CN110298514A - 一种基于时间序列模型和变异系数差异性方法的mba数学考点预测方法 - Google Patents
一种基于时间序列模型和变异系数差异性方法的mba数学考点预测方法 Download PDFInfo
- Publication number
- CN110298514A CN110298514A CN201910590917.4A CN201910590917A CN110298514A CN 110298514 A CN110298514 A CN 110298514A CN 201910590917 A CN201910590917 A CN 201910590917A CN 110298514 A CN110298514 A CN 110298514A
- Authority
- CN
- China
- Prior art keywords
- examination
- point
- index
- prediction
- examination point
- 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 22
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012552 review Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及教育教学智能应用领域,尤其是涉及一种基于时间序列模型和变异系数差异性的原理来预测考点概率,主要是把数据分析和考点预测结合在一起。本发明的MBA数学考点预测方法包括选取样本、构建MBA考试考点建模或者分析所需要的表格、基于时间序列模型的MBA考试章节考点数目的预测和基于变异系数方法的类型(无子类型)或子类型考点概率的预测。本发明能够指导学员进行针对性较强的备考复习,节省备考复习时间,提高学习效率。
Description
技术领域
本发明涉及教育教学智能应用技术领域,具体地说,特别涉及一种基于时间序列模型和变异系数差异性方法的MBA数学考点预测方法。
背景技术
工商管理硕士(MBA)是工商管理类硕士研究生学位,MBA是培养能够胜任工商企业和经济管理部门高层管理工作需要的务实型、复合型和应用型高层次管理人才,兼具理论与实践相结合,而其他硕士研究生只是培养科研型和教学型人才,偏向理论,不参与实践。MBA数学,考察的是中学阶段的数学基础知识,概念不多,难度不大,考察的重点不是会不会,而是快不快。数学成功的关键在于作答速度。每年MBA成绩一公布,有很多考生,尤其是毕业5年以上的文科生在综合科目上败下阵来,大多数都把失败原因归咎于数学,有很多因此放弃了MBA......这其中有绝大多数没明白MBA数学到底考什么,如何备考,可谓是败的糊涂。
目前MBA考生人数不断增多,而MBA的考生大多已是从业人员,他们由于家庭和工作的原因,能学习和练习试题的时间很短;由于年龄的原因学习能力的下降。大多数学员仅仅依靠教科书进行学习和备考,这样学习和备考有多个弊端:其一是增加了学习时间;第二个不能突出知识点的重点内容;最后一个是课程规划不符合人们的记忆曲线。这样的复习会造成时间成本的提高以及导致效率的低下。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,公开了一种基于时间序列模型和变异系数差异性方法的MBA数学考点预测方法,其能够指导学员进行针对性较强的备考复习,节省备考复习时间,提高学习效率。
本发明解决其技术问题所采用的技术方案是:一种基于时间序列模型和变异系数差异性方法的MBA数学考点预测方法,其特征在于其包括以下步骤:
(Ⅰ)选取样本
选取近十一年的考研真题为样本;
(Ⅱ)构建MBA考试考点建模或者分析所需要的表格
a)构建知识点指标体系表
按照章、类型、子类型的目录层级对MBA联考数学的大纲进行编码以构建知识点指标体系表,其中章、类型、子类型分别对应一级指标、二级指标、三级指标(其中有些知识点没有子类型,即没有三级指标),所述知识点指标体系表中的一个大纲编码即为一个知识点;将历年联考真题与所述知识点指标体系表相匹配,使得每一道历年真题对应一个大纲编码,即对应一个考点;
b)构建近十一年的一级指标的考点频率表
经查阅各种MBA数学考纲资料,把考纲划分为12章,即一共有12个一级指标,分别为编码为A、B...L,以近十一年为表的纵列,一级指标频率编码为横列构建一级指标的考点频率表,从2009年之后,MBA数学考题一共有25道,所以某年的一级指标知识点频率的计算方式为:
某年的一级指标知识点频率=一级指标在某年考点的个数/25
c)构建近十一年的二级指标(没有三级指标的)或者三级指标的考点统计表
以近十一年为表的纵列,二级指标或者三级指标编码为横列构建二级指标或者三级指标的考点统计表;
(Ⅲ)基于时间序列模型的MBA考试章节考点数目的预测
根据一级指标的考点频率表,基于不同的时间序列模型预测明年的各个一级指标考点频率;如果{x1}、{x2}......{x12}的时序数据是平稳的或者对其差分之后是平稳的,我们可以建立ARIMA模型,这个我们可以借助于eviews软件来完成;如果对其进行上述操作之后还是发现{x1}、{x2}......{x12}中一级指标的时序数据是非平稳的,我们则建立指数平滑法模型,这个则借助SPSS软件来完成;最终我们可以预测一个章节考点的频率,即可以预测出一个章节的考点数目;
(Ⅳ)基于变异系数方法的类型(无子类型)或子类型考点概率的预测
按照一级指标再细分为二级指标和三级指标,根据上述的考点统计表,可以统计出这些小类知识点在这11年所考的频率及变异系数,然后再计算出近五年小类考点的频率及变异系数,对比这两个变异系数,如果相差超过0.15,以近五年小类考点的频率来代表明年这些小类考点的概率;如果相差不超过0.15,则以这11年小类考点的频率来代表明年这些小类考点的概率;最终按照小类预测的概率可以把考点分为必考的考点(预测的概率为100%)、高频考点(70%<=预测的概率<100%)、中高频考点(50%<=预测的概率<70%)、中低频考点(30%<=预测的概率<50%)、低频考点(0%<=预测的概率<30%)、不考的考点(预测的概率=0%)。
本发明中的变异系数(CV):变异系数又称“标准差率”,是衡量资料中各观测值变异程度的另一个统计量。当进行两个或多个资料变异程度的比较时,如果度量单位与平均数相同,可以直接利用标准差来比较。如果单位和(或)平均数不同时,比较其变异程度就不能采用标准差,而需采用标准差与平均数的比值(相对值)来比较。其公式表示为CV=标准差/均值。变异系数的操作直接在excel上完成。
本发明与现有技术相比具有以下优点:将考试大纲划分为大纲并与历年考研真题相对应,根据时间序列模型预测出明年各个章节所考的考题数目;然后再依据变异系数的差异性预测出各个考点的概率,经计算和验证,该概率数值越高,在今后的考试中出题的概率越高。考生可依据该概率进行针对性备考和复习,节省时间成本,提高复习效率。
附图说明
图1为本发明中A(应用题)占总考点的比例分布图;
图2为本发明中L(概率)占总考点的比例分布图。
具体实施方式
下面结合附图及实施例描述本发明具体实施方式:
需要说明的是,本说明书所附图中示意的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
本发明公开的一种基于时间序列模型和变异系数差异性方法的MBA数学考点预测方法,其特征在于其包括以下步骤:
(Ⅰ)选取样本
选取近十一年的考研真题为样本,以2019年为例,选取2009-2019年的考研真题为样本;
(Ⅱ)构建MBA考试考点建模或者分析所需要的表格
a)构建知识点指标体系表
按照章、类型、子类型的目录层级对MBA联考数学的大纲进行编码以构建知识点指标体系表,其中章、类型、子类型分别对应一级指标、二级指标、三级指标(其中有些知识点没有子类型,即没有三级指标),所述知识点指标体系表中的一个大纲编码即为一个知识点;将历年联考真题与所述知识点指标体系表相匹配,使得每一道历年真题对应一个大纲编码,即对应一个考点。
b)构建2009-2019年的一级指标的考点频率表
经查阅各种MBA数学考纲资料,大多数专家把考纲划分为12章,即一共有12个一级指标,分别为编码为A、B...L,以2009-2019年为表的纵列,一级指标频率编码为横列构建一级指标的考点频率表,从2009年之后,MBA数学考题一共有25道,所以某年的一级指标知识点频率的计算方式为:
某年的一级指标知识点频率=一级指标在某年考点的个数/25如表1所示。
表1 2009年-2019年一级指标考点频率表
上表中{x1}、{x2}......{x12}分别代表2009-2019年A,B......L一级指标的考点频率;
c)构建2009-2019年的二级指标(没有三级指标的)或者三级指标的考点统计表
以2009-2019年为表的纵列,二级指标或者三级指标编码为横列构建二级指标或者三级指标的考点统计表。
(Ⅲ)基于时间序列模型的MBA考试章节考点数目的预测
根据一级指标的考点频率表,基于不同的时间序列模型预测2020年的各个一级指标考点频率;如果{x1}、{x2}......{x12}的时序数据是平稳的或者对其差分之后是平稳的,我们可以建立ARIMA模型,这个我们可以借助于eviews软件来完成;如果对其进行上述操作之后还是发现{x1}、{x2}......{x12}中一级指标的时序数据是非平稳的,我们则建立指数平滑法模型,这个则借助SPSS软件来完成。最终我们可以预测一个章节考点的频率,即可以预测出一个章节的考点数目。
我们选取几个经典的一级指标,以一级指标A为例,如图1所示。对{x1}进行单位根或者对其进行差分检验后发现它不是一个平稳的时间序列,因此{x1}采用的模型为指数平滑法模型,运用SPSS软件对其进行操作预测出2020年的考点频率为0.2585,即考题数目为6-7个。
以一级指标L为例,如下图2所示,对{x12}进行单位根或者对其进行差分检验后发现它是一个平稳的时间序列,因此{x1}采用的模型为ARIMA(1,1,2)模型,运用eview软件对其进行操作预测出2020年的考点频率为0.0589,即考题数目为1~2个。
考生可根据章节考点频率或考题数目针对有目的性的学习,对考题数目多的章节进行重点学习。
(Ⅳ)基于变异系数方法的类型(无子类型)或子类型考点概率的预测
按照一级指标再细分为二级指标和三级指标,根据上述的考点统计表,可以统计出这些小类知识点在这11年所考的频率及变异系数,然后再计算出近五年小类考点的频率及变异系数,对比这两个变异系数,如果相差超过0.15,以近五年小类考点的频率来代表2020年这些小类考点的概率;如果相差不超过0.15,则以这11年小类考点的频率来代表2020年这些小类考点的概率;最终按照小类预测的概率可以把考点分为必考的考点(预测的概率为100%)、高频考点(70%<=预测的概率<100%)、中高频考点(50%<=预测的概率<70%)、中低频考点(30%<=预测的概率<50%)、低频考点(0%<=预测的概率<30%)、不考的考点(预测的概率=0%)。
根据第三个步骤可预测出A和L的考题数目,我们分别以A的三级指标和L的二级指标(无三级指标)来预测今后考点的概率。
以A的三级指标为例,如下表2所示:
表2 2009-2019年A级指标子类型的考点统计表及其预测
由上述表2我们可知2020年A级指标子类型考点的预测概率,以此概率频次可以划分必考的考点(预测的概率为100%)、高频考点(70%<=预测的概率<100%)、中高频考点(50%<=预测的概率<70%)、中低频考点(30%<=预测的概率<50%)、低频考点(0%<=预测的概率<30%)、不考的考点(预测的概率=0%)。
以L的二级级指标(无三级指标)为例,如下表3所示:
表3 2009-2019年L级二级指标的考点统计表及其预测
由上述表3我们可知2020年L级二级指标考点的预测概率,以此概率频次可以划分必考的考点(预测的概率为100%)、高频考点(70%<=预测的概率<100%)、中高频考点(50%<=预测的概率<70%)、中低频考点(30%<=预测的概率<50%)、低频考点(0%<=预测的概率<30%)、不考的考点(预测的概率=0%)。
经由上述预测我们的复习重点应该在频次较高的考点上,这样可以较短的缩小时间成本,节省备考时间。
上面结合附图对本发明优选实施方式作了详细说明,但是本发明不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解,本发明不限于特定的实施方式,本发明的范围由所附权利要求限定。
Claims (1)
1.一种基于时间序列模型和变异系数差异性方法的MBA数学考点预测方法,其特征在于其包括以下步骤:
(Ⅰ)选取样本
选取近十一年的考研真题为样本;
(Ⅱ)构建MBA考试考点建模或者分析所需要的表格
a)构建知识点指标体系表
按照章、类型、子类型的目录层级对MBA联考数学的大纲进行编码以构建知识点指标体系表,其中章、类型、子类型分别对应一级指标、二级指标、三级指标(其中有些知识点没有子类型,即没有三级指标),所述知识点指标体系表中的一个大纲编码即为一个知识点;将历年联考真题与所述知识点指标体系表相匹配,使得每一道历年真题对应一个大纲编码,即对应一个考点;
b)构建近十一年的一级指标的考点频率表
经查阅各种MBA数学考纲资料,把考纲划分为12章,即一共有12个一级指标,分别为编码为A、B...L,以近十一年为表的纵列,一级指标频率编码为横列构建一级指标的考点频率表,从2009年之后,MBA数学考题一共有25道,所以某年的一级指标知识点频率的计算方式为:
某年的一级指标知识点频率=一级指标在某年考点的个数/25
c)构建近十一年的二级指标(没有三级指标的)或者三级指标的考点统计表
以近十一年年为表的纵列,二级指标或者三级指标编码为横列构建二级指标或者三级指标的考点统计表;
(Ⅲ)基于时间序列模型的MBA考试章节考点数目的预测
根据一级指标的考点频率表,基于不同的时间序列模型预测明年的各个一级指标考点频率;如果{x1}、{x2}......{x12}的时序数据是平稳的或者对其差分之后是平稳的,我们可以建立ARIMA模型,这个我们可以借助于eviews软件来完成;如果对其进行上述操作之后还是发现{x1}、{x2}......{x12}中一级指标的时序数据是非平稳的,我们则建立指数平滑法模型,这个则借助SPSS软件来完成;最终我们可以预测一个章节考点的频率,即可以预测出一个章节的考点数目;
(Ⅳ)基于变异系数方法的类型(无子类型)或子类型考点概率的预测
按照一级指标再细分为二级指标和三级指标,根据上述的考点统计表,可以统计出这些小类知识点在这11年所考的频率及变异系数,然后再计算出近五年小类考点的频率及变异系数,对比这两个变异系数,如果相差超过0.15,以近五年小类考点的频率来代表明年这些小类考点的概率;如果相差不超过0.15,则以这11年小类考点的频率来代表明年这些小类考点的概率;最终按照小类预测的概率可以把考点分为必考的考点(预测的概率为100%)、高频考点(70%<=预测的概率<100%)、中高频考点(50%<=预测的概率<70%)、中低频考点(30%<=预测的概率<50%)、低频考点(0%<=预测的概率<30%)、不考的考点(预测的概率=0%)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910590917.4A CN110298514A (zh) | 2019-07-02 | 2019-07-02 | 一种基于时间序列模型和变异系数差异性方法的mba数学考点预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910590917.4A CN110298514A (zh) | 2019-07-02 | 2019-07-02 | 一种基于时间序列模型和变异系数差异性方法的mba数学考点预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110298514A true CN110298514A (zh) | 2019-10-01 |
Family
ID=68029912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910590917.4A Pending CN110298514A (zh) | 2019-07-02 | 2019-07-02 | 一种基于时间序列模型和变异系数差异性方法的mba数学考点预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298514A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015780A (zh) * | 2020-08-24 | 2020-12-01 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的命题智能分析处理方法和*** |
-
2019
- 2019-07-02 CN CN201910590917.4A patent/CN110298514A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015780A (zh) * | 2020-08-24 | 2020-12-01 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的命题智能分析处理方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pigott | Advances in meta-analysis | |
Dong et al. | PowerUp!: A tool for calculating minimum detectable effect sizes and minimum required sample sizes for experimental and quasi-experimental design studies | |
Goldhaber et al. | Why don't schools and teachers seem to matter? Assessing the impact of unobservables on educational productivity | |
Zubizarreta et al. | Optimal multilevel matching in clustered observational studies: A case study of the effectiveness of private schools under a large-scale voucher system | |
CN107657559A (zh) | 一种中文阅读能力测评方法及*** | |
Hwang et al. | Diagnosing student learning problems based on historical assessment records | |
CN109272160A (zh) | 分数预测***及预测方法 | |
Alkas Ulusoy et al. | Analyzing the Statistical Reasoning Levels of Pre-Service Elementary School Teachers in the Context of a Model Eliciting Activity. | |
Levchenko et al. | The impact of lifelong learning on the country’s development in dimension of innovative oriented economy: comparative analysis | |
Edelsbrunner et al. | A simulation study on latent transition analysis for examining profiles and trajectories in education: Recommendations for fit statistics | |
Wang et al. | An effect assessment system for curriculum ideology and politics based on students’ achievements in Chinese engineering education | |
Cui et al. | Is human and financial investment in Chinese universities effective? | |
CN113535935B (zh) | 基于重要程度和优先级的组卷方法、装置、设备及介质 | |
CN110298514A (zh) | 一种基于时间序列模型和变异系数差异性方法的mba数学考点预测方法 | |
Deuri | Attitude towards choice based credit system of post graduate level students in higher education: a study on Gauhatiuniversity | |
Geiger et al. | Using test scores to evaluate and hold school teachers accountable in New Mexico | |
Wang et al. | The study of enterprise human resource evaluation research based on neural network | |
Karadeniz et al. | Sustainability in Urban and Regional Planning Education in Turkey. | |
Price et al. | USE OF COMPETENCY-BASED NEEDS ANALYSIS IN DEVELOPING EMPLOYEE TRAINING PROGRAM. | |
Hansen et al. | Limited-Information Goodness-of-Fit Testing of Diagnostic Classification Item Response Theory Models. CRESST Report 840. | |
Ma | [Retracted] Optimization of Business English Teaching Based on the Integration of Interactive Virtual Reality Genetic Algorithm | |
Farida et al. | Sensitivity analysis of the SMARTER and MOORA methods in decision making of achieving students | |
Cai et al. | Teaching mathematics using standards-based and traditional curricula: a case of variable ideas | |
Hoelzle | Predicting student performance on the developmental reading assessment: An independent comparison of two different tests | |
Sciffer et al. | The Role of the socio-economic compositional effect in systemic school effectiveness and equity |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |