JP7298684B2 - 混雑度推定装置、混雑度推定方法及びプログラム - Google Patents
混雑度推定装置、混雑度推定方法及びプログラム Download PDFInfo
- Publication number
- JP7298684B2 JP7298684B2 JP2021519960A JP2021519960A JP7298684B2 JP 7298684 B2 JP7298684 B2 JP 7298684B2 JP 2021519960 A JP2021519960 A JP 2021519960A JP 2021519960 A JP2021519960 A JP 2021519960A JP 7298684 B2 JP7298684 B2 JP 7298684B2
- Authority
- JP
- Japan
- Prior art keywords
- selection
- time
- simulation
- congestion
- visitor
- 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
- 238000000034 method Methods 0.000 title claims description 25
- 238000004088 simulation Methods 0.000 claims description 128
- 239000013598 vector Substances 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 27
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims 2
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- FTGYKWAHGPIJIT-UHFFFAOYSA-N hydron;1-[2-[(2-hydroxy-3-phenoxypropyl)-methylamino]ethyl-methylamino]-3-phenoxypropan-2-ol;dichloride Chemical compound Cl.Cl.C=1C=CC=CC=1OCC(O)CN(C)CCN(C)CC(O)COC1=CC=CC=C1 FTGYKWAHGPIJIT-UHFFFAOYSA-N 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
Description
以降では、本発明の実施の形態の理論的な構成について説明する。
アトラクション数をM、各アトラクションのインデックスをm(m=1,・・・,M)として、インデックスmのアトラクションを「アトラクションm」と表す。同様に、各来園者のインデックスをnとして、インデックスnの来園者を「来園者n」と表す。また、アトラクションmに対する来園者nの待ち時間の許容限界(つまり、アトラクションmに対して来園者nが許容可能な待ち時間を表すスカラー値)をαn,mとする。
各アトラクションの混雑度をシミュレーションする際に用いる来園者数をI、各来園者のインデックスをiとして、インデックスiの来園者を「来園者i」と表す。なお、シミュレーションに用いる来園者数Iは、許容限界モデルのパラメータ推定に用いた来園者数Nよりも非常に大きいものとする。
シミュレーション用の来園者データと、シミュレーション用のアトラクションデータと、シミュレーション用の移動時間データとを用いて、各アトラクションmのシミュレーション時刻t毎の待ち時間(混雑度の一例)を推定する。なお、シミュレーション用のアトラクションデータとは、例えば、シミュレーションにおけるアトラクションの処理能力(つまり、単位時間あたりにアトラクションを体験可能な人数)を表すデータである。また、シミュレーション用の移動時間データとは、例えば、シミュレーションにおけるアトラクション間(及びテーマパークの出入口とアトラクションとの間)の移動に要する時間を表すデータである。
次に、本発明の実施の形態における混雑度推定装置10の全体構成について、図1を参照しながら説明する。図1は、本発明の実施の形態における混雑度推定装置10の全体構成の一例を示す図である。
以降では、許容限界モデルのパラメータを推定する処理について、図2を参照しながら説明する。図2は、許容限界モデルのパラメータを推定する処理の一例を示すフローチャートである。
以降では、シミュレーション用の来園者データを作成する処理について、図5を参照しながら説明する。図5は、シミュレーション用の来園者データを作成する処理の一例を示すフローチャートである。
シミュレーションにより混雑度を推定する処理を説明する前に、その前提として、シミュレーション時における各種条件について説明する。
シミュレーション時におけるアトラクション間及びテーマパークの出入口とアトラクションとの間を各来園者iが移動する際に要する時間は、シミュレーション用の移動時間データで与えられる。本発明の実施の形態では、M=5であるものとして、各アトラクションmの配置と、アトラクション間及び出入口-アトラクション間の移動経路とが図10に示すものであるとする。なお、図10中において、アトラクションを示す丸の中の数字はアトラクションのインデックスである。
シミュレーション時におけるアトラクションの処理能力(つまり、単位時間あたりにアトラクションを体験可能な人数)は、シミュレーション用のアトラクションデータで与えられる。本発明の実施の形態では、M=5であるものとして、図12に示すシミュレーション用のアトラクションデータが与えられるものとする。図12に示すシミュレーション用のアトラクションデータは、アトラクションの体験時間[分]と、アトラクションの定員[人]と、アトラクションの処理能力[人/分]と、アトラクションの稼働周期[分]とがマトリックス形式で表現されている。なお、処理能力は、「定員/体験時間」となる。
シミュレーション時には、各来園者iには、図13に示す各状態(「入園」、「退園」、「アトラクション選択」、「移動」、「待ち行列」、「体験」、「待機」)のうちのいずれか1つの状態やテーマパーク内の位置等が対応付けられている。つまり、例えば、来園者のインデックスiと、この来園者の状態や位置等とが対応付けて記憶部104に記憶される。なお、初期状態においては、各来園者iには状態「入園」、位置「出入口」が対応付けられているものとする。
入園時刻Iiがシミュレーション時刻t以前である場合、来園者iの状態を「アトラクション選択」に更新する。このことは、シミュレーション時刻tが入園時刻Iiになった場合、来園者iがテーマパークに入園し、アトラクションの選択を開始することを意味する。
上記の式(4)に示す多項線形モデルによりアトラクションmの選択確率θi,m,tを算出し、来園者iが次に体験するアトラクションmを確率的に選択する。具体的には、待ち時間Wm,t<αi,mを満たすアトラクションmを候補として、選択確率θi,m,tに基づいていずれか1つのアトラクションmを選択する。
来園者iの状態を「退園」に更新する。また、当該来園者iの位置を「出入口」に更新する。このことは、当該来園者iが予定数のアトラクションを体験したため、テーマパークを退園することを意味する。
来園者iに対応付けられている移動完了時刻がシミュレーション時刻t以前である場合、当該来園者iの状態を「待ち行列」に更新する。また、当該来園者iが体験するアトラクションmの待ち時間Wm,tをシミュレーション時刻tに加算した「体験開始時刻」と、当該アトラクションmの体験時間を体験開始時刻に加算した「体験終了時刻」とを当該来園者iに対応付ける。なお、当該来園者iに対応付けられている移動完了時刻は削除される(又は、閉園時刻よりも後の時刻に更新されてもよい。)。
来園者iに対応付けられている体験開始時刻がシミュレーション時刻t以前である場合、当該来園者iの状態を「体験」に更新する。なお、当該来園者iに対応付けられている体験開始時刻は削除される(又は、閉園時刻よりも後の時刻に更新されてもよい。)。
来園者iに対応付けられている体験終了時刻がシミュレーション時刻t以前である場合、当該来園者iの状態を「アトラクション選択」に更新する。また、当該来園者iの予定数kiを1減ずる。
来園者iに対応付けられている待機終了時刻がシミュレーション時刻t以前である場合、当該来園者iの状態を「アトラクション選択」に更新する。
退園時刻Oiがシミュレーション時刻t以前である場合、来園者iの状態を「退園」に更新する。また、当該来園者iの位置を「出入口」に更新する。このことは、シミュレーション時刻tが退園時刻Oiになった場合、来園者iがテーマパークを退園することを意味する。
以降では、上記の「シミュレーションの条件」で述べた各種条件の下で、シミュレーションにより混雑度を推定する場合の処理について、図14を参照しながら説明する。図14は、シミュレーションにより混雑度を推定する処理の一例を示すフローチャートである。
次に、M=5、I=1000,2000,3000,4000,5000,6000,7000,8000,9000とした場合におけるシミュレーション結果(つまり、各シミュレーション時刻tにおけるアトラクションmの待ち時間Wm,tの推移)を図15に示す。なお、図15に示すm=1~m=5の待ち時間は、それぞれ、図5のステップS202及びステップS203で忍耐力φi及びアトラクション選好ベクトルψiを生成する際の乱数のシードを変えて10回ずつシミュレーションを行った結果得られた待ち時間Wm,tの平均値である。
最後に、本発明の実施の形態における混雑度推定装置10のハードウェア構成について、図16を参照しながら説明する。図16は、本発明の実施の形態における混雑度推定装置10のハードウェア構成の一例を示す図である。
101 パラメータ推定部
102 来園者データ作成部
103 シミュレーション部
104 記憶部
Claims (4)
- 総数Nの選択主体n(n=1,・・・,N)の各々が総数Mの選択対象m(m=1,・・・,M)のいずれかを選択するものとして、各選択主体nが許容する各選択対象mの混雑度の限界を表す許容限界αn,mを入力して、前記選択主体nの許容限界αn,mの前記選択対象mに関する最大値を表す忍耐力φnと、前記選択主体nが前記選択対象mを選択する際の選好を表す選好ベクトルψnとを算出し、算出した前記忍耐力φnと前記選好ベクトルψnとを用いて、総数I(>N)の選択主体i(i=1,・・・,I)の各々の許容限界αi,mを得るためのモデルのパラメータを推定するパラメータ推定手段と、
推定した前記パラメータを用いた前記モデルにより、前記選択主体iの各々の許容限界αi,mを算出する算出手段と、
前記許容限界αi,mと、前記選択対象mの各々の単位時間あたりの処理能力を特定可能な情報が含まれるシミュレーション条件とを入力して、各時刻t(t=1,・・・・,T)において前記選択主体iが前記選択対象mのいずれかを選択することをシミュレーションすることで、前記各時刻tにおける前記選択対象mの各々の混雑度を推定する混雑度推定手段と、
を有し、
前記パラメータ推定手段は、
前記忍耐力φ n が対数正規分布に従うものとして、前記対数正規分布に対応する正規分布N(μ,σ 2 )のパラメータμ及びσ 2 を前記モデルのパラメータとして最尤法により推定し、
前記選好ベクトルψ n がディリクレ分布Dir(β)に従うものとして、前記ディリクレ分布Dir(β)のパラメータβを前記モデルのパラメータとして最尤法により推定し、
前記混雑度推定手段は、
前記許容限界α i,m から、各時刻t(t=1,・・・・,T)において前記選択主体iが前記選択対象mのいずれかを選択する確率θ i,m,t を多項線形モデルにより算出し、
算出した前記確率θ i,m,t と、前記選択対象mの各々の単位時間あたりの処理能力を特定可能な情報とに基づいて、前記各時刻tにおける前記選択対象mの各々の混雑度を推定する、ことを特徴とする混雑度推定装置。 - 前記混雑度推定手段は、
時刻tにおける前記選択対象mの各々の混雑度をWm,tとして、前記選択対象mのいずれかを選択する状態の各選択主体iについて、Wm,t<αi,mを満たす選択対象mの中から前記確率θi,m,tに従って1つの選択対象mを選択し、選択した選択対象mと、前記選択した選択対象mの単位時間当たりの処理能力を特定可能な情報とに基づいて、前記選択した選択対象mの混雑度を推定する、ことを特徴とする請求項1に記載の混雑度推定装置。 - 総数Nの選択主体n(n=1,・・・,N)の各々が総数Mの選択対象m(m=1,・・・,M)のいずれかを選択するものとして、各選択主体nが許容する各選択対象mの混雑度の限界を表す許容限界αn,mを入力して、前記選択主体nの許容限界αn,mの前記選択対象mに関する最大値を表す忍耐力φnと、前記選択主体nが前記選択対象mを選択する際の選好を表す選好ベクトルψnとを算出し、算出した前記忍耐力φnと前記選好ベクトルψnとを用いて、総数I(>N)の選択主体i(i=1,・・・,I)の各々の許容限界αi,mを得るためのモデルのパラメータを推定するパラメータ推定手順と、
推定した前記パラメータを用いた前記モデルにより、前記選択主体iの各々の許容限界αi,mを算出する算出手順と、
前記許容限界αi,mと、前記選択対象mの各々の単位時間あたりの処理能力を特定可能な情報が含まれるシミュレーション条件とを入力して、各時刻t(t=1,・・・・,T)において前記選択主体iが前記選択対象mのいずれかを選択することをシミュレーションすることで、前記各時刻tにおける前記選択対象mの各々の混雑度を推定する混雑度推定手順と、
をコンピュータが実行し、
前記パラメータ推定手順は、
前記忍耐力φ n が対数正規分布に従うものとして、前記対数正規分布に対応する正規分布N(μ,σ 2 )のパラメータμ及びσ 2 を前記モデルのパラメータとして最尤法により推定し、
前記選好ベクトルψ n がディリクレ分布Dir(β)に従うものとして、前記ディリクレ分布Dir(β)のパラメータβを前記モデルのパラメータとして最尤法により推定し、
前記混雑度推定手順は、
前記許容限界α i,m から、各時刻t(t=1,・・・・,T)において前記選択主体iが前記選択対象mのいずれかを選択する確率θ i,m,t を多項線形モデルにより算出し、
算出した前記確率θ i,m,t と、前記選択対象mの各々の単位時間あたりの処理能力を特定可能な情報とに基づいて、前記各時刻tにおける前記選択対象mの各々の混雑度を推定する、ことを特徴とする混雑度推定方法。 - コンピュータを、請求項1又は2に記載の混雑度推定装置における各手段、として機能させるためのプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/020176 WO2020235026A1 (ja) | 2019-05-21 | 2019-05-21 | パラメータ推定装置、混雑度推定装置、パラメータ推定方法、混雑度推定方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020235026A1 JPWO2020235026A1 (ja) | 2020-11-26 |
JP7298684B2 true JP7298684B2 (ja) | 2023-06-27 |
Family
ID=73459322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021519960A Active JP7298684B2 (ja) | 2019-05-21 | 2019-05-21 | 混雑度推定装置、混雑度推定方法及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220222555A1 (ja) |
JP (1) | JP7298684B2 (ja) |
WO (1) | WO2020235026A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006189952A (ja) | 2004-12-28 | 2006-07-20 | Fujitsu Ltd | 施設利用情報処理装置、その情報処理方法及び携帯端末装置 |
JP2017502437A (ja) | 2013-11-15 | 2017-01-19 | ジェフ マクマヌス リミテッドJeff Mcmanus Ltd. | リソースへのアクセスを管理するための装置及び方法 |
JP2018073361A (ja) | 2016-11-04 | 2018-05-10 | 日本電信電話株式会社 | 待ち時間予測装置、待ち時間予測方法、及び待ち時間予測プログラム |
-
2019
- 2019-05-21 JP JP2021519960A patent/JP7298684B2/ja active Active
- 2019-05-21 WO PCT/JP2019/020176 patent/WO2020235026A1/ja active Application Filing
- 2019-05-21 US US17/610,219 patent/US20220222555A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006189952A (ja) | 2004-12-28 | 2006-07-20 | Fujitsu Ltd | 施設利用情報処理装置、その情報処理方法及び携帯端末装置 |
JP2017502437A (ja) | 2013-11-15 | 2017-01-19 | ジェフ マクマヌス リミテッドJeff Mcmanus Ltd. | リソースへのアクセスを管理するための装置及び方法 |
JP2018073361A (ja) | 2016-11-04 | 2018-05-10 | 日本電信電話株式会社 | 待ち時間予測装置、待ち時間予測方法、及び待ち時間予測プログラム |
Also Published As
Publication number | Publication date |
---|---|
JPWO2020235026A1 (ja) | 2020-11-26 |
WO2020235026A1 (ja) | 2020-11-26 |
US20220222555A1 (en) | 2022-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9576250B2 (en) | Method and system for simulating users in the context of a parking lot based on the automatic learning of a user choice decision function from historical data considering multiple user behavior profiles | |
KR20210082210A (ko) | 신경망을 사용한 통합 회로 플로어 플랜 생성 | |
JP6611053B2 (ja) | 主題推定システム、主題推定方法およびプログラム | |
JP6749282B2 (ja) | 人流量予測装置、人流量予測方法、及び人流量予測プログラム | |
US11443335B2 (en) | Model-based deep reinforcement learning for dynamic pricing in an online ride-hailing platform | |
KR102036968B1 (ko) | 전문화에 기반한 신뢰성 높은 딥러닝 앙상블 방법 및 장치 | |
US20190324795A1 (en) | Composite task execution | |
KR102149436B1 (ko) | 공동 주택의 공간 배치 설계 방법 및 장치 | |
JP4910804B2 (ja) | 業務プロセス推定プログラム、業務プロセス推定方法および業務プロセス推定装置 | |
JPWO2020065808A1 (ja) | 情報処理装置及びシステム、並びに、モデル適応方法及びプログラム | |
JP2014160457A (ja) | 対話的変数選択装置、対話的変数選択方法および対話的変数選択プログラム | |
JP6853968B2 (ja) | パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム | |
JP7298684B2 (ja) | 混雑度推定装置、混雑度推定方法及びプログラム | |
KR102010031B1 (ko) | 게임 지표 정보 예측 방법 및 장치 | |
WO2023136020A1 (en) | Pathfinding apparatus, pathfinding method, and non-transitory computer-readable storage medium | |
JP6992534B2 (ja) | データ作成装置、誘導モデル学習装置、誘導推定装置、データ作成方法、誘導モデル学習方法、誘導推定方法及びプログラム | |
KR102613365B1 (ko) | 인공지능 기반 클라우드 서비스 서버 결정 장치 및 방법 | |
JP6649229B2 (ja) | 待ち時間予測装置、待ち時間予測方法、及び待ち時間予測プログラム | |
CN116412826A (zh) | 路径规划方法、装置、电子设备及存储介质 | |
JP7135824B2 (ja) | 学習装置、推定装置、学習方法、推定方法、及びプログラム | |
KR102261055B1 (ko) | 클릭율 최대화를 위한 이미지 디자인 파라미터 최적화 방법 및 시스템 | |
KR101524944B1 (ko) | 다중 영역 영상 분할 방법 및 그 장치 | |
KR20200072391A (ko) | 게임 지표 정보 예측 방법 및 장치 | |
US20230195964A1 (en) | Prediction program, prediction method, and prediction device | |
JP6837953B2 (ja) | パラメータ推定装置、パラメータ推定方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211011 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221129 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230127 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230516 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230529 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7298684 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |