网络的交通速度实时预测方法及系统
技术领域
本发明属于智能交通技术领域，尤其涉及一种基于图卷积网络的交通速度实时预测方法及系统。
背景技术
随着人们对交通问题的关注，城市道路网络中的智能交通已经迅速成为了一个重要的研究课题。其中，交通速度预测是智能交通系统中的一个重要组成部分。交通预测是分析城市交通路网中车辆流的流量密度、流量速度等类似的交通状态，也是挖掘现代城市交通模式、预测现代城市中道路交通趋势的过程。交通预测既可以为城市交通管理者提前感知交通拥堵和在关键时刻限制城市进出入车辆提供科学依据，还可以为城市出行者如何选择合理的出行路线、提高出行效率提供安全保障。
简单来说，交通速度预测的目的就是根据城市交通路网中由传感器或者检测器收集的历史交通速度数据来结合现实中现代城市交通路网的物理拓扑结构的情况去预测未来此城市交通路网的交通状态。根据预测的未来交通状态来对未来可能出现的交通问题进行提前干预，可以给现代城市建设的规划带来一定的积极参考意义。
在城市路网中，某些区域附近的道路存在相似的交通模式，如各个商业区附近的道路，无论地理距离远近，都具有相似的交通模式，如果把每一个交通传感器看成一个节点，那么这些节点之间的相似性可以提供丰富的信息，有助于优化算法模型，提高交通速度预测算法的性能。但是，由于这些区域的相关性无法在空间图形中表现出来，导致这些节点之间的相似性无法融入交通速度预测算法中。
发明内容
本发明的目的在于提供一种基于图卷积网络的交通速度实时预测方法及系统。旨在解决在交通速度预测中，由于某些区域的相关性无法在空间图形中表现出来，导致节点之间的相似性无法融入交通速度预测算法中用以提高算法的性能的问题。
一方面，本发明提供了一种移基于图卷积网络的交通速度实时预测方法，所述方法包括以下步骤：
根据所述城市路网中道路之间的空间信息构建空间图即全局空间图，并从所述全局空间图中分解出局部空间图；
通过所述空间信息中背后潜在的语义相关关系构建语义图即全局语义图，并从所述全局语义图中分解出局部语义图；
将所述全局空间图和局部空间图分别依次送入时空注意模块、由图卷积模块和卷积模块组成的复合卷积模块和门控递归单元，获得第一信息；将所述全局语义图和局部语义图，分别依次送入时空注意模块、由图卷积模块和卷积模块组成的复合卷积模块和门控递归单元，获得第二信息；
将所述第一信息和所述第二信息进行融合获得预测数据信息。
进一步地，所述空间图的构建包括如下步骤：
将城市路网中的每一条道路作为一个节点，将所有道路依次建模为总数为n个的无向图节点，用V表示所述节点的集合，表达式为：
V＝{V1,V2,V3,…,Vn-1,Vn}，
城市交通网络中道路之间的空间信息表示为：
G＝{V,E}
空间图定义为：
G＝{V,E}。
进一步地，所述语义图的定义为：
S(i,j)＝SE(xi,yj)
其中，SE(xi,yj)语义空间图代表对图网络中任意两个不同节点的两个等长时间序列的相似度，xi和yi分别是图网络中任意两个不同节点的两个等长时间序列，w1是对应维度的可学习矩阵，da是图网络中任意两个不同节点的距离。
进一步地，所述时空注意模块定义为：
Att＝Vs·σ((xtw1)w2(w3xt)T+b1)
其中，σ为sigmoid函数，w1和w2和w3均为对应维度的可学习矩阵；xt为交通速度数据；b1为对应维度的可学习参数。
进一步地，所述复合卷积模块定义包括，
Conv＝Relu(GCN·W5+b3)
其中，σ为sigmoid函数，Relu为Relu函数；w4和w5均为对应维度的可学习矩阵；xt为交通速度数据；b2和b3为对应维度的可学习参数。
进一步地，所述的定义为：
其中，A为邻接矩阵，I为单位矩阵，为度矩阵。
进一步地，在训练过程中，对预测数据信息和真实的预测数据信息进行L2损失函数计算并采用Adam优化器训练模型。
另一方面，本文还提供了一种基于图卷积网络的交通速度实时预测系统，所述系统包括：
空间图构建模块，用于根据所述城市路网中道路之间的空间信息构建空间图即全局空间图，并从所述全局空间图中分解出局部空间图；
语义图构建模块，用于通过所述空间信息中背后潜在的语义相关关系构建语义图即全局语义图，并从所述全局语义图中分解出局部语义图；
