基于深度学习的技术预测方法 ——以机器人技术为例

摘要：

[目的/意义]识别、预测技术的发展趋势,对抢占技术制高点,实现"中国制造2025"十分重要.[方法/过程]该文综合运用潜在狄利克雷分配模型(Latent Dirichlet Allocation,LDA)与k均值聚类算法(k-means clustering algorithm,k-means),构建了LDA-kmeans技术识别模型,并以机器人技术为例,对Web of Science数据库中1997-2018年相关文献进行主题提取后聚类;进而,提出了基于深度学习的多模态输入文本分类模型,对所提取相关文献所属研究领域进行划分;最后,基于经验模态分解(Empirical Mode Decomposition,EMD)与长短记忆神经网络(Long Short-Term Memory,LSTM),建立了EMD-LSTM技术预测模型.通过对所提取文献数据的滚动处理,预测了各领域2016-2018年文献发文情况.[结果/结论]研究结果显示:该文提出的主题识别模型识别出机器人技术主要研究领域与Clarivate Analytics机构2018年报告所给出的结论相吻合,同时基于深度学习的文本分类模型预测精度优于其他分类模型,基于EMD-LSTM时间序列预测模型的预测精度更优于其他模型.本研究提出了基于深度学习的技术预测方法,为技术预测提供了新的解决思路.

关键词：机器学习、深度学习、技术预测、LSTM模型、经验模态分解

所属期刊栏目：39

分类号：F204(国民经济管理)

资助基金：上海市2019年度"科技创新行动计划"软科学研究领域重点项目"长三角一体化战略下上海科创中心辐射效应及对策研究";沪苏浙皖"长三角高质量一体化发展重大问题研究"专项课题"上海科创中心引领长三角科技创新共同体建设研究"研究成果之一

在线出版日期：2020-09-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：53-62