一种专利交易预测方法及系统、专利交易平台

本发明涉及通讯技术领域，具体涉及一种专利交易预测方法及系统、专利交易平台。

目前我国技术市场成交量增长迅速，利用互联网开展技术交易等科技服务具有巨大潜力。发展在线化交易服务技术的目的在于降低交易成本、缓解交易过程的信息不对称、提高服务协同共享能力。

在专利交易过程中，平台管理者缺少对专利技术交易趋势、识别技术交易的潜力的预测，导致网上专利技术运作效率低。

本发明的目的在于提供一种专利交易预测方法及系统、专利交易平台，以解决专利交易平台上缺乏对专利交易趋势预测这一技术问题。

为达到上述目的，本发明提供一种专利交易预测方法，包括以下步骤：获取待预测专利数据；构建预测模型，预测模型由计算机执行，以预测待预测专利数据的交易概率；将交易概率显示在待预测专利数据的数据属性中。

优选地，构建预测模型包括：获取数据样本，数据样本为已发生交易的专利数据组合；获取专利数据组合的初始预测指标；构建初始预测指标和交易概率的初始预测模型；根据初始预测指标与初始预测模型的相关度，从初始预测指标中选取预测指标，以及权重；基于预测指标和权重构建预测模型。

优选地，构建初始预测指标和交易概率的初始预测模型，包括：至少从同族专利数、前向引用数、权利要求数、IPC数、发明人数、后向引用数、维持时间、权利人类型、权利人与交易平台的直线距离和专利交易价格选取若干个初始预测指标，构建初始预测模型。

优选地，根据初始预测指标与初始预测模型的相关度，从初始预测指标中选取预测指标，以及权重，包括：根据初始预测指标与交易概率发生的拒绝原假设的值确定预测指标。

优选地，初始预测模型为logistic回归模型。

优选地，logistic回归模型中专利数据发生交易的概率为P(yi＝1│x1,x2,…,xi)，其中P满足以下公式：

其中，上式中β0为常数项，β1～βi分别为自变量x1～xi的系数。

与现有技术相比，本发明的专利交易预测方法，通过从初始预测指标中构建初始预测模型，并根据初始预测指标与初始预测模型之间的相关度，选取预测指标，并最终构建预测模型，获得待预测专利数据的交易概率，实现对专利数据被交易的概率的预测，推动了专利交易平台专利交易的运作效率。

本发明还提供一种专利交易预测系统，包括：

接收单元，用于获取待预测专利数据；处理单元，用于构建预测模型，预测模型由计算机执行，以预测待预测专利数据的交易概率；并将交易概率显示在待预测专利数据的数据属性中。

优选地，处理单元用于：获取数据样本，数据样本为已发生交易的专利数据组合；获取专利数据组合的初始预测指标；构建初始预测指标和交易概率的初始预测模型；根据初始预测指标与初始预测模型的相关度，从初始预测指标中选取预测指标，以及权重；基于预测指标和权重构建预测模型。

优选地，处理单元用于：至少从同族专利数、前向引用数、权利要求数、IPC数、发明人数、后向引用数、维持时间、权利人类型、权利人与交易平台的直线距离和专利交易价格选取若干个初始预测指标，构建初始预测模型；根据初始预测指标与交易概率发生的拒绝原假设的值确定预测指标。

与现有技术相比，本发明提供的专利交易预测系统的有益效果与上述专利交易预测方法的有益效果相同，在此不做赘述。

本发明还提供一种专利交易平台，包括上述专利交易预测系统。

与现有技术相比，本发明提供的专利交易平台的有益效果与上述专利交易预测方法的有益效果相同，在此不做赘述。

图1为本发明的专利预测方法的流程图；

图2为本发明的构建预测模型的流程图；

图3为本发明的专利预测系统的框图；

附图标记：

11.接收单元、12.处理单元。

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例中提到的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况。“示例性的”或者“例如”等词用于表示作例子、例证或说明，旨在以具体方式呈现相关概念，不应被解释为比其他实施例或设计方案更优选或更具优势。

在介绍本申请实施例之前首先对本申请实施例中涉及到的相关名词作如下释义：

国际专利分类法(international patent classification，缩写为IPC)。

随着社会的发展，越来越多的专利交易平台或管理系统涌现，专利被当做商品被交易，当也应当注意到，由于专利交易平台上缺少对专利交易预测，致使专利管理平台上大量专利被闲置。

为解决上述技术问题，本发明提供一种专利交易预测方法及系统、专利交易平台。

如图1所述，本发明提供的一种专利交易预测方法，包括以下步骤：

S1.获取待预测专利数据；

需要说明的是，本发明的专利交易预测方法应用在专利交易平台上。专利交易平台上有若干专利数据，获取待预测专利数据。此时专利数据信息中包含有专利的初始预测指标。包括：交易价格、权利人与交易平台的距离、权利维持时间、权利人类型、权利要求数量、发明人数、前向引用数、IPC数、发明人数、后向引用数以及同族专利数。应理解，当构建不同的专利预测模型，可不限于上述预测预测指标。

S2.构建预测模型，预测模型由计算机执行，以预测待预测专利数据的交易概率。

在本实施例中，利用初始初测指标构建初始预测模型，并通过对初始预测指标的分析选取预测指标构建预测模型，选取待预测专利数据后实现对待预测专利数据的交易概率的预测。

专利交易包括专利法律状态发生变化，包括：专利授权、专利许可、专利转让、专利质押、专利失效。应理解，专利交易不限于上述专利法律状态发生变化。

S3.将交易概率显示在待预测专利数据的数据属性中。

将交易概率的数值显示在待预测专利数据的属性中，待用户在专利交易平台浏览时，显示的专利交易概率会提高待预测专利数据交易的可能性。

采用上述技术方案，采用预测模型预测待预测专利数据的交易概率并将概率显示在专利数据的数据属性中，提高待预测专利数据交易的概率。

在上述实施例的基础上，进一步地，构建预测模型包括：

S20.获取数据样本，数据样本为已发生交易的专利数据组合；

S21.获取专利数据组合的初始预测指标；

S22.构建初始预测指标和交易概率的初始预测模型；

S23.根据初始预测指标与初始预测模型的相关度，从初始预测指标中选取预测指标，以及权重；

S24.基于预测指标和权重构建预测模型。

在上述实施例的基础上，进一步地，构建初始预测指标和交易概率的初始预测模型，包括：至少从同族专利数、前向引用数、权利要求数、IPC数、发明人数、后向引用数、维持时间、权利人类型、权利人与交易平台的直线距离和专利交易价格选取若干个初始预测指标，构建初始预测模型。

需要说明的是，专利交易价格显示了专利权人对专利价值的预期；权利人与交易平台的直线距离影响交易平台的识别与监督成本；专利维持时间表示专利从申请日至无效、终止、撤销或届满之日的实际时间；权利人类型包括：个人、企业、高效和科研机构；前向引用数，为专利被后期专利引用的次数；IPC数是专利文件中国际专利分类号的数量；后向引用数，为专利申请文件中引用前人专利文献的数量；同族专利数，是专利权人在不同国家或地区申请、公布的具有共同优先权的专利数量。

在上述实施例的基础上，进一步地，根据初始预测指标与初始预测模型的相关度，从初始预测指标中选取预测指标，以及权重，包括：根据初始预测指标与交易概率发生的拒绝原假设的值确定预测指标。

需要说明的是，若初始预测指标与交易概率的拒绝原假设的值小于0.05，则将此初始预测指标选为预测指标。

在上述实施例的基础上，进一步地，初始预测模型为logistic回归模型。

在本实施例中选择logistic回归模型为二分类logistic回归模型。

在上述实施例的基础上，进一步地，logistic回归模型中专利数据发生交易的概率为P(yi＝1│x1,x2,…,xi)，其中P满足以下公式：

其中，上式中β0为常数项，β1～βi分别为自变量x1～xi的系数。

本发明还提供一种专利交易预测系统，包括：接收单元11，用于获取待预测专利数据；处理单元12，用于构建预测模型，预测模型由计算机执行，以预测待预测专利数据的交易概率；并将交易概率显示在待预测专利数据的数据属性中。

在上述实施例的基础上，进一步地，处理单元12用于：获取数据样本，数据样本为已发生交易的专利数据组合；获取专利数据组合的初始预测指标；构建初始预测指标和交易概率的初始预测模型；根据初始预测指标与初始预测模型的相关度，从初始预测指标中选取预测指标，以及权重；基于预测指标和权重构建预测模型。

在上述实施例的基础上，进一步地，处理单元12用于：至少从同族专利数、前向引用数、权利要求数、IPC数、发明人数、后向引用数、维持时间、权利人类型、权利人与交易平台的直线距离和专利交易价格选取若干个初始预测指标，构建初始预测模型；根据初始预测指标与交易概率发生的拒绝原假设的值确定预测指标。

本发明还提供一种专利交易平台，包括上述专利交易预测系统。

本发明的专利交易预测方法还提供一具体实施例，具体如下：

选取某网上技术交易平台的挂牌专利，确定IPC分类号A61大类的挂牌专利作为分析对象，共计获得A61大类下的样本87件，其中，维持专利有效状态的样本数为15件，权利转让状态发生变化的专利为42件，专利失效状态的专利为30件。

本发明选择从专利权转让产生权利运用状态的变化、专利权人未缴年费产生权利失效状态的变化两个角度，分析专利交易概率，即：法律状态变化的影响因素，建立相关预测模型。

为了构建两种专利法律状态变化的预测模型，确定了网上专利交易中法律状态变化的两个主要预测对象，分别是A：专利权转让产生权利运用状态的变化；B：专利权人未缴年费产生权利失效状态的变化，并将相应法律状态变化与否作为统计分析的因变量。

选取的初始预测指标包括权利人的专利交易价格、权利人与专利交易平台的距离、同族专利数、前向引用数、权利要求数、IPC数、发明人数、后向引用数和维持时间。

因变量专利法律状态变化与否是二分类变量，可利用二分类Logistic模型进行回归分析。回归模型中的因变量y取值为1，表示发生A或B的法律状态变化；y取值为0，表示未发生相应的法律状态变化。函数P代表发生A或B法律状态变化的概率，函数P中的自变量分别记为x1，x2，…，xi，则可得到估计发生法律状态变化概率的Logistic回归模型。

专利发生某一专利法律状态变化的概率P(yi＝1|x1，x2，...，xi)可以表示为：

上式中β0为常数项，β1～βi分别为自变量x1～xi的回归系数。

对于因变量A回归分析，使用向前筛选策略逐步将自变量引入回归方程，直至再无具有统计学意义的自变量可被引入时为止，最终进入回归方程的自变量为6个：前向引用数、权利要求数、IPC数、后向引用数、挂牌价格、权利人与交易所距离。

由回归模型A的结果，预测专利i发生专利转让的概率P为：

类似地，对于因变量B回归分析，最终进入回归方程的自变量为5个：前向引用数、权利要求数、后向引用数、发明人数、维持时间。

由回归模型B的结果，预测专利i未缴年费而失效的概率P为：

上面所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的构思和范围进行限定。在不脱离本发明设计构思的前提下，本领域普通人员对本发明的技术方案做出的各种变型和改进，均应落入到本发明的保护范围，本发明请求保护的技术内容，已经全部记载在权利要求书中。