计算模块，用于将所述全局空间图和局部空间图分别依次送入时空注意模块、由图卷积模块和卷积模块组成的复合卷积模块和门控递归单元，获得第一信息；将所述全局语义图和局部语义图，分别依次送入时空注意模块、由图卷积模块和卷积模块组成的复合卷积模块和门控递归单元，获得第二信息；
信息融合模块，用于将所述第一信息和所述第二信息进行融合获得预测数据信息。
本发明的有益效果：本发明针对某些区域的相关性无法在空间图形中表现出来，导致节点之间的相似性无法融入交通速度预测算法中用以提高算法性能的问题，提出了一种基于图卷积网络的交通速度实时预测方法及系统，本发明根据城市路网的空间信息构建空间图，根据空间信息中背后潜在的语义相关关系构建语义图，将空间图和语义图分为全局和局部两个维度作为模型的输入进行计算，实现了对整个交通拓扑图中全局信息和局部信息的多层次捕获，便于将节点间的相似性融入算法中，有利于优化模型，提高算法性能。
附图说明
图1是本发明实施例1提供的基于图卷积网络的交通速度实时预测方法的流程图；
图2是本发明实施例2提供的基于图卷积网络的交通速度实时预测系统的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例1：
图1示出了本发明实施例提供的基于图卷积网络的交通速度实时预测方法的实现流程，为了便于说明，仅示出了与本发明实施例1相关的部分，详述如下：
步骤S1、根据城市路网中道路之间的空间信息构建空间图GraphA即全局空间图Globle GraphA，并从全局空间图Globle GraphA中分解出局部空间图Local GraphA；
空间图GraphA的构建包括如下步骤：
将城市路网中的每一条道路作为一个节点，将所有道路依次建模为总数为n个的无向图节点，用V表示节点的集合，表达式为：
V＝{V1,V2,V3,…,Vn-1,Vn}，
城市交通网络中道路之间的空间信息表示为：
G＝{V,E}
空间图GraphA定义为：
G＝{V,E}。
步骤S2、通过空间信息中背后潜在的语义相关关系构建语义图Graph B即全局语义图Globle Graph B，并从全局语义图Globle Graph B中分解出局部语义图Local GraphB；
语义图Graph B的定义为：
S(i,j)＝SE(xi,yj)
其中，SE(xi,yj)语义空间图代表对图网络中任意两个不同节点的两个等长时间序列的相似度，xi和yi分别是图网络中任意两个不同节点的两个等长时间序列，w1是对应维度的可学习矩阵，da是图网络中任意两个不同节点的距离。
步骤S3、将全局空间图和局部空间图分别依次送入时空注意模块、由图卷积模块和卷积模块组成的复合卷积模块和门控递归单元，通过全连接矩阵变换维度后获得第一信息；将全局语义图和局部语义图，分别依次送入时空注意模块、由图卷积模块和卷积模块组成的复合卷积模块和门控递归单元，通过全连接矩阵变换维度后获得第二信息；
时空注意模块的定义为：
Att＝Vs·σ((xtw1)w2(w3xt)T+b1)
其中，σ为sigmoid函数，w1和w2和w3均为对应维度的可学习矩阵；xt为交通速度数据；b1为对应维度的可学习参数。
复合卷积模块定义包括，
Conv＝Relu(GCN·W5+b3)
其中，σ为sigmoid函数，Relu为Relu函数；w4和w5均为对应维度的可学习矩阵；xt为交通速度数据；b2和b3为对应维度的可学习参数。
进一步地，的定义为：
其中，A为邻接矩阵，I为单位矩阵，为度矩阵。
步骤S4、将第一信息和第二信息进行融合获得预测数据信息。
进一步地，在训练过程中，对预测数据信息和真实的预测数据信息进行L2损失函数计算并采用Adam优化器训练模型。
实施例2：
如图2所示，本文还提供了基于图卷积网络的交通速度实时预测系统，该系统包括：
空间图构建模块M1，用于根据城市路网中道路之间的空间信息构建空间图即全局空间图，并从全局空间图中分解出局部空间图；
语义图构建模块M2，用于通过空间信息中背后潜在的语义相关关系构建语义图即全局语义图，并从全局语义图中分解出局部语义图；
计算模块M3，用于将全局空间图和局部空间图分别依次送入时空注意模块、由图卷积模块和卷积模块组成的复合卷积模块和门控递归单元，通过全连接矩阵变换维度后获得第一信息；将全局语义图和局部语义图，分别依次送入时空注意模块、由图卷积模块和卷积模块组成的复合卷积模块和门控递归单元，通过全连接矩阵变换维度后获得第二信息；
信息融合模块M4，用于将第一信息和第二信息进行融合获得预测数据信息。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于图卷积网络的交通速度实时预测方法，其特征在于，所述方法包括：
根据所述城市路网中道路之间的空间信息构建空间图即全局空间图，并从所述全局空间图中分解出局部空间图；
通过所述空间信息中背后潜在的语义相关关系构建语义图即全局语义图，并从所述全局语义图中分解出局部语义图；
将所述全局空间图和局部空间图分别依次送入时空注意模块、由图卷积模块和卷积模块组成的复合卷积模块和门控递归单元，获得第一信息；将所述全局语义图和局部语义图，分别依次送入时空注意模块、由图卷积模块和卷积模块组成的复合卷积模块和门控递归单元，获得第二信息；
将所述第一信息和所述第二信息进行融合获得预测数据信息。
2.根据权利要求1所述的基于图卷积网络的交通速度实时预测方法，其特征在于，所述全局空间图的构建包括如下步骤：
将城市路网中的每一条道路作为一个节点，将所有道路依次建模为总数为n个的无向图节点，用V表示所述节点的集合，表达式为：
V＝{V1,V2,V3,…,Vn-1,Vn}，
城市交通网络中道路之间的空间信息表示为：
G＝{V,E}
全局空间图定义为：
G＝{V,E}。
3.根据权利要求2所述的基于图卷积网络的交通速度实时预测方法，其特征在于，所述全局语义图的定义为：
S(i,j)＝SE(xi,yj)
其中，SE(xi,yj)语义空间图代表对图网络中任意两个不同节点的两个等长时间序列的相似度，xi和yi分别是图网络中任意两个不同节点的两个等长时间序列，w1是对应维度的可学习矩阵，da是图网络中任意两个不同节点的距离。
4.根据权利要求1所述的基于图卷积网络的交通速度实时预测方法，其特征在于，所述时空注意模块定义为：
Att＝Vs·σ((xtw1)w2(w3xt)T+b1)
其中，σ为sigmoid函数，w1和w2和w3均为对应维度的可学习矩阵；xt为交通速度数据；b1为对应维度的可学习参数。
5.根据权利要求1所述的基于图卷积网络的交通速度实时预测方法，其特征在于，所述复合卷积模块定义包括，
Conv＝Relu(GCN·W5+b3)
其中，σ为sigmoid函数，Relu为Relu函数；w4和w5均为对应维度的可学习矩阵；xt为交通速度数据；b2和b3为对应维度的可学习参数。
6.根据权利要求5所述的基于图卷积网络的交通速度实时预测方法，其特征在于，所述的定义为：
其中，A为邻接矩阵，I为单位矩阵，为度矩阵。
7.根据权利要求1所述的基于图卷积网络的交通速度实时预测方法，其特征在于，在训练过程中，对预测数据信息和真实的预测数据信息进行L2损失函数计算并采用Adam优化器训练模型。
8.一种基于图卷积网络的交通速度实时预测系统，其特征在于，包括以下模块：
空间图构建模块，用于根据所述城市路网中道路之间的空间信息构建空间图即全局空间图，并从所述全局空间图中分解出局部空间图；
语义图构建模块，用于通过所述空间信息中背后潜在的语义相关关系构建语义图即全局语义图，并从所述全局语义图中分解出局部语义图；
计算模块，用于将所述全局空间图和局部空间图分别依次送入时空注意模块、由图卷积模块和卷积模块组成的复合卷积模块和门控递归单元，获得第一信息；将所述全局语义图和局部语义图，分别依次送入时空注意模块、由图卷积模块和卷积模块组成的复合卷积模块和门控递归单元，获得第二信息；
信息融合模块，用于将所述第一信息和所述第二信息进行融合获得预测数据信息。
CN202310689573.9A 2023-06-12 2023-06-12 一种基于图卷积网络的交通速度实时预测方法及系统 Pending CN116665448A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310689573.9A CN116665448A (zh) 2023-06-12 2023-06-12 一种基于图卷积网络的交通速度实时预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310689573.9A CN116665448A (zh) 2023-06-12 2023-06-12 一种基于图卷积网络的交通速度实时预测方法及系统

Publications (1)

Publication Number Publication Date
CN116665448A true CN116665448A (zh) 2023-08-29

Family

ID=87709444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310689573.9A Pending CN116665448A (zh) 2023-06-12 2023-06-12 一种基于图卷积网络的交通速度实时预测方法及系统

Country Status (1)

Country Link
CN (1) CN116665448A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117485115A (zh) * 2023-11-02 2024-02-02 广州市双宝电子科技股份有限公司 一种新能源汽车用限速装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117485115A (zh) * 2023-11-02 2024-02-02 广州市双宝电子科技股份有限公司 一种新能源汽车用限速装置
CN117485115B (zh) * 2023-11-02 2024-05-28 广州市双宝电子科技股份有限公司 一种新能源汽车用限速装置

Similar Documents

Publication Publication Date Title
Xie et al. Urban flow prediction from spatiotemporal data using machine learning: A survey
Yin et al. Deep learning on traffic prediction: Methods, analysis, and future directions
Yuan et al. A survey of traffic prediction: from spatio-temporal data to intelligent transportation
Liu et al. Contextualized spatial–temporal network for taxi origin-destination demand prediction
An et al. A novel fuzzy-based convolutional neural network method to traffic flow prediction with uncertain traffic accident information
CN112489426B (zh) 一种基于图卷积神经网络的城市交通流量时空预测方案
Xiao et al. Predicting urban region heat via learning arrive-stay-leave behaviors of private cars
CN114692984B (zh) 基于多步耦合图卷积网络的交通预测方法
CN113538910A (zh) 一种自适应的全链条城市区域网络信号控制优化方法
Liu et al. Fedgru: Privacy-preserving traffic flow prediction via federated learning
CN113762338B (zh) 一种基于多重图注意力机制的交通流预测方法、设备及介质
CN115691137B (zh) 一种基于因果马尔科夫模型的多模态数据预测方法
CN113065074A (zh) 一种基于知识图谱和自注意力机制的轨迹目的地预测的方法
Modi et al. Multistep traffic speed prediction: A deep learning based approach using latent space mapping considering spatio-temporal dependencies
Zeng et al. Deep spatio-temporal neural network based on interactive attention for traffic flow prediction
Xu et al. Adaptive spatiotemporal dependence learning for multi-mode transportation demand prediction
CN113283581A (zh) 多融合图网络协同多通道注意力模型及其应用和应用方法
Huang et al. A multi-mode traffic flow prediction method with clustering based attention convolution LSTM
Dai et al. Spatio-temporal deep learning framework for traffic speed forecasting in IoT
Song et al. Learn travel time distribution with graph deep learning and generative adversarial network
CN116665448A (zh) 一种基于图卷积网络的交通速度实时预测方法及系统
Lee et al. A dual attention-based recurrent neural network for short-term bike sharing usage demand prediction
Chen et al. Prediction of Public Bus Passenger Flow Using Spatial–Temporal Hybrid Model of Deep Learning
Zhang et al. Boosted trajectory calibration for traffic state estimation
Hu et al. Multi-source information fusion based dlaas for traffic flow prediction

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