영상표준특허 풀의 빅데이터 분석을 통한 기술예측 :Technology forecasting through big data analysis of videostandard patent pool

노정호

추천

검색

자료유형: 학위논문

저자정보: 노정호 (고려대학교, 고려대학교 기술경영전문대학원)

지도교수: 李哲雄

발행연도: 2021

저작권: 고려대학교 논문은 저작권에 의해 보호받습니다.

이용수1

이 논문의 연구 히스토리 (2)

2021

영상표준특허 풀의 빅데이터 분석을 통한 기술예측

노정호 기술경영학과 2021.01 학위논문

2020

영상 표준 특허 풀 분석을 통한 기술예측

노정호 , 황주미 , 이철웅 대한산업공학회지 2020.10 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

특정 산업 분야의 트랜드를 파악하고 향후 기술을 예측하기 위한 가장 효율적인 방법은 그 분야의 특허와 논문을 같이 분석하는 것이다. 특허는 상업적인 지적 재산을 보호하고 논문은 학술적 가치를 각자 보존하고 있어서 서로 보완 관계를 가지고 있기 때문이다. 본 논문에서는 영상공학 분야의 영상압축표준 특허풀의 연도별 누적 출원분포의 추세분석을 통해 기술 변화의 시기를 가늠하였다. 더불어 데이터 마이닝, 사회 연결망 분석 (Social network analysis) 그리고 LDA (latent Dirichlet allocation) 기반의 topic modeling을 적용하여 세대를 거듭하면서 발전하는 기술 트랜드를 분석하였다. 압축표준 특허의 데이터 베이스로부터 핵심 기술을 정의한 후 이를 기준으로 특허와 논문 간의 연관성을 분석하였고 두 모집단간의 강한 상관성을 확인하였다. 동일한 방법론을 논문 데이터 베이스에 적용하여 핵심 topic을 추출 후 ARIMA (Autoregressive integrated moving average model) 시계열 모형 분석을 통하여 영상압축 분야의 기술 트랜드를 분석하였다. 그 결과 과거에 활발히 연구가 진행되었던 MPEG 압축 표준 기술 연구는 쇠퇴하고 객체인식 기반의 인공지능 기술과 실사에 가까운 3D, HDR 영상 기술들이 향후 영상 공학분야의 trend를 주도할 기술로 확인되었다.

#Data mining #Social network analysis #Topic modeling #LDA #Technology forecasting #video compression #patents #papers #Big data

TABLE OF CONTENTS
1. INTRODUCTION 1
2. THEORETICAL BACKGROUND 9
2.1. TV industry 10
2.2. Technology forecasting 11
2.3. S-Curve for technology forecasting 13
2.4 Data mining 16
2.5. Social network analysis 18
2.6. Topic modeling 20
3. HYPOTHESIS 23
4. RESEARCH DESIGN 26
4.1. Design for Hypothesis-1 Verification 28
4.2. Design for Hypothesis-2 Verification 29
4.2.1. TF-IDF 29
4.2.2. Social network analysis 29
4.2.3. LDA 32
4.3. Design for Hypothesis-3 Verification 33
4.3.1. Correlation analysis 33
4.4. Design for Hypothesis-4 Verification 34
4.4.1. Perplexity 34
4.4.2. Topic trend 35
5. RESULTS OF ANALYSIS 36
5.1. Result of Hypothesis-1 36
5.1.1. S-Curve fitting 36
5.1.2. Result of simulation 40
5.2. Result of Hypothesis-2 45
5.2.1. TF-IDF of each patent pool 45
5.2.2. Social network analysis 47
5.2.3. Perplexity for patent pool 50
5.2.4. Topic modeling for patent pool 51
5.2.5. Topic clustering for patent pool 59
5.3. Result of Hypothesis-3 62
5.3.1 TF-IDF of total patent pools 62
5.3.2. Correlation analysis 64
5.4. Result of Hypothesis-4 65
5.4.1. Topic modeling for papers 65
5.4.2. Topic clustering for papers 67
5.4.3 Topic trend for papers 69
6. DISCUSSION 78
7. CONCLUSION 84
REFERENCE 86
ABSTRACT (ENGLISH) 101
ABSTRACT (KOREAN) 103

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)