CN111861010A - 一种人机协同的领域关键技术预测方法及预测系统 - Google Patents
一种人机协同的领域关键技术预测方法及预测系统 Download PDFInfo
- Publication number
- CN111861010A CN111861010A CN202010716396.5A CN202010716396A CN111861010A CN 111861010 A CN111861010 A CN 111861010A CN 202010716396 A CN202010716396 A CN 202010716396A CN 111861010 A CN111861010 A CN 111861010A
- Authority
- CN
- China
- Prior art keywords
- technical
- list
- technology
- field
- prediction
- 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.)
- Granted
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000011160 research Methods 0.000 claims abstract description 15
- 238000005065 mining Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000012827 research and development Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013215 result calculation Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 11
- 238000011161 development Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/382—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using citations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/11—Patent retrieval
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Library & Information Science (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种人机协同的领域关键技术预测方法及预测系统。该方法包括:根据研究项目确定技术预测的技术清单类型、指标权重、任务领域和计算数据;根据任务领域,采用“新兴度”相关算法对计算数据进行挖掘,得到该任务领域的初始技术清单;对初始技术清单中的每项技术,针对每个指标,提出相关量化的证据结果,得到证据清单;利用计算数据对初始技术清单中的每项技术进行画像,得到技术详情;获取专家打分结果,该专家打分结果是专家结合证据清单和技术详情,进行打分得到;根据技术清单类型,结合专家打分结果和不同类型技术清单对应的每个指标权重进行计算,得到最终的技术清单,进而得到该研究项目的技术预测结果。
Description
技术领域
本发明涉及技术预测领域,尤其涉及一种人机协同的领域关键技术预测方法及预测系统。
背景技术
随着科技创新日益成为当今世界经济与社会发展的决定性力量,世界主要国家相继广泛开展技术预测、预见等活动。对于某个特定领域来说,哪些技术对该领域发展影响大、决定性作用明显、值得特别关注和推进,这些问题对于领域从业人员和决策人员都非常重要。通过技术预测手段发现和挖掘领域关键性、前沿性、新兴性技术,及时做好领域技术发展战略布局,科学评判某项技术对领域的影响程度,抓住领域发展的机遇和方向,现实需求重大。尤其是在大数据时代下,如何充分利用各种渠道的海量数据开展领域关键技术预测分析,非常值得探究。
几十年来,国内外众多科技工作者对如何开展技术预测进行了很多理论与方法研究。从众多学者在技术预测领域开展的探索看,技术预测方式主要有定性分析、定量分析、定性与定量相结合三种方式。从组织形式看,虽然有一些技术预测活动在大数据分析、情景分析等方面开展了初步的实践探索,但基本上还是以德尔菲法为主。大规模的实践操作层面还是主要依赖专家智慧。从利用的数据看,主要包括专利分析、文献计量、数据挖掘等。从具体步骤看,基本上是多轮次的“专家调查+头脑风暴”,前期缺乏智能技术、大数据支撑下的辅助挖掘分析,专家调查过程中缺乏可参考的客观依据。
发明内容
本发明的目的在于克服现有技术缺陷,提出了一种人机协同的领域关键技术预测方法及预测系统。
为了实现上述目的,本发明提出了一种人机协同的领域关键技术预测方法,所述方法包括:
根据研究项目确定技术预测的技术清单类型、指标权重、任务领域和计算数据;
根据任务领域,采用“新兴度”相关算法对计算数据进行挖掘,得到该任务领域的初始技术清单;
对初始技术清单中的每项技术,针对每个指标,通过对计算数据的分析,提出相关量化的证据结果,得到证据清单;
利用计算数据对初始技术清单中的每项技术进行画像,得到技术详情;
获取专家打分结果,该专家打分结果是专家结合证据清单和技术详情,对初始技术清单的每项技术的每项指标进行打分的结果;
根据技术清单类型,结合专家打分结果和不同类型技术清单对应的每个指标权重进行计算,得到最终的技术清单,进而得到该研究项目的技术预测结果。
作为上述方法的一种改进,所述方法还包括:根据一套或多套指标体系生成一个指标池。
作为上述方法的一种改进,所述技术清单类型包括:领域关键技术清单、领域颠覆性技术清单、最有应用价值技术清单、最可能被突袭技术清单、领域非共识性技术清单、领域高风险技术清单、领域高封锁风险技术清单、活跃技术清单和最具投资价值技术清单。
作为上述方法的一种改进,所述指标权重的具体实现过程为:针对每种类型的技术清单,从指标池中选择相应的指标,并设置指标的权重。
作为上述方法的一种改进,所述任务领域的描述为:领域技术体系+关键词,其中,关键词为领域下位词或者相关词。
作为上述方法的一种改进,所述计算数据的具体实现过程为:
对网络动态数据、论文、项目文件和专利文献,采用海量数据自动分类技术、关键词描述和通过数据来源对领域进行强关联映射的方法,得到每条数据的领域标签;
将领域标签加到对应数据上,得到计算数据。
作为上述方法的一种改进,所述技术详情具体包括:基本定义、技术图谱、热点趋势、技术主题、相关项目及经费投入、技术应用功效、重要研发机构、研发人员和研发国别信息。
一种人机协同的领域关键技术预测系统,所述系统包括:技术预测任务确定模块、初始技术清单生成模块、证据结果计算模块、技术详情生成模块、专家打分模块和技术预测结果生成模块;其中,
所述技术预测任务确定模块,用于根据研究项目确定技术预测的技术清单类型、指标权重、任务领域和计算数据;
所述初始技术清单生成模块,用于根据任务领域,采用“新兴度”相关算法对计算数据进行挖掘,生成该任务领域的初始技术清单;
所述证据结果计算模块,用于对初始技术清单中的每项技术,针对每个指标,通过对计算数据的分析,提出相关量化的证据结果,生成证据清单;
所述技术详情生成模块,用于利用计算数据对初始技术清单中的每项技术进行画像,得到技术详情;
所述专家打分模块,用于获取专家打分结果,该专家打分结果是专家结合证据清单和技术详情,对初始技术清单的每项技术的每项指标进行打分的结果;
所述技术预测结果生成模块,用于根据技术清单类型,结合专家打分结果和不同类型技术清单对应的每个指标权重进行计算,生成最终的技术清单,进而得到该研究项目的技术预测结果。
与现有技术相比,本发明的优势在于:
1、提升了技术预测活动中的机器智能含量,发挥了当前大数据的数据优势和挖掘分支等技术优势,改变了传统技术预测活动中更多依靠专家才能得出结果的局限;
2、通过技术清单类型的定义,将技术预测的重点定位到回答和解决实际关切问题上,实现了“一次预测、多个产出”的效果,延展了技术预测活动的环节;
3、通过技术画像、证据提供等,在一定程度上减轻了专家开展技术预测活动的劳动量,提升了技术预测的客观性和科学性;
4、该发明兼顾考虑了可利用的数据基础的类型、规模,以及智能技术现实发展水平和局限性、国内外技术预测理论研究提出的探索性方法等,提出了一套符合实际、具备操作性和一定智能性的技术预测完整流程,并具有广泛的适用性。
附图说明
图1是本发明的一种人机协同的领域关键技术预测方法流程图;
图2是本发明的技术清单形成的流程图;
图3是适用于军事领域的关键技术衡量指标体系示例;
图4是人机协同技术预测架构;
图5是本发明实施例1的技术清单示意;
图6是本发明实施例1的证据量化示意;
图7是本发明实施例1的专家打分效果示意。
具体实施方式
本发明公开了一种人机协同的领域关键技术预测方法。如图1所示,所述方法包括:
步骤1)任务定制。包括定制技术预测任务领域、定制拟生成的技术清单类型、定制拟使用的计算数据等;
具体包括:
a.领域选择;
对于领域的描述,采取“领域技术体系+关键词”的方式进行描述。其中,关键词以领域下位词、相关词为主。
b.清单类型定义与定制;
技术清单的形成思路如图2所示,包括两步:第一步,由一套或多套指标体系中的所有指标项形成一个大的指标池;第二步,建立指标项与技术清单类型的对应关系。不同类型的技术清单可以灵活选用全部或部分指标并给予不同权重,形成“1对N”(1个指标池产出N个类型技术清单)和“N对1”(N个指标项形成1个技术清单类型)的应用模式。
c.计算数据领域化刻画。
证据模型必须在特定领域(数据与领域密切相关)中,计算的结果才有说服力。对数据的领域刻画,本发明采取多种方式相结合,包括海量数据自动分类技术,关键词描述,通过数据来源对领域进行强关联映射等方法实现给数据打上“领域标签”。在具体操作层面,需要采用上述方法分别对动态、论文、项目、专利等四类可利用数据进行领域化处理。
步骤2)初始技术清单生成。基于所选数据资源,采取机器自动挖掘方式形成机器推荐的特定领域关键技术清单。可直接面向用户提供机器智慧的分析推荐结果,也可作为专家预测的候选技术清单;
初始技术清单,指通过机器挖掘,针对某个特定领域自动分析得出的领域关键技术清单。该清单具有三个特点:(1)动态性。可以根据实时数据随时算、随时更新;(2)能够发现新的可能关键技术;(3)对专家进行技术预测具有很好的参考作用,解决传统技术预测活动中候选技术“冷启动”的难题。初始技术清单可直接发布,为用户提供机器智慧的分析推荐结果,也可作为专家预测的候选技术清单。
步骤3)证据计算。对于机器推荐的每个技术,机器通过数据分析,针对每个指标项考核的角度,计算提出技术的相关量化证据,辅助专家打分决策;
证据,指针对指标体系中的每个指标项考核的重点内容,以动态、论文、项目、专利等四类数据为基础,研究的定量化测算结果。
步骤4)人机协同专家调查。专家通过在线调查方式对技术进行预测。在此过程中,机器为专家决策提供证据计算,同时还通过机器自动对每个候选技术进行“画像”,为专家提供技术的基本定义、热点趋势、重要研发机构、研发人员、研发国别等信息,进一步辅助支撑专家进行打分决策;
具体包括:
a.指标体系定义;
以适用于军事领域的领域关键技术考核指标体系为例,如图3所示。
b.机器智慧对专家打分的支撑。包括提出候选技术、提供量化证据、提供基于海量数据的技术画像三个方面。其中,技术画像包括技术的基本定义、技术图谱、热点趋势、技术主题、相关项目及经费投入、技术应用功效、重要研发机构、研发人员、研发国别等信息,进一步辅助支撑专家的打分决策。人机协同专家调查,指基于该发明构建的人机协同技术预测架构流程,见图4所示,图中的虚线文本框表示外部导入,圆角矩形文本框表示关键节点。
步骤5)最终技术清单生成。根据任务定制选择的最终产出技术清单类型,在“候选技术+指标体系+专家打分”基础上,按照技术清单与指标体系的对应关系(指标项、权重),计算得出最终的技术预测结果(可同时计算出多个类型的技术清单结果)。
指结合拟产出的技术清单类型,根据专家打分和该类技术清单对应的每个指标项、权重进行计算,得出最终的技术清单排序。该类清单的特点有三个方面:(1)通过多轮专家智慧,能够较为科学、精准地得出高质量技术清单;(2)清单的最终描述可能经过专家头脑的高度提炼,而不再是初始技术清单中纯粹、原始的技术术语,更具有理解性和方向性;(3)由于需要大量专家介入,组织一次技术预测的工作量极大,不可能实时或经常性得到更新的清单结论,时效性稍差。
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例1
如图1所示,本发明的实施例1提供了一种人机协同的领域关键技术预测方法。具体步骤如下:
1、定义技术清单类型
基于指标池(由一套或多套指标体系中的所有指标项形成一个大的指标池),面向回答不同问题定义不同的技术清单类型。如图5所示为技术清单示意。
具体方法:
1)建立指标项与技术清单类型的对应关系。不同类型的技术清单可以灵活选用全部或部分指标,形成“1对N”(1个指标池产出N个类型技术清单)和“N对1”(N个指标项形成1个技术清单类型)的应用模式。
2)针对每种类型的技术清单,对其每个指标项给予不同权重。
2、证据量化研究与实现
对于每一个指标项所考核的角度,从理论模型上研究分析其可利用的量化方法,形成100余种量化模型。结合实际可采用的网络动态、论文、项目、专利四类数据,选用其中的40余种模型作为证据计算方法,形成“1对N”的指标项-证据量化体系。
例如:针对“技术创新性”指标项,提供的量化证据包括“近期论文中引用参考文献的跨学科性比例”、“近期论文中指定技术表示的被引比例”、“近期专利中指定技术表示的被引比例”、“近三年聚类论文集群的平均出版年限”、“近三年聚类论文集群的发表数量”、“SNIP指标”等;针对“技术相关基础研究活跃度”指标项,可提供的量化证据包括“近期论文标题出现比例”、“近期专利发明人比例”、“近期论文中指定技术表示的被引比例”、“近三年自然科学基金摘要出现频率值”等20余项。通过此种方式,充分利用了大数据的数据优势和技术优势,提升了技术预测中的定量成分,部分解决了传统专家预测模式下“缺依据、难决策”的问题。
部分实际操作采用的证据如图6所示。
3、基于专家智慧的最终技术清单生成
1)人机协同专家调查
此环节专家不需要知道和考虑最终产出的技术清单类型,只需要客观地针对每个技术、每个指标项进行打分。该步骤最终得到所有专家对某个任务中所有候选技术的打分结果。在此过程中,机器智慧为专家提供包括量化证据、技术详情在内的辅助支撑。部分效果图如图7所示。
2)最终技术清单计算。此环节需要结合拟产出的技术清单类型,根据专家打分和该类技术清单对应的每个指标项、权重进行计算,得出最终的技术清单排序。
实施例2
本发明的实施例2提供了一种人机协同的领域关键技术预测系统。
该系统包括:技术预测任务确定模块、初始技术清单生成模块、证据结果计算模块、技术详情生成模块、专家打分模块、技术预测结果生成模块;其中,
技术预测任务确定模块主要是确定任务所属领域、拟产出的技术清单类型、拟使用的计算数据等;
初始技术清单生成模块主要是通过机器智慧自动计算任务领域中的关键技术;
证据结果计算模块主要是针对初始技术清单中的每项技术,利用计算数据得出每个指标项的量化证据;
技术详情生成模块主要是针对初始技术清单,利用计算数据对每项技术进行画像;
专家打分模块主要是接收专家打分结果,在此过程中提供证据清单和技术详情支撑;
技术预测结果生成模块主要是计算最终技术清单并发布。
综述,本发明的技术方案具有以下特点:
1、综合专家智慧和机器智慧,在传统主要依靠专家打分开展技术预测的模式上,增加机器挖掘分析的相应手段和环节,充分利用“数据说话”,改变传统模式更多依靠专家的弊端;
2、机器智慧的作用主要用于三个方面:一是在专家开展技术预测前,通过大数据挖掘分析,利用技术“新兴度”等相关算法,提出特定领域的候选技术清单(称之为初始技术清单),减少专家打分的盲目性,破解候选技术“冷启动”难题;二是在专家打分时,提供基于数据分析、技术驱动的相关证据,为专家打分提供参考支撑,增强打分环节的科学性;三是在专家打分时,通过机器自动对每个候选技术进行“画像”,为专家提供技术的基本定义、热点趋势、重要研发机构、研发人员、研发国别等信息,进一步辅助支撑专家的打分决策。
3、对于领域关键技术,发挥机器和专家的各自特长,在机器智慧部分侧重于“新兴度”,在专家智慧部分采取“综合维度”进行衡量,做到两种智慧互补。
4、突出领域特色,建立针对特定领域的指标体系。一是既考虑技术预测的综合维度需求,也考虑特定维度需求;二是参考国内外众多技术预测指标体系基础上,设计提出特定领域专用指标体系,突出领域的特殊需求和关注角度。
5、从问题(需求)出发引导技术预测,将最终产出定位“技术清单”,并根据拟解决的问题,可设定“领域关键技术清单”、“领域颠覆性技术清单”、“领域非共识性技术清单”、“领域高风险技术清单”等多种类型。建立技术清单与指标体系的对应关系,通过积木组合方式,灵活选定指标项、设定不同权重,形成回答不同问题的技术清单计算方法。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种人机协同的领域关键技术预测方法,所述方法包括:
根据研究项目确定技术预测的技术清单类型、指标权重、任务领域和计算数据;
根据任务领域,采用“新兴度”相关算法对计算数据进行挖掘,得到该任务领域的初始技术清单;
对初始技术清单中的每项技术,针对每个指标,通过对计算数据的分析,提出相关量化的证据结果,得到证据清单;
利用计算数据对初始技术清单中的每项技术进行画像,得到技术详情;
获取专家打分结果,该专家打分结果是专家结合证据清单和技术详情,对初始技术清单的每项技术的每项指标进行打分的结果;
根据技术清单类型,结合专家打分结果和不同类型技术清单对应的每个指标权重进行计算,得到最终的技术清单,进而得到该研究项目的技术预测结果。
2.根据权利要求1所述的人机协同的领域关键技术预测方法,其特征在于,所述方法还包括:根据一套或多套指标体系生成一个指标池。
3.根据权利要求2所述的人机协同的领域关键技术预测方法,其特征在于,所述技术清单类型包括:领域关键技术清单、领域颠覆性技术清单、最有应用价值技术清单、最可能被突袭技术清单、领域非共识性技术清单、领域高风险技术清单、领域高封锁风险技术清单、活跃技术清单和最具投资价值技术清单。
4.根据权利要求3所述的人机协同的领域关键技术预测方法,其特征在于,所述指标权重的具体实现过程为:针对每种类型的技术清单,从指标池中选择相应的指标,并设置指标的权重。
5.根据权利要求4所述的人机协同的领域关键技术预测方法,其特征在于,所述任务领域的描述为:领域技术体系+关键词,其中,关键词为领域下位词或者相关词。
6.根据权利要求5所述的人机协同的领域关键技术预测方法,其特征在于,所述计算数据的具体实现过程为:
对网络动态数据、论文、项目文件和专利文献,采用海量数据自动分类技术、关键词描述和通过数据来源对领域进行强关联映射的方法,得到每条数据的领域标签;
将领域标签加到对应数据上,得到计算数据。
7.根据权利要求1所述的人机协同的领域关键技术预测方法,其特征在于,所述技术详情具体包括:基本定义、技术图谱、热点趋势、技术主题、相关项目及经费投入、技术应用功效、重要研发机构、研发人员和研发国别信息。
8.一种人机协同的领域关键技术预测系统,其特征在于,所述系统包括:技术预测任务确定模块、初始技术清单生成模块、证据结果计算模块、技术详情生成模块、专家打分模块和技术预测结果生成模块;其中,
所述技术预测任务确定模块,用于根据研究项目确定技术预测的技术清单类型、指标权重、任务领域和计算数据;
所述初始技术清单生成模块,用于根据任务领域,采用“新兴度”相关算法对计算数据进行挖掘,生成该任务领域的初始技术清单;
所述证据结果计算模块,用于对初始技术清单中的每项技术,针对每个指标,通过对计算数据的分析,提出相关量化的证据结果,生成证据清单;
所述技术详情生成模块,用于利用计算数据对初始技术清单中的每项技术进行画像,得到技术详情;
所述专家打分模块,用于获取专家打分结果,该专家打分结果是专家结合证据清单和技术详情,对初始技术清单的每项技术的每项指标进行打分的结果;
所述技术预测结果生成模块,用于根据技术清单类型,结合专家打分结果和不同类型技术清单对应的每个指标权重进行计算,生成最终的技术清单,进而得到该研究项目的技术预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010716396.5A CN111861010B (zh) | 2020-07-23 | 2020-07-23 | 一种人机协同的领域关键技术预测方法及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010716396.5A CN111861010B (zh) | 2020-07-23 | 2020-07-23 | 一种人机协同的领域关键技术预测方法及预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861010A true CN111861010A (zh) | 2020-10-30 |
CN111861010B CN111861010B (zh) | 2024-03-29 |
Family
ID=72950318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010716396.5A Active CN111861010B (zh) | 2020-07-23 | 2020-07-23 | 一种人机协同的领域关键技术预测方法及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861010B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757314A (zh) * | 2023-06-02 | 2023-09-15 | 中国人民解放军军事科学院国防科技创新研究院 | 基于大数据和人工智能融合驱动的技术预见方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107856737A (zh) * | 2017-11-06 | 2018-03-30 | 吉林大学 | 一种基于危险程度变权重的人机协同转向控制方法 |
CN109858675A (zh) * | 2018-12-28 | 2019-06-07 | 中译语通科技股份有限公司 | 一种专家学术生命力周期预测方法 |
CN110889575A (zh) * | 2018-09-11 | 2020-03-17 | 国网上海市电力公司 | 一种基于情报评价的科技项目立项评估方法 |
CN110956372A (zh) * | 2019-11-19 | 2020-04-03 | 国网经济技术研究院有限公司 | 一种电网投入产出边际效益分析方法及系统 |
CN111369416A (zh) * | 2020-03-03 | 2020-07-03 | 南京信息工程大学 | 一种融合多种数据挖掘技术的恐怖袭击事件评估决策方法 |
-
2020
- 2020-07-23 CN CN202010716396.5A patent/CN111861010B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107856737A (zh) * | 2017-11-06 | 2018-03-30 | 吉林大学 | 一种基于危险程度变权重的人机协同转向控制方法 |
CN110889575A (zh) * | 2018-09-11 | 2020-03-17 | 国网上海市电力公司 | 一种基于情报评价的科技项目立项评估方法 |
CN109858675A (zh) * | 2018-12-28 | 2019-06-07 | 中译语通科技股份有限公司 | 一种专家学术生命力周期预测方法 |
CN110956372A (zh) * | 2019-11-19 | 2020-04-03 | 国网经济技术研究院有限公司 | 一种电网投入产出边际效益分析方法及系统 |
CN111369416A (zh) * | 2020-03-03 | 2020-07-03 | 南京信息工程大学 | 一种融合多种数据挖掘技术的恐怖袭击事件评估决策方法 |
Non-Patent Citations (1)
Title |
---|
罗威 等: "数据驱动的技术预测之研究评析———以FUSE项目为例", 《情报理论与实践》, pages 1 - 3 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757314A (zh) * | 2023-06-02 | 2023-09-15 | 中国人民解放军军事科学院国防科技创新研究院 | 基于大数据和人工智能融合驱动的技术预见方法和系统 |
CN116757314B (zh) * | 2023-06-02 | 2024-03-19 | 中国人民解放军军事科学院国防科技创新研究院 | 基于大数据和人工智能融合驱动的技术预见方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111861010B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pagani et al. | Methodi Ordinatio: a proposed methodology to select and rank relevant scientific papers encompassing the impact factor, number of citation, and year of publication | |
Aaldering et al. | Of leaders and laggards-Towards digitalization of the process industries | |
Cautela et al. | The impact of artificial intelligence on design thinking practice: Insights from the ecosystem of startups | |
Pateli et al. | A research framework for analysing eBusiness models | |
Durst et al. | Understanding knowledge leakage: a review of previous studies | |
Marchiori et al. | Innovativeness: a bibliometric vision of the conceptual and intellectual structures and the past and future research directions | |
Dadkhah et al. | Corporate foresight: developing a process model | |
CN108132961B (zh) | 一种基于引用预测的参考文献推荐方法 | |
Mazaheri et al. | Research directions in information systems field, current status and future trends: A literature analysis of AIS basket of top journals | |
Antony et al. | Mapping the terrain for lean six sigma 4.0 | |
CN110414003A (zh) | 建立文本生成模型的方法、装置、介质和计算设备 | |
CN109947462A (zh) | 一种面向软件代码变更集成的决策支持方法及装置 | |
Mazzoni et al. | Entrepreneurship, complexity and the emergent order in the techno-economic scenario of the twenty-first century. Evidence from a field study in Tuscany | |
CN111861010A (zh) | 一种人机协同的领域关键技术预测方法及预测系统 | |
Rizvi et al. | Circularity issues and blockchain technology in the auto industry | |
Carnerud | The quality movement's three operational paradigms: a text mining venture | |
De Gouveia et al. | Examining the relationship between climate change-related research output and CO2 emissions | |
Horita EA et al. | Design science in digital innovation: A literature review | |
Domahidi et al. | Computational communication science| outlining the way ahead in computational communication science: An introduction to the IJoC special section on “computational methods for communication science: Toward a strategic roadmap” | |
Burnard | Developing a robust case study protocol | |
Nounou | Developing a lean-based holistic framework for studying industrial systems | |
Bermeo-Andrade et al. | Appropriation intention of a farm management information system through usability evaluation with PLS-SEM analysis | |
Lerro et al. | Intellectual capital and regions: origins, theoretical foundations and implications for decision-makers | |
Sutiksno et al. | The Evolution of Ecotourism on Geoheritage in Scientific Research: A Bibliometric Analysis | |
Arruda et al. | The Role of Big Data Analytics in Corporate Decision-making. |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |