CN110874668A - 一种轨道交通od客流预测方法、***及电子设备 - Google Patents
一种轨道交通od客流预测方法、***及电子设备 Download PDFInfo
- Publication number
- CN110874668A CN110874668A CN201811020871.4A CN201811020871A CN110874668A CN 110874668 A CN110874668 A CN 110874668A CN 201811020871 A CN201811020871 A CN 201811020871A CN 110874668 A CN110874668 A CN 110874668A
- Authority
- CN
- China
- Prior art keywords
- travel
- passenger
- trip
- fixed
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013398 bayesian method Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 6
- -1 periodo Chemical group 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 230000007774 longterm Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种轨道交通OD客流预测方法、***及电子设备。该方法包括:步骤a:收集历史智能交通卡交易数据,并基于所述历史智能交通卡交易数据获取乘客的历史固定出行模式;步骤b:接收乘客的进站记录,并根据所述乘客的历史固定出行模式和当前进站记录对乘客的本次出行类型进行分类,判断本次出行属于固定出行还是随机出行,如果本次出行属于固定出行,根据所述乘客的历史固定出行模式得到本次出行的目的站点;如果本次出行属于随机出行,执行步骤c;步骤c:基于到达不同站点所花费的时间,采用贝叶斯方法动态计算所述乘客的随机出行目的站点。相对于现有技术,本申请更适用于轨道交通的OD实时估计,且预测精度更高。
Description
技术领域
本申请属于轨道交通客流预测技术领域,特别涉及一种轨道交通OD客流预测方法、***及电子设备。
背景技术
轨道交通作为公共交通的重要组成部分,具有速度快、时间准、运量大、运距长、舒适度高、受外界影响小等特点,其在城市公共交通流量大、道路拥堵等问题起着重要的作用,已日益成为市民出行的首选交通方式。实时估算地铁两站点之间的客流(O-D客流)是地铁区间车、接驳车等规划制定的基础。对于当前已进站的乘客,我们只知道其进站站点和时间,不知道其目的站点。
现有方法主要借助于道路交通OD估计方法来估计地铁OD客流,但是由于相比道路交通,轨道交通可采集的信息有限,例如现有轨道交通都无法获取到断面流量,因此在预测精准度方面不够。虽然通过自动收费***获取到乘客乘坐地铁的进出站数据,并通过历史平均值来估算当前的OD矩阵,但这只适合于比较规律的场景,对于随机性比较强的情况,不能很好的预测。
发明内容
本申请提供了一种轨道交通OD客流预测方法、***及电子设备,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种轨道交通OD客流预测方法,包括以下步骤:
步骤a:收集历史智能交通卡交易数据,并基于所述历史智能交通卡交易数据获取乘客的历史固定出行模式;
步骤b:接收乘客的进站记录,并根据所述乘客的历史固定出行模式和当前进站记录对乘客的本次出行类型进行分类,判断本次出行属于固定出行还是随机出行,如果本次出行属于固定出行,根据所述乘客的历史固定出行模式得到本次出行的目的站点;如果本次出行属于随机出行,执行步骤c;
步骤c:基于到达不同站点所花费的时间,采用贝叶斯方法动态计算所述乘客的随机出行目的站点。
本申请实施例采取的技术方案还包括:在所述步骤a中,所述乘客的历史固定出行模式为乘客在固定时间段访问固定OD对的频率大于设定阈值的出行模式;所述历史固定出行模式的获取方式为:用时空出行模式集M={M1,M2,...,MC}表示乘客的出行模式,C为模式数量,其中Mi包括Mi.w,Mi.i,Mi.o,Mi.d,Mi.f五个信息,所述五个信息依次表示一周中的天、出行时间段、起始站点、目的站点、出行比例,所述出行比例为该乘客在星期Mi.w的Mi.i时间段从Mi.o进站的所有出行中,从Mi.d出站所占的比例。
本申请实施例采取的技术方案还包括:所述步骤a还包括:将所述乘客的历史出行按时空规律性划分为固定出行和随机出行,并计算所述乘客的随机出行目的站点分布以及OD出行时间分布;
所述固定出行为乘客在一周的固定天、固定时间段、从一固定站点到另一固定站点的出行;
所述随机出行目的站点分布的计算方式为:对于站点so,一周的星期w和时间段Ii,使用向量Fo,w,i={fo,w,i,1,fo,w,i,2,...,fo,w,i,d,...,fo,w,i,X}表示从站点so进站的乘客的目的站点分布向量,其中X为总的站点数量,fd表示进站乘客中目的站点为sd的比例,Fo,w,i中各元素和等于1;
所述OD出行时间分布的算法为:从站点so到站点sd的最长行程时间和最短行程时间分别为Tmin和Tmax,将行程时间划分为m段,每段长度为τ=(Tmax-Tmin)/m,则在星期w的Ii时间段从站点so进站前往站点sd的乘客,其行程时间cst在[Tmin Tmin+i*τ]时间段的概率计算公式为:
本申请实施例采取的技术方案还包括:在所述步骤c中,所述采用贝叶斯方法动态计算乘客的随机出行目的站点具体为:假设在星期w一随机出行乘客在Ii时间段的to时刻从站点so进站,当前时刻为tc,且该乘客没有出站,则此乘客前往站点sd的概率计算公式为:
上述公式中,pro,w,i,d(cst>tc-to)为前往d站的时间大于tc-to的概率,其计算公式为:
本申请实施例采取的技术方案还包括:所述步骤c后还包括:将所述乘客的固定出行目的站点和随机出行目的站点进行汇总,得到进行客流预测的OD矩阵;所述OD矩阵算法为:假设在时间段Ii从站点So进站并前往站点Sd的固定出行乘客数量为Nums,随机出行的乘客数量Numr通过累计Pro,i(sd|c>tc-to)得到,则在时间段Ii从站点So前往站点Sd的总乘客数量为:Num=Nums+Numr。
本申请实施例采取的另一技术方案为:一种轨道交通OD客流预测***,包括:
历史数据采集模块:用于收集历史智能交通卡交易数据;
历史数据分析模块:用于基于所述历史智能交通卡交易数据获取乘客的历史固定出行模式;
出行类型判断模块:用于接收乘客的进站记录,根据所述乘客的历史固定出行模式和当前进站记录对乘客的本次出行类型进行分类,判断本次出行属于固定出行还是随机出行,并通过目的站点计算模块判断本次出行的目的站点;
目的站点计算模块:用于根据出行类型判断模块的判断结果计算本次出行的目的站点;具体为:如果本次出行属于固定出行,根据所述乘客的历史固定出行模式得到本次出行的目的站点;如果本次出行属于随机出行,基于到达不同站点所花费的时间,采用贝叶斯方法动态计算所述乘客的随机出行目的站点。
本申请实施例采取的技术方案还包括:所述乘客的历史固定出行模式为乘客在固定时间段访问固定OD对的频率大于设定阈值的出行模式;所述历史固定出行模式的获取方式为:用时空出行模式集M={M1,M2,...,MC}表示乘客的出行模式,C为模式数量,其中Mi包括Mi.w,Mi.i,Mi.o,Mi.d,Mi.f五个信息,所述五个信息依次表示一周中的天、出行时间段、起始站点、目的站点、出行比例,所述出行比例为该乘客在星期Mi.w的Mi.i时间段从Mi.o进站的所有出行中,从Mi.d出站所占的比例。
本申请实施例采取的技术方案还包括:所述历史数据分析模块还用于将所述乘客的历史出行按时空规律性划分为固定出行和随机出行,并计算所述乘客的随机出行目的站点分布以及OD出行时间分布;
所述固定出行为乘客在一周的固定天、固定时间段、从一固定站点到另一固定站点的出行;
所述随机出行目的站点分布的计算方式为:对于站点so,一周的星期w和时间段Ii,使用向量Fo,w,i={fo,w,i,1,fo,w,i,2,...,fo,w,i,d,...,fo,w,i,X}表示从站点so进站的乘客的目的站点分布向量,其中X为总的站点数量,fd表示进站乘客中目的站点为sd的比例,Fo,w,i中各元素和等于1;
所述OD出行时间分布的算法为:从站点so到站点sd的最长行程时间和最短行程时间分别为Tmin和Tmax,将行程时间划分为m段,每段长度为τ=(Tmax-Tmin)/m,则在星期w的Ii时间段从站点so进站前往站点sd的乘客,其行程时间cst在[Tmin Tmin+i*τ]时间段的概率计算公式为:
本申请实施例采取的技术方案还包括:所述目的站点计算模块采用贝叶斯方法动态计算乘客的随机出行目的站点具体为:假设在星期w一随机出行乘客在Ii时间段的to时刻从站点so进站,当前时刻为tc,且该乘客没有出站,则此乘客前往站点sd的概率计算公式为:
上述公式中,pro,w,i,d(cst>tc-to)为前往d站的时间大于tc-to的概率,其计算公式为:
本申请实施例采取的技术方案还包括客流预测模块,所述客流预测模块用于将所述乘客的固定出行目的站点和随机出行目的站点进行汇总,得到进行客流预测的OD矩阵;所述OD矩阵算法为:假设在时间段Ii从站点So进站并前往站点Sd的固定出行乘客数量为Nums,随机出行的乘客数量Numr通过累计Pro,i(sd|c>tc-to)得到,则在时间段Ii从站点So前往站点Sd的总乘客数量为:Num=Nums+Numr。
本申请实施例采取的又一技术方案为:一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的轨道交通OD客流预测方法的以下操作:
步骤a:收集历史智能交通卡交易数据,并基于所述历史智能交通卡交易数据获取乘客的历史固定出行模式;
步骤b:接收乘客的进站记录,并根据所述乘客的历史固定出行模式和当前进站记录对乘客的本次出行类型进行分类,判断本次出行属于固定出行还是随机出行,如果本次出行属于固定出行,根据所述乘客的历史固定出行模式得到本次出行的目的站点;如果本次出行属于随机出行,执行步骤c;
步骤c:基于到达不同站点所花费的时间,采用贝叶斯方法动态计算所述乘客的随机出行目的站点。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的轨道交通OD客流预测方法、***及电子设备基于乘客长期的历史智能交通卡交易数据以及实时采集到的智能交通卡交易数据,对个体乘客的出行目的站点进行估计,并在此基础上进行轨道交通OD客流预测。相对于现有技术,本申请更适用于轨道交通的OD实时估计,且预测精度更高。
附图说明
图1是本申请实施例的轨道交通OD客流预测方法的流程图;
图2是本申请实施例的轨道交通OD客流预测***的结构示意图;
图3是本申请实施例提供的轨道交通OD客流预测方法的硬件设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
请参阅图1,是本申请实施例的轨道交通OD客流预测方法的流程图。本申请实施例的轨道交通OD客流预测方法包括以下步骤:
步骤100:采集乘客的历史智能交通卡交易数据;
步骤100中,数据源来自于地铁自动收费***收集到的智能交通卡交易数据集,每条智能交通卡交易数据分别包含四个字段,即:CardID、StationId、TrnsctTime、TrnsctyType,其中,CardID是智能交通卡的唯一标识;StationId是地铁站的标识;TrnsctTime是交易(刷卡)时间,TrnsctyType是交易类型(进、出站)。
一个地铁***由多个站点S={s1,s2,…,sN}组成,其中N为地铁站的总数量,乘客可以乘坐地铁从一个站点前往另一个站点;
乘客的一次出行关联o,d,to,td四个属性,分别表示进站站点、出站站点、进站时间、出站时间,通过将乘客的进出站交易记录按照时间匹配即可得到乘客的一次出行。
定义时段集合I={I1,I2,…},将一天按固定的间隔τ划分为多个时段,则k时段Ik所包含的时间范围为{(k-1)τ,kτ}。
步骤200:基于历史智能交通卡交易数据,采用离线分析技术获取个体乘客的历史固定出行模式,对历史出行类型进行分类,并计算个体乘客的随机出行目的站点分布以及OD出行时间(两站之间出行时间)分布;
步骤200中,个体乘客历史固定出行模式定义为乘客在固定时间段访问固定OD对的频率大于设定阈值的出行模式,例如通勤、上学等。用时空出行模式集M={M1,M2,...,MC}表示某乘客的出行模式,C为模式数量。其中Mi包括Mi.w,Mi.i,Mi.o,Mi.d,Mi.f五个信息,该五个信息依次表示一周中的天、出行时间段、起始站点、目的站点、出行比例,其中出行比例是指此乘客在星期Mi.w的Mi.i时间段从Mi.o进站的所有出行中,从Mi.d出站所占的比例。为了得到此信息,本申请将历史前n周智能交通卡交易数据按一周中相同天(例如周一)的交易记录汇总在一起,首先提取每位乘客每天集中出行的时间段,然后获取在这些时间段内每天都访问的OD对,最后计算出行比例。通常情况下,由于历史固定出行模式受工作或学习等时间的限制,乘客进站时间浮动不会超过一小时,因此本申请实施例中,将时间段的长度设定为1小时。
历史出行类型分类具体为:将乘客的历史出行按时空规律性划分为固定出行和随机出行两类。其中,固定出行定义为乘客在一周的固定天、固定时间段、从某一固定站点到另一固定站点的出行。固定出行的乘客一旦从某一站点进站,即可通过其历史固定出行模式判断其唯一目的站点。判断某乘客的出行是固定出行或随机出行的规则为:查看该乘客的历史固定出行模式集,如果本次出行属于该历史固定出行模式集,则将本次出行划分为固定出行,并通过其历史固定出行模式集判断其唯一目的站点。固定出行以外的其它出行则划分为随机出行。
随机出行目的站点分布具体为:基于长期的随机出行,计算从某站点进站的乘客的目的站点分布比例;由于工作生活等因素的影响,乘客出行具有7天的相同时段规律性,因此需要分别计算一周内不同天不同时段的乘客出行目的分布。具体计算方式为:对于某个站点so,一周的星期w和某个时间段Ii,使用向量Fo,w,i={fo,w,i,1,fo,w,i,2,...,fo,w,i,d,...,fo,w,i,X}来表示从so站进站的乘客的目的站点分布向量,其中X为总的站点数量,fd表示进站乘客中目的站点为sd站点的比例,Fo,w,i中各元素和等于1。Fo,w,i可以通过随机乘客的历史进出站刷卡记录得到。假定从在星期w的Ii时间段从so进站的乘客数量为A,这些乘客中从sj出站的数量为B,那么Fo,w,i=B/A。
OD出行时间分布即为基于长期出行数据计算两站点之间乘客所花费时间的分布。地铁自动收费***记录了乘客完整的进出站时间,为每个OD出行时间分布的获取提供了充足的数据支撑。因此可根据乘客的进出站时间构建每个OD对乘客行程时间概率分布密度函数。但是行程时间概率分布密度函数并不服从相同分布,且其发布形式也难以确定。因此,本申请实施例采用更为简便的方式对目的站点分布进行计算,其将行程时间进行离散化处理,建立较小统计时间间隔的行程时间分布直方图。具体算法为:从站点so到站点sd的最长行程时间和最短行程时间分别为Tmin和Tmax,假设将行程时间划分为m段,则每段长度为τ=(Tmax-Tmin)/m,那么在星期w的Ii时间段从站点so进站前往站点sd的乘客,其行程时间cst在[Tmin Tmin+i*τ]时间段的概率如公式(1)所示:
步骤300:实时接收个体乘客的进站记录(包括进站站点和进站时间),并根据个体乘客的历史固定出行模式和当前进站记录,基于在线分析技术对进站乘客的出行类型进行分类估计,判断个体乘客的本次出行属于固定出行还是随机出行,如果本次出行属于固定出行,执行步骤400;如果本次出行属于随机出行,执行步骤500;
步骤300中,进站乘客的出行类型分类具体为:基于实时接收的个体乘客进站记录和个体乘客历史出行模式将进站乘客的出行划分为固定出行和随机出行两类;给定某乘客的当前进站时间to和进站站点so,查询此乘客的历史固定出行模式M,如果存在Mi,满足to∈Mi.t&&so=Mi.o,那么将此乘客的目的站点估计为Mi.d,并认为此乘客的本次出行为固定出行,如果不存在这样的模式,则认为此乘客的本次出行为随机出行。
步骤400:读取进站乘客的历史固定出行模式,得到该乘客本次出行的唯一目的站点;
步骤500:基于到达不同站点所花费的时间,采用贝叶斯方法动态计算进站乘客的随机出行目的站点;
步骤500中,对于某随机出行的进站乘客,由于其去往不同站点所花费的时间不同,随着时间的推移,本申请基于贝叶斯方法估算当前进站还未出站乘客到达其它各个站点的概率。假设在星期w某随机出行的乘客在Ii时间段的to时刻从站点so进站,假设当前时刻为tc,且该乘客没有出站,则此乘客前往站点sd的概率如公式(2)所示:
公式(2)中,pro,w,i,d(cst>tc-to)为前往d站的时间大于tc-to的概率,其计算公式为:
步骤600:将个体乘客的固定出行目的站点和随机出行目的站点进行汇总,得到进行客流预测的OD矩阵;
步骤600中,假设在时间段Ii从站点So进站并前往站点Sd的固定出行乘客数量为Nums,随机出行的乘客数量Numr通过累计Pro,i(sd|c>tc-to)得到,那么在时间段Ii从站点So前往站点Sd的总乘客数量估计为:Num=Nums+Numr。
