CN103984993B - 一种轨道交通客流od分布实时推测方法 - Google Patents
一种轨道交通客流od分布实时推测方法 Download PDFInfo
- Publication number
- CN103984993B CN103984993B CN201410202139.4A CN201410202139A CN103984993B CN 103984993 B CN103984993 B CN 103984993B CN 201410202139 A CN201410202139 A CN 201410202139A CN 103984993 B CN103984993 B CN 103984993B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- station
- time
- enters
- matrix
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种轨道交通客流OD分布实时推测方法,首先设定时间间隔,然后统计历史客流OD分布矩阵,再计算客流OD概率分配矩阵,再基于历史客流OD分布矩阵按日分布特征进行分类,再对每一类特征日建立一个可更新的客流OD概率分配矩阵,再对于每一类特征日分别建立基于进站客流历史统计数据和实时上传的进站客流统计数据进站客流的时间序列预测模型,再结合时间序列预测模型建立下一个时间段内进站客流预测矩阵,最后根据客流OD概率分配矩阵和进站客流预测矩阵,建立轨道交通客流OD分布实时推测矩阵。本发明通过对实时上传的进站交易数据进行统计并建立时间序列预测矩阵,不仅提高客流OD预测时间长度,也保证了估计结果的可靠度。
Description
技术领域
本发明涉及一种城市轨道交通客流OD分布实时推测方法。
背景技术
城市轨道交通自动售检票***(Automatic Fare Collection System,简称AFC)完整记录了所辖线网内每一位乘客的进出站时间、站点、交易类型等车票交易信息,通过统计一段时间内的进出站交易信息,可以得到客流在路网上的OD(起讫点)分布。客流OD分布可以反映居民的出行特征,为城市轨道交通线网的规划布局、客流组织提供一定程度的参考。同时,客流OD分布也是断面客流估计的基础,而断面客流数据是了解线路运行状态,协调轨道交通运营管理,编制行车计划最重要的数据支撑。
轨道交通目前建设的AFC***在断面客流数据分析方面相对薄弱,关键在于缺乏对客流OD分布实时估计。由于信息来源有限且准确性不足,运营单位不能对轨道交通线网运行状态进行实时动态的描述,遇到客流模式变化情况例如突发高峰拥挤时进行临时调度的难度较高。我国多个城市的轨道交通网络正在逐渐形成,与单线运营相比,网络化运营在客流组织与车流组织两个方面都更加复杂,配置协调的难度将大大增加,对路网运行状态的实时监控要求较高。显然,基于完整的进出站信息的传统OD统计方法无法满足客流分布描述对实时性的要求,因此需要一种新方法来实现对轨道交通OD客流的实时估计。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种城市轨道交通客流OD分布实时推测方法,该方法基于轨道交通AFC终端设备实时上传的进站交易数据和完整的历史交易数据实现推测。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种轨道交通客流OD分布实时推测方法,包括如下步骤:
(1)设定时间间隔Tg,按时间间隔Tg对时间进行分段,统计历史数据(包括乘客完整的进出站交易信息)各站点在每个时间段内进站客流的OD分布量,得到全线网当天在第k个时间段内进站客流的OD分布矩阵Fk为:
其中,n为站点的总数;矩阵元素下标i和j为站点编号,表示在第k个时间段内由站点i进站的客流最终从站点j出站的乘客数量,当i=j时,
(2)基于Fk获得第k个时间段内进站客流的OD概率分布矩阵Ck为:
其中,矩阵元素表示在第k个时间段内由站点i进站的客流最终从站点j出站的概率,
(3)基于由历史交易数据得到的客流OD分布矩阵,分析轨道交通客流OD分布日变化规律,依照变化特征的类似性对日期进行分类;
(4)对于每一类特征日分别建立一个可更新的客流OD概率分配矩阵Ak为:
Ak=(1-α)Ak′+αCk
其中,Ak′为该类特征日未更新前的客流OD概率分配矩阵,α为平滑常数,其取值范围为[0,1];
(5)通过轨道交通终端设备上传的进站交易数据,统计得到车站在各时段内的进站客流量,对于每一类特征日分别建立进站客流时间序列预测模型为:
其中,i为站点编号,b0、b1、b2和b3为常量参数,为站点i在当天时间段k内的进站客流量预测值,为站点i在当天时间段k-1内的进站客流量统计值,为站点i在前一个同类特征日(举例来说,将特征日分为工作日(周一到周四)、周五、周末、特殊节假日几个类别:若预测值当天为工作日周三,则统计值为本星期的前一个工作日周二;若预测值当天为工作日周一,则统计值为前一个星期的周四;若预测值当天为周五,则统计值为前一个星期的周五;)时间段k内的进站客流量统计值,为站点i在前一个同类特征日时间段k-1内的进站客流量统计值;
(6)根据实时上传的进站交易数据(可以仅包括进站记录信息,不需要完整的交易记录,以提高预测的实时性)统计当前时间段k内各站点的进站客流量,结合步骤(5)中的进站客流时间序列预测模型建立下一时间段k+1内各站点的进站客流预测矩阵Ek+1为:
其中,矩阵元素下标i为站点编号,表示站点i在下一时间段k+1内的进站客流量预测值,矩阵非对角线元素值均为0;进站客流预测矩阵Ek+1是采用进站客流时间序列预测模型根据进站客流历史统计数据和实时上传的进站客流统计数据得到的;
(7)结合步骤(4)中的可更新的客流OD概率分配矩阵Ak和步骤(6)中的进站客流预测矩阵Ek+1,建立轨道交通客流OD分布实时推测矩阵Sk+1为:
Sk+1=Ek+1Ak
其中,Sk+1为下一时间段k+1内进站客流的OD分布预测矩阵,矩阵中的第i行第j列的元素表示下一时间段k+1内由站点i进站的客流最终从站点j出站的乘客数量的预测值;所述轨道交通客流OD分布实时推测矩阵Sk+1是对实时预测的进站客流量通过可更新的客流OD概率分配矩阵分配到各OD方向上。
优选的,所述步骤(3)中,变化特征包括客流OD分布的单一OD流量变化趋势、单一OD流量变化的波动性、各单一OD全日总量、客流高峰出现时间、客流高峰持续时间。
优选的,所述步骤(3)中,依照变化特征的类似性对日期进行分类,具体为:采用聚类分析方法,根据不同类型特征日之间客流OD变化特征“类间区别最大、类内区别最小”的原则进行分类。根据历史经验一般可以将日期按照变化特征的不同分为一般工作日、周末、特殊节假日,考虑到星期五晚高峰提前的特殊性,可将星期五单独作为一类。
优选的,所述步骤(4)中,可更新的客流OD概率分配矩阵Ak采用历史平滑的方法进行更新,平滑常数α的取值取决于同类特征日在一天中相同时间段客流OD分布的长期发展趋势和波动性;当OD分布变化较小,趋势较稳定时,α取值一般可在0.05~0.20之间;当OD分布变化有波动,但长期趋势变化不大时,α在0.1~0.4之间取值;当OD分布变化呈明显的上升或下降趋势时,α宜选择较大的值,一般在0.6~0.8之间,以提高推测矩阵的灵敏度,增加近期数据的影响。
有益效果:本发明提供的轨道交通客流OD分布实时推测方法,客流OD分布推测结合了历史客流的OD分布规律,符合当地城市的客流模式和发展趋势;通过对实时上传的进站交易数据进行统计并建立时间序列预测矩阵,不仅提高客流OD预测时间的长度,同时保证了估计结果的可靠度。该方法能够准确有效的对城市轨道交通客流OD分布进行实时估计。
附图说明
图1为本发明的实现流程图。
具体实施方式
如图1所示为一种轨道交通客流OD分布实时推测方法实现流程图,下面结合实施例对本发明做出进一步的说明。
Step1:在运行图的编制中一般以半小时内断面客流作为确定发车间隔的依据,客流OD分布是计算断面客流的基础数据,因此,设定时间间隔Tg=30min,按时间间隔Tg对时间进行分段,统计历史数据(包括乘客完整的进出站交易信息)各站点在每个时间段内进站客流的OD分布量,得到全线网当天在第k个时间段内进站客流的OD分布矩阵Fk为:
其中,n为站点的总数;矩阵元素下标i和j为站点编号,表示在第k个时间段内由站点i进站的客流最终从站点j出站的乘客数量,当i=j时,
Step2:基于Fk获得第k个时间段内进站客流的OD概率分布矩阵Ck为:
其中,矩阵元素表示在第k个时间段内由站点i进站的客流最终从站点j出站的概率,
Step3:基于由历史交易数据得到的客流OD分布矩阵,分析轨道交通客流OD分布日变化规律,依照变化特征的类似性对日期进行分类。
选取数个不同类型车站的典型站点,根据客流OD分布矩阵分析各个站点进出站客流每日的OD分布规律,比较同个站点的不同日期之间客流OD分布的单一OD流量变化趋势、单一OD流量变化的波动性、各单一OD全日总量、客流高峰出现时间、客流高峰持续时间等特征,使用聚类的方法将客流OD分布变化相近的日期归为一类;根据实际经验一般可将日期按照客流OD变化特征不同分为一般工作日、周末、特殊节假日,考虑到星期五晚高峰提前的特殊性,可将星期五单独作为一类。
