CN110956808B - 一种基于非全样定位数据的重型货车交通流量预测方法 - Google Patents
一种基于非全样定位数据的重型货车交通流量预测方法 Download PDFInfo
- Publication number
- CN110956808B CN110956808B CN201911336098.7A CN201911336098A CN110956808B CN 110956808 B CN110956808 B CN 110956808B CN 201911336098 A CN201911336098 A CN 201911336098A CN 110956808 B CN110956808 B CN 110956808B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data
- road
- flow
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于非全样定位数据的重型货车交通流量预测方法,针对GPS交通流量获取不全面的问题,提出先扩样后预测的方案。扩样方法中提出依靠流量自身分布来确定的分段常系数法,预测方法中提出能解决长时记忆问题的长短时循环神经网络LSTM模型,实现重型货车交通流量与实际流量更接近的目的。本发明在数据采集时,克服了传统线圈、视频流量采集精度低的缺陷,采用卫星定位装置的GPS数据进行交通流量的预测工作,具有较高的精度。本发明为重型货车交通流量预测提供了一套更为综合、全面的方法,可以为缓解城市交通拥堵问题,提高城市交通运行效率发挥积极作用。本发明在工程中具有实际应用价值,并且可以迁移在相关领域中进行应用。
Description
技术领域
本发明涉及智能交通领域,具体涉及一种基于非全样定位数据的重型货车交通流量预测方法。
背景技术
交通流量预测作为智能交通***的重要研究内容,其准确性和实时性对于缓解交通拥堵等方面起到重要作用。传统的交通流量预测方法往往以小客车为主,很少有为重型货车的流量预测做出深入的探讨。此外,传统的小客车流量数据获取主要为线圈检测以及视频检测为主,往往存在着车辆类型检测不准确、流量计数缺漏的问题,同时存在着没办法将所有车道都检测全面的问题。2014年国家出台的《道路运输车辆动态监督管理办法》对12吨以上重型货车要求每车必装卫星定位装置并接入相应的监控平台。因此,在重型货车的交通流量预测中,为规避传统交通流量数据类型的不准确性,考虑采用更为准确的GPS交通流量数据。
在实际情况中仍然有小部分的重型货车没有安装卫星定位装置,以及存在装置损坏无法实时传输数据的情况。因此需要引进新的方法对交通流量数据质量进行修复,对GPS交通流量进行扩样和交通流量预测,使重型货车的交通流量与实际流量更为接近。
发明内容
为克服上述的问题,本发明目的在于提供一种基于非全样定位数据的重型货车交通流量预测方法。
本发明通过以下方法达到目的:
一种基于非全样定位数据的重型货车交通流量预测方法,包括如下步骤:
步骤1:基于车载卫星定位装置,获得重型货车GPS数据;
步骤2:将GPS数据按照指定的时间间隔和所属路段位置进行合并,得到交通流量;
步骤3:对步骤2合并后得到的交通流量按照道路等级和流量范围采用分段常系数法进行扩样。
步骤4:对扩样后的数据进行标准化处理。
步骤5:利用长短时循环神经网络模型进行交通流量预测。
步骤6:将预测后的交通流量进行反标准化处理。
步骤7:将反标准化后的数据与交通调查数据进行对比。
步骤8:采用总量控制法进行重型货车交通流量调整。
在上述方案的基础上,步骤1所述GPS数据包括:记录时间、经度、纬度以及车牌号;
在上述方案的基础上,所述步骤2具体包括:将城市路网络进行编号形成路段ID,将每个路段ID按照指定的时间间隔将GPS数据进行合计,形成带有路段属性和时间间隔属性的交通流量数据。
在上述方案的基础上,步骤2所述指定的时间间隔为1h。
在上述方案的基础上,步骤3所述道路等级包括公路等级和城市道路等级,从公路等级和城市道路等级两方面细分10个等级;
所述公路等级包括:高速公路、一级公路、二级公路、三级公路、四级公路;
所述城市道路等级包括:快速路、主干路、次干路、支路、其他,所述其他代表不属于上述城市道路等级的其余路段。
在上述方案的基础上,步骤3具体包括如下步骤:
步骤31:将所有路段交通流量按照时间间隔进行合计;
步骤32:选择合计后最大流量的时段作为排序依据,将所有路段ID的交通流量进行降序排序;
步骤33:将排序后交通流量所呈现的分布函数进行参数估计,
yi=ke-ax+b (1)
其中,yi代表路段i的流量,x代表降序后的路段序列,k、a、b代表分布函数的估计参数;
步骤34:将所有路段按照流量进行区间分段,根据概率密度函数计算该区间下的扩样系数。
其中,mi,j为路段序号[i,j]区间的扩样系数。xi,xj代表序列为i,j的路段序列编号。
在上述方案的基础上,步骤4具体为:将路段ID所有流量进行筛选,选出最大交通流量,将每个交通流量与该最大交通流量的比值归一化到[0,1]区间中。
在上述方案的基础上,步骤5具体包括如下步骤:
步骤51:将所有交通流量数据分为训练集和测试集。
步骤52:设定参数。
步骤53:模型训练和调参,将模型训练到最佳状态。
步骤54:重型货车交通流量预测,将训练好的模型对测试集数据进行预测,并采用平均绝对误差(MAE)、百分比误差(MAPE)、均方根误差(RMSE)、解释方差分数(EVS)进行模型效果评估。
解释方差分数(EVS)计算公式为:
在上述方案的基础上,步骤52所述参数包括:隐藏层units大小,时间步长timesteps,每次输入样本数batch_size,激活函数,损失函数,循环步数epotch。
本发明的有益效果:
本发明所述非全样重型货车交通流量预测方法,能够克服传统获取交通流量设备的缺点,从工程实践出发,以GPS交通流量数据为依托,通过扩样和预测双重手段可以更加准确的刻画未来交通流量实际数量。为缓解重型货车交通拥堵、改善道路运行条件提供技术支持和理论参考。
附图说明
本发明有如下附图:
图1是本发明的方法流程图;
图2是交通流量在24小时的分布图;
图3是交通流量排序后指数分布图;
图4是长短时循环神经网络LSTM预测效果图;
图5是原始GPS数据、扩样数据、扩样后预测数据、交通调查数据的对比示意图。
具体实施方式
以下结合附图1-5和具体实施案例对本发明作进一步详细说明。
本发明所述的一种基于非全样定位数据的重型货车交通流量预测方法,主要包括如下步骤:
步骤1:基于车载卫星定位装置,获取郑州市重型货车GPS数据,内容包括记录时间、经度、纬度以及车牌号;
步骤2:将GPS数据按照指定时间间隔和所属路段位置进行合并;具体为将城市路网络进行编号形成路段ID,将每个路段ID按照指定的时间间隔将GPS数据进行合计,形成带有路段属性和时间间隔属性的交通流量数据。
样本案例如表1所示:
表1整合GPS交通流量数据样例
步骤3:对合并后的交通流量按照道路等级和流量范围采用分段常系数法进行扩样。
道路等级包括公路等级和城市道路等级,从公路等级和城市道路等级两方面细分10个等级。
所述公路的等级包括:高速公路、一级公路、二级公路、三级公路、四级公路;
所述城市道路的等级包括:快速路、主干路、次干路、支路、其他,所述其他代表不属于上述城市道路等级的其余路段。
步骤3具体包括如下步骤:
步骤31:将所有路段交通流量按照时间间隔进行合计;
步骤32:选择合计后最大流量的时段,如附图2所示,横坐标时刻“17”的流量最大。
步骤33:将所有路段ID的交通流量以时刻“17”作为排序依据,进行降序排序,如附图3所示;
步骤34:附图3表示将排序后交通流量所呈现的指数分布函数进行参数估计,
yi=ke-ax+b (1)
其中,yi代表路段i的流量,x代表降序后的路段序列,k、a、b代表参数,附图3所估计的参数k=555.17、a=0.013、b=0。
步骤35、将所有路段按照流量进行区间分段。按照降序排列后的编号,区间分别为(1,100],(100,200],(200,300],(300,417]。
步骤36、根据概率密度函数计算该区间下的扩样系数。
其中,mi,j为路段序号[i,j]区间的扩样系数。
(4)步骤4:对扩样后的数据进行标准化处理。将路段ID所有流量进行筛选,选出最大交通流量,将每个交通流量与该最大交通流量的比值归一化到[0,1]区间中。
步骤5:利用长短时循环神经网络(LSTM)模型进行交通流量预测。
步骤5的具体步骤为:
步骤51:将所有交通流量数据分为训练集和测试集。本案例中将郑州市重型货车2018年11月28号数据作为训练集,2018年12月01号数据作为测试集。
步骤52:长短时循环神经网络(LSTM)模型的存储单元与常规的神经元不同,它的每个存储单元均由输入门、输出门和遗忘门构成。LSTM输入门、输出门和遗忘门的计算公式分为:
输入门:it=σ(ωmimt+ωhiht-1+ωcict-1+bi) (3)
遗忘门:ft=σ(ωmfmt+ωhfht-1+ωcfct-1+bi) (4)
输出门:ot=σ(ωmoxt+ωhoht-1+ωcoct+bo) (5)
其中,it、ft、ot分别代表输入门输出、遗忘门输出、输出门输出,mt表示t时刻的输入;ht-1表示t前一时刻隐藏层的输出值;ct-1表示t前一时刻的隐藏层中间状态的输出值;ct表示隐藏层中间状态的输出值;ωmi、ωhi、ωci分别为输入门与mt的权值、输入门与ht-1权值、输入门与ct-1的权值;ωmf、ωhf、ωcf分别为遗忘门与mt的权值、遗忘门与ht-1的权值、遗忘门与ct-1的权值;ωmo、ωho、ωco分别为输出门与mt的权值、输出门与ht-1的权值、输出门与ct-1的权值;bi、bo均表示偏置项;
步骤53:设定参数。
设定包括:隐藏层units大小,时间步长timesteps,每次输入样本数batch_size,激活函数,损失函数,循环步数epotch。
步骤54:模型训练和调参,将模型训练到最佳状态。针对此次训练数据,模型最佳参数为隐藏层units为5,时间步长timesteps为5,batch_size为1,损失函数loss选择为MAE,循环步数epotch为100,激活函数为tanh。
步骤55:重型货车交通流量预测,将训练好的模型对测试集数据进行预测,并采用平均绝对误差(MAE)、百分比误差(MAPE)、均方根误差(RMSE)、解释方差分数(EVS)进行模型效果评估。
所述EVS计算公式为:
步骤56:本案例获得的评估参数如表2所示。
表2长短时循环神经网络模型预测效果评估
解释方差分数(EVS)越接近于1,模型的拟合效果越好。本案例预测效果表示EVS为0.94接近1,模型拟合效果较好。路段编号ID为3423864的预测值与原值GPS数据效果对比如附图4所示。采用的是前5个小时预测第六个小时,评估参数数值如表3所示。
表3路段ID 3423864的评估参数
步骤6:将预测后的交通流量进行反标准化处理。
步骤7:将反标准化后的数据与交通调查数据进行对比。
附图5是原始GPS数据、扩样数据、扩样后预测数据、交通调查数据的对比示意图。
根据附图5分析出,经过扩样后预测的交通流量数据更加接近交通调查数据。
步骤8:采用总量控制法进行重型货车交通流量调整。
以上详细描述了本发明的实施方式,同时不限于说明书实施方案中细节,在本发明的构思范围内,可以进行多种等同变换,这些等同变换都属于在本发明的保护范围之内。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种基于非全样定位数据的重型货车交通流量预测方法,其特征在于,包括如下步骤:
步骤1:基于车载卫星定位装置,获得重型货车GPS数据;
步骤2:将GPS数据按照指定的时间间隔和所属路段位置进行合并,得到交通流量;
步骤3:对步骤2合并后得到的交通流量按照道路等级和流量范围采用分段常系数法进行扩样;
步骤4:对扩样后的数据进行标准化处理;
步骤5:利用长短时循环神经网络模型进行交通流量预测;
步骤6:将预测后的交通流量进行反标准化处理;
步骤7:将反标准化后的数据与交通调查数据进行对比;
步骤8:采用总量控制法进行重型货车交通流量调整;
步骤3具体包括如下步骤:
步骤31:将所有路段交通流量按照时间间隔进行合计;
步骤32:选择合计后最大流量的时段作为排序依据,将所有路段ID的交通流量进行降序排序;
步骤33:将排序后交通流量所呈现的分布函数进行参数估计,
yi=ke-ax+b (1)
其中,yi代表路段i的流量,x代表降序后的路段序列,k、a、b代表分布函数的估计参数;
步骤34:将所有路段按照流量进行区间分段,根据概率密度函数计算该区间下的扩样系数;
其中,mi,j为路段序号[i,j]区间的扩样系数;xi,xj代表序列为i,j的路段序列编号。
2.如权利要求1所述的基于非全样定位数据的重型货车交通流量预测方法,其特征在于,步骤1所述GPS数据包括:记录时间、经度、纬度以及车牌号。
3.如权利要求1所述的基于非全样定位数据的重型货车交通流量预测方法,其特征在于,所述步骤2具体包括:将城市路网络进行编号形成路段ID,将每个路段ID按照指定的时间间隔将GPS数据进行合计,形成带有路段属性和时间间隔属性的交通流量数据。
4.如权利要求3所述的基于非全样定位数据的重型货车交通流量预测方法,其特征在于,步骤2所述指定的时间间隔为1h。
5.如权利要求1所述的基于非全样定位数据的重型货车交通流量预测方法,其特征在于,步骤3所述道路等级包括公路等级和城市道路等级,从公路等级和城市道路等级两方面细分10个等级;
所述公路等级包括:高速公路、一级公路、二级公路、三级公路、四级公路;
所述城市道路等级包括:快速路、主干路、次干路、支路、其他,所述其他代表不属于上述城市道路等级的其余路段。
6.如权利要求1所述的基于非全样定位数据的重型货车交通流量预测方法,其特征在于,步骤4具体为:将路段ID所有流量进行筛选,选出最大交通流量,将每个交通流量与该最大交通流量的比值归一化到[0,1]区间中。
8.如权利要求7所述的基于非全样定位数据的重型货车交通流量预测方法,其特征在于,步骤52所述参数包括:隐藏层大小,时间步长,每次输入样本数,激活函数,损失函数,循环步数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911336098.7A CN110956808B (zh) | 2019-12-23 | 2019-12-23 | 一种基于非全样定位数据的重型货车交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911336098.7A CN110956808B (zh) | 2019-12-23 | 2019-12-23 | 一种基于非全样定位数据的重型货车交通流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956808A CN110956808A (zh) | 2020-04-03 |
