賈怡煒，戚 湧，2，武蘭芬

(1.南京理工大學(xué) 知識產(chǎn)權(quán)學(xué)院；2.南京理工大學(xué) 經(jīng)濟(jì)管理學(xué)院，江蘇 南京 210094)

0 引言

與傳統(tǒng)產(chǎn)業(yè)不同，新興產(chǎn)業(yè)在創(chuàng)新過程中呈現(xiàn)出高度不確定性、復(fù)雜性和融合性特征[1]。車聯(lián)網(wǎng)集中運(yùn)用人工智能、物聯(lián)網(wǎng)、大數(shù)據(jù)和云計(jì)算等技術(shù)，是典型的高新技術(shù)綜合體。隨著算法的革新以及算力的提升，人工智能技術(shù)驅(qū)動(dòng)車聯(lián)網(wǎng)產(chǎn)業(yè)進(jìn)入創(chuàng)新發(fā)展新階段。

融合一般被解釋為兩個(gè)以上可辨識的對象趨于聯(lián)合或統(tǒng)一的過程[2]。技術(shù)融合是由技術(shù)、社會經(jīng)濟(jì)或組織力量發(fā)起的變革過程，該過程逐漸消除或改變著傳統(tǒng)行業(yè)邊界，是多元基礎(chǔ)知識和多學(xué)科交叉引起的非線性融合現(xiàn)象[3]。Gill[4]認(rèn)為，技術(shù)融合擴(kuò)大了一項(xiàng)技術(shù)在其它技術(shù)領(lǐng)域的應(yīng)用范圍，有助于在現(xiàn)有基礎(chǔ)產(chǎn)品中添加新功能。早在20世紀(jì)80年代初，計(jì)算機(jī)、通信技術(shù)就開始出現(xiàn)融合跡象和趨勢[5]。隨后，計(jì)算機(jī)和信息技術(shù)開始與傳統(tǒng)化學(xué)[6]及生物技術(shù)[7]發(fā)生融合，信息仿真和建模技術(shù)大幅提高了新設(shè)備和新產(chǎn)品開發(fā)效率。迄今為止，包括英特爾聯(lián)合創(chuàng)始人Moore[8]在內(nèi)的大多數(shù)學(xué)者都集中于研究電子和信息產(chǎn)業(yè)領(lǐng)域技術(shù)融合方案及其創(chuàng)新路徑。隨著人工智能、大數(shù)據(jù)等新興技術(shù)的快速發(fā)展，人工智能產(chǎn)業(yè)向數(shù)字化、智能化轉(zhuǎn)型。國內(nèi)外學(xué)者對人工智能領(lǐng)域技術(shù)融合進(jìn)行積極探索發(fā)現(xiàn)，人工智能逐漸滲透到工業(yè)管理等領(lǐng)域[9]，與數(shù)據(jù)分析、圖像處理和財(cái)務(wù)定價(jià)等領(lǐng)域的融合愈發(fā)明顯[10]。

在自然科學(xué)領(lǐng)域，已有不少學(xué)者通過計(jì)算推導(dǎo)等實(shí)驗(yàn)方法探索人工智能在車聯(lián)網(wǎng)領(lǐng)域的應(yīng)用和功效。例如，Bhatia等[11]研究遞歸神經(jīng)網(wǎng)絡(luò)、聚類算法在交通網(wǎng)絡(luò)流量預(yù)測與控制中的應(yīng)用；Chen等[12]研究馬爾可夫決策模型在交通網(wǎng)絡(luò)通信與數(shù)據(jù)傳輸中的應(yīng)用；Aloqaily等[13]、Bedi等[14]分別研究決策樹、隨機(jī)森林和支持向量機(jī)在車輛信息安全與入侵檢測系統(tǒng)中的應(yīng)用；Caltagirone等[15]、Khan等[16]分別研究全卷積神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)在環(huán)境感知與場景識別中的應(yīng)用；Hao等[17]研究模糊邏輯在定位導(dǎo)航與路徑規(guī)劃中的應(yīng)用；Hu等[18]、Kanapram等[19]分別研究貝葉斯優(yōu)化算法和動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型在交通安全與風(fēng)險(xiǎn)管控中的應(yīng)用；Shakarami等[20]、Mohammadnazar等[21]分別研究隱馬爾可夫模型和K均值聚類算法在車輛自主決策及智能優(yōu)化中的應(yīng)用。

專利是學(xué)術(shù)界最常用的技術(shù)創(chuàng)新衡量指標(biāo)，成為獲取新技術(shù)機(jī)會和前沿科技情報(bào)的可靠途徑[22]?；趯＠髷?shù)據(jù)研究技術(shù)融合的主要方法有專利系數(shù)分析法、社會網(wǎng)絡(luò)分析法和關(guān)聯(lián)規(guī)則挖掘等。吳曉燕等[23]根據(jù)技術(shù)融合度、中介中心性和突發(fā)指數(shù)融合指標(biāo)考察技術(shù)之間的融合程度，用以識別合成生物學(xué)技術(shù)領(lǐng)域的新興技術(shù)和關(guān)鍵技術(shù)；Park等[24]通過構(gòu)建專利引文網(wǎng)絡(luò)，探討生物技術(shù)與信息技術(shù)之間的技術(shù)融合程度；Han等[25]應(yīng)用滿足支持度和置信度的關(guān)聯(lián)規(guī)則識別信息通信技術(shù)融合網(wǎng)絡(luò)關(guān)系。目前，相關(guān)學(xué)者基于專利計(jì)量分析法對人工智能、車聯(lián)網(wǎng)領(lǐng)域技術(shù)融合進(jìn)行研究。陳悅等(2021)將人工智能作為嵌入式技術(shù)，通過分析專利IPC代碼共現(xiàn)揭示人工智能領(lǐng)域技術(shù)融合態(tài)勢；王友發(fā)等[26]利用技術(shù)主題詞共現(xiàn)分析識別人工智能領(lǐng)域核心技術(shù)；翟東升等[27]基于專利技術(shù)共現(xiàn)網(wǎng)絡(luò)揭示自動(dòng)駕駛技術(shù)融合演化規(guī)律和當(dāng)前研究熱點(diǎn)。

綜上所述，學(xué)術(shù)界對人工智能在車聯(lián)網(wǎng)領(lǐng)域的應(yīng)用開展了廣泛研究，但主要局限于具體技術(shù)方案的實(shí)現(xiàn)和推導(dǎo)驗(yàn)證上，鮮有研究涉及人工智能與車聯(lián)網(wǎng)領(lǐng)域技術(shù)融合特征和融合趨勢。在基于專利數(shù)據(jù)的技術(shù)融合研究中，機(jī)器學(xué)習(xí)等文本挖掘法的應(yīng)用相對較少，單從引文網(wǎng)絡(luò)、專利指標(biāo)層面或利用專利共類信息進(jìn)行技術(shù)融合分析存在一定的局限性。因此，本文以2000-2019年人工智能和車聯(lián)網(wǎng)技術(shù)發(fā)明專利作為研究對象，構(gòu)建人工智能與車聯(lián)網(wǎng)領(lǐng)域融合模式識別框架，對人工智能和車聯(lián)網(wǎng)領(lǐng)域的專利申請量、技術(shù)融合度和技術(shù)相似度等技術(shù)指標(biāo)進(jìn)行測度，識別人工智能在車聯(lián)網(wǎng)應(yīng)用的關(guān)鍵技術(shù)領(lǐng)域，采用Word2vec等文本挖掘技術(shù)和技術(shù)共現(xiàn)網(wǎng)絡(luò)分析法，利用Python、Gephi等數(shù)據(jù)處理和可視化工具，分階段研究人工智能應(yīng)用于車聯(lián)網(wǎng)技術(shù)的發(fā)展態(tài)勢，探析人工智能與車聯(lián)網(wǎng)技術(shù)融合特征及演化規(guī)律，可為人工智能與車聯(lián)網(wǎng)產(chǎn)業(yè)創(chuàng)新提供參考依據(jù)。

1 研究設(shè)計(jì)

1.1 研究框架

本文構(gòu)建研究框架，如圖1所示。首先，分別對人工智能和車聯(lián)網(wǎng)技術(shù)進(jìn)行分解，對全球?qū)＠麛?shù)據(jù)反復(fù)進(jìn)行檢索并調(diào)整，通過申請?zhí)柡喜⒑完P(guān)鍵著錄項(xiàng)提取等預(yù)處理操作獲取研究數(shù)據(jù)；其次，劃分技術(shù)融合演化時(shí)間窗口，進(jìn)行數(shù)據(jù)切割(萌芽期、緩慢發(fā)展期和快速發(fā)展期)；最后，從技術(shù)融合識別與測度、技術(shù)主題關(guān)聯(lián)和技術(shù)共現(xiàn)網(wǎng)絡(luò)3個(gè)維度對專利申請量、技術(shù)融合度和技術(shù)相似度等技術(shù)指標(biāo)進(jìn)行測度，利用文本聚類分析和技術(shù)共現(xiàn)網(wǎng)絡(luò)分析揭示人工智能與車聯(lián)網(wǎng)技術(shù)融合特征及演化規(guī)律。

圖1 研究框架Fig.1 Research framework

1.2 樣本選取與數(shù)據(jù)處理

專利數(shù)據(jù)來源于IncoPat專利檢索分析系統(tǒng)，檢索語言為英文，根據(jù)《車聯(lián)網(wǎng)知識產(chǎn)權(quán)白皮書(2020)》列舉的車聯(lián)網(wǎng)主要技術(shù)關(guān)鍵詞，借鑒劉穎琦等[28]的檢索方法，擬定車聯(lián)網(wǎng)專利檢索式為：“TIAB=("vehicular networking") OR ("vehicle to everything") OR ("vehicular networks") OR ("vehicle to vehicle") OR ("vehicle"(S)"network") OR ("vehicle"(S)"Internet")……”。以Lee等[29]提出的人工智能技術(shù)各層級匹配算法作為檢索關(guān)鍵詞，經(jīng)過反復(fù)檢索和調(diào)整，最終擬定人工智能專利檢索式為：“TIAB=("artificial intelligence") OR ("machine learning") OR ("deep learning") OR ("support vector machine") OR ("genetic algorithms") OR ("random forests")……”。對車聯(lián)網(wǎng)與人工智能專利檢索結(jié)果進(jìn)行匹配，得到人工智能與車聯(lián)網(wǎng)技術(shù)融合領(lǐng)域的專利數(shù)據(jù)集。采用上述專利檢索策略，共檢索出人工智能專利232 817項(xiàng)，車聯(lián)網(wǎng)專利60 801項(xiàng)，人工智能與車聯(lián)網(wǎng)融合領(lǐng)域?qū)＠? 394項(xiàng)。檢索時(shí)間跨度為2000-2019年，檢索日期為2021年10月7日。

1.3 研究方法與工具

(1)

式(1)中，SAB表示技術(shù)領(lǐng)域A與B的技術(shù)相似度；NA、NB表示A、B技術(shù)領(lǐng)域覆蓋國際專利分類(IPC)小類的集合，n表示兩個(gè)技術(shù)領(lǐng)域中IPC小類的個(gè)數(shù)；qAk、qBk分別表示技術(shù)領(lǐng)域A、B在第k類專利下的專利數(shù)量。該數(shù)值越接近于1，表明A和B領(lǐng)域間的技術(shù)分布特征越相近，技術(shù)相似度越高。

(2)文本挖掘。Word2vec是Google成員Mikolov等[32]于2013年開源推出的一個(gè)工具包，這種無監(jiān)督式學(xué)習(xí)的機(jī)器學(xué)習(xí)算法通過對單詞進(jìn)行矢量化分析，用以反映文本單詞之間的相似性關(guān)系。逯萬輝等[33]采用Word2vec模型計(jì)算期刊相似度，采用K-means算法進(jìn)行分群與聚類實(shí)驗(yàn)，采用t-SNE降維算法對期刊的分群結(jié)構(gòu)進(jìn)行可視化分析。本文利用Word2vec和K-means算法構(gòu)建技術(shù)融合主題聚類模型，采用t-SNE對各階段矢量化后的聚類數(shù)據(jù)進(jìn)行降維和可視化分析，揭示人工智能與車聯(lián)網(wǎng)技術(shù)主題關(guān)聯(lián)態(tài)勢。

(3)社會網(wǎng)絡(luò)分析。技術(shù)共現(xiàn)網(wǎng)絡(luò)分析是技術(shù)融合有效、可行的研究方法。陳鈺芬等[9]、Feng等[34]通過構(gòu)建專利IPC代碼共現(xiàn)網(wǎng)絡(luò)，識別和分析新興產(chǎn)業(yè)潛在技術(shù)融合關(guān)系及主題。本文利用Gephi軟件構(gòu)建人工智能與車聯(lián)網(wǎng)技術(shù)融合領(lǐng)域共現(xiàn)網(wǎng)絡(luò)，其中技術(shù)共現(xiàn)廣度為網(wǎng)絡(luò)中IPC節(jié)點(diǎn)連接邊的個(gè)數(shù)，技術(shù)共現(xiàn)強(qiáng)度為網(wǎng)絡(luò)中IPC節(jié)點(diǎn)連接邊的平均權(quán)重。

2 實(shí)證檢驗(yàn)

2.1 生命周期階段劃分

根據(jù)技術(shù)生命周期理論，專利技術(shù)遵循技術(shù)萌芽期、發(fā)展期、成熟期和衰退期4個(gè)階段的周期性變化。本文通過對專利數(shù)量累計(jì)百分比、申請年增長率或增長量進(jìn)行分析，對人工智能與車聯(lián)網(wǎng)融合領(lǐng)域技術(shù)生命周期階段進(jìn)行劃分。通過對2000-2019年人工智能與車聯(lián)網(wǎng)技術(shù)融合領(lǐng)域的3 394項(xiàng)專利逐年進(jìn)行統(tǒng)計(jì)，得到專利申請量年度變化及增長率數(shù)據(jù)分布，如圖2所示。

圖2 專利申請量年度變化與增長率分布Fig.2 Annual change and growth rate distribution of patent applications in the process of technology convergence

具體來看，人工智能與車聯(lián)網(wǎng)技術(shù)融合領(lǐng)域?qū)＠暾埩吭?000-2019年總體呈上升趨勢，于2019年達(dá)到峰值。2000-2012年，專利申請量年增長率在[-0.69，0.55]之間上下波動(dòng)，期間出現(xiàn)5次負(fù)增長，專利申請數(shù)量累積百分比為10.08%，人工智能在車聯(lián)網(wǎng)領(lǐng)域的應(yīng)用處于起步階段；2013-2015年，專利申請年增長率在[0.08，0.55]之間波動(dòng)， 3年專利申請數(shù)量累積百分比為7.98%，技術(shù)研發(fā)活動(dòng)開始活躍；自2016年起，專利申請年增長率在[0.25，0.63]之間波動(dòng)，專利申請數(shù)量增長迅猛，增速平穩(wěn)。截至2019年，4年專利申請累計(jì)數(shù)量百分比為81.94%，表明近幾年人工智能算法在車聯(lián)網(wǎng)技術(shù)領(lǐng)域的應(yīng)用發(fā)展迅猛，兩者技術(shù)融合愈發(fā)活躍，進(jìn)入全面發(fā)展時(shí)期。

綜上分析，人工智能與車聯(lián)網(wǎng)技術(shù)融合領(lǐng)域生命周期劃分為3個(gè)階段：2000-2012年為第一階段(萌芽期)，2013-2015年為第二階段(緩慢發(fā)展期)，2016-2019年為第三階段(快速發(fā)展期)，這為后面技術(shù)融合分階段演化分析提供了依據(jù)。

2.2 技術(shù)融合識別與測度

2.2.1 宏觀分析

2000-2019年，國家知識產(chǎn)權(quán)局、美國專利商標(biāo)局、歐洲專利局、日本特許廳和韓國知識產(chǎn)權(quán)局的人工智能、車聯(lián)網(wǎng)技術(shù)以及人工智能與車聯(lián)網(wǎng)融合領(lǐng)域?qū)＠麛?shù)量全球占比分別高達(dá)82.33%、85.06%和90.42%，如表1所示。2000-2005年，美國專利商標(biāo)局和日本特許廳人工智能領(lǐng)域?qū)＠暾垟?shù)量最多；日本特許廳專利申請量超過中國國家知識產(chǎn)權(quán)局專利申請量的4倍，是早期車聯(lián)網(wǎng)領(lǐng)域?qū)＠季种饕繕?biāo)國家；在人工智能與車聯(lián)網(wǎng)技術(shù)融合領(lǐng)域，五局專利總和僅為127項(xiàng)，人工智能在車聯(lián)網(wǎng)技術(shù)領(lǐng)域的應(yīng)用才剛起步。2006年起，中國國家知識產(chǎn)權(quán)局和美國專利商標(biāo)局車聯(lián)網(wǎng)專利申請數(shù)量呈倍數(shù)增長，成為全球車聯(lián)網(wǎng)領(lǐng)域最主要的專利布局目標(biāo)市場。2016-2019年，人工智能技術(shù)和人工智能與車聯(lián)網(wǎng)融合領(lǐng)域?qū)＠暾垟?shù)量呈大爆發(fā)趨勢，4年專利申請數(shù)量遠(yuǎn)高于前16年的專利申請數(shù)量之和。

表1 專利申請量空間分布與階段比較Tab.1 Spatial distribution and stage comparison of patent applications

2.2.2 中觀分析

以每個(gè)人工智能算法為獨(dú)立關(guān)鍵詞分別進(jìn)行檢索，共有36類算法出現(xiàn)在融合領(lǐng)域?qū)＠麡?biāo)題和摘要中。其中，神經(jīng)網(wǎng)絡(luò)專利數(shù)量最多，占比47.87%；其次是卷積神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)、深度神經(jīng)網(wǎng)絡(luò)和圖像識別算法。2000-2019年，有9類算法專利僅由中國國家知識產(chǎn)權(quán)局公布，其中粒子群優(yōu)化算法專利數(shù)量最多，共30項(xiàng)；進(jìn)化學(xué)習(xí)算法僅公布于美國專利商標(biāo)局，共9項(xiàng)。圖3展示了排名前10的算法在各時(shí)期的專利數(shù)量分布情況。其中，神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)、圖像識別算法和語音識別算法早在2000-2005年就出現(xiàn)在車聯(lián)網(wǎng)技術(shù)專利中，在各階段排名中都比較靠前，是車聯(lián)網(wǎng)領(lǐng)域重要的基礎(chǔ)算法。有些算法在車聯(lián)網(wǎng)領(lǐng)域應(yīng)用較多但出現(xiàn)較晚，如卷積神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)于2013-2015年才開始出現(xiàn)，支持向量機(jī)于2016-2019年才開始出現(xiàn)，它們是車聯(lián)網(wǎng)領(lǐng)域最具發(fā)展前景的人工智能算法，需要引起學(xué)者重點(diǎn)關(guān)注。

2.2.3 微觀分析

本文假設(shè)A為人工智能領(lǐng)域、B為車聯(lián)網(wǎng)領(lǐng)域，對人工智能與車聯(lián)網(wǎng)領(lǐng)域技術(shù)融合度和相似度進(jìn)行計(jì)算。如表2所示，技術(shù)融合度和相似度逐漸變大，快速發(fā)展期的技術(shù)融合度超過緩慢發(fā)展期的2倍，增長幅度為102.98%，說明兩者技術(shù)領(lǐng)域交集專利數(shù)量增長幅度遠(yuǎn)大于兩者技術(shù)領(lǐng)域?qū)＠倲?shù)增加幅度。這表明，人工智能與車聯(lián)網(wǎng)技術(shù)發(fā)展方向正在互相靠攏，技術(shù)融合程度不斷加深。此外，card(NA∩NB)數(shù)量的穩(wěn)定增長說明兩者技術(shù)領(lǐng)域共同涉及的技術(shù)分支類別更加多樣，技術(shù)差距日漸縮小。

對集合NA∩NB各階段的組成元素作進(jìn)一步分析，結(jié)果發(fā)現(xiàn)：F02D(燃燒發(fā)動(dòng)機(jī)控制)和H05B(電熱)領(lǐng)域?qū)＠麛?shù)量顯著下降；B60W(車輛子系統(tǒng)聯(lián)合控制)、G01D(非專用于特定變量的測量)、G06K(數(shù)據(jù)識別與表示)、G06N(基于特定計(jì)算模型的計(jì)算機(jī)系統(tǒng))、G07C(時(shí)間登記器或出勤登記器)是緩慢發(fā)展期新出現(xiàn)的技術(shù)分支；B25J(機(jī)械手；裝有操縱裝置的容器)、G07B(售票設(shè)備與車費(fèi)計(jì))、G07F(投幣式設(shè)備或類似設(shè)備)是快速發(fā)展期新出現(xiàn)的技術(shù)分支。這表明，人工智能與車輛子系統(tǒng)聯(lián)合控制等領(lǐng)域融合強(qiáng)度不斷加深，輪胎機(jī)械手和停車場管理將逐步成為人工智能在車聯(lián)網(wǎng)應(yīng)用的關(guān)鍵技術(shù)領(lǐng)域。

圖3 融合領(lǐng)域主要人工智能算法專利變化趨勢Fig.3 Patent trends of main AI algorithms in fusion field

表2 技術(shù)融合度與相似度Tab.2 Technology convergence degree and technical similarity

2.3 技術(shù)主題關(guān)聯(lián)分析

圖4、圖5和圖6分別展示了人工智能與車聯(lián)網(wǎng)在萌芽期、緩慢發(fā)展期和快速發(fā)展期的技術(shù)主題關(guān)聯(lián)情況。圖4中出現(xiàn)模糊系統(tǒng)、圖像識別算法和神經(jīng)網(wǎng)絡(luò)3種人工智能算法，其中模糊算法和圖像識別算法分別與車輛定位及自動(dòng)泊車技術(shù)存在較多關(guān)聯(lián)。radio、remote、wireless和system等詞向量距離相近，形成一個(gè)較小的聚類，說明萌芽期人工智能算法應(yīng)用于遠(yuǎn)程無線通信系統(tǒng)領(lǐng)域。圖5中新出現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)算法，比較明顯的技術(shù)集群主題包括信號處理、車流預(yù)測、探測設(shè)備、動(dòng)力裝置、目標(biāo)監(jiān)測、交通標(biāo)識識別、定位導(dǎo)航和路徑規(guī)劃等。圖6中新出現(xiàn)算法支持向量機(jī)，模糊算法被用于車載多媒體系統(tǒng)，卷積神經(jīng)網(wǎng)絡(luò)被用于數(shù)據(jù)傳輸系統(tǒng)和自動(dòng)轉(zhuǎn)向裝置，支持向量機(jī)和強(qiáng)化學(xué)習(xí)被用于動(dòng)態(tài)車輛軌跡預(yù)測。值得關(guān)注的是，human、user、risk evaluation和safety等詞在2016年之后高頻出現(xiàn)，表明車輛駕駛的安全性、穩(wěn)定性以及用戶體驗(yàn)和感受對車聯(lián)網(wǎng)產(chǎn)業(yè)發(fā)展愈發(fā)重要，platform的出現(xiàn)說明在人工智能相關(guān)技術(shù)的支撐下，車聯(lián)網(wǎng)開始轉(zhuǎn)向移動(dòng)智能出行平臺，并不斷進(jìn)化為出行空間和生活服務(wù)載體。

圖4 基于詞向量聚類的技術(shù)主題關(guān)聯(lián)(2000-2012年)Fig.4 Technical topic association map based on word vector clustering (2000-2012)

2.4 技術(shù)共現(xiàn)網(wǎng)絡(luò)分析

2.4.1 網(wǎng)絡(luò)整體結(jié)構(gòu)特征分析

2000-2012年、2013-2015年、2016-2019年3個(gè)階段的專利技術(shù)共現(xiàn)網(wǎng)絡(luò)如圖7所示。結(jié)合表3，采用網(wǎng)絡(luò)整體結(jié)構(gòu)特征指標(biāo)對網(wǎng)絡(luò)指標(biāo)進(jìn)行分析。從網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)看，第三階段節(jié)點(diǎn)數(shù)為第一階段的1.86倍，說明網(wǎng)絡(luò)規(guī)模在快速發(fā)展期迅速壯大。從邊的數(shù)值看，每個(gè)階段的網(wǎng)絡(luò)邊數(shù)都超過節(jié)點(diǎn)數(shù)，網(wǎng)絡(luò)邊數(shù)增長幅度遠(yuǎn)大于節(jié)點(diǎn)數(shù)增長幅度，說明專利技術(shù)之間的關(guān)聯(lián)關(guān)系逐漸趨于多元化。從平均度數(shù)值看，第三階段的平均度是第二階段的2.80倍，說明節(jié)點(diǎn)所代表的IPC所屬技術(shù)領(lǐng)域之間的關(guān)聯(lián)關(guān)系愈發(fā)密切。就網(wǎng)絡(luò)密度而言，由于后期更多IPC被匹配到融合技術(shù)領(lǐng)域?qū)＠校鲁霈F(xiàn)的IPC潛在聯(lián)結(jié)邊數(shù)遠(yuǎn)大于其與其它IPC的實(shí)際聯(lián)結(jié)邊數(shù)，故網(wǎng)絡(luò)密度由0.11下降至0.08，說明專利技術(shù)共現(xiàn)網(wǎng)絡(luò)整體較為稀疏，有很大提升空間。網(wǎng)絡(luò)直徑越大，說明對應(yīng)網(wǎng)絡(luò)傳輸性能和效率越低；平均聚類系數(shù)越大，說明節(jié)點(diǎn)間建立關(guān)聯(lián)關(guān)系越容易。結(jié)合網(wǎng)絡(luò)直徑和平均聚類系數(shù)看，網(wǎng)絡(luò)直徑由4下降至3，平均聚類系數(shù)由0.71增至0.75，說明不同技術(shù)間的融合難度下降，網(wǎng)絡(luò)結(jié)構(gòu)更加穩(wěn)定。

圖5 基于詞向量聚類的技術(shù)主題關(guān)聯(lián)(2013-2015年)Fig.5 Technical topic association map based on word vector clustering (2013-2015)

圖6 基于詞向量聚類的技術(shù)主題關(guān)聯(lián)(2016-2019年)Fig.6 Technical topic association map based on word vector clustering (2016-2019)

2.4.2 節(jié)點(diǎn)層面技術(shù)領(lǐng)域功能分析

對網(wǎng)絡(luò)節(jié)點(diǎn)技術(shù)共現(xiàn)廣度與技術(shù)共現(xiàn)強(qiáng)度進(jìn)行分析，如表4、表5和表6所示。其中，交通控制系統(tǒng)和基于特定計(jì)算模型的計(jì)算機(jī)系統(tǒng)在各階段的共現(xiàn)廣度與強(qiáng)度都較高，數(shù)據(jù)識別與數(shù)據(jù)表示、非電變量控制或調(diào)節(jié)系統(tǒng)等節(jié)點(diǎn)融合強(qiáng)度在技術(shù)融合發(fā)展過程中不斷提升，說明交通控制系統(tǒng)和計(jì)算機(jī)系統(tǒng)是人工智能與車聯(lián)網(wǎng)技術(shù)融合領(lǐng)域的基礎(chǔ)性專利技術(shù)，這些專利技術(shù)發(fā)展帶動(dòng)數(shù)據(jù)識別與數(shù)據(jù)表示、非電變量控制或調(diào)節(jié)系統(tǒng)以及數(shù)據(jù)處理系統(tǒng)或方法等基于人工智能技術(shù)的應(yīng)用型專利技術(shù)發(fā)展，表明人工智能與車聯(lián)網(wǎng)技術(shù)之間的關(guān)聯(lián)關(guān)系不斷深化，技術(shù)發(fā)展相互促進(jìn)。在快速發(fā)展期，圖像數(shù)據(jù)處理技術(shù)共現(xiàn)強(qiáng)度較高但廣度較低，說明其目前在車聯(lián)網(wǎng)領(lǐng)域的應(yīng)用比較集中，是近年來車聯(lián)網(wǎng)技術(shù)發(fā)展較關(guān)鍵的人工智能技術(shù)；無線通信網(wǎng)絡(luò)、數(shù)字信息傳輸和信號裝置技術(shù)共現(xiàn)廣度高但強(qiáng)度低，說明現(xiàn)階段人工智能技術(shù)發(fā)展不足以支撐與車聯(lián)網(wǎng)領(lǐng)域技術(shù)的深度融合。因此，要實(shí)現(xiàn)上述車聯(lián)網(wǎng)技術(shù)的快速發(fā)展，需要在人工智能技術(shù)領(lǐng)域取得突破。

由表7可知，在萌芽期，車輛控制與調(diào)節(jié)系統(tǒng)等車輛基礎(chǔ)技術(shù)在本領(lǐng)域和其它領(lǐng)域發(fā)揮重要作用，高權(quán)重兩端的IPC小類較分散。在緩慢發(fā)展期，數(shù)據(jù)識別與數(shù)據(jù)表示技術(shù)與交通控制系統(tǒng)和圖像數(shù)據(jù)處理等技術(shù)實(shí)現(xiàn)深度融合，人工智能技術(shù)在車聯(lián)網(wǎng)領(lǐng)域的應(yīng)用得到進(jìn)一步拓展。在快速發(fā)展期，基于特定計(jì)算模型的計(jì)算機(jī)系統(tǒng)成為網(wǎng)絡(luò)中高權(quán)重邊的交點(diǎn)，與點(diǎn)數(shù)字?jǐn)?shù)據(jù)處理、非電變量控制或調(diào)節(jié)系統(tǒng)、車輛子系統(tǒng)聯(lián)合控制以及數(shù)據(jù)處理系統(tǒng)或方法等技術(shù)存在密切關(guān)聯(lián)，對人工智能與車聯(lián)網(wǎng)跨領(lǐng)域技術(shù)融合和交叉發(fā)展發(fā)揮重要中介作用?？傮w而言，數(shù)據(jù)識別與數(shù)據(jù)表示、基于特定計(jì)算模型的計(jì)算機(jī)系統(tǒng)等技術(shù)在人工智能與車聯(lián)網(wǎng)技術(shù)融合演變過程中的控制力較強(qiáng)，推動(dòng)各技術(shù)分支交叉平衡發(fā)展。

表3 各階段專利技術(shù)共現(xiàn)網(wǎng)絡(luò)整體結(jié)構(gòu)特征Tab.3 Overall structural characteristics of patent technology co-occurrence network in each stage

圖7 專利技術(shù)共現(xiàn)網(wǎng)絡(luò)(2000-2012年、2013-2015年、2016-2019年)Fig.7 Co-occurrence network of patent technology(2000-2012、2013-2015、2016-2019)

表4 技術(shù)共現(xiàn)廣度與共現(xiàn)強(qiáng)度較高的IPC小類Tab.4 IPC subclass with high co-occurrence breadth and intensity

表5 技術(shù)共現(xiàn)強(qiáng)度較高、共現(xiàn)廣度較低的IPC小類Tab.5 IPC subclass with high co-occurrence intensity and low co-occurrence breadth

表6 技術(shù)共現(xiàn)廣度較高、共現(xiàn)強(qiáng)度較低的IPC小類Tab.6 IPC category with high co-occurrence breadth and low co-occurrence intensity

表7 高權(quán)重邊兩端節(jié)點(diǎn)的IPC小類Tab.7 IPC subclass at both ends of high weight edge

3 結(jié)論與啟示

3.1 研究結(jié)論

本文基于人工智能和車聯(lián)網(wǎng)領(lǐng)域?qū)＠墨I(xiàn)數(shù)據(jù)，從技術(shù)融合識別與測度、技術(shù)主題關(guān)聯(lián)和技術(shù)共現(xiàn)網(wǎng)絡(luò)3個(gè)維度，剖析人工智能與車聯(lián)網(wǎng)領(lǐng)域技術(shù)融合特征和演化規(guī)律，得出以下研究結(jié)論：第一，技術(shù)融合發(fā)展呈現(xiàn)明顯的階段性特征，人工智能在車聯(lián)網(wǎng)領(lǐng)域的應(yīng)用發(fā)展迅速，技術(shù)融合程度日益加深，進(jìn)入全面發(fā)展時(shí)期；第二，車聯(lián)網(wǎng)領(lǐng)域每個(gè)時(shí)期新出現(xiàn)和積極應(yīng)用的人工智能算法不同，人工智能在車聯(lián)網(wǎng)領(lǐng)域的應(yīng)用范圍不斷拓展；第三，面向用戶對車輛安全管理、智能接待和出行安排等多樣化綜合服務(wù)需求，人工智能開始逐漸應(yīng)用于車聯(lián)網(wǎng)智能平臺技術(shù)研究，這是車聯(lián)網(wǎng)產(chǎn)業(yè)發(fā)展的一個(gè)重要轉(zhuǎn)折點(diǎn)；第四，技術(shù)領(lǐng)域之間的關(guān)聯(lián)關(guān)系愈發(fā)密切，技術(shù)共現(xiàn)網(wǎng)絡(luò)整體較為稀疏，有很大的提升空間；第五，數(shù)據(jù)識別與數(shù)據(jù)表示、基于特定計(jì)算模型的計(jì)算機(jī)系統(tǒng)等技術(shù)在融合演變過程中的控制力較強(qiáng)，無線通信網(wǎng)絡(luò)、數(shù)字信息傳輸和信號裝置等技術(shù)的快速發(fā)展需要在相關(guān)人工智能技術(shù)領(lǐng)域取得突破。

3.2 啟示與建議

根據(jù)上述研究結(jié)論，本文提出如下啟示：

(1)利用人工智能和車聯(lián)網(wǎng)融合領(lǐng)域技術(shù)主題關(guān)聯(lián)圖譜和技術(shù)共現(xiàn)網(wǎng)絡(luò)挖掘融合領(lǐng)域中的關(guān)鍵算法，識別未來人工智能與車聯(lián)網(wǎng)技術(shù)融合方向?，F(xiàn)階段，我國應(yīng)加強(qiáng)對自然語言處理和進(jìn)化學(xué)習(xí)算法等人工智能技術(shù)的研發(fā)投入，縮小與發(fā)達(dá)國家的差距；加大對車聯(lián)網(wǎng)智能平臺發(fā)展的政策扶持，構(gòu)建數(shù)據(jù)共享和信息維護(hù)市場化機(jī)制；面向車聯(lián)網(wǎng)信息通信領(lǐng)域，增設(shè)人工智能科研基金立項(xiàng)選題，實(shí)現(xiàn)車聯(lián)網(wǎng)系統(tǒng)關(guān)鍵技術(shù)和新產(chǎn)品突破。

(2)推動(dòng)計(jì)算機(jī)科學(xué)技術(shù)與機(jī)械工程、動(dòng)力與電氣工程、工程與技術(shù)學(xué)科等基礎(chǔ)學(xué)科的深度融合，根據(jù)技術(shù)共現(xiàn)網(wǎng)絡(luò)分析獲得的技術(shù)分支領(lǐng)域，為人工智能和車聯(lián)網(wǎng)產(chǎn)業(yè)創(chuàng)新人才培養(yǎng)提供學(xué)科知識體系。瞄準(zhǔn)科學(xué)技術(shù)發(fā)展前沿，鼓勵(lì)高校加強(qiáng)人工智能交叉學(xué)科建設(shè)，將人工智能和車聯(lián)網(wǎng)領(lǐng)域基礎(chǔ)科學(xué)研究與產(chǎn)業(yè)應(yīng)用需求緊密結(jié)合起來，加快培育一批我國戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展亟需的復(fù)合型人才。

(3)搭建人工智能與車聯(lián)網(wǎng)領(lǐng)域新型共性技術(shù)研發(fā)平臺，賦能企業(yè)、高校和科研院所等多主體協(xié)同研發(fā)，實(shí)現(xiàn)科技成果共享。把科技自立自強(qiáng)作為發(fā)展戰(zhàn)略支撐，依托知識產(chǎn)權(quán)大數(shù)據(jù)分析，加強(qiáng)技術(shù)融合領(lǐng)域的宏觀調(diào)控。協(xié)調(diào)整合各方資源，提升跨領(lǐng)域研發(fā)主體間的信息傳遞效率，打破制約產(chǎn)業(yè)發(fā)展的技術(shù)瓶頸，促進(jìn)車聯(lián)網(wǎng)產(chǎn)業(yè)規(guī)模不斷擴(kuò)大。