CN108922168B - 一种中观层面事故多发道路判别的方法 - Google Patents
一种中观层面事故多发道路判别的方法 Download PDFInfo
- Publication number
- CN108922168B CN108922168B CN201810527789.4A CN201810527789A CN108922168B CN 108922168 B CN108922168 B CN 108922168B CN 201810527789 A CN201810527789 A CN 201810527789A CN 108922168 B CN108922168 B CN 108922168B
- Authority
- CN
- China
- Prior art keywords
- road
- accident
- traffic
- unit
- safety
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
针对路网密度较大的城市道路提出一种中观层面的事故多发道路判别方法。该方法通过在纵向上将城市道路相邻路段和交叉口依据道路横断面和交通运行特征组合为中观单元,在横向上计算中观单元两侧道路的路网形态。基于中观单元的几何设计、路网特征、交通特征三类数据,考虑了来自同一道路的中观单元的空间相关性,建立随机效应负二项模型,并计算其安全可提高空间,对事故多发道路进行判别。该方法:1)考虑了相邻路段和交叉口的相互影响,克服了传统安全分析模型中研究单元划分的问题;2)考虑了交叉口间距和路网形态对事故的影响;3)在中观层面对组合的路段和交叉口进行事故多发道路进行判别,较以往的传统判别方法更具有工程指导意义。
Description
技术领域
本发明涉及交通安全管理领域,特别涉及一种中观层面事故多发道路判别的方法。
背景技术
城市道路车道数多,交通流量大,交通方式多样,事故数多。在传统安全分析中,交叉口定义为交叉口中心到停车线间区域及上游安全影响区,路段定义为相邻交叉口中间的部分,并往往将路网中相邻的交叉口和路段分解为两类独立的研究单元分别进行研究。目前的事故多发道路判别方法多基于传统安全分析,即判别出单个路段或交叉口作为事故多发设施。然而,城市道路交叉口间距短,上海这一数字仅为300m,交叉口与路段运行状况相互影响,难以将交叉口和路段的事故分开。且目前实际工程应用中,一般以连续路段和交叉口作为一条事故多发道路进行安全改善。因而考虑将相邻路段和交叉口组合进行安全分析显得尤为重要。
事故多发道路判别就是基于安全性确定危险道路。目前事故多发路段判别方法主要分为三类:事故数法、空间分析法以及安全分析模型法。事故数法基于观测的事故绝对数直接进行判别,包括事故数法、事故率法等,我国交通部门在开展事故多发路段排查工作时常常采用此类方法,但是该方法忽略了事故的空间集聚性和随机波动性,易导致判别结果出现偏差。空间分析法利用空间分析技术识别点的集聚特征,从而判断事故的多发道路,然而该方法未考虑到事故的影响因素,无法为后期道路改善工作提供依据和帮助。构建安全分析模型可以用来分析事故的影响因素,并进行事故预测,基于事故预测值或构造其他指标如安全可提高空间(Potential for Safety Improvement,PSI),最终判别事故多发道路。
发明内容
本发明的目的是:针对路网密度较大的城市道路提出一种中观层面的事故多发道路判别方法。该方法通过在纵向上将城市道路相邻路段和交叉口依据道路横断面和交通运行特征组合为一个整体,该整体定义为中观单元,在横向上计算中观单元两侧道路的路网形态。基于中观单元的几何设计、路网特征、交通特征三类数据,考虑了来自同一道路的中观单元的空间相关性,建立随机效应负二项模型,并计算其安全可提高空间,对事故多发道路进行判别。
本发明所采用的技术方案是:
一种中观层面事故多发道路判别的方法,步骤如下:
步骤1:获取道路上所有路段及交叉口的几何设计、交通运行及事故数据。
利用街景地图得到道路几何设计数据,
基于线圈检测设备获取交通流量数据,根据浮动车数据提取路段的运行速度,
根据《上海市道路交通事故分析预警***》获取道路交通事故数据,并按照严重程度将其分为物损事故、伤亡事故。
步骤2:沿道路方向,将道路划分为中观研究单元。
根据步骤1获取的道路几何设计中的横断面参数、路段运行速度、路段长度,将道路划分为中观单元,即中观单元内的横断面、运行特征差异性较小。
步骤3:与道路相交方向,两侧均选用350m作为影响道路运行状况的路网范围,采用介度中心度量化(为本领域已知方法)路网的集聚性,将路网划分为方格、不规则方格、混合型三种路网形态。
步骤4:构建中观安全分析样本数据集。
以步骤2中划定的中观单元为基础,基于步骤1中路段和交叉口的道路几何特征变量、交通运行特征变量及总事故数、物损及伤亡事故数计算各中观单元的道路几何特征变量、交通运行特征变量及总事故数、物损及伤亡事故数,构建交通安全分析的样本数据集。
步骤5:建立随机效应负二项安全分析模型。
步骤5.1:针对总事故数构建随机效应负二项安全分析模型。假设路段交通事故数服从负二项分布:
yij~Negbin(θij,r) (1)
所述随机效应负二项安全分析模型方程为:
其中
yij为主干道i第j个中观单元的观测事故数,θij是yij的期望值,离散系数r服从Gamma分布(10-3,10-3),Xij为自变量,β为估计系数,为主干道随机效应,服从正态分布(0,1/a),其中a为精度参数,服从Gamma分布(10-3,10-3)。
步骤5.2:针对物损及伤亡事故数构建双因变量随机效应负二项安全分析模型。假设物损及伤亡事故服从负二项分布,yij1~Negbin(θij1,r1),yij2~Negbin(θij2,r2),所述双因变量随机效应负二项安全分析模型方程为:
其中
yij1某中观单元的物损事故数,yij2为中观单元的伤亡事故数,θij1是yij1的期望值,andθij2是yij2的期望值。是随机效应项。uij1和uij2是误差项,服从正态分布uij1~N(0,1/τ),τ是精确度参数,τ~gamma(0.001,0.001)。Xij1和Xij2是自变量。β和δm(m=1,2,3)为待估计系数。
步骤5.3:使用全贝叶斯方法估计交通安全模型参数。首先为参数设置一个特定的先验分布,再与观测数据结合得出后验分布,并通过马尔科夫链蒙特卡洛法(MarkovChainMonte Carlo,MCMC)完成参数估计。理论框架为:
其中,y为已发生的事故数,θ为事故数期望,L(y|θ)为似然函数,π(θ)为先验分布,π(θ|y)为在给定y条件下θ的后验分布,即将要发生的事故数期望,∫L(y|θ)π(θ)dθ为观测数据的边缘概率分布。
步骤6:计算安全可提高空间(Potential for Safety Improvement,PSI)。安全可提高空间为贝叶斯估计事故数与类似地点平均事故期望的差值,
其中,为地点ij事故类型k的安全可提高空间,k=0表示总事故,k=1表示物损事故,k=2表示伤亡事故。为依据贝叶斯估计方法按照公式(3)(4)计算的事故数,为依据普通极大似然估计方法按照公式(3)(4)计算的事故数。表示地点ij的事故超出了类似地点,并且由该地点相关特征所引起,可采取一定的改善措施将超出的事故降低到平均值。将样本数据代入PSI的计算公式,计算所有路段总体、物损、伤亡事故的安全可提高空间,对中观事故多发道路进行判别。
本发明的优点是:
本发明提出了一种中观层面事故多发道路判别的方法。其优点在于:
1)考虑了相邻路段和交叉口的相互影响,克服了传统安全分析模型中研究单元划分的问题;
2)考虑了交叉口间距和路网形态对事故的影响;
3)在中观层面对组合的路段和交叉口进行事故多发道路进行判别,较以往的传统判别方法更具有工程指导意义。
附图说明
图1为实施例中观单元示例
图2为实施例组合过程示例
图3为实施例的中观单元邻近路网范围
图4为事故多发道路判别结果
图5为本发明的流程图
具体实施方式
针对路网密度较大的城市道路,通过采集道路路段及交叉口几何设计、交通运行数据,沿着城市道路方向,将相邻路段和交叉口依据道路横断面特征包括中央分隔带、机非分隔带,交通运行特征,及道路范围组合为中观单元,在与道路相交方向,以交叉口间距作为路网范围,计算中观单元两侧道路的路网形态。基于中观单元的几何设计、路网特征、交通特征三类数据,考虑了来自同一道路的中观单元的空间相关性,针对总事故数建立随机效应负二项模型,针对物损及伤亡事故数建立二元因变量随机效应负二项模型,并计算中观单元的安全可提高空间,对事故多发道路进行判别。
下面结合附图和具体实施例对本发明进行详细说明,步骤如下:
步骤1:获取道路上所有路段及交叉口的几何设计、交通运行及事故数据。利用街景地图得到道路几何设计数据,基于线圈检测设备获取交通流量数据,根据浮动车数据提取路段的运行速度,根据交通事故的严重程度将事故分为物损事故、伤亡事故。
步骤2:沿道路方向,将道路划分为中观研究单元。根据横断面设计参数、道路运行速度、道路范围,将道路划分为中观研究单元,即中观单元内的横断面、运行特征差异性较小。
步骤3:与道路相交方向,两侧均选用350m作为影响道路运行状况的路网范围,采用介度中心度量化路网的集聚性,将路网划分为方格,不规则方格,混合型三种路网形态。
步骤4:构建中观安全分析样本数据集。提取各中观单元的道路几何特征变量、交通运行特征变量及总事故数、物损及伤亡事故数,构建交通安全分析的样本数据集。
步骤5:建立随机效应负二项安全分析模型。
步骤5.1:针对总事故数构建随机效应负二项安全分析模型。假设路段交通事故数服从负二项分布,yij~Negbin(θij,r),模型方程为yij为主干道i第j个中观单元的观测事故数,θij是yij的期望值,离散系数r服从Gamma分布(10-3,10-3),Xij为自变量,β为估计系数,为主干道随机效应,服从正态分布(0,1/a),其中a为精度参数,服从Gamma分布(10-3,10-3)。
步骤5.2:针对物损及伤亡事故数构建二元因变量随机效应负二项交通安全模型。假设物损及伤亡事故服从负二项分布,模型方程为 其中yij1某中观单元的物损事故数,yij2为中观单元的伤亡事故数,θij1是yij1的期望值,andθij2是yij2的期望值。是随机效应项。uij1和uij2是误差项,服从正态分布uij1~N(0,1/τ),τ是精确度参数,τ~gamma(0.001,0.001)。Xij1和Xij2是自变量。β和δm(m=1,2,3)为待估计系数。
步骤5.3:使用全贝叶斯方法估计交通安全模型参数。首先为参数设置一个特定的先验分布,再与观测数据结合得出后验分布,并通过马尔科夫链蒙特卡洛法(Markov ChainMonte Carlo,MCMC)完成参数估计。理论框架为其中y为已发生的事故数,θ为事故数期望,L(y|θ)为似然函数,π(θ)为先验分布,π(θ|y)为在给定y条件下θ的后验分布,即将要发生的事故数期望,∫L(y|θ)π(θ)dθ为观测数据的边缘概率分布。
步骤6:计算安全可提高空间(Potential for Safety Improvement,PSI)。安全可提高空间为贝叶斯估计事故数与类似地点平均事故期望的差值,即 其中,为路段ij事故类型k的安全可提高空间,k=0表示总事故,k=1表示物损事故,k=2表示伤亡事故。表示路段ij的事故超出了类似地点,并且由该路段相关特征所引起,可采取一定的改善措施将超出的事故降低到平均值。将样本数据代入PSI计算公式,计算所有路段总体、物损、伤亡事故的安全可提高空间。
给出测试实施例,进一步利用地理信息***作为空间数据库,选取上海市21条主干道,包括411个路段(相邻两个交叉口之间的道路)和411个信控交叉口。并收集道路几何设计、交通运行及交通事故数据,测试本发明。
对本发明步骤2“沿道路方向,将道路划分为中观研究单元”的详细过程为:
交叉口及路段组合步骤如下:
1)将主干道在路段中央分隔带和机非分隔带设置发生变化时打断。考虑到如果在交叉口处将道路进行打断,交叉口事故难以合理分配到两侧路段上,因而组合单元的起点和终点均为路段中点,如图1所示。
2)绘制每条主干道路段速度分布图,计算该主干道平均速度。图2为某主干道路段速度曲线示例,共23个路段,图中顶点表示每个路段的平均速度,整条主干道平均速度为35km/h。
3)将高于主干道平均速度的相邻路段组合在一起,低于平均速度的路段组合在一起。在图2中,该主干道于路段A和C打断,从0-A,速度高于35km/h,从A-C,速度低于35km/h。
4)在速度突变点将道路打断以减少同一组合单元内路段的速度差异。图2中,速度突变点为B,D,E,该主干道被划分为6个组合单元:0-A,A-B,B-C,C-D,D-E,E-终点。为了区分中观路段与微观路段,尽量保证一个中观单元中包含两个及以上的交叉口。
最终将21条主干道划分为118个中观单元,平均长度为1230m。
步骤3“与道路相交方向,两侧均选用350m作为影响道路运行状况的路网范围,采用介度中心度量化路网的集聚性,将路网划分为方格,不规则方格,混合型三种路网形态。”的详细实施过程:
主干道两侧的路网形态影响主干道运行状况及通达性,进一步影响主干道安全状况。考虑到主干道两侧与其相交道路的第一个路段直接影响主干道的交通运行状况,经过计算外环内路网的平均路网间距为353m,因而路网两侧范围分别采用350m。图3黑色多边形展示了每个中观单元邻近路网范围,黑色多边形内的灰色线为实际道路路网。
基于步骤4中得到的118个中观样本数据集Xij包括道路几何特征变量、交通运行特征变量,及yij事故数,建立步骤5中的安全分析模型,如下所示:
分别根据贝叶斯方法和极大似然估计方法得到模型估计结果β,根据两种方法的估计结果分别计算和依照步骤6计算安全可提高空间,如下所示:
依据的大小对事故多发道路进行排序,对事故多发路段进行判别,较大的道路为事故多发道路,判别结果如图4所示,黑色道路为安全可提高空间值较大的道路。
Claims (1)
1.一种中观层面事故多发道路判别的方法,其特征在于,步骤如下:
步骤1:获取道路上所有路段及交叉口的几何设计、交通运行及事故数据;利用街景地图得到道路几何设计数据,基于线圈检测设备获取交通流量数据,根据浮动车数据提取路段的运行速度,根据交通事故的严重程度将事故分为物损事故、伤亡事故;
步骤2:沿道路方向,将道路划分为中观研究单元;根据横断面设计参数、道路运行速度、道路范围,将道路划分为中观研究单元,即中观单元内的横断面、运行特征差异性较小;
步骤3:与道路相交方向,两侧均选用350m作为影响道路运行状况的路网范围,采用介度中心度量化路网的集聚性,将路网划分为方格,不规则方格,混合型三种路网形态;
步骤4:构建中观安全分析样本数据集;提取各中观单元的道路几何特征变量、交通运行特征变量及总事故数、物损及伤亡事故数,构建交通安全分析的样本数据集;
步骤5:建立随机效应负二项安全分析模型;
步骤5.1:针对总事故数构建随机效应负二项交通安全模型;假设路段交通事故数服从负二项分布,yij~Negbin(θij,r),模型方程为yii为主干道i第j个中观单元的观测事故数,θij是yij的期望值,离散系数r服从Gamma分布(0.001,0.001),Xii为自变量,β为估计系数,为主干道随机效应,服从正态分布(0,1/a),其中a为精度参数,服从Gamma分布(0.001,0.001);
步骤5.2:针对物损及伤亡事故数构建二元因变量随机效应负二项交通安全模型;假设物损及伤亡事故服从负二项分布,yij1~Negbin(θij1,r1),yij2~Negbin(θij2,r2),模型方程为 其中yij1某中观单元的物损事故数,yij2为中观单元的伤亡事故数,θij1是yij1的期望值,θij2是yij2的期望值;是随机效应项;uij1和uij2是误差项,服从正态分布uij1~N(0,1/τ),τ是精确度参数,τ~gamma(0.001,0.001);Xij1和Xij2是自变量;β和δm为待估计系数;
使用全贝叶斯方法估计交通安全模型参数;首先为参数设置一个特定的先验分布,再与观测数据结合得出后验分布,并通过马尔科夫链蒙特卡洛法完成参数估计;理论框架为其中y为已发生的事故数,θ为事故数期望,L(y|θ)为似然函数,π(θ)为先验分布,π(θ|y)为在给定y条件下θ的后验分布,即将要发生的事故数期望,∫L(y|θ)π(θ)dθ为观测数据的边缘概率分布;
步骤6:计算安全可提高空间;安全可提高空间为贝叶斯估计事故数与类似地点平均事故期望的差值,即其中,为地点ij事故类型k的安全可提高空间,k=0表示总事故,k=1表示物损事故,k=2表示伤亡事故;表示地点ij的事故超出了类似地点,并且由该地点相关特征所引起,可采取改善措施将超出的事故降低到平均值;将样本数据代入计算公式,计算所有地点总体、物损、伤亡事故的安全可提高空间,从而判别事故多发道路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810527789.4A CN108922168B (zh) | 2018-05-29 | 2018-05-29 | 一种中观层面事故多发道路判别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810527789.4A CN108922168B (zh) | 2018-05-29 | 2018-05-29 | 一种中观层面事故多发道路判别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108922168A CN108922168A (zh) | 2018-11-30 |
CN108922168B true CN108922168B (zh) | 2019-10-18 |
Family
ID=64418245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810527789.4A Active CN108922168B (zh) | 2018-05-29 | 2018-05-29 | 一种中观层面事故多发道路判别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108922168B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599769B (zh) * | 2019-09-10 | 2022-08-09 | 南京城建隧桥经营管理有限责任公司 | 一种城市路网中分时段道路重要性的分级排序方法 |
CN112419709B (zh) * | 2020-10-16 | 2021-11-09 | 同济大学 | 一种基于路段异质性的快速路事故风险实时预测方法 |
CN113887569B (zh) * | 2021-09-09 | 2022-10-25 | 同济大学 | 一种基于区域尺度的事故多发区域判别方法 |
CN113919144A (zh) * | 2021-09-27 | 2022-01-11 | 同济大学 | 一种山区高速公路事故致因分析模型建模方法及存储介质 |
CN113920725B (zh) * | 2021-09-30 | 2022-12-16 | 同济大学 | 一种基于中观层面的城郊主干道事故预测方法及存储介质 |
CN113920738B (zh) * | 2021-10-26 | 2023-04-21 | 北京工业大学 | 一种基于不同国家合并数据的城市主干路安全分析模型迁移方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807224A (zh) * | 2010-03-24 | 2010-08-18 | 上海交通大学 | 中微观一体化交通仿真车流加载方法 |
CN101833610A (zh) * | 2010-04-09 | 2010-09-15 | 北京工业大学 | 事故黑点鉴别优化方法 |
CN101853575A (zh) * | 2010-05-31 | 2010-10-06 | 北京航空航天大学 | 基于二维激光扫描仪的路***通冲突检测及安全评价方法 |
CN102103715A (zh) * | 2010-11-18 | 2011-06-22 | 上海海事大学 | 基于负二项回归的水上交通事故调查分析和预测方法 |
CN106875687A (zh) * | 2017-04-24 | 2017-06-20 | 哈尔滨工业大学 | 一种基于滑动窗法的事故多发路段自动鉴别方法 |
-
2018
- 2018-05-29 CN CN201810527789.4A patent/CN108922168B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807224A (zh) * | 2010-03-24 | 2010-08-18 | 上海交通大学 | 中微观一体化交通仿真车流加载方法 |
CN101833610A (zh) * | 2010-04-09 | 2010-09-15 | 北京工业大学 | 事故黑点鉴别优化方法 |
CN101853575A (zh) * | 2010-05-31 | 2010-10-06 | 北京航空航天大学 | 基于二维激光扫描仪的路***通冲突检测及安全评价方法 |
CN102103715A (zh) * | 2010-11-18 | 2011-06-22 | 上海海事大学 | 基于负二项回归的水上交通事故调查分析和预测方法 |
CN106875687A (zh) * | 2017-04-24 | 2017-06-20 | 哈尔滨工业大学 | 一种基于滑动窗法的事故多发路段自动鉴别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108922168A (zh) | 2018-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108922168B (zh) | 一种中观层面事故多发道路判别的方法 | |
CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
CN109448369B (zh) | 高速公路实时运行风险计算方法 | |
Debnath et al. | Navigational traffic conflict technique: a proactive approach to quantitative measurement of collision risks in port waters | |
CN102360525B (zh) | 基于判别分析的快速道路实时交通事故风险预测方法 | |
CN104408925B (zh) | 基于陈列雷达的交叉口运行状态评价方法 | |
CN104751642B (zh) | 一种高等级道路交通流运行风险实时预估方法 | |
CN110164132B (zh) | 一种道路交通异常的检测方法及*** | |
Wang et al. | Crash estimation at signalized intersections: significant factors and temporal effect | |
CN102360526B (zh) | 一种快速道路路段状态的实时监测方法 | |
CN116644373B (zh) | 基于人工智能的汽车流量数据分析管理*** | |
CN104809879A (zh) | 基于动态贝叶斯网络的高速公路路段交通状态估计方法 | |
CN105825669A (zh) | 一种识别城市快速路交通瓶颈的***和方法 | |
CN104732075A (zh) | 一种城市道路交通事故风险实时预测方法 | |
CN114783183A (zh) | 一种基于交通态势算法的监控方法与*** | |
CN111179592B (zh) | 基于时空数据流融合分析的城市交通预测方法和*** | |
CN105513362B (zh) | 一种公交站台毗邻区公交车运行状态评价验证方法 | |
CN113033840B (zh) | 一种公路养护的判断方法和装置 | |
CN100481153C (zh) | 基于偏最小二乘原理的高速公路交通事件自动检测方法 | |
CN106526149B (zh) | 一种基于通车时长和交通量的路面使用性能预测方法 | |
CN109598931A (zh) | 基于交通安全风险的群体划分与差异性分析方法及*** | |
CN113935158A (zh) | 一种针对高速公路事故多发点的交通检测器优化布设方法 | |
CN104575049B (zh) | 一种基于阵列雷达的高架匝道智能诱导方法及装置 | |
CN109710720A (zh) | 一种顾及背景效应的犯罪风险环境因素影响分析方法 | |
CN111915880A (zh) | 一种高速公路异常事件事发点有效通行能力估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |