技术趋势预测对于企业、政府等决策机构进行资源分配有着重要意义。但是,目前的技术趋势预测需要长时间持续投入大量人力物力资源。本文旨在提出一种基于专利数据的技术趋势预测算法为技术趋势预测提供参考并节省其中的部分人力物力资源投入,设计并实现原型系统以验证本文提出的技术趋势预测算法在实际生产环境中的可行性。本文首先将技术趋势预测问题转化为时间序列预测问题。技术趋势预测算法即为针对专利数据的时间序列预测算法。目前现有的时间序列预测算法通常将数据集中的多个时间序列嵌入为一个高维时间序列进行训练和预测,这导致模型参数过多,并且当新的时间序列出现时,输入维数变化,模型需要重新训练。同时,本文所涉及的专利数据时间序列的序列数量和长度均小于常见的时间序列预测算法所研究的数据集,这导致含有过多参数的神经网络难以训练。并且,由于新技术不断出现,数据集中序列的数量随时可能增加,因此模型需要支持增量训练。另外,通常的时间序列预测研究关注在某个时间点的预测误差而不常关注对于未来整体趋势的预测,而本文除预测误差外更关注对于整体趋势的预测。其他研究所提出的模型与评估模型的指标在本文中并不适用。因此,本文提出了一种新的模型以完成本课题的要求。本文提出的模型从多个序列中提取一组共同的特征并在预测过程中一次生成对于未来一段时间的全部预测结果以解决本课题的问题。首先,利用卷积神经网络从多个序列中提取特征,以减少模型所需要的参数。之后,通过循环神经网络将卷积神经网络提取出的特征进行编码,得到一个中间表达。通过解码中间表达,模型可以生成未来一段时间内的全部预测结果。由于网络规模与数据集中的序列数量无关,因此本课题提出的模型支持增量训练。在训练过程中,由于中间表达的存在,在不同时间点的预测结果相互关联,网络参数的调整会影响多个时间点的预测结果,从而实现了对于发展趋势的学习。在测试与验证模型的过程中,本文不仅如其他序列预测研究一样采用了衡量数值误差的指标,同时还采用了衡量趋势相关性的指标以衡量本课题提出的模型对于趋势预测的效果。实验验证结果表明,本文提出的模型在专利数据集上对于数值预测以及趋势预测的表现均优于其他模型。同时,本文选择了其他一些由多个短序列构成的数据集以验证本课题提出的模型,在这些数据集上,本文提出的模型也在数值预测以及趋势预测上优于其他模型。从而通过实验验证了本文提出的模型具有一定的普适性。最后,本文设计并实现了一套技术趋势预测原型系统。该系统主要包括检索模块、算法模块和管理模块。该系统向用户提供了专利基本数据等多种分析数据以方便用户进行技术趋势分析,其中包括了本系统特有的技术趋势预测数据。经过测试,本系统预测效果良好,性能达标,可以在生产环境中使用,验证了本文所提出的算法在生产环境中的可行性。