CN113256039A - 一种航空事故预测方法、装置、设备及介质 - Google Patents

一种航空事故预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN113256039A
CN113256039A CN202110803679.8A CN202110803679A CN113256039A CN 113256039 A CN113256039 A CN 113256039A CN 202110803679 A CN202110803679 A CN 202110803679A CN 113256039 A CN113256039 A CN 113256039A
Authority
CN
China
Prior art keywords
aviation
flight
aviation accident
historical
information
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
Application number
CN202110803679.8A
Other languages
English (en)
Inventor
王宇翔
徐焱
李志凯
卢婷婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Aerospace Hongtu Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aerospace Hongtu Information Technology Co Ltd filed Critical Aerospace Hongtu Information Technology Co Ltd
Priority to CN202110803679.8A priority Critical patent/CN113256039A/zh
Publication of CN113256039A publication Critical patent/CN113256039A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种航空事故预测方法、装置、设备及介质，应用于数据处理技术领域，用以解决现有技术中存在的航空事故预测的精准度较低的问题。具体为：基于各个历史航空事故信息各自对应的历史航空事故的飞行气象信息和飞行状态信息，获得各个历史航空事故的飞行特征向量，基于各个历史航空事故的飞行特征向量，采用ML‑KNN算法进行分类训练，得到航空事故预测模型；针对待预测的航空飞行器，获取航空飞行器的飞行气象信息和飞行状态信息，基于飞行气象信息和飞行状态信息获得飞行特征向量，基于飞行特征向量，采用航空事故预测模型，获得航空事故预测结果。这样，通过航空事故预测模型进行航空事故预测，可以提高航空事故预测的准确度。

Description

一种航空事故预测方法、装置、设备及介质
技术领域
本申请涉及航空航天技术领域，尤其涉及一种航空事故预测方法、装置、设备及介质。
背景技术
航空事故预测是指根据颠簸、积冰、风切变、能见度、雷电和云等航空气象要素，对可能发生的航空事故进行预测。
目前，航空事故预测主要依赖于人工预测，从而导致航空事故预测的精准度较低，可能会对飞行安全造成不利影响。
发明内容
本申请实施例提供了一种航空事故预测方法、装置、设备及介质，用以解决现有技术存在的航空事故预测的精准度较低的问题。
本申请实施例提供的技术方案如下：
一方面，本申请实施例提供了一种航空事故预测方法，包括：
获取航空飞行器的飞行气象信息和飞行状态信息；
基于飞行气象信息和飞行状态信息获得飞行特征向量；
基于飞行特征向量，采用航空事故预测模型，获得航空事故预测结果；其中，航空事故预测模型是基于各个历史航空事故的飞行特征向量进行分类训练获得的用于对航空事故类型和航空事故原因进行预测的模型。
另一方面，本申请实施例提供了一种航空事故预测装置，包括：
信息获取单元，用于获取航空飞行器的飞行气象信息和飞行状态信息；
特征获取单元，用于基于飞行气象信息和飞行状态信息获得飞行特征向量；
事故预测单元，用于基于飞行特征向量，采用航空事故预测模型，获得航空事故预测结果；其中，航空事故预测模型是基于各个历史航空事故的飞行特征向量进行分类训练获得的用于对航空事故类型和航空事故原因进行预测的模型。
另一方面，本申请实施例提供了一种航空事故预测设备，包括：存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现本申请实施例提供的航空事故预测方法。
另一方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令被处理器执行时实现本申请实施例提供的航空事故预测方法。
本申请实施例的有益效果如下：
本申请实施例中，通过航空事故预测模型对航空飞行器的航空事故类型和航空事故原因进行预测，可以提高航空事故预测的准确度，从而可以为航空飞行器的安全飞行提供了更好的保障。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地可以从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中航空事故预测模型训练方法的概况流程示意图；
图2为本申请实施例中航空事故预测方法的概况流程示意图；
图3为本申请实施例中航空气象辅助决策系统界面示意图；
图4为本申请实施例中航空保障建议详情信息示意图；
图5为本申请实施例中航空事故预测装置的功能结构示意图；
图6为本申请实施例中航空事故预测设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及有益效果更加清楚明白，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为便于本领域技术人员更好地理解本申请，下面先对本申请涉及的技术用语进行简单介绍。
1、航空飞行器，为可以在大气层内进行可控飞行的各种飞行器。例如：载客飞机等。
2、历史航空事故信息，为描述航天飞行器的历史航空事故的文本信息。
3、飞行气象信息，为表征航天飞行器在飞行时的天气气象的信息。本申请实施例中，飞行气象信息包括但不限于飞行气象条件和飞行气象实况中的至少一种；其中：
飞行气象条件，为航天飞行器在飞行时面临的气象条件，包括但不限于：暴风、积冰、夜简、昼复、昼简、夜复、乱流、低能见度、夜航、跨昼夜复杂、跨昼夜简单、强对流、冰雹、大雪、大雾、暴雨、火山灰、风切变、雷电、台风等。
飞行气象实况，为航天飞行器在飞行时面临的气象条件对应的各个气象实况，包括但不限于：温度低，积冰/暴风，大雪，低能见度/积冰/大风/积冰，引擎喘振/雷电，暴雨/大雨，乱流，冰雹/低能见度/雷暴，雷电/大雨，雷电/大雾/雷暴/台风，暴雨，低能见度/强对流/雷击，风切变/暴雨/大风，大雪/雷击/暴雨，雷电/大雾，低能见度/台风/特大暴雨，冰雹/大雪/雷雨/台风，雷雨，低能见度/大雾，能见度低/暴风/风切变/大雨，低能见度/火山灰/暴雨，低能见度/多云，大雾/侧风，雷电/下击暴流/大雪，积冰/大雨，大雾等。
值得说的是，为了在不影响航空事故预测的精准度的同时，降低航空事故预测的计算量，本申请实施例中，飞行气象信息可以仅包括飞行气象条件。
4、飞行状态信息，是表征航天飞行器在飞行时的飞行状态的信息。本申请实施例中，飞行状态信息包括但不限于：航天飞行器的飞行科目和飞行阶段；其中：
飞行科目，为表征航天飞行器所属的科目，包括但不限于：载客、巡航、攻截击、演习、航行、起落、空域、仪表、地靶、转场、试飞、轰炸、特技、云中航行、拖靶、打靶、战斗起飞、载弹、编队、表演、云上攻击、侦察天气、云中空域、航线、穿云、截击、跳伞、跨区拉动、轰射、高空特技等。
飞行阶段，为表征航天飞行器在某个航线中的飞行阶段，包括但不限于：起飞、降落、出航、着陆、飞行中、返航等。
5、航空事故预测模型，是基于各个历史航空事故的飞行气象信息和飞行状态信息，获得各个历史航空事故的飞行特征向量后，基于各个历史航空事故的飞行特征向量进行分类训练获得的，用于对航空飞行器的航空事故类型和航空事故原因进行预测的模型。
6、多标签K近邻（Multi-Label K-Nearest Neighbor，ML-KNN）算法，是在训练航空事故预测模型时使用的分类算法，其主要思想是针对新的飞行特征向量，基于距离该飞行特征向量最近的K个历史航空事故的飞行特征向量对应的航空事故类型和航空事故原因，采用最大后验概率准则，确定该飞行特征向量对应的航空事故类型和航空事故原因。
7、航空事故预测结果，为采用航空事故预测模型对航空飞行器可能发生的航空事故进行预测的结果。本申请实施例中，航空事故预测结果包括但不限于航空事故类型和航空事故原因；其中：
航空事故类型，为航空事故预测模型预测出的航空飞行器可能发生的航空事故的类型，包括但不限于：组织指挥失误、操纵错误、机械故障、勤务保障不良、意外危害等。
航空事故原因，为航空事故预测模型预测出的航空飞行器可能发生的航空事故的航空事故原因，包括但不限于：发动机故障、结冰、违章操作、天气掌握不好、风切变、气象保障不良、注意力分配不当、机舱脱落、传感器故障、其它危害、雷电、暴雨、雷暴、鸟撞、特情处置不当、大雾、低能见度、放飞把关不严、起落架故障、台风、低能见度、强对流、人为破坏、剧烈颠簸、火山灰、其它失误等。
在介绍了本申请涉及的技术用语后，接下来，对本申请实施例的应用场景和设计思想进行简单介绍。
目前，航空飞行器的航空事故预测主要依赖于人工预测，航空事故预测的精准度较低，可能会对航空飞行器的飞行安全造成不利影响。为此，本申请实施例中，基于各个历史航空事故信息各自对应的历史航空事故的飞行气象信息和飞行状态信息，获得各个历史航空事故的飞行特征向量，并基于各个历史航空事故的飞行特征向量，采用ML-KNN算法进行分类训练，得到航空事故预测模型后，针对待预测的航空飞行器，获取该航空飞行器的飞行气象信息和飞行状态信息，并基于飞行气象信息和飞行状态信息获得飞行特征向量后，基于飞行特征向量，采用航空事故预测模型，获得该航空飞行器对应的包含航空事故类型和航空事故原因的航空事故预测结果。这样，通过航空事故预测模型对航空飞行器的航空事故类型和航空事故原因进行预测，可以提高航空事故预测的准确度，从而可以为航空飞行器的安全飞行提供了更好的保障。
在介绍了本申请实施例的应用场景和设计思想之后，下面对本申请实施例提供的技术方案进行详细说明。
本申请实施例提供了一种航空事故预测模型训练方法，该航空事故预测模型训练方法可以应用于智能手机、平板电脑、计算机等航空事故预测设备，参阅图1所示，本申请实施例提供的航空事故预测模型训练方法的概况流程如下：
步骤100：获取训练集；其中，训练集中包括各个历史航空事故信息。
实际应用中，航空事故信息通常以新闻文本的形式发布，基于此，本申请实施例中，航空事故预测设备可以基于关键词从网络中爬取历史航空事故文本作为历史航空事故信息，并基于爬取的各个历史航空事故信息获得训练集；其中，训练集中包含的历史航空事故信息的示例内容如下：
西南航空1248号班机是一班由巴尔的摩前往芝加哥的定期航班。2005年12月8日，一架波音737-7H4客机于降落芝加哥中途国际机场时遇上暴风雪，最后冲出跑道并撞上跑道外一条公路上的一架汽车，虽然全机人员生还，但令被撞的汽车上的一名六岁男童约书亚‧伍德兹(Joshua Woods)死亡。飞机航道经过印第安纳州西北部的一场暴风雪时曾因能见度太差而尝试降落，当时能见度只得半英哩至四份一英哩。
步骤101：从训练集包含的各个历史航空事故信息中，选取部分历史航空事故信息作为待训练的历史航空事故信息。
实际应用中，航空事故预测设备可以按照预设比例，从各个历史航空事故信息中，随机选取部分历史航空事故信息作为待训练的历史航空事故信息。例如，航空事故预测设备可以从各个历史航空事故信息中，随机选取95%的历史航空事故信息作为待训练的历史航空事故信息。
步骤102：针对待训练的各个历史航空事故信息，从该历史航空事故信息中提取该历史航空事故信息对应的历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因，并基于该历史航空事故的飞行气象信息和飞行状态信息，获得该历史航空事故的飞行特征向量，以及基于该历史航空事故的航空事故类型和航空事故原因，获得该历史航空事故的真实航空事故类型和真实航空事故原因。
实际应用中，航空事故预测设备针对采集的各个历史航空事故信息，可以对该历史航空事故信息进行分词，得到该历史航空事故信息的各个分词后，从该历史航空事故信息的各个分词中，提取该历史航空事故信息对应的历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因。
在具体实施时，为了能够从历史航空事故信息的各个分词中，提取历史航空事故信息对应的历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因，本申请实施例中，可以预先针对飞行气象条件、飞行科目、飞行阶段、航空事故类型和航空事故原因分别建立一个字典表，航空事故预测设备在从历史航空事故信息的各个分词中，提取历史航空事故信息对应的历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因时，可以将历史航空事故信息的各个分词分别与飞行气象条件、飞行科目、飞行阶段、航空事故类型和航空事故原因各自对应的字典表中的词语进行匹配，从而获得历史航空事故信息对应的历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因。
进一步的，航空事故预测设备获得历史航空事故信息对应的历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因之后，还可以对该历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因进行消歧处理以及同义词合并处理。
进一步的，航空事故预测设备对历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因进行消歧处理以及同义词合并处理后，还可以基于该历史航空事故的航空事故类型和航空事故原因，获得该历史航空事故的真实航空事故类型和真实航空事故原因，以及采用设定编码方式，对该历史航空事故的飞行气象信息和飞行状态信息进行编码，获得该历史航空事故的飞行特征向量。
在具体实施时，航空事故预测设备可以采用独热编码对历史航空事故的飞行气象信息和飞行状态信息进行编码，从而获得该历史航空事故的飞行特征向量。具体的，为了能够对历史航空事故的飞行气象信息和飞行状态信息进行编码，本申请实施例中，还可以针对飞行气象条件、飞行科目和飞行阶段预先设定编码次序，以及针对飞行气象条件、飞行科目和飞行阶段各自对应的字典表中的词语预先设定编码次序，航空事故预测设备在对该历史航空事故的飞行气象信息和飞行状态信息进行编码时，可以基于飞行气象条件、飞行科目和飞行阶段的编码次序，以及飞行气象条件、飞行科目和飞行阶段各自对应的字典表中的词语的编码次序，将该历史航空事故的飞行气象信息和飞行状态信息转换成相应的编码值，得到该历史航空事故的飞行特征向量。
例如：假设飞行阶段有6个维度，编码次序依次为起飞、出航、着陆、飞行中、返航、降落；飞行科目有14个维度，编码次序依次为载客、巡航、演习、航行、起落、空域、仪表、地靶、转场、试飞、攻截击、轰炸、特技、云中航行；飞行气象条件有20个维度，编码次序依次为暴风、夜简、积冰、昼复、昼简、夜复、乱流、低能见度、夜航、跨昼夜复杂、跨昼夜简单、强对流、冰雹、大雪、大雾、暴雨、火山灰、风切变、雷电、台风，则采用独热编码对某个历史航空事故的飞行气象信息和飞行状态信息进行编码获得的该历史航空事故的飞行特征向量为[00 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]，该飞行特征向量表征飞行阶段为着陆、飞行科目为攻截击、飞行气象条件为夜简。
步骤103：基于各个历史航空事故信息对应的历史航空事故的飞行特征向量、真实航空事故类型和真实航空事故原因，采用ML-KNN算法进行模型训练，得到航空事故预测模型。
实际应用中，航空事故预测设备在训练航空事故预测模型时，可以采用但不限于以下方式：
（1）航空事故预测设备针对各个历史航空事故的飞行特征向量
Figure M_210715152021888_888512001
，采用下述公式计算该历史航空事故的飞行特征向量
Figure M_210715152022001_001186002
与其他历史航空事故的飞行特征向量
Figure M_210715152022063_063786003
之间的欧式距离，并选取K个最近邻
Figure M_210715152022127_127619004
。
Figure M_210715152022191_191983001
其中，
Figure M_210715152022254_254707001
表征某个历史航空事故的飞行特征向量，
Figure M_210715152022285_285897002
表征除飞行特征向量
Figure M_210715152022301_301524003
之外的其他历史航空事故的飞行特征向量，
Figure M_210715152022333_333693004
表征飞行特征向量
Figure M_210715152022365_365637005
与飞行特征向量
Figure M_210715152022396_396789006
的欧氏距离。
值得说的是，本申请实施例中，由于每个历史航空事故的飞行特征向量
Figure M_210715152022427_427966001
是采用独热编码获得的，取值均为0或1，因此无需进行归一化处理，可以直接采用上述公式进行距离计算，得到K个最近邻
Figure M_210715152022459_459362002
。
（2）航空事故预测设备采用下述公式计算各个标签（包括但不限于：各个航空事故类型和各个航空事故类型对应的航空事故原因）出现的先验概率。
Figure M_210715152022490_490471001
Figure M_210715152022555_555410001
(1
Figure M_210715152022602_602261002
其中，
Figure M_210715152022633_633569001
表征标签j出现，
Figure M_210715152022664_664918002
表征标签
Figure M_210715152022696_696185003
出现的概率（=1），
Figure M_210715152022728_728232004
表征标签
Figure M_210715152022760_760004005
不出现，
Figure M_210715152022775_775591006
表征标签
Figure M_210715152022822_822536007
不出现概率（=0），
Figure M_210715152022853_853721008
表征标签的总数，
Figure M_210715152022869_869329009
表征各个历史航空事故的飞行特征向量的总数（即样本总数），
Figure M_210715152022900_900679010
表征平滑项（通常取1），
Figure M_210715152022932_932807011
表征标签集合，
Figure M_210715152022949_949044012
表示在样本
Figure M_210715152022980_980247013
中出现标签
Figure M_210715152023011_011424014
（出现取值为1，不出现取值为0）。
（3）航空事故预测设备采用下述公式统计所有历史航空事故的K个最近邻
Figure M_210715152023042_042738001
中标签
Figure M_210715152023073_073994002
出现的次数。
Figure M_210715152023089_089599001
Figure M_210715152023137_137872001
Figure M_210715152023200_200917001
其中，
Figure M_210715152023279_279082001
表征对所有样本进行累计，其求和公式表征样本
Figure M_210715152023310_310346002
出现标签
Figure M_210715152023344_344195003
且样本
Figure M_210715152023374_374280004
的K个最近邻
Figure M_210715152023390_390032005
中标签
Figure M_210715152023421_421103006
出现次数
Figure M_210715152023452_452393007
，
Figure M_210715152023468_468042008
的求和公式表征样本
Figure M_210715152023499_499412009
不含标签
Figure M_210715152023532_532093010
但样本
Figure M_210715152023563_563701011
的K个最近邻
Figure M_210715152023594_594986012
中标签为
Figure M_210715152023626_626197013
的个数为
Figure M_210715152023642_642225014
的样本总数，
Figure M_210715152023673_673184015
表征样本
Figure M_210715152023704_704339016
的K个最近邻
Figure M_210715152023736_736994017
中标签
Figure M_210715152023784_784528018
出现的个数。
（4）航空事故预测设备基于所有历史航空事故的K个最近邻
Figure M_210715152023831_831419001
中标签
Figure M_210715152023878_878145002
出现的次数，确定所有历史航空事故的预测航空事故类型和预测航空事故原因。
（5）航空事故预测设备基于所有历史航空事故的预测航空事故类型和预测航空事故原因以及所有历史航空事故的真实航空事故类型和真实航空事故原因，确定航空事故预测模型的最佳模型参数（包括但不限于K值）。
在具体实施时，在一个实施例中，航空事故预测设备可以依次对K进行取值，并依次对航空事故预测模型进行训练，根据不同K值进行训练获得的各个历史航空事故的预测航空事故类型和预测航空事故原因以及各个历史航空事故的真实航空事故类型和真实航空事故原因，确定航空事故预测模型的最佳模型参数；在另一个实施例中，航空事故预测设备也可以基于所有历史航空事故的预测航空事故类型和预测航空事故原因以及所有历史航空事故的真实航空事故类型和真实航空事故原因，采用交叉熵损失函数，确定交叉熵损失值，并基于交叉熵损失值，确定航空事故预测模型的最佳模型参数。
值得说的是，航空事故预测设备基于各个历史航空事故信息对应的历史航空事故的飞行特征向量，采用ML-KNN算法进行分类训练，得到航空事故预测模型后，还可以从训练集包含的各个历史航空事故信息中，选取另一部分历史航空事故信息作为待优化训练的历史航空事故信息，并基于待优化训练的历史航空事故信息，对航空事故预测模型进行优化训练，得到优化后的航空事故预测模型。经实测，针对目前的历史航空事故案例情况，K=2为航空事故预测模型的最佳模型参数。
进一步的，在完成航空事故预测模型的训练和优化后，可以采用该航空事故预测模型对航空飞行器进行航天事故预测，具体的，参阅图2所示，本申请实施例提供的航空事故预测方法的概况流程如下：
步骤201：获取航空飞行器的飞行气象信息和飞行状态信息。
在具体实施时，航空事故预测设备获取航空飞行器的飞行气象信息和飞行状态信息时，可以采用但不限于以下方式：针对航空飞行器的目标航线的各个飞行阶段，基于飞行阶段的飞行时间获取飞行阶段的飞行气象，并基于飞行气象获得飞行气象信息，以及基于飞行阶段和航空飞行器的飞行科目获得飞行状态信息。
步骤202：基于飞行气象信息和飞行状态信息获得飞行特征向量。
在具体实施时，航空事故预测设备可以采用设定编码方式，对飞行气象信息和飞行状态信息进行编码，得到飞行特征向量。具体的，航空事故预测设备可以采用独热编码，对飞行气象信息和飞行状态信息进行编码，得到飞行特征向量。
步骤203：基于飞行特征向量，采用航空事故预测模型，获得航空事故预测结果。
在具体实施时，航空事故预测设备可以直接将飞行特征向量输入航空事故预测模型，通过航空事故预测模型采用如下方式获得航空事故预测结果：
（1）航空事故预测设备通过航空事故预测模型，采用下述公式计算航空飞行器的飞行特征向量
Figure M_210715152023893_893793001
与历史航空事故的飞行特征向量
Figure M_210715152023925_925056002
之间的欧式距离，并选取K个最近邻
Figure M_210715152023942_942547003
。
Figure M_210715152023973_973853001
其中，
Figure M_210715152024005_005675001
表征航空飞行器的飞行特征向量，
Figure M_210715152024036_036838002
表征历史航空事故的飞行特征向量，
Figure M_210715152024052_052481003
表征飞行特征向量
Figure M_210715152024083_083286004
与飞行特征向量
Figure M_210715152024099_099352005
的欧氏距离。
（2）航空事故预测设备通过航空事故预测模型，采用下述公式计算航空飞行器的飞行特征向量
Figure M_210715152024132_132021001
的K个最近邻
Figure M_210715152024163_163816002
中标签
Figure M_210715152024179_179605003
出现的个数。
Figure M_210715152024210_210668001
其中，
Figure M_210715152024257_257546001
表征航空飞行器的飞行特征向量
Figure M_210715152024273_273165002
的K个最近邻
Figure M_210715152024304_304431003
中标签
Figure M_210715152024320_320038004
出现的个数，
Figure M_210715152024354_354244005
表征航空飞行器的飞行特征向量
Figure M_210715152024385_385500006
的K个最近邻
Figure M_210715152024401_401125007
中的样本集，其样本标识为
Figure M_210715152024432_432325008
，Y*为其分类标签，
Figure M_210715152024463_463607009
表征
Figure M_210715152024479_479211010
样本集中包含分类标签
Figure M_210715152024510_510508011
。
（3）航空事故预测设备通过航空事故预测模型，采用下述公式计算航空飞行器的飞行特征向量
Figure M_210715152024543_543255001
对应的所有标签的取值。
Figure M_210715152024559_559281001
Figure M_210715152024606_606195001
Figure M_210715152024684_684453001
Figure M_210715152024746_746402001
其中，
Figure M_210715152024824_824519001
表征航空飞行器的飞行特征向量
Figure M_210715152024871_871373002
的K个最近邻
Figure M_210715152024902_902670003
中标签
Figure M_210715152024934_934773004
出现个数为
Figure M_210715152024966_966164005
的条件下，航空飞行器的分类标签值
Figure M_210715152024997_997798006
也出现的概率，
Figure M_210715152025029_029044007
表征航空飞行器的飞行特征向量
Figure M_210715152025075_075893008
的K个最近邻
Figure M_210715152025091_091558009
中标签
Figure M_210715152025139_139337010
出现个数为
Figure M_210715152025169_169274011
的条件下，航空飞行器的分类标签值
Figure M_210715152025200_200943012
不出现的概率，
Figure M_210715152025247_247851013
表征标签
Figure M_210715152025279_279819014
出现的概率，
Figure M_210715152025310_310341015
表征标签
Figure M_210715152025343_343019016
出现的条件下，航空飞行器的飞行特征向量
Figure M_210715152025374_374337017
的K个最近邻
Figure M_210715152025405_405216018
中标签
Figure M_210715152025437_437231019
出现个数为
Figure M_210715152025468_468122020
的概率，
Figure M_210715152025499_499256021
表征标签
Figure M_210715152025532_532264022
不出现概率（=0），P
Figure M_210715152025550_550029023
表征标签
Figure M_210715152025581_581291024
不出现的条件下，航空飞行器的飞行特征向量
Figure M_210715152025612_612569025
的K个最近邻
Figure M_210715152025643_643883026
中标签
Figure M_210715152025676_676464027
出现个数为
Figure M_210715152025706_706753028
的概率，
Figure M_210715152025754_754607029
表征表征平滑项（通常取1）。
（4）航空事故预测设备基于航空飞行器的飞行特征向量
Figure M_210715152025770_770225001
对应的所有标签的取值，确定包含航空事故类型和航空事故原因的航空事故预测结果。
进一步的，航空事故预测设备获得航空事故预测结果之后，还可以确定与航空事故预测结果相匹配的航空保障建议，并在航空飞行器飞行过程中，显示如图3所示的航空气象辅助决策系统界面中的航空保障建议，此外，若接收到在如图3所示的航空气象辅助决策系统界面上通过点击生成航空保障建议控件发起的航空保障建议详情查看指令，则还可以显示如图4所示的航空保障建议，实际应用中，航空事故预测设备显示航空保障建议时，还可以显示与航空事故预测结果相匹配的历史航空事故。
值得说的是，本申请实施例中，航空事故预测设备若基于飞行特征向量，采用航空事故预测模型，未获得航空事故预测结果，则可以确定航空飞行器飞行安全。进一步的，航空事故预测设备也可以在航空飞行器飞行过程中，显示表征飞行安全的提示信息。
基于上述实施例，本申请实施例提供了一种航空事故预测装置，参阅图5所示，本申请实施例提供的航空事故预测装置500至少包括：
信息获取单元501，用于获取航空飞行器的飞行气象信息和飞行状态信息；
特征获取单元502，用于基于飞行气象信息和飞行状态信息获得飞行特征向量；
事故预测单元503，用于基于飞行特征向量，采用航空事故预测模型，获得航空事故预测结果；其中，航空事故预测模型是基于各个历史航空事故的飞行特征向量进行分类训练获得的用于对航空事故类型和航空事故原因进行预测的模型。
在一种可能的实施方式中，获取航空飞行器的飞行气象信息和飞行状态信息时，信息获取单元501具体用于：
针对航空飞行器的目标航线的各个飞行阶段，基于飞行阶段的飞行时间获取飞行阶段的飞行气象，并基于飞行气象获得飞行气象信息，以及基于飞行阶段和航空飞行器的飞行科目获得飞行状态信息。
在一种可能的实施方式中，基于飞行气象信息和飞行状态信息获得飞行特征向量时，特征获取单元502具体用于：
采用设定编码方式，对飞行气象信息和飞行状态信息进行编码，得到飞行特征向量。
在一种可能的实施方式中，设定编码方式为独热编码。
在一种可能的实施方式中，本申请实施例提供的航天事故预测装置500还包括：
模型训练单元504，用于获取训练集；其中，训练集中包括各个历史航空事故信息；从训练集包含的各个历史航空事故信息中，选取部分历史航空事故信息作为待训练的历史航空事故信息；针对待训练的各个历史航空事故信息，从历史航空事故信息中，提取历史航空事故信息对应的历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因，并基于历史航空事故的飞行气象信息和飞行状态信息，获得历史航空事故的飞行特征向量，以及基于历史航空事故的航空事故类型和航空事故原因，获得历史航空事故的真实航空事故类型和真实航空事故原因；基于待训练的各个历史航空事故信息对应的历史航空事故的飞行特征向量、真实航空事故类型和真实航空事故原因，采用多标签分类的ML-KNN算法进行模型训练，得到航空事故预测模型。
在一种可能的实施方式中，采集历史航空事故信息时，模型训练单元504具体用于：
基于关键词从网络中爬取历史航空事故文本作为历史航空事故信息，并基于爬取的各个历史航空事故信息获得训练集。
在一种可能的实施方式中，从历史航空事故信息中，提取历史航空事故信息对应的历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因时，模型训练单元504具体用于：
对历史航空事故信息进行分词，得到历史航空事故信息的各个分词；
从历史航空事故信息的各个分词中，提取历史航空事故信息对应的历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因。
在一种可能的实施方式中，从历史航空事故信息中，提取历史航空事故信息对应的历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因之后，模型训练单元504还用于：
对历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因进行消歧处理以及同义词合并处理。
在一种可能的实施方式中，模型训练单元504还用于：
从训练集包含的各个历史航空事故信息中，选取另一部分历史航空事故信息作为待优化训练的历史航空事故信息；
基于待优化训练的各个历史航空事故信息，对航空事故预测模型进行优化训练。
在一种可能的实施方式中，事故预测单元503还用于：
基于飞行特征向量，采用航空事故预测模型，未获得航空事故预测结果时，确定航空飞行器飞行安全。
在一种可能的实施方式中，本申请实施例提供的航空事故预测装置500还包括：
信息显示单元505，用基于飞行特征向量，采用航空事故预测模型，获得航空事故预测结果之后，确定与航空事故预测结果相匹配的航空保障建议，并在航空飞行器飞行过程中，显示航空保障建议。
在一种可能的实施方式中，显示航空保障建议时，信息显示单元505还用于：
显示与航空事故预测结果相匹配的历史航天事故。
需要说明的是，本申请实施例提供的航空事故预测装置500解决技术问题的原理与本申请实施例提供的航空事故预测方法相似，因此，本申请实施例提供的航空事故预测装置500的实施可以参见本申请实施例提供的航空事故预测方法的实施，重复之处不再赘述。
在介绍了本申请实施例提供的航空事故预测方法和装置之后，接下来，对本申请实施例提供的航空事故预测设备进行简单介绍。
参阅图6所示，本申请实施例提供的航空事故预测设备600至少包括：处理器601、存储器602和存储在存储器602上并可在处理器601上运行的计算机程序，处理器601执行计算机程序时实现本申请实施例提供的航空事故预测方法。
需要说明的是，图6所示的航空事故预测设备600仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供的航空事故预测设备600还可以包括连接不同组件（包括处理器601和存储器602）的总线603。其中，总线603表示几类总线结构中的一种或多种，包括存储器总线、外围总线、局域总线等。
存储器602可以包括易失性存储器形式的可读介质，例如随机存储器（RandomAccess Memory，RAM）6021和/或高速缓存存储器6022，还可以进一步包括只读存储器（ReadOnly Memory，ROM）6023。
存储器602还可以包括具有一组（至少一个）程序模块6024的程序工具6025，程序模块6024包括但不限于：操作子系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
航空事故预测设备600也可以与一个或多个外部设备604（例如键盘、遥控器等）通信，还可以与一个或者多个使得用户能与航空事故预测设备600交互的设备通信（例如手机、电脑等），和/或，与使得航空事故预测设备600与一个或多个其它航空事故预测设备600进行通信的任何设备（例如路由器、调制解调器等）通信。这种通信可以通过输入/输出（Input /Output，I/O）接口605进行。并且，航空事故预测设备600还可以通过网络适配器606与一个或者多个网络（例如局域网（Local Area Network，LAN），广域网（Wide AreaNetwork，WAN）和/或公共网络，例如因特网）通信。如图6所示，网络适配器606通过总线603与航空事故预测设备600的其它模块通信。应当理解，尽管图6中未示出，可以结合航空事故预测设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列（Redundant Arrays of Independent Disks，RAID）子系统、磁带驱动器以及数据备份存储子系统等。
下面对本申请实施例提供的计算机可读存储介质进行介绍。本申请实施例提供的计算机可读存储介质存储有计算机指令，计算机指令被处理器执行时实现本申请实施例提供的航空事故预测方法。具体地，该可执行程序可以内置或者安装在航空事故预测设备600中，这样，航空事故预测设备600就可以通过执行内置或者安装的可执行程序实现本申请实施例提供的航空事故预测方法。
此外，本申请实施例提供的航空事故预测方法还可以实现为一种程序产品，该程序产品包括程序代码，当该程序产品可以在航空事故预测设备600上运行时，该程序代码用于使航空事故预测设备600执行本申请实施例提供的航空事故预测方法。
本申请实施例提供的程序产品可以采用一个或多个可读介质的任意组合，其中，可读介质可以是可读信号介质或者可读存储介质，而可读存储介质可以是但不限于是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合，具体地，可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、RAM、ROM、可擦式可编程只读存储器（Erasable Programmable Read Only Memory，EPROM）、光纤、便携式紧凑盘只读存储器（Compact Disc Read-Only Memory，CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请实施例提供的程序产品可以采用CD-ROM并包括程序代码，还可以在计算设备上运行。然而，本申请实施例提供的程序产品不限于此，在本申请实施例中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (15)

1.一种航空事故预测方法，其特征在于，包括：
获取航空飞行器的飞行气象信息和飞行状态信息；
基于所述飞行气象信息和所述飞行状态信息获得飞行特征向量；
基于所述飞行特征向量，采用航空事故预测模型，获得航空事故预测结果；其中，所述航空事故预测模型是基于各个历史航空事故的飞行特征向量进行分类训练获得的用于对航空事故类型和航空事故原因进行预测的模型。
2.如权利要求1所述的航空事故预测方法，其特征在于，获取航空飞行器的飞行气象信息和飞行状态信息，包括：
针对所述航空飞行器的目标航线的各个飞行阶段，基于所述飞行阶段的飞行时间获取所述飞行阶段的飞行气象，并基于所述飞行气象获得所述飞行气象信息，以及基于所述飞行阶段和所述航空飞行器的飞行科目获得所述飞行状态信息。
3.如权利要求1所述的航空事故预测方法，其特征在于，基于所述飞行气象信息和所述飞行状态信息获得飞行特征向量，包括：
采用设定编码方式，对所述飞行气象信息和所述飞行状态信息进行编码，得到所述飞行特征向量。
4.如权利要求3所述的航空事故预测方法，其特征在于，所述设定编码方式为独热编码。
5.如权利要求1-4任一项所述的航空事故预测方法，其特征在于，基于各个历史航空事故的飞行特征向量进行分类训练，获得所述航空事故预测模型，包括：
获取训练集；其中，所述训练集中包括各个历史航空事故信息；
从所述训练集包含的各个历史航空事故信息中，选取部分历史航空事故信息作为待训练的历史航空事故信息；
针对待训练的各个历史航空事故信息，从所述历史航空事故信息中，提取所述历史航空事故信息对应的历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因，并基于所述历史航空事故的飞行气象信息和飞行状态信息，获得所述历史航空事故的飞行特征向量，以及基于所述历史航空事故的航空事故类型和航空事故原因，获得所述历史航空事故的真实航空事故类型和真实航空事故原因；
基于所述待训练的各个历史航空事故信息对应的历史航空事故的飞行特征向量、真实航空事故类型和真实航空事故原因，采用多标签分类的ML-KNN算法进行模型训练，得到所述航空事故预测模型。
6.如权利要求5所述的航空事故预测方法，其特征在于，获取训练集，包括：
基于关键词从网络中爬取历史航空事故文本作为历史航空事故信息，并基于爬取的各个历史航空事故信息获得所述训练集。
7.如权利要求5所述的航空事故预测方法，其特征在于，从所述历史航空事故信息中，提取所述历史航空事故信息对应的历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因，包括：
对所述历史航空事故信息进行分词，得到所述历史航空事故信息的各个分词；
从所述历史航空事故信息的各个分词中，提取所述历史航空事故信息对应的历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因。
8.如权利要求5所述的航空事故预测方法，其特征在于，从所述历史航空事故信息中，提取所述历史航空事故信息对应的历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因之后，还包括：
对所述历史航空事故的飞行气象信息、飞行状态信息、航空事故类型和航空事故原因进行消歧处理以及同义词合并处理。
9.如权利要求5所述的航空事故预测方法，其特征在于，还包括：
从所述训练集包含的各个历史航空事故信息中，选取另一部分历史航空事故信息作为待优化训练的历史航空事故信息；
基于待优化训练的各个历史航空事故信息，对所述航空事故预测模型进行优化训练。
10.如权利要求1-4任一项所述的航空事故预测方法，其特征在于，还包括：
基于所述飞行特征向量，采用所述航空事故预测模型，未获得航空事故预测结果时，确定所述航空飞行器飞行安全。
11.如权利要求1-4任一项所述的航空事故预测方法，其特征在于，基于所述飞行特征向量，采用航空事故预测模型，获得航空事故预测结果之后，还包括：
确定与所述航空事故预测结果相匹配的航空保障建议，并在所述航空飞行器飞行过程中，显示所述航空保障建议。
12.如权利要求11所述的航空事故预测方法，其特征在于，显示所述航空保障建议时，还包括：
显示与所述航空事故预测结果相匹配的历史航空事故。
13.一种航空事故预测装置，其特征在于，包括：
信息获取单元，用于获取航空飞行器的飞行气象信息和飞行状态信息；
特征获取单元，用于基于所述飞行气象信息和所述飞行状态信息获得飞行特征向量；
事故预测单元，用于基于所述飞行特征向量，采用航空事故预测模型，获得航空事故预测结果；其中，所述航空事故预测模型是基于各个历史航空事故的飞行特征向量进行分类训练获得的用于对航空事故类型和航空事故原因进行预测的模型。
14.一种航空事故预测设备，其特征在于，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-12任一项所述的航空事故预测方法。
15.一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存储有计算机指令，所述计算机指令被处理器执行时实现如权利要求1-12任一项所述的航空事故预测方法。
CN202110803679.8A 2021-07-16 2021-07-16 一种航空事故预测方法、装置、设备及介质 Pending CN113256039A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110803679.8A CN113256039A (zh) 2021-07-16 2021-07-16 一种航空事故预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110803679.8A CN113256039A (zh) 2021-07-16 2021-07-16 一种航空事故预测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN113256039A true CN113256039A (zh) 2021-08-13

Family

ID=77180463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110803679.8A Pending CN113256039A (zh) 2021-07-16 2021-07-16 一种航空事故预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113256039A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110365951A (zh) * 2018-04-10 2019-10-22 佛山市顺德区美的电热电器制造有限公司 一种投影调整方法、投影设备、服务器及计算机存储介质
CN112633361A (zh) * 2020-12-20 2021-04-09 中国人民解放军空军预警学院 一种基于lstm神经网络的飞行紧急事件预测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110365951A (zh) * 2018-04-10 2019-10-22 佛山市顺德区美的电热电器制造有限公司 一种投影调整方法、投影设备、服务器及计算机存储介质
CN112633361A (zh) * 2020-12-20 2021-04-09 中国人民解放军空军预警学院 一种基于lstm神经网络的飞行紧急事件预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
纪亚亮: "面向慢性乙型肝炎病例的多标记学习应用研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 *

Similar Documents

Publication Publication Date Title
CN104406580B (zh) 一种通用航空飞行器的导航方法、装置和系统
EP3657473A1 (en) Weather avoidance tool system
US9564055B2 (en) Prediction and warning of transported turbulence in long-haul aircraft operations
US12025699B2 (en) Weather radar short-term forecast for in-flight cockpit displays
Averyanova et al. Weather hazards analysis for small UASs durability enhancement
Chao et al. Weather impact assessment for urban aerial trips in metropolitan areas
Lundby et al. Towards a weather analysis software framework to improve UAS operational safety
Hon et al. Machine learning based multi-index prediction of aviation turbulence over the Asia-Pacific
CN114331052A (zh) 航空运行风险的确定方法、计算设备及存储介质
CN117093953B (zh) 一种多气象要素融合的飞机结冰快速修正预测方法和系统
Montesarchio et al. Advanced Weather Awareness System for Small Air Transport vehicles: design advancements in the COAST project
CN113256039A (zh) 一种航空事故预测方法、装置、设备及介质
Reehorst et al. Examination of icing induced loss of control and its mitigations
JP7140936B2 (ja) 突発故障時の落下傘降下時間に対する予測方法、システム、及び機器
Griffin et al. Hazard avoidance products for convectively-induced turbulence in support of high-altitude global hawk aircraft missions
Zheng et al. Risk prediction method of aircraft hard landing based on flight data
Collins et al. The NOAA hurricane hunters: a historical and mission perspective
Nuottokari Improving meteorological information to air transport
Frolova et al. Using Arktika-M No. 1 satellite MSU-GS data for monitoring and analyzing mesoscale cyclones in the Arctic region
Thanthry et al. Aircraft health management network: A user interface
Xing et al. Discovering latent themes in aviation safety reports using text mining and network analytics
EP4170628A1 (en) Pilot flight path feedback tool
Tendel Warning of in-flight icing risk through fusion of satellite products, ground observations, and model forecasts
Ahmad et al. NASA AVOSS Fast-Time Models for Aircraft Wake Prediction: User's Guide (APA3. 8 and TDP2. 1)
CN116776255A (zh) 一种基于gbdt和gs算法的民机重着陆风险预测方法及装置

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: 20210813