CN109165800A - 一种实现报废汽车回收量准确预测的方法 - Google Patents
一种实现报废汽车回收量准确预测的方法 Download PDFInfo
- Publication number
- CN109165800A CN109165800A CN201811270323.7A CN201811270323A CN109165800A CN 109165800 A CN109165800 A CN 109165800A CN 201811270323 A CN201811270323 A CN 201811270323A CN 109165800 A CN109165800 A CN 109165800A
- Authority
- CN
- China
- Prior art keywords
- particle
- yield
- abandoned car
- prediction
- model
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/30—Administration of product recycling or disposal
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Sustainable Development (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种实现报废汽车回收量准确预测的方法,包含如下步骤:S1,使用一阶单变量微分灰色模型和三次指数平滑模型分别对影响报废汽车回收量进行预测并对预测的结果进行比较;S2,使用一阶多变量微分灰色模型,将一阶单变量微分灰色模型和三次指数平滑模型预测的结果作为决策变量,回收量历史数据作为被决策变量,获得回收量的一阶多变量微分灰色模型拟合值;S3,使用一阶多变量微分灰色模型拟合出的回收量预测值对粒子群优化的BP神经网络进行训练;S4,使用训练好的粒子群优化的BP神经网络用来预测报废汽车回收量。
Description
技术领域
本发明涉及预测的方法,特别涉及一种实现报废汽车回收量准确预测的方法。
背景技术
汽车工业在大多数国家是最大的工业之一。汽车工业生产和销售汽车的增加也将带来报废汽车数量的增加。根据中国国家***发布的数据,中国民用汽车拥有量由2005年的0.19亿量,增加到2015年的1.41亿量,10年间,增加了7.4倍。据上海市机动车管理所数据,在2005年-2015年间,上海市汽车注销量为707万辆,注销车辆均进入了回收拆解和再利用渠道。很显然,在未来的几十年里,随着汽车拥有量的增加,报废汽车的数量将会大量增加。车辆在其使用阶段和使用车辆报废阶段都会对环境造成大量污染。因此有必要构建逆向供应链来管理报废车辆的回收。预测报废汽车数量是构建可靠逆向供应链的基础。预测报废汽车的数量有利于报废车辆的再利用,有利于报废汽车行业的决策,也有利于政府制定相关的法律法规。
综上所述,需要有效的预测技术和方法作为管理报废汽车回收的工具。需要考虑到了影响报废汽车回收的许多因素以及这些因素之间的相互关系,也需要考虑适用于处理不确定、小样本数据,同时还要确保预测的精度。
发明内容
本发明的目的是提供一种实现报废汽车回收量准确预测的方法,能够在考虑到了影响报废汽车回收的许多因素以及这些因素之间的相互关系,在处理不确定、小样本数据的同时确保预测的精度。
为了实现以上目的,本发明是通过以下技术方案实现的:
一种实现报废汽车回收量准确预测的方法,其特点是,包含如下步骤:
S1,使用一阶单变量微分灰色模型和三次指数平滑模型分别对影响报废汽车回收量进行预测并对预测的结果进行比较;
S2,使用一阶多变量微分灰色模型,将一阶单变量微分灰色模型和三次指数平滑模型预测的结果作为决策变量,回收量历史数据作为被决策变量,获得回收量的一阶多变量微分灰色模型拟合值;
S3,使用一阶多变量微分灰色模型拟合出的回收量预测值对粒子群优化的BP神经网络进行训练;
S4,使用训练好的粒子群优化的BP神经网络用来预测报废汽车回收量。
所述的步骤S1具体包含:
步骤S1.1,采用一阶单变量微分灰色模型对影响报废汽车回收量若干个因素进行预测;
步骤S1.2,采用三次指数平滑模型对影响报废汽车回收量若干个因素进行预测;
步骤S1.3,对所述步骤S1.1和S1.2的预测结果进行比较。
所述的步骤S3包含:
步骤S3.1、建立粒子群算法:
在群鸟觅食模型中,每只鸟看成一个粒子,鸟群被看成粒子群,设在一个D维的目标搜索空间中,有m个粒子组成一个群体,其中第i个粒子(i=1,2,…,m)位置表示为即第i个粒子在D维搜索空间的位置Xi,将Xi代入目标函数计算出适应值,根据适应值的大小衡量其优劣,粒子个体经历过的最好位置记为整个群体所有粒子经过的最好位置为粒子i的速度记为
粒子群算法用下列公式对粒子所在的位置不断更新
其中,i=1,2,…,m;d=1,2,…,D;ω为惯性因子,是非负数;加速常数c1和c2是非负常数;r1和r2是[0,1]范围内变换的随机数;a为约束因子,控制速度的权重;vmax为常数,可以根据不同的优化问题设定;
S3.2、建立BP神经网络,用于处理非线性信息。
所述的步骤S4具体为:采用粒子群算法优化算法来优化所述的BP神经网络,粒子群算法来训练BP神经网络的权值和阈值后再由剃度下降法来训练BP神经网络的权值和阈值。
本发明与现有技术相比,具有以下优点:
本发明所提供的基于灰度模型、指数平滑法和粒子群优化的人工神经网络实现报废汽车回收量准确预测的方法,与现有技术相比,具有以下有益效果:(1)本发明适用于处理不确定、小样本非线性特征数据;(2)本发明考虑到了影响报废汽车回收的许多因素以及这些因素之间的相互关系,预测能力优于单一因素预测方法;(3)通过优化输入层与隐含层之间的权重和阈值,粒子群算法对反向传播神经模型有正向影响;(4)本发明提出的灰度人工神经网络预测方法与其他模型相比,实现了提高报废汽车回收量预测的精度。
附图说明
图1为本发明一种实现报废汽车回收量准确预测的方法的流程图。
具体实施方式
以下结合附图,通过详细说明一个较佳的具体实施例,对本发明做进一步阐述。
如图1所示,一种实现报废汽车回收量准确预测的方法,包含如下步骤:
S1,使用一阶单变量微分灰色模型和三次指数平滑模型分别对影响报废汽车回收量进行预测并对预测的结果进行比较;
S2,使用一阶多变量微分灰色模型,将一阶单变量微分灰色模型和三次指数平滑模型预测的结果作为决策变量,回收量历史数据作为被决策变量,获得回收量的一阶多变量微分灰色模型拟合值;
S3,使用一阶多变量微分灰色模型拟合出的回收量预测值对粒子群优化的BP神经网络进行训练;
S4,使用训练好的粒子群优化的BP神经网络用来预测报废汽车回收量。
所述的步骤S1具体包含:
步骤S1.1,采用一阶单变量微分灰色模型对影响报废汽车回收量若干个因素进行预测,具体地为了提高预测的性能,减少历史数据的非平稳性和非线性,由于一阶单变量微分灰色模型对样本量没有过多的要求,是一种研究少数据、贫信息不确定性问题的方法,首先应用一阶单变量微分灰色模型对影响报废汽车回收量10个因素进行预测。
步骤S1.2,采用三次指数平滑模型对影响报废汽车回收量若干个因素进行预测;
由于指数平滑法认为时间序列的态势具有规则性,时间序列可被合理地顺势推延,最近的过去态势。当时间数列无明显的趋势变化,可用一次指数平滑预测。二次指数平滑是对一次指数平滑的再平滑。它适用于具线性趋势的时间数列,三次指数平滑预测是二次平滑基础上的再平滑。再应用三次指数平滑法对影响报废汽车回收量10个因素进行预测。
三次指数预测模型为
为一次指数平滑值
为二次指数平滑值
一阶单变量微分灰色模型和指数平滑法预测的结果采用MAE、RMSE、MAPE和TIC进行评价。
MAE、RMSE、MAPE和TIC分别为:
步骤S1.3,对所述步骤S1.1和S1.2的预测结果进行比较。
所述的步骤S3包含:
步骤S3.1、建立粒子群算法,粒子群算法源于群鸟觅食。每只鸟能够记住自己所找到的最好位置,称之为局部最优,每只鸟还能记住群鸟中所有个体所能找到的最好位置,称之为全局最优,整个鸟群的觅食位置不断迭代,使鸟群趋向全局最优移动。粒子群算法用位置更新公式对粒子所在的位置不断更新。
在群鸟觅食模型中,每只鸟看成一个粒子,鸟群被看成粒子群,设在一个D维的目标搜索空间中,有m个粒子组成一个群体,其中第i个粒子(i=1,2,…,m)位置表示为即第i个粒子在D维搜索空间的位置Xi,将Xi代入目标函数计算出适应值,根据适应值的大小衡量其优劣,粒子个体经历过的最好位置记为整个群体所有粒子经过的最好位置为粒子i的速度记为
粒子群算法用下列公式对粒子所在的位置不断更新
其中,i=1,2,…,m;d=1,2,…,D;ω为惯性因子,是非负数;加速常数c1和c2是非负常数;r1和r2是[0,1]范围内变换的随机数;a为约束因子,控制速度的权重;vmax为常数,可以根据不同的优化问题设定;
S3.2、建立BP神经网络,用于处理非线性信息。
反向传播(BP)算法的核心是“负梯度下降”理论,反向传播网络的误差调整方向总是沿着误差下降最快的方向进行。随着误差逆向传播修正的反复进行,网络对输入模式响应的正确率也不断上升。
反向传播神经网络的训练在分析一组测试数据的基础上去求自变量与因变量之间近似函数关系表达式。拟合过程为找出某函数的过程,使能够最佳地拟合数据。
反向传播神经网络模拟人脑神经元对外部激励信号的反应过程,建立多层感知器模型来用于处理非线性信息。从人脑科学中抽象出来的人工神经网络具有信息的并行处理能力,自学习能力和推理能力。反向传播神经网络具有三层或三层以上神经元的神经网络,包括输入层、隐含层和输出层,上下层之间实现全连接,而同一层的神经元之间无连接,输入层神经元与隐含层神经元之间的是网络的权值,权值指两个神经元之间的连接强度。隐含层或输出层任一神经元将前一层所有神经元传来的信息进行整合,在整合过的信息中添加阈值,阈值是指神经元需达到一定的阈值才会触发,将整合过的信息作为该层神经元的输入。
所述的步骤S4具体为:采用粒子群算法优化算法来优化所述的BP神经网络,粒子群算法来训练BP神经网络的权值和阈值后再由剃度下降法来训练BP神经网络的权值和阈值。
用粒子群算法现行训练BP网络的参数,以便改善BP算法性能。优化的学习算法中,粒子向量Xi=(Xi1,Xi2,...,Xid)各元素的值表示BP神经网络中权值和阈值,其中d为BP网络中的所有权值和阈值个数。粒子群算法中粒子的适应度函数为:
式中,n表示样本个数,popIndex=1,2,…,popSize,,popSize表示粒子的个数,Yij表示第I个样本的第j个理想输出值,yij表示第I个样本的第j个实际输出值。
PSO-BP实现步骤:
(1)初始化BP神经网络各层神经元的个数及隐含层的层数。
(2)初始化粒子的位置向量、速度向量的维数、粒子群的规模、学习因子c1和c2,惯性权重ω,粒子群及每个粒子的速度和个体极值pbest和全局最优值gbest、确定适应度函数。
(3)使用训练样本对每一粒子进行前向传播计算训练误差,然后根据适应度函数计算粒子的适应度。
(4)根据各粒子的适应度值更新个体极值和全局最优值。
(5)根据个体极值和全局最优值更新各粒子速度和位置。
(6)判断粒子群的适应度,是否达到预设的误差标准和最大迭代次数。
灰色神经网络组合预测模型与传统预测模型相比,所提出的模型具有更好的预测性能,使得预测更为接近实际值。
综上所述,本发明所提供的基于灰度模型、指数平滑法和粒子群优化的人工神经网络实现报废汽车回收量准确预测的方法,适用于处理不确定、小样本非线性特征数据并且考虑到了影响报废汽车回收的许多因素以及这些因素之间的相互关系,预测能力优于单一因素预测方法,提高报废汽车回收量预测的精度。。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (4)
1.一种实现报废汽车回收量准确预测的方法,其特征在于,包含如下步骤:
S1,使用一阶单变量微分灰色模型和三次指数平滑模型分别对影响报废汽车回收量进行预测并对预测的结果进行比较;
S2,使用一阶多变量微分灰色模型,将一阶单变量微分灰色模型和三次指数平滑模型预测的结果作为决策变量,回收量历史数据作为被决策变量,获得回收量的一阶多变量微分灰色模型拟合值;
S3,使用一阶多变量微分灰色模型拟合出的回收量预测值对粒子群优化的BP神经网络进行训练;
S4,使用训练好的粒子群优化的BP神经网络用来预测报废汽车回收量。
2.如权利要求1所述的实现报废汽车回收量准确预测的方法,其特征在于,所述的步骤S1具体包含:
步骤S1.1,采用一阶单变量微分灰色模型对影响报废汽车回收量若干个因素进行预测;
步骤S1.2,采用三次指数平滑模型对影响报废汽车回收量若干个因素进行预测;
步骤S1.3,对所述步骤S1.1和S1.2的预测结果进行比较。
3.如权利要求1所述的实现报废汽车回收量准确预测的方法,其特征在于,所述的步骤S3包含:
步骤S3.1、建立粒子群算法:
在群鸟觅食模型中,每只鸟看成一个粒子,鸟群被看成粒子群,设在一个D维的目标搜索空间中,有m个粒子组成一个群体,其中第i个粒子(i=1,2,…,m)位置表示为即第i个粒子在D维搜索空间的位置Xi,将Xi代入目标函数计算出适应值,根据适应值的大小衡量其优劣,粒子个体经历过的最好位置记为整个群体所有粒子经过的最好位置为粒子i的速度记为
粒子群算法用下列公式对粒子所在的位置不断更新
其中,i=1,2,…,m;d=1,2,…,D;ω为惯性因子,是非负数;加速常数c1和c2是非负常数;r1和r2是[0,1]范围内变换的随机数;a为约束因子,控制速度的权重;vmax为常数,可以根据不同的优化问题设定;
S3.2、建立BP神经网络,用于处理非线性信息。
4.如权利要求1所述的实现报废汽车回收量准确预测的方法,其特征在于,所述的步骤S4具体为:采用粒子群算法优化算法来优化所述的BP神经网络,粒子群算法来训练BP神经网络的权值和阈值后再由剃度下降法来训练BP神经网络的权值和阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811270323.7A CN109165800A (zh) | 2018-10-29 | 2018-10-29 | 一种实现报废汽车回收量准确预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811270323.7A CN109165800A (zh) | 2018-10-29 | 2018-10-29 | 一种实现报废汽车回收量准确预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109165800A true CN109165800A (zh) | 2019-01-08 |
Family
ID=64875476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811270323.7A Pending CN109165800A (zh) | 2018-10-29 | 2018-10-29 | 一种实现报废汽车回收量准确预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165800A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401655A (zh) * | 2020-03-26 | 2020-07-10 | 上海第二工业大学 | 一种医疗废弃物回收设施选址的决策方法 |
CN114936514A (zh) * | 2022-04-20 | 2022-08-23 | 东北电力大学 | 一种基于改进灰色模型的锂离子电池寿命预测方法及装置 |
CN115186906A (zh) * | 2022-07-15 | 2022-10-14 | 中远海运科技股份有限公司 | 一种集装箱经营性租赁还箱智能预测方法及平台 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682759A (zh) * | 2016-08-30 | 2017-05-17 | 大连理工大学 | 针对电动出租车的电池供应***及网络优化方法 |
-
2018
- 2018-10-29 CN CN201811270323.7A patent/CN109165800A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682759A (zh) * | 2016-08-30 | 2017-05-17 | 大连理工大学 | 针对电动出租车的电池供应***及网络优化方法 |
Non-Patent Citations (1)
Title |
---|
HAOHAO 等: "Forecasting the number of end-of-life vehicles using a hybrid model based on grey model and artificial neural network", 《JOURNAL OF CLEANER PRODUCTION》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401655A (zh) * | 2020-03-26 | 2020-07-10 | 上海第二工业大学 | 一种医疗废弃物回收设施选址的决策方法 |
CN114936514A (zh) * | 2022-04-20 | 2022-08-23 | 东北电力大学 | 一种基于改进灰色模型的锂离子电池寿命预测方法及装置 |
CN114936514B (zh) * | 2022-04-20 | 2022-12-02 | 东北电力大学 | 一种基于改进灰色模型的锂离子电池寿命预测方法及装置 |
CN115186906A (zh) * | 2022-07-15 | 2022-10-14 | 中远海运科技股份有限公司 | 一种集装箱经营性租赁还箱智能预测方法及平台 |
CN115186906B (zh) * | 2022-07-15 | 2024-01-19 | 中远海运科技股份有限公司 | 一种集装箱经营性租赁还箱智能预测方法及平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
Li et al. | Prediction for tourism flow based on LSTM neural network | |
CN106448151B (zh) | 一种短时交通流预测方法 | |
CN110555990B (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN110458336B (zh) | 一种基于深度学习的网约车供需预测方法 | |
CN108764520B (zh) | 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法 | |
CN107967803A (zh) | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 | |
CN109165800A (zh) | 一种实现报废汽车回收量准确预测的方法 | |
CN107480815A (zh) | 一种电力***台区负荷预测方法 | |
CN113469470B (zh) | 基于电力大脑中枢的用能数据与碳排放量关联分析方法 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN110443448B (zh) | 一种基于双向lstm的飞机机位分类预测方法和*** | |
CN104778508A (zh) | 一种基于多源数据融合的公共自行车租借预测方法 | |
CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
CN111160650B (zh) | 一种基于Adaboost算法的交通流特性分析与预测方法 | |
CN109637196A (zh) | 航路扇区交通概率密度预测方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN110210656A (zh) | 基于站点行为分析的共享单车流量预测方法及*** | |
CN113076686A (zh) | 一种基于社会长短期记忆网络的航空器轨迹预测方法 | |
CN116911434A (zh) | 一种机场运行态势预测方法、装置、***以及存储介质 | |
CN107301478A (zh) | 一种电缆线路短时负荷预测方法 | |
CN104217296A (zh) | 一种上市公司绩效综合评价方法 | |
CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN110222892A (zh) | 乘客的下车站点预测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |