JP2017199362A - 非定常時系列データの予測に用いる方法及び装置 - Google Patents
非定常時系列データの予測に用いる方法及び装置 Download PDFInfo
- Publication number
- JP2017199362A JP2017199362A JP2017076562A JP2017076562A JP2017199362A JP 2017199362 A JP2017199362 A JP 2017199362A JP 2017076562 A JP2017076562 A JP 2017076562A JP 2017076562 A JP2017076562 A JP 2017076562A JP 2017199362 A JP2017199362 A JP 2017199362A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- time
- indicator
- series data
- 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
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
入力選択装置1は、各々の時間ステップで、入力選択処理を実行することにより、ニューラルネットワークの入力を動的に選択するよう構成される。入力選択処理は、各々の候補指示子が時系列データXと相関され得る、装置に入力される候補指示子I0,I1,I2,...,Inのセットについて、時系列データXの値と候補指示子セットの各々の指示子I0,I1,I2,...,Inの値との間の因果性を、所定の因果性指標(例えば、グレンジャー因果性)を用いて決定するステップと、現在の時間ステップにおいて時系列データXとの最高の相関関係を生じるよう計算される候補指示子I0,I1,I2,...,Inの指示子から、ニューラルネットワークの入力となるべき指示子J0,J1,J2,...(3個が示される)のサブセットを選択するステップと、を有する。
(付記1) 連続する時間ステップについて、現在の時間ステップに続く次の時間ステップで非定常時系列データの予測値を出力するニューラルネットワークの入力を動的に選択する、コンピュータにより実施される方法であって、前記時系列データの値は、前記現在の時間ステップまで及びそれについて知られており、前記方法は、各々の時間ステップにおいて、入力選択処理を実行するステップを有し、前記入力選択処理は、
各々の候補指示子が前記時系列データと相関し得る候補指示子セットについて、所定の因果性指標を用いて、前記時系列データの値と前記候補指示子セットの各々の指示子の値との間の因果性を決定するステップと、
前記現在の時間ステップにおいて、前記ニューラルネットワークの前記入力になるべき、前記時系列データとの最高の因果関係を生じるよう計算される前記候補指示子の指示子から、指示子サブセットを選択するステップと、
を有する、方法。
(付記2) 前記所定の因果性指標は、グレンジャーの因果性である、付記1に記載の方法。
(付記3) 現在の時間ステップに続く次の時間ステップにおいてニューラルネットワークが非定常時系列データの予測値を出力する予測サイクルを繰り返し実行する、コンピュータにより実施されるデータ予測方法であって、前記時系列データの値は、前記現在の時間ステップまで及びそれについて知られており、各々の予測サイクルで、ニューラルネットワークの前記入力は、付記1又は2に記載の方法に従い選択される、方法。
(付記4) 各々の予測サイクルで、前記ニューラルネットワークの前記入力が選択された後に、
同一の選択された入力及び出力を有する適切に訓練されたニューラルネットワークが検索のために利用可能であるか否かについて決定が行われ、
利用可能である場合、最近の過去の予測サイクルから訓練されたニューラルネットワークが、現在の予測サイクルで使用するために検索され、前記ネットワークが最後に検索されて以来、新しい入力指示子について得られたデータの任意の過去の値について更に訓練され、又は
利用可能ではない場合、所要の入力及び出力を有するニューラルネットワークが、構築され、前記時系列データの過去の値及び前記指示子サブセットの中の前記指示子に基づき訓練される、
付記3に記載の方法。
(付記5) 前記ニューラルネットワークを訓練することは、
前記指示子サブセットからの過去のm回の時間ステップのデータと前記時系列データとを、前記ニューラルネットワークの訓練セットに変換するステップであって、前記訓練セットは、n個の行を有し、各々の行は、1又は複数の時間ステップの時間枠に渡る指示子サブセットの中の前記指示子の値と該時間枠に続く時間ステップの前記時系列データの値とを表し、1つの行は最近の時間枠を表し、他の行は過去の時間枠を表し、1つの時間ステップだけ離れている、ステップと、
ニューラルネットワーク学習アルゴリズムを用いて、前記訓練セットを使用して前記ニューラルネットワークの重みを設定するステップと、
を有する、付記4に記載の方法。
(付記6) 前記ニューラルネットワークは、訓練の後に格納される、付記5に記載の方法。
(付記7) 前記ニューラルネットワークは、複数の過去の時間枠に渡り前記指示子サブセットの中の各々の指示子の値を前記ニューラルネットワークに入力することにより、前記次の時間ステップにおける前記時系列データの前記値を予測するために使用され、各々の時間枠は、1又は複数の時間ステップを有する、付記3乃至6のいずれか一項に記載の方法。
(付記8) コンピュータプログラムであって、コンピュータ上で実行すると、該コンピュータに、付記1又は2に記載の方法及び/又は付記3乃至7のいずれか一項に記載の方法を実行させる、コンピュータプログラム。
(付記9) 連続する時間ステップについて、現在の時間ステップに続く次の時間ステップで非定常時系列データの予測値を出力するニューラルネットワークの入力を動的に選択するよう構成される入力選択装置であって、前記時系列データの値は、前記現在の時間ステップまで及びそれについて知られており、前記装置は、各々の時間ステップにおいて、入力選択処理を実行するよう動作し、前記入力選択処理は、
各々の候補指示子が前記時系列データと相関し得る候補指示子セットについて、所定の因果性指標を用いて、前記時系列データの値と前記候補指示子セットの各々の指示子の値との間の因果性を決定するステップと、
前記現在の時間ステップにおいて、前記ニューラルネットワークの前記入力になるべき、前記時系列データとの最高の因果関係を生じるよう計算される前記候補指示子の指示子から、指示子サブセットを選択するステップと、
を有する、装置。
(付記10) 前記所定の因果性指標は、グレンジャーの因果性である、付記9に記載の装置。
(付記11) 現在の時間ステップに続く次の時間ステップにおいてニューラルネットワークが非定常時系列データの予測値を出力する予測サイクルを繰り返し実行するよう構成される時系列データ予測装置であって、前記時系列データの値は、前記現在の時間ステップまで及びそれについて知られており、前記装置は、各々の予測サイクルで、ニューラルネットワークの前記入力を選択する付記9又は10に記載の入力選択装置を有する、装置。
(付記12) 各々の予測サイクルで、前記ニューラルネットワークの前記入力が前記入力選択装置により選択された後、同一の選択された入力及び出力を有する適切に訓練されたニューラルネットワークが検索のために利用可能であるか否かを決定するよう動作する決定装置と、
前記決定装置が、適切に訓練されたニューラルネットワークが検索のために利用可能であると決定した場合、現在の予測サイクルで使用するために最近の過去の予測サイクルから訓練されたニューラルネットワークを検索するよう動作する過去のニューラルネットワーク検索装置と、
前記決定装置が、適切に訓練されたニューラルネットワークが検索のために利用可能ではないと決定した場合、現在の予測サイクルで、所要の入力及び出力を有する新しいニューラルネットワークを構築するよう動作するニューラルネットワーク構築装置と、
現在の予測サイクルで使用されるべき前記ネットワークを訓練するよう動作するニューラルネットワーク訓練装置であって、検索されたニューラルネットワークは、前記ネットワークが最後に検索されて以来、新しい自身の入力された指示子について得られたデータの任意の過去の値について訓練され、新しいニューラルネットワークは、前記時系列データの過去の値及び前記指示子サブセットの中の前記指示子に基づき訓練される、ニューラルネットワーク訓練装置と、
を更にする付記11に記載の装置。
(付記13) 前記ニューラルネットワーク訓練装置は、
前記指示子サブセットからの過去のm回の時間ステップのデータと前記時系列データとを、前記ニューラルネットワークの訓練セットに変換するよう動作する訓練データ準備装置であって、前記訓練セットは、n個の行を有し、各々の行は、1又は複数の時間ステップの時間枠に渡る前記指示子サブセットの中の前記指示子の値と該時間枠に続く時間ステップの前記時系列データの値とを表し、1つの行は最近の時間枠を表し、他の行は過去の時間枠を表し、1つの時間ステップだけ離れている、訓練データ準備装置と、
ニューラルネットワーク学習アルゴリズムを用いて、前記訓練セットを使用して前記ニューラルネットワークの重みを設定するよう動作する重み設定装置と、
を有する、付記12に記載の装置。
(付記14) 前記装置は、訓練の後に前記ニューラルネットワークを格納するよう動作する、付記13に記載の装置。
(付記15) 前記装置は、前記ニューラルネットワークを用いて、複数の過去の時間枠に渡り前記指示子サブセットの中の各々の指示子の値を前記ニューラルネットワークに入力することにより、前記次の時間ステップにおける前記時系列データの前記値を予測するよう動作し、各々の時間枠は、1又は複数の時間ステップを有する、付記11乃至14のいずれか一項に記載の装置。
2 入力/モデル選択
3 選択されたモデルは存在するか?
3a 前のモデルをロードする
3b 選択された入力でモデルを生成する
4 選択されたモデルを訓練する
5 予測を行う
Claims (15)
- 連続する時間ステップについて、現在の時間ステップに続く次の時間ステップで非定常時系列データの予測値を出力するニューラルネットワークの入力を動的に選択する、コンピュータにより実施される方法であって、前記時系列データの値は、前記現在の時間ステップまで及びそれについて知られており、前記方法は、各々の時間ステップにおいて、入力選択処理を実行するステップを有し、前記入力選択処理は、
各々の候補指示子が前記時系列データと相関し得る候補指示子セットについて、所定の因果性指標を用いて、前記時系列データの値と前記候補指示子セットの各々の指示子の値との間の因果性を決定するステップと、
前記現在の時間ステップにおいて、前記ニューラルネットワークの前記入力になるべき、前記時系列データとの最高の因果関係を生じるよう計算される前記候補指示子の指示子から、指示子サブセットを選択するステップと、
を有する、方法。 - 前記所定の因果性指標は、グレンジャーの因果性である、請求項1に記載の方法。
- 現在の時間ステップに続く次の時間ステップにおいてニューラルネットワークが非定常時系列データの予測値を出力する予測サイクルを繰り返し実行する、コンピュータにより実施されるデータ予測方法であって、前記時系列データの値は、前記現在の時間ステップまで及びそれについて知られており、各々の予測サイクルで、ニューラルネットワークの前記入力は、請求項1又は2に記載の方法に従い選択される、方法。
- 各々の予測サイクルで、前記ニューラルネットワークの前記入力が選択された後に、
同一の選択された入力及び出力を有する適切に訓練されたニューラルネットワークが検索のために利用可能であるか否かについて決定が行われ、
利用可能である場合、最近の過去の予測サイクルから訓練されたニューラルネットワークが、現在の予測サイクルで使用するために検索され、前記ネットワークが最後に検索されて以来、新しい入力指示子について得られたデータの任意の過去の値について更に訓練され、又は
利用可能ではない場合、所要の入力及び出力を有するニューラルネットワークが、構築され、前記時系列データの過去の値及び前記指示子サブセットの中の前記指示子に基づき訓練される、
請求項3に記載の方法。 - 前記ニューラルネットワークを訓練することは、
前記指示子サブセットからの過去のm回の時間ステップのデータと前記時系列データとを、前記ニューラルネットワークの訓練セットに変換するステップであって、前記訓練セットは、n個の行を有し、各々の行は、1又は複数の時間ステップの時間枠に渡る指示子サブセットの中の前記指示子の値と該時間枠に続く時間ステップの前記時系列データの値とを表し、1つの行は最近の時間枠を表し、他の行は過去の時間枠を表し、1つの時間ステップだけ離れている、ステップと、
ニューラルネットワーク学習アルゴリズムを用いて、前記訓練セットを使用して前記ニューラルネットワークの重みを設定するステップと、
を有する、請求項4に記載の方法。 - 前記ニューラルネットワークは、訓練の後に格納される、請求項5に記載の方法。
- 前記ニューラルネットワークは、複数の過去の時間枠に渡り前記指示子サブセットの中の各々の指示子の値を前記ニューラルネットワークに入力することにより、前記次の時間ステップにおける前記時系列データの前記値を予測するために使用され、各々の時間枠は、1又は複数の時間ステップを有する、請求項3乃至6のいずれか一項に記載の方法。
- コンピュータプログラムであって、コンピュータ上で実行すると、該コンピュータに、請求項1又は2に記載の方法及び/又は請求項3乃至7のいずれか一項に記載の方法を実行させる、コンピュータプログラム。
- 連続する時間ステップについて、現在の時間ステップに続く次の時間ステップで非定常時系列データの予測値を出力するニューラルネットワークの入力を動的に選択するよう構成される入力選択装置であって、前記時系列データの値は、前記現在の時間ステップまで及びそれについて知られており、前記装置は、各々の時間ステップにおいて、入力選択処理を実行するよう動作し、前記入力選択処理は、
各々の候補指示子が前記時系列データと相関し得る候補指示子セットについて、所定の因果性指標を用いて、前記時系列データの値と前記候補指示子セットの各々の指示子の値との間の因果性を決定するステップと、
前記現在の時間ステップにおいて、前記ニューラルネットワークの前記入力になるべき、前記時系列データとの最高の因果関係を生じるよう計算される前記候補指示子の指示子から、指示子サブセットを選択するステップと、
を有する、装置。 - 前記所定の因果性指標は、グレンジャーの因果性である、請求項9に記載の装置。
- 現在の時間ステップに続く次の時間ステップにおいてニューラルネットワークが非定常時系列データの予測値を出力する予測サイクルを繰り返し実行するよう構成される時系列データ予測装置であって、前記時系列データの値は、前記現在の時間ステップまで及びそれについて知られており、前記装置は、各々の予測サイクルで、ニューラルネットワークの前記入力を選択する請求項9又は10に記載の入力選択装置を有する、装置。
- 各々の予測サイクルで、前記ニューラルネットワークの前記入力が前記入力選択装置により選択された後、同一の選択された入力及び出力を有する適切に訓練されたニューラルネットワークが検索のために利用可能であるか否かを決定するよう動作する決定装置と、
前記決定装置が、適切に訓練されたニューラルネットワークが検索のために利用可能であると決定した場合、現在の予測サイクルで使用するために最近の過去の予測サイクルから訓練されたニューラルネットワークを検索するよう動作する過去のニューラルネットワーク検索装置と、
前記決定装置が、適切に訓練されたニューラルネットワークが検索のために利用可能ではないと決定した場合、現在の予測サイクルで、所要の入力及び出力を有する新しいニューラルネットワークを構築するよう動作するニューラルネットワーク構築装置と、
現在の予測サイクルで使用されるべき前記ネットワークを訓練するよう動作するニューラルネットワーク訓練装置であって、検索されたニューラルネットワークは、前記ネットワークが最後に検索されて以来、新しい自身の入力された指示子について得られたデータの任意の過去の値について訓練され、新しいニューラルネットワークは、前記時系列データの過去の値及び前記指示子サブセットの中の前記指示子に基づき訓練される、ニューラルネットワーク訓練装置と、
を更にする請求項11に記載の装置。 - 前記ニューラルネットワーク訓練装置は、
