CN112651575A - 令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、***及存储介质 - Google Patents
令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、***及存储介质 Download PDFInfo
- Publication number
- CN112651575A CN112651575A CN202110008875.6A CN202110008875A CN112651575A CN 112651575 A CN112651575 A CN 112651575A CN 202110008875 A CN202110008875 A CN 202110008875A CN 112651575 A CN112651575 A CN 112651575A
- Authority
- CN
- China
- Prior art keywords
- shop
- store
- business data
- neural network
- artificial neural
- 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"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、***及存储介质,该训练方法在存在影响程度达到预设程度的多个相关店铺,且影响程度最高的相关店铺有多个分店的情况下,获取该分店的营业数据、周边预定范围内的商业兴趣点数据和其他相关店铺数量;以商业兴趣点数据和其他相关店铺数量作为输入信号,以该分店的营业数据是否达到对应于店铺选址标准的预设值作为输出信号,构成供人工神经网络进行店铺选址训练的一组学习样本;采用多组学习样本对人工神经网络进行店铺选址训练,直至该人工神经网络具备根据店铺地点的周边预定范围内的商业兴趣点数据和其他相关店铺数量来预测待选址店铺的营业数据是否达到预设值的能力。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、***及存储介质。
背景技术
在开设店铺之前,为使店铺营业状况良好,需合理地进行店铺选址。目前常用的店铺选址方法是由考察人员到各个候选地址进行实地考察,从而得到各个候选地址的周边环境和人流量,然后据此进行店铺选址。但是,该店铺选址方法是基于考察人员的个人经验进行的,这使得店铺选址结果主观性较强,降低了店铺选址结果的合理性。
兴趣点数据(Point of Interest,POI)作为一种新的空间数据源,其分布模式和分布密度在基础设施规划和城市空间分析中具有重要意义,其中,商业兴趣点数据包含不同业态商店的空间位置信息和商业属性信息,具有数据量丰富、现势性强的特点,有助于提高城市商业空间热点判别的准确性。在店铺开设之前,可基于商业兴趣点数据来获取各个店铺地点的周边环境和周边人流量,这样就有助于进行店铺选址,使得店铺选址结果较为合理,但周边环境和周边人流量只是影响店铺营业状况的部分主要因素,就算店铺周边环境好且周边人流量多,如果店铺周边有多个竞争店铺,该店铺也难以吸引到足够多的消费者进店消费,该店铺营业状况也会不佳,因此单凭商业兴趣点数据进行店铺选址合理性有限。
发明内容
本发明要解决的技术问题是如何提高店铺选址合理性。
为解决上述技术问题,本发明提供一种令人工神经网络具备店铺选址能力的训练方法,包括如下步骤:
P.在已存在对待选址店铺的影响程度达到预设程度的多个相关店铺,且影响程度最高的相关店铺有多个分店的情况下,对多个分店各自执行样本获取步骤,获得多组学习样本,其中对每个分店执行的样本获取步骤包括如下A、B、C、D:
——A.获取该分店的营业数据;
——B.获取该分店的周边预定范围内的商业兴趣点数据;
——C.获取该分店的周边预定范围内的对该待选址店铺的影响程度达到预设程度的其他相关店铺数量;
——D.以所述商业兴趣点数据和所述其他相关店铺数量作为输入信号,以该分店的营业数据是否达到对应于店铺选址标准的预设值作为输出信号,构成供人工神经网络进行店铺选址训练的一组学习样本;
Q.采用上述多组学习样本对人工神经网络进行店铺选址训练,直至该人工神经网络具备根据待选的店铺地点的周边预定范围内的商业兴趣点数据,并根据待选的店铺地点的周边预定范围内的影响程度达到预设程度的其他相关店铺数量,来预测待选址店铺的营业数据是否达到所述预设值的能力,从而使得人工神经网络能把待选址店铺选址在营业数据达到所述预设值的店铺地点。
优选地,在所述步骤C中,所获取的其他相关店铺数量中,包括对该分店的营业数据产生正影响的正相关店铺数量,以及对该分店的营业数据产生负影响的负相关店铺数量;所述正相关店铺数量越多,该分店的营业数据越高;所述负相关店铺数量越多,该分店的营业数据越低。
本发明还提供一种店铺选址方法,包括如下步骤:
a.获取待选的店铺地点;
b.获取该店铺地点的周边预定范围内的商业兴趣点数据;
c.获取该店铺地点的周边预定范围内的对待选址店铺的影响程度达到预设程度的其他相关店铺数量;
d.把所述商业兴趣点数据和所述其他相关店铺数量输入到已训练好的人工神经网络,由该人工神经网络据此预测该待选址店铺的营业数据是否达到对应于店铺选址标准的预设值,若达到则把该待选址店铺选址在该店铺地点。
优选地,在所述步骤c中,所获取的对该待选址店铺的影响程度达到预设程度的其他相关店铺数量中,包括对该待选址店铺的营业数据产生正影响的正相关店铺数量,以及对该待选址店铺的营业数据产生负影响的负相关店铺数量;所述正相关店铺数量越多,该待选址店铺的营业数据越高;所述负相关店铺数量越多,该待选址店铺的营业数据越低。
优选地,所述人工神经网络是执行如上所述的训练方法后得到的人工神经网络。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的训练方法和/或店铺选址方法。
本发明还提供一种店铺选址***,包括相互连接的计算机可读存储介质和处理器,计算机可读存储介质如上所述。
本发明具有以下有益效果:在店铺选址过程中,与现有技术仅考虑待选的店铺地点的周边预定范围内的商业兴趣点数据相比,本发明还考虑了待选的店铺地点的周边预定范围内的对待选址店铺的影响程度达到预设程度的其他相关店铺数量,这样在待选的店铺地点的周边预定范围内的商业兴趣点数据所反映的周边环境好且周边人流量多的情况下,再基于其他相关店铺数量进行选址,就能使得待选址店铺的营业数据达到对应于店铺选址标准的预设值,从而使得店铺营业状况变佳,故本发明能更加合理地进行店铺选址。
具体实施方式
在开设店铺之前,为了让店铺日后能够有良好的营业状况,会先利用店铺选址***预测店铺开设在不同地点之后的营业数据,再根据预测到的各个店铺地点的营业数据来将店铺选址在营业数据达到对应于店铺选址标准的预设值的店铺地点。营业数据会受店铺地点的周边环境、周边人流量、和周边相关店铺数量影响,其中,该店铺地点的周边环境和周边人流量会被该店铺地点的周边预定范围内的商业兴趣点数据反映出来。本实施例中,周边预定范围内是指方圆5千米内,可选地,该周边预定范围内可以是方圆3千米内、方圆8千米内、方圆10千米内或其他任何可以设定的范围内。
以待选址的服装店铺为例,因为鞋店、背包店和其他服装店铺会售卖与衣物相关的商品,所以鞋店、背包店和其他服装店铺都会吸引想购买衣物的消费者过来消费,据此把鞋店、背包店和其他服装店铺预设为对待选址的服装店铺的影响程度达到预设程度的相关店铺,其中:鞋店和背包店不会与待选址的服装店铺竞争消费者,故在鞋店和背包店能吸引消费者的情况下,鞋店和背包店是对该待选址的服装店铺的营业数据产生正影响的正相关店铺,即鞋店和背包店数量越多,该待选址的服装店铺的营业数据会越高;而其他服装店铺会与待选址的服装店铺竞争消费者,导致待选址的服装店铺客流量减少,故其他服装店铺是对该待选址的服装店铺的营业数据产生负影响的负相关店铺,即其他服装店铺数量越多,该待选址的服装店铺的营业数据越低。
在开设待选址的服装店铺之前,分析待选址的服装店铺和其他服装店铺的店铺规模和商品均价,把店铺规模最接近和商品均价综合起来最接近的其他服装店铺作为对该待选址的服装店铺的影响程度最高的相关店铺,该影响程度最高的相关店铺的营业数据会非常接近于待选址的服装店铺的营业数据,例如,待选址的服装店铺是优衣库,根据对优衣库和其他服装店铺(例如无印良品、H&M、DIOR等)的店铺规模和商品均价进行的综合分析,可得知无印良品与优衣库的相似程度为90%,H&M与优衣库的相似程度为的相似程度85%,DIOR与优衣库的相似程度为的相似程度为60%,因此,店铺规模和商品均价综合起来最接近优衣库的其他服装店铺是无印良品,故把无印良品作为对优衣库影响程度最高的相关店铺。在该影响程度最高的相关店铺有多个服装分店的情况下,店铺选址***可基于该影响程度最高的相关店铺的多个服装分店的周边预定范围内的商业兴趣点数据,以及该影响程度最高的相关店铺的多个服装分店的周边预定范围内的其他相关店铺数量,来实现令人工神经网络具备店铺选址能力的训练方法,该训练方法对影响程度最高的相关店铺的多个服装分店各自执行样本获取步骤,获得多组学习样本,其中对每个服装分店执行的样本获取步骤如下A、B、C、D:
A.获取该服装分店的营业数据。
B.获取该服装分店的周边预定范围内的商业兴趣点数据,基于该商业兴趣点数据就可分析出该服装分店的周边预定范围内的环境和人流量。
C.获取该服装分店的周边预定范围内的鞋店数量、背包店数量和其他服装店铺数量,其中鞋店数量和背包店数量是对待选址的服装店铺的营业数据产生正影响的正相关店铺数量,其他服装店铺数量是对待选址的服装店铺的营业数据产生负影响的负相关店铺数量。
D.以商业兴趣点数据、鞋店数量、背包店数量和其他服装店铺数量作为输入信号,以营业数据是否达到对应于店铺选址标准的预设值作为输出信号,构成供人工神经网络进行店铺选址训练的一组学习样本。其中,对应于店铺选址标准的预设值为该待选址的服装店铺的年度营业额,例如100万元,若该影响程度最高的相关店铺的服装分店的营业数据达到了对应于店铺选址标准的预设值100万元,则本组学习样本中的输出信号为“是”,若该影响程度最高的相关店铺的服装分店的营业数据未达到对应于店铺选址标准的预设值100万元,则本组学习样本中的输出信号为“否”。可选的,该对应于店铺选址标准的预设值可以是80万元、150万元、200万元或其他任何可以设定的数值。
在对影响程度最高的相关店铺的多个服装分店各自执行上述样本获取步骤获得多组学习样本之后,采用多组学习样本对人工神经网络进行店铺选址能力训练,直至该人工神经网络具备根据待选的店铺地点的周边预定范围内的商业兴趣点数据,并根据待选的店铺地点的周边预定范围内的鞋店数量、背包店数量和其他服装店铺数量,来预测待选址的服装店铺的营业数据是否达到对应于店铺选址标准的预设值的能力,人工神经网络就能把待选址的服装店铺选址在营业数据达到该预设值的店铺地点,这样就可以利用该店铺选址***实现店铺选址方法了,详述如下步骤a、b、c、d:
a.获取待选的店铺地点。
b.获取该店铺地点的周边预定范围内的商业兴趣点数据,基于该商业兴趣点数据就可分析出该店铺地点的周边预定范围内的环境和人流量;
c.获取该店铺地点的周边预定范围内的鞋店数量、背包店数量和其他服装店铺数量,其中鞋店数量和背包店数量是对待选址的服装店铺的营业数据产生正影响的正相关店铺数量,其他服装店铺数量是对待选址的服装店铺的营业数据产生负影响的负相关店铺数量;
d.把获取到的商业兴趣点数据、鞋店数量、背包店数量和其他服装店铺数量输入到经上述训练方法训练好的人工神经网络,由该人工神经网络据此预测该待选址的服装店铺的营业数据是否达到对应于店铺选址标准的预设值,若达到则把该待选址的服装店铺选址在该店铺地点,若未达到则把不把该待选址的服装店铺选址在该店铺地点。
本实施例在服装店铺选址过程中,除了考虑待选的店铺地点的周边预定范围内的商业兴趣点数据,还考虑了待选的店铺地点的周边预定范围内的鞋店数量、背包店数量和其他服装店铺数量这些相关店铺数量,这样在待选的店铺地点的周边预定范围内的商业兴趣点数据所反映的周边环境好且周边人流量多的情况下,再基于相关店铺数量进行选址,就能使得该待选址的服装店铺的营业数据达到对应于店铺选址标准的预设值,从而使得该服装店铺营业状况变佳。
本实施例中,店铺选址***包括相互连接的计算机可读存储介质和处理器,计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现上述令人工神经网络具备店铺选址能力的训练方法和/或店铺选址方法。
Claims (7)
1.令人工神经网络具备店铺选址能力的训练方法,其特征是,包括如下步骤:
P.在已存在对待选址店铺的影响程度达到预设程度的多个相关店铺,且影响程度最高的相关店铺有多个分店的情况下,对多个分店各自执行样本获取步骤,获得多组学习样本,其中对每个分店执行的样本获取步骤包括如下A、B、C、D:
——A.获取该分店的营业数据;
——B.获取该分店的周边预定范围内的商业兴趣点数据;
——C.获取该分店的周边预定范围内的对该待选址店铺的影响程度达到预设程度的其他相关店铺数量;
——D.以所述商业兴趣点数据和所述其他相关店铺数量作为输入信号,以该分店的营业数据是否达到对应于店铺选址标准的预设值作为输出信号,构成供人工神经网络进行店铺选址训练的一组学习样本;
Q.采用上述多组学习样本对人工神经网络进行店铺选址训练,直至该人工神经网络具备根据待选的店铺地点的周边预定范围内的商业兴趣点数据,并根据待选的店铺地点的周边预定范围内的影响程度达到预设程度的其他相关店铺数量,来预测待选址店铺的营业数据是否达到所述预设值的能力,从而使得人工神经网络能把待选址店铺选址在营业数据达到所述预设值的店铺地点。
2.根据权利要求1所述的训练方法,其特征是:在所述步骤C中,所获取的其他相关店铺数量中,包括对该分店的营业数据产生正影响的正相关店铺数量,以及对该分店的营业数据产生负影响的负相关店铺数量;所述正相关店铺数量越多,该分店的营业数据越高;所述负相关店铺数量越多,该分店的营业数据越低。
3.店铺选址方法,其特征是,包括如下步骤:
a.获取待选的店铺地点;
b.获取该店铺地点的周边预定范围内的商业兴趣点数据;
c.获取该店铺地点的周边预定范围内的对待选址店铺的影响程度达到预设程度的其他相关店铺数量;
d.把所述商业兴趣点数据和所述其他相关店铺数量输入到已训练好的人工神经网络,由该人工神经网络据此预测该待选址店铺的营业数据是否达到对应于店铺选址标准的预设值,若达到则把该待选址店铺选址在该店铺地点。
4.根据权利要求3所述的店铺选址方法,其特征是:在所述步骤c中,所获取的对该待选址店铺的影响程度达到预设程度的其他相关店铺数量中,包括对该待选址店铺的营业数据产生正影响的正相关店铺数量,以及对该待选址店铺的营业数据产生负影响的负相关店铺数量;所述正相关店铺数量越多,该待选址店铺的营业数据越高;所述负相关店铺数量越多,该待选址店铺的营业数据越低。
5.根据权利要求3所述的店铺选址方法,其特征是,所述已训练好的人工神经网络是执行如权利要求1或2所述的训练方法后得到的人工神经网络。
6.计算机可读存储介质,其上存储有计算机程序,其特征是,所述计算机程序被处理器执行时实现如权利要求1或2所述的训练方法和/或权利要求3至5任一项所述的店铺选址方法。
7.店铺选址***,包括相互连接的计算机可读存储介质和处理器,其特征是,计算机可读存储介质如权利要求6所述。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110008875.6A CN112651575A (zh) | 2021-01-05 | 2021-01-05 | 令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110008875.6A CN112651575A (zh) | 2021-01-05 | 2021-01-05 | 令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、***及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651575A true CN112651575A (zh) | 2021-04-13 |
Family
ID=75367403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110008875.6A Pending CN112651575A (zh) | 2021-01-05 | 2021-01-05 | 令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651575A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960912A (zh) * | 2018-06-27 | 2018-12-07 | 北京京东金融科技控股有限公司 | 用于确定目标位置的方法和装置 |
CN110543999A (zh) * | 2018-08-17 | 2019-12-06 | 杉数科技(北京)有限公司 | 用于门店选址的方法和装置 |
CN110648161A (zh) * | 2019-08-05 | 2020-01-03 | 中移(杭州)信息技术有限公司 | 商业选址的效益评估方法、装置及存储介质 |
-
2021
- 2021-01-05 CN CN202110008875.6A patent/CN112651575A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960912A (zh) * | 2018-06-27 | 2018-12-07 | 北京京东金融科技控股有限公司 | 用于确定目标位置的方法和装置 |
CN110543999A (zh) * | 2018-08-17 | 2019-12-06 | 杉数科技(北京)有限公司 | 用于门店选址的方法和装置 |
CN110648161A (zh) * | 2019-08-05 | 2020-01-03 | 中移(杭州)信息技术有限公司 | 商业选址的效益评估方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
HUCHUNMIAO: ""基于GIS和神经网络的超市选址方法研究"", 《HTTPS://WWW.DOC88.COM/P-4969174326949.HTML》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ruggeri et al. | A bibliometric analysis of the scientific literature on Fairtrade labelling | |
Le Bagousse-Pinguet et al. | Phylogenetic, functional, and taxonomic richness have both positive and negative effects on ecosystem multifunctionality | |
Collard et al. | Latitudinal patterns and environmental determinants of recent human cultural diversity: do humans follow biogeographical rules? | |
Maertens et al. | Horticultural exports, female wage employment and primary school enrolment: Theory and evidence from Senegal | |
CN104346370B (zh) | 图像搜索、获取图像文本信息的方法及装置 | |
CN106681996B (zh) | 确定地理范围内兴趣区域、兴趣点的方法和装置 | |
Ronaghi et al. | Investigating the impact of economic, political, and social factors on augmented reality technology acceptance in agriculture (livestock farming) sector in a developing country | |
CN112884224A (zh) | 实体对象的选址方法、装置、计算设备及计算机存储介质 | |
Vaz et al. | Performance comparison of retailing stores using a Malmquist-type index | |
CN112700055A (zh) | 令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、存储介质及店铺选址*** | |
CN111461510A (zh) | 基于物联网的现代农业生产销售示范推广服务***及方法 | |
CN111984701A (zh) | 乡村聚落演化的预测方法、装置、设备及存储介质 | |
CN115018357A (zh) | 一种面向生产绩效提升的农户画像构建方法及*** | |
CN112766718B (zh) | 城市商圈边界识别方法、***、计算机设备及存储介质 | |
Hossain et al. | GDP growth prediction of bangladesh using machine learning algorithm | |
CN109858448A (zh) | 一种零售场景下的物品识别方法及设备 | |
Koch et al. | Yet another space: Why the Industry Space adds value to the understanding of structural change and economic development | |
CN112651575A (zh) | 令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、***及存储介质 | |
Bhadury et al. | Constructing a Coincident Economic Indicator for India: How Well Does It Track Gross Domestic Product? | |
Yulianthini et al. | Customer orientation and competitor orientation influence on the marketing performance of restaurants MSEs in the Buleleng District | |
KR101960863B1 (ko) | 기술가치 평가 시스템 | |
Xin et al. | A 3D grape bunch reconstruction pipeline based on constraint-based optimisation and restricted reconstruction grammar | |
CN103224880A (zh) | 一种基于人工神经网络的细菌生化鉴定***及鉴定方法 | |
JPH02170269A (ja) | 商品情報分析方法 | |
CN114299350B (zh) | 一种基于机器学习的人工信贷审核信息推荐方法及*** |
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 |