面向预测的科技领域实体增长时间序列模式分类研究

摘要：

[目的/意义]对科技领域实体增长时间序列模式进行分类,是有效开展知识增长预测的前提.本文提出并验证了科技领域实体增长时间序列可预测性分类方案.[方法/过程]首先,从科技文献摘要中抽取问题、方法两类实体,并标注可拟合、有趋势、无规律三类实体时间序列样本;其次,利用动态时间规整算法计算实体时间序列形状相似度,利用曲线拟合和加权局部回归来提取时间序列特征;最后,比较了基于形状相似度和基于特征的两大类时间序列分类算法的效果.[结果/结论]通过人工智能领域实验,发现基于曲线拟合和加权局部回归算法提取的特征能够有效开展实体增长时间序列模式分类,F1值可达0.91;将分类结果应用在时间序列趋势预测,能够有效降低实体增长时间序列预测的误差.[创新/局限]本文将时间序列挖掘应用到实体增长预测中,为科技预测提供了新的解决思路.未来需要更加关注时间序列局部特征,进而对实体变化过程和原因进行深入思考.

关键词：领域实体、时间序列分析、时间序列分类、科技预测、知识增长

所属期刊栏目：42

分类号：G250.2(图书馆学、图书馆事业)

资助基金：教育部人文社会科学研究项目;江苏省社会科学基金青年项目

在线出版日期：2024-06-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：68-75