CN111985679A - 转专业趋势预测方法、装置及介质 - Google Patents
转专业趋势预测方法、装置及介质 Download PDFInfo
- Publication number
- CN111985679A CN111985679A CN202010647114.0A CN202010647114A CN111985679A CN 111985679 A CN111985679 A CN 111985679A CN 202010647114 A CN202010647114 A CN 202010647114A CN 111985679 A CN111985679 A CN 111985679A
- Authority
- CN
- China
- Prior art keywords
- prediction
- trend
- professional
- original data
- model
- 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 29
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000002087 whitening effect Effects 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Technology (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明涉及一种转专业趋势预测方法、装置及介质的技术方案,包括:获取大学在设定的多个时间间隔的转专业对应的原始数据;对所述原始数据进行预处理;对经过预处理的所述原始数据构建对应的灰色预测模型,并通过所述灰色预测模型对多个所述时间间隔进行第一次预测;根据对经过预处理的所述原始数据及学生所属学院计算各学院之间的转换概率,构建转换概率矩阵,基于所述转换概率矩阵构建马尔科夫预测模型并进行第二次预测。本发明的有益效果为:通过马尔科夫进行分年预测,并结合灰色模型进行细化预测,对大学转专业趋势进行了合理预测,分析出的结果在中、短时期精准度高,并且直观。
Description
技术领域
本发明涉及计算机领域,具体涉及了一种转专业趋势预测方法、装置及介质。
背景技术
近年来,本科生转专业人数呈平稳增长的趋势,由此也带来课业负担加重、 热门专业就业压力增大、边缘学科萎缩等问题。现有的技术方案仅通过统计数据 进行人力分析,效率低下;或者在使用马尔科夫进行单一预测时,只对连续四年 (通常的大学生学习时间)间一个年级的预测值进行了检验,预测结果可能有一 定的局限性无法对大学生专业的选择提出忠告与建议。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供了一种转 专业趋势预测方法、装置及介质,通过马尔科夫进行分年预测,并结合灰色模型 进行细化预测,对大学转专业趋势进行了合理预测,分析出的结果在中、短时期 精准度高,也足够直观。
本发明的技术方案包括一种转专业趋势预测方法,其特征在于,该方法包 括:S100,获取大学在设定的多个时间间隔的转专业对应的原始数据;S200,对 所述原始数据进行预处理;S300,对经过预处理的所述原始数据构建对应的灰色 预测模型,并通过所述灰色预测模型对多个所述时间间隔进行第一次预测;S400, 根据对经过预处理的所述原始数据及学生所属学院计算各学院之间的转换概率, 构建转换概率矩阵,基于所述转换概率矩阵构建马尔科夫预测模型并进行第二次 预测。
根据所述的转专业趋势预测方法,其特征在于,其中S100包括:其中原始 数据包括以年作为所述时间间隔的入学数据及对应的转专业数据。
根据所述的转专业趋势预测方法,其特征在于,其中S200包括:从学生的 男女生转专业、院系转专业、现专业人数排名情况和转专业的文理工科进行预处 理,得到转专业人数指标及科类转专业指标。
根据所述的转专业趋势预测方法,其特征在于,其中S300包括:对经过预 处理的所述原始数据进行累加处理,得到具有规律的数列,根据所述数列进行建 模,得到对应的灰色预测模型,通过灰色预测模型对所述原始数据进行所述第一 次预测,得到一个或多个所述时间间隔的预测结果。
根据所述的转专业趋势预测方法,其特征在于,其中S400包括:根据学生 所属学院进行文理工三科划分,通过数据统计可计算出三大类之间的转换概率, 得出转换概率矩阵;初始化所述转换概率矩阵,通过马尔科夫稳态分布模型对所 述原始数据进行预测,得到第二所述预测结果。
根据所述的转专业趋势预测方法,其特征在于,其中第一预测结果为与所 述时间间隔关联的预测结果。
根据所述的转专业趋势预测方法,其特征在于,其中第二预测结果为与学 生对应的学科类型关联的预测结果。
根据所述的转专业趋势预测方法,其特征在于,其中该方法还包括:将所 述第一预测结果与所述第二预测结果通过交互界面进行组合显示。
本发明的技术方案还包括一种转专业趋势预测装置,该装置包括存储器、 处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征 在于,所述处理器执行所述计算机程序时实现任一所述的方法步骤。
本发明的技术方案还包括一种计算机可读存储介质,所述计算机可读存储 介质存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现任 一所述的方法步骤。
本发明的有益效果为:通过马尔科夫进行分年预测,并结合灰色模型进行 细化预测,对大学转专业趋势进行了合理预测,分析出的结果在中、短时期精准 度高,并且直观。
附图说明
下面结合附图和实施例对本发明进一步地说明;
图1所示为根据本发明实施方式的总体流程图。
图2所示为根据本发明实施方式的装置及介质图。
图3所示为根据本发明实施方式的具体预测流程图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示 出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象 地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范 围的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上, 大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。
在本发明的描述中,对方法步骤的连续标号是为了方便审查和理解,结合本 发明的整体技术方案以及各个步骤之间的逻辑关系,调整步骤之间的实施顺序并 不会影响本发明技术方案所达到的技术效果。
本发明的描述中,除非另有明确的限定,设置等词语应做广义理解,所属技 术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的 具体含义。
术语解释:
灰色预测模型:该理论通过灰色数据序列建立系统反应模型,并通过该模型 预测系统可能的变化状态。其理论的实质是将无规律的原始数据进行累加生成, 得到规律性较强的生成数列后再重新建模。
马尔科夫模型:马尔科夫链根据系统不同状态之间的转移概率来预测系统的 发展趋势,它和系统当前的状态相关,与系统过去的状态无关,适用于预测波动 性较大的数列。
图1所示为根据本发明实施方式的总体流程图,该流程包括:S100,获取 大学在设定的多个时间间隔的转专业对应的原始数据;S200,对所述原始数据进 行预处理;S300,对经过预处理的所述原始数据构建对应的灰色预测模型,并通 过所述灰色预测模型对多个所述时间间隔进行第一次预测;S400,根据对经过预 处理的所述原始数据及学生所属学院计算各学院之间的转换概率,构建转换概率 矩阵,基于所述转换概率矩阵构建马尔科夫预测模型并进行第二次预测。
如图1所示的流程,本发明具体公开了以下实施例:
灰色预测模型
(1)模型的建立
GM(1,1)模型的一阶常微分方程为:
上式中,a为待辨识参数,也称发展系数;b为待辨识内生变量,也称灰作 用量。
设原始序列X(0)及残差序列E的方差分别为S1 2和S2 2,则:
计算后验差比为:C=S2/S1,通过对比下方参照表可以检验模型准确度,如 表3所示。
表3精度检验等级参照表
模型精度等级 | 均方差比值C |
1级(好) | C<=0.35 |
2级(合格) | 0.35<C<=0.5 |
3级(勉强) | 0.5<C<=0.65 |
4级(不合格) | 0.65<C |
于是可得到灰色预测的离散时间响应函数为:
还原为原始数列,预测模型为:
将时间响应函数代入预测模型,将预测值还原即为:
(2)模型的求解
对各年学生转专业总人数做频数统计,得出2016年为174名、2017年为 299名、2018年为342名、2019年为449名。
则原始时间序列X(0)={174,299,342,449},对数据进行累加求和
得出累加生成数列X(1)={174,473,815,1264}
建立灰微分方程:
X(0)(t)+az(1)(t)=b t=2,3,4
相应的GM(1,1)白化微分方程为:
原始序列X(0)及残差序列E的方差分别为S1 2和S2 2,则:
利用Matlab对模型进行求解,得到S1=98.5114,S2=18.5919,a=-0.2118, b=221.6101,后验差比C=S2/S1=0.18873<0.35,表明模型所得计算值与实际值之 差并不离散,模型准确度高。
GM(1,1)模型的离散解:
还原为原始数列预测模型为:
将上述求得a=-0.2118,b=221.6101代入模型解得:
综上所述,根据预测模型可以看出,每年的转专业总人数在一定的范围内 与时间呈正相关的关系,转专业的趋势逐年上升。
马尔科夫模型
(1)模型的建立,对于需要计算的三科专业转入概率,不可能无限制的增 长或降低,随着预测的年份增加,概率逐渐趋于稳定状态,符合马尔科夫链的性 质要求,因此,可以考虑运用马尔科夫链建立学生转专业趋势的预测模型。
利用状态转移概率和系统的初始状态,建立如下马尔科夫预测模型:
设系统初始状态时,k=0。经过k次转移后,达到状态的概率为Si(k),则有 ∑St(k)=1。
由切普曼柯尔莫戈诺夫方程得:Sj(k+1)=Sj(k)*pij(k=0,1,2,…)
用向量表示:S(K+1)=S(k)*P(k=0,1,2,…)
可得递推公式:
S(k+1)=S(k)*P=S(k-1)*P2=S(0)*Pk+1(k=0,1,2,…)
设在n时系统为稳定状态,利用马尔科夫稳态分布模型可得到预测结果的 极值Xn:
Xn=S(k)*Pij n(k=0,1,2,…)
利用以上公式可对系统进行预测。
(2)模型的求解
为了细化大学生转专业的趋势分析,按学生所属学院进行文理工三科划分。
根据滨海大学2015级转专业学生名单,获得相关资料,如表4所示。
表4 2015级各科转入情况
从表4中可以看出,2015级文科类、理科类、工科类的转专业学生总数分 别为55,79,40。由于各方面原因,部分学生开学后申请转专业,其中文科类 转文科类的学生概率为51/55=0.927273,文科类转理科类的学生概率为 3/55=0.054545,文科类转工科类的学生概率为1/55=0.018182。以同样的方法可 计算出理科类,工科类学生转到其他类的概率。经过转专业后的三科实际学生数 为91,66,17,实际转专业概率为0.522988,0.379310,,0.097701,即初期 S(0)=(0.522988,0.379310,0.097701)。
利用转移概率,可得转移矩阵为:
根据切普曼柯尔莫戈诺夫方程可预测2016级文科类,理科类,工科类学生 转专业概率S(1):
即2016级的文科、理科、工科专业转入概率的预测值分别为0.6322、0.3003、0.0675。
根据2016级实际的学生转专业数据,与预测值进行数据分析,得到如表5 所示的结果。
表5 2016级转专业预测值与实际值的误差
文科 | 理科 | 工科 | |
实际值 | 167 | 102 | 30 |
预测值 | 189.0278 | 89.7897 | 20.1825 |
误差人数 | 22.0278 | 12.2103 | 9.8175 |
相对误差 | 0.131903 | 0.119709 | 0.327250 |
可得三科预测值与实际值相对误差较小,可以认为用马尔科夫算法计算三 科转入概率是可行的。
若有限状态马尔科夫链是不可约和非周期的,则它的平稳分布唯一,从任 意的初始分布出发,当n>∞时,Xn的分布必定趋向于此平稳分布。
模型中的符号说明如表6所示。
表6模型中的符号
图2所示为根据本发明实施方式的装置及介质图。装置包括存储器100及 处理器200,其中处理器200存储有计算机程序,计算机程序用于执行:获取大 学在设定的多个时间间隔的转专业对应的原始数据;对所述原始数据进行预处 理;对经过预处理的所述原始数据构建对应的灰色预测模型,并通过所述灰色预 测模型对多个所述时间间隔进行第一次预测;根据对经过预处理的所述原始数据 及学生所属学院计算各学院之间的转换概率,构建转换概率矩阵,基于所述转换 概率矩阵构建马尔科夫预测模型并进行第二次预测。其中,存储器100用于存储 数据。
图3所示为根据本发明实施方式的具体预测流程图。包括:
数据采集:从某大学2016年-2019年连续四年学生数据库中导出入学和转 专业的原始数据,保存到本地计算机;
数据预处理:对采集的数据从男女生转专业、院系转专业、现专业人数排 名情况和转专业的文理工科情况等四个方面进行了预处理;
建立模型:
第一步,在数据处理中统计出2016年、2017年、2018年、2019年转专业 的学生总数,以每年的总人数为原始时间序列,建立灰色预测模型,预测未来几 年内的转专业趋势变化。
第二步,为了细化大学生转专业的趋势分析,按学生所属学院进行文理工 三科划分,通过数据统计可计算出三大类之间的转换概率,得出转换概率矩阵, 建立马尔科夫预测模型,预测各大类的学生转专业趋势。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施 例,在技术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。
Claims (10)
1.一种转专业趋势预测方法,其特征在于,该方法包括:
S100,获取大学在设定的多个时间间隔的转专业对应的原始数据;
S200,对所述原始数据进行预处理;
S300,对经过预处理的所述原始数据构建对应的灰色预测模型,并通过所述灰色预测模型对多个所述时间间隔进行第一次预测;
S400,根据对经过预处理的所述原始数据及学生所属学院计算各学院之间的转换概率,构建转换概率矩阵,基于所述转换概率矩阵构建马尔科夫预测模型并进行第二次预测。
2.根据权利要求1所述的转专业趋势预测方法,其特征在于,所述S100包括:其中原始数据包括以年作为所述时间间隔的入学数据及对应的转专业数据。
3.根据权利要求1所述的转专业趋势预测方法,其特征在于,所述S200包括:从学生的男女生转专业、院系转专业、现专业人数排名情况和转专业的文理工科进行预处理,得到转专业人数指标及科类转专业指标。
4.根据权利要求1所述的转专业趋势预测方法,其特征在于,所述S300包括:对经过预处理的所述原始数据进行累加处理,得到具有规律的数列,根据所述数列进行建模,得到对应的灰色预测模型,通过灰色预测模型对所述原始数据进行所述第一次预测,得到一个或多个所述时间间隔的预测结果。
5.根据权利要求1所述的转专业趋势预测方法,其特征在于,所述S400包括:
根据学生所属学院进行文理工三科划分,通过数据统计可计算出三大类之间的转换概率,得出转换概率矩阵;
初始化所述转换概率矩阵,通过马尔科夫稳态分布模型对所述原始数据进行预测,得到第二所述预测结果。
6.根据权利要求1所述的转专业趋势预测方法,其特征在于,所述第一预测结果为与所述时间间隔关联的预测结果。
7.根据权利要求1所述的转专业趋势预测方法,其特征在于,所述第二预测结果为与学生对应的学科类型关联的预测结果。
8.根据权利要求1所述的转专业趋势预测方法,其特征在于,该方法还包括:将所述第一预测结果与所述第二预测结果通过交互界面进行组合显示。
9.一种转专业趋势预测装置,该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8任一所述的方法步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010647114.0A CN111985679A (zh) | 2020-07-07 | 2020-07-07 | 转专业趋势预测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010647114.0A CN111985679A (zh) | 2020-07-07 | 2020-07-07 | 转专业趋势预测方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985679A true CN111985679A (zh) | 2020-11-24 |
Family
ID=73439166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010647114.0A Pending CN111985679A (zh) | 2020-07-07 | 2020-07-07 | 转专业趋势预测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985679A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850916A (zh) * | 2015-05-31 | 2015-08-19 | 上海电机学院 | 一种改进型灰色马尔可夫模型的电力设备故障预测方法 |
CN109189834A (zh) * | 2018-09-04 | 2019-01-11 | 温州大学 | 基于无偏灰色模糊马尔科夫链模型的电梯可靠性预测方法 |
-
2020
- 2020-07-07 CN CN202010647114.0A patent/CN111985679A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850916A (zh) * | 2015-05-31 | 2015-08-19 | 上海电机学院 | 一种改进型灰色马尔可夫模型的电力设备故障预测方法 |
CN109189834A (zh) * | 2018-09-04 | 2019-01-11 | 温州大学 | 基于无偏灰色模糊马尔科夫链模型的电梯可靠性预测方法 |
Non-Patent Citations (1)
Title |
---|
程伟: "马尔科夫模型在大学生转专业趋势预测中的应用", 《宿州学院学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kock | Should bootstrapping be used in pls-sem? Toward stable p-value calculation methods | |
Western et al. | 9. variance function regressions for studying inequality | |
Klein Entink et al. | A multivariate multilevel approach to the modeling of accuracy and speed of test takers | |
Boubeta et al. | Empirical best prediction under area-level Poisson mixed models | |
Dalla Valle et al. | A Bayesian approach to estimate the marginal loss distributions in operational risk management | |
Rahman | Bayesian quantile regression for ordinal models | |
Oravecz et al. | Hierarchical Bayesian modeling for test theory without an answer key | |
Knapp et al. | Representing parametric order constraints in multi-trial applications of multinomial processing tree models | |
Esogbue et al. | Fuzzy sets and the modelling of physician decision processes, part II: fuzzy diagnosis decision models | |
Chiu | Scoring performance assessments based on judgements: generalizability theory | |
Mohammed et al. | Mean Monte Carlo finite difference method for random sampling of a nonlinear epidemic system | |
Mulesa et al. | Optimal alternative selection models in a multi-stage decision-making process | |
Andersson et al. | Estimation of latent regression item response theory models using a second-order Laplace approximation | |
Nieto | Modeling bivariate threshold autoregressive processes in the presence of missing data | |
Ma | A higher-order cognitive diagnosis model with ordinal attributes for dichotomous response data | |
Zhang et al. | Inference for random coefficient INAR (1) process based on frequency domain analysis | |
Lee et al. | Comparing random effects models, ordinary least squares, or fixed effects with cluster robust standard errors for cross-classified data. | |
Chen et al. | Kernel density regression | |
Lee et al. | A poor person’s posterior predictive checking of structural equation models | |
Song et al. | Bayesian analysis of semiparametric hidden Markov models with latent variables | |
Zens et al. | Efficient Bayesian modeling of binary and categorical data in R: The UPG package | |
Hajargasht et al. | Accurate computation of marginal data densities using variational Bayes | |
Nachane | Dynamic stochastic general equilibrium (DSGE) modelling in practice: identification, estimation and evaluation | |
CN111985679A (zh) | 转专业趋势预测方法、装置及介质 | |
Job et al. | Weibull log logistic {exponential} distribution: some properties and application to survival data |
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: 20201124 |