融合动态主题模型与图卷积网络的技术演化分析及融合趋势预测——以氢能源汽车专利数据为例

《Scientific Reports》：Technology topic mining and evolution path analysis based on dynamic topic modeling: a case study of hydrogen energy vehicle technology

　　技术主题演化分析与融合趋势预测是技术情报学的重要研究方向。针对传统主题模型在进行跨期主题匹配时固有的身份漂移和阈值依赖问题，以及现有技术演化研究在定量预测技术融合趋势方面能力有限的现状，本文提出了一种融合动态主题模型（DTM）、技术生命周期理论和图卷积网络（GCN）的技术演化分析与融合预测集成框架。该框架首先利用逻辑斯蒂增长模型划分技术生命周期阶段，随后采用DTM对时序专利文本进行动态建模以实现持续主题跟踪和多维度演化识别，并进一步构建主题共现网络，使用GCN进行链接预测和潜在技术融合关系评估。以Derwent Innovation Index数据库中2001年至2024年涵盖氢能源汽车的专利数据（11,872件有效专利）为案例研究，构建了50个技术主题的动态演化图谱并预测了技术融合趋势。研究发现：（1）氢能源汽车技术呈现"单点突破—系统扩展—智能融合"的三阶段演化模式，核心技术主题逐步从燃料电池堆研发转向膜电极集成，从高压储氢转向多元化储运，从功率控制转向智能能源管理；（2）主题持久性分析表明，2017—2024年期间技术分化和重组显著加剧，新兴主题主要面向整车级集成和热管理，反映了创新重心从"部件级"向"系统集成级"的转变；（3）基于GCN的技术融合预测模型在五项评估指标中的四项上优于所有四个基线模型（AUC = 0.8925），预测结果揭示了"新兴—新兴"和"成熟—新兴"两条差异化融合路径，为技术布局提供了前瞻性参考。所提出的"演化分析—融合预测"集成框架为技术演化研究提供了系统化和定量的方法论，支持氢能产业的技术规划和战略决策。