前記指示子サブセットからの過去のm回の時間ステップのデータと前記時系列データとを、前記ニューラルネットワークの訓練セットに変換するよう動作する訓練データ準備装置であって、前記訓練セットは、n個の行を有し、各々の行は、1又は複数の時間ステップの時間枠に渡る前記指示子サブセットの中の前記指示子の値と該時間枠に続く時間ステップの前記時系列データの値とを表し、1つの行は最近の時間枠を表し、他の行は過去の時間枠を表し、1つの時間ステップだけ離れている、訓練データ準備装置と、
ニューラルネットワーク学習アルゴリズムを用いて、前記訓練セットを使用して前記ニューラルネットワークの重みを設定するよう動作する重み設定装置と、
を有する、請求項12に記載の装置。 - 前記装置は、訓練の後に前記ニューラルネットワークを格納するよう動作する、請求項13に記載の装置。
- 前記装置は、前記ニューラルネットワークを用いて、複数の過去の時間枠に渡り前記指示子サブセットの中の各々の指示子の値を前記ニューラルネットワークに入力することにより、前記次の時間ステップにおける前記時系列データの前記値を予測するよう動作し、各々の時間枠は、1又は複数の時間ステップを有する、請求項11乃至14のいずれか一項に記載の装置。
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB1607565.7A GB2549792A (en) | 2016-04-29 | 2016-04-29 | Methods and apparatus for use in predicting non-stationary time-series data |
DE102016207467.9 | 2016-04-29 | ||
DE102016207467 | 2016-04-29 | ||
GB1607565.7 | 2016-04-29 | ||
EP16188780.7A EP3239905A1 (en) | 2016-04-29 | 2016-09-14 | Methods and apparatus for use in predicting non-stationary time-series data |
EP16188780.7 | 2016-09-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017199362A true JP2017199362A (ja) | 2017-11-02 |
JP6907664B2 JP6907664B2 (ja) | 2021-07-21 |
Family
ID=56926111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017076562A Active JP6907664B2 (ja) | 2016-04-29 | 2017-04-07 | 非定常時系列データの予測に用いる方法及び装置 |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP3239905A1 (ja) |
JP (1) | JP6907664B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113300897A (zh) * | 2021-06-16 | 2021-08-24 | 中移(杭州)信息技术有限公司 | 因果关系的识别方法、终端设备及存储介质 |
WO2023120737A1 (ja) * | 2021-12-24 | 2023-06-29 | ダイキン工業株式会社 | コンテンツ提案装置 |
JP2023095780A (ja) * | 2021-12-24 | 2023-07-06 | ダイキン工業株式会社 | コンテンツ提案装置 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190808B (zh) * | 2018-08-15 | 2020-11-24 | 拍拍信数据服务(上海)有限公司 | 用户行为预测方法、装置、设备及介质 |
CN111862585B (zh) * | 2019-07-23 | 2021-11-02 | 北京嘀嘀无限科技发展有限公司 | 用于交通预测的系统和方法 |
CN110490392A (zh) * | 2019-09-20 | 2019-11-22 | 中国银行股份有限公司 | 网点配钞方法及装置 |
CN111967687B (zh) * | 2020-09-01 | 2023-08-11 | 中国银行股份有限公司 | 银行网点的配钞调整方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08249007A (ja) * | 1995-03-08 | 1996-09-27 | Mitsubishi Electric Corp | 予測方法及び予測装置 |
JP2001236337A (ja) * | 2000-02-22 | 2001-08-31 | Fuji Electric Co Ltd | ニューラルネットワークによる予測装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5761442A (en) * | 1994-08-31 | 1998-06-02 | Advanced Investment Technology, Inc. | Predictive neural network means and method for selecting a portfolio of securities wherein each network has been trained using data relating to a corresponding security |
-
2016
- 2016-09-14 EP EP16188780.7A patent/EP3239905A1/en not_active Withdrawn
-
2017
- 2017-04-07 JP JP2017076562A patent/JP6907664B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08249007A (ja) * | 1995-03-08 | 1996-09-27 | Mitsubishi Electric Corp | 予測方法及び予測装置 |
JP2001236337A (ja) * | 2000-02-22 | 2001-08-31 | Fuji Electric Co Ltd | ニューラルネットワークによる予測装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113300897A (zh) * | 2021-06-16 | 2021-08-24 | 中移(杭州)信息技术有限公司 | 因果关系的识别方法、终端设备及存储介质 |
CN113300897B (zh) * | 2021-06-16 | 2022-10-18 | 中移(杭州)信息技术有限公司 | 因果关系的识别方法、终端设备及存储介质 |
WO2023120737A1 (ja) * | 2021-12-24 | 2023-06-29 | ダイキン工業株式会社 | コンテンツ提案装置 |
JP2023095780A (ja) * | 2021-12-24 | 2023-07-06 | ダイキン工業株式会社 | コンテンツ提案装置 |
Also Published As
Publication number | Publication date |
---|---|
EP3239905A1 (en) | 2017-11-01 |
JP6907664B2 (ja) | 2021-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6907664B2 (ja) | 非定常時系列データの予測に用いる方法及び装置 | |
Martínez et al. | A methodology for applying k-nearest neighbor to time series forecasting | |
Yang et al. | Deep learning for price movement prediction using convolutional neural network and long short-term memory | |
Zhang et al. | Short-term wind speed forecasting using empirical mode decomposition and feature selection | |
Sharma et al. | Lévy flight artificial bee colony algorithm | |
Gupta et al. | Resource usage prediction of cloud workloads using deep bidirectional long short term memory networks | |
Prayogo et al. | Optimization model for construction project resource leveling using a novel modified symbiotic organisms search | |
JP2006221310A (ja) | 予測方法、予測装置、予測プログラムおよび記録媒体 | |
Guo et al. | Fuzzy time series forecasting based on axiomatic fuzzy set theory | |
JP6470165B2 (ja) | サーバ、システム及び探索方法 | |
Patel et al. | A hybrid CNN-LSTM model for predicting server load in cloud computing | |
CN103678346A (zh) | 一种人机识别的方法和系统 | |
Yang et al. | A pattern fusion model for multi-step-ahead CPU load prediction | |
Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
Cortez et al. | Multi-step time series prediction intervals using neuroevolution | |
Mangalampalli et al. | WBATimeNet: A deep neural network approach for VM Live Migration in the cloud | |
Vanhoenshoven et al. | Fuzzy cognitive maps employing ARIMA components for time series forecasting | |
JP6470209B2 (ja) | サーバ、システム及び探索方法 | |
Villa et al. | A continuous time bayesian network classifier for intraday fx prediction | |
Ricardo et al. | Developing machine learning and deep learning models for host overload detection in cloud data center | |
Yeh et al. | Coal price prediction using financial indices | |
JP6468653B2 (ja) | 予測モデル構築装置 | |
Abdullah et al. | An interleaved artificial bee colony algorithm for dynamic optimisation problems | |
Liang | Combining seasonal time series ARIMA method and neural networks with genetic algorithms for predicting the production value of the mechanical industry in Taiwan | |
GB2549792A (en) | Methods and apparatus for use in predicting non-stationary time-series data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200115 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210105 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201225 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210305 |
|
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: 20210601 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210614 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6907664 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |