基于理论视角的智能汽车研究重点

为进一步验证和分析目前智能汽车的研究重点，本书在实践分析的基础上，进一步从理论角度进行分析。

（1）共词分析法

共词分析法最早在20世纪70年代中后期由法国文献计量学家提出。在过去近40年中，这项技术被用于描绘不同科研领域的动态发展情况。如今，共词分析法已被广泛应用到诸多领域，例如在人工智能、科学计量、信息检索、信息科学与信息系统等领域都得到很好应用并产生大量成果。共词分析属于内容分析法，是通过对能够表达某学科领域研究主体或方向的关键词同时出现在同一文献中的现象进行分析，并判断该学科领域中主题词之间的关系，从而展现该学科的研究结构，发现隐藏在真实词汇背后的复杂关系网络。一般认为，关键词汇在同一篇文献出现次数越多，代表主题间关系越紧密。按照这种相关度，将学科内重要文献的关键词加以聚类，可以直观地展现该学科当前的研究热点。共词分析法的操作过程是统计一组词汇两两共同出现在同一文献中的次数，形成共词矩阵。因此，统计一组文献的主题词在同一文献中两两出现的频率，可形成由这些关键词所组成的共词网络，网络内各节点之间的远近关系形成了反映主题内容亲疏关系的网络。共词分析就是利用聚类分析和包容系数等多种统计分析方法，将分析对象之间错综复杂的网络关系进行简化，以数值、图形等方式直观表示出来的过程。

（2）相关文献分析

本研究中对智能汽车相关文献的分析主要选取科研数据库平台为数据源，时间设定为1997—2016年，标题设定为“智能汽车”的检索条件，共搜索到相关学术文献8155篇。

利用文献题录信息统计分析工具对所选取文献主题词进行抽取，对同义和近义主题词做统一处理，删除部分有明显错误的词组后，按照词频由高到低排序，提取出56个高频次的主题词，对其重新编码，如表5-9所示。

表5-9　智能汽车相关文献中前56位高频关键词

续表

从表中可以看出，关键词频次较高的有：智能交通系统（Intelligent Transportation System，ITS）、智能车辆（Intelligent Vehicle）、智能（Intelligent）、车载自组网（Vehicle Ad-hoc Network，VANET）、检测（Vehicle Detection）、安全（Safety）、车辆（Vehicle）、系统（System）、全球定位系统、智能交通（Intelligent Transportation）、控制（Control）、交通（Traffic）、电动汽车（Electric Vehicles）、仿真（Simulation）等。

（3）高频关键词派系聚类(www.xing528.com)

利用软件抽取高频关键词共现矩阵，并转化为56×56的关系矩阵。将56个高频次关键词的关系矩阵输入到社会网络分析软件中，生成关键词关系网络图，如图5-2所示。

图5-2　智能汽车相关高频次关键词的关系网络图

对56个智能汽车相关高频次关键词进行派系聚类，得到结果如表5-10所示。

表5-10　关键词派系聚类

续表

根据表5-10可将智能汽车的研究热点划分为以下4个类别，如表5-11所示。

表5-11　智能汽车相关高频次关键词派系

根据表5-11可以看出，目前国内外学者在相关理论研究方面，同样侧重于传感器、地图导航、定位系统及车联网系统的研究。除此之外，还有一个非技术方向研究热点，即智慧交通。这在很大程度上反映了智能汽车的发展离不开智能交通这一大背景，未来智能汽车的商业模式创新同样也需要考虑智能交通的配套和支持。