请参阅图2,是本申请实施例的轨道交通OD客流预测***的结构示意图。本申请实施例的轨道交通OD客流预测***包括历史数据采集模块、历史数据分析模块、出行类型判断模块、目的站点计算模块和客流预测模块。
历史数据采集模块:用于采集乘客的历史智能交通卡交易数据;其中,数据源来自于地铁自动收费***收集到的智能交通卡交易数据集,每条智能交通卡交易数据分别包含四个字段,即:CardID、StationId、TrnsctTime、TrnsctyType,其中,CardID是智能交通卡的唯一标识;StationId是地铁站的标识;TrnsctTime是交易(刷卡)时间,TrnsctyType是交易类型(进、出站)。
一个地铁***由多个站点S={s1,s2,…,sN}组成,其中N为地铁站的总数量,乘客可以乘坐地铁从一个站点前往另一个站点;
乘客的一次出行关联o,d,to,td四个属性,分别表示进站站点、出站站点、进站时间、出站时间,通过将乘客的进出站交易记录按照时间匹配即可得到乘客的一次出行。
定义时段集合I={I1,I2,…},将一天按固定的间隔τ划分为多个时段,则k时段Ik所包含的时间范围为{(k-1)τ,kτ}。
历史数据分析模块:用于基于历史智能交通卡交易数据,采用离线分析技术获取个体乘客的历史固定出行模式,对历史出行类型进行分类,并计算个体乘客的随机出行目的站点分布以及OD出行时间(两站之间出行时间)分布;
具体地,个体乘客历史固定出行模式定义为乘客在固定时间段访问固定OD对的频率大于设定阈值的出行模式,例如通勤、上学等。用时空出行模式集M={M1,M2,...,MC}表示某乘客的出行模式,C为模式数量。其中Mi包括Mi.w,Mi.i,Mi.o,Mi.d,Mi.f五个信息,该五个信息依次表示一周中的天、出行时间段、起始站点、目的站点、出行比例,其中出行比例是指此乘客在星期Mi.w的Mi.i时间段从Mi.o进站的所有出行中,从Mi.d出站所占的比例。为了得到此信息,本申请将历史前n周智能交通卡交易数据按一周中相同天(例如周一)的交易记录汇总在一起,首先提取每位乘客每天集中出行的时间段,然后获取在这些时间段内每天都访问的OD对,最后计算出行比例。通常情况下,由于历史固定出行模式受工作或学习等时间的限制,乘客进站时间浮动不会超过一小时,因此本申请实施例中,将时间段的长度设定为1小时。
对历史出行类型进行分类具体为:将乘客的历史出行按时空规律性划分为固定出行和随机出行两类。其中,固定出行定义为乘客在一周的固定天、固定时间段、从某一固定站点到另一固定站点的出行。固定出行的乘客一旦从某一站点进站,即可通过其历史固定出行模式判断其唯一目的站点。判断某乘客的出行是固定出行或随机出行的规则为:查看该乘客的历史固定出行模式集,如果本次出行属于该历史固定出行模式集,则将本次出行划分为固定出行,并通过其历史固定出行模式集判断其唯一目的站点。固定出行以外的其它出行则划分为随机出行。
随机出行目的站点计算具体为:基于长期的随机出行,计算从某站点进站的乘客的目的站点分布比例;由于工作生活等因素的影响,乘客出行具有7天的相同时段规律性,因此需要分别计算一周内不同天不同时段的乘客出行目的分布。具体计算方式为:对于某个站点so,一周的星期w和某个时间段Ii,使用向量Fo,w,i={fo,w,i,1,fo,w,i,2,...,fo,w,i,d,...,fo,w,i,X}来表示从so站进站的乘客的目的站点分布向量,其中X为总的站点数量,fd表示进站乘客中目的站点为sd站点的比例,Fo,w,i中各元素和等于1。Fo,w,i可以通过随机乘客的历史进出站刷卡记录得到。假定从在星期w的Ii时间段从so进站的乘客数量为A,这些乘客中从sj出站的数量为B,那么Fo,w,i=B/A。
OD出行时间分布即为基于长期出行数据计算两站点之间乘客所花费时间的分布。地铁自动收费***记录了乘客完整的进出站时间,为每个OD出行时间分布的获取提供了充足的数据支撑。因此可根据乘客的进出站时间构建每个OD对乘客行程时间概率分布密度函数。但是行程时间概率分布密度函数并不服从相同分布,且其发布形式也难以确定。因此,本申请实施例采用更为简便的方式对目的站点分布进行计算,其将行程时间进行离散化处理,建立较小统计时间间隔的行程时间分布直方图。具体算法为:从站点so到站点sd的最长行程时间和最短行程时间分别为Tmin和Tmax,假设将行程时间划分为m段,则每段长度为τ=(Tmax-Tmin)/m,那么在星期w的Ii时间段从站点so进站前往站点sd的乘客,其行程时间cst在[Tmin Tmin+i*τ]时间段的概率如公式(1)所示:
出行类型判断模块:用于实时接收个体乘客的进站记录,并根据个体乘客的历史固定出行模式和当前进站记录,基于在线分析技术对进站乘客的出行类型进行分类估计,判断个体乘客的本次出行属于固定出行还是随机出行,并根据判断结果通过目的站点计算模块计算本次出行的目的站点;其中,进站乘客的出行类型分类具体为:基于实时接收的个体乘客进站记录和个体乘客历史出行模式将进站乘客的出行划分为固定出行和随机出行两类;给定某乘客的当前进站时间to和进站站点so,查询此乘客的历史固定出行模式M,如果存在Mi,满足to∈Mi.t&&so=Mi.o,那么将此乘客的目的站点估计为Mi.d,并认为此乘客的本次出行为固定出行,如果不存在这样的模式,则认为此乘客的本次出行为随机出行。
目的站点计算模块:用于根据出行类型判断模块的判断结果计算本次出行的目的站点;具体计算方式为:如果本次出行为固定出行,则读取乘客的历史固定出行模式,得到乘客本次出行的唯一目的站点;如果本次出行为随机出行,基于到达不同站点所花费的时间,采用贝叶斯方法动态计算进站乘客的随机出行目的站点;对于某随机出行的进站乘客,由于其去往不同站点所花费的时间不同,随着时间的推移,本申请基于贝叶斯方法估算当前进站还未出站乘客到达其它各个站点的概率。假设在星期w某随机出行的乘客在Ii时间段的to时刻从站点so进站,假设当前时刻为tc,且该乘客没有出站,则此乘客前往站点sd的概率如公式(2)所示:
