CN117037547B - 一种航道关键节点的拥堵程度评价方法、***及存储介质 - Google Patents
一种航道关键节点的拥堵程度评价方法、***及存储介质 Download PDFInfo
- Publication number
- CN117037547B CN117037547B CN202311279279.7A CN202311279279A CN117037547B CN 117037547 B CN117037547 B CN 117037547B CN 202311279279 A CN202311279279 A CN 202311279279A CN 117037547 B CN117037547 B CN 117037547B
- Authority
- CN
- China
- Prior art keywords
- ship
- channel
- channel key
- acquiring
- congestion degree
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 230000006399 behavior Effects 0.000 claims abstract description 41
- 230000008447 perception Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000035772 mutation Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
一种航道关键节点的拥堵程度评价方法、***及存储介质,属于航道监测技术领域,包括:获取目标航道的航道特征及历史通航状况,评价航道通过力筛选航道关键点;获取航道关键点区域的船舶感知信息,识别船舶的航行行为,基于航行行为设置船舶的标签信息,判断船舶在航道关键点的通行时间;评估航道关键点的当前拥堵程度;利用图卷积神经网络将航道关键点进行图表示,根据航道关键点的当前拥挤程度进行动态预测,获取目标航道关键点的预测拥堵程度,基于预测拥堵程度进行目标关键点的船舶调度优化。本方法通过船舶的航行行为判断航道的拥堵状态,结合航道关联,动态分析航道网交通流,实现对航道通行状态的快速准确预测,对船舶进行有效调控。
Description
技术领域
本发明涉及航道监测技术领域,更具体的,涉及一种航道关键节点的拥堵程度评价方法、***及存储介质。
背景技术
随着经济和贸易的快速发展,国际、国内航运事业需求旺盛,航运业已经成为全球市场最具活力、增长力的市场之一。随着航运事业的发展,来往船舶数逐渐增多,航道拥堵问题日益严重,海上交通安全和船舶航行时间长等问题也随之出现。航道作为航运发展的基础设施,大力推进智慧航道建设,实现水文气象监测、水位遥测遥报、视频监控、流量监测全域感知,为船舶提供精准助航、高效过闸、水运信息等服务尤为重要。航道的监测对加快智慧航道建设、提升航道管理效率、加强智能化信息服务具有重大意义。
随着船舶交通量的持续增长,各航道面临的交通滞缓状况频繁出现,特别是突发事件下(超大型船舶进出港、能见度不良航行、船舶事故等)引起的偶发***通拥堵越演越烈。目前,航道拥挤程度大多仍采用人工判定和事后判定,无法满足实时判定的效率需求。并且虽然VTS基站及AIS***已经广泛使用,但数据利用程度不高,各VTS基站及AIS***都只是针对单个基站或***做数据统计,无法进行航道综合分析。因此,如何快速、准确地判定航道交通状态成为目前亟待解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种航道关键节点的拥堵程度评价方法、***及存储介质。
本发明第一方面提供了一种航道关键节点的拥堵程度评价方法,包括:
获取目标航道的航道特征及历史通航状况,根据所述航道特征及历史通航状况评价航道通过力,通过所述航道通过力筛选航道关键点;
获取航道关键点的所属区域的船舶感知信息,根据所述船舶感知信息识别船舶的航行行为,基于航行行为设置船舶的标签信息,通过标签信息判断船舶在航道关键点的通行时间;
根据航道关键点所属区域内各船舶的通行时间评估航道关键点的当前拥堵程度;
利用图卷积神经网络将航道关键点进行图表示,根据航道关键点对应的当前拥挤程度进行动态预测,获取目标航道关键点的预测拥堵程度,基于预测拥堵程度进行目标关键点的船舶的调度优化。
本方案中,根据所述航道特征及历史通航状况评价航道通过力,通过所述航道通过力筛选航道关键点,具体为:
选取目标航道,提取目标航道的航道宽度、深度及弯曲半径生成航道特征,并结合时序及气象因素进行动态更新;
预设不同的监测步长,通过数据检索获取目标航道在不同监测步长下各监测设备对应的船舶通行数量及船舶平均通行时间,生成历史通航状况,将所述历史通航状况与航道特征按照时序进行匹配;
获取匹配后的历史通航状况序列,判断历史通航状况序列中的突变点,获取突变点对应的位置信息及对应时间戳的气象特征;
根据所述气象特征生成气象标签,根据气象标签将突变点对应的位置信息进行聚类,获取不同气象标签下的突变点集合,判断不同气象标签下各位置信息的出现频次,根据所述出现频次设置权重信息;
获取航道特征的基准值,判断不同气象标签下各突变点对应时间戳的航道特征与基准值的偏差,筛选偏差大于预设阈值的突变点,提取对应的位置信息,并按照权重信息进行排序;
获取不同气象标签下预设数量的位置信息进行整合,根据整合后的位置信息作为航道关键点。
本方案中,获取航道关键点的所属区域的船舶感知信息,根据所述船舶感知信息识别船舶的航行行为,具体为:
根据目标航道对应的二维地图信息进行格栅划分,获取航道关键点的对应的格栅区域,并根据预设范围选取所述格栅区域的邻域格栅作为航道关键点的所属区域;
获取航道关键点所属区域的多源船舶感知信息,提取多源船舶感知信息的区域帧图像信息及船岸通信数据,根据区域帧图像信息进行船舶识别;
利用多帧区域帧图像信息进行船舶的动态监测,获取船舶航行动态数据,通过所述航行动态数据判断船舶在航道关键点所属区域的船舶状态;
根据船岸通信数据提取船舶的航行需求信息,将所述船舶状态与航行需求信息结合,判断船舶在航道关键点所属区域的航行行为,基于所述航行行为设置船舶的标签信息;
根据所述标签信息船舶的静态数据进行大数据检索,获取标准船舶在不同航行行为的历史平均通行时间,将航道关键点所属区域中的船舶换算为标准船舶参数,结合历史平均通行时间获取运动状态船舶在航道关键点的通行时间。
本方案中,根据区域帧图像信息进行船舶识别,具体为:
根据航道关键点所属区域的监测视频帧获取区域帧图像信息,将所述区域帧图像信息进行预处理,基于CenterNet网络构建船舶识别模型;
将预处理后的区域帧图像信息作为船舶识别模型的输入提取特征图,在所述船舶识别模型中引入特征金字塔,将所述特征图导入特征金字塔,获取不同层级的特征图;
在最高层级的特征图中引入ECA注意力机制进行通道特征增强,并将通道依赖关系传递到所述特征金字塔,通过尺度均衡化卷积进行特征融合,获取最终识别特征;
根据所述最终识别特征获取目标的中心点位置、偏移及宽高信息,通过回归生成船舶的锚框,实现对船舶的识别。
本方案中,根据航道关键点所属区域内各船舶的通行时间评估航道关键点的当前拥堵程度,具体为:
获取航道关键点所属区域内船舶识别过程中的锚框参数,根据所述锚框参数生成船舶状态描述,通过卡尔曼滤波算法对船舶状态进行更新生成轨迹,获取更新后船舶锚框参数与识别过程中的锚框参数进行匹配,进行船舶跟踪;
通过锚框回归识别当前时间戳各航道关键点所属区域的现有船舶数量,根据船舶跟踪获取下一时间戳进入各航道关键点所属区域的预测船舶数量,利用运动状态船舶的通行时间对对应船舶进行标注;
预设航道拥堵评估任务的时间步长,构建航道拥堵判定模型,根据各航道关键点所属区域的航道特征设置对应的拥堵判别阈值体系,获取各航道关键点所属区域的静止船舶的航道占据比值,通过航道占据比值对拥堵判别阈值体系进行调整;
根据通行时间获取所述时间步长内每一时间戳中现有船舶数量的减少率,并根据各航道关键点所属区域的预测船舶数量获取增长率,获取减少率与增长率的差值;
将所述差值与当前时间戳的现有船舶数量进行结合,根据调整后的拥堵判别阈值体系判断当前时间戳的拥堵程度,将是时间步长内各时间戳的拥堵程度进行整合获取各航道关键点所属区域的当前拥挤程度。
本方案中,根据航道关键点对应的当前拥挤程度进行动态预测,获取目标航道关键点的预测拥堵程度,具体为:
根据各航道关键点的连接关系生成拓扑结构,将所述拓扑结构进行图表示,将各航道关键点作为图节点,连接关系作为边结构,利用图卷积神经网络对所述图表示进行学习;
获取图表示中各节点在不同气象标签下的历史通航状况作为节点的附加特征,选取目标航道关键点,根据所述附加特征进行相似度计算获取与目标航道关键点存在关联的其他航道关键点,生成目标航道关键点的邻接矩阵;
通过各航道关键点所属区域的静止船舶的航道占据比值设置各航道关键点的初始权重,引入自注意机制获取聚合过程中邻接矩阵对应航道关键点的自注意力权重;
根据所述初始权重及注意力权重进行邻居聚合更新目标航道关键点的向量表示,将更新后的向量表示进行维度变换,利用时间卷积获取航道拥堵的时空特征;
将航道拥堵的时间特征导入全连接层,获取目标航道关键点在预设时间后的预测拥堵程度。
本发明第二方面还提供了一种航道关键节点的拥堵程度评价***,该***包括:存储器、处理器,所述存储器中包括航道关键节点的拥堵程度评价方法程序,所述航道关键节点的拥堵程度评价方法程序被所述处理器执行时实现如下步骤:
获取目标航道的航道特征及历史通航状况,根据所述航道特征及历史通航状况评价航道通过力,通过所述航道通过力筛选航道关键点;
获取航道关键点的所属区域的船舶感知信息,根据所述船舶感知信息识别船舶的航行行为,基于航行行为设置船舶的标签信息,通过标签信息判断船舶在航道关键点的通行时间;
根据航道关键点所属区域内各船舶的通行时间评估航道关键点的当前拥堵程度;
利用图卷积神经网络将航道关键点进行图表示,根据航道关键点对应的当前拥挤程度进行动态预测,获取目标航道关键点的预测拥堵程度,基于预测拥堵程度进行目标关键点的船舶的调度优化。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括航道关键节点的拥堵程度评价方法程序,所述航道关键节点的拥堵程度评价方法程序被处理器执行时,实现如上述任一项所述的航道关键节点的拥堵程度评价方法的步骤。
本发明公开了一种航道关键节点的拥堵程度评价方法、***及存储介质,包括,获取目标航道的航道特征及历史通航状况,评价航道通过力筛选航道关键点;获取航道关键点的所属区域的船舶感知信息,识别船舶的航行行为,基于航行行为设置船舶的标签信息,判断船舶在航道关键点的通行时间;根评估航道关键点的当前拥堵程度;利用图卷积神经网络将航道关键点进行图表示,根据航道关键点对应的当前拥挤程度进行动态预测,获取目标航道关键点的预测拥堵程度,基于预测拥堵程度进行目标关键点的船舶的调度优化。本方法通过船舶的航行行为判断航道的拥堵状态,结合航道关联,动态分析航道网交通流,实现对航道通行状态的快速准确预测,对船舶进行有效调控。
附图说明
图1示出了本发明一种航道关键节点的拥堵程度评价方法的流程图;
图2示出了本发明根据船舶感知信息识别船舶的航行行为的流程图;
图3示出了本发明根据通行时间评估航道关键点的当前拥堵程度的流程图;
图4示出了本发明一种航道关键节点的拥堵程度评价***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种航道关键节点的拥堵程度评价方法的流程图。
如图1所示,本发明第一方面提供了一种航道关键节点的拥堵程度评价方法,包括:
S102,获取目标航道的航道特征及历史通航状况,根据所述航道特征及历史通航状况评价航道通过力,通过所述航道通过力筛选航道关键点;
S104,获取航道关键点的所属区域的船舶感知信息,根据所述船舶感知信息识别船舶的航行行为,基于航行行为设置船舶的标签信息,通过标签信息判断船舶在航道关键点的通行时间;
S106,根据航道关键点所属区域内各船舶的通行时间评估航道关键点的当前拥堵程度;
S108,利用图卷积神经网络将航道关键点进行图表示,根据航道关键点对应的当前拥挤程度进行动态预测,获取目标航道关键点的预测拥堵程度,基于预测拥堵程度进行目标关键点的船舶的调度优化。
需要说明的是,选取目标航道,并提取合适的经纬度范围作为有效区域,而对于弯曲航道,对整段航道进行精确计算不容易,可在其中选取某个经纬度范围内的小段航道作为目标航道;提取目标航道的航道宽度、深度及弯曲半径生成航道特征,并结合时序及气象因素进行动态更新;预设不同的监测步长,通过数据检索获取目标航道在不同监测步长下各监测设备对应的船舶通行数量及船舶平均通行时间,生成历史通航状况,将所述历史通航状况与航道特征按照时序进行匹配;获取匹配后的历史通航状况序列,判断历史通航状况序列中的突变点,获取突变点对应的位置信息及对应时间戳的气象特征;根据所述气象特征生成气象标签,根据气象标签将突变点对应的位置信息进行聚类,获取不同气象标签下的突变点集合,判断不同气象标签下各位置信息的出现频次,根据所述出现频次设置权重信息;获取航道特征的基准值,判断不同气象标签下各突变点对应时间戳的航道特征与基准值的偏差,筛选偏差大于预设阈值的突变点,提取对应的位置信息,并按照权重信息进行排序;获取不同气象标签下预设数量的位置信息进行整合,根据整合后的位置信息作为航道关键点。
图2示出了本发明根据船舶感知信息识别船舶的航行行为的流程图。
根据本发明实施例,获取航道关键点的所属区域的船舶感知信息,根据所述船舶感知信息识别船舶的航行行为,具体为:
S202,根据目标航道对应的二维地图信息进行格栅划分,获取航道关键点的对应的格栅区域,并根据预设范围选取所述格栅区域的邻域格栅作为航道关键点的所属区域;
S204,获取航道关键点所属区域的多源船舶感知信息,提取多源船舶感知信息的区域帧图像信息及船岸通信数据,根据区域帧图像信息进行船舶识别;
S206,利用多帧区域帧图像信息进行船舶的动态监测,获取船舶航行动态数据,通过所述航行动态数据判断船舶在航道关键点所属区域的船舶状态;
S208,根据船岸通信数据提取船舶的航行需求信息,将所述船舶状态与航行需求信息结合,判断船舶在航道关键点所属区域的航行行为,基于所述航行行为设置船舶的标签信息;
S210,根据所述标签信息船舶的静态数据进行大数据检索,获取标准船舶在不同航行行为的历史平均通行时间,将航道关键点所属区域中的船舶换算为标准船舶参数,结合历史平均通行时间获取运动状态船舶在航道关键点的通行时间。
需要说明的是,CenterNet网络将船舶建模为中心点、中心点偏移及目标的宽高信息,通过从特征图上取局部峰值点,从而获得船舶的中心点位置,并通过平行的两个分支获取船舶的中心点偏移与宽高信息后进行信息的融合,从而获取船舶锚框。
根据航道关键点所属区域的监测视频帧获取区域帧图像信息,将所述区域帧图像信息进行预处理,基于CenterNet网络构建船舶识别模型;将预处理后的区域帧图像信息作为船舶识别模型的输入提取特征图,在所述船舶识别模型中引入特征金字塔,将所述特征图导入特征金字塔,获取不同层级的特征图;在最高层级的特征图中引入ECA注意力机制进行通道特征增强,ECA注意力机制使关键信息相关度高的通道具有更大的权重,提升特征的鉴别能力;并将通道依赖关系传递到所述特征金字塔,通过尺度均衡化卷积进行特征融合,获取最终识别特征;根据所述最终识别特征获取目标的中心点位置、偏移及宽高信息,通过回归生成船舶的锚框,实现对船舶的识别。
船舶的静态数据及动态数据能够通过AIS***获取,AIS的船舶能实时获取周边安装使用AIS船舶的船名、呼号、船长、货物种类等船舶静态数据,船舶航行动态数据包括航向、航速、位置、相对距离等。根据船岸通信数据提取船舶的航行需求信息,所述航行需求信息包括船舶靠泊及船舶经过等,船舶靠泊的需求包括货物装卸、船舶维修及人员转移等。所述船舶状态分为运动船舶及静止船舶,动态船舶附带实时航向、航速、位置、相对距离等信息。根据航行需求信息及船舶状态判断船舶在航道关键点所属区域的航行行为,并获取标准船舶在不同航行行为的历史平均通行时间,设置标准船舶信息,例如获取标准船长船舶在卸货行为下的历史平均通行时间,包括卸货时间及通行时间。将航道关键点所属区域的船舶数据基于转换系数变换为标准船舶参数,根据历史平均通行时间作为参考获取运动状态船舶在航道关键点的通行时间。
图3示出了本发明根据通行时间评估航道关键点的当前拥堵程度的流程图。
根据本发明实施例,根据航道关键点所属区域内各船舶的通行时间评估航道关键点的当前拥堵程度,具体为:
S302,获取航道关键点所属区域内船舶识别过程中的锚框参数,根据所述锚框参数生成船舶状态描述,通过卡尔曼滤波算法对船舶状态进行更新生成轨迹,获取更新后船舶锚框参数与识别过程中的锚框参数进行匹配,进行船舶跟踪;
S304,通过锚框回归识别当前时间戳各航道关键点所属区域的现有船舶数量,根据船舶跟踪获取下一时间戳进入各航道关键点所属区域的预测船舶数量,利用运动状态船舶的通行时间对对应船舶进行标注;
S306,预设航道拥堵评估任务的时间步长,构建航道拥堵判定模型,根据各航道关键点所属区域的航道特征设置对应的拥堵判别阈值体系,获取各航道关键点所属区域的静止船舶的航道占据比值,通过航道占据比值对拥堵判别阈值体系进行调整;
S308,根据通行时间获取所述时间步长内每一时间戳中现有船舶数量的减少率,并根据各航道关键点所属区域的预测船舶数量获取增长率,获取减少率与增长率的差值;
S310,将所述差值与当前时间戳的现有船舶数量进行结合,根据调整后的拥堵判别阈值体系判断当前时间戳的拥堵程度,将是时间步长内各时间戳的拥堵程度进行整合获取各航道关键点所属区域的当前拥挤程度。
需要说明的是,通过卡尔曼滤波算法对船舶状态进行更新生成轨迹,将船舶状态描述为8维空间,其中前4维参数通过锚框参数确定,后4维参数表示船舶锚框的速度信息。通过曼哈顿距离将更新后船舶锚框参数与识别过程中的锚框参数进行匹配,当在预设的最大时间范围内,没有匹配到合适的识别锚框及,则认为船舶离开航道关键点所属区域。
将航道拥堵程度划分为畅通、一般拥堵和严重拥堵等。畅通指航道中的船舶能够按正常速度航行,船舶数量较少;一般拥堵是指船舶能够低速航行,船舶数量一般;严重拥堵是指时动时停或完全停滞,船舶数量很多。根据判断原则结合对应阈值构建拥堵判别阈值体系,将减少率与增长率的差值与当前时间戳的现有船舶数量进行结合,计算船舶航道区域密度进行拥堵判定,船舶航道区域密度是指单位矩形区域内存在的船舶数量。
需要说明的是,根据各航道关键点的连接关系生成拓扑结构,将所述拓扑结构进行图表示,将各航道关键点作为图节点,连接关系作为边结构,利用图卷积神经网络对所述图表示进行学习;获取图表示中各节点在不同气象标签下的历史通航状况作为节点的附加特征,选取目标航道关键点,根据所述附加特征进行相似度计算获取与目标航道关键点存在关联的其他航道关键点,生成目标航道关键点的邻接矩阵;通过各航道关键点所属区域的静止船舶的航道占据比值设置各航道关键点的初始权重,引入自注意机制获取聚合过程中邻接矩阵对应航道关键点的自注意力权重;根据目标航道关键点当前拥堵程度及气候特征生成初始向量表示;根据所述初始权重及注意力权重进行邻居聚合更新目标航道关键点的向量表示,将更新后的向量表示进行维度变换,利用时间卷积获取航道拥堵的时空特征;将航道拥堵的时间特征导入全连接层,获取目标航道关键点在预设时间后的预测拥堵程度。
根据本发明实施例,基于预测拥堵程度进行目标关键点的船舶的调度优化,具体为:
获取当前航道拥堵评估任务对应的时间步长的当前拥堵程度,根据所述当前拥堵程度预测预设时间后的预测拥堵程度,根据所述预测拥堵程度判断是否进行调度优化;
当预测拥堵程度大于预设拥堵阈值时,则生成目标航道关键点的预警信息,获取目标航道关键点船舶数量减少率与增长率的差值绝对值,标记差值绝对值大于预设标准的时间戳;
根据标记时间戳在目标航道关键点的上游关键点进行航道管制,减小目标关键点船舶数量增长率,获取目标关键点所属区域静止船舶的航道占据比值;
当所述航道占据比值大于预设比值阈值时,则对船舶泊位进行调度,将静止船舶转移到邻域空闲关键点。
图4示出了本发明一种航道关键节点的拥堵程度评价***的框图。
本发明第二方面还提供了一种航道关键节点的拥堵程度评价***4,该***包括:存储器41、处理器42,所述存储器中包括航道关键节点的拥堵程度评价方法程序,所述航道关键节点的拥堵程度评价方法程序被所述处理器执行时实现如下步骤:
获取目标航道的航道特征及历史通航状况,根据所述航道特征及历史通航状况评价航道通过力,通过所述航道通过力筛选航道关键点;
获取航道关键点的所属区域的船舶感知信息,根据所述船舶感知信息识别船舶的航行行为,基于航行行为设置船舶的标签信息,通过标签信息判断船舶在航道关键点的通行时间;
根据航道关键点所属区域内各船舶的通行时间评估航道关键点的当前拥堵程度;
利用图卷积神经网络将航道关键点进行图表示,根据航道关键点对应的当前拥挤程度进行动态预测,获取目标航道关键点的预测拥堵程度,基于预测拥堵程度进行目标关键点的船舶的调度优化。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括航道关键节点的拥堵程度评价方法程序,所述航道关键节点的拥堵程度评价方法程序被处理器执行时,实现如上述任一项所述的航道关键节点的拥堵程度评价方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种航道关键节点的拥堵程度评价方法,其特征在于,包括以下步骤:
获取目标航道的航道特征及历史通航状况,根据所述航道特征及历史通航状况评价航道通过力,通过所述航道通过力筛选航道关键点;
获取航道关键点的所属区域的船舶感知信息,根据所述船舶感知信息识别船舶的航行行为,基于航行行为设置船舶的标签信息,通过标签信息判断船舶在航道关键点的通行时间;
根据航道关键点所属区域内各船舶的通行时间评估航道关键点的当前拥堵程度;
利用图卷积神经网络将航道关键点进行图表示,根据航道关键点对应的当前拥挤程度进行动态预测,获取目标航道关键点的预测拥堵程度,基于预测拥堵程度进行目标关键点的船舶的调度优化;
获取航道关键点的所属区域的船舶感知信息,根据所述船舶感知信息识别船舶的航行行为,具体为:
根据目标航道对应的二维地图信息进行格栅划分,获取航道关键点的对应的格栅区域,并根据预设范围选取所述格栅区域的邻域格栅作为航道关键点的所属区域;
获取航道关键点所属区域的多源船舶感知信息,提取多源船舶感知信息的区域帧图像信息及船岸通信数据,根据区域帧图像信息进行船舶识别;
利用多帧区域帧图像信息进行船舶的动态监测,获取船舶航行动态数据,通过所述航行动态数据判断船舶在航道关键点所属区域的船舶状态;
根据船岸通信数据提取船舶的航行需求信息,将所述船舶状态与航行需求信息结合,判断船舶在航道关键点所属区域的航行行为,基于所述航行行为设置船舶的标签信息;
根据所述标签信息及船舶的静态数据进行大数据检索,获取标准船舶在不同航行行为的历史平均通行时间,将航道关键点所属区域中的船舶换算为标准船舶参数,结合历史平均通行时间获取运动状态船舶在航道关键点的通行时间;
根据区域帧图像信息进行船舶识别,具体为:
根据航道关键点所属区域的监测视频帧获取区域帧图像信息,将所述区域帧图像信息进行预处理,基于CenterNet网络构建船舶识别模型;
将预处理后的区域帧图像信息作为船舶识别模型的输入提取特征图,在所述船舶识别模型中引入特征金字塔,将所述特征图导入特征金字塔,获取不同层级的特征图;
在最高层级的特征图中引入ECA注意力机制进行通道特征增强,并将通道依赖关系传递到所述特征金字塔,通过尺度均衡化卷积进行特征融合,获取最终识别特征;
根据所述最终识别特征获取目标的中心点位置、偏移及宽高信息,通过回归生成船舶的锚框,实现对船舶的识别。
2.根据权利要求1所述的一种航道关键节点的拥堵程度评价方法,其特征在于,根据所述航道特征及历史通航状况评价航道通过力,通过所述航道通过力筛选航道关键点,具体为:
选取目标航道,提取目标航道的航道宽度、深度及弯曲半径生成航道特征,并结合时序及气象因素进行动态更新;
预设不同的监测步长,通过数据检索获取目标航道在不同监测步长下各监测设备对应的船舶通行数量及船舶平均通行时间,生成历史通航状况,将所述历史通航状况与航道特征按照时序进行匹配;
获取匹配后的历史通航状况序列,判断历史通航状况序列中的突变点,获取突变点对应的位置信息及对应时间戳的气象特征;
根据所述气象特征生成气象标签,根据气象标签将突变点对应的位置信息进行聚类,获取不同气象标签下的突变点集合,判断不同气象标签下各位置信息的出现频次,根据所述出现频次设置权重信息;
获取航道特征的基准值,判断不同气象标签下各突变点对应时间戳的航道特征与基准值的偏差,筛选偏差大于预设阈值的突变点,提取对应的位置信息,并按照权重信息进行排序;
获取不同气象标签下预设数量的位置信息进行整合,根据整合后的位置信息作为航道关键点。
3.根据权利要求1所述的一种航道关键节点的拥堵程度评价方法,其特征在于,根据航道关键点所属区域内各船舶的通行时间评估航道关键点的当前拥堵程度,具体为:
获取航道关键点所属区域内船舶识别过程中的锚框参数,根据所述锚框参数生成船舶状态描述,通过卡尔曼滤波算法对船舶状态进行更新生成轨迹,获取更新后船舶锚框参数与识别过程中的锚框参数进行匹配,进行船舶跟踪;
通过锚框回归识别当前时间戳各航道关键点所属区域的现有船舶数量,根据船舶跟踪获取下一时间戳进入各航道关键点所属区域的预测船舶数量,利用运动状态船舶的通行时间对对应船舶进行标注;
预设航道拥堵评估任务的时间步长,构建航道拥堵判定模型,根据各航道关键点所属区域的航道特征设置对应的拥堵判别阈值体系,获取各航道关键点所属区域的静止船舶的航道占据比值,通过航道占据比值对拥堵判别阈值体系进行调整;
根据通行时间获取所述时间步长内每一时间戳中现有船舶数量的减少率,并根据各航道关键点所属区域的预测船舶数量获取增长率,获取减少率与增长率的差值;
将所述差值与当前时间戳的现有船舶数量进行结合,根据调整后的拥堵判别阈值体系判断当前时间戳的拥堵程度,将是时间步长内各时间戳的拥堵程度进行整合获取各航道关键点所属区域的当前拥挤程度。
4.根据权利要求1所述的一种航道关键节点的拥堵程度评价方法,其特征在于,根据航道关键点对应的当前拥挤程度进行动态预测,获取目标航道关键点的预测拥堵程度,具体为:
根据各航道关键点的连接关系生成拓扑结构,将所述拓扑结构进行图表示,将各航道关键点作为图节点,连接关系作为边结构,利用图卷积神经网络对所述图表示进行学习;
获取图表示中各节点在不同气象标签下的历史通航状况作为节点的附加特征,选取目标航道关键点,根据所述附加特征进行相似度计算获取与目标航道关键点存在关联的其他航道关键点,生成目标航道关键点的邻接矩阵;
通过各航道关键点所属区域的静止船舶的航道占据比值设置各航道关键点的初始权重,引入自注意机制获取聚合过程中邻接矩阵对应航道关键点的自注意力权重;
根据所述初始权重及注意力权重进行邻居聚合更新目标航道关键点的向量表示,将更新后的向量表示进行维度变换,利用时间卷积获取航道拥堵的时空特征;
将航道拥堵的时间特征导入全连接层,获取目标航道关键点在预设时间后的预测拥堵程度。
5.一种航道关键节点的拥堵程度评价***,其特征在于,该***包括:存储器、处理器,所述存储器中包括航道关键节点的拥堵程度评价方法程序,所述航道关键节点的拥堵程度评价方法程序被所述处理器执行时实现如下步骤:
获取目标航道的航道特征及历史通航状况,根据所述航道特征及历史通航状况评价航道通过力,通过所述航道通过力筛选航道关键点;
获取航道关键点的所属区域的船舶感知信息,根据所述船舶感知信息识别船舶的航行行为,基于航行行为设置船舶的标签信息,通过标签信息判断船舶在航道关键点的通行时间;
根据航道关键点所属区域内各船舶的通行时间评估航道关键点的当前拥堵程度;
利用图卷积神经网络将航道关键点进行图表示,根据航道关键点对应的当前拥挤程度进行动态预测,获取目标航道关键点的预测拥堵程度,基于预测拥堵程度进行目标关键点的船舶的调度优化;
获取航道关键点的所属区域的船舶感知信息,根据所述船舶感知信息识别船舶的航行行为,具体为:
根据目标航道对应的二维地图信息进行格栅划分,获取航道关键点的对应的格栅区域,并根据预设范围选取所述格栅区域的邻域格栅作为航道关键点的所属区域;
获取航道关键点所属区域的多源船舶感知信息,提取多源船舶感知信息的区域帧图像信息及船岸通信数据,根据区域帧图像信息进行船舶识别;
利用多帧区域帧图像信息进行船舶的动态监测,获取船舶航行动态数据,通过所述航行动态数据判断船舶在航道关键点所属区域的船舶状态;
根据船岸通信数据提取船舶的航行需求信息,将所述船舶状态与航行需求信息结合,判断船舶在航道关键点所属区域的航行行为,基于所述航行行为设置船舶的标签信息;
根据所述标签信息及船舶的静态数据进行大数据检索,获取标准船舶在不同航行行为的历史平均通行时间,将航道关键点所属区域中的船舶换算为标准船舶参数,结合历史平均通行时间获取运动状态船舶在航道关键点的通行时间;
根据区域帧图像信息进行船舶识别,具体为:
根据航道关键点所属区域的监测视频帧获取区域帧图像信息,将所述区域帧图像信息进行预处理,基于CenterNet网络构建船舶识别模型;
将预处理后的区域帧图像信息作为船舶识别模型的输入提取特征图,在所述船舶识别模型中引入特征金字塔,将所述特征图导入特征金字塔,获取不同层级的特征图;
在最高层级的特征图中引入ECA注意力机制进行通道特征增强,并将通道依赖关系传递到所述特征金字塔,通过尺度均衡化卷积进行特征融合,获取最终识别特征;
根据所述最终识别特征获取目标的中心点位置、偏移及宽高信息,通过回归生成船舶的锚框,实现对船舶的识别。
6.根据权利要求5所述的一种航道关键节点的拥堵程度评价***,其特征在于,根据航道关键点所属区域内各船舶的通行时间评估航道关键点的当前拥堵程度,具体为:
获取航道关键点所属区域内船舶识别过程中的锚框参数,根据所述锚框参数生成船舶状态描述,通过卡尔曼滤波算法对船舶状态进行更新生成轨迹,获取更新后船舶锚框参数与识别过程中的锚框参数进行匹配,进行船舶跟踪;
通过锚框回归识别当前时间戳各航道关键点所属区域的现有船舶数量,根据船舶跟踪获取下一时间戳进入各航道关键点所属区域的预测船舶数量,利用运动状态船舶的通行时间对对应船舶进行标注;
预设航道拥堵评估任务的时间步长,构建航道拥堵判定模型,根据各航道关键点所属区域的航道特征设置对应的拥堵判别阈值体系,获取各航道关键点所属区域的静止船舶的航道占据比值,通过航道占据比值对拥堵判别阈值体系进行调整;
根据通行时间获取所述时间步长内每一时间戳中现有船舶数量的减少率,并根据各航道关键点所属区域的预测船舶数量获取增长率,获取减少率与增长率的差值;
将所述差值与当前时间戳的现有船舶数量进行结合,根据调整后的拥堵判别阈值体系判断当前时间戳的拥堵程度,将是时间步长内各时间戳的拥堵程度进行整合获取各航道关键点所属区域的当前拥挤程度。
7.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中包括航道关键节点的拥堵程度评价方法程序,所述航道关键节点的拥堵程度评价方法程序被处理器执行时,实现如权利要求1至4中任一项所述的航道关键节点的拥堵程度评价方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311279279.7A CN117037547B (zh) | 2023-10-07 | 2023-10-07 | 一种航道关键节点的拥堵程度评价方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311279279.7A CN117037547B (zh) | 2023-10-07 | 2023-10-07 | 一种航道关键节点的拥堵程度评价方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117037547A CN117037547A (zh) | 2023-11-10 |
CN117037547B true CN117037547B (zh) | 2023-12-19 |
Family
ID=88632076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311279279.7A Active CN117037547B (zh) | 2023-10-07 | 2023-10-07 | 一种航道关键节点的拥堵程度评价方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117037547B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634926B (zh) * | 2023-12-08 | 2024-06-04 | 交通运输部水运科学研究所 | 基于大数据分析的综合港口运营预测方法及*** |
CN117975769B (zh) * | 2024-03-29 | 2024-06-07 | 交通运输部水运科学研究所 | 一种基于多源数据融合的智能航行安全管理方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200054543A (ko) * | 2018-11-12 | 2020-05-20 | 삼성중공업 주식회사 | 선박의 항로 최적화 시스템 |
CN111339229A (zh) * | 2020-02-24 | 2020-06-26 | 交通运输部水运科学研究所 | 一种船舶自主航行辅助决策*** |
CN114565124A (zh) * | 2022-01-12 | 2022-05-31 | 武汉理工大学 | 一种基于改进图卷积神经网络的船舶交通流预测方法 |
CN115081825A (zh) * | 2022-05-31 | 2022-09-20 | 浙江省交通运输科学研究院 | 基于多状态模糊贝叶斯网络的海上通道安全风险评估方法 |
CN115640873A (zh) * | 2022-09-21 | 2023-01-24 | 上海汇航捷讯网络科技有限公司 | 一种基于船舶ais大数据的港口拥堵程度量化方法 |
CN115965144A (zh) * | 2022-12-30 | 2023-04-14 | 武汉理工大学 | 船舶交通流预测方法、***、装置及存储介质 |
CN116402846A (zh) * | 2022-12-26 | 2023-07-07 | 武汉珞珈智绘科技有限公司 | 一种基于ais大数据的内河航道船舶态势分析预测方法 |
-
2023
- 2023-10-07 CN CN202311279279.7A patent/CN117037547B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200054543A (ko) * | 2018-11-12 | 2020-05-20 | 삼성중공업 주식회사 | 선박의 항로 최적화 시스템 |
CN111339229A (zh) * | 2020-02-24 | 2020-06-26 | 交通运输部水运科学研究所 | 一种船舶自主航行辅助决策*** |
CN114565124A (zh) * | 2022-01-12 | 2022-05-31 | 武汉理工大学 | 一种基于改进图卷积神经网络的船舶交通流预测方法 |
CN115081825A (zh) * | 2022-05-31 | 2022-09-20 | 浙江省交通运输科学研究院 | 基于多状态模糊贝叶斯网络的海上通道安全风险评估方法 |
CN115640873A (zh) * | 2022-09-21 | 2023-01-24 | 上海汇航捷讯网络科技有限公司 | 一种基于船舶ais大数据的港口拥堵程度量化方法 |
CN116402846A (zh) * | 2022-12-26 | 2023-07-07 | 武汉珞珈智绘科技有限公司 | 一种基于ais大数据的内河航道船舶态势分析预测方法 |
CN115965144A (zh) * | 2022-12-30 | 2023-04-14 | 武汉理工大学 | 船舶交通流预测方法、***、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117037547A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117037547B (zh) | 一种航道关键节点的拥堵程度评价方法、***及存储介质 | |
Agrawal et al. | Machine learning for precipitation nowcasting from radar images | |
US11721191B1 (en) | Method and system for flood early warning in smart city based on internet of things | |
Duca et al. | A K-nearest neighbor classifier for ship route prediction | |
CN104660993B (zh) | 基于ais和cctv的海事智能监控方法及*** | |
US11893883B2 (en) | Short-term traffic speed prediction and forecasting using machine learning analysis of spatiotemporal traffic speed dependencies in probe and weather data | |
Tu et al. | Modeling historical AIS data for vessel path prediction: A comprehensive treatment | |
CN116758744B (zh) | 基于人工智能的智慧城市运维管理方法、***及存储介质 | |
Ristic | Detecting anomalies from a multitarget tracking output | |
Millefiori et al. | A distributed approach to estimating sea port operational regions from lots of AIS data | |
CN112668846A (zh) | 一种船闸智能调度*** | |
CN115577324B (zh) | 雷达和船舶自动识别***数据融合方法及***、存储介质 | |
CN114743401B (zh) | 一种基于公交数字化转型的数据可视化公交调度管理平台 | |
CN115456474B (zh) | 一种基于人工智能的港口运营调度方法及*** | |
CN116597693A (zh) | 一种内河航运监控***及方法 | |
CN117610734A (zh) | 基于深度学习的用户行为预测方法、***和电子设备 | |
Nishizaki et al. | Development of navigation support system to predict new course of ship | |
CN108052629A (zh) | 一种基于高精度dem数据的快速海陆判断方法 | |
CN117077846A (zh) | 客流量预测方法、设备、存储介质及装置 | |
CN116630907A (zh) | 一种基于遥感的船舶航行数字孪生方法、***、终端及存储介质 | |
CN111639585A (zh) | 一种自适应人群计数***及自适应人群计数方法 | |
WO2023215980A1 (en) | System and method for enhanced estimated time of arrival for vessels | |
CN116384597A (zh) | 基于地理信息***的渔港船舶进出港动态预测方法及*** | |
KR102429235B1 (ko) | 해상교통 혼잡도 예측 시스템 및 방법 | |
CN116311039A (zh) | 一种城市降水量反演方法、装置、计算机设备及存储介质 |
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 |