CN110956808B true CN110956808B (zh) | 2020-11-24 |
Family
ID=69983383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911336098.7A Expired - Fee Related CN110956808B (zh) | 2019-12-23 | 2019-12-23 | 一种基于非全样定位数据的重型货车交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956808B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767690B (zh) * | 2020-12-27 | 2022-03-29 | 交通运输部规划研究院 | 一种基于断面调查数据的区域路网重型货车流量估算方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127040A (zh) * | 2007-09-14 | 2008-02-20 | 东南大学 | 公路起讫点交通流特征的提取方法 |
CN102289932A (zh) * | 2011-06-17 | 2011-12-21 | 同济大学 | 基于车辆自动识别设备的动态od矩阵估计方法 |
CN104731853A (zh) * | 2014-12-18 | 2015-06-24 | 东南大学 | 一种基于个体活动链的公交客流时空分布仿真方法及仿真*** |
CN107123265A (zh) * | 2017-06-12 | 2017-09-01 | 东南大学 | 一种基于并行计算的高速公路交通状态估计方法 |
CN108629972A (zh) * | 2018-05-07 | 2018-10-09 | 广州市交通规划研究院 | 一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法 |
CN109800916A (zh) * | 2019-01-23 | 2019-05-24 | 山东省交通规划设计院 | 一种高速公路服务区驶入车流量的建模方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6282486B1 (en) * | 2000-04-03 | 2001-08-28 | International Business Machines Corporation | Distributed system and method for detecting traffic patterns |
US20100262901A1 (en) * | 2005-04-14 | 2010-10-14 | Disalvo Dean F | Engineering process for a real-time user-defined data collection, analysis, and optimization tool (dot) |
CN102097004B (zh) * | 2011-01-31 | 2013-02-20 | 上海美慧软件有限公司 | 一种基于手机定位数据的出行od矩阵获取方法 |
CN105513351A (zh) * | 2015-12-17 | 2016-04-20 | 北京亚信蓝涛科技有限公司 | 一种基于大数据的交通出行特征数据提取方法 |
CN108921465A (zh) * | 2018-06-11 | 2018-11-30 | 华南理工大学 | 一种公路网货物运输指标自动化统计方法 |
CN110264709B (zh) * | 2019-05-06 | 2021-02-12 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110516833A (zh) * | 2019-07-03 | 2019-11-29 | 浙江工业大学 | 一种基于特征提取的Bi-LSTM预测道路交通状态的方法 |
CN110288170B (zh) * | 2019-07-29 | 2020-04-14 | 重庆电子工程职业学院 | 预测模型构建方法、交通流量预测方法、装置及电子设备 |
CN110545558B (zh) * | 2019-09-06 | 2023-03-28 | 山东省交通规划设计院集团有限公司 | 基于Wi-Fi数据的高速服务区人群密度估计*** |
-
2019
- 2019-12-23 CN CN201911336098.7A patent/CN110956808B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127040A (zh) * | 2007-09-14 | 2008-02-20 | 东南大学 | 公路起讫点交通流特征的提取方法 |
CN102289932A (zh) * | 2011-06-17 | 2011-12-21 | 同济大学 | 基于车辆自动识别设备的动态od矩阵估计方法 |
CN104731853A (zh) * | 2014-12-18 | 2015-06-24 | 东南大学 | 一种基于个体活动链的公交客流时空分布仿真方法及仿真*** |
CN107123265A (zh) * | 2017-06-12 | 2017-09-01 | 东南大学 | 一种基于并行计算的高速公路交通状态估计方法 |
CN108629972A (zh) * | 2018-05-07 | 2018-10-09 | 广州市交通规划研究院 | 一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法 |
CN109800916A (zh) * | 2019-01-23 | 2019-05-24 | 山东省交通规划设计院 | 一种高速公路服务区驶入车流量的建模方法 |
Non-Patent Citations (1)
Title |
---|
居民出行调查数据扩样方法研究;马小毅;《交通运输工程与信息学报》;20100331;正文第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110956808A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330217B (zh) | 一种基于rbfnn的中观油耗预测方法 | |
CN111583628B (zh) | 基于数据质量控制的道路网重型货车交通流量预测方法 | |
CN114783183B (zh) | 一种基于交通态势算法的监控方法与*** | |
CN110197588A (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
Lin et al. | A review of travel-time prediction in transport and logistics | |
CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及*** | |
CN109002622B (zh) | 一种随机车流作用下大跨径桥梁总体荷载响应估算方法 | |
CN109086946B (zh) | 一种常规能源和新能源公交车辆的污染气体排放预测方法 | |
CN114187766B (zh) | 一种基于饱和率的道路服务水平评价方法 | |
CN106649709B (zh) | 一种基于数据挖掘的车辆停留行为模式预测与评估方法 | |
CN115240431A (zh) | 高速公路收费站交通流量实时在线仿真***及仿真方法 | |
CN105869402B (zh) | 基于多类型浮动车数据的高速公路路段速度修正方法 | |
CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及*** | |
CN111612670A (zh) | 一种构建机动车排放清单的方法、装置和计算机设备 | |
CN109493449B (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 | |
CN106023592A (zh) | 一种基于gps数据的交通拥堵检测方法 | |
CN113449905A (zh) | 一种基于门控循环单元神经网络的交通拥堵预警方法 | |
CN109979194B (zh) | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 | |
CN110956808B (zh) | 一种基于非全样定位数据的重型货车交通流量预测方法 | |
Cunillera et al. | A literature review on train motion model calibration | |
Cunillera et al. | Real-time train motion parameter estimation using an unscented Kalman filter | |
CN112767686B (zh) | 一种基于多源数据融合的公路网汽车排放估算方法 | |
CN111680888B (zh) | 基于rfid数据确定路网容量的方法 | |
CN110264725B (zh) | 路段流量的确定方法及装置 | |
CN111640294A (zh) | 一种新建地铁线路影响下城市公交线路客流变化预测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201124 Termination date: 20211223 |