5.6.2 轨道工程技术创新路径构建
专利是行业或领域中领先技术信息的集中体现，包含生产或研究过程中大量的新技术、新工艺、新产品、新方法等发明创造的信息。对专利文献进行挖掘，能够及时了解行业内外相关技术的最新发展动态、发展现状和水平，有利于准确预测其技术发展趋势。
进一步地，基于元易创新方法通过对专利信息的深度挖掘，可以完成创新要素的提取、关联规则的挖掘与强关联规则的确立、创新维度的提取及维法耦合分析，进而识别出技术创新机会，提出技术创新方案。轨道工程的创新技术路线如图5-68所示。
图5-68 轨道工程技术创新路线图
1）创新要素提取与分析
专利文献包含专利名称、专利摘要、专利权利要求书等内容，该项内容是专利主要技术方法的概括，通过对专利名称、专利摘要、专利权利要求书等内容进行数据挖掘，可以快速识别出创新要素。
在此以文本聚类方法对检索到的专利名称、摘要、权利要求书内容进行分析，可提取出高频关键词，当专利数量较多或行业涵盖内容较广泛时，提取到的关键词可能较多，虽然这些关键词包含所需要的各种创新要素，但显然不能直接用于创新研究，也无法直接提供明确的创新提示，因此需要对这些数量巨大的关键词进一步过滤，筛选出核心关键词，以形成核心创新要素。对这些海量关键词的过滤可采用经典关联规则算法，即Apriori算法。
2）创新关联规则挖掘
创新关联规则挖掘的目的是为了寻找众多创新要素之间隐藏的联系，通过统计方法找出高频关键词之间的关联关系。如作为最早应用数据挖掘技术企业之一的美国沃尔玛超市，其在数据分析中意外发现“与尿布一起购买最多的商品竟然是啤酒”，于是沃尔玛派出调查人员和分析师对这一数据结果进行了调查分析，揭示了隐藏在“啤酒与尿布”背后的一种模式，即在美国，一些年轻的父亲下班后经常被太太叮嘱要到超市为孩子购买尿布，而他们中一部分人同时也会为自己购买啤酒。借助数据挖掘，沃尔玛超市找出了“啤酒”与“尿布”之间的关系，根据挖掘到的这一关联关系，超市有意将尿布和啤酒放置的距离较近以方便特定的顾客群购买，或是故意使两者放置的有一定距离，以增加中间货架物品被购买的概率。
Apriori关联规则算法主要通过寻找频繁项集确定强关联规则。关联规则是蕴含如X→Y的表达式，其中X和Y为不相交项集，关联规则的强弱可以用其支持度计数（σ）、支持度（Support）和置信度（Confidence）衡量，支持度即给定数据的频繁程度，支持度计数即包含特定项集的事物数量，置信度确定Y在包含X事物中出现的频繁程度。
支持度的度量反映了关联规则是否具有普遍性，支持度高说明规则能够使用数据集中的大部分事物；置信度度量反映了关联规则的可靠性，置信度高说明如果满足了关联规则的前件，则有大概率满足后件。因此，在操作过程中应选择合适的支持度和置信度阈值，过滤掉普遍性不强、关联度较弱的关联规则。
最小支持度（Minsup）和最小置信度（Minconf）是对应的支持度和置信度阈值，如果项集X的支持度大于或等于阈值，则称X为频繁项集；数据库D中在项集I上满足最小支持度阈值和最小置信度阈值的关联规则即为强关联规则，被认为是有价值或有意义的规则。
Apriori关联规则算法可用以研究创新要素的关联性，是核心创新要素提取的关键步骤。通过关联规则提取创新要素的实质是通过寻找频繁项集确定强关联规则，并最终挖掘出核心创新要素。根据强关联规则中的前件创新要素和后件创新要素确定创新维度，同时进行维法耦合。
3）技术多维分析
元易创新方法将创新维度分为空间维（V1）、环境维（V2）、结构维（V3）、功能维（V4）、机理维（V5）、材料维（V6）、动力体系维（V7）、时序维（V8）及人机关系维（V9）。根据关联规则提取中获得的拟研究领域核心创新要素，可按照创新维度进行划分，进而提取出拟研究领域的创新维度。
4）技术机会识别与方案的提出
将技术多维分析提取的创新维度与9种创新法则耦合，可产生多种解决方案。在实际应用中，创新方案可能分布在一个或多个创新维度；可能出现单维度对单法则，也可能出现单维度对多法则或多维度对单法则、多维度对多法则，通过不同的创新维度与创新法则组合，可以产生不同的技术机会，进而产生诸多不同的创新方案。