CN113723529A - 一种基于速度预测算法的交通信息可信辨识方法 - Google Patents

一种基于速度预测算法的交通信息可信辨识方法 Download PDF

Info

Publication number
CN113723529A
CN113723529A CN202111023562.4A CN202111023562A CN113723529A CN 113723529 A CN113723529 A CN 113723529A CN 202111023562 A CN202111023562 A CN 202111023562A CN 113723529 A CN113723529 A CN 113723529A
Authority
CN
China
Prior art keywords
rear vehicle
sequence
vehicle
vehicle speed
speed
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
Application number
CN202111023562.4A
Other languages
English (en)
Other versions
CN113723529B (zh
Inventor
张毅
晏松
史宇辰
姚丹亚
王泽众
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202111023562.4A priority Critical patent/CN113723529B/zh
Publication of CN113723529A publication Critical patent/CN113723529A/zh
Application granted granted Critical
Publication of CN113723529B publication Critical patent/CN113723529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于速度预测算法的交通信息可信辨识方法，使用深度学习的长短时记忆网络，通过跟驰场景的大量前后车数据，训练出可以对后车速度进行预测的神经网络，然后输入前后车相关数据，对后车速度进行预测，对比速度实际值和速度预测值，给出可信概率数值，以判断交互信息是否合法。本发明可以有效检测车辆通信数据的异常情况，包括车辆传感器数据错误或黑客攻击篡改通信数据等情况，提高了车路协同环境下智能交通***的安全性与可靠性。

Description

一种基于速度预测算法的交通信息可信辨识方法
技术领域
本发明涉及车路协同、信息交互、行为特征识别等技术领域，尤其涉及一种基于速度预测算法的交通信息可信辨识方法。
背景技术
车路协同***及技术是新一代智能交通***的发展趋势，基于车-车、车-路的实时交互，可以实现更加高效、安全的交通组织与管理效益。如何确保交通信息交互的安全可靠，对于车路协同***的应用具有重要意义。但是，对于当前车路协同***的应用环境而言，其对于交通信息的可靠性需求，不能只考虑传统通信层面的可靠性和安全性，还需要结合交通业务特征来甄别交互信息的可信程度。
目前，可信辨识技术中对跟驰场景下的可信辨识常通过进行运动状态角度的分实现，即通过列写跟驰对跟驰场景的后车加速度进行估计。该辨识方法考虑的特征参数较为简单，且只根据一个时刻的相关数据进行分析，准确度不足，受驾驶员主观影响大。
发明内容
本发明的目的是提供一种基于速度预测算法的交通信息可信辨识方法，能够有效检测车辆通信数据的异常情况，包括车辆传感器数据错误或黑客攻击篡改通信数据等情况，提高车路协同环境下智能交通***的安全性与可靠性。
本发明采用的技术方案为：
一种基于速度预测算法的交通信息可信辨识方法，包括以下步骤：
S1、建立基于LSTM网络的后车速度预测模型，LSTM网络中网络单元数量为N；每个网络单元的输入输出关系式如下：
v(t)＝f(v(t-τ:t-Δt),Δv(t-τ:t-Δt),Δx(t-τ:t-Δt))
其中，v(t)表示后车在t时刻的速度值，τ表示选取序列的时间长度，Δt表示采样间隔，f(·)表示输入和输出变量之间的映射关系函数，v(t1:t2)表示时间t1到t2内的后车速度序列，即[v(t1),v(t1+Δt),…,v(t2)]，Δv(t1:t2)表示时间t1到t2内的后车与前车速度差序列，即[Δv(t1),Δv(t1+Δt),…,Δv(t2)]，Δx(t1:t2)表示时间t1到t2内的后车与前车位置差(车头间距)序列，即[Δx(t1),Δx(t1+Δt),…,Δx(t2)]；
S2、构建历史跟驰数据训练数据集对后车速度预测模型进行训练优化；
S3、选取N+1个时间采样点，获取后车OBU动态数据和前车OBU动态数据；后车OBU动态数据包括后车速度序列、后车位置序列、后车与前车车速差序列和后车与前车车间距序列，前车OBU动态数据包括前车速度序列和前车位置序列；
S4、将N+1个时间采样点对应的后车速度、后车与前车车速差和后车与前车车间距输入训练优化过的后车速度预测模型中，输出后车速度预测值
Figure BDA0003241143960000021
k∈N；
S5、根据实时获取的后车速度
Figure BDA0003241143960000022
与后车速度预测值
Figure BDA0003241143960000023
计算可信概率值P；计算公式为：
Figure BDA0003241143960000024
S6、将所得可信概率值P与预设阈值α进行比较，若P>α，则可信，反之则不可信。
进一步地，所述对后车速度预测模型进行训练优化具体过程如下：
21：采集历史跟驰状态的后车OBU动态数据和前车OBU动态数据，获取训练样本数据集，训练样本数据集包括车间距样本序列[s10k+1,…,s10k+N+1]、后车速度样本序列
Figure BDA0003241143960000025
和前后车速度差样本序列[Δv10k+1,…,Δv10k+N+1]，k表示数据组数且
Figure BDA0003241143960000026
22：将训练样本数据集按照7:3的比例划分为训练集和测试集；
23：设定训练过程的特征参数，包括损失函数、优化器、学习率和训练轮次
24：对后车速度预测模型进行训练和优化，直至后车速度预测模型在测试集的损失函数收敛时，即可停止训练并将模型数据保存并用于此后预测使用。
进一步地，根据权利要求1或2所述的基于速度预测算法的交通信息可信辨识方法，其特征在于：所述N为50。
进一步地，所述损失函数采用MSELoss。
进一步地，所述优化器采用Adam。
本发明具有以下有益效果：
通过使用深度学习的长短时记忆网络，基于跟驰场景的前后车数据训练出可以对后车速度进行预测的神经网络，然后通过输入前后车相关数据对后车速度进行预测，对比速度实际值和速度预测值，给出可信概率数值以判断交互信息是否合法，能够有效检测车辆通信数据的异常情况，包括车辆传感器数据错误或黑客攻击篡改通信数据等情况，提高了车路协同环境下智能交通***的安全性与可靠性；同时，用LSTM网络处理较长历史数据的时间序列，综合一段跟驰过程的前后车作用关系来对车辆下一时刻的速度进行预测的辨识方法，比单点判断效果更加优异。
附图说明
图1为本发明的流程图；
图2为具体实施方式中LSTM网络结构图。
具体实施方式
如图1所示，一种基于速度预测算法的交通信息可信辨识方法，包括以下步骤：
S1、建立基于LSTM网络的后车速度预测模型；
S2、构建历史跟驰数据训练数据集对后车速度预测模型进行训练优化；
S3、选取N个时间采样点，获取后车OBU动态数据和前车OBU动态数据；后车OBU动态数据包括后车速度序列、后车位置序列、后车与前车车速差序列和后车与前车车间距序列，前车OBU动态数据包括前车速度序列和前车位置序列；
S4、将N个时间采样点对应的后车速度、后车与前车车速差和后车与前车车间距输入训练优化过的后车速度预测模型中，输出后车速度预测值
Figure BDA0003241143960000031
k∈N；
S5、根据实时获取的后车速度
Figure BDA0003241143960000032
与后车速度预测值
Figure BDA0003241143960000033
计算可信概率值P；
S6、将所得可信概率值P与预设阈值α进行比较，若P>α，则可信，反之则不可信。
为了更好地理解本发明，下面结合具体实施例对本发明的技术方案做进一步说明。
传统的多车场景分析往往使用数学模型，通过对场景进行经验分析列写公式，得出车辆下一步最合理的行为或行为的范围，通过判断车辆是否超出范围来判断信息是否可信。随着近年来机器学习的发展，大量试验数据证明，以数据驱动的模型往往能取得更好的效果。
LSTM网络(Long Short-Term Memory，长短时记忆神经网络)是一种特殊的RNN网络(Recurrent Neural Network，循环神经网络)。LSTM结构较为复杂，核心是细胞状态C，细胞状态由三个门来控制细胞状态，分别称为忘记门、输入门和输出门。LSTM可以处理较长历史数据的时间序列，同时具有遗忘门的LSTM模型具有衰落记忆功能，可以从历史数据获取信息的过程中按需要弱化过时数据的作用，这与人为驾驶过程非常一致。因此，本发明基于LSTM网络实现驾驶速度预测，进而实现交通信息的可信辨识。下面进行详细介绍。
首先，建立基于LSTM网络的后车速度预测模型，如图2所示。
设定LSTM网络单元数为50，每个网络单元的输入输出关系式如下：
v(t)＝f(v(t-τ:t-Δt),Δv(t-τ:t-Δt),Δx(t-τ:t-Δt))
其中，v(t)表示后车在t时刻的速度值，τ表示选取序列的时间长度，Δt表示采样间隔，f(·)表示输入和输出变量之间的映射关系函数，v(t1:t2)表示时间t1到t2内的后车速度序列，即[v(t1),v(t1+Δt),…,v(t2)]，Δv(t1:t2)表示时间t1到t2内的后车与前车速度差序列，即[Δv(t1),Δv(t1+Δt),…,Δv(t2)]，Δx(t1:t2)表示时间t1到t2内的后车与前车位置差(车头间距)序列，即[Δx(t1),Δx(t1+Δt),…,Δx(t2)]。然后，对后车速度预测模型进行优化训练。
先收集大量历史跟驰数据训练样本数据集，每隔10个采样点提取一组数据，每一组数据包括51个采样点，以获得大量用于训练的数据样本。每一组数据包括：
车间距序列[s10k+1,…,s10k+51]、后车速度序列
Figure BDA0003241143960000041
前后车速度差序列[Δv10k+1,…,Δv10k+51]，k表示数据组数且
Figure BDA0003241143960000042
s10k+1表示第k组数据样本的第一个时间采样点的后车与前车车头间距，
Figure BDA0003241143960000043
表示第k组数据样本的第一个时间采样点的后车速度，Δv10k+1表示第k组数据样本的第一个时间采样点的后车与前车速度差。
构建的训练样本数据集按照7:3的比例划分为训练集和测试集，训练集用于对模型进行训练，测试集用于对模型进行优化定型。
训练模型前，先对训练过程的特征参数进行设定，包括损失函数、优化器、学习率和训练轮次等，本实施例中损失函数设定为MSELoss，优化器设定为Adam。
训练时，一轮训练结束判断模型在测试集的损失函数是否收敛，当模型在测试集的损失函数收敛时，即可停止训练并将模型数据保存，可以用于此后的预测。
然后，即可将后车速度预测模型用于实际应用中。实际应用过程如下：
选取51个时间采样点，前50个采样点输入LSTM模型，第51个采样点用于对比，使用50个采样点数据对第51个采样点的速度进行预测。获取后车OBU动态数据和前车OBU动态数据，后车OBU动态数据包括后车速度序列、后车位置序列、后车与前车车速差序列和后车与前车车间距序列，前车OBU动态数据包括前车速度序列和前车位置序列。后车速度序列和后车位置序列可通过前车判断后车、后车判断自车、路侧设备判断后车等方式获取，前车速度序列和前车位置序列可由前车判断自车、后车判断前车和路侧设备判断前车等方式获取，后车与前车车间距序列可由前后车位置计算获取，也可由雷达等传感器设备测量获取。
将51个时间采样点对应的后车速度、后车与前车车速差和后车与前车车间距输入训练优化过的后车速度预测模型中，输出后车速度预测值
Figure BDA0003241143960000051
k∈1，…，50。
根据实时获取的后车速度
Figure BDA0003241143960000052
与后车速度预测值
Figure BDA0003241143960000053
即可计算获取可信概率值P。
计算公式为：
Figure BDA0003241143960000054
根据应用时可信辨识***对安全程度的要求设定阈值α，将所得可信概率值P与阈值α进行比较，本实施例中取α＝0.5，若P>α，则可信，反之则不可信。
本发明针对车路协同环境下车辆交互信息可信辨识的问题，引入了驾驶员驾驶行为特征进行可信辨识，建立了一种基于速度预测方法的可信辨识模型，使用深度学习的长短时记忆网络，通过跟驰场景的大量前后车数据，训练出可以对后车速度进行预测的神经网络。在应用时，输入前后车相关数据，对后车速度进行预测，对比速度实际值和速度预测值，给出可信概率数值，以判断交互信息是否合法。本发明可以有效检测车辆通信数据的异常情况，包括车辆传感器数据错误或黑客攻击篡改通信数据等情况，提高了车路协同环境下智能交通***的安全性与可靠性。

Claims (5)

1.一种基于速度预测算法的交通信息可信辨识方法，其特征在于：包括以下步骤：
S1、建立基于LSTM网络的后车速度预测模型，LSTM网络中网络单元数量为N；每个网络单元的输入输出关系式如下：
v(t)＝f(v(t-τ：t-Δt)，Δv(t-τ：t-Δt)，Δx(t-τ：t-Δt))
其中，v(t)表示后车在t时刻的速度值，τ表示选取序列的时间长度，Δt表示采样间隔，f(·)表示输入和输出变量之间的映射关系函数，v(t1：t2)表示时间t1到t2内的后车速度序列，即[v(t1)，v(t1+Δt)，...，v(t2)]，Δv(t1：t2)表示时间t1到t2内的后车与前车速度差序列，即[Δv(t1)，Δv(t1+Δt)，...，Δv(t2)]，Δx(t1：t2)表示时间t1到t2内的后车与前车位置差(车头间距)序列，即[Δx(t1)，Δx(t1+Δt)，...，Δx(t2)]；
S2、构建历史跟驰数据训练数据集对后车速度预测模型进行训练优化；
S3、选取N+1个时间采样点，获取后车OBU动态数据和前车OBU动态数据；后车OBU动态数据包括后车速度序列、后车位置序列、后车与前车车速差序列和后车与前车车间距序列，前车OBU动态数据包括前车速度序列和前车位置序列；
S4、将N+1个时间采样点对应的后车速度、后车与前车车速差和后车与前车车间距输入训练优化过的后车速度预测模型中，输出后车速度预测值
Figure FDA0003241143950000011
S5、根据实时获取的后车速度
Figure FDA0003241143950000012
与后车速度预测值
Figure FDA0003241143950000013
计算可信概率值P；计算公式为：
Figure FDA0003241143950000014
S6、将所得可信概率值P与预设阈值α进行比较，若P＞α，则可信，反之则不可信。
2.根据权利要求1所述的基于速度预测算法的交通信息可信辨识方法，其特征在于：所述对后车速度预测模型进行训练优化具体过程如下：
21：采集历史跟驰状态的后车OBU动态数据和前车OBU动态数据，获取训练样本数据集，训练样本数据集包括车间距样本序列[s10k+1，...，s10k+N+1]、后车速度样本序列
Figure FDA0003241143950000021
和前后车速度差样本序列[Δv10k+1，...，Δv10k+N+1]，k表示数据组数且
Figure FDA0003241143950000022
22：将训练样本数据集按照7∶3的比例划分为训练集和测试集；
23：设定训练过程的特征参数，包括损失函数、优化器、学习率和训练轮次
24：对后车速度预测模型进行训练和优化，直至后车速度预测模型在测试集的损失函数收敛时，即可停止训练并将模型数据保存并用于此后预测使用。
3.根据权利要求1或2所述的基于速度预测算法的交通信息可信辨识方法，其特征在于：所述N为50。
4.根据权利要求2所述的基于速度预测算法的交通信息可信辨识方法，其特征在于：所述损失函数采用MSELoss。
5.根据权利要求2所述的基于速度预测算法的交通信息可信辨识方法，其特征在于：所述优化器采用Adam。
CN202111023562.4A 2021-09-01 2021-09-01 一种基于速度预测算法的交通信息可信辨识方法 Active CN113723529B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111023562.4A CN113723529B (zh) 2021-09-01 2021-09-01 一种基于速度预测算法的交通信息可信辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111023562.4A CN113723529B (zh) 2021-09-01 2021-09-01 一种基于速度预测算法的交通信息可信辨识方法

Publications (2)

Publication Number Publication Date
CN113723529A true CN113723529A (zh) 2021-11-30
CN113723529B CN113723529B (zh) 2022-11-01

Family

ID=78680689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111023562.4A Active CN113723529B (zh) 2021-09-01 2021-09-01 一种基于速度预测算法的交通信息可信辨识方法

Country Status (1)

Country Link
CN (1) CN113723529B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859469A (zh) * 2019-02-15 2019-06-07 重庆邮电大学 一种基于集成lstm神经网络的车流量预测方法
CN111338385A (zh) * 2020-01-22 2020-06-26 北京工业大学 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法
CN111391831A (zh) * 2020-02-27 2020-07-10 中南大学 一种基于前车速度预测的汽车跟驰速度控制方法及***
CN111931905A (zh) * 2020-07-13 2020-11-13 江苏大学 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859469A (zh) * 2019-02-15 2019-06-07 重庆邮电大学 一种基于集成lstm神经网络的车流量预测方法
CN111338385A (zh) * 2020-01-22 2020-06-26 北京工业大学 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法
CN111391831A (zh) * 2020-02-27 2020-07-10 中南大学 一种基于前车速度预测的汽车跟驰速度控制方法及***
CN111931905A (zh) * 2020-07-13 2020-11-13 江苏大学 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法

Also Published As

Publication number Publication date
CN113723529B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
EP3533681B1 (en) Method for detecting safety of driving behavior, apparatus and storage medium
CN109572550B (zh) 一种行车轨迹预测方法、***、计算机设备及存储介质
Jafarnejad et al. Towards a real-time driver identification mechanism based on driving sensing data
CN108877213B (zh) 交通事故的识别方法及***
CN112053589B (zh) 一种目标车辆换道行为自适应识别模型构建方法
CN110077398B (zh) 一种用于智能驾驶的危险处理方法
CN112863245B (zh) 基于深度神经网络的车辆换道轨迹实时预测方法
CN111461292B (zh) 一种无人机实时轨迹预测方法
CN109878530B (zh) 识别车辆侧向行驶工况的方法和***
CN110040134B (zh) 考虑环境因素的车辆碰撞时间计算方法
CN108390869A (zh) 集成深度学习的车载智能网关装置及其命令序列检测方法
CN103473540A (zh) 智能交通***车辆轨迹增量式建模与在线异常检测方法
CN111159642B (zh) 一种基于粒子滤波的在线轨迹预测方法
CN108710637A (zh) 基于时空关系的出租车异常轨迹实时检测方法
Harkous et al. A two-stage machine learning method for highly-accurate drunk driving detection
CN116434523A (zh) 信息感知场景下基于约束度的车辆主动安全管控方法及装置
Du et al. A Novel Intelligent Approach to Lane‐Change Behavior Prediction for Intelligent and Connected Vehicles
CN113723529B (zh) 一种基于速度预测算法的交通信息可信辨识方法
CN112319505A (zh) 自动驾驶换道判断方法、装置、设备及存储介质
CN115049996B (zh) 基于证据推理规则的双传感器目标检测融合方法和***
CN113705013B (zh) 一种基于跟驰场景驾驶行为的交通信息可信辨识方法
Ma et al. Lane change analysis and prediction using mean impact value method and logistic regression model
CN113722677B (zh) 一种基于车辆驾驶统计数据的交通信息可信辨识方法
CN117975732B (zh) 隧道智慧交通管控***及方法
CN113298324B (zh) 一种基于深度强化学习与神经网络的轨迹预测模型方法、***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