公式(2)中,pro,w,i,d(cst>tc-to)为前往d站的时间大于tc-to的概率,其计算公式为:
客流预测模块:用于将个体乘客的固定出行目的站点和随机出行目的站点进行汇总,得到进行客流预测的OD矩阵;假设在时间段Ii从站点So进站并前往站点Sd的固定出行乘客数量为Nums,随机出行的乘客数量Numr通过累计Pro,i(sd|c>tc-to)得到,那么在时间段Ii从站点So前往站点Sd的总乘客数量估计为:Num=Nums+Numr。
图3是本申请实施例提供的轨道交通OD客流预测方法的硬件设备结构示意图。如图3所示,该设备包括一个或多个处理器以及存储器。以一个处理器为例,该设备还可以包括:输入***和输出***。
处理器、存储器、输入***和输出***可以通过总线或者其他方式连接,图3中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例的处理方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理***。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入***可接收输入的数字或字符信息,以及产生信号输入。输出***可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个处理器执行时,执行上述任一方法实施例的以下操作:
步骤a:收集历史智能交通卡交易数据,并基于所述历史智能交通卡交易数据获取乘客的历史固定出行模式;
步骤b:接收乘客的进站记录,并根据所述乘客的历史固定出行模式和当前进站记录对乘客的本次出行类型进行分类,判断本次出行属于固定出行还是随机出行,如果本次出行属于固定出行,根据所述乘客的历史固定出行模式得到本次出行的目的站点;如果本次出行属于随机出行,执行步骤c;
步骤c:基于到达不同站点所花费的时间,采用贝叶斯方法动态计算所述乘客的随机出行目的站点。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例提供的方法。
本申请实施例提供了一种非暂态(非易失性)计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行以下操作:
步骤a:收集历史智能交通卡交易数据,并基于所述历史智能交通卡交易数据获取乘客的历史固定出行模式;
步骤b:接收乘客的进站记录,并根据所述乘客的历史固定出行模式和当前进站记录对乘客的本次出行类型进行分类,判断本次出行属于固定出行还是随机出行,如果本次出行属于固定出行,根据所述乘客的历史固定出行模式得到本次出行的目的站点;如果本次出行属于随机出行,执行步骤c;
步骤c:基于到达不同站点所花费的时间,采用贝叶斯方法动态计算所述乘客的随机出行目的站点。
本申请实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行以下操作:
步骤a:收集历史智能交通卡交易数据,并基于所述历史智能交通卡交易数据获取乘客的历史固定出行模式;
步骤b:接收乘客的进站记录,并根据所述乘客的历史固定出行模式和当前进站记录对乘客的本次出行类型进行分类,判断本次出行属于固定出行还是随机出行,如果本次出行属于固定出行,根据所述乘客的历史固定出行模式得到本次出行的目的站点;如果本次出行属于随机出行,执行步骤c;
步骤c:基于到达不同站点所花费的时间,采用贝叶斯方法动态计算所述乘客的随机出行目的站点。
本申请实施例的轨道交通OD客流预测方法、***及电子设备基于乘客长期的历史智能交通卡交易数据以及实时采集到的智能交通卡交易数据,对个体乘客的出行目的站点进行估计,并在此基础上进行轨道交通OD客流预测。相对于现有技术,本申请更适用于轨道交通的OD实时估计,且预测精度更高。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种轨道交通OD客流预测方法,其特征在于,包括以下步骤:
步骤a:收集历史智能交通卡交易数据,并基于所述历史智能交通卡交易数据获取乘客的历史固定出行模式;
步骤b:接收乘客的进站记录,并根据所述乘客的历史固定出行模式和当前进站记录对乘客的本次出行类型进行分类,判断本次出行属于固定出行还是随机出行,如果本次出行属于固定出行,根据所述乘客的历史固定出行模式得到本次出行的目的站点;如果本次出行属于随机出行,执行步骤c;
步骤c:基于到达不同站点所花费的时间,采用贝叶斯方法动态计算所述乘客的随机出行目的站点。
2.根据权利要求1所述的轨道交通OD客流预测方法,其特征在于,在所述步骤a中,所述乘客的历史固定出行模式为乘客在固定时间段访问固定OD对的频率大于设定阈值的出行模式;所述历史固定出行模式的获取方式为:用时空出行模式集M={M1,M2,...,MC}表示乘客的出行模式,C为模式数量,其中Mi包括Mi.w,Mi.i,Mi.o,Mi.d,Mi.f五个信息,所述五个信息依次表示一周中的天、出行时间段、起始站点、目的站点、出行比例,所述出行比例为该乘客在星期Mi.w的Mi.i时间段从Mi.o进站的所有出行中,从Mi.d出站所占的比例。
3.根据权利要求1或2所述的轨道交通OD客流预测方法,其特征在于,所述步骤a还包括:将所述乘客的历史出行按时空规律性划分为固定出行和随机出行,并计算所述乘客的随机出行目的站点分布以及OD出行时间分布;
所述固定出行为乘客在一周的固定天、固定时间段、从一固定站点到另一固定站点的出行;
所述随机出行目的站点分布的计算方式为:对于站点so,一周的星期w和时间段Ii,使用向量Fo,w,i={fo,w,i,1,fo,w,i,2,...,fo,w,i,d,...,fo,w,i,X}表示从站点so进站的乘客的目的站点分布向量,其中X为总的站点数量,fd表示进站乘客中目的站点为sd的比例,Fo,w,i中各元素和等于1;
所述OD出行时间分布的算法为:从站点so到站点sd的最长行程时间和最短行程时间分别为Tmin和Tmax,将行程时间划分为m段,每段长度为τ=(Tmax-Tmin)/m,则在星期w的Ii时间段从站点so进站前往站点sd的乘客,其行程时间cst在[Tmin Tmin+i*τ]时间段的概率计算公式为:
5.根据权利要求4所述的轨道交通OD客流预测方法,其特征在于,所述步骤c后还包括:将所述乘客的固定出行目的站点和随机出行目的站点进行汇总,得到进行客流预测的OD矩阵;所述OD矩阵算法为:假设在时间段Ii从站点So进站并前往站点Sd的固定出行乘客数量为Nums,随机出行的乘客数量Numr通过累计Pro,i(sd|c>tc-to)得到,则在时间段Ii从站点So前往站点Sd的总乘客数量为:Num=Nums+Numr。
6.一种轨道交通OD客流预测***,其特征在于,包括:
历史数据采集模块:用于收集历史智能交通卡交易数据;
历史数据分析模块:用于基于所述历史智能交通卡交易数据获取乘客的历史固定出行模式;
出行类型判断模块:用于接收乘客的进站记录,根据所述乘客的历史固定出行模式和当前进站记录对乘客的本次出行类型进行分类,判断本次出行属于固定出行还是随机出行,并通过目的站点计算模块判断本次出行的目的站点;
目的站点计算模块:用于根据出行类型判断模块的判断结果计算本次出行的目的站点;具体为:如果本次出行属于固定出行,根据所述乘客的历史固定出行模式得到本次出行的目的站点;如果本次出行属于随机出行,基于到达不同站点所花费的时间,采用贝叶斯方法动态计算所述乘客的随机出行目的站点。
7.根据权利要求6所述的轨道交通OD客流预测***,其特征在于,所述乘客的历史固定出行模式为乘客在固定时间段访问固定OD对的频率大于设定阈值的出行模式;所述历史固定出行模式的获取方式为:用时空出行模式集M={M1,M2,...,MC}表示乘客的出行模式,C为模式数量,其中Mi包括Mi.w,Mi.i,Mi.o,Mi.d,Mi.f五个信息,所述五个信息依次表示一周中的天、出行时间段、起始站点、目的站点、出行比例,所述出行比例为该乘客在星期Mi.w的Mi.i时间段从Mi.o进站的所有出行中,从Mi.d出站所占的比例。
8.根据权利要求6或7所述的轨道交通OD客流预测***,其特征在于,所述历史数据分析模块还用于将所述乘客的历史出行按时空规律性划分为固定出行和随机出行,并计算所述乘客的随机出行目的站点分布以及OD出行时间分布;
所述固定出行为乘客在一周的固定天、固定时间段、从一固定站点到另一固定站点的出行;
所述随机出行目的站点分布的计算方式为:对于站点so,一周的星期w和时间段Ii,使用向量Fo,w,i={fo,w,i,1,fo,w,i,2,...,fo,w,i,d,...,fo,w,i,X}表示从站点so进站的乘客的目的站点分布向量,其中X为总的站点数量,fd表示进站乘客中目的站点为sd的比例,Fo,w,i中各元素和等于1;
所述OD出行时间分布的算法为:从站点so到站点sd的最长行程时间和最短行程时间分别为Tmin和Tmax,将行程时间划分为m段,每段长度为τ=(Tmax-Tmin)/m,则在星期w的Ii时间段从站点so进站前往站点sd的乘客,其行程时间cst在[Tmin Tmin+i*τ]时间段的概率计算公式为:
10.根据权利要求9所述的轨道交通OD客流预测***,其特征在于,还包括客流预测模块,所述客流预测模块用于将所述乘客的固定出行目的站点和随机出行目的站点进行汇总,得到进行客流预测的OD矩阵;所述OD矩阵算法为:假设在时间段Ii从站点So进站并前往站点Sd的固定出行乘客数量为Nums,随机出行的乘客数量Numr通过累计Pro,i(sd|c>tc-to)得到,则在时间段Ii从站点So前往站点Sd的总乘客数量为:Num=Nums+Numr。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述1至5任一项所述的轨道交通OD客流预测方法的以下操作:
步骤a:收集历史智能交通卡交易数据,并基于所述历史智能交通卡交易数据获取乘客的历史固定出行模式;
步骤b:接收乘客的进站记录,并根据所述乘客的历史固定出行模式和当前进站记录对乘客的本次出行类型进行分类,判断本次出行属于固定出行还是随机出行,如果本次出行属于固定出行,根据所述乘客的历史固定出行模式得到本次出行的目的站点;如果本次出行属于随机出行,执行步骤c;
步骤c:基于到达不同站点所花费的时间,采用贝叶斯方法动态计算所述乘客的随机出行目的站点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020871.4A CN110874668B (zh) | 2018-09-03 | 2018-09-03 | 一种轨道交通od客流预测方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020871.4A CN110874668B (zh) | 2018-09-03 | 2018-09-03 | 一种轨道交通od客流预测方法、***及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874668A true CN110874668A (zh) | 2020-03-10 |
CN110874668B CN110874668B (zh) | 2022-11-18 |
Family
ID=69716771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811020871.4A Active CN110874668B (zh) | 2018-09-03 | 2018-09-03 | 一种轨道交通od客流预测方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874668B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992037A (zh) * | 2020-03-03 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 基于多方安全计算的风险防控方法、装置和*** |
CN111582605A (zh) * | 2020-05-21 | 2020-08-25 | Oppo广东移动通信有限公司 | 目的站点的预测方法、装置、电子设备及存储介质 |
CN112529294A (zh) * | 2020-12-09 | 2021-03-19 | 中国科学院深圳先进技术研究院 | 个体随机出行目的地预测模型的训练方法、介质和设备 |
CN113379222A (zh) * | 2021-06-04 | 2021-09-10 | 大连海事大学 | 一种基于实时需求信息的城市轨道交通客流控制方法 |
CN114912683A (zh) * | 2022-05-13 | 2022-08-16 | 中铁第六勘察设计院集团有限公司 | 一种智慧城市轨道交通异常大客流预测***及方法 |
CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964085A (zh) * | 2010-09-27 | 2011-02-02 | 北京航空航天大学 | 一种基于Logit模型和贝叶斯决策的客流分配方法 |
CN103218670A (zh) * | 2013-03-22 | 2013-07-24 | 北京交通大学 | 一种城市轨道交通随机客流加载方法 |
CN104463364A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种地铁乘客实时分布和地铁实时密度预测方法及*** |
US20160171882A1 (en) * | 2014-12-11 | 2016-06-16 | Xerox Corporation | Origin-destination estimation system for a transportation system |
CN106874432A (zh) * | 2017-01-24 | 2017-06-20 | 华南理工大学 | 一种公共交通乘客出行时空轨迹提取方法 |
US20170178044A1 (en) * | 2015-12-21 | 2017-06-22 | Sap Se | Data analysis using traceable identification data for forecasting transportation information |
-
2018
- 2018-09-03 CN CN201811020871.4A patent/CN110874668B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964085A (zh) * | 2010-09-27 | 2011-02-02 | 北京航空航天大学 | 一种基于Logit模型和贝叶斯决策的客流分配方法 |
CN103218670A (zh) * | 2013-03-22 | 2013-07-24 | 北京交通大学 | 一种城市轨道交通随机客流加载方法 |
CN104463364A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种地铁乘客实时分布和地铁实时密度预测方法及*** |
US20160171882A1 (en) * | 2014-12-11 | 2016-06-16 | Xerox Corporation | Origin-destination estimation system for a transportation system |
US20170178044A1 (en) * | 2015-12-21 | 2017-06-22 | Sap Se | Data analysis using traceable identification data for forecasting transportation information |
CN106874432A (zh) * | 2017-01-24 | 2017-06-20 | 华南理工大学 | 一种公共交通乘客出行时空轨迹提取方法 |
Non-Patent Citations (1)
Title |
---|
赵娟娟: ""城市轨道交通乘客时空出行模式挖掘及动态客流分析"", 《计算机应用技术》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992037A (zh) * | 2020-03-03 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 基于多方安全计算的风险防控方法、装置和*** |
CN111582605A (zh) * | 2020-05-21 | 2020-08-25 | Oppo广东移动通信有限公司 | 目的站点的预测方法、装置、电子设备及存储介质 |
WO2021232962A1 (zh) * | 2020-05-21 | 2021-11-25 | Oppo广东移动通信有限公司 | 目的站点的预测方法、装置、电子设备及存储介质 |
CN111582605B (zh) * | 2020-05-21 | 2023-09-12 | Oppo广东移动通信有限公司 | 目的站点的预测方法、装置、电子设备及存储介质 |
CN112529294A (zh) * | 2020-12-09 | 2021-03-19 | 中国科学院深圳先进技术研究院 | 个体随机出行目的地预测模型的训练方法、介质和设备 |
CN112529294B (zh) * | 2020-12-09 | 2023-04-14 | 中国科学院深圳先进技术研究院 | 个体随机出行目的地预测模型的训练方法、介质和设备 |
CN113379222A (zh) * | 2021-06-04 | 2021-09-10 | 大连海事大学 | 一种基于实时需求信息的城市轨道交通客流控制方法 |
CN113379222B (zh) * | 2021-06-04 | 2024-02-27 | 大连海事大学 | 一种基于实时需求信息的城市轨道交通客流控制方法 |
CN114912683A (zh) * | 2022-05-13 | 2022-08-16 | 中铁第六勘察设计院集团有限公司 | 一种智慧城市轨道交通异常大客流预测***及方法 |
CN114912683B (zh) * | 2022-05-13 | 2024-05-10 | 中铁第六勘察设计院集团有限公司 | 一种智慧城市轨道交通异常大客流预测***及方法 |
CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
CN115620525B (zh) * | 2022-12-16 | 2023-03-10 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110874668B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110874668B (zh) | 一种轨道交通od客流预测方法、***及电子设备 | |
US10963705B2 (en) | System and method for point-to-point traffic prediction | |
WO2021243516A1 (zh) | 城市公共交通乘客出行轨迹估计方法、***、终端以及存储介质 | |
CN105589939B (zh) | 识别群体运动轨迹方法和装置 | |
CN106529711B (zh) | 用户行为预测方法及装置 | |
TWI522974B (zh) | 到站時間預測系統與方法 | |
Kazagli et al. | Estimation of arterial travel time from automatic number plate recognition data | |
CN109410568B (zh) | 基于用户画像和换乘规律的下车站点推测方法及*** | |
CN110356437A (zh) | 实时服务水平监视 | |
US20150195806A1 (en) | Method and apparatus for predicting mobility based on relative mobile characteristics | |
CN112686417B (zh) | 一种地铁大客流预测方法、***及电子设备 | |
CN105023437A (zh) | 一种公交od矩阵的构建方法及*** | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
Ji et al. | Estimating Bus Loads and OD Flows Using Location‐Stamped Farebox and Wi‐Fi Signal Data | |
Ram et al. | SMARTBUS: A web application for smart urban mobility and transportation | |
CN108549976A (zh) | 智慧旅游大数据分析方法 | |
Yamamoto et al. | Structured random walk parameter for heterogeneity in trip distance on modeling pedestrian route choice behavior at downtown area | |
Gkiotsalitis et al. | Joint leisure travel optimization with user-generated data via perceived utility maximization | |
Byon et al. | Bunching and headway adherence approach to public transport with GPS | |
CN110021161B (zh) | 一种交通流向的预测方法及*** | |
Ma et al. | Estimation of the automatic vehicle identification based spatial travel time information collected in Stockholm | |
Wu et al. | Data-driven inverse learning of passenger preferences in urban public transits | |
Comert et al. | Queue length estimation from connected vehicles with range measurement sensors at traffic signals | |
Nasiboglu | Dijkstra solution algorithm considering fuzzy accessibility degree for patch optimization problem | |
CN112488388B (zh) | 基于概率分布的出站客流预测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |