您的位置:山东大学 -> 科技期刊社 -> 《山东大学学报(工学版)》

山东大学学报 (工学版) ›› 2023, Vol. 53 ›› Issue (2): 23-33.doi: 10.6040/j.issn.1672-3961.0.2022.255

• • 上一篇    下一篇

融合社会学因素的模糊贝叶斯网技术预测模型

张豪,李子凌,刘通,张大伟,陶建华*   

  1. 中国科学院自动化研究所模式识别国家重点实验室, 北京 100190
  • 收稿日期:2022-07-13 出版日期:2023-04-22 发布日期:2023-04-21
  • 作者简介:张豪(1990— ),男,四川德阳人,博士,主要研究方向为模式识别、知识推理. E-mail:zhanghao2021@ia.ac.cn. *通信作者简介:陶建华(1972— ),男,江苏淮安人,研究员,博士,主要研究方向为语音识别与合成、人机交互、多媒体信息. E-mail:jhtao@nlpr.ia.ac.cn
  • 基金资助:
    中科院战略性先导科技专项项目(C类)(XDC02050000)

A technology prediction model based on fuzzy Bayesian networks with sociological factors

ZHANG Hao, LI Ziling, LIU Tong, ZHANG Dawei, TAO Jianhua*   

  1. National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China
  • Received:2022-07-13 Online:2023-04-22 Published:2023-04-21

摘要: 为研究诸如无人机等新兴信息科学的未来发展趋势,更好地把握这些技术发展与应用情况的动态并及时调整发展战略,在专家系统框架下提出一种基于模糊贝叶斯网的技术趋势预测方法,有效预测无人机技术在未来10 a的发展趋势。在构建预测方案的过程中,结合领域专家的知识,设计若干影响技术发展的维度用作预测参数,不仅包括技术型指标,也包括社会型指标,从而融合更加丰富的信息,使预测结果更加专业可信。提出基于模糊贝叶斯网的技术预测模型,分别对两种类型指标的影响程度进行综合计算形成推理机,使预测结果更加直观精细,具备一定的解释性。对预测模型的结果进行详细分析,并结合其他模型进行对比评价,结果与已有的专业预测结果相符合。试验结果表明,对无人机技术未来10 a发展趋势的预测中,基于模糊贝叶斯网的技术预测模型能够获取影响因素之间的关联关系,具有更好的预测效果。

关键词: 技术预测, 模糊贝叶斯, 专家系统, 多映射, 社会学因素

中图分类号: 

  • TP391
[1] 刘鹏. 智能系统[M]. 北京:电子工业出版社,2020.
[2] MARTIN B. Technology foresight: a review of recent government exercises[J]. Science, Technology, Industry Review, 1996, 17:15-50.
[3] SHIN T. Using Delphi for a long-range technology forecasting, and assessing directions of future R&D activities the Korean exercise[J]. Technological Forecasting & Social Change, 1998, 58(1/2):125-154.
[4] SAVAGE T, DAVIS A, FISCHHOF B, et al. A strategy to improve expert technology forecasts[J]. Proceedings of the National Academy of Sciences, 2021, 118(21): e202- 1558118.
[5] KIM J, LEE S. Forecasting and identifying multi-technology convergence based on patent data[J]. Scientometrics, 2017, 111:47-65.
[6] EVANGELISTA A, ARDITO L, BOCCACCIO A, et al. Unveiling the technological trends of augmented reality: a patent analysis[J]. Computers in Industry, 2020, 118: 103221.
[7] DEHGANI M M, ASLANI A, AHMADI M H, et al. Current status and future forecasting of biofuels technology development[J]. International Journal of Energy Research, 2019, 43(3):1142-1160.
[8] 魏延,杨春颖,王永芳,等. 基于TRIZ理论和LSTM的技术成熟度评估及预测方法[J]. 导弹与航天运载技术,2022,3:153-158. WEI Yan, YANG Chunying, WANG Yongfang, et al. Technology maturity assessment and prediction method based on TRIZ theory and LSTM[J]. Missiles and Space Vehicles, 2022, 3:153-158.
[9] JANG H J, WOO H G, LEE C. Hawkes process-based technology impact analysis[J]. Journal of Informetrics, 2017, 11(2):511-529.
[10] GUI M, XU X. Technology forecasting using deep learning neural network: taking the case of robotics[J]. IEEE Access, 2021, 9:53306-53316.
[11] ZHOU Y, DONG F, LIU Y, et al. Forecasting emerging technologies using data augmentation and deep learning[J]. Scientometrics, 2020, 123:1-29.
[12] 陈伟,林超然,李金秋,等. 基于LDA-HMM的专利技术主题演化趋势分析:以船用柴油机技术为例[J]. 情报学报, 2018,37(7):732-741. CHEN Wei, LIN Chaoran, LI Jinqiu, et al. Analysis of the evolutionary trend of technical topics in patents based on LDA and HMM: taking marine diesel engine technology as an example[J]. Journal of the China Society for Scientific and Technical Information, 2018, 37(7):732-741.
[13] 董放,刘宇飞,周源. 基于LDA-SVM论文摘要多分类新兴技术预测[J]. 情报杂志,2017,36(7):40-45. DONG Fang, LIU Yufei, ZHOU Yuan. Prediction of emerging technologies based on LDA-SVM multi-class abstract of paper classification[J]. Journal of Intel-ligence, 2017, 36(7):40-45.
[14] CHOI S, JUN S. Vacant technology forecasting using new Bayesian patent clustering[J]. Technology Analysis and Strategic Management, 2014, 26(3):241-251.
[15] ZHOU Y, DONG F, KONG D, et al. Unfolding the convergence process of scientific knowledge for the early identification of emerging technologies[J]. Techno-logical Forecasting and Social Change, 2019, 144(7):205-220.
[16] 李晶, 罗泰晔. 基于文本挖掘的5G技术研究热点分析[J].科技管理研究, 2020, 40(19):160-165. LI Jing, LUO Taiye. Hot research topics analysis of 5G technology based on text mining[J]. Science and Technology Management Research, 2020, 40(19):160-165.
[17] 工业和信息化部. 促进新一代人工智能产业发展三年行动计划[R]. 北京:工业和信息化部, 2017.
[18] 国务院. 新一代人工智能发展规划[R]. 北京:国务院, 2018.
[19] 刘刚. 中国新一代人工智能科技产业发展报告2020[R]. 天津:中国新一代人工智能发展战略研究院, 2020.
[20] 李颋, 田丰. 新一代人工智能白皮书(2020年):产业智能化升级[R]. 重庆:中国电子学会, 中国数字经济百人会, 商汤智能产业研究院, 2020.
[21] SILBERGLITT R. The global technology revolution 2020[R]. California, USA: Rand Corporation, 2006.
[22] 沈林成. 移动机器人自主控制理论与技术[M]. 北京:科学出版社, 2011.
[23] HUANG H, PAVEK K, ALBUS J, et al. Autonomy levels for unmanned systems( ALFUS )framework: an update[C] // Proceedings of SPIE 5804: Unmanned Ground Vehicle Technology Ⅶ. Orlando, USA: SPIE Press, 2005: 439-448.
[24] 李欣. 军用无人机行业深度报告[R]. 南昌:中航证券,2017.
[25] United States Department of Defense. Unmanned systems integrated roadmap 2017-2042[R]. Arlington, USA: United States Department of Defense, 2018.
[1] 刘新锋, 张旖旎,徐惠三,宋玲,陈梦雅. 基于随机森林和专家系统的分布式光伏电站阴影遮挡诊断[J]. 山东大学学报 (工学版), 2021, 51(2): 98-104.
[2] 刘玉田, 孙润稼, 王洪涛, 顾雪平. 人工智能在电力系统恢复中的应用综述[J]. 山东大学学报 (工学版), 2019, 49(5): 1-8.
[3] 周风余,吴爱国,李贻斌, . 110kV输电线路巡线机器人控制方法及实现[J]. 山东大学学报(工学版), 2007, 37(6): 31-35 .
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 杨国辉1,孙晓瑜1,2,椿范立1. 应用沸石胶囊催化剂制备生物汽油(英文)[J]. 山东大学学报(工学版), 2009, 39(2): 92 -97 .
[2] 赵伟,艾洪奇. pH对Aβ42小纤维的结构影响[J]. 山东大学学报(工学版), 2018, 48(2): 134 -138 .
[3] 钟倩倩,岳钦艳*,李倩,李颖,许醒,高宝玉. 改性麦草秸秆对活性艳红的吸附动力学研究[J]. 山东大学学报(工学版), 2011, 41(1): 133 -139 .
[4] 何东之, 张吉沣, 赵鹏飞. 不确定性传播算法的MapReduce并行化实现[J]. 山东大学学报(工学版), 0, (): 22 -28 .
[5] 刘云,邱晓国 . 内插TOC系数法测定水体中COD研究[J]. 山东大学学报(工学版), 2007, 37(4): 108 -117 .
[6] 顿月芹 闵越 袁建生. 阵列侧向测井正演响应的特性分析[J]. 山东大学学报(工学版), 2010, 40(1): 121 -125 .
[7] 吉兴全,韩国正,李可军,傅荣荣,朱仰贺. 基于密度的改进K均值聚类算法在配网区块划分中的应用[J]. 山东大学学报(工学版), 2016, 46(4): 41 -46 .
[8] 徐振,李德明,王彬,詹谷益,张世杰. 硬岩隧道纯钢纤维混凝土管片应用[J]. 山东大学学报 (工学版), 2020, 50(5): 44 -49 .
[9] 闫睿一,董震,鲁森,赖艳华,吕明新. 通风柜下侧挡板和导流板对流场的影响分析[J]. 山东大学学报 (工学版), 2021, 51(5): 122 -130 .
[10] 吴俊飞,王威强,胡德栋,崔玉良, . 平阴尿塔塔体爆炸能量分析与计算[J]. 山东大学学报(工学版), 2008, 38(4): 80 -83 .