Login for students

Login for employees

Publication detail

Forecasting performance of regional innovation systems using semantic-based genetic programming with local search optimizer
Authors: Hájek Petr | Henriques Roberto | Castelli Mauro | Vanneschi Leonardo
Year: 2019
Type of publication: článek v odborném periodiku
Name of source: Computers and Operations Research
Publisher name: Elsevier Science BV
Place: Amsterdam
Page from-to: 179-190
Titles:
Language Name Abstract Keywords
cze Predikce výkonnosti regionálních inovačních systémů pomocí sémantického genetického programování s optimalizací lokálního prohledávání Inovační výkonnost regionálních inovačních systémů může sloužit jako důležitý nástroj pro tvorbu politik k určení osvědčených postupů a poskytování pomoci potřebným regionům. Přesná predikce regionální inovační výkonnosti hraje rozhodující roli při provádění politik určených na podporu inovací, protože je lze použít k simulaci účinků akcí a strategií. Inovace je však složitý a dynamický sociálně-ekonomický jev. Navíc vzory v regionálních inovačních strukturách jsou stále rozmanitější a nelineárnější. Z tohoto důvodu představuje vývoj přesného nástroje pro předpovídání tohoto problému výzvu pro metody optimalizace. Hlavním cílem příspěvku je vyvinout model založený na variantě genetického programování, který by řešil problém předpovědi regionální inovační výkonnosti. Na základě historických údajů týkajících se regionální znalostní základny a konkurenceschopnosti by měl model přesně a účinně předpovídat různé inovační výstupy, včetně počtu patentů, technologické a netechnologické inovační činnosti a ekonomických účinků inovací. Ukazujeme, že navrhovaný model překonává nejmodernější metody strojového učení. výkonnost; regionální inovační systém; genetické programování
eng Forecasting performance of regional innovation systems using semantic-based genetic programming with local search optimizer Innovation performance of regional innovation systems can serve as an important tool for policymaking to identify best practices and provide aid to regions in need. Accurate forecasting of regional innovation performance plays a critical role in the implementation of policies intended to support innovation because it can be used to simulate the effects of actions and strategies. However, innovation is a complex and dynamic socio-economic phenomenon. Moreover, patterns in regional innovation structures are becoming increasingly diverse and non-linear. Therefore, to develop an accurate forecasting tool for this problem represents a challenge for optimization methods. The main aim of the paper is to develop a model based on a variant of genetic programming to address the regional innovation performance forecasting problem. Using the historical data related to regional knowledge base and competitiveness, the model should accurately and effectively predict a variety of innovation outputs, including patent counts, technological and non-technological innovation activity and economic effects of innovations. We show that the proposed model outperforms state-of-the-art machine learning methods. (C) 2018 Elsevier Ltd. All rights reserved. performance; regional innovation system; genetic programming

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives