JP6611068B1 - 企業情報処理装置、企業のイベント予測方法及び予測プログラム - Google Patents
企業情報処理装置、企業のイベント予測方法及び予測プログラム Download PDFInfo
- Publication number
- JP6611068B1 JP6611068B1 JP2019028276A JP2019028276A JP6611068B1 JP 6611068 B1 JP6611068 B1 JP 6611068B1 JP 2019028276 A JP2019028276 A JP 2019028276A JP 2019028276 A JP2019028276 A JP 2019028276A JP 6611068 B1 JP6611068 B1 JP 6611068B1
- Authority
- JP
- Japan
- Prior art keywords
- company
- data
- attribute vector
- event
- qualitative
- 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.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims description 42
- 238000000034 method Methods 0.000 title claims description 29
- 239000013598 vector Substances 0.000 claims abstract description 108
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000010801 machine learning Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 2
- 230000006854 communication Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004090 dissolution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002747 voluntary effect Effects 0.000 description 2
- 101000847024 Homo sapiens Tetratricopeptide repeat protein 1 Proteins 0.000 description 1
- 101000818522 Homo sapiens fMet-Leu-Phe receptor Proteins 0.000 description 1
- 102100032841 Tetratricopeptide repeat protein 1 Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 102100021145 fMet-Leu-Phe receptor Human genes 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
複数の期間について収集された、複数の企業に含まれる各企業の複数項目の定量データと各企業の定性情報のそれぞれを分類して数値化した複数項目の定性データと、が格納されたデータベースの前記定量データ及び前記定性データから、特定の項目を読み込んで各企業の属性ベクトルを生成し、かつ、読み込んだ各企業の前記定量データ及び定性データから選択した項目について異なる2つの期間での差分を算出し、各企業の前記属性ベクトルに追加する計算処理部と、
前記定性データに含まれる各企業の実物取引関係を示すデータから、各企業と取引先及び株主とが形成するネットワークのネットワーク統計量を算出して、各企業の属性ベクトルに追加する相関処理部と、
前記定量データ及び定性データから各企業の既出イベントの発生を示すデータを抽出して、各企業の属性ベクトルに追加するイベント抽出部と、
各企業の属性ベクトルを構成するデータに欠損値が存在する場合、前記欠損値を所定の値に置換し、前記欠損値が前記所定の値に置換された前記複数の企業の前記属性ベクトルから、機械学習により学習することで企業の将来のイベントの発生を予測するモデルの学習に用いられる学習用データセットを構築する欠損値処理部と、を有するものである。
複数の期間について収集された、複数の企業に含まれる各企業の複数項目の定量データと各企業の定性情報のそれぞれを分類して数値化した複数項目の定性データと、が格納されたデータベースの前記定量データ及び前記定性データから、特定の項目を読み込んで各企業の属性ベクトルを生成し、かつ、読み込んだ各企業の前記定量データ及び定性データから選択した項目について異なる2つの期間での差分を算出し、各企業の前記属性ベクトルに追加し、
前記定性データに含まれる各企業の実物取引関係を示すデータから、各企業と取引先及び株主とが形成するネットワークのネットワーク統計量を算出して、各企業の属性ベクトルに追加し、
前記定量データ及び定性データから各企業の既出イベントの発生を示すデータを抽出して、各企業の属性ベクトルに追加し、
各企業の属性ベクトルを構成するデータに欠損値が存在する場合、前記欠損値を所定の値に置換し、前記欠損値が前記所定の値に置換された前記複数の企業の前記属性ベクトルにより構築される、機械学習により学習することで企業の将来のイベントの発生を予測するモデルの学習に用いられるものである。
複数の期間について収集された、複数の企業に含まれる各企業の複数項目の定量データと各企業の定性情報のそれぞれを分類して数値化した複数項目の定性データと、が格納されたデータベースの前記定量データ及び前記定性データから、特定の項目を読み込んで各企業の属性ベクトルを生成し、かつ、読み込んだ各企業の前記定量データ及び定性データから選択した項目について異なる2つの期間での差分を算出し、各企業の前記属性ベクトルに追加し、
前記定性データに含まれる各企業の実物取引関係を示すデータから、各企業と取引先及び株主とが形成するネットワークのネットワーク統計量を算出して、各企業の属性ベクトルに追加し、
前記定量データ及び定性データから各企業の既出イベントの発生を示すデータを抽出して、各企業の属性ベクトルに追加し、
各企業の属性ベクトルを構成するデータに欠損値が存在する場合、前記欠損値を所定の値に置換し、前記欠損値が前記所定の値に置換された前記複数の企業の前記属性ベクトルにより構築される学習用データセットを、機械学習により学習することで、企業の将来のイベントの発生の予測に用いられるものである。
複数の期間について収集された、複数の企業に含まれる各企業の複数項目の定量データと各企業の定性情報のそれぞれを分類して数値化した複数項目の定性データと、が格納されたデータベースの前記定量データ及び前記定性データから、特定の項目を読み込んで各企業の属性ベクトルを生成し、かつ、読み込んだ各企業の前記定量データ及び定性データから選択した項目について異なる2つの期間での差分を算出し、各企業の前記属性ベクトルに追加し、
前記定性データに含まれる各企業の実物取引関係を示すデータから、各企業と取引先及び株主とが形成するネットワークのネットワーク統計量を算出して、各企業の属性ベクトルに追加し、
前記定量データ及び定性データから各企業の既出イベントの発生を示すデータを抽出して、各企業の属性ベクトルに追加し、
各企業の属性ベクトルを構成するデータに欠損値が存在する場合、前記欠損値を所定の値に置換し、前記欠損値が前記所定の値に置換された前記複数の企業の前記属性ベクトルにより構築される学習用データセットを機械学習により学習した学習済みモデルを用いて、
企業の将来のイベントの発生を予測するものである。
複数の期間について収集された、複数の企業に含まれる各企業の複数項目の定量データと各企業の定性情報のそれぞれを分類して数値化した複数項目の定性データと、が格納されたデータベースの前記定量データ及び前記定性データから、特定の項目を読み込んで各企業の属性ベクトルを生成し、かつ、読み込んだ各企業の前記定量データ及び定性データから選択した項目について異なる2つの期間での差分を算出し、各企業の前記属性ベクトルに追加し、
前記定性データに含まれる各企業の実物取引関係を示すデータから、各企業と取引先及び株主とが形成するネットワークのネットワーク統計量を算出して、各企業の属性ベクトルに追加し、
前記定量データ及び定性データから各企業の既出イベントの発生を示すデータを抽出して、各企業の属性ベクトルに追加し、
各企業の属性ベクトルを構成するデータに欠損値が存在する場合、前記欠損値を所定の値に置換し、前記欠損値が前記所定の値に置換された前記複数の企業の前記属性ベクトルにより、機械学習により学習することで企業の将来のイベントの発生を予測するモデルの学習に用いられる、学習用データセット構築するものである。
複数の期間について収集された、複数の企業に含まれる各企業の複数項目の定量データと各企業の定性情報のそれぞれを分類して数値化した複数項目の定性データと、が格納されたデータベースの前記定量データ及び前記定性データから、特定の項目を読み込んで各企業の属性ベクトルを生成し、かつ、読み込んだ各企業の前記定量データ及び定性データから選択した項目について異なる2つの期間での差分を算出し、各企業の前記属性ベクトルに追加する処理と、
前記定性データに含まれる各企業の実物取引関係を示すデータから、各企業と取引先及び株主とが形成するネットワークのネットワーク統計量を算出して、各企業の属性ベクトルに追加する処理と、
前記定量データ及び定性データから各企業の既出イベントの発生を示すデータを抽出して、各企業の属性ベクトルに追加する処理と、
各企業の属性ベクトルを構成するデータに欠損値が存在する場合、前記欠損値を所定の値に置換し、前記欠損値が前記所定の値に置換された前記複数の企業の前記属性ベクトルにより構築される学習用データセットを機械学習により学習した学習済みモデルを用いて、企業の将来のイベントの発生を予測する処理と、をコンピュータに実行させるものである。
実施の形態1にかかる企業情報処理装置100について説明する。企業情報処理装置100は、企業の状態を示すデータから、将来的に企業で起こりうる、比較的発生確率が低いイベント(後述する成長イベントや退出イベントなどのレアイベント)を予測するものとして構成される。
ST=0:存続
ST=1:倒産(負債額小)
ST=2:倒産(負債額大)
ST=3:自主廃業
ST=4:休眠
ST=5:他の企業に合併(被合併)
ST=6:解散
以上の定義によれば、ある企業が存続している場合のステータスSTの値は0であるが、何らかのネガティブベントが生じている場合にはステータスSTの値は1〜6となる。
計算処理部1は、定量データ及び数値化された定性データに含まれるデータの各項目について、2つの期間の間での各項目の差分を計算する。計算対象となる期間を対象期間T1とすると、計算処理部1は、対象期間T1の定量データの所定の項目と、対象期よりも前の期間T2の同一項目のデータとを参照し、2つの期間の間での各項目の差分を計算する。
ΔD1(T1)_k=DAT1_k−DAT2_k [1]
ΔD1(T2)_k=DAT2_k−DAT3_k [2]
ΔD2(T1)_k=ΔD1(T1)_k−ΔD1(T2)_k [3]
相関処理部2は、相関情報に含まれるデータ参照し、各企業と取引先企業との相関を示す情報を属性ベクトルに取り込む。
イベント抽出部3は、対象企業の定量データから特定のデータを読み込み、企業の成長イベントと退出イベントとを抽出する。
欠損値処理部4は、各企業の属性ベクトルに含まれるデータ項目のうち、値が欠損している項目(NULLが入っている項目など)を抽出する。欠損値処理部4は、抽出した項目のデータとして所定の値を割り当てることで、欠損データを補完する。本実施の形態においては、欠損値処理部4は、抽出した項目の値として「0」を割り当てるものとする。これにより、欠損値の存在にかかわらず、全企業の属性ベクトルの全データを数値データとして扱うことができるので、欠損値によるエラー発生を防止することができる。
レアイベントが生じていない企業の数をNnonrareとする。ここでは、レアイベントとして衰退イベントを検出するものとし、企業コードFIDに紐付けられた企業のステータスFSが1〜6である場合をレアイベント発生として取り扱う。
Nnonrare=Ntotal−Nrare
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。例えば、上述の実施の形態では、欠損値を置換する値として「0」を用いたが、これは例示に過ぎず、適宜他の値で欠損値を置換してもよい。
2 相関処理部
3 イベント抽出部
4 欠損値処理部
5 機械学習部
6 予測処理部
11 CPU
12 ROM
13 RAM
14 バス
15 入出力インターフェイス
16 入力部
17 出力部
18 通信部
19 記憶部
20 ドライブ
21 磁気ディスク
22 光ディスク
23 フレキシブルディスク
24 半導体メモリ
30 ネットワーク
40 サーバ
100 企業情報処理装置
110 コンピュータ
BC コード値
FID 企業コード
LDS 学習用データセット
SOK 相関区分
TID 取引先コード
Claims (10)
- 複数の期間について収集された、複数の企業に含まれる各企業の複数項目の定量データと各企業の定性情報のそれぞれを分類して数値化した複数項目の定性データと、が格納されたデータベースの前記定量データ及び前記定性データから、特定の項目を読み込んで各企業の属性ベクトルを生成し、かつ、読み込んだ各企業の前記定量データ及び定性データから選択した項目について異なる2つの期間での差分を算出し、各企業の前記属性ベクトルに追加する計算処理部と、
前記定性データに含まれる各企業の実物取引関係を示すデータから、各企業と取引先及び株主とが形成するネットワークのネットワーク統計量を算出して、各企業の属性ベクトルに追加する相関処理部と、
前記定量データ及び定性データから各企業の既出イベントの発生を示すデータを抽出して、各企業の属性ベクトルに追加するイベント抽出部と、
各企業の属性ベクトルを構成するデータに欠損値が存在する場合、前記欠損値を所定の値に置換し、前記欠損値が前記所定の値に置換された前記複数の企業の前記属性ベクトルから、機械学習により学習することで企業の将来のイベントの発生を予測するモデルの学習に用いられる学習用データセットを構築する欠損値処理部と、を備える、
企業情報処理装置。 - 前記計算処理部は、前記定量データ及び定性データから選択した項目について、異なる2つの期間での第1の差分を算出し、前記第1の差分の算出に用いたのとは異なる2つの期間での第2の差分を算出し、かつ、前記第1の差分と前記第2の差分との間の第3の差分を算出して、各企業の前記属性ベクトルに追加する、
請求項1に記載の企業情報処理装置。 - 前記欠損値処理部は、各企業の属性ベクトルの各項目が欠損値であるかを示す新たな項目のデータを生成し、生成した項目のデータを各企業の前記属性ベクトルに追加する、
請求項1又は2に記載の企業情報処理装置。 - 前記学習用データセットを機械学習する機械学習部を更に備え、
前記機械学習部は、前記既出イベントが発生した企業の前記属性ベクトルに第1の重みを付与し、前記既出イベントが発生していない企業の前記属性ベクトルに前記第1の重みよりも小さな第2の重みを付与して、機械学習を行う、
請求項1乃至3のいずれか一項に記載の企業情報処理装置。 - 前記既出イベントが発生した企業の数に前記第1の重みを乗じた値と、前記既出イベントが発生していない企業の数に前記第2の重みを乗じた値と、の和は1である、
請求項4に記載の企業情報処理装置。 - 前記第1の重みは、前記既出イベントが発生した企業の数に2を乗じた値の逆数であり、
前記第2の重みは、前記既出イベントが発生していない企業の数に2を乗じた値の逆数である、
請求項5に記載の企業情報処理装置。 - 前記モデルを用いて企業の将来のイベントの発生を予測する予測処理部を更に有する、
請求項4乃至6のいずれか一項に記載の企業情報処理装置。 - 計算処理部によって、複数の期間について収集された、複数の企業に含まれる各企業の複数項目の定量データと各企業の定性情報のそれぞれを分類して数値化した複数項目の定性データと、が格納されたデータベースの前記定量データ及び前記定性データから、特定の項目を読み込んで各企業の属性ベクトルを生成し、かつ、読み込んだ各企業の前記定量データ及び定性データから選択した項目について異なる2つの期間での差分を算出し、各企業の前記属性ベクトルに追加し、
相関処理部によって、前記定性データに含まれる各企業の実物取引関係を示すデータから、各企業と取引先及び株主とが形成するネットワークのネットワーク統計量を算出して、各企業の属性ベクトルに追加し、
イベント抽出部によって、前記定量データ及び定性データから各企業の既出イベントの発生を示すデータを抽出して、各企業の属性ベクトルに追加し、
各企業の属性ベクトルを構成するデータに欠損値が存在する場合、欠損値処理部によって、前記欠損値を所定の値に置換し、前記欠損値が前記所定の値に置換された前記複数の企業の前記属性ベクトルから、機械学習により学習することで企業の将来のイベントの発生を予測するモデルの学習に用いられる学習用データセットを構築し、
予測処理部が、機械学習部による機械学習によって前記学習用データセットを学習した学習済みモデルを用いて、企業の将来のイベントの発生を予測する、
企業のイベント予測方法。 - 複数の期間について収集された、複数の企業に含まれる各企業の複数項目の定量データと各企業の定性情報のそれぞれを分類して数値化した複数項目の定性データと、が格納されたデータベースの前記定量データ及び前記定性データから、特定の項目を読み込んで各企業の属性ベクトルを生成し、かつ、読み込んだ各企業の前記定量データ及び定性データから選択した項目について異なる2つの期間での差分を算出し、各企業の前記属性ベクトルに追加する処理と、
前記定性データに含まれる各企業の実物取引関係を示すデータから、各企業と取引先及び株主とが形成するネットワークのネットワーク統計量を算出して、各企業の属性ベクトルに追加する処理と、
前記定量データ及び定性データから各企業の既出イベントの発生を示すデータを抽出して、各企業の属性ベクトルに追加する処理と、
各企業の属性ベクトルを構成するデータに欠損値が存在する場合、前記欠損値を所定の値に置換し、前記欠損値が前記所定の値に置換された前記複数の企業の前記属性ベクトルにより構築される学習用データセットを機械学習により学習した学習済みモデルを用いて、企業の将来のイベントの発生を予測する処理と、をコンピュータに実行させる、
企業のイベント予測プログラム。 - 複数の期間について収集された、複数の企業に含まれる各企業の複数項目の定量データと各企業の定性情報のそれぞれを分類して数値化した複数項目の定性データと、が格納されたデータベースの前記定量データ及び前記定性データから、特定の項目を読み込んで各企業の属性ベクトルを生成し、かつ、読み込んだ各企業の前記定量データ及び定性データから選択した項目について異なる2つの期間での差分を算出し、各企業の前記属性ベクトルに追加する処理と、
前記定性データに含まれる各企業の実物取引関係を示すデータから、各企業と取引先及び株主とが形成するネットワークのネットワーク統計量を算出して、各企業の属性ベクトルに追加する処理と、
前記定量データ及び定性データから各企業の既出イベントの発生を示すデータを抽出して、各企業の属性ベクトルに追加する処理と、
各企業の属性ベクトルを構成するデータに欠損値が存在する場合、前記欠損値を所定の値に置換し、前記欠損値が前記所定の値に置換された前記複数の企業の前記属性ベクトルにより構築される学習用データセットを機械学習により学習した学習済みモデルを用いて、企業の将来のイベントの発生を予測する処理と、をコンピュータに実行させる、
企業のイベント予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019028276A JP6611068B1 (ja) | 2019-02-20 | 2019-02-20 | 企業情報処理装置、企業のイベント予測方法及び予測プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019028276A JP6611068B1 (ja) | 2019-02-20 | 2019-02-20 | 企業情報処理装置、企業のイベント予測方法及び予測プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6611068B1 true JP6611068B1 (ja) | 2019-11-27 |
JP2020135434A JP2020135434A (ja) | 2020-08-31 |
Family
ID=68691993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019028276A Active JP6611068B1 (ja) | 2019-02-20 | 2019-02-20 | 企業情報処理装置、企業のイベント予測方法及び予測プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6611068B1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023119460A1 (ja) * | 2021-12-22 | 2023-06-29 | 日本電気株式会社 | 質問予測システム、質問予測方法およびプログラム記録媒体 |
JP7286121B1 (ja) | 2022-09-20 | 2023-06-05 | 国立大学法人一橋大学 | 情報処理装置、モデル構築方法及びモデル構築プログラム |
-
2019
- 2019-02-20 JP JP2019028276A patent/JP6611068B1/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2020135434A (ja) | 2020-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Predicting customer churn from valuable B2B customers in the logistics industry: a case study | |
JP4358475B2 (ja) | 信用評価システム | |
Antunes et al. | Firm default probabilities revisited | |
JP6667865B1 (ja) | 会計情報処理装置、会計情報処理方法及び会計情報処理プログラム | |
CN104321794A (zh) | 一种使用多维评级来确定一实体的未来商业可行性的系统和方法 | |
Omidi et al. | The efficacy of predictive methods in financial statement fraud | |
CN113283795B (zh) | 基于二分类模型的数据处理方法及装置、介质、设备 | |
JP6611068B1 (ja) | 企業情報処理装置、企業のイベント予測方法及び予測プログラム | |
JP6251383B2 (ja) | 債務不履行となる企業の蓋然性の計算 | |
CN109784352A (zh) | 一种评估分类模型的方法和装置 | |
Basse et al. | Leading indicators for US house prices: New evidence and implications for EU financial risk managers | |
Urazbaeva et al. | The analysis of COVID-19 impact on the internet and telecommunications service sector through modelling the dependence of shares of Russian companies on the American stock market | |
KR20180013102A (ko) | 신용도를 평가하는 방법, 장치 및 컴퓨터 판독 가능한 기록 매체 | |
CN113506173A (zh) | 一种信用风险评估方法及其相关设备 | |
CA3069987A1 (en) | System and method for detecting and responding to transaction patterns | |
CN117114812A (zh) | 一种针对企业的金融产品推荐方法及装置 | |
KR20110114181A (ko) | 예측 정확성이 향상된 대출 심사 방법 | |
US20210117828A1 (en) | Information processing apparatus, information processing method, and program | |
Ramezanzadeh Zeidi et al. | The Role of Earnings Management in Theoretical Development and Improving the Efficiency of Accounting-Based Financial Distress Prediction Models | |
US20230385936A1 (en) | Information processing device, information processing method, and program | |
Kazemi et al. | Estimation of optimum thresholds for binary classification using genetic algorithm: An application to solve a credit scoring problem | |
Baroud et al. | Data-driven methods for the risk analysis of global supply chains | |
JP7286121B1 (ja) | 情報処理装置、モデル構築方法及びモデル構築プログラム | |
Khedr et al. | A New Prediction Approach for Preventing Default Customers from Applying Personal Loans Using Machine Learning | |
Kubenka et al. | Implementation of standards into predictors of financial stability |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190313 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190327 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190327 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20190313 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190508 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190709 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190830 |
|
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: 20191008 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191018 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6611068 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |