JP7378112B2 - 情報処理装置及び情報処理プログラム - Google Patents
情報処理装置及び情報処理プログラム Download PDFInfo
- Publication number
- JP7378112B2 JP7378112B2 JP2018075234A JP2018075234A JP7378112B2 JP 7378112 B2 JP7378112 B2 JP 7378112B2 JP 2018075234 A JP2018075234 A JP 2018075234A JP 2018075234 A JP2018075234 A JP 2018075234A JP 7378112 B2 JP7378112 B2 JP 7378112B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- data
- estimation
- goods
- performance data
- 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 30
- 239000005022 packaging material Substances 0.000 claims description 63
- 238000012384 transportation and delivery Methods 0.000 claims description 37
- 238000010801 machine learning Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 description 45
- 230000008569 process Effects 0.000 description 30
- 238000012545 processing Methods 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000013500 data storage Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 19
- 238000003860 storage Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 15
- 238000012986 modification Methods 0.000 description 15
- 230000004048 modification Effects 0.000 description 15
- 235000008429 bread Nutrition 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 7
- 238000004806 packaging method and process Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 238000013523 data management Methods 0.000 description 4
- 238000007639 printing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 235000013365 dairy product Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012856 packing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
この推計した容積を用いることにより、更に、配送を行う車両の割り当てや、配送料金の算出等を行うことができる。
物品の数量及び種類と、該物品の数量及び種類に対応する物品を実際に梱包するために用いられた梱包資材の数量及び種類とを紐付けた実績データを取得する実績データ取得手段と、
前記実績データに基づいた機械学習を行うことにより、梱包資材に関する推計を行うための学習モデルを構築する学習手段と、
前記学習手段が構築した前記学習モデルに基づいて、推計対象とされた物品の数量及び種類に対応する物品を実際に梱包するために用いられる梱包資材の数量及び種類を推計する推計手段と、
を備える。
[システム構成]
図1は、本実施形態に係る情報処理システムSの全体構成を示すブロック図である。図1に示すように、情報処理システムSは、第1事業者装置10、第2事業者装置20、第3事業者装置30、及びネットワーク40を含む。
この場合、商品である物品は、図1に示すように、第1事業者、第2事業者、第3事業者の順番で移動する。
具体的に、学習処理において、第2事業者装置20が、物品の数量及び種類と、該物品の数量及び種類に対応する物品を実際に梱包するために用いられた梱包資材の数量及び種類とを紐付けた実績データを取得する。また、学習処理において、第2事業者装置20が、取得した実績データに基づいた機械学習を行うことにより、梱包資材に関する推計を行うための学習モデルを構築する。
更に、推計処理において、第2事業者装置20が、構築した学習モデルに基づいて、推計対象とされた物品の数量及び種類に対応する物品を実際に梱包するために用いられる梱包資材の数量及び種類を推計する。
つまり、情報処理システムSによれば、より簡便に配送に関する推計を行うことができる。
次に、これら各装置それぞれの構成について詳細に説明をする。
次に、第1事業者装置10の構成について、図2のブロック図を参照して説明をする。図2に示すように、第1事業者装置10は、CPU(Central Processing Unit)11と、ROM(Read Only Memory)12と、RAM(Random Access Memory)13と、通信部14と、記憶部15と、入力部16と、表示部17と、を備えている。これら各部は、信号線によりバス接続されており、相互に信号を送受する。
RAM13には、CPU11が各種の処理を実行する上において必要なデータ等も適宜記憶される。
記憶部15は、DRAM(Dynamic Random Access Memory)等の半導体メモリで構成され、各種データを記憶する。
表示部17は、液晶ディスプレイ等で構成され、CPU11が出力する画像データに対応する画像を表示する。
また、記憶部15の一領域には、在庫データ記憶部151が設定される。
次に、第2事業者装置20の構成について、図3のブロック図を参照して説明をする。図3に示すように、第2事業者装置20は、CPU21と、ROM22と、RAM23と、通信部24と、記憶部25と、入力部26と、表示部27と、を備えている。これら各部は、信号線によりバス接続されており、相互に信号を送受する。
また、記憶部25の一領域には、実績データ記憶部251と、学習モデル記憶部252とが設定される。
学習部213により行われる機械学習の詳細や、学習モデルの詳細、及び推計部214により行われる推計の詳細は、[学習と推計]という欄にて後述する。
次に、第3事業者装置30の構成について、図4のブロック図を参照して説明をする。図4に示すように、第3事業者装置30は、CPU31と、ROM32と、RAM33と、通信部34と、記憶部35と、入力部36と、表示部37と、を備えている。これら各部は、信号線によりバス接続されており、相互に信号を送受する。
また、記憶部35の一領域には、発注データ記憶部351が設定される。
次に、学習部213により行われる機械学習の詳細や、学習モデルの詳細、及び推計部214により行われる推計の詳細について、図5から図9までを参照して説明をする。
図5から図7までは、機械学習や推計の概念を示す模式図である。学習部213は、実績データ記憶部251に記憶される実績データを教師データとして機械学習を行うことにより学習モデルを構築及び更新する。
以上が、学習部213により行われる機械学習の詳細や、学習モデルの詳細、及び推計部214により行われる推計の詳細である。
また、発注データD22は、推計部214が推計結果として出力したデータであって、出荷データD21により推計対象とされた商品の数量及び種類に対応する商品を実際に梱包するために用いられる梱包資材の数量及び種類を含んだデータである。
しかしながら、これに限らず、例えば、或る1日において複数の店舗にて発注された発注データや、この或る1日において複数の店舗に出荷された出荷データを用いて学習するようにしてもよい。また、これら複数の店舗以外の或る店舗において或る日において発注された発注データを用いて推計をするようにしてもよい。更に、例えば、複数の日それぞれおいて複数の店舗それぞれにて発注された発注データや、この複数の日それぞれにおいて複数の店舗それぞれに出荷された出荷データを用いて学習をするようにしてもよい。これら点については、<第4変形例>として後述する。
第1学習アルゴリズムは、実績データに基づいて個々の商品のサイズを推計する手法である。学習部213が、この第1学習アルゴリズムに基づいて学習を行う場合の流れについて、図8のフローチャートを参照して説明をする。
ステップS103において、学習部213は、全商品を同一のサイズと仮定し、ステップS102にて求めた全商品の平均サイズを、各商品それぞれのサイズとする。
ステップS105において、学習部213は、実績を学習する期間の実績データに基づいて、期間内のそれぞれの1日に対して、現在、設定されている各商品のサイズに当該日に受注した数量を掛けて、現設定上、必要となる梱包資材数を推計する。
一方で、一致した場合には、ステップS109においてYesと判定され、処理はステップS110に進む。なお、一致しない場合であっても、ステップS107からステップS109の処理を、N回(Nは任意の自然数)繰り返した場合にはステップS109においてYesと判定するようにしてもよい。
第2学習アルゴリズムは、各日の発注データ(例えば、商品それぞれの数量や、商品グループそれぞれの数量)を入力とし、それに対する実績の梱包資材数を出力とする組合せのレコードを教師データとして、ディープラーニングなどの一般的な教師あり(または半教師あり)機械学習アルゴリズムに学習させる方法である。
その代わり、一般に流通や物流の世界のデータでは、入力と出力の関係性は比較的単純である。例えば、一般的にサイズの大きい商品の数量が大きければ荷量も大きくなるという関係性があることは容易に分かる。
一例として、学習部213が、第2学習アルゴリズムとして、単純な決定木による学習を行う場合について説明をする。本例では、注文データを入力すると、或る種類の梱包資材が1個以上、必要になるかどうかを判断する決定木を作成する。
次に、図10のシーケンス図を参照して、情報処理システムSが実行する学習処理の流れについて説明をする。ここで学習処理とは、情報処理システムSに含まれる各装置が協働することにより、第2事業者装置20により学習を実現する一連の処理である。
ステップS32において、第3事業者装置30の発注データ送信部312は、ステップS31において発注データ生成部311が生成した実績データを、第1事業者装置10及び第2事業者装置20に対して送信する。
ステップS11において、第1事業者装置10の発注データ受信部112は、ステップS32において送信された発注データを受信する。
以上説明した学習処理により、実績データに基づいて構築され、適宜更新された学習モデルを作成することができる。
次に、図11のフローチャートを参照して、第2事業者装置20の推計部214が実行する推計処理の流れについて説明をする。ここで推計処理とは、学習処理において構築(あるいは更新)した学習モデルに基づいて、推計対象とされた物品の数量及び種類に対応する物品を実際に梱包するために用いられる梱包資材の数量及び種類を推計する一連の処理である。
ステップS42において、推計部214は、推計を実行する。具体的に、推計部214は、ステップS41にて受信した推定対象データを、学習モデル記憶部252に記憶されている学習モデルの入力とする。そして、推計部214は、この入力に応じた学習モデルの出力を、推計結果として取得する。
第2事業者は、この推計結果を参照することにより、第1事業者が、発注データに応じた商品を、何れの梱包資材に、どれだけの数で梱包するのかを予測することができる。すなわち、第2事業者は、他の事業者(第1事業者)が、どのように梱包してくるのかを、発注データに基づいて予測することができる。
つまり、情報処理システムSによれば、より簡便に配送に関する推計を行うことができる。
換言すると、図2、図3、及び図4に図示した機能的構成は例示に過ぎず、特に限定されない。即ち、上述した一連の処理を全体として実行できる機能が情報処理システムSに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは特に図2、図3、及び図4に図示した例に限定されない。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えば汎用のパーソナルコンピュータであってもよい。
また、本明細書において、システムの用語は、複数の装置及び複数の手段等より構成される全体的な装置を意味するものとする。
例えば、本発明の実施形態を以下の変形例のように変形してもよい。
上述の実施形態では、推計対象とされた物品の数量及び種類に対応する物品を実際に梱包するために用いられる梱包資材の数量及び種類を推計していた。これに限らず、他の推計を行うようにしてもよい。例えば、推計対象とされた物品の数量及び種類に対応する物品を配送するための運賃について推計を行うようにしてもよい。
本変形例では、教師データの入力として、上述した発注データD11に代えて、配送における特性と荷量とを紐付けた配送データD31を用いる。そして、これら配送における特性の組合せを1つの「商品」と考える。また、個々の特性は1つの「商品グループ」と考える。更に、荷量を「商品個数」と考える。
また、教師データの出力として、出荷データD12に代えて、配送において生じた費用である運賃を示す運賃データD32を用いる。そして、この運賃を「梱包資材」と考える。
以上説明した本変形例によれば、推計対象とされた物品の数量及び種類に対応する物品を配送するための運賃について推計を行うことが可能となる。
推計対象とする発注データD21に、未知の商品(例えば、新製品)が含まれる場合に、商品グループを利用して推計を行うようにしてもよい。この場合、例えば、学習部213は、発注データD11に含まれる商品ではなく、発注データD11に含まれる商品グループと、出荷データD12との関係性を学習するようにする。
このようにすれば、発注データD21に、推計対象とする発注データD21に、未知の商品が含まれる場合であっても、より精度高く推計を行うことができる。
上述した実施形態では、学習処理において、第2事業者装置20が、取得した実績データに基づいた機械学習を行うことにより、梱包資材に関する推計を行うための学習モデルを構築していた。
また、推計処理において、第2事業者装置20が、構築した学習モデルに基づいて、推計対象とされた物品の数量及び種類に対応する物品を実際に梱包するために用いられる梱包資材の数量及び種類を推計していた。そして、第2事業者がこの推計結果を利用していた。
このような構成とした場合であっても、第2事業者は、他の事業者(第1事業者)が、発注データに対応する商品を、どのように梱包してくるのかを知ることができる。つまり、本変形例によっても、上述の実施形態と同様の効果を奏することができる。
上述した実施形態では、図6に示す発注データD11及び出荷データD12を用いた学習を行うこと、並びに、図7に示す発注データD21及び出荷データD22を用いた推計を行うことを、具体例として説明をした。
しかしながら、これに限らず、例えば、或る1日において複数の店舗にて発注された発注データや、この或る1日において複数の店舗に出荷された出荷データを用いて学習するようにしてもよい。また、これら複数の店舗以外の或る店舗において或る日において発注された発注データを用いて推計をするようにしてもよい。この場合に、学習に用いるデータの一例を、図13に発注データD51及び出荷データD52として示す。また、この場合に、推計に用いるデータの一例を、図14に発注データD61及び出荷データD62として示す。
本変形例では、学習部213は、機械学習によって、各店舗における、発注データD51と出荷データD52の関係性を学習する。
また、発注データD62は、推計部214が推計結果として出力したデータであって、出荷データD61により推計対象とされた商品の数量及び種類に対応する商品を実際に梱包するために用いられる梱包資材の数量及び種類を含んだデータである。
以上説明したように、本変形例のように、或る1日において複数の店舗それぞれにて発注された発注データや、この或る1日において複数の店舗それぞれに出荷された出荷データを用いて学習をするようにしても、上述の実施形態と同様の効果を奏することができる。
20 第2事業者装置
30 第3事業者装置
11、21、31 CPU
12、22、32 ROM
13、23、33 RAM
14、24、34 通信部
15、25、35 記憶部
16、26、36 入力部
17、27、37 表示部
40 ネットワーク
111 在庫データ管理部
112 発注データ受信部
113 出荷指示部
151 在庫データ記憶部
211 発注データ受信部
212 実績データ取得部
213 学習部
214 推計部
251 実績データ記憶部
252 学習モデル記憶部
311 発注データ生成部
312 発注データ送信部
351 発注データ記憶部
S 情報処理システム
Claims (6)
- 複数種類の物品の数量及び種類と、該複数種類の物品の数量及び種類に対応する物品を実際に梱包するために用いられた梱包資材の数量及び種類とを紐付けた実績データを取得する実績データ取得手段と、
前記実績データに基づいた機械学習を行うことにより、梱包資材に関する推計を行うための学習モデルを構築する学習手段と、
前記学習手段が構築した前記学習モデルに基づいて、推計対象とされた複数種類の物品の数量及び種類に対応する物品を実際に梱包するために用いられる梱包資材の種類ごとの数量を推計する推計手段と、
を備える情報処理装置。 - 前記実績データ取得手段は、物品を出荷する第1事業者が物品の梱包を行った場合の前記実績データを取得し、
前記学習手段は、前記第1事業者が物品の梱包を行った場合の前記実績データに基づいた機械学習を行うことにより、前記学習モデルを構築し、
前記推計手段は、梱包された物品を配送する第2事業者が利用する装置に対して前記推計の結果を出力する、
請求項1に記載の情報処理装置。 - 前記学習手段は、前記実績データに基づいた機械学習を行うことにより、前記推計対象とされた物品の数量及び種類に対応する物品を実際に梱包するために必要となる梱包資材の数量を判断するための学習モデルを、各種類の梱包資材それぞれについて構築する、
請求項1又は2に記載の情報処理装置。 - 前記学習手段は、各種類の物品を所定の区分に基づいて分類し、該分類後の前記実績データに基づいた機械学習を行うことにより、梱包資材に関する推計を行うための学習モデルを構築し、
前記推計手段は、推計対象とされた物品が前記実績データに存在しない場合に、該物品に対応する上記分類に基づいて、前記推計をする、
請求項1から3までの何れか1項に記載の情報処理装置。 - 前記実績データ取得手段は、物品の配送における特性を示す情報と、該特性を示す情報に対応する配送を実際に行うために生じた運賃とを紐付けた実績データを運賃推計用の実績データとして取得し、
前記学習手段は、前記運賃推計用の実績データに基づいた機械学習を行うことにより、配送により生じる運賃に関する推計を行うための学習モデルを構築し、
前記推計手段は、前記学習手段が構築した前記運賃に関する推計を行うための学習モデルに基づいて、推計対象とされた物品の配送を実際に行うために生じる運賃を推計する、
請求項1から4までの何れか1項に記載の情報処理装置。 - 情報処理装置としてコンピュータを機能させるための情報処理プログラムであって、
複数種類の物品の数量及び種類と、該複数種類の物品の数量及び種類に対応する物品を実際に梱包するために用いられた梱包資材の数量及び種類とを紐付けた実績データを取得する実績データ取得手段と、
前記実績データに基づいた機械学習を行うことにより、梱包資材に関する推計を行うための学習モデルを構築する学習手段と、
前記学習手段が構築した前記学習モデルに基づいて、推計対象とされた複数種類の物品の数量及び種類に対応する物品を実際に梱包するために用いられる梱包資材の種類ごとの数量を推計する推計手段と、
を備える情報処理装置として前記コンピュータを機能させる情報処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018075234A JP7378112B2 (ja) | 2018-04-10 | 2018-04-10 | 情報処理装置及び情報処理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018075234A JP7378112B2 (ja) | 2018-04-10 | 2018-04-10 | 情報処理装置及び情報処理プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019185377A JP2019185377A (ja) | 2019-10-24 |
JP7378112B2 true JP7378112B2 (ja) | 2023-11-13 |
Family
ID=68341321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018075234A Active JP7378112B2 (ja) | 2018-04-10 | 2018-04-10 | 情報処理装置及び情報処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7378112B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7400651B2 (ja) * | 2020-07-21 | 2023-12-19 | 株式会社豊田自動織機 | 箱選定装置、梱包実績修正方法、及び梱包実績修正プログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002230058A (ja) | 2001-01-30 | 2002-08-16 | Toyota Motor Corp | 梱包形態決定装置、梱包関連情報管理システム |
JP2004234049A (ja) | 2003-01-28 | 2004-08-19 | Toyota Motor Corp | 部品の物流費予測装置と物流費予測方法 |
JP2004231247A (ja) | 2003-01-31 | 2004-08-19 | Toyota Motor Corp | 梱包副資材の最適選択装置及び方法 |
JP2005284996A (ja) | 2004-03-30 | 2005-10-13 | Toyota Motor Corp | 梱包仕様決定装置および方法 |
JP2017126329A (ja) | 2015-12-31 | 2017-07-20 | ダッソー システムズDassault Systemes | トレーニングセットの評価 |
-
2018
- 2018-04-10 JP JP2018075234A patent/JP7378112B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002230058A (ja) | 2001-01-30 | 2002-08-16 | Toyota Motor Corp | 梱包形態決定装置、梱包関連情報管理システム |
JP2004234049A (ja) | 2003-01-28 | 2004-08-19 | Toyota Motor Corp | 部品の物流費予測装置と物流費予測方法 |
JP2004231247A (ja) | 2003-01-31 | 2004-08-19 | Toyota Motor Corp | 梱包副資材の最適選択装置及び方法 |
JP2005284996A (ja) | 2004-03-30 | 2005-10-13 | Toyota Motor Corp | 梱包仕様決定装置および方法 |
JP2017126329A (ja) | 2015-12-31 | 2017-07-20 | ダッソー システムズDassault Systemes | トレーニングセットの評価 |
Also Published As
Publication number | Publication date |
---|---|
JP2019185377A (ja) | 2019-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baldi et al. | A generalized bin packing problem for parcel delivery in last-mile logistics | |
JP6142033B2 (ja) | 材料取扱施設における容器選択 | |
CN101595498B (zh) | 用于根据期望物品拣选率的存货放置的方法和系统 | |
US8352382B1 (en) | Heuristic methods for customer order fulfillment planning | |
US10395210B2 (en) | System and method for using stores as receiving points for third party, E-commerce suppliers | |
US20170323250A1 (en) | System and method for fulfilling e-commerce orders from a hierarchy of fulfilment centres | |
Qin et al. | The freight consolidation and containerization problem | |
Kreng et al. | The benefits of a cross-docking delivery strategy: a supply chain collaboration approach | |
Dethlefs et al. | Rapid fulfillment of online orders in omnichannel grocery retailing | |
US20180308039A1 (en) | System and Method for Dynamically Establishing A Regional Distribution Center Truck Flow Graph to Distribute Merchandise | |
Bai et al. | A new model and a hyper-heuristic approach for two-dimensional shelf space allocation | |
US20160202941A1 (en) | Transport route planning | |
JP6031184B2 (ja) | 供給グループ決定支援装置及び供給グループ決定支援プログラム | |
Piendl et al. | A logit model for shipment size choice with latent classes–Empirical findings for Germany | |
Zhang et al. | Package consolidation approach to the split-order fulfillment problem of online supermarkets | |
JP7378112B2 (ja) | 情報処理装置及び情報処理プログラム | |
WO2019027564A1 (en) | AUTOMATED ARTICLE ASSIGNMENT GENERATION SYSTEM | |
Das et al. | Integrated warehouse assignment and carton configuration optimization using deep clustering-based evolutionary algorithms | |
Wu | Modelling of containerized air cargo forwarding problems under uncertainty | |
Dall’Orto et al. | The single-node dynamic service scheduling and dispatching problem | |
Hosoda et al. | Location, transshipment and routing: An adaptive transportation network integrating long-haul and local vehicle routing | |
Jehl | Data-driven decision making algorithms for internet platforms | |
Rave et al. | Cyclic Stochastic Inventory Routing Planning with Reorder Points and Recourse Decision for an Application in Medical Supply | |
CN114444990A (zh) | 供应链网络前置仓的选品方法 | |
Di Puglia Pugliese et al. | Solving a three-dimensional bin-packing problem arising in the groupage process: application to the port of Gioia Tauro |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210310 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220120 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220301 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220428 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220906 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221202 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20221202 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230113 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20230116 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20230117 |
|
A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20230331 |
|
C211 | Notice of termination of reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C211 Effective date: 20230404 |
|
C22 | Notice of designation (change) of administrative judge |
Free format text: JAPANESE INTERMEDIATE CODE: C22 Effective date: 20230411 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231024 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7378112 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |