陳昭陽(yáng)，楊德智，馬 薇，高 虹，彭 燕

國(guó)家知識(shí)產(chǎn)權(quán)局專利審查協(xié)作中心，北京 100084

基于小波包分析的組合模型的專利申請(qǐng)量預(yù)測(cè)

陳昭陽(yáng)，楊德智，馬 薇，高 虹，彭 燕

國(guó)家知識(shí)產(chǎn)權(quán)局專利審查協(xié)作中心，北京 100084

運(yùn)用小波包多分辨分解和重構(gòu)技術(shù)，將專利申請(qǐng)量時(shí)間序列分解為同尺度的趨勢(shì)項(xiàng)、季節(jié)項(xiàng)、循環(huán)項(xiàng)和不規(guī)則項(xiàng)等四項(xiàng)內(nèi)在規(guī)律項(xiàng)，再把分解后的四項(xiàng)進(jìn)行單支重構(gòu)，針對(duì)重構(gòu)各項(xiàng)的統(tǒng)計(jì)特征分別采用ARIMA和ARMA不同模型進(jìn)行建模預(yù)測(cè)，最后根據(jù)各項(xiàng)預(yù)測(cè)結(jié)果計(jì)算出專利申請(qǐng)量的預(yù)測(cè)值。通過對(duì)分類號(hào)為A61B專利申請(qǐng)量的分析和驗(yàn)證，表明基于小波包分析的組合預(yù)測(cè)模型比傳統(tǒng)單一預(yù)測(cè)模型的預(yù)測(cè)精度更高。

小波包分析；專利申請(qǐng)量；ARIMA模型；ARMA模型；時(shí)間序列；預(yù)測(cè)

0 引言

對(duì)各國(guó)家專利局而言，準(zhǔn)確預(yù)測(cè)和估計(jì)專利申請(qǐng)量對(duì)審查能力規(guī)劃決策至關(guān)重要。歐美的專利局長(zhǎng)期把握著該項(xiàng)預(yù)測(cè)工作的關(guān)鍵技術(shù)和發(fā)展脈絡(luò)[1，2]，這些局大多采用了傳統(tǒng)的專利申請(qǐng)量的數(shù)理統(tǒng)計(jì)模型預(yù)測(cè)方法，包括自回歸模型（AR）、滑動(dòng)平均模型（MA）、自回歸滑動(dòng)平均模型（ARMA）以及整合自回歸滑動(dòng)平均模型（ARIMA），這些方法大多采用單一模型對(duì)專利申請(qǐng)量進(jìn)行預(yù)測(cè)，不考慮專利申請(qǐng)量的時(shí)間序列內(nèi)在的變化情況，通常會(huì)丟失重要的趨勢(shì)項(xiàng)信息，因此，無(wú)法取得高精度的預(yù)測(cè)結(jié)果[1-5]。作為一種典型的時(shí)間序列，專利申請(qǐng)量基本運(yùn)動(dòng)變化是由趨勢(shì)項(xiàng)、季節(jié)項(xiàng)、循環(huán)項(xiàng)和不規(guī)則項(xiàng)疊加構(gòu)成。而且，趨勢(shì)項(xiàng)、季節(jié)項(xiàng)、循環(huán)項(xiàng)和不規(guī)則項(xiàng)描述了專利申請(qǐng)量的時(shí)間序列按不同時(shí)間和頻率運(yùn)動(dòng)變化的本質(zhì)。因此，要全面掌握和預(yù)測(cè)專利申請(qǐng)量的動(dòng)態(tài)變化，獲得專利申請(qǐng)量時(shí)間序列的基本運(yùn)動(dòng)成分是關(guān)鍵。

小波包分析作為一種自適應(yīng)的時(shí)-頻局部分析理論，采用多分辨分解與重構(gòu)將時(shí)間序列分解到同尺度下的不同頻率上，從而聚焦專利申請(qǐng)量的動(dòng)態(tài)發(fā)展變化的各細(xì)節(jié)。采用小波包分析將專利申請(qǐng)量分解為趨勢(shì)項(xiàng)、季節(jié)項(xiàng)、循環(huán)項(xiàng)和不規(guī)則項(xiàng)，然后根據(jù)各項(xiàng)的統(tǒng)計(jì)特征分別采用ARIMA和ARMA組合建模方法，能夠獲得較為準(zhǔn)確的專利申請(qǐng)量的預(yù)測(cè)模型。這樣將小波包分析與經(jīng)典的時(shí)間序列預(yù)測(cè)建模方法結(jié)合起來，從而為專利申請(qǐng)量的建模與預(yù)測(cè)提供了一種新的方法，可提高預(yù)測(cè)精度。

1 基于小波包分析組合預(yù)測(cè)方法

對(duì)于專利申請(qǐng)量的時(shí)間序列，將其進(jìn)行i=2層小波包分解為趨勢(shì)項(xiàng)、季節(jié)項(xiàng)、循環(huán)項(xiàng)和不規(guī)則項(xiàng)四項(xiàng)，然后進(jìn)行重建為如下四項(xiàng)：

對(duì)于專利申請(qǐng)量的時(shí)間序列，采用小波包分解為2層，獲得同尺度下的趨勢(shì)項(xiàng)、季節(jié)項(xiàng)、循環(huán)項(xiàng)和不規(guī)則項(xiàng)等4個(gè)內(nèi)在規(guī)律項(xiàng)，然后進(jìn)行單支重構(gòu)，對(duì)重構(gòu)的各項(xiàng)分別采用ARIMA和ARMA模型進(jìn)行預(yù)測(cè)建模，建立起專利申請(qǐng)量的小波包分析組合預(yù)測(cè)模型，如下圖所示：

專利申請(qǐng)量時(shí)間序列的小波包預(yù)測(cè)組合模型圖

2 基于小波包分析的組合模型對(duì)A61B專利申請(qǐng)量預(yù)測(cè)實(shí)證研究

首先，按月統(tǒng)計(jì)從1985年4月1日至2008年12月間的（一共282個(gè)月）、分類號(hào)為A61B的發(fā)明專利申請(qǐng)量，如圖1所示。

采用‘db4’小波函數(shù)對(duì)上述分類號(hào)為A61B的專利申請(qǐng)量進(jìn)行小波包分解，分解2層后獲得專利申請(qǐng)量的趨勢(shì)項(xiàng)、季節(jié)項(xiàng)、循環(huán)項(xiàng)和不規(guī)則項(xiàng)，如圖2所示。

圖1 A61B發(fā)明專利申請(qǐng)的時(shí)間序列圖

圖2 專利申請(qǐng)量的小波包分解圖

然后對(duì)小波包分解后的各項(xiàng)進(jìn)行小波包單支重構(gòu)，如圖3所示：

圖3 專利申請(qǐng)量的小波包重構(gòu)圖

圖4 對(duì)趨勢(shì)項(xiàng)、季節(jié)項(xiàng)、循環(huán)項(xiàng)和不規(guī)則項(xiàng)的預(yù)測(cè)值

將專利申請(qǐng)量的小波包分解重構(gòu)的趨勢(shì)項(xiàng)進(jìn)行平穩(wěn)性校驗(yàn)，由該序列的校驗(yàn)特征顯示該趨勢(shì)項(xiàng)為非平穩(wěn)序列，則采用ARIMA進(jìn)行12個(gè)月的專利申請(qǐng)量預(yù)測(cè)；對(duì)小波包分解重構(gòu)的季節(jié)項(xiàng)、循環(huán)項(xiàng)和不規(guī)則項(xiàng)進(jìn)行平穩(wěn)性校驗(yàn)，結(jié)果均為平穩(wěn)序列，則采用ARMA進(jìn)行12個(gè)月專利申請(qǐng)量的預(yù)測(cè)。

最后累加上述四項(xiàng)預(yù)測(cè)值就獲得A61B領(lǐng)域的2009年度的12個(gè)月的發(fā)明專利申請(qǐng)量的預(yù)測(cè)值，各項(xiàng)由282個(gè)月的專利申請(qǐng)量對(duì)后12個(gè)月的預(yù)測(cè)值如圖4所示。

采用單一的ARIMA模型和基于小波包分析的組合模型預(yù)測(cè)分別對(duì)A61B領(lǐng)域的2009年度12個(gè)月的專利申請(qǐng)量進(jìn)行預(yù)測(cè)，并與實(shí)際值進(jìn)行比較，計(jì)算相對(duì)誤差，如表1所示：

表1 兩種模型的專利申請(qǐng)量預(yù)測(cè)值與實(shí)際值的比較

由計(jì)算出的相對(duì)誤差，得出兩種預(yù)測(cè)方法的各月的平均相對(duì)誤差分別是：17.13%和13.1%，可見基于小波包分析的組合模型對(duì)專利申請(qǐng)量的預(yù)測(cè)更為準(zhǔn)確。

3 結(jié)論

本文針對(duì)專利申請(qǐng)量的時(shí)間序列預(yù)測(cè)問題，提出了基于小波包分析的組合模型，對(duì)專利申請(qǐng)的時(shí)間序列進(jìn)行小波包分解，獲得申請(qǐng)量的同尺度下的趨勢(shì)項(xiàng)、季節(jié)項(xiàng)、循環(huán)項(xiàng)和不規(guī)則項(xiàng)，針對(duì)四項(xiàng)不同的統(tǒng)計(jì)特征匹配不同的預(yù)測(cè)模型，建立了與歐美專利不同的專利申請(qǐng)量預(yù)測(cè)方法，由以上實(shí)證研究表明：基于小波包分析的組合模型的預(yù)測(cè)方法的預(yù)測(cè)精度要遠(yuǎn)高于單一的ARIMA模型預(yù)測(cè)的精度，為我國(guó)專利申請(qǐng)量預(yù)測(cè)方法提供了更多的參考，同時(shí)，也為我國(guó)專利局規(guī)劃和布局資源提供了必要的支持。

[1]P.Hingley and M.Nicolas.Methods for forecasting numbers of patent applications at the european patent office.World Patent Information[J]，2004，3(26)：191-204.

[2]彼得·欣利，馬可·尼古拉斯.創(chuàng)新力預(yù)測(cè)：專利申請(qǐng)量預(yù)測(cè)方法研究[M].知識(shí)產(chǎn)權(quán)出版社，2010，1.

[3]Sheng XU，Tao QI，Liping ZHENG.Forecasting the Patent Applications Based on the Wavelet Transform and Potential Support Vector Machines.Journal of Computational Information Systems[J]，2010，Vol.6(11)：3633-3641.

[4]梁津娣，馬歡，等.中國(guó)專利申請(qǐng)量預(yù)測(cè)體系的初步研究[M].國(guó)家知識(shí)產(chǎn)權(quán)局學(xué)術(shù)委員會(huì)一般課題（Y060201），2007，3.

[5]陳小霞.專利申請(qǐng)量預(yù)測(cè)與實(shí)際申請(qǐng)量存在較大誤差[J].中國(guó)發(fā)明與專利，2008(1)：85-86.

[6]王卓群，孫志國(guó).一種小波分解回聲狀態(tài)網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)方法[J].電子測(cè)量與儀器學(xué)報(bào)，2010，24(10)：947-952.

TP39

A

1674-6708（2011）50-0227-02