Publikace detail

Forecasting performance of regional innovation systems using semantic-based genetic programming with local search optimizer

Autoři: Hájek Petr | Henriques Roberto | Castelli Mauro | Vanneschi Leonardo

Rok: 2019

Druh publikace: článek v odborném periodiku

Název zdroje: Computers and Operations Research

Název nakladatele: Elsevier Science BV

Místo vydání: Amsterdam

Strana od-do: 179-190

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte