JP2013065084A - 予測方法及び予測プログラム - Google Patents
予測方法及び予測プログラム Download PDFInfo
- Publication number
- JP2013065084A JP2013065084A JP2011202102A JP2011202102A JP2013065084A JP 2013065084 A JP2013065084 A JP 2013065084A JP 2011202102 A JP2011202102 A JP 2011202102A JP 2011202102 A JP2011202102 A JP 2011202102A JP 2013065084 A JP2013065084 A JP 2013065084A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- prediction model
- model
- filter
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 230000008569 process Effects 0.000 claims abstract description 65
- 238000011156 evaluation Methods 0.000 claims abstract description 55
- 238000006243 chemical reaction Methods 0.000 claims abstract description 28
- 230000004044 response Effects 0.000 claims description 46
- 238000005259 measurement Methods 0.000 claims description 13
- 238000000611 regression analysis Methods 0.000 claims description 10
- 230000000670 limiting effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 24
- 238000012545 processing Methods 0.000 description 24
- 230000036961 partial effect Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 13
- 238000001914 filtration Methods 0.000 description 10
- 238000007477 logistic regression Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 230000001965 increasing effect Effects 0.000 description 7
- 239000002609 medium Substances 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000007476 Maximum Likelihood Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【解決手段】第2パワーフィルタ適用手段24が、フィルタパラメータに基づいて、ソフトウェアメトリクスの値にパワー変換を適用して、説明変数を生成し、予測モデル適用手段26が、説明変数と予測モデルとを用いて、二値の判別又は数値を予測する。また、フィルタパラメータ決定手段14が、メトリクスの過去の値に基づいて、フィルタパラメータを決定し、予測モデル学習手段18が、予測モデルの評価値を求め、当該評価値に基づいて、予測モデル適用手段で用いる予測モデルパラメータを決定する。この場合、フィルタパラメータ決定手段は、予測モデルの評価値が適正な方向に変化するようにフィルタパラメータを更新する処理を繰り返し、パワーフィルタ適用手段は、評価値が適正な方向に変化しなくなったときのフィルタパラメータを用いる。
【選択図】図2
Description
以下、ソフトウェアの障害予測装置100の一実施形態について、図1〜図18に基づいて詳細に説明する。図1には、ソフトウェアの障害予測装置100のハードウェア構成が示されている。図1に示すように、障害予測装置100は、CPU90、ROM92、RAM94、表示部93、入力部95、記憶部(ここではHDD(Hard Disk Drive))96、及び可搬型記憶媒体用ドライブ99等を備えており、障害予測装置100の構成各部は、バス98に接続されている。表示部93は、液晶ディスプレイ等を含み、入力部95は、キーボード、マウス等を含む。障害予測装置100では、ROM92あるいはHDD96に格納されているプログラム(予測プログラム)、或いは可搬型記憶媒体用ドライブ99が可搬型記憶媒体91から読み取ったプログラム(予測プログラム)をCPU90が実行することにより、図2の各部の機能が実現される。
まず、予測モデル作成手段10の各手段(第1メトリクス計測手段12、フィルタパラメータ決定手段14、第1パワーフィルタ適用手段16、予測モデル学習手段18)について詳細に説明する。
次に、図2に示す予測手段20の各手段(第2メトリクス計測手段22、第2パワーフィルタ適用手段24、予測モデル適用手段26)について詳細に説明する。
(a) モデルパラメータ決定手段52は、パワー係数決定手段48から、モデルBを表現するデータ(予測モデルパラメータ76と同形式のデータ)を受け取る。
(b) 次いで、モデルパラメータ決定手段52は、第1パワーフィルタ適用手段16から、メトリクスに対しフィルタが適用された出力値を説明変数データとして受け取る。
(c) 次いで、モデルパラメータ決定手段52は、過去障害情報DB32から、障害情報データを応答変数データとして受け取る。
(d) 次いで、モデルパラメータ決定手段52は、予測モデルのパラメータを決定する。この場合、式(1)について、説明変数がn個あるとして、それらをx1〜xnで表し、それに対応する偏回帰係数をa1〜anで表し、切片をa0で表すとする。そして、モデルパラメータ決定手段52は、与えられた説明変数データと応答変数データから式(1)の偏回帰係数a0〜anを既知の技術で求める。既知の技術としては、最尤推定法を用いることができる。すなわち、モデルの仮定の下で、応答変数の実測値が発生する確率(尤度)を最大にするよう、偏回帰係数a0〜anを推定することができる。なお、最尤推定法の実施には反復再重み付け最小二乗法(Iteratively Reweighted Least Square method;IRLS法)を用いるものとする。なお、IRLS法の詳細については、文献(P. J. Green, "Iteratively reweighted least squares for maximum likelihood estimation, and some robust and resistant alternatives", Journal of Royal Statistical Society B46, 149-192, 1984. URL: http://www.jstor.org/pss/2345503)に記載されている。
(e) 次いで、モデルパラメータ決定手段52は、上記において定まる値(各偏回帰係数a0〜anの値を含む予測モデルパラメータ76と同形式のデータと、予測モデルの最大尤度)を応答として、フィルタパラメータ決定手段14に返す。
以上のようにして、モデルパラメータ決定手段52からの応答を受け取ると、パワー係数決定手段48は、次の処理に移行する。
以下、第2の実施形態について説明する。本第2の実施形態は、工数予測を行うための工数予測装置100’に関するものである。図19には、工数予測装置100’の構成(機能ブロック図)が概略的に示されている。
(付記1) フィルタパラメータに基づいて、ソフトウェアメトリクスの値にパワー変換を適用して、説明変数を生成するパワーフィルタ適用工程と、
前記説明変数と予測モデルとを用いて、二値の判別又は数値を予測する予測モデル適用工程と、
前記フィルタパラメータを決定するフィルタパラメータ決定工程と、
前記予測モデルの評価値を求め、当該評価値に基づいて、前記予測モデル適用工程で用いる予測モデルパラメータを決定する予測モデル学習工程と、をコンピュータが実行し、
前記フィルタパラメータ決定工程では、前記予測モデルの評価値が適正な方向に変化するようにフィルタパラメータを更新する処理を繰り返し、
前記パワーフィルタ適用工程では、前記評価値が適正な方向に変化しなくなったときのフィルタパラメータを用いることを特徴とする予測方法。
(付記2) ソフトウェアの各種情報からソフトウェアメトリクスの値を計測するメトリクス計測工程を、前記コンピュータが更に実行し、
前記予測モデル学習工程では、ソフトウェアメトリクスの値にパワー変換を適用したものを説明変数とし、前記二値又は数値の過去の値を応答変数として予測モデルパラメータを決定することを特徴とする付記1に記載の予測方法。
(付記3) 前記フィルタパラメータ決定工程では、前記フィルタパラメータのとりうる値に制限をかけて前記フィルタパラメータを決定することを特徴とする付記1又は2に記載の予測方法。
(付記4) 前記二値は、障害の有無を示す二値を含むことを特徴とする付記1〜3のいずれかに記載の予測方法。
(付記5) 前記数値は、前記ソフトウェアを変更する工数を含むことを特徴とする付記1〜3のいずれかに記載の予測方法。
(付記6) 前記予測モデルとして回帰分析を用いることを特徴とする付記1〜5のいずれかに記載の予測方法。
(付記7) 前記予測モデルの評価値として、赤池情報量基準(AIC)を用いることを特徴とする付記1〜6のいずれかに記載の予測方法。
(付記8) フィルタパラメータに基づいて、ソフトウェアメトリクスの値にパワー変換を適用して、説明変数を生成し、
前記説明変数と予測モデルとを用いて、二値の判別又は数値を予測し、
前記説明変数を生成する処理で用いる前記フィルタパラメータを決定し、
前記予測モデルの評価値を求め、当該評価値に基づいて、前記予測する処理で用いる予測モデルパラメータを決定する、処理をコンピュータに実行させ、
前記フィルタパラメータを決定する処理では、前記予測モデルの評価値が適正な方向に変化するようにフィルタパラメータを更新する処理を繰り返し、
前記パワー変換では、前記評価値が適正な方向に変化しなくなったときのフィルタパラメータを用いることを特徴とする予測プログラム。
(付記9) ソフトウェアの各種情報からソフトウェアメトリクスの値を計測する処理を、前記コンピュータに更に実行させ、
前記予測モデルパラメータを決定する処理では、ソフトウェアメトリクスの値にパワー変換を適用したものを説明変数とし、前記二値又は数値の過去の値を応答変数として予測モデルパラメータを決定することを特徴とする付記8に記載の予測プログラム。
(付記10) 前記フィルタパラメータを決定する処理では、前記フィルタパラメータのとりうる値に制限をかけて前記フィルタパラメータを決定することを特徴とする付記8又は9に記載の予測プログラム。
(付記11) 前記二値は、障害の有無を示す二値を含むことを特徴とする付記8〜10のいずれかに記載の予測プログラム。
(付記12) 前記数値は、前記ソフトウェアを変更する工数を含むことを特徴とする付記8〜10のいずれかに記載の予測プログラム。
(付記13) 前記予測モデルとして回帰分析を用いることを特徴とする付記8〜12のいずれかに記載の予測プログラム。
(付記14) 前記予測モデルの評価値として、赤池情報量基準(AIC)を用いることを特徴とする付記8〜13のいずれかに記載の予測プログラム。
14 フィルタパラメータ決定手段
18 予測モデル学習手段
24 第2パワーフィルタ適用手段
26 予測モデル適用手段
90 CPU(コンピュータ)
Claims (8)
- フィルタパラメータに基づいて、ソフトウェアメトリクスの値にパワー変換を適用して、説明変数を生成するパワーフィルタ適用工程と、
前記説明変数と予測モデルとを用いて、二値の判別又は数値を予測する予測モデル適用工程と、
前記フィルタパラメータを決定するフィルタパラメータ決定工程と、
前記予測モデルの評価値を求め、当該評価値に基づいて、前記予測モデル適用工程で用いる予測モデルパラメータを決定する予測モデル学習工程と、をコンピュータが実行し、
前記フィルタパラメータ決定工程では、前記予測モデルの評価値が適正な方向に変化するようにフィルタパラメータを更新する処理を繰り返し、
前記パワーフィルタ適用工程では、前記評価値が適正な方向に変化しなくなったときのフィルタパラメータを用いることを特徴とする予測方法。 - ソフトウェアの各種情報からソフトウェアメトリクスの値を計測するメトリクス計測工程を、前記コンピュータが更に実行し、
前記予測モデル学習工程では、ソフトウェアメトリクスの値にパワー変換を適用したものを説明変数とし、前記二値又は数値の過去の値を応答変数として予測モデルパラメータを決定することを特徴とする請求項1に記載の予測方法。 - 前記フィルタパラメータ決定工程では、前記フィルタパラメータのとりうる値に制限をかけて前記フィルタパラメータを決定することを特徴とする請求項1又は2に記載の予測方法。
- 前記二値は、障害の有無を示す二値を含むことを特徴とする請求項1〜3のいずれか一項に記載の予測方法。
- 前記数値は、前記ソフトウェアを変更する工数を含むことを特徴とする請求項1〜3のいずれか一項に記載の予測方法。
- 前記予測モデルとして、回帰分析を用いることを特徴とする請求項1〜5のいずれか一項に記載の予測方法。
- 前記予測モデルの評価値として、赤池情報量基準(AIC)を用いることを特徴とする請求項1〜6のいずれか一項に記載の予測方法。
- フィルタパラメータに基づいて、ソフトウェアメトリクスの値にパワー変換を適用して、説明変数を生成し、
前記説明変数と予測モデルとを用いて、二値の判別又は数値を予測し、
前記説明変数を生成する処理で用いる前記フィルタパラメータを決定し、
前記予測モデルの評価値を求め、当該評価値に基づいて、前記予測する処理で用いる予測モデルパラメータを決定する、処理をコンピュータに実行させ、
前記フィルタパラメータを決定する処理では、前記予測モデルの評価値が適正な方向に変化するようにフィルタパラメータを更新する処理を繰り返し、
前記パワー変換では、前記評価値が適正な方向に変化しなくなったときのフィルタパラメータを用いることを特徴とする予測プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011202102A JP5803469B2 (ja) | 2011-09-15 | 2011-09-15 | 予測方法及び予測プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011202102A JP5803469B2 (ja) | 2011-09-15 | 2011-09-15 | 予測方法及び予測プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013065084A true JP2013065084A (ja) | 2013-04-11 |
JP5803469B2 JP5803469B2 (ja) | 2015-11-04 |
Family
ID=48188557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011202102A Expired - Fee Related JP5803469B2 (ja) | 2011-09-15 | 2011-09-15 | 予測方法及び予測プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5803469B2 (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018186090A1 (ja) * | 2017-04-06 | 2018-10-11 | テンソル・コンサルティング株式会社 | モデル変数候補生成装置および方法 |
CN110033113A (zh) * | 2017-12-18 | 2019-07-19 | 株式会社日立制作所 | 信息处理系统及信息处理系统的学习方法 |
KR20200107392A (ko) * | 2019-03-07 | 2020-09-16 | 남서울대학교 산학협력단 | 비선형 회귀 모형 기반 소프트웨어 고장 시간의 예측 방법 및 컴퓨터 판독 가능 기록 매체 |
CN112231127A (zh) * | 2020-09-22 | 2021-01-15 | 深圳市裕展精密科技有限公司 | 电子装置及用于分析设备可靠度的方法 |
JP2022037107A (ja) * | 2017-12-11 | 2022-03-08 | 日本電気株式会社 | 障害分析装置、障害分析方法および障害分析プログラム |
US11586981B2 (en) | 2017-12-11 | 2023-02-21 | Nec Corporation | Failure analysis device, failure analysis method, and failure analysis program |