Step4:对于每一类特征日分别建立一个可更新的客流OD概率分配矩阵Ak为:
Ak=(1-α)Ak′+αCk
其中,Ak′为该类特征日未更新前的客流OD概率分配矩阵,α为平滑常数,其取值范围为[0,1]。
每一类特征日所对应的平滑常数α的取值取决于同类特征日在一天中相同时间段客流OD分布的长期发展趋势和波动性;每过一天对其所属类型特征日的客流OD概率分配矩阵Ak更新一次。
Step5:通过轨道交通终端设备上传的进站交易数据,统计得到车站在各时段内的进站客流量,对于每一类特征日分别建立进站客流时间序列预测模型为:
其中,i为站点编号,b0、b1、b2和b3为常量参数,为站点i在当天时间段k内的进站客流量预测值,为站点i在当天时间段k-1内的进站客流量统计值,为站点i在前一个同类特征日时间段k内的进站客流量统计值,为站点i在前一个同类特征日时间段k-1内的进站客流量统计值。
可以借助SAS软件导入同类特征日的历史客流进站量统计数据对每一类特征日的模型参数b0、b1、b2和b3进行标定;通过实时上传的进站交易统计量能够提高下一个时间段进站客流量预测结果的可靠度。
Step6:根据实时上传的进站交易数据(可以仅包括进站记录信息,不需要完整的交易记录,以提高预测的实时性)统计当前时间段k内各站点的进站客流量,结合Step5中的进站客流时间序列预测模型建立下一时间段k+1内各站点的进站客流预测矩阵Ek+1为:
其中,矩阵元素下标i为站点编号,表示站点i在下一时间段k+1内的进站客流量预测值,矩阵非对角线元素值均为0;进站客流预测矩阵Ek+1是采用进站客流时间序列预测模型根据进站客流历史统计数据和实时上传的进站客流统计数据得到的。
Step7:结合Step4中的可更新的客流OD概率分配矩阵Ak和Step6中的进站客流预测矩阵Ek+1,建立轨道交通客流OD分布实时推测矩阵Sk+1为:
Sk+1=Ek+1Ak
其中,Sk+1为下一时间段k+1内进站客流的OD分布预测矩阵,矩阵中的第i行第j列的元素表示下一时间段k+1内由站点i进站的客流最终从站点j出站乘客数量的预测值;所述轨道交通客流OD分布实时推测矩阵Sk+1是对实时预测的进站客流量通过可更新的客流OD概率分配矩阵分配到各OD方向上。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种轨道交通客流OD分布实时推测方法,其特征在于:包括如下步骤:
(1)设定时间间隔Tg,按时间间隔Tg对时间进行分段,统计历史数据各站点在每个时间段内进站客流的OD分布量,得到全线网当天在第k个时间段内进站客流的OD分布矩阵Fk为:
其中,n为站点的总数;矩阵元素下标i和j为站点编号,表示在第k个时间段内由站点i进站的客流最终从站点j出站的乘客数量,当i=j时,
(2)基于Fk获得第k个时间段内进站客流的OD概率分布矩阵Ck为:
其中,矩阵元素表示在第k个时间段内由站点i进站的客流最终从站点j出站的概率,
(3)基于由历史交易数据得到的客流OD分布矩阵,分析轨道交通客流OD分布日变化规律,依照变化特征的类似性对日期进行分类;
(4)对于每一类特征日分别建立一个可更新的客流OD概率分配矩阵Ak为:
Ak=(1-α)Ak′+αCk
其中,Ak′为该类特征日未更新前的客流OD概率分配矩阵,α为平滑常数,其取值范围为[0,1];
(5)通过轨道交通终端设备上传的进站交易数据,统计得到车站在各时段内的进站客流量,对于每一类特征日分别建立进站客流时间序列预测模型为:
其中,i为站点编号,b0、b1、b2和b3为常量参数,为站点i在当天时间段k内的进站客流量预测值,为站点i在当天时间段k-1内的进站客流量统计值,为站点i在前一个同类特征日时间段k内的进站客流量统计值,为站点i在前一个同类特征日时间段k-1内的进站客流量统计值;
(6)根据实时上传的进站交易数据统计当前时间段k内各站点的进站客流量,结合步骤(5)中的进站客流时间序列预测模型建立下一时间段k+1内各站点的进站客流预测矩阵Ek+1为:
其中,矩阵元素下标i为站点编号,表示站点i在下一时间段k+1内的进站客流量预测值,矩阵非对角线元素值均为0;
(7)结合步骤(4)中的可更新的客流OD概率分配矩阵Ak和步骤(6)中的进站客流预测矩阵Ek+1,建立轨道交通客流OD分布实时推测矩阵Sk+1为:
Sk+1=Ek+1Ak
其中,Sk+1为下一时间段k+1内进站客流的OD分布预测矩阵,矩阵中的第i行第j列的元素表示下一时间段k+1内由站点i进站的客流最终从站点j出站的乘客数量的预测值。
2.根据权利要求1所述的轨道交通客流OD分布实时推测方法,其特征在于:所述步骤(3)中,变化特征包括客流OD分布的单一OD流量变化趋势、单一OD流量变化的波动性、各单一OD全日总量、客流高峰出现时间、客流高峰持续时间。
3.根据权利要求1所述的轨道交通客流OD分布实时推测方法,其特征在于:所述步骤(3)中,依照变化特征的类似性对日期进行分类,具体为:采用聚类分析方法,根据不同类型特征日之间客流OD变化特征“类间区别最大、类内区别最小”的原则进行分类。
4.根据权利要求1所述的轨道交通客流OD分布实时推测方法,其特征在于:所述步骤(4)中,可更新的客流OD概率分配矩阵Ak采用历史平滑的方法进行更新,平滑常数α的取值取决于同类特征日在一天中相同时间段客流OD分布的长期发展趋势和波动性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410202139.4A CN103984993B (zh) | 2014-05-13 | 2014-05-13 | 一种轨道交通客流od分布实时推测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410202139.4A CN103984993B (zh) | 2014-05-13 | 2014-05-13 | 一种轨道交通客流od分布实时推测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103984993A CN103984993A (zh) | 2014-08-13 |
CN103984993B true CN103984993B (zh) | 2017-01-25 |
Family
ID=51276954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410202139.4A Active CN103984993B (zh) | 2014-05-13 | 2014-05-13 | 一种轨道交通客流od分布实时推测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103984993B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200286B (zh) * | 2014-09-10 | 2017-06-06 | 东南大学 | 一种城市轨道交通时刻表优化技术应用框架 |
CN105095993A (zh) * | 2015-07-22 | 2015-11-25 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种轨道站点客流量预测***及方法 |
CN105224999A (zh) * | 2015-09-10 | 2016-01-06 | 北京市交通信息中心 | 基于afc数据的城市轨道交通实时客流预测方法及*** |
CN105719021A (zh) * | 2016-01-21 | 2016-06-29 | 中国铁路总公司 | 铁路客流预测方法及*** |
CN106021918B (zh) * | 2016-05-18 | 2019-03-08 | 上海电科智能***股份有限公司 | 一种轨道交通网络化运行推演算法 |
CN106127664B (zh) * | 2016-07-06 | 2019-07-30 | 北方工业大学 | 城市轨道交通换乘站高峰期客流控制方法 |
CN108921333B (zh) * | 2016-11-25 | 2021-04-27 | 口碑(上海)信息技术有限公司 | 一种业务量的预测方法及装置 |
CN107093096B (zh) * | 2016-12-15 | 2022-03-25 | 口碑(上海)信息技术有限公司 | 一种业务量预测方法及装置 |
CN106779241B (zh) * | 2016-12-30 | 2021-04-09 | 上海仪电物联技术股份有限公司 | 一种轨道交通短期客流预测方法 |
CN106709609B (zh) * | 2017-01-12 | 2019-12-03 | 北京交通大学 | 一种预测控制地铁车站进站量的方法 |
CN106845814A (zh) * | 2017-01-13 | 2017-06-13 | 东南大学 | 一种城市轨道交通运营时段划分方法 |
CN106897815B (zh) * | 2017-01-17 | 2021-03-12 | 北京万相融通科技股份有限公司 | 一种实时预测车站客流量趋势的方法 |
CN106875314B (zh) * | 2017-01-31 | 2020-11-10 | 东南大学 | 一种城市轨道交通线网客流od动态估计方法 |
CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
CN107704524A (zh) * | 2017-09-13 | 2018-02-16 | 大连理工大学 | 一种基于doc2vec的地铁站点功能挖掘方法 |
CN108846514B (zh) * | 2018-06-07 | 2020-07-28 | 同济大学 | 一种突发事件下轨道交通客流疏散需求预测方法 |
CN110245788B (zh) * | 2019-05-30 | 2022-08-12 | 河海大学 | 一种基于刷卡数据的地铁客流短期预测方法 |
CN110443422B (zh) * | 2019-08-05 | 2021-11-19 | 北京交通大学 | 基于od吸引度的城市轨道交通od客流预测方法 |
CN111598333B (zh) * | 2020-05-14 | 2024-05-31 | 北京轨道交通路网管理有限公司 | 客流数据的预测方法及装置 |
CN111696242B (zh) * | 2020-06-28 | 2021-08-03 | 广东君略科技咨询有限公司 | 一种基于大数据的区块链身份信息认证*** |
CN112070287A (zh) * | 2020-08-25 | 2020-12-11 | 五邑大学 | 旅客时变需求预测方法、装置、存储介质和计算机设备 |
CN114091757B (zh) * | 2021-11-23 | 2022-11-08 | 成都智元汇信息技术股份有限公司 | 基于客流分析预测的公交、地铁智能调度方法 |
CN114756775A (zh) * | 2022-04-20 | 2022-07-15 | 京东城市(北京)数字科技有限公司 | 车辆停靠点的确定方法和装置 |
CN117314504B (zh) * | 2023-11-28 | 2024-03-29 | 智达信科技术股份有限公司 | 一种公共交通客流预测方法及*** |
CN117575684B (zh) * | 2024-01-15 | 2024-04-05 | 杭州路过网络有限公司 | 一种客流量预测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266679A (zh) * | 2008-02-15 | 2008-09-17 | 上海申通轨道交通研究咨询有限公司 | 一种轨道交通辅助决策***及方法 |
CN102436603A (zh) * | 2011-08-29 | 2012-05-02 | 北京航空航天大学 | 基于概率树d预测的轨道交通全路网客流预测方法 |
CN103632212A (zh) * | 2013-12-11 | 2014-03-12 | 北京交通大学 | 一种时变用户均衡动态网络演化客流预测***和方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324128B (zh) * | 2011-05-24 | 2013-07-31 | 北京交通大学 | 基于ic卡记录的公交站间od客流预测方法及装置 |
CN102819885B (zh) * | 2012-08-10 | 2015-03-11 | 北京航空航天大学 | 一种城市公共交通客流信息的统计分析方法及*** |
-
2014
- 2014-05-13 CN CN201410202139.4A patent/CN103984993B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266679A (zh) * | 2008-02-15 | 2008-09-17 | 上海申通轨道交通研究咨询有限公司 | 一种轨道交通辅助决策***及方法 |
CN102436603A (zh) * | 2011-08-29 | 2012-05-02 | 北京航空航天大学 | 基于概率树d预测的轨道交通全路网客流预测方法 |
CN103632212A (zh) * | 2013-12-11 | 2014-03-12 | 北京交通大学 | 一种时变用户均衡动态网络演化客流预测***和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103984993A (zh) | 2014-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103984993B (zh) | 一种轨道交通客流od分布实时推测方法 | |
Toqué et al. | Forecasting dynamic public transport origin-destination matrices with long-short term memory recurrent neural networks | |
CN110866649B (zh) | 一种短期地铁客流预测方法、***及电子设备 | |
Nourinejad et al. | Ride-Sourcing modeling and pricing in non-equilibrium two-sided markets | |
Frumin et al. | Analyzing passenger incidence behavior in heterogeneous transit services using smartcard data and schedule-based assignment | |
WO2020083399A1 (zh) | 基于交通流数据的协调干线线路规划方法及配置*** | |
Qian et al. | Optimal dynamic pricing for morning commute parking | |
WO2015096400A1 (zh) | 一种利用移动通信数据挖掘进行公交规划的方法 | |
Comi et al. | Bus travel time variability: some experimental evidences | |
Fadaei et al. | Evaluating the impacts and benefits of public transport design and operational measures | |
Fabusuyi et al. | Decision analytics for parking availability in downtown Pittsburgh | |
CN109272168A (zh) | 一种城市轨道交通客流变化趋势预测方法 | |
CN111159247A (zh) | 一种区域交通拥堵传播轨迹挖掘方法 | |
Ma et al. | Measuring service reliability using automatic vehicle location data | |
CN108281033A (zh) | 一种停车诱导***及方法 | |
CN114399099A (zh) | 一种城市轨道交通断面客流的预测方法及装置 | |
Carrasco | Quantifying reliability of transit service in Zurich, Switzerland: case study of bus line 31 | |
Wang et al. | Joint optimization for the locations of time control points and corresponding slack times for a bus route | |
CN110021161A (zh) | 一种交通流向的预测方法及*** | |
Dhivya Bharathi et al. | Bus travel time prediction: a log-normal auto-regressive (AR) modelling approach | |
Coulaud et al. | Modeling dwell time in a data-rich railway environment: with operations and passenger flows data | |
Sánchez-Martínez et al. | Workshop 5 report: Harnessing big data | |
JP2019526092A (ja) | Vanetを用いた交通信号システムの制御と管理 | |
CN110197583A (zh) | 一种道路路况的识别方法、装置及存储介质 | |
Sánchez-Martínez | Running time variability and resource allocation: a data-driven analysis of high-frequency bus operations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |