基于知识图谱的新能源汽车技术主题识别与趋势预测

《Big Data Research》：Technology topic identification and trend prediction of new energy vehicle based on knowledge graph

　　凯伟·贾|英·赵
辽宁工程技术大学商学院，葫芦岛125105，中国

摘要
由于新能源汽车（NEVs）代表了汽车发展的未来方向，因此全面研究与NEVs相关的技术主题和发展趋势至关重要。此类研究对于准确把握NEV行业的技术进步、识别潜在的发展机遇以及科学制定战略计划具有关键意义，这一领域仍需进一步关注。在本文中，我们利用知识图谱来处理这些问题，这得益于大数据和人工智能技术的发展。为了更好地管理与NEVs相关的大规模数据，我们构建了一个NEVs知识图谱。此外，我们还提出了一种新的技术主题识别和NEVs趋势预测方法。最后，我们使用2016年1月1日至2024年12月31日的两个数据库（Web of Science和IncoPat）来评估我们的方法，实验结果证明了这些方法的优势。同时，研究还表明NEV技术将在多个维度上持续协调发展。

引言
鉴于工业创新模式的深刻变化和频繁发生的极端天气事件，能源结构转型的紧迫性日益增加[1,2]。这一转型转向了关键技术的创新、绿色能源解决方案的探索以及智能应用领域的广泛布局和深入实践。作为具有低碳、环保和高效率显著特点的战略性新兴产业，新能源汽车产业不仅引领了汽车产业从传统燃料向电动化和智能化的转变，还更明确地指出了汽车产业未来的发展方向，这是实现全球绿色低碳发展和帮助实现双碳目标的关键路径[3,4]。近年来，新能源汽车产业经历了前所未有的快速发展，已成为推动全球汽车产业转型和升级的核心动力[[5], [6], [7]]。面对这一发展趋势，如何从前瞻性的角度进行技术预测（或技术预见）并进行未来技术分析，已成为新能源汽车产业发展中亟需解决的问题。

由于技术预见是技术未来分析的重要组成部分，研究人员通常从定性和/或定量的角度进行研究[[8], [9], [10], [11]]。宋等人[8]提出了一种基于专利组合分析的潜在研发合作伙伴评估方法，考虑了合作伙伴之间的资源兼容性。这种方法引入了集成专利组合的概念，旨在表示潜在研发合作方之间的资源匹配情况。Esmaelian等人[9]提出了一种技术预见方法评估程序，该程序识别出最相关的技术预见方法和组织标准，随后通过多重对应分析（MCA）模型确定最合适的方法进行实施。MCA模型结合了双重数据技术和行主成分得分方法，有助于降维，并能够以图形方式分析技术预见方法与评估标准之间的关系。Apreda等人[10]旨在在技术预见过程中实施一个稳健的方法论框架。通过考察产品必须满足的功能来满足用户需求，提供了一种普遍且综合的视角，有效将用户的产品视角与其技术特性联系起来。袁和蔡[11]提出了一种改进的技术预测方法，该方法结合了S曲线模拟来预测增长曲线，并使用熵权重方法来评估潜在候选者，以提高预测结果的客观性和准确性。此外，关于技术预见，还可以参考相关文献综述[12,13]。

在当前的新能源汽车领域，对其未来技术分析的需求催生了基于上述技术预见的技术主题识别和趋势预测。胡等人[14]利用2000年至2020年间来自CNKI专利数据库的新能源汽车相关专利文本，通过潜在狄利克雷分配（LDA）主题建模技术识别出25个技术主题，并分析了这些主题在重要性和受欢迎程度方面的演变。该研究还通过构建自回归积分移动平均（ARIMA）模型，预测了2021年至2025年期间每个技术主题的预期受欢迎程度和发展趋势。邹等人[15]使用LDA方法从Web of Science（WOS）索引的13,976篇中国政策研究文章摘要数据集中识别出26个重要研究主题，并利用ARIMA模型预测了随后36个月的趋势。此外，还有一些专注于新能源汽车的未来技术预测研究。徐和桂[16]将频繁模式生长算法与投入产出分析相结合，开发了一种基于知识流视角的技术预测方法。利用1989年至2018年间来自Derwent专利数据库的NEV专利数据，该方法将数据分为五年间隔进行分类，用于识别不同时间段内的核心技术和前沿技术。同时，还采用多重共现方法来研究中国新能源汽车领域的技术格局和演变趋势。孙和Ju[17]利用多种来源的异构数据，结合潜在狄利克雷分配主题模型、社交网络分析和计量经济学技术，研究了企业层面的个人购买决策和合作研发努力对新能源汽车发展的贡献程度。陈和Cho[18]对电动汽车领域的技术趋势进行了系统分析，利用LDA主题建模识别出重要研究主题，分析基于SCIE数据库的36,519篇相关学术文章的数据集。胡等人[19]通过分析2000年至2021年授予的专利，研究了中国新能源汽车的技术进步，采用基本专利指标和LDA主题模型进行技术演变分析，并使用向量自回归模型进行趋势预测。

尽管NEVs的技术主题识别和趋势预测在未来的技术分析中具有优势，但NEVs技术预见的研究仍面临挑战。例如，技术的快速迭代和市场竞争的加剧使得线性预测方法难以有效捕捉和把握技术的发展方向。更重要的是，科学论文和专利数据的庞大、异构性和动态变化性为NEV技术的预测带来了新的机遇和挑战。随着NEV技术的快速发展，产生了大量记录该领域最前沿研究成果和技术创新突破的科学论文和专利数据。然而，这些数据的庞大、异构性和动态变化性不仅带来了数据处理困难，也给前瞻性预测带来了内在挑战，尤其是在市场分析和需求响应方面。研发成果与即时市场需求之间的匹配复杂，因为市场动态受到政策补贴和消费者期望等因素的影响，这些因素仅通过技术文本难以完全捕捉[[20], [21], [22]]。我们假设科学成果中技术关键词的频率与行业的未来发展方向之间存在强烈的正相关关系，将学术和专利成就的积累视为行业成熟度的领先指标。此外，我们假设所选数据库充分代表了全球NEV技术格局。尽管市场波动存在，我们认为短期内潜在的技术演变遵循一种可追踪的非线性模式。这些假设使我们能够利用知识图谱有效地将大量数据转化为预测洞察。

随着大数据和人工智能技术的发展，可以将大量数据转化为知识。技术预测方法正逐渐从依赖专家直觉和经验判断的定性研究，转变为基于大数据驱动的人工智能方法的定性和定量研究。知识图谱[23]作为前沿的人工智能技术，在推荐[24]和推理[25]等多个领域得到广泛应用。在新能源汽车技术预测领域，获取、处理和分析多样化信息源是准确预测的重要基础。一方面，作为有效的数据处理和分析工具，知识图谱可以深入挖掘和分析大量异构数据[26,27]，通过整合全球的科学论文和专利数据，进行本体建模和知识提取，构建实体和关系之间的复杂图结构语义网络，从而提高技术预测的准确性和可靠性。与之前的定性判断[8]或纯定量统计[11]不同，基于知识图谱的方法可以深入挖掘潜在的知识结构，使系统能够推理科学文献中未明确表述的技术关联。通过将这种语义推理与深度学习预测相结合，我们的方法旨在提供更细致和逻辑驱动的NEV技术趋势预见。另一方面，它可以高效处理和分析大规模数据，并在短时间内完成大规模数据的训练和测试。

因此，本文的动机是尝试为新能源汽车构建一个知识图谱，并提出一种新的技术主题识别和趋势预测方法。本文的其余部分安排如下：第2节介绍初步知识；第3节提出论文和专利知识图谱模型；第4节探讨基于知识图谱的技术主题识别和趋势预测；第5节展示评估结果；第6节总结全文。

**段落摘要**
新能源汽车是指使用非传统燃料或能源作为动力的车辆，主要依靠电力或其他清洁能源（如氢能）实现零排放或低排放运输，主要包括电动汽车、插电式混合动力汽车、氢燃料电池汽车等类型。值得注意的是，不同国家对新能源汽车的定义各不相同[14]。例如，在中国，它们被称为“新能源汽车”。

**基于论文的领域本体建模**
基于论文的领域本体建模通过识别和组织论文、作者、机构、关键词及其属性和关系等核心概念，创建了一个结构化的知识图谱。在领域本体类的设计中，构建核心类是描述领域知识结构的关键环节。通过分析大量论文，可以提取该领域的核心概念。

**实验设置**
在实验中，我们使用了两个数据库：WOS（Web of Science）和IncoPat。对于论文，我们选择WOS，因为它是一个国际知名的科学和技术论文数据库，包含国际期刊论文和会议论文；对于专利，我们选择IncoPat，因为它涵盖了全球范围内的大量专利信息，包含来自157个国家/组织的1.5亿多份专利文件。使用“新能源汽车”作为关键词进行检索。

**结论**
与新能源汽车相关的技术主题和发展趋势为准确把握NEV行业的技术进步带来了挑战。在本文中，我们研究了NEVs的知识图谱，并基于所提出的知识图谱提出了一种技术主题识别和趋势预测方法。