KR20140106272A - 기술 가치 예측 시스템 및 그 시스템의 정보 처리 방법 - Google Patents

기술 가치 예측 시스템 및 그 시스템의 정보 처리 방법 Download PDF

Info

Publication number
KR20140106272A
KR20140106272A KR1020130020614A KR20130020614A KR20140106272A KR 20140106272 A KR20140106272 A KR 20140106272A KR 1020130020614 A KR1020130020614 A KR 1020130020614A KR 20130020614 A KR20130020614 A KR 20130020614A KR 20140106272 A KR20140106272 A KR 20140106272A
Authority
KR
South Korea
Prior art keywords
index
value
prediction
patents
technology
Prior art date
Application number
KR1020130020614A
Other languages
English (en)
Inventor
이영곤
Original Assignee
한국산업기술대학교산학협력단
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 한국산업기술대학교산학협력단 filed Critical 한국산업기술대학교산학협력단
Priority to KR1020130020614A priority Critical patent/KR20140106272A/ko
Publication of KR20140106272A publication Critical patent/KR20140106272A/ko

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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Marketing (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 기술 가치 예측 시스템 및 그 시스템의 정보 처리 방법에 관한 것이다.
본 발명의 기술 가치 예측 시스템은 (A) 적어도 2 이상의 특허를 포함하는 특허로 구성되는 입수 특허 집합을 가공하고, 상기 특허 집합에 포함된 특허를 대상으로, 적어도 하나 이상의 요소 지수의 요소 지수별 요소 지수값를 산출하는 단계; (B) 요소 지수값을 사용하여 요소 지수별 예측 모델을 생성하는 단계;및 (C) 상기 요소 지수별 예측 모델을 사용하여 요소 지수별 요소 지수 예측값을 생성하는 단계;를 포함하는 방식으로 정보 처리하는 것을 특징으로 한다.
본 발명을 활용하면, 기술 분야별로 유망성 지수, 융합성 지수 및 파급성 지수를 산출할 수 있으며, 기술 분야별로 각 연도별로 유망성 지수, 융합성 지수 및 파급성 지수를 산출할 수 있으며, 현재까지의 요소 지수값을 사용하며, 미래의 요소 지수별 예측값을 산출할 수 있고, 나아가 특허 분류를 기술 분야로 활용하므로, 다양한 기술 분야별로 요소 지수값 및 요소 지수별 예측값을 산출하여 활용할 수 있다. 특히, 특허 분류에 산업 등이 대응될 수 있으므로, 산출된 요소 지수값 및 요소 지수별 예측값은 다양한 기술 및 산업 분야에서 기술 분석 및 기술 예측에 활용할 수 있게 된다.

Description

기술 가치 예측 시스템 및 그 시스템의 정보 처리 방법{System and Method on Technology Value Prediction}
본 발명은 기술 가치 예측 시스템 및 그 시스템의 정보 처리 방법에 관한 것으로서 더욱 더 상세하게는 기술의 유망성, 융합성 및 파급성의 관점에서 기술의 미래 가치를 예측하는 기술 가치 예측 시스템 및 그 시스템의 정보 처리 방법에 관한 것이다.
기술 융합을 통해 고부가가치를 창출하는 신기술 및 신기술 관련 서비스가 속속 등장하면서, 미국, 일본 및 유럽 선진국들은 미래 시장에서 주도권을 선점하기 위한 융합기술 연구개발에 적극적으로 나서고 있다. 우리나라도 IT, BT, NT 등 신기술에 적극적인 투자를 중심으로 차세대 성장동력사업 추진, 미래 국가유망기술 선정 및 이의 실현을 위한 종합계획 수립 등 적극적인 투자를 추진하고 있다. 국가와 기업들의 경쟁이 고조됨에 따라 융합기술 및 유망기술을 신속하게 예측하고 효과적인 대응전략을 수립할 필요성이 강하게 대두되고 있으며, 특히 유망융합기술의 예측과 해당 기술의 이해당사자 분석을 통해 해당 분야에 대한 효과적인 연구개발과 사업화 전략을 수립하는 것과, 지식재산권 선점 및 경쟁사와 전략적으로 제휴하는 것 등이 대단히 중요한 이슈가 되고 있다.
그러나 이러한 기술의 예측, 평가 등은 대부분 전문가를 대상으로 한 설문조사에 의존하고 있어 정성적 결과 및 고비용, 장시간이 투입되는 어려움을 안고 있다. 따라서 이를 보완한 보다 효과적인 탐색 및 예측 방법이 요구되고 있다.
특히, 기술의 유망성과 융합성 및 파급성 등과 같은 요소 지수별로의 타당성 높은 예측 알고리즘 하의 기술 분야별 기술 예측 방법과 이를 구현하는 시스템의 개발이 절실히 요구되어 오고 있다.
본 발명이 해결하고자 하는 첫번째 기술적 과제는 기술 가치 예측 시스템을 제시하는 것이다.
본 발명이 해결하고자 하는 두번째 기술적 과제는 기술 가치 예측 시스템의 정보 처리 방법을 제시하는 것이다.
본 발명이 이루고자 하는 기술적 과제를 달성하기 위하여, 특허 정보를 사용하여 기술 가치 예측 정보를 생성하는 기술 가치 예측 시스템의 정보 처리 방법에 있어서, 상기 기술 가치 예측 시스템이 (A) 적어도 2 이상의 특허를 포함하는 특허로 구성되는 입수 특허 집합을 가공하고, 상기 특허 집합에 포함된 특허를 대상으로, 적어도 하나 이상의 요소 지수의 요소 지수별 요소 지수값를 산출하는 단계; (B) 요소 지수값을 사용하여 요소 지수별 예측 모델을 생성하는 단계;및 (C) 상기 요소 지수별 예측 모델을 사용하여 요소 지수별 요소 지수 예측값을 생성하는 단계;를 포함하는 것을 특징으로 하는 기술 가치 예측 시스템의 정보 처리 방법을 제시한다.
상기 요소 지수는 유망성 지수, 융합성 지수, 파급성 지수 중 어느 하나 이상인 것이며, 상기 요소 지수는 기술 분야별로 생성되는 것인 것이며, 상기 기술 분야는 기 설정된 깊이의 특허 기술 분류 정보를 사용하여 특정되는 것인 것이 바람직하다.
상기 유망성 지수를 산출하는 것은 (A11) 상기 특허 집합에 포함된 특허를 가공하는 단계; (A12) 가중치를 선정하는 단계;를 포함하며, 상기 특허를 가공하는 것은 특허수의 조정 및 특허 증가율의 아웃 라이어 제거 및 정규화 중 어느 하나 이상을 수행하는 것인 것이며, 상기 가중치의 선정은 {(기술 분야의 특허 수 정규화 값*가중치) + (기술 분야의 특허 증가율 정규화 값 * (1 -가중치))}의 값으로 유망성 지수의 유망성 지수값으로 할 때, 기술 분야별로 기 설정된 가중치 변경 단위로 가중치를 변경하면서, 각 유망성 지수값의 최소값을 탐색하고, 탐색한 유망성 지수 중 최대값이 산출되는 시점의 가중치를 선택하는 것인 것이며, 상기 가중치는 연도별로 독립적으로 계산하는 것인 것이 바람직하다.
상기 융합성 지수를 산출하는 것은 (A21) 상기 기술 분야에 대응되는 특허 집합의 특허들에 할당되어 있는 특허 분류의 개수를 입수하는 단계;및 (A22) 상기 특허 분류가 해당되는 고유한 산업 분류의 개수를 입수하는 단계;를 포함하며, 상기 융합성 지수는 고유한 산업 분류의 개수와 특허수를 사용하여 산출되는 것인 것이 바람직하다.
상기 파급성 지수를 산출하는 것은 (A31) 상기 기술 분야에 대응되는 특허 집합의 특허들의 피인용수를 산출하는 단계;및 (A32) 상기 특허 집합의 특허수를 산출하는 단계;를 더 포함하며, 상기 파급성 지수는 상기 피인용수와 상기 특허수를 사용하여 산출되는 것인 것이 바람직하다.
상기 유망성 지수, 상기 융합성 지수, 상기 파급성 지수 및 요소 지수 예측값은 기술 분야별로 연도별로 산출되는 것인 것이 바람직하다.
상기 요소 지수별 예측 모델을 생성하는 것은 (B11) 학습용 데이터 집합으로 예측 연도의 과거 2개 년도의 요소 지수값을 독립 변수로 입수하는 단계; (B12) 기 설정된 기계 학습 알고리즘으로 예측 연도의 요소 지수값을 생성하는 단계; (B13) 생성된 예측 연도의 요소 지수값과 테스트용 데이터 집합으로 테스팅을 수행하는 단계;및 (B14) 예측 연도 직전 2개 연도의 요소 지수값으로 예측 연도의 지수값을 생성하는 예측 모델을 결정하는 단계;를 포함하는 것이 바람직하다.
상기 기계 학습 알고리즘은 인공 신경망 알고리즘 계열의 역전파 알고리즘인 것이 바람직하다.
상기 알고리즘은 은닉층이 1개인 3계층 퍼셉트론을 사용한 것인 것이 바람직하다.
본 발명이 이루고자 하는 기술적 과제를 달성하기 위하여, 상기의 어느 한 항의 방법을 사용하며, 적어도 하나 이상의 요소 지수별 요소 지수값을 산출하는 요소 지수 산출 모듈; 상기 요소 지수별 예측 모델을 생성하는 예측 모델 구성부;및 상기 요소 지수별 예측 모델을 사용하여 요소 지수별 요소 지수 예측값을 생성하는 기술 가치 예측 모듈;을 포함하는 것을 특징으로 하는 기술 가치 예측 시스템을 제시한다.
본 발명을 활용하면 다음과 같은 효과가 있다.
첫째, 기술 분야별로 유망성 지수, 융합성 지수 및 파급성 지수를 산출할 수 있다.
둘째, 기술 분야별로 각 연도별로 유망성 지수, 융합성 지수 및 파급성 지수를 산출할 수 있으며, 현재까지의 요소 지수값을 사용하며, 미래의 요소 지수별 예측값을 산출할 수 있다.
셋째, 특허 분류를 기술 분야로 활용하므로, 다양한 기술 분야별로 요소 지수값 및 요소 지수별 예측값을 산출하여 활용할 수 있다. 특히, 특허 분류에 산업 등이 대응될 수 있으므로, 산출된 요소 지수값 및 요소 지수별 예측값은 다양한 기술 및 산업 분야에서 기술 분석 및 기술 예측에 활용할 수 있게 된다.
도 1은 본 발명의 기술 가치 예측 시스템의 일 실시예적 구성에 관한 도면이다.
도 2는 본 발명의 기술 가치 예측 시스템의 요소 지수 산출 모듈의 일 실시예적 구성에 관한 도면이다.
도 3은 본 발명의 기술 가치 예측 시스템의 일 실시예적 정보 처리 방법에 관한 도면이다.
도 4는 본 발명의 기술 가치 예측 시스템의 유망성 지수값을 산출하는 일 실시예적 정보 처리 방법에 관한 도면이다.
도 5는 본 발명의 기술 가치 예측 시스템의 융합성 지수값을 산출하는 일 실시예적 정보 처리 방법에 관한 도면이다.
도 6은 본 발명의 기술 가치 예측 시스템의 파급성 지수값을 산출하는 일 실시예적 정보 처리 방법에 관한 도면이다.
도 7은 본 발명의 기술 가치 예측 시스템의 예측 모델 구성부의 예측 모델을 생성하는 일 실시예적 정보 처리 방법에 관한 도면이다.
도 8은 유망성 지수 산출 수식의 결정에 필요한 가중치를 결정하는 방법을 설명하는 도면이다.
도 9는 융합성 지수 산출 방법을 설명하는 도면이다.
도 10은 파급성 지수 산출 방법을 설명하는 도면이다.
도 11은 본 발명의 기술 가치 예측 시스템의 각종 프로세스를 설명하는 도면이다.
이하, 도면을 참조하면서 더욱 더 상세하게 설명한다.
도 1은 본 발명의 기술 가치 예측 시스템(1000)의 일 실시예적 구성에 관한 도면이다. 도 1에서 알 수 있듯이, 본 발명의 기술 가치 예측 시스템(1000)은 유무선 네트워크(3000)로 사용자 단말기(2000)에 연결되어 있거나, 사용자 단말기(2000)에 포함되어 있을 수 있다. 상기 기술 가치 예측 시스템(1000)은 요소 지수별로 요소 지수값을 산출하는 요소 지수 산출 모듈(1100) , 요소 지수값을 사용하여 요소 지수별 예측 모델을 생성하는 예측 모델 구성부(1200), 상기 요소 지수별 예측 모델을 사용하여 요소 지수별 요소 지수 예측값을 생성하는 기술 가치 예측 모듈(1300)을 포함하고 있다. 상기 기술 가치 예측 시스템(1000)은 특허 문건에 대한 정보나 특허 문건에서 필요한 정보만을 추출하여 가공해 놓은 가공 특허 정보가 저장되어 있는 특허 정보 DB(1400)를 포함하고 있거나, 이러한 특허 정보 DB(1400)를 유무선 네트워크(3000)를 통하여 연결하여 필요한 특허 정보를 입수할 수 있다.
상기 요소 지수 산출 모듈(1100) 은 유망성 지수를 산출하는 유망성 지수 산출부(1110), 융합성 지수를 산출하는 융합성 지수 산출부(1120), 파급성 지수를 산출하는 파급성 지수 산출부(1130)를 포함하고 있다. 한편, 산출된 요소 지수값은 요소 지수 산출 결과 DB(1140)에 저장되어 있다. 도 2에는 상기 요소 지수 산출 모듈(1100) 의 상세한 기술적 구성에 구성이 개시되어 있다.
도 3은 본 발명의 기술 가치 예측 시스템(1000)의 일 실시예적 정보 처리 방법에 관한 도면이다. 도 3에서 알 수 있듯이, 상기 기술 가치 예측 시스템(1000)은 입수한 특허 집합을 가공하여 요소 지수를 산출(S11)하고, 산출된 요소 지수 결과를 사용하여 요소 지수 예측 모델을 생성(S12)하며, 생성된 요소 지수 예측 모델을 사용하여 요소 지수 예측값을 생성(S13)한다.
먼저 도 4 내지 도 6을 참조하면서, 요소 지수별로 요소 지수값을 생성하는 것에 대해 더욱 더 상세하게 설명한다.
도 4는 본 발명의 기술 가치 예측 시스템(1000)의 유망성 지수값을 산출하는 일 실시예적 정보 처리 방법에 관한 도면이다. 도 4에서 예시되어 있듯이, 상기 유망성 지수 산출부(1110)는 입수한 기술 분야별 해당 연도별 특허 집합을 가공하고 정규화하고, 가중치 선정(S21)하며, 유망성 지수 산출(S22)한다
상기 유망성 지수를 산출하기 위해서 먼저 상기 특허 집합에 포함된 특허를 가공하는 단계를 거친다. 상기 특허를 가공하는 것은 특허수의 조정 및 특허 증가율의 아웃 라이어 제거 및 정규화 중 어느 하나 이상을 수행한다. 각 기술 분야별로 특허수의 편차가 심할 수 있으므로 특허 수 조정이 필요하다. 특허수 조정은 여러 방법을 통하여 실시할 수 있으며, 본 발명에서는 연도별 또는 기술 분야별 특허수의 4제곱근으로 처리하였는데, 이 방법이 자연 로그 처리를 하는 것보다 예측 성과가 더 좋았다. 특허 증가율의 경우, 전년도 대비 등에서 아웃라이어가 다수 발생할 수 있는데(전년도의 특허수가 0 또는 1이 되고, 차년도의 특허수가 존재하거나, 큰 경우, 증가율이 너무 커지는 아웃라이어 문제가 발생함) 이 경우 특허 증가율의 아웃 라이어 제거를 위해, 전년도 증가율 대비 -100%이하와 200%이상은 아웃라이어로 제거한다. 한편, Min-Max 정규화를 통해 해당 기술의 특허수 정규화와 해당 기술 특허 증가율의 정규화를 수행한다. 정규화가 수행되면 특허수와 특허 증가율이 0 ~ 1값으로 조정된다.
특허수 정규화 = {(해당 기술 분야의 특허 수- min(특허수))/max(특허수)-min(특허수)}
특허 증가율 정규화 = {(해당 기술 분야의 특허 증가율 - min(특허 증가율))/max(특허 증가율) - min(특허 증가율)}
특허수의 조정은 특허수 조정부(1111), 특허수 및 특허 증가율의 아웃 라이어 제거는 아웃라이어 제거부(1112)가, 정규화는 정규화부(1113)가 수행한다.
이어, 도 8을 참조하면서 가중치 선정부(1114)에 의한 가중치의 선정에 대해서 설명한다. 상기 가중치의 선정은 {(기술 분야의 특허 수 정규화 값*가중치) + (기술 분야의 특허 증가율 정규화 값 * (1 -가중치))}의 값으로 유망성 지수의 유망성 지수값으로 할 때, 기술 분야별로 기 설정된 가중치 변경 단위로 가중치를 변경하면서, 각 유망성 지수값의 최소값을 탐색하고, 탐색한 유망성 지수 중 최대값이 산출되는 시점의 가중치를 선택하는 것인 것이며, 상기 가중치는 연도별로 독립적으로 계산하는 것인 것이 바람직하다.
도 5는 본 발명의 기술 가치 예측 시스템(1000)의 융합성 지수값을 산출하는 일 실시예적 정보 처리 방법에 관한 도면이다. 상기 융합성 지수 산출부(1120)의 특허 분류수 입수부 (1121)는 입수한 기술 분야별 해당 연도별 특허 집합을 가공하여 기술 분야의 해당 특허 분류를 가지고 있는 특허 수 정보 생성(S31)하고, 산업 분류수 입수부(1122)는 해당 분류로 산업 분류 수 정보를 생성(S32)하고, 융합성 지수 산출(S33)하는 정보 처리를 수행한다. 상기 융합성 지수 산출부(1120)는 상기 융합성 지수를 고유한 산업 분류의 개수와 특허수를 사용하여 산출한다.
도 9는 융합성 지수 산출 방법을 설명하는 도면이다. 도 9에서 알 수 있듯이, G06F 1/02라는 기술 분야를 분석 대상으로 지정한 경우, 해당 특허 분류가 가지고 있는 특허의 개수를 카운트 하면 4개가 된다. 각 특허는 N개의 특허 분류 체계에 포함되어 있으므로 특허 별로 특허 분류 체계 - 산업 분류 매핑 노드의 개수를 모두 카운트 하면 7개가 된다. 이 때, 특허1, 특허2, 특허4는 IPC 특허 분류 체계 상의 IPC subclass 레벨에서 동일 분류를 가지고 있으므로 3개를 제외한 산업 분류 개수를 카운트 하면, 전체 노드 (7개) - 제외 노드(3개)하여 4개가 된다. 이어, 계산 된 노드의 개수를 특허 수로 나누어, 즉, 노드의 개수(4개) / 특허 수(4개)하는 것과 같이 처리하여 각 기술 분야별, 년도 별로 수행하여 융합성 지수를 산출한다.
도 6은 본 발명의 기술 가치 예측 시스템(1000)의 파급성 지수값을 산출하는 일 실시예적 정보 처리 방법에 관한 도면이다. 상기 파급성 지수 산출부(1130)의 피인용 특허수 입수부(1131)는 입수한 기술 분야별 해당 연도별 특허 집합을 가공하여 해당 연도의 특허의 피인용 특허수 정보 생성(S41)하고, 특허 분류수 입수부(1132) 는 피인용 특허의 특허 분류수 정보 생성(S42)하여, 파급성 지수 산출(S43)한다. 상기 파급성 지수는 상기 피인용수와 상기 특허수를 사용하여 산출되는 것인 것이 바람직하다.
도 10은 파급성 지수 산출 방법을 설명하는 도면이다. 도 10에서 알 수 있듯이, G06F 1/02의 하위에 특허2000, 특허2001, 특허2002를 탐색할 때, * 특허2000은 특허2004에 피인용 되고, 특허2001은 특허2002에 피인용 된다고 하고, 각 년도의 특허 수가, 2000년도의 특허 수는 10개, 2001년도의 특허 수는 5개, 2002년도의 특허 수는 15개라고 하자. 이때, G06F 1/02의 2000년도 파급성 수치는 해당 년도의 특허를 피인용한 특허의 IPC개수를 카운트하고, 이를 총 특허 수로 나누는 장식으로 계산할 수 있다. 즉, 특허2000을 피인용한 특허2004의 분류개수 2개이고, 2000년도 총 특허 수 10개이면, 2000년도 파급성 지수 2/10가 되어 0.2가 되게 된다.
상기에서 설명한 바와 같이, 상기 유망성 지수, 상기 융합성 지수, 상기 파급성 지수 및 요소 지수 예측값은 기술 분야별로 연도별로 산출되는 것인 것이 바람직하다. 상기 기술 분야는 IPC subclass, IPC main group 또는 IPC subgroup별로 산출되는 것이 바람직할 수 있을 것이다.
도 7은 본 발명의 기술 가치 예측 시스템(1000)의 예측 모델 구성부(1200)의 예측 모델을 생성하는 일 실시예적 정보 처리 방법에 관한 도면이다. 상기 예측 모델 구성부(1200)는 학습용 데이터 집합으로 예측 연도의 과거 2개년의 지수값을 독립 변수값으로 입수(S51)하고, 역전파 알고리즘으로 예측 연도의 지수값을 생성(S52)하여, 생성된 지수값을 테스트용 데이터 집합으로 테스팅을 수행(S53)하고, 예측 연도 직전 2개년도 지수값으로 예측 연도의 지수값을 생성하는 예측 모델을 결정(S54)한다. 상기 기계 학습 알고리즘은 인공 신경망 알고리즘 계열의 역전파 알고리즘인 것이 바람직하며, 상기 알고리즘은 은닉층이 1개인 3계층 퍼셉트론을 사용한 것인 것이 바람직하다.
본 발명에서는 예측 모델을 생성하기 위하여 인공 신경망 기반 시계열 예측 모형을 사용하였다. 독립 변수로는
예측 년도(t)의 과거 2개년(t-1, t-2)의 지수를 사용하였고, 종속 변수로는 예측 년도의 지수로 처리하였다. 활용한 S/W는 NeuroShell2 R 4.0를 사용하였고, 학습 방법은 역전파 알고리즘(back-propagation)을 사용하였으며, 은닉층이 1개인 3계층 퍼셉트론 적용하였다.
한편, 실험 설계는 데이터 셋을 학습용/테스트용/검증용 데이터 셋으로 3분화하여 실험하였으며, 데이터 셋의 선택은 무작위 추출하였다. 데이터 셋의 비중은 학습용은 60%, 테스트용은 20%, 검증용은 20%로 하였다. 학습률/모멘텀률은 10%로 설정하였고, 은닉층 노드 수는 n/2, n, 3n/2, 2n를 실험하였고, 은닉층 노드는 4개로 하였다. n값은 독립 변수의 수 + 종속 변수의 수로 처리하였다.
도 11은 본 발명의 기술 가치 예측 시스템(1000)의 각종 프로세스를 설명하는 도면이다. 도 11에서 알 수 있듯이, 상기 기술 가치 예측 시스템(1000)은 요소 지수 산출 모듈(1100) 을 통하여 요소 지수별로 요소 지수값을 우선적으로 산출하고, 그 결과를 요소 지수 산출 결과 DB(1140)에 저장한다. 이어, 예측 모델 구성부(1200)는 요소 지수 산출 결과 입수부(1210)를 사용하여 요소 지수 산출 결과를 입수하고, 이를 학습 데이터, 테스트 데이터 및 검증 데이터로 사용한다. 이어, 예측값 모델링 엔진(1230)은 요소 지수별로의 예측 모델을 독립적으로 생성한다. 상기 유망성 예측 모델은 유망성 예측 모델링 엔진(1231)이 생성하며, 융합성 예측 모델은 융합성 예측 모델링 엔진(1232)이 생성하며, 파급성 예측 모델은 파급성 예측 모델링 엔진(1233)이 생성한다. 이어, 상기 기술 가치 예측 모듈(1300)은 예측값 모델링 엔진(1230)이 생성한 각종 예측 모델을 사용하여, 유망성 예측값, 융합성 예측값, 파급성 예측값을 생성한다. 상기 유망성 예측값은 유망성 예측값 산출부(1310)가, 융합성 예측값은 융합성 예측값 산출부(1320)가, 파급성 예측값은 파급성 예측값 산출부(1330)가 생성하며, 생성된 예측값은 기술 가치 예측값 DB(1340)에 저장된다.
본 발명은 기술 분석, 기술 예측, 기술 컨설팅 등과 같이 R&D 및 기술 관련 각종 서비스에 광범위하게 활용할 수 있다.
1000 : 기술 가치 예측 시스템
1100 : 요소 지수 산출 모듈
1110 : 유망성 지수 산출부
1120 : 융합성 지수 산출부
1130 : 파급성 지수 산출부
1140 : 요소 지수 산출 결과 DB
1200 : 예측 모델 구성부
1210 : 요소 지수 산출 결과 입수부
1220 : 학습 데이터 DB
1230 : 예측값 모델링 엔진
1231 : 유망성 예측 모델링 엔진
12332 : 융합성 예측 모델링 엔진
1233 : 파급성 예측 모델링 엔진
1300 : 기술 가치 예측 모듈
1310 : 유망성 예측값 산출부
1320 : 융합성 예측값 산출부
1330 : 파급성 예측값 산출부
1340 : 기술 가치 예측값 DB
1400 : 특허 정보 DB
3000 : 유무선 네트워크
2000 : 사용자 단말기
1111 : 특허수 조정부
1112 : 아웃라이어 제거부
1113 : 정규화부
1114 : 가중치 선정부
1121 : 특허 분류수 입수부
1122 : 산업 분류수 입수부
1130 : 파급성 지수 산출부
1132 : 특허 분류수 입수부
1140 : 요소 지수 산출 결과 DB

Claims (10)

  1. 특허 정보를 사용하여 기술 가치 예측 정보를 생성하는 기술 가치 예측 시스템의 정보 처리 방법에 있어서, 상기 기술 가치 예측 시스템이
    (A) 적어도 2 이상의 특허를 포함하는 특허로 구성되는 입수 특허 집합을 가공하고, 상기 특허 집합에 포함된 특허를 대상으로, 적어도 하나 이상의 요소 지수의 요소 지수별 요소 지수값를 산출하는 단계;
    (B) 요소 지수값을 사용하여 요소 지수별 예측 모델을 생성하는 단계;및
    (C) 상기 요소 지수별 예측 모델을 사용하여 요소 지수별 요소 지수 예측값을 생성하는 단계;를 포함하는 것을 특징으로 하는 기술 가치 예측 시스템의 정보 처리 방법.
  2. 제 1항에 있어서,
    상기 요소 지수는 유망성 지수, 융합성 지수, 파급성 지수 중 어느 하나 이상인 것이며,
    상기 요소 지수는 기술 분야별로 생성되는 것인 것이며,
    상기 기술 분야는 기 설정된 깊이의 특허 기술 분류 정보를 사용하여 특정되는 것인 것을 특징으로 하는 기술 가치 예측 시스템의 정보 처리 방법.
  3. 제 2항에 있어서,
    상기 유망성 지수를 산출하는 것은
    (A11) 상기 특허 집합에 포함된 특허를 가공하는 단계;
    (A12) 가중치를 선정하는 단계;를 포함하며,
    상기 특허를 가공하는 것은 특허수의 조정 및 특허 증가율의 아웃 라이어 제거 및 정규화 중 어느 하나 이상을 수행하는 것인 것이며,
    상기 가중치의 선정은
    {(기술 분야의 특허 수 정규화 값*가중치) + (기술 분야의 특허 증가율 정규화 값 * (1 -가중치))}의 값으로 유망성 지수의 유망성 지수값으로 할 때, 기술 분야별로 기 설정된 가중치 변경 단위로 가중치를 변경하면서, 각 유망성 지수값의 최소값을 탐색하고, 탐색한 유망성 지수 중 최대값이 산출되는 시점의 가중치를 선택하는 것인 것이며,
    상기 가중치는 연도별로 독립적으로 계산하는 것인 것을 특징으로 하는 기술 가치 예측 시스템의 정보 처리 방법.
  4. 제 2항에 있어서,
    상기 융합성 지수를 산출하는 것은
    (A21) 상기 기술 분야에 대응되는 특허 집합의 특허들에 할당되어 있는 특허 분류의 개수를 입수하는 단계;및
    (A22) 상기 특허 분류가 해당되는 고유한 산업 분류의 개수를 입수하는 단계;를 포함하며,
    상기 융합성 지수는 고유한 산업 분류의 개수와 특허수를 사용하여 산출되는 것인 것을 특징으로 하는 기술 가치 예측 시스템의 정보 처리 방법.
  5. 제 2항에 있어서,
    상기 파급성 지수를 산출하는 것은
    (A31) 상기 기술 분야에 대응되는 특허 집합의 특허들의 피인용수를 산출하는 단계;및
    (A32) 상기 특허 집합의 특허수를 산출하는 단계;를 더 포함하며,
    상기 파급성 지수는 상기 피인용수와 상기 특허수를 사용하여 산출되는 것인 것을 특징으로 하는 기술 가치 예측 시스템의 정보 처리 방법.
  6. 제 2항에 있어서,
    상기 유망성 지수, 상기 융합성 지수, 상기 파급성 지수 및 요소 지수 예측값은 기술 분야별로 연도별로 산출되는 것인 것을
  7. 제 1항에 있어서,
    상기 요소 지수별 예측 모델을 생성하는 것은
    (B11) 학습용 데이터 집합으로 예측 연도의 과거 2개 년도의 요소 지수값을 독립 변수로 입수하는 단계;
    (B12) 기 설정된 기계 학습 알고리즘으로 예측 연도의 요소 지수값을 생성하는 단계;
    (B13) 생성된 예측 연도의 요소 지수값과 테스트용 데이터 집합으로 테스팅을 수행하는 단계;및
    (B14) 예측 연도 직전 2개 연도의 요소 지수값으로 예측 연도의 지수값을 생성하는 예측 모델을 결정하는 단계;를 포함하는 것을 특징으로 하는 기술 가치 예측 시스템의 정보 처리 방법.
  8. 제 7항에 있어서,
    상기 기계 학습 알고리즘은 인공 신경망 알고리즘 계열의 역전파 알고리즘인 것을 특징으로 하는 기술 가치 예측 시스템의 정보 처리 방법.
  9. 제 8항에 있어서,
    상기 알고리즘은 은닉층이 1개인 3계층 퍼셉트론을 사용한 것인 것을 특징으로 하는 기술 가치 예측 시스템의 정보 처리 방법.
  10. 제 1항 내지 제 9항 중 어느 한 항의 방법을 사용하며,
    적어도 하나 이상의 요소 지수별 요소 지수값을 산출하는 요소 지수 산출 모듈;
    상기 요소 지수별 예측 모델을 생성하는 예측 모델 구성부;및
    상기 요소 지수별 예측 모델을 사용하여 요소 지수별 요소 지수 예측값을 생성하는 기술 가치 예측 모듈;을 포함하는 것을 특징으로 하는 기술 가치 예측 시스템.
KR1020130020614A 2013-02-26 2013-02-26 기술 가치 예측 시스템 및 그 시스템의 정보 처리 방법 KR20140106272A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130020614A KR20140106272A (ko) 2013-02-26 2013-02-26 기술 가치 예측 시스템 및 그 시스템의 정보 처리 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130020614A KR20140106272A (ko) 2013-02-26 2013-02-26 기술 가치 예측 시스템 및 그 시스템의 정보 처리 방법

Publications (1)

Publication Number Publication Date
KR20140106272A true KR20140106272A (ko) 2014-09-03

Family

ID=51754788

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130020614A KR20140106272A (ko) 2013-02-26 2013-02-26 기술 가치 예측 시스템 및 그 시스템의 정보 처리 방법

Country Status (1)

Country Link
KR (1) KR20140106272A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190097915A (ko) 2018-02-13 2019-08-21 국민대학교산학협력단 네트워크 기반의 유망 융합기술 발굴 장치 및 방법, 이를 기록한 기록매체

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190097915A (ko) 2018-02-13 2019-08-21 국민대학교산학협력단 네트워크 기반의 유망 융합기술 발굴 장치 및 방법, 이를 기록한 기록매체

Similar Documents

Publication Publication Date Title
US10846620B2 (en) Machine learning-based patent quality metric
Alam et al. An uncertainty-aware integrated fuzzy AHP-WASPAS model to evaluate public cloud computing services
AU2001255994A1 (en) Method of Business Analysis
Alswailim et al. A reputation system to evaluate participants for participatory sensing
Benala et al. A particle swarm optimized functional link artificial neural network (PSO-FLANN) in software cost estimation
Uslu et al. Control theoretical modeling of trust-based decision making in food-energy-water management
KR20150114028A (ko) 단위 산업별 기술 가치 예측 시스템 및 그 시스템의 정보 처리 방법
Bebarta et al. Comparative study of stock market forecasting using different functional link artificial neural networks
Dave et al. Comparison of regression model, feed-forward neural network and radial basis neural network for software development effort estimation
CN109543879A (zh) 基于神经网络的负荷预测方法及装置
KR20140106272A (ko) 기술 가치 예측 시스템 및 그 시스템의 정보 처리 방법
Zheng et al. Time series forecasting using an ensemble model incorporating ARIMA and ANN based on combined objectives
Beck et al. How managers can deal with complex issues: A semi-quantitative analysis method of causal loop diagrams based on matrices
Lvovich et al. Forecasting and optimization internet of things system
Yaqub et al. Application of combined ARMA-neural network models to predict stock prices
Ji et al. Best feature selection using correlation analysis for prediction of bitcoin transaction count
Yashin et al. Assessment of Material and Intangible Motivation of Top Management in Regions Using Multipurpose Genetic Algorithm
JP2019106120A (ja) プロセススケジューリング装置、プロセス実行装置およびプロセススケジューリング方法
KR102153834B1 (ko) 확정치 및 추정치 기반의 데이터 정량화 방법
Shetty et al. Multistage method of measuring human development through improved directional distance formulation of data envelopment analysis: application to Indian States
Azadeh et al. An adaptive-network-based fuzzy inference system-data envelopment analysis algorithm for optimization of long-term electricity consumption, forecasting and policy analysis: The case of seven industrialized countries
Convertino et al. Portfolio decision technology for designing optimal syndemic management strategies
Bhattacharya et al. An algorithm for predicting local trust based on trust propagation in online social networks
Cao et al. Forecasting dengue incidence: Statistical and dynamic models
Praba et al. Real Time Automation on Real Estate using API

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application