基于小波包分析的组合模型的专利申请量预测

陈昭阳，杨德智，马 薇，高 虹，彭 燕

国家知识产权局专利审查协作中心，北京 100084

基于小波包分析的组合模型的专利申请量预测

陈昭阳，杨德智，马 薇，高 虹，彭 燕

国家知识产权局专利审查协作中心，北京 100084

运用小波包多分辨分解和重构技术，将专利申请量时间序列分解为同尺度的趋势项、季节项、循环项和不规则项等四项内在规律项，再把分解后的四项进行单支重构，针对重构各项的统计特征分别采用ARIMA和ARMA不同模型进行建模预测，最后根据各项预测结果计算出专利申请量的预测值。通过对分类号为A61B专利申请量的分析和验证，表明基于小波包分析的组合预测模型比传统单一预测模型的预测精度更高。

小波包分析；专利申请量；ARIMA模型；ARMA模型；时间序列；预测

0 引言

对各国家专利局而言，准确预测和估计专利申请量对审查能力规划决策至关重要。欧美的专利局长期把握着该项预测工作的关键技术和发展脉络[1，2]，这些局大多采用了传统的专利申请量的数理统计模型预测方法，包括自回归模型（AR）、滑动平均模型（MA）、自回归滑动平均模型（ARMA）以及整合自回归滑动平均模型（ARIMA），这些方法大多采用单一模型对专利申请量进行预测，不考虑专利申请量的时间序列内在的变化情况，通常会丢失重要的趋势项信息，因此，无法取得高精度的预测结果[1-5]。作为一种典型的时间序列，专利申请量基本运动变化是由趋势项、季节项、循环项和不规则项叠加构成。而且，趋势项、季节项、循环项和不规则项描述了专利申请量的时间序列按不同时间和频率运动变化的本质。因此，要全面掌握和预测专利申请量的动态变化，获得专利申请量时间序列的基本运动成分是关键。

小波包分析作为一种自适应的时-频局部分析理论，采用多分辨分解与重构将时间序列分解到同尺度下的不同频率上，从而聚焦专利申请量的动态发展变化的各细节。采用小波包分析将专利申请量分解为趋势项、季节项、循环项和不规则项，然后根据各项的统计特征分别采用ARIMA和ARMA组合建模方法，能够获得较为准确的专利申请量的预测模型。这样将小波包分析与经典的时间序列预测建模方法结合起来，从而为专利申请量的建模与预测提供了一种新的方法，可提高预测精度。

1 基于小波包分析组合预测方法

对于专利申请量的时间序列，将其进行i=2层小波包分解为趋势项、季节项、循环项和不规则项四项，然后进行重建为如下四项：

对于专利申请量的时间序列，采用小波包分解为2层，获得同尺度下的趋势项、季节项、循环项和不规则项等4个内在规律项，然后进行单支重构，对重构的各项分别采用ARIMA和ARMA模型进行预测建模，建立起专利申请量的小波包分析组合预测模型，如下图所示：

专利申请量时间序列的小波包预测组合模型图

2 基于小波包分析的组合模型对A61B专利申请量预测实证研究

首先，按月统计从1985年4月1日至2008年12月间的（一共282个月）、分类号为A61B的发明专利申请量，如图1所示。

采用‘db4’小波函数对上述分类号为A61B的专利申请量进行小波包分解，分解2层后获得专利申请量的趋势项、季节项、循环项和不规则项，如图2所示。

图1 A61B发明专利申请的时间序列图

图2 专利申请量的小波包分解图

然后对小波包分解后的各项进行小波包单支重构，如图3所示：

图3 专利申请量的小波包重构图

图4 对趋势项、季节项、循环项和不规则项的预测值

将专利申请量的小波包分解重构的趋势项进行平稳性校验，由该序列的校验特征显示该趋势项为非平稳序列，则采用ARIMA进行12个月的专利申请量预测；对小波包分解重构的季节项、循环项和不规则项进行平稳性校验，结果均为平稳序列，则采用ARMA进行12个月专利申请量的预测。

最后累加上述四项预测值就获得A61B领域的2009年度的12个月的发明专利申请量的预测值，各项由282个月的专利申请量对后12个月的预测值如图4所示。

采用单一的ARIMA模型和基于小波包分析的组合模型预测分别对A61B领域的2009年度12个月的专利申请量进行预测，并与实际值进行比较，计算相对误差，如表1所示：

表1 两种模型的专利申请量预测值与实际值的比较

由计算出的相对误差，得出两种预测方法的各月的平均相对误差分别是：17.13%和13.1%，可见基于小波包分析的组合模型对专利申请量的预测更为准确。

3 结论

本文针对专利申请量的时间序列预测问题，提出了基于小波包分析的组合模型，对专利申请的时间序列进行小波包分解，获得申请量的同尺度下的趋势项、季节项、循环项和不规则项，针对四项不同的统计特征匹配不同的预测模型，建立了与欧美专利不同的专利申请量预测方法，由以上实证研究表明：基于小波包分析的组合模型的预测方法的预测精度要远高于单一的ARIMA模型预测的精度，为我国专利申请量预测方法提供了更多的参考，同时，也为我国专利局规划和布局资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，马可·尼古拉斯.创新力预测：专利申请量预测方法研究[M].知识产权出版社，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，马欢，等.中国专利申请量预测体系的初步研究[M].国家知识产权局学术委员会一般课题（Y060201），2007，3.

[5]陈小霞.专利申请量预测与实际申请量存在较大误差[J].中国发明与专利，2008(1)：85-86.

[6]王卓群，孙志国.一种小波分解回声状态网络时间序列预测方法[J].电子测量与仪器学报，2010，24(10)：947-952.

TP39

A

1674-6708（2011）50-0227-02