[논문]베이지안 이산모형을 이용한 기술예측

전성해

doi:10.5391/jkiis.2017.27.2.179

베이지안 이산모형을 이용한 기술예측
Technology Forecasting using Bayesian Discrete Model 원문보기

한국지능시스템학회 논문지 = Journal of Korean institute of intelligent systems, v.27 no.2, 2017년, pp.179 - 186

초록
AI-Helper

기술예측은 과거부터 현재까지의 기술개발 결과를 수집, 분석하여 특정 기술의 미래 추세 및 상태를 예측하는 것이다. 일반적으로 특허는 현재까지의 기술개발 결과를 가장 잘 가지고 있다. 왜냐하면 특허에 포함된 세부 기술은 일정기간 동안 배타적 권리가 법에 의해 보장되기 때문이다. 따라서 특허 데이터의 분석을 이용한 기술예측의 다양한 연구가 진행되었다. 특허문서의 분석을 위하여 널리 사용되는 특허 키워드 데이터는 주로 기술키워드에 대한 빈도 값으로 이루어진다. 기존의 많은 특허분석에서는 회귀분석, 박스-젠킨스 모형 등 연속형 데이터분석 기법이 적용하였다. 하지만 빈도 데이터는 이산형 데이터이기 때문에 이산형 데이터분석 방법을 사용해야 한다. 본 연구에서는 이와 같은 문제점을 해결하기 위하여 베이지안 포아송 이산모형을 이용한 특허분석 방법을 제안한다. 연구방법의 성능평가를 위하여 지금까지 출원, 등록된 애플의 전체특허를 분석하여 향후 기술을 예측하는 사례분석을 수행한다.

Abstract ▼ AI-Helper

Technology forecasting is predict future trend and state of technology by analyzing the results so far of developing technology. In general, a patent has novel information about the result of developed technology, because the exclusive right of technology included in patent is protected for a time period by patent law. So many studies on the technology forecasting using patent data analysis has been performed. The patent keyword data widely used in patent analysis consist of occurred frequency of the keyword. In most previous researches, the continuous data analyses such as regression or Box-Jenkins Models were applied to the patent keyword data. But, we have to apply the analytical methods of discrete data for patent keyword analysis because the keyword data is discrete. To solve this problem, we propose a patent analysis methodology using Bayesian Poisson discrete model. To verify the performance of our research, we carry out a case study by analyzing the patent documents applied by Apple until now.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이 행렬의 각 원소는 특정 키워드가 각 특허문서에 나타난 빈도수(frequency)이다. 따라서 각 기술키워드 간의 연관성 분석을 통하여 특정 기술 분야에서 개발된 세부 기술 간의 관계를 파악한다. 현재까지 대부분의 특허분석에 사용된 데이터분석 기법은 정형화된 특허데이터 행렬의 빈도수를 연속형(continuous) 데이터 형태로 가정하고 기술예측을 위한 분석이 이루어졌다.
본 논문은 기술예측을 위한 특허 데이터의 분석방법에 대하여 연구하였다. 수집된 특허문서는 텍스트 마이닝의 전처리과정을 통하여 구조화된 데이터 형태로 변환되고 이를 통하여 통계분석이 가능하게 된다.
또한 사후 모의실험(posterior simulation)을 이용한 베이지안 추론을 통하여 베이지안 이산모형을 구축할 수 있다 [13]. 본 논문은 베이지안 포아송 변화점 (Bayesian Poisson Change Point, BPCP) 분석을 이용한 기술예측 방법을 제안한다. 시계열(time series) 데이터의 적합을 위하여 사용되는 기존의 변화점(change point) 통계모형과 마찬가지로 BPCP도 시간에 따른 변수의 추세를 효율적으로 모형화 한다 [20,21].
그림 3는 ‘Device’, ‘Data’, ‘System’, ‘User’, ‘Media’, 그리고 ‘Display’ 키워드들의 연도별 빈도수에 대한 상자그림(box plot)을 나타내고 있다. 본 연구에서는 특히 최고 빈도수의 추세와 상자의 크기를 통하여 연도별 키워드의 추세를 확인하였다.
이와 같은 문제점을 해결하기 위하여 본 논문에서는 베이지안(Bayesian) 기반의 이산모형을 이용한 특허분석을 제안한다. 이를 통하여 향후 기술에 대한 효율적인 예측이 가능하도록 한다. 특히 사례연구를 위하여 대표적인 기술혁신 기업인 애플(Apple)의 전체특허를 분석하여 애플의 향후 기술에 대한 예측을 수행한다.
하지만 이산형인 빈도데이터에 대하여 연속형 분석기법을 적용하는 것보다 이산형 분석기법을 적용하는 것이 필요하였다. 이와 같은 문제를 해결하기 위하여 본 연구에서는 베이지안 이산모형을 적용한 특허분석을 수행하였다. 제안방법의 성능평가 및 실제 적용을 보이기 위하여 애플이 출원, 등록한 전체 특허문서를 수집하여 분석하였다.
즉 각 키워드가 포함하는 사전정보(prior)를 모형에 반영하는 작업이 필요하게 된다. 이와 같은 문제점을 해결하기 위하여 본 논문에서는 베이지안(Bayesian) 기반의 이산모형을 이용한 특허분석을 제안한다. 이를 통하여 향후 기술에 대한 효율적인 예측이 가능하도록 한다.

제안 방법

기존의 선형 모형에 적용된 확률분포의 모수에 대한 사전확률분포를 추가로 사용함으로써 모형의 성능을 향상시킨다. 따라서 본 연구에서는 목표 기술분야의 선정부터 특허문서의 수집 및 전처리, 분석을 통해 최종적으로 기술의 연구개발 기획에 이르는 전체 과정을 다음과 같이 7단계로 나눈다.
본 논문에서는 텍스트 마이닝을 위하여 R 데이터언어에 기반한 ‘tm’ 패키지를 이용하였다 [24,25].
[13, 20]. 이 모형을 통하여 특허문서로부터 추출된 키워드에 대한 분석을 통해 각 기술키워드의 연도별 추세를 예측한다. 다음 그림은 연도별 기술 키워드 분석을 위한 베이지안 포아송 모형을 계층적으로 설명하고 있다.
지금까지 상자그림을 통하여 개별 키워드에 대한 연도별 시계열 추세를 확인하고 애플의 기술개발에 영향력이 있는 키워드에 대하여 확인하였다. 이와 같은 시각화 결과를 바탕으로 본 논문의 베이지안 이산모형을 이용한 시계열 분석을 수행한다. 그림 8은 ‘Device’ 키워드에 대한 분석결과를 나타낸다.
각 키워드의 빈도수는 베이지안 포아송 모형의 반응변수 Y가 되고 연도는 시간을 나타내는 설명변수 t가 된다. 제안 방법의 실제 적용과정을 보이기 위하여 다음 절에서 지금까지 애플이 출원 및 등록한 전체특허를 이용한 실험을 수행하였다.
이와 같은 문제를 해결하기 위하여 본 연구에서는 베이지안 이산모형을 적용한 특허분석을 수행하였다. 제안방법의 성능평가 및 실제 적용을 보이기 위하여 애플이 출원, 등록한 전체 특허문서를 수집하여 분석하였다. 제안된 베이지안 이산모형 이외에도 통계학에서는 다양한 이산 데이터의 분석기법들이 있다.
제안하는 기술예측 방법론의 실제 적용을 위하여 애플이 지금까지 출원, 등록한 전체특허를 수집하고 분석하였다. 삼성과 함께 전 세계 스마트폰 시장을 주도하는 애플은 지금까지 혁신적인 기술을 바탕으로 한 다양한 제품을 생산하고 있다.
나머지 5개의 키워드들의 추세는 애플의 여러 키워드들과 마찬가지로 1990년대 중반까지 증가하다가 이후 감소하고 2000년대 들어와서 증가하는 경향을 보이고 있다. 지금까지 상자그림을 통하여 개별 키워드에 대한 연도별 시계열 추세를 확인하고 애플의 기술개발에 영향력이 있는 키워드에 대하여 확인하였다. 이와 같은 시각화 결과를 바탕으로 본 논문의 베이지안 이산모형을 이용한 시계열 분석을 수행한다.
따라서 본 논문에서는 전 세계 특허 데이터베이스로부터 애플이 출원, 등록한 전체 특허를 수집하였고 총 유효 특허수는 8,119건이었다 [22,23]. 특허 데이터의 분석을 위하여 본 실험에서는 R 데이터언어와 R 이 제공하는 패키지를 사용하였다 [13, 24-26]. 텍스트 마이닝을 이용한 전처리 과정을 거쳐서 그림 2와 같은 연도별 키워드를 추출하였다.
이를 통하여 향후 기술에 대한 효율적인 예측이 가능하도록 한다. 특히 사례연구를 위하여 대표적인 기술혁신 기업인 애플(Apple)의 전체특허를 분석하여 애플의 향후 기술에 대한 예측을 수행한다. 다음 장에서는 베이지안 이산모형을 이용한 기술예측 방법을 제시한다.

대상 데이터

공통단어(common terms)인 ‘and’, ‘a’, ‘is’ 등의 단어와 애플의 기술과 관련이 없는 단어를 제외한 상위 단어들을 키워드로 선정하였다.
삼성과 함께 전 세계 스마트폰 시장을 주도하는 애플은 지금까지 혁신적인 기술을 바탕으로 한 다양한 제품을 생산하고 있다. 따라서 본 논문에서는 전 세계 특허 데이터베이스로부터 애플이 출원, 등록한 전체 특허를 수집하였고 총 유효 특허수는 8,119건이었다 [22,23]. 특허 데이터의 분석을 위하여 본 실험에서는 R 데이터언어와 R 이 제공하는 패키지를 사용하였다 [13, 24-26].

이론/모형

그러나 비베이지안에 비해 베이지안에서는 더 많은 계산량이 요구되면서 이를 해결할 수 있는 다양한 방법이 제안되었다 [15-17]. 특히 다양한 예측모형을 구축하기 위하여 대부분의 베이지안 접근방법은 마코프체인 몬테칼로(Markov Chain Monte Carlo, MCMC) 기법을 사용한다 [13]. 통계적 추론(statistical inference)을 위하여 베이지안 모형은 이론적이면서 동시에 실제적인 기반을 모두 갖추고 있다[16,18,19].

성능/효과

또한 ‘User’의 상자 크기가 과거에 비해 최근에 지속적으로 커지고 있음이 확인되었다.
또한 베이지안 이산모형의 결과 ‘Electronic’, ‘Computer’, ‘Color’, ‘Object’, 그리고‘Network’에 해당하는 기술의 증가폭이 크다는 것을 알 수 있었다.

후속연구

따라서 ‘User’, ‘Electronic’, ‘Electronic’, ‘Computer’, ‘Color’, 그리고 ‘Object’와 관련된 기술이 향후 애플의 기술 및 신상품 개발과정에서 중요하게 사용될 것으로 예측되었다.
제안된 베이지안 이산모형 이외에도 통계학에서는 다양한 이산 데이터의 분석기법들이 있다. 여러 이산모형의 결과들을 결합한 앙상블 전략을 통하여 타당성을 더 확보할 수 있는 모형개발에 대한 연구가 향후 과제에서 진행될 수 있다.
포아송 확률변수는 단위 시간동안 특정 사건의 발생 빈도수를 나타내기 때문에 제안 방법에서 시간에 따른 특허 키워드의 빈도수에 대한 모형으로 적절하게 사용될 수 있다. 식 (4)에서 포아송 분포의 모수 m은 평균발생회수를 나타낸다.

질의응답

핵심어	질문	논문에서 추출한 답변
	다양한 예측모형을 구축하기 위하여 대부분의 베이지안 접근방법은 어떤 기법을 사용하는가?	그러나 비베이지안에 비해 베이지안에서는 더 많은 계산량이 요구되면서 이를 해결할 수 있는 다양한 방법이 제안되었다 [15-17]. 특히 다양한 예측모형을 구축하기 위하여 대부분의 베이지안 접근방법은 마코프체인 몬테칼로(Markov Chain Monte Carlo, MCMC) 기법을 사용한다 [13]. 통계적 추론(statistical inference)을 위하여 베이지안 모형은 이론적이면서 동시에 실제적인 기반을 모두 갖추고 있다[16,18,19].
	그 동안의 연구결과에서, 기술예측은 크게 3가지 접근방법에 의해 이루어졌는데, 이는 무엇인가?	기술예측과 관련된 그 동안의 연구결과에서 기술예측은 크게 3가지 접근방법에 의해 이루어졌다 [2]. 통계학과 기계학습(machine learning) 알고리즘을 이용한 정량적(quantitative) 기술예측, 델파이(Delphi)와 시나리오분석(scenario analysis) 등에 의한 정성적(qualitative) 기술예측, 그리고 정량적 방법과 정성적 방법을 결합한 통합(integrated) 기술예측이 사용되고 있다 [3-5]. 전문가의 기술지식과 주관적 판단에 의존하는 정성적 기술예측은 구성되는 전문가 집단의 능력에 따라 예측결과가 다르게 나타날 수 있기 때문에 최근의 기술예측은 통계적 기법을 이용하여 특허 빅데이터를 분석하는 정량적 접근방법에 의존하고 있다 [6-10].
	특허분석에는 어떤 분석기법들이 사용되었는가?	즉 전 세계 특허청 및 관련 기관의 특허데이터베이스로부터 목표기술에 대한 특허문서를 검색하고 텍스트 마이닝(text mining)의 전처리(preprocessing) 과정을 거쳐서 정형화된 데이터(structured data)를 구축하고, 이를 이용하여 통계학 또는 기계학습 기법에 의해 특허분석이 이루어진다. 사회네트워크분석(social network analysis), 신경망, 회귀분석, 군집분석, 시계열분석 등 다양한 분석기법들이 사용되었다. 정형화된 특허 데이터는 개별 특허문서로 이루어진 행(row)과 기술 키워드인 열(column)로 구성된 행렬구조로 구축된다 [8, 11-12].

참고문헌 (26)

Roper, A. T., Cunningham, S. W., Porter, A. L., Mason, T. W., Rossini F. A. Banks J., Forecasting and Management of Technology, Hoboken, NJ, John Wiley & Sons, 2011.
Jun, S., Park, S., Jang, D., Patent Analysis and Technology Forecasting, Kyowoo, 2014.
Jun, S., Park, S., Jang, D., "Technology Forecasting using Matrix Map and Patent Clustering", Industrial Management & Data Systems, Vol. 112, Iss. 5, pp. 786-807, 2012.

상세보기
Keller, J., Gracht, H. A. V. D., "The influence of information and communication technology (ICT) on future foresight processes - Results from a Delphi survey", Technological Forecasting and Social Change, Vol. 85, pp. 81-92, 2014.

상세보기
Jun, S., Lee, S., Ryu, J., Park, S., "A novel method of IP R&D using patent analysis and expert survey," Queen Mary Journal of Intellectual Property, Vol. 5, No. 4, pp. 474-494, 2015.
Jun, S, "A Big Data Learning for Patent Analysis", Journal of Korean Institute of Intelligent Systems, Vol. 23, No. 5, pp. 406-411, 2013.

원문보기 상세보기
Jun, S., "A Big Data Preprocessing using Statistical Text Mining", Journal of Korean Institute of Intelligent Systems, Vol. 25, No. 5, pp. 470-476, 2015.

원문보기 상세보기
Kim, J., Jun, S., "Graphical Causal Inference and Copula Regression Model for Apple Keywords by Text Mining", Advanced Engineering Informatics, Vol. 29, Iss. 4, pp. 918-929, 2015.

상세보기
Mishra, D., Gunasekaran, A., Childe, S. J., Papadopoulos, T., Dubey, R., Wamba, S., "Vision, applications and future challenges of Internet of Things: A bibliometric study of the recent literature", Industrial Management & Data Systems, Vol. 116, No. 7, pp. 1331-1355, 2016.

상세보기
Petruzzelli, A. M., Rotolo, D., Albino, V., "Determinants of patent citations in biotechnology: An analysis of patent influence across the industrial and organizational boundaries", Technological Forecasting and Social Change, Vol. 91, pp. 208-221, 2015.

상세보기
Kim, H., Kim, J., Lee, J., Park, S., Jang, D., "A Novel Methodology for Extracting Core Technology and Patents by IP Mining", Journal of Korean Institute of Intelligent Systems, Vol. 25, No. 4, pp. 392-397, 2015.

원문보기 상세보기
Kim, J., Lee, J., Park, S., Jang, D., "Technology Strategy based on Patent analysis", Journal of Korean Institute of Intelligent Systems, Vol. 26, No. 2, pp. 141-146, 2016.

원문보기 상세보기
Quinn, K. M., Martin, A. D., Park, J. H., MCMCpack: Markov chain Monte Carlo in R. Journal of Statistical Software, Vol. 42, No. 9, pp. 1-21, 2011.
Press, S. J., Subjective and Objective Bayesian Statistics, second edition, Hoboken, NJ, John Wiley & Sons, 2003.
Bottcher S. G., Dethlefsen, C., "Learning Bayesian networks with R", International Workshop on Distributed Statistical Computing (DSC2003) Working Papers, pp. 1-11, 2003.
Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., Rubin, D. B., Bayesian Data Analysis, Third Edition, Boca Raton, FL, Chapman & Hall/CRC Press, 2003.
Korb, K. B., Nicholson, A. E., Bayesian artificial intelligence, second edition, London, UK CRC press, 2011.
Jeffreys, S. H., Theory of Probability. third edition. Clarendon Press, Oxford, 1998.
Bernardo, J., Smith, A. F. M., Bayesian Theory, John Wiley & Sons, New York, 1994.
Chib, S., "Estimation and Comparison of Multiple Change-Point Models", Journal of Econometrics, Vol. 86, No. 2, pp. 221-241, 1998.

상세보기
Zou, C., Zhang, Y., Wang, Z., "A control chart based on a change-point model for monitoring linear profiles", IIE transactions, Vol. 38, No. 12, pp. 1093-1103, 2006.

상세보기
USPTO, The United States Patent and Trademark Office, http://www.uspto.gov, 2016, [Accessed: September 1, 2016].
WIPSON, WIPS Corporation, http://www.wipson.com, 2016, [Accessed: September 1, 2016].
Feinerer, I., Hornik, K., Meyer, D., "Text mining infrastructure in R", Journal of Statistical Software, Vol. 25, No. 5, pp. 1-54, 2008.
Feinerer, I., Hornik, K., Package 'tm' Ver. 0.6, Text Mining Package, CRAN of R project, 2016.
R Development Core Team, R: A language and environment for statistical computing, R Foundation for Statistical Computing, Vienna, Austria. http://www.R-project.org, 2016, [Accessed: July 1, 2016].

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증