CN115345354A - 基于超图深度网络的城市多方式交通超网络态势预测方法 - Google Patents
基于超图深度网络的城市多方式交通超网络态势预测方法 Download PDFInfo
- Publication number
- CN115345354A CN115345354A CN202210916015.7A CN202210916015A CN115345354A CN 115345354 A CN115345354 A CN 115345354A CN 202210916015 A CN202210916015 A CN 202210916015A CN 115345354 A CN115345354 A CN 115345354A
- Authority
- CN
- China
- Prior art keywords
- traffic
- network
- mode
- hypergraph
- subway
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000008878 coupling Effects 0.000 claims abstract description 13
- 238000010168 coupling process Methods 0.000 claims abstract description 13
- 238000005859 coupling reaction Methods 0.000 claims abstract description 13
- 238000013136 deep learning model Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000029305 taxis Effects 0.000 description 3
- 101150104646 SET4 gene Proteins 0.000 description 1
- 101100421299 Schizosaccharomyces pombe (strain 972 / ATCC 24843) set7 gene Proteins 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于超图深度网络的城市多方式交通超网络态势预测方法,根据地铁站、公交站、道路段在城市交通中的空间拓扑关系构建各交通方式的交通图网络;对各交通方式的高阶语义相关性进行分析,构建不同交通方式的交通超图网络;对不同交通方式之间的耦合关系进行分析,构建融合城市多方式交通的交通超图网络;通过超图神经网络建立面向城市多方式交通超网络协同预测的超图深度学习模型,并利用历史数据对该模型进行训练;最后,利用训练后的超图深度学习模型对未来时间段内的多方式交通客流态势进行预测。本发明更客观、全面地反应城市多方式交通***运行规律,提升了多方式交通客流态势预测准确性。
Description
技术领域
本发明属于交通客流预测领域,特别是一种基于超图深度网络的城市多方式交通超网络态势预测方法。
背景技术
随着城市综合交通***的建设与不断推进,城市交通客流预测对于城市交通***的运营与管理具有重要意义,近些年得到了广泛的关注。图神经网络(GraphNeuralNetworks,GNNs)由于其强大的关系数据建模能力,在交通预测问题中展现出显著优势,得到了广泛应用。然而,传统的图网络模型根据空间拓扑关系对相关性进行建模,只能构建网络节点之间的二元连接关系,即一条边连接两个节点,而无法构建节点之间的高阶相关性,例如某一条公交线路。同时,城市综合交通***时一个复杂的大***,多种交通方式之间存在显著的耦合性,例如公交站、地铁站在同一条道路上或者公交站与地铁站同名(通常位于相近地点),而传统的图网络模型无法建模多方式交通之间的耦合关系。为了对城市综合交通***多方式交通态势进行精准分析,亟需寻求一种更为全面、高效的建模方法,对不同交通方式的客流状态与发展趋势进行精准预测。
发明内容
有鉴于此,本发明的目的在于提出一种基于超图深度网络的城市多方式交通超网络态势预测方法,以解决多方式交通预测中无法建模节点高阶相关性与多方式交通耦合性的问题。
实现本发明目的的技术方案为:一种基于超图深度网络的城市多方式交通超网络态势预测方法,具体步骤为:
步骤1:对交通网络进行分析,获得多方式交通网络数据;
步骤2:利用空间拓扑关系构建各交通方式的交通图网络;
步骤3:对各交通方式的高阶语义相关性进行分析,构建不同交通方式的交通超图网络;
步骤4:对不同交通方式之间的耦合关系进行分析,构建融合城市多方式交通的交通超图网络;
步骤5:建立面向城市多方式交通超网络协同预测的超图深度网络;
步骤6:利用面向城市多方式交通超网络协同预测的超图深度网络对未来时间段内多方式交通客流态势进行预测。
优选地,步骤1中对交通网络进行分析,获得多方式交通网络数据的具体方法为:
步骤1.1:对地铁、公交、出租车多方式交通网络进行分析,获得各交通方式图网络的节点数据;
步骤1.2:对地铁、公交、出租车多方式交通网络拓扑结构进行分析,获得各交通方式的空间拓扑结构数据。
优选地,针对地铁交通方式,提取地铁站点作为地铁交通方式图网络的节点,构成地铁交通图网络节点集合I(m)为地铁站点数量;针对公交交通方式,提取公交站点作为公交交通方式图网络的节点,构成公交交通图网络节点集合I(b)为公交站点数量;针对出租车交通方式,提取出租车可以通行的路段作为出租车交通方式图网络的节点,构成出租车交通图网络节点集合I(r)为路段数量。
优选地,利用空间拓扑关系构建各交通方式的交通图网络的具体方法为:
针对地铁交通方式,利用地铁交通图网络节点V(m)与地铁交通方式邻接矩阵A(m)构建地铁交通方式的交通图网络G(m)=(V(m),A(m));
针对公交交通方式,利用公交交通图网络节点V(b)与公交交通方式邻接矩阵A(b)构建公交交通方式的交通图网络G(b)=(V(b),A(b));
针对出租车交通方式,利用出租车交通图网络节点V(r)与出租车交通方式邻接矩阵A(r)构建公交交通方式的交通图网络G(r)=(V(r),A(r))。
优选地,对各交通方式的高阶语义相关性进行分析,构建不同交通方式的交通超图网络的具体步骤为:
优选地,对不同交通方式之间的耦合关系进行分析,构建融合城市多方式交通的交通超图网络的具体步骤为:
步骤4.1:分析多方式交通之间的语义关系,建立两两子网络之间的超边,构建两两子网络之间的交通超图网络;
步骤4.2:分析地铁、公交、出租车三个子网络之间的耦合关系,利用语义关系“地铁站与公交站站名相同且在同一条路段上”建立超边,并根据超边构建融合地铁-公交-出租车三种交通方式的交通超图网络其中为节点集合,为地铁交通超图网络的节点集合,为公交交通超图网络的节点集合,为关联矩阵,其定义如下所示,
其中,与分别为地铁-公交-出租车交通超图网络中的第i个节点与第j条超边,I(m,b,r)=I(m)+I(b)+I(r)与J(m,b,r)分别为节点数量与超边数量,h(m ,b,r)(i,j)为的第i行第j列元素。
优选地,分析多方式交通之间的语义关系,建立两两子网络之间的超边,构建两两子网络之间的交通超图网络的具体方法为:
优选地,建立面向城市多方式交通超网络协同预测的超图深度网络的具体方法为:
ε={ej|j=1,2,…,J}=ε(1)∪ε(2)∪ε(3)∪ε(m)∪ε(b)∪ε(m,b)∪ε(m,r)∪ε(b,r)∪ε(m,b,r)
其中,
其中,A(m)(i,j)、A(b)(i,j)与A(r)(i,j)分别为矩阵A(m)、A(b)与A(r)的第i行第j列元素;
其中,与ej∈ε分别为多方式交通超图网络中的第i个节点与第j条超边,I=I(m)+I(b)+I(r)为超图网络的节点数量;J=I(m)+I(b)+I(r)+J(m)+J(b)+J(m,b)+J(m,r)+J(b,r)+J(m,b,r)为超图网络的超边数量;
步骤5.2:利用历史数据构建特征矩阵X(t)与预测标签y(t);
步骤5.3:建立面向多方式交通协同预测的超图深度学习模型f,所述超图深度学习模型的优化目标函数如下所示,
优选地,利用历史数据构建特征矩阵X(t)与预测标签y(t)的方法具体为:
优选地,利用面向城市多方式交通超网络协同预测的超图深度网络对未来时间段内多方式交通客流态势进行预测的具体方法为:
本发明与现有技术相比,其显著优点为:本发明以一种统一的方式同时建模交通网络节点之间的高阶相关性与多方式交通之间的耦合关系,同时对多方式交通客流态势进行协同预测,能够更客观、全面地反应城市多方式交通***运行规律,从而提升多方式交通客流态势预测的准确性。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为本发明的方法流程图。
图2为本发明中的地铁与公交超图网络示意图。
图3为本发明中融合地铁、公交与出租车多方式交通的超图网络示意图。
图4为本发明中邻接矩阵与关联矩阵融合方法示意图。
具体实施方式
请参照图1,本发明提供一种基于超图深度网络的城市多方式交通超网络态势预测方法,具体步骤为:
步骤1:对研究区域内的交通网络进行分析,获得多方式交通网络数据;
步骤2:利用空间拓扑关系构建各交通方式的交通图网络;
步骤3:对各交通方式的高阶语义相关性进行分析,构建不同交通方式的交通超图网络;
步骤4:对不同交通方式之间的耦合关系进行分析,构建融合城市多方式交通的交通超图网络;
步骤5:建立面向城市多方式交通超网络协同预测的超图深度网络;
步骤6:对未来时间段内多方式交通客流态势进行预测。
在本实施例中,所述步骤1具体为:
步骤1.1:对南京市新街口附近区域内的地铁、公交、出租车多方式交通网络进行分析,获得各交通方式图网络的节点数据V(m)、V(b)与V(r);
步骤1.2:对地铁、公交、出租车多方式交通网络拓扑结构进行分析,获得各交通方式的空间拓扑结构数据A(m)、A(b)与A(r)。
在本实施例中,所述步骤1.1具体为:
在本实施例中,所述步骤1.2具体为:
在本实施例中,所述步骤2具体为:
步骤2.1:针对地铁交通方式,利用网络节点V(m)与邻接矩阵A(m)构建该交通方式的交通图网络G(m)=(V(m),A(m));
步骤2.2:针对公交交通方式,利用网络节点V(b)与邻接矩阵A(b)构建该交通方式的交通图网络G(b)=(V(b),A(b));
步骤2.3:针对出租车交通方式,利用网络节点V(r)与邻接矩阵A(r)构建该交通方式的交通图网络G(r)=(V(r),A(r))。
在本实施例中,所述步骤3具体为:
在本实施例中,所述步骤3.1具体为:
在本实施例中,所述步骤3.2具体为:
在本实施例中,所述步骤4具体为:
在本实施例中,所述步骤4.1具体为:
在本实施例中,所述步骤5具体为:
步骤5.2:利用历史数据构建特征矩阵X(t)与预测标签y(t);
步骤5.3:建立面向多方式交通协同预测的超图深度学习模型f;
在本实施例中,所述步骤5.1具体为:
ε={ej|j=1,2,…,J}=ε(1)∪ε(2)∪ε(3)∪ε(m)∪ε(b)∪ε(m,b)∪ε(m,r)∪ε(b,r)∪ε(m,b,r)
其中,
其中,A(m)(i,j)、A(b)(i,j)与A(r)(i,j)分别为矩阵A(m)、A(b)与A(r)的第i行第j列元素。
其中,与ej∈ε分别为多方式交通超图网络中的第i个节点与第j条超边,I=I(m)+I(b)+I(r)=27与J=I(m)+I(b)+I(r)+J(m)+J(b)+J(m,b)+J(m,r)+J(b,r)+J(m,b,r)=49分别为超图网络的节点数量与超边数量。
在本实施例中,所述步骤5.2具体为:
步骤5.2.1:对于时间段t,利用当前时间段t及5个历史时间段内超图网络各节点上的交通客流数据作为当前时间段的超图网络特征矩阵其中t取15分钟,为当前15分钟内超图网络各节点交通客流量构成的特征向量;
在本实施例中,所述步骤5.3具体为,利用超图卷积神经网络模型建立面向多方式交通协同预测的超图深度学习模型f,其优化目标函数如下所示,
在本实施例中,所述步骤5.4具体为,将步骤5.2构建的特征矩阵X(t)与预测标签y(t)以及步骤5.1构建的超图关联矩阵输入步骤5.3建立的超图深度学习模型f,利用梯度下降法对模型进行训练,得到优化后的多方式交通协同预测模型
在本实施例中,所述步骤6具体为:
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (10)
1.一种基于超图深度网络的城市多方式交通超网络态势预测方法,其特征在于,具体步骤为:
步骤1:对交通网络进行分析,获得多方式交通网络数据;
步骤2:利用空间拓扑关系构建各交通方式的交通图网络;
步骤3:对各交通方式的高阶语义相关性进行分析,构建不同交通方式的交通超图网络;
步骤4:对不同交通方式之间的耦合关系进行分析,构建融合城市多方式交通的交通超图网络;
步骤5:建立面向城市多方式交通超网络协同预测的超图深度网络;
步骤6:利用面向城市多方式交通超网络协同预测的超图深度网络对未来时间段内多方式交通客流态势进行预测。
2.根据权利要求1所述的基于超图深度网络的城市多方式交通超网络态势预测方法,其特征在于,步骤1中对交通网络进行分析,获得多方式交通网络数据的具体方法为:
步骤1.1:对地铁、公交、出租车多方式交通网络进行分析,获得各交通方式图网络的节点数据;
步骤1.2:对地铁、公交、出租车多方式交通网络拓扑结构进行分析,获得各交通方式的空间拓扑结构数据。
4.根据权利要求1所述的基于超图深度网络的城市多方式交通超网络态势预测方法,其特征在于,利用空间拓扑关系构建各交通方式的交通图网络的具体方法为:
针对地铁交通方式,利用地铁交通图网络节点V(m)与地铁交通方式邻接矩阵A(m)构建地铁交通方式的交通图网络G(m)=(V(m),A(m));
针对公交交通方式,利用公交交通图网络节点V(b)与公交交通方式邻接矩阵A(b)构建公交交通方式的交通图网络G(b)=(V(b),A(b));
针对出租车交通方式,利用出租车交通图网络节点V(r)与出租车交通方式邻接矩阵A(r)构建公交交通方式的交通图网络G(r)=(V(r),A(r))。
5.根据权利要求1所述的基于超图深度网络的城市多方式交通超网络态势预测方法,其特征在于,对各交通方式的高阶语义相关性进行分析,构建不同交通方式的交通超图网络的具体步骤为:
6.根据权利要求1所述的基于超图深度网络的城市多方式交通超网络态势预测方法,其特征在于,对不同交通方式之间的耦合关系进行分析,构建融合城市多方式交通的交通超图网络的具体步骤为:
步骤4.1:分析多方式交通之间的语义关系,建立两两子网络之间的超边,构建两两子网络之间的交通超图网络;
步骤4.2:分析地铁、公交、出租车三个子网络之间的耦合关系,利用语义关系“地铁站与公交站站名相同且在同一条路段上”建立超边,并根据超边构建融合地铁-公交-出租车三种交通方式的交通超图网络其中为节点集合,为地铁交通超图网络的节点集合,为公交交通超图网络的节点集合,为关联矩阵,其定义如下所示,
7.根据权利要求6所述的基于超图深度网络的城市多方式交通超网络态势预测方法,其特征在于,分析多方式交通之间的语义关系,建立两两子网络之间的超边,构建两两子网络之间的交通超图网络的具体方法为:
8.根据权利要求1所述的基于超图深度网络的城市多方式交通超网络态势预测方法,其特征在于,建立面向城市多方式交通超网络协同预测的超图深度网络的具体方法为:
ε={ej|j=1,2,…,J}=ε(1)∪ε(2)∪ε(3)∪ε(m)∪ε(b)∪ε(m,b)∪ε(m,r)∪ε(b,r)∪ε(m,b,r)
其中,
其中,A(m)(i,j)、A(b)(i,j)与A(r)(i,j)分别为矩阵A(m)、A(b)与A(r)的第i行第j列元素;
其中,与ej∈ε分别为多方式交通超图网络中的第i个节点与第j条超边,I=I(m)+I(b)+I(r)为超图网络的节点数量;J=I(m)+I(b)+I(r)+J(m)+J(b)+J(m,b)+J(m,r)+J(b,r)+J(m,b,r)为超图网络的超边数量;
步骤5.2:利用历史数据构建特征矩阵X(t)与预测标签y(t);
步骤5.3:建立面向多方式交通协同预测的超图深度学习模型f,所述超图深度学习模型的优化目标函数如下所示,
10.根据权利要求9所述的基于超图深度网络的城市多方式交通超网络态势预测方法,其特征在于,利用面向城市多方式交通超网络协同预测的超图深度网络对未来时间段内多方式交通客流态势进行预测的具体方法为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210916015.7A CN115345354A (zh) | 2022-08-01 | 2022-08-01 | 基于超图深度网络的城市多方式交通超网络态势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210916015.7A CN115345354A (zh) | 2022-08-01 | 2022-08-01 | 基于超图深度网络的城市多方式交通超网络态势预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115345354A true CN115345354A (zh) | 2022-11-15 |
Family
ID=83950067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210916015.7A Pending CN115345354A (zh) | 2022-08-01 | 2022-08-01 | 基于超图深度网络的城市多方式交通超网络态势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345354A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131938A (zh) * | 2023-10-26 | 2023-11-28 | 合肥工业大学 | 基于图深度学习的动态隐性关系挖掘方法和*** |
-
2022
- 2022-08-01 CN CN202210916015.7A patent/CN115345354A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131938A (zh) * | 2023-10-26 | 2023-11-28 | 合肥工业大学 | 基于图深度学习的动态隐性关系挖掘方法和*** |
CN117131938B (zh) * | 2023-10-26 | 2024-01-19 | 合肥工业大学 | 基于图深度学习的动态隐性关系挖掘方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105206048A (zh) | 一种基于交通od数据的城市居民群体换乘模式发现***及方法 | |
CN113326974B (zh) | 一种基于多任务超图卷积网络的多源交通流预测方法 | |
CN115062873B (zh) | 交通出行方式预测方法和装置、存储介质及电子设备 | |
CN111931998B (zh) | 一种基于移动定位数据的个体出行模式预测方法及*** | |
CN107656987A (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
CN103530694A (zh) | 基于时空网络构建的城市地铁动态客流分配方法 | |
CN113283581B (zh) | 多融合图网络协同多通道注意力模型及其应用和应用方法 | |
CN109325614B (zh) | 一种基于gis的汽车站选址方法 | |
Huang et al. | A multi-mode traffic flow prediction method with clustering based attention convolution LSTM | |
CN115345354A (zh) | 基于超图深度网络的城市多方式交通超网络态势预测方法 | |
CN116913088A (zh) | 一种用于高速公路的智能流量预测方法 | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
CN111191817A (zh) | 一种基于换乘客流量的公交线网拓扑划分方法 | |
Ma et al. | An interpretable analytic framework of the relationship between carsharing station development patterns and built environment for sustainable urban transportation | |
CN113641749A (zh) | 一种基于二部图的人口流动网络估计方法及*** | |
CN116665448A (zh) | 一种基于图卷积网络的交通速度实时预测方法及*** | |
CN108960684B (zh) | 一种基于不完全轨迹片段的公交乘客闭合出行链挖掘方法 | |
CN116612633A (zh) | 一种基于车路协同感知下的自适应动态路径规划方法 | |
CN115423286A (zh) | 一种市域轨道交通郊区段车站吸引范围划分方法 | |
Li et al. | Intelligent traffic data transmission and sharing based on optimal gradient adaptive optimization algorithm | |
Li et al. | Aggregate location recommendation in dynamic transportation networks | |
CN116894609B (zh) | 一种基于半监督图神经网络的公交轨道接驳评价方法 | |
Bai et al. | Identifying the hotspots in urban areas using taxi GPS trajectories | |
Xu et al. | Analysis of public transport system efficiency based on multi-layer network | |
SHE et al. | Aggregate Tour-Based Model Framework of Urban Transportation |
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 |