ترکیب شبکه عصبی فازی برای پیش بینی روند فناوری های نوظهور در مدیریت تحقیق و توسعه فناوری اطلاعات

در عصری که فناوری های نوظهور با سرعت بالا ظهور می کنند، پیش بینی روند آنها به عنوان ابزاری کلیدی در مدیریت تحقیق و توسعه (R&D) مطرح است. این مقاله یک چارچوب ترکیبی مبتنی بر شبکه های عصبی و سیستم های فازی برای پیش بینی روند فناوری های نوظهور در حوزه فناوری اطلاعات معرفی می کند. ساختار مدل به گونه ای است که ابتدا داده های تاریخی فناوری، شاخص های اقتصادی و شاخص های مرتبط با موفقیت فناوری ها (مانند تعداد پتنت ثبت شده، سرمایه گذاری R&D، تعداد مقالات منتشرشده) از پایگاه های معتبر بین المللی و ملی مانند WIPO (سازمان جهانی مالکیت فکر)، (OECD) سازمان همکاری و توسعه اقتصادی، Scopus، Web of Science و گزارش های سالانه فناوری کشورها گردآوری می شوند. سپس با استفاده از مرحله پیش پردازش داده شامل نرمال سازی، تکمیل داده های گمشده و انتخاب ویژگی، ورودی ها به یک زیرمدل فازی برای کاهش عدم قطعیت تبدیل شده و سپس به شبکه عصبی منتقل می شوند. مدل به صورت ترکیبی آموزش داده می شود و توانایی بازنمایی عدم قطعیت و تغییرات غیرخطی را دارد. نتایج شبیه سازی روی یک دیتاست شبیه سازی شده برای ارزیابی مدل، از دیتاست شبیه سازی شده EmergingTech-ITForecast۲۰۲۰ استفاده شد که بر اساس داده های واقعی از پایگاه های WIPO، OECD، Scopus و Web of Science در بازه ی زمانی ۲۰۱۰ تا ۲۰۲۰ تولید شده است. بر اساس داده های واقعی در بازه زمانی ۲۰۱۰ تا ۲۰۲۰ نشان می دهد که مدل پیشنهادی نسبت به روش های مرسوم مانند شبکه عصبی پایه و رگرسیون چندگانه، خطای پیش بینی را در کل بازه داده ها به طور میانگین ۱۵٪ کاهش می دهد و ضریب تعیین (R²) را تا ۰.۹۳ ارتقا می دهد. این مدل می تواند به تصمیم گیران کمک کند تا روندهای فناوری را پیش بینی کنند و گزینه های استراتژیک را بهینه سازند.

کلیدواژه ها:

شبکه عصبی فازی ، مدیریت تحقیق و توسعه ، فناوری نوظهور ، عدم قطعیت در داده ها