超越S曲线：用于技术预测的循环神经网络
计算机与社会
2022-11-29 v1 机器学习
摘要
由于技术格局存在显著的异质性与复杂性，构建准确的预测模型是一项具有挑战性的任务。由于S曲线在许多复杂系统中具有高普遍性，它是以往研究中一种流行的预测方法。然而，其预测性能尚未与其他技术预测方法进行直接比较。此外，声称能提高预测准确性的时间序列预测最新进展尚未应用于技术发展数据。本研究通过将S曲线的预测性能与基线进行比较，并开发一种利用机器学习与时间序列预测最新进展的自编码器方法，填补了这两项研究空白。S曲线预测的总体平均绝对百分比误差（MAPE）与简单的ARIMA基线相当。然而，对于少数新兴技术，其MAPE增加了两个数量级。我们的自编码器方法比次优结果的MAPE平均改善了13.5%。它对成熟技术的预测准确率与其他方法相同。然而，它在预测新兴技术方面尤为出色，其平均MAPE比次优结果低18%。我们的结果表明，在技术预测方面，简单的ARIMA模型优于S曲线。寻求更准确预测的从业者应选择本文提出的自编码器方法。
引用
@article{arxiv.2211.15334,
title = {Beyond S-curves: Recurrent Neural Networks for Technology Forecasting},
author = {Alexander Glavackij and Dimitri Percia David and Alain Mermoud and Angelika Romanou and Karl Aberer},
journal= {arXiv preprint arXiv:2211.15334},
year = {2022}
}
备注
16 pages, 8 figures