-
2011
- 2011-09-15 JP JP2011202102A patent/JP5803469B2/ja not_active Expired - Fee Related
Non-Patent Citations (8)
Title |
---|
CSNG201000116012; 片山真一他: 'ソフトウェアタグを用いた設計文書メトリクスからの低品質モジュールの予測' 電子情報通信学会技術研究報告 Vol.109 No.343 第109巻 第343号, 20091210, 67〜72頁, 社団法人電気情報通信学会 * |
CSNG201000186011; 藤本達也他: 'メトリクス値の標準化によるfault-proneモジュール判別モデルの精度向上' 情報処理学会研究報告 平成21年度▲4▼ [CD-ROM] , 20091215, 1〜6頁, 社団法人情報処理学会 * |
CSNG201000774021; 門田 暁人 Akito Monden: 'ソフトウェア開発工数予測における線形重回帰モデル再考 Revisiting Multivariate Liner Regression Model' レクチャーノート/ソフトウェア学35 ソフトウェア工学の基礎XVI , 20091130, 237〜244頁, 株式会社近代科学社 * |
CSNG201300263002; 宮崎浩一: 'Box-Cox変換とオプション評価' 応用統計学 第34巻 第2号 第34巻 第2号, 20051225, 75〜97頁, 応用統計学会 * |
JPN6015002019; 門田 暁人 Akito Monden: 'ソフトウェア開発工数予測における線形重回帰モデル再考 Revisiting Multivariate Liner Regression Model' レクチャーノート/ソフトウェア学35 ソフトウェア工学の基礎XVI , 20091130, 237〜244頁, 株式会社近代科学社 * |
JPN6015002020; 片山真一他: 'ソフトウェアタグを用いた設計文書メトリクスからの低品質モジュールの予測' 電子情報通信学会技術研究報告 Vol.109 No.343 第109巻 第343号, 20091210, 67〜72頁, 社団法人電気情報通信学会 * |
JPN6015002021; 藤本達也他: 'メトリクス値の標準化によるfault-proneモジュール判別モデルの精度向上' 情報処理学会研究報告 平成21年度▲4▼ [CD-ROM] , 20091215, 1〜6頁, 社団法人情報処理学会 * |
JPN6015002022; 宮崎浩一: 'Box-Cox変換とオプション評価' 応用統計学 第34巻 第2号 第34巻 第2号, 20051225, 75〜97頁, 応用統計学会 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018186090A1 (ja) * | 2017-04-06 | 2018-10-11 | テンソル・コンサルティング株式会社 | モデル変数候補生成装置および方法 |
JP2018180712A (ja) * | 2017-04-06 | 2018-11-15 | テンソル・コンサルティング株式会社 | モデル変数候補生成装置および方法 |
CN110462651A (zh) * | 2017-04-06 | 2019-11-15 | 天瑟咨询有限公司 | 模型变量候补生成装置及方法 |
US11562262B2 (en) | 2017-04-06 | 2023-01-24 | Tensor Consulting Co. Ltd. | Model variable candidate generation device and method |
JP2022037107A (ja) * | 2017-12-11 | 2022-03-08 | 日本電気株式会社 | 障害分析装置、障害分析方法および障害分析プログラム |
JP7173273B2 (ja) | 2017-12-11 | 2022-11-16 | 日本電気株式会社 | 障害分析装置、障害分析方法および障害分析プログラム |
US11586981B2 (en) | 2017-12-11 | 2023-02-21 | Nec Corporation | Failure analysis device, failure analysis method, and failure analysis program |
CN110033113A (zh) * | 2017-12-18 | 2019-07-19 | 株式会社日立制作所 | 信息处理系统及信息处理系统的学习方法 |
CN110033113B (zh) * | 2017-12-18 | 2023-06-20 | 株式会社日立制作所 | 信息处理系统及信息处理系统的学习方法 |
KR20200107392A (ko) * | 2019-03-07 | 2020-09-16 | 남서울대학교 산학협력단 | 비선형 회귀 모형 기반 소프트웨어 고장 시간의 예측 방법 및 컴퓨터 판독 가능 기록 매체 |
KR102172120B1 (ko) | 2019-03-07 | 2020-10-30 | 남서울대학교 산학협력단 | 비선형 회귀 모형 기반 소프트웨어 고장 시간의 예측 방법 및 컴퓨터 판독 가능 기록 매체 |
CN112231127A (zh) * | 2020-09-22 | 2021-01-15 | 深圳市裕展精密科技有限公司 | 电子装置及用于分析设备可靠度的方法 |
Also Published As
Publication number | Publication date |
---|---|
JP5803469B2 (ja) | 2015-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10846643B2 (en) | Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models | |
US11281969B1 (en) | Artificial intelligence system combining state space models and neural networks for time series forecasting | |
US11036483B2 (en) | Method for predicting the successfulness of the execution of a DevOps release pipeline | |
JP5803469B2 (ja) | 予測方法及び予測プログラム | |
US10318874B1 (en) | Selecting forecasting models for time series using state space representations | |
US11599740B2 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
US11037096B2 (en) | Delivery prediction with degree of delivery reliability | |
US20210117839A1 (en) | Proactively predicting transaction dates based on sparse transaction data | |
TWI598812B (zh) | 判定用於軟體開發之經推薦之最佳化策略 | |
Idowu et al. | Asset management in machine learning: A survey | |
CN107516148B (zh) | 系统建模优化方法及存储介质 | |
Yang et al. | Designing fuzzy supply chain network problem by mean-risk optimization method | |
Becker | Big data usage | |
JP2020149693A (ja) | 生成装置、生成方法および生成プログラム | |
Sanyal et al. | Simulation and big data challenges in tuning building energy models | |
US20200050982A1 (en) | Method and System for Predictive Modeling for Dynamically Scheduling Resource Allocation | |
Kossmann et al. | Self-driving database systems: a conceptual approach | |
CN104182489A (zh) | 一种文本大数据的查询处理方法 | |
US10896388B2 (en) | Systems and methods for business analytics management and modeling | |
US20220027739A1 (en) | Search space exploration for deep learning | |
CA3119351A1 (en) | Extending finite rank deep kernel learning to forecasting over long time horizons | |
Hung et al. | Garch models in forecasting the volatility of the world’s oil prices | |
JPWO2009011057A1 (ja) | アプリケーション解析プログラム、アプリケーション解析方法およびアプリケーション解析装置 | |
Miller et al. | Supporting a modeling continuum in scalation: from predictive analytics to simulation modeling | |
JP2016532949A (ja) | 従来の予測子の将来的変化を予測するためにある期間にわたって精選され、分析されたデータシグナルから重大変化属性を導出するためのシステム及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140508 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20141212 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150127 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150326 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150804 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150817 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5803469 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |