开放科学(资源服务)标识码(OSID)：
The research framework is built with the help of data analysis methods and technology convergence theory. Firstly, relevant patent data of artificial intelligence and Internet of Vehicles field from 2000 to 2019 are collected as the research object and the data are preprocessed to obtain information feature extraction. Next, the technology life cycle of the fusion field is divided into budding period, slow development period and rapid development period. Finally, the technical indicators such as patent application volume, technology convergence degree and technology similarity are analyzed from the three dimensions of technology convergence identification and measurement, technology theme association and technology co-occurrence network. In order to display the results of data analysis more intuitively, the convergence characteristics and evolution process of artificial intelligence and Internet of Vehicles technology are visualized in stages.
The results show that the development of technology convergence presents significant phasic characteristics, and the degree of technology convergence has been markedly deepened. In the field of Internet of vehicles, there are various artificial intelligence algorithms emerging and actively applied in each period, and the application scope of artificial intelligence in the field of Internet of Vehicles continues to expand. In response to users' diversified comprehensive service needs such as vehicle safety management, intelligent reception and travel arrangements, artificial intelligence has gradually been applied to the technical research of the Internet of Vehicles intelligent platform, which is an important turning point in the development of the Internet of Vehicles industry. Furthermore, the relationship between technical fields is getting closer, and the technology co-occurrence network is still relatively sparse. Data recognition and data representation, computer system based on specific computing model and other technologies have strong control ability in the process of convergence evolution. Specifically, the rapid development of technologies such as wireless communication networks, digital information transmission and signaling devices requires breakthroughs in related artificial intelligence technologies.
This paper innovatively proposes an identification framework for the convergence mode of artificial intelligence across the field of Internet of Vehicle，and it can be generally applied to other industrial field for predicting the trend of technology convergence. Different from the previous literature, this paper comprehensively uses text mining and network analysis methods to empirically analyze the impact of artificial intelligence algorithms on the development of Internet of Vehicles technology from multiple dimensions, and explore the most potential and promising artificial intelligence algorithms and their application scope. In addition, this paper discovers new technology opportunities for the application of artificial intelligence in the field of Internet of Vehicles, and puts forward enlightenment and suggestions from the aspects of R&D direction, discipline construction and platform construction.
开放科学(资源服务)标识码(OSID)：
与传统产业不同，新兴产业在创新过程中呈现出高度不确定性、复杂性和融合性特征[1]。车联网集中运用人工智能、物联网、大数据和云计算等技术，是典型的高新技术综合体。随着算法的革新以及算力的提升，人工智能技术驱动车联网产业进入创新发展新阶段。
融合一般被解释为两个以上可辨识的对象趋于联合或统一的过程[2]。技术融合是由技术、社会经济或组织力量发起的变革过程，该过程逐渐消除或改变着传统行业边界，是多元基础知识和多学科交叉引起的非线性融合现象[3]。Gill[4]认为，技术融合扩大了一项技术在其它技术领域的应用范围，有助于在现有基础产品中添加新功能。早在20世纪80年代初，计算机、通信技术就开始出现融合迹象和趋势[5]。随后，计算机和信息技术开始与传统化学[6]及生物技术[7]发生融合，信息仿真和建模技术大幅提高了新设备和新产品开发效率。迄今为止，包括英特尔联合创始人Moore[8]在内的大多数学者都集中于研究电子和信息产业领域技术融合方案及其创新路径。随着人工智能、大数据等新兴技术的快速发展，人工智能产业向数字化、智能化转型。国内外学者对人工智能领域技术融合进行积极探索发现，人工智能逐渐渗透到工业管理等领域[9]，与数据分析、图像处理和财务定价等领域的融合愈发明显[10]。
在自然科学领域，已有不少学者通过计算推导等实验方法探索人工智能在车联网领域的应用和功效。例如，Bhatia等[11]研究递归神经网络、聚类算法在交通网络流量预测与控制中的应用；Chen等[12]研究马尔可夫决策模型在交通网络通信与数据传输中的应用；Aloqaily等[13]、Bedi等[14]分别研究决策树、随机森林和支持向量机在车辆信息安全与入侵检测系统中的应用；Caltagirone等[15]、Khan等[16]分别研究全卷积神经网络和BP神经网络在环境感知与场景识别中的应用；Hao等[17]研究模糊逻辑在定位导航与路径规划中的应用；Hu等[18]、Kanapram等[19]分别研究贝叶斯优化算法和动态贝叶斯网络模型在交通安全与风险管控中的应用；Shakarami等[20]、Mohammadnazar等[21]分别研究隐马尔可夫模型和K均值聚类算法在车辆自主决策及智能优化中的应用。
专利是学术界最常用的技术创新衡量指标，成为获取新技术机会和前沿科技情报的可靠途径[22]。基于专利大数据研究技术融合的主要方法有专利系数分析法、社会网络分析法和关联规则挖掘等。吴晓燕等[23]根据技术融合度、中介中心性和突发指数融合指标考察技术之间的融合程度，用以识别合成生物学技术领域的新兴技术和关键技术；Park等[24]通过构建专利引文网络，探讨生物技术与信息技术之间的技术融合程度；Han等[25]应用满足支持度和置信度的关联规则识别信息通信技术融合网络关系。目前，相关学者基于专利计量分析法对人工智能、车联网领域技术融合进行研究。陈悦等(2021)将人工智能作为嵌入式技术，通过分析专利IPC代码共现揭示人工智能领域技术融合态势；王友发等[26]利用技术主题词共现分析识别人工智能领域核心技术；翟东升等[27]基于专利技术共现网络揭示自动驾驶技术融合演化规律和当前研究热点。
综上所述，学术界对人工智能在车联网领域的应用开展了广泛研究，但主要局限于具体技术方案的实现和推导验证上，鲜有研究涉及人工智能与车联网领域技术融合特征和融合趋势。在基于专利数据的技术融合研究中，机器学习等文本挖掘法的应用相对较少，单从引文网络、专利指标层面或利用专利共类信息进行技术融合分析存在一定的局限性。因此，本文以2000-2019年人工智能和车联网技术发明专利作为研究对象，构建人工智能与车联网领域融合模式识别框架，对人工智能和车联网领域的专利申请量、技术融合度和技术相似度等技术指标进行测度，识别人工智能在车联网应用的关键技术领域，采用Word2vec等文本挖掘技术和技术共现网络分析法，利用Python、Gephi等数据处理和可视化工具，分阶段研究人工智能应用于车联网技术的发展态势，探析人工智能与车联网技术融合特征及演化规律，可为人工智能与车联网产业创新提供参考依据。
本文构建研究框架，如图1所示。首先，分别对人工智能和车联网技术进行分解，对全球专利数据反复进行检索并调整，通过申请号合并和关键著录项提取等预处理操作获取研究数据；其次，划分技术融合演化时间窗口，进行数据切割(萌芽期、缓慢发展期和快速发展期)；最后，从技术融合识别与测度、技术主题关联和技术共现网络3个维度对专利申请量、技术融合度和技术相似度等技术指标进行测度，利用文本聚类分析和技术共现网络分析揭示人工智能与车联网技术融合特征及演化规律。
图1 研究框架
Fig.1 Research framework
专利数据来源于IncoPat专利检索分析系统，检索语言为英文，根据《车联网知识产权白皮书(2020)》列举的车联网主要技术关键词，借鉴刘颖琦等[28]的检索方法，拟定车联网专利检索式为：“TIAB=("vehicular networking") OR ("vehicle to everything") OR ("vehicular networks") OR ("vehicle to vehicle") OR ("vehicle"(S)"network") OR ("vehicle"(S)"Internet")……”。以Lee等[29]提出的人工智能技术各层级匹配算法作为检索关键词，经过反复检索和调整，最终拟定人工智能专利检索式为：“TIAB=("artificial intelligence") OR ("machine learning") OR ("deep learning") OR ("support vector machine") OR ("genetic algorithms") OR ("random forests")……”。对车联网与人工智能专利检索结果进行匹配，得到人工智能与车联网技术融合领域的专利数据集。采用上述专利检索策略，共检索出人工智能专利232 817项，车联网专利60 801项，人工智能与车联网融合领域专利3 394项。检索时间跨度为2000-2019年，检索日期为2021年10月7日。
(1)技术融合识别与测度。吕一博等[30]基于集合论，根据关联规则构建技术融合度计算公式：
(交集专利数/专利总量)，本文据此计算人工智能与车联网领域的技术融合度。采用Breschi等[31]提出的测算技术相关性的余弦相似度方法，建立技术融合矩阵，考察两个技术领域间的相似程度，计算公式如下：
(1)
式(1)中，SAB表示技术领域A与B的技术相似度；NA、NB表示A、B技术领域覆盖国际专利分类(IPC)小类的集合，n表示两个技术领域中IPC小类的个数；qAk、qBk分别表示技术领域A、B在第k类专利下的专利数量。该数值越接近于1，表明A和B领域间的技术分布特征越相近，技术相似度越高。
(2)文本挖掘。Word2vec是Google成员Mikolov等[32]于2013年开源推出的一个工具包，这种无监督式学习的机器学习算法通过对单词进行矢量化分析，用以反映文本单词之间的相似性关系。逯万辉等[33]采用Word2vec模型计算期刊相似度，采用K-means算法进行分群与聚类实验，采用t-SNE降维算法对期刊的分群结构进行可视化分析。本文利用Word2vec和K-means算法构建技术融合主题聚类模型，采用t-SNE对各阶段矢量化后的聚类数据进行降维和可视化分析，揭示人工智能与车联网技术主题关联态势。
(3)社会网络分析。技术共现网络分析是技术融合有效、可行的研究方法。陈钰芬等[9]、Feng等[34]通过构建专利IPC代码共现网络，识别和分析新兴产业潜在技术融合关系及主题。本文利用Gephi软件构建人工智能与车联网技术融合领域共现网络，其中技术共现广度为网络中IPC节点连接边的个数，技术共现强度为网络中IPC节点连接边的平均权重。
根据技术生命周期理论，专利技术遵循技术萌芽期、发展期、成熟期和衰退期4个阶段的周期性变化。本文通过对专利数量累计百分比、申请年增长率或增长量进行分析，对人工智能与车联网融合领域技术生命周期阶段进行划分。通过对2000-2019年人工智能与车联网技术融合领域的3 394项专利逐年进行统计，得到专利申请量年度变化及增长率数据分布，如图2所示。
图2 专利申请量年度变化与增长率分布
Fig.2 Annual change and growth rate distribution of patent applications in the process of technology convergence
具体来看，人工智能与车联网技术融合领域专利申请量在2000-2019年总体呈上升趋势，于2019年达到峰值。2000-2012年，专利申请量年增长率在[-0.69，0.55]之间上下波动，期间出现5次负增长，专利申请数量累积百分比为10.08%，人工智能在车联网领域的应用处于起步阶段；2013-2015年，专利申请年增长率在[0.08，0.55]之间波动， 3年专利申请数量累积百分比为7.98%，技术研发活动开始活跃；自2016年起，专利申请年增长率在[0.25，0.63]之间波动，专利申请数量增长迅猛，增速平稳。截至2019年，4年专利申请累计数量百分比为81.94%，表明近几年人工智能算法在车联网技术领域的应用发展迅猛，两者技术融合愈发活跃，进入全面发展时期。
综上分析，人工智能与车联网技术融合领域生命周期划分为3个阶段：2000-2012年为第一阶段(萌芽期)，2013-2015年为第二阶段(缓慢发展期)，2016-2019年为第三阶段(快速发展期)，这为后面技术融合分阶段演化分析提供了依据。
2.2.1 宏观分析
2000-2019年，国家知识产权局、美国专利商标局、欧洲专利局、日本特许厅和韩国知识产权局的人工智能、车联网技术以及人工智能与车联网融合领域专利数量全球占比分别高达82.33%、85.06%和90.42%，如表1所示。2000-2005年，美国专利商标局和日本特许厅人工智能领域专利申请数量最多；日本特许厅专利申请量超过中国国家知识产权局专利申请量的4倍，是早期车联网领域专利布局主要目标国家；在人工智能与车联网技术融合领域，五局专利总和仅为127项，人工智能在车联网技术领域的应用才刚起步。2006年起，中国国家知识产权局和美国专利商标局车联网专利申请数量呈倍数增长，成为全球车联网领域最主要的专利布局目标市场。2016-2019年，人工智能技术和人工智能与车联网融合领域专利申请数量呈大爆发趋势，4年专利申请数量远高于前16年的专利申请数量之和。
表1 专利申请量空间分布与阶段比较
Tab.1 Spatial distribution and stage comparison of patent applications
技术领域 年份USPTOEPOJPOKIPOCNIPA总计人工智能2000-20054 0061 8974 0711 5062 59614 0762006-20126 6561 7534 1811 7959 78824 1732013-20155 2351 2141 8161 10411 80721 1762016-201926 1455 6706 3587 52186 565132 259总计42 04210 53416 42611 926110 756191 684车联网2000-20058865041 6759833814 4292006-20121 9588061 2281 1442 7517 8872013-20151 9026625248674 4908 4452016-20198 0502 1891 4402 23117 04630 956总计12 7964 1614 8675 22524 68851 717人工智能与车联网技术融合领域2000-20053712304441272006-201241111433851842013-20153592331492282016-2019506114551871 6682 530总计6191461012971 9063 069
2.2.2 中观分析
以每个人工智能算法为独立关键词分别进行检索，共有36类算法出现在融合领域专利标题和摘要中。其中，神经网络专利数量最多，占比47.87%；其次是卷积神经网络、模糊系统、深度神经网络和图像识别算法。2000-2019年，有9类算法专利仅由中国国家知识产权局公布，其中粒子群优化算法专利数量最多，共30项；进化学习算法仅公布于美国专利商标局，共9项。图3展示了排名前10的算法在各时期的专利数量分布情况。其中，神经网络、模糊系统、图像识别算法和语音识别算法早在2000-2005年就出现在车联网技术专利中，在各阶段排名中都比较靠前，是车联网领域重要的基础算法。有些算法在车联网领域应用较多但出现较晚，如卷积神经网络和深度神经网络于2013-2015年才开始出现，支持向量机于2016-2019年才开始出现，它们是车联网领域最具发展前景的人工智能算法，需要引起学者重点关注。
2.2.3 微观分析
本文假设A为人工智能领域、B为车联网领域，对人工智能与车联网领域技术融合度和相似度进行计算。如表2所示，技术融合度和相似度逐渐变大，快速发展期的技术融合度超过缓慢发展期的2倍，增长幅度为102.98%，说明两者技术领域交集专利数量增长幅度远大于两者技术领域专利总数增加幅度。这表明，人工智能与车联网技术发展方向正在互相靠拢，技术融合程度不断加深。此外，card(NA∩NB)数量的稳定增长说明两者技术领域共同涉及的技术分支类别更加多样，技术差距日渐缩小。
对集合NA∩NB各阶段的组成元素作进一步分析，结果发现：F02D(燃烧发动机控制)和H05B(电热)领域专利数量显著下降；B60W(车辆子系统联合控制)、G01D(非专用于特定变量的测量)、G06K(数据识别与表示)、G06N(基于特定计算模型的计算机系统)、G07C(时间登记器或出勤登记器)是缓慢发展期新出现的技术分支；B25J(机械手；装有操纵装置的容器)、G07B(售票设备与车费计)、G07F(投币式设备或类似设备)是快速发展期新出现的技术分支。这表明，人工智能与车辆子系统联合控制等领域融合强度不断加深，轮胎机械手和停车场管理将逐步成为人工智能在车联网应用的关键技术领域。
图3 融合领域主要人工智能算法专利变化趋势
Fig.3 Patent trends of main AI algorithms in fusion field
表2 技术融合度与相似度
Tab.2 Technology convergence degree and technical similarity
类别 2000-2012年2013-2015年2016-2019年FAB0.006 20.007 80.015 7SAB0.360.370.40card(NA∩NB)232728
图4、图5和图6分别展示了人工智能与车联网在萌芽期、缓慢发展期和快速发展期的技术主题关联情况。图4中出现模糊系统、图像识别算法和神经网络3种人工智能算法，其中模糊算法和图像识别算法分别与车辆定位及自动泊车技术存在较多关联。radio、remote、wireless和system等词向量距离相近，形成一个较小的聚类，说明萌芽期人工智能算法应用于远程无线通信系统领域。图5中新出现卷积神经网络算法，比较明显的技术集群主题包括信号处理、车流预测、探测设备、动力装置、目标监测、交通标识识别、定位导航和路径规划等。图6中新出现算法支持向量机，模糊算法被用于车载多媒体系统，卷积神经网络被用于数据传输系统和自动转向装置，支持向量机和强化学习被用于动态车辆轨迹预测。值得关注的是，human、user、risk evaluation和safety等词在2016年之后高频出现，表明车辆驾驶的安全性、稳定性以及用户体验和感受对车联网产业发展愈发重要，platform的出现说明在人工智能相关技术的支撑下，车联网开始转向移动智能出行平台，并不断进化为出行空间和生活服务载体。
图4 基于词向量聚类的技术主题关联(2000-2012年)
Fig.4 Technical topic association map based on word vector clustering (2000-2012)
2.4.1 网络整体结构特征分析
2000-2012年、2013-2015年、2016-2019年3个阶段的专利技术共现网络如图7所示。结合表3，采用网络整体结构特征指标对网络指标进行分析。从网络节点数看，第三阶段节点数为第一阶段的1.86倍，说明网络规模在快速发展期迅速壮大。从边的数值看，每个阶段的网络边数都超过节点数，网络边数增长幅度远大于节点数增长幅度，说明专利技术之间的关联关系逐渐趋于多元化。从平均度数值看，第三阶段的平均度是第二阶段的2.80倍，说明节点所代表的IPC所属技术领域之间的关联关系愈发密切。就网络密度而言，由于后期更多IPC被匹配到融合技术领域专利中，而新出现的IPC潜在联结边数远大于其与其它IPC的实际联结边数，故网络密度由0.11下降至0.08，说明专利技术共现网络整体较为稀疏，有很大提升空间。网络直径越大，说明对应网络传输性能和效率越低；平均聚类系数越大，说明节点间建立关联关系越容易。结合网络直径和平均聚类系数看，网络直径由4下降至3，平均聚类系数由0.71增至0.75，说明不同技术间的融合难度下降，网络结构更加稳定。
图5 基于词向量聚类的技术主题关联(2013-2015年)
Fig.5 Technical topic association map based on word vector clustering (2013-2015)
图6 基于词向量聚类的技术主题关联(2016-2019年)
Fig.6 Technical topic association map based on word vector clustering (2016-2019)
2.4.2 节点层面技术领域功能分析
对网络节点技术共现广度与技术共现强度进行分析，如表4、表5和表6所示。其中，交通控制系统和基于特定计算模型的计算机系统在各阶段的共现广度与强度都较高，数据识别与数据表示、非电变量控制或调节系统等节点融合强度在技术融合发展过程中不断提升，说明交通控制系统和计算机系统是人工智能与车联网技术融合领域的基础性专利技术，这些专利技术发展带动数据识别与数据表示、非电变量控制或调节系统以及数据处理系统或方法等基于人工智能技术的应用型专利技术发展，表明人工智能与车联网技术之间的关联关系不断深化，技术发展相互促进。在快速发展期，图像数据处理技术共现强度较高但广度较低，说明其目前在车联网领域的应用比较集中，是近年来车联网技术发展较关键的人工智能技术；无线通信网络、数字信息传输和信号装置技术共现广度高但强度低，说明现阶段人工智能技术发展不足以支撑与车联网领域技术的深度融合。因此，要实现上述车联网技术的快速发展，需要在人工智能技术领域取得突破。
由表7可知，在萌芽期，车辆控制与调节系统等车辆基础技术在本领域和其它领域发挥重要作用，高权重两端的IPC小类较分散。在缓慢发展期，数据识别与数据表示技术与交通控制系统和图像数据处理等技术实现深度融合，人工智能技术在车联网领域的应用得到进一步拓展。在快速发展期，基于特定计算模型的计算机系统成为网络中高权重边的交点，与点数字数据处理、非电变量控制或调节系统、车辆子系统联合控制以及数据处理系统或方法等技术存在密切关联，对人工智能与车联网跨领域技术融合和交叉发展发挥重要中介作用。总体而言，数据识别与数据表示、基于特定计算模型的计算机系统等技术在人工智能与车联网技术融合演变过程中的控制力较强，推动各技术分支交叉平衡发展。
表3 各阶段专利技术共现网络整体结构特征
Tab.3 Overall structural characteristics of patent
technology co-occurrence network in each stage
测度2000-2012年2013-2015年2016-2019年节点 7067130边 266255669平均度 3.603.6710.29网络密度 0.110.100.08网络直径 443平均聚类系数0.710.720.75
图7 专利技术共现网络(2000-2012年、2013-2015年、2016-2019年)
Fig.7 Co-occurrence network of patent technology(2000-2012、2013-2015、2016-2019)
表4 技术共现广度与共现强度较高的IPC小类
Tab.4 IPC subclass with high co-occurrence breadth and intensity
IPC分类号专利技术领域2000-2012年2013-2015年2016-2019年G08G交通控制系统√√√G05B一般控制或调节系统√G06N基于特定计算模型的计算机系统√√√B60W不同类型或不同功能车辆子系统的联合控制√√B60G车辆悬架装置配置√G06K数据识别与数据表示√√G05D非电变量控制或调节系统√G06Q专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法√
表5 技术共现强度较高、共现广度较低的IPC小类
Tab.5 IPC subclass with high co-occurrence intensity and low co-occurrence breadth
IPC分类号专利技术领域 2000-2012年2013-2015年2016-2019年B62D机动车√H01M用于直接转变化学能为电能的方法或装置√B66D绞盘;绞车;起重机√G06T一般的图像数据处理或产生√√
表6 技术共现广度较高、共现强度较低的IPC小类
Tab.6 IPC category with high co-occurrence breadth and low co-occurrence intensity
IPC分类号专利技术领域2000-2012年2013-2015年2016-2019年B60R不包含在其它类目中的车辆、车辆配件或车辆部件√√√G07C时间登记器或出勤登记器√√√B60L电动车辆动力装置√G06K数据识别与数据表示√H04B传输√√G05D非电变量控制或调节系统√H04W无线通信网络√√H04L数字信息传输√√G08B信号装置√
表7 高权重边两端节点的IPC小类
Tab.7 IPC subclass at both ends of high weight edge
IPC分类号专利技术领域2000-2012年2013-2015年2016-2019年G06F-G05B电数字数据处理———一般控制或调节系统√B60W-B60T不同类型或不同功能车辆子系统联合控制———车辆制动控制系统或其部件√G08G-G06K交通控制系统———数据识别与数据表示√√G06K-G06N数据识别与数据表示———基于特定计算模型的计算机系统√√G06F-G06N电数字数据处理———基于特定计算模型的计算机系统√√G06N-G06T基于特定计算模型的计算机系统———一般图像数据处理或产生√G06K-G06T数据识别与数据表示———一般图像数据处理或产生√G05D-G06N非电变量控制或调节系统———基于特定计算模型的计算机系统√B60W-G06N不同类型或不同功能的车辆子系统联合控制———基于特定计算模型的计算机系统√G06N-G06Q基于特定计算模型的计算机系统-专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法√
本文基于人工智能和车联网领域专利文献数据，从技术融合识别与测度、技术主题关联和技术共现网络3个维度，剖析人工智能与车联网领域技术融合特征和演化规律，得出以下研究结论：第一，技术融合发展呈现明显的阶段性特征，人工智能在车联网领域的应用发展迅速，技术融合程度日益加深，进入全面发展时期；第二，车联网领域每个时期新出现和积极应用的人工智能算法不同，人工智能在车联网领域的应用范围不断拓展；第三，面向用户对车辆安全管理、智能接待和出行安排等多样化综合服务需求，人工智能开始逐渐应用于车联网智能平台技术研究，这是车联网产业发展的一个重要转折点；第四，技术领域之间的关联关系愈发密切，技术共现网络整体较为稀疏，有很大的提升空间；第五，数据识别与数据表示、基于特定计算模型的计算机系统等技术在融合演变过程中的控制力较强，无线通信网络、数字信息传输和信号装置等技术的快速发展需要在相关人工智能技术领域取得突破。
根据上述研究结论，本文提出如下启示：
(1)利用人工智能和车联网融合领域技术主题关联图谱和技术共现网络挖掘融合领域中的关键算法，识别未来人工智能与车联网技术融合方向。现阶段，我国应加强对自然语言处理和进化学习算法等人工智能技术的研发投入，缩小与发达国家的差距；加大对车联网智能平台发展的政策扶持，构建数据共享和信息维护市场化机制；面向车联网信息通信领域，增设人工智能科研基金立项选题，实现车联网系统关键技术和新产品突破。
(2)推动计算机科学技术与机械工程、动力与电气工程、工程与技术学科等基础学科的深度融合，根据技术共现网络分析获得的技术分支领域，为人工智能和车联网产业创新人才培养提供学科知识体系。瞄准科学技术发展前沿，鼓励高校加强人工智能交叉学科建设，将人工智能和车联网领域基础科学研究与产业应用需求紧密结合起来，加快培育一批我国战略性新兴产业发展亟需的复合型人才。
(3)搭建人工智能与车联网领域新型共性技术研发平台，赋能企业、高校和科研院所等多主体协同研发，实现科技成果共享。把科技自立自强作为发展战略支撑，依托知识产权大数据分析，加强技术融合领域的宏观调控。协调整合各方资源，提升跨领域研发主体间的信息传递效率，打破制约产业发展的技术瓶颈，促进车联网产业规模不断扩大。
[1] 王宏起, 夏凡, 王珊珊. 新兴产业技术融合方向预测: 方法及实证[J]. 科学学研究, 2020, 38(6): 1009-1017, 1075.
[2] CURRAN, CLIVE-STEVEN. The anticipation of converging industries[M]. London：Springer London, 2013.
[3] ROSENBERG N. Technological change in the machine tool industry[J]. Journal of Economic History, 1963, 23(4): 414-443.
[4] GILL T.Convergent products: what functionalities add more value to the base[J]. Journal of Marketing, 2008, 72(2): 46-62.
[5] OETTINGER A G. Knowledge and power in the 21st century[J]. Science, 1980, 209(4452): 191-198.
[6] PHILP J C, RITCHIE R J, ALLAN J. Biobased chemicals: the convergence of green chemistry with industrial biotechnology[J]. Trends in Biotechnology, 2013, 31(4): 219-222.
[7] DURRESI M.(Bio)Sensor integration with ICT tools for supplying chain management and traceability in agriculture[J]. Comprehensive Analytical Chemistry, 2016, 74: 389-413.
[8] MOORE GE. Cramming more components onto integrated circuits[J]. Proceedings of the IEEE, 1998, 86(1): 82-85.
[9] 陈钰芬, 王科平. 基于专利技术共现网络的人工智能跨领域融合模式识别[J]. 情报杂志,2021, 40(7): 8-15, 29.
[10] KIM M, KIM C. On a patent analysis method for technological convergence[J]. Procedia-Social and Behavioral Sciences, 2012, 40(3): 657-663.
[11] BHATIA J, DAVE R, BHAYANI H, et al. SDN-based real-time urban traffic analysis in VANET environment[J]. Computer Communications, 2020, 149(1): 162-175.
[12] CHEN M, WANG T, OTA K, et al. Intelligent resource allocation management for vehicles network: an A3C learning approach[J]. Computer Communications, 2020, 151(2): 485-494.
[13] ALOQAILY M, OTOUM S, RIDHAWI I A, et al. An intrusion detection system for connected vehicles in smart cities[J]. Ad Hoc Networks, 2019, 90(7): 101842.
[14] BEDI P, MEWADA S, VATTI R A, et al. Detection of attacks in IoT sensors networks using machine learning algorithm[J]. Microprocessors and Microsystems, 2021, 82(4): 103814.
[15] CALTAGIRONE L,BELLONE M,SVENSSON L,et al.LIDAR-camera fusion for road detection using fully convolutional neural networks[J]. Robotics and Autonomous Systems, 2019, 111(1): 125-131.
[16] KHAN M N, AHMED M M. Trajectory-level fog detection based on in-vehicle video camera with TensorFlow deep learning utilizing SHRP2 naturalistic driving data[J]. Accident Analysis & Prevention, 2020, 142(7): 105521.
[17] HAO H, MA W, XU H. A fuzzy logic-based multi-agent car-following model[J]. Transportation Research Part C: Emerging Technologies, 2016, 69(8): 477-496.
[18] HU J, HUANG M C, YU X. Efficient mapping of crash risk at intersections with connected vehicle data and deep learning models[J]. Accident Analysis & Prevention, 2020, 144(9): 105665.
[19] KANAPRAM D T, MARIN-PLAZA P, MARCENARO L, et al. Self-awareness in intelligent vehicles: feature based dynamic Bayesian models for abnormality detection[J]. Robotics and Autonomous Systems, 2020, 134(12): 103652.
[20] SHAKARAMI A, SHAHIDINEJAD A, GHOBAEI-ARANI M. An autonomous computation offloading strategy in mobile edge computing: a deep learning-based hybrid approach[J]. Journal of Network and Computer Applications, 2021, 178(3): 102974.
[21] MOHAMMADNAZAR A, ARVIN R, KHATTAK A J. Classifying travelers′ driving style using basic safety messages generated by connected vehicles: application of unsupervised machine learning[J]. Transportation Research Part C: Emerging Technologies, 2021, 122(1): 102917.
[22] 王玏, 吴新年. 新兴技术识别方法研究综述[J]. 图书情报工作, 2020, 64(4): 125-135.
[23] 吴晓燕, 胡雅敏, 陈方. 基于专利共类的技术融合分析框架研究——以合成生物学领域为例[J]. 情报理论与实践, 2021, 44(10): 179-184.
[24] PARK I, YOON B. Technological opportunity discovery for technological convergence based on the prediction of technology knowledge flow in a citation network[J]. Journal of Informetrics, 2018, 12(4): 1199-1222.
[25] HAN E J, SOHN S Y. Technological convergence in standards for information and communication technologies[J]. Technological Forecasting and Social Change, 2016, 106: 1-10.
[26] 王友发, 张茗源, 罗建强，等. 专利视角下人工智能领域技术机会分析[J]. 科技进步与对策, 2020, 37(4): 19-26.
[27] 翟东升, 张京先. 基于专利技术共现网络的无人驾驶汽车技术融合演化研究[J].情报杂志, 2020, 39(4): 60-66, 19.
[28] 刘颖琦, 周菲, 席锐. 后疫情时期中国智能网联汽车产业技术研究与合作网络: 国际专利视角[J]. 中国科技论坛, 2021, 37(5): 32-45, 66.
[29] LEE M, HE G. An empirical analysis of applications of artificial intelligence algorithms in wind power technology innovation during 1980-2017[J]. Journal of Cleaner Production, 2021, 297(2): 126536.
[30] 吕一博, 韦明, 林歌歌. 基于专利计量的技术融合研究: 判定、现状与趋势——以物联网与人工智能领域为例[J]. 科学学与科学技术管理, 2019, 40(4): 16-31.
[31] BRESCHI S, LISSONI F, MALERBA F. Knowledge-relatedness in firm technological diversification[J]. Research Policy, 2003, 32(1): 69-87.
[32] MIKOLOV T, CORRADO G, KAI C, et al. Efficient estimation of word representations in vector space[C]. Proceedings of the International Conference on Learning Representations (ICLR 2013)， 2013.
[33] 逯万辉, 谭宗颖. 基于深度学习的期刊分群与科学知识结构测度方法研究[J].情报学报, 2020, 39(1): 38-46.
[34] FENG S, AN H, LI H, et al. The technology convergence of electric vehicles: exploring promising and potential technology convergence relationships and topics[J]. Journal of Cleaner Production, 2020, 260(7): 120992.