专利大数据分析方法主要包括以下几种：
1. 文本挖掘法：这是一种通过分析专利文献中的关键词、摘要、描述等文本信息，提取出有价值的信息的方法。例如，可以通过词频统计、主题模型、情感分析等技术，从大量的专利文献中提取出关键技术点、发展趋势等信息。
2. 数据挖掘法：这是一种通过分析大量数据，发现其中的模式和规律的方法。在专利领域，可以使用关联规则挖掘、分类算法、聚类分析等技术，从专利数据中挖掘出潜在的技术趋势、专利组合、专利布局等信息。
3. 机器学习法：这是一种通过建立模型，对数据进行预测和分类的方法。在专利领域，可以使用支持向量机、随机森林、神经网络等机器学习算法，对专利数据进行分类、预测、聚类等操作，从而发现关键技术点、技术趋势、专利组合等信息。
4. 深度学习法：这是一种通过构建神经网络模型，对数据进行拟合和预测的方法。在专利领域，可以使用卷积神经网络、循环神经网络、生成对抗网络等深度学习算法，对专利数据进行特征提取、模式识别、预测等操作，从而发现关键技术点、技术趋势、专利组合等信息。
5. 可视化分析法：这是一种通过将数据以图形的方式展示出来，帮助人们理解和分析数据的方法。在专利领域，可以使用热力图、树状图、雷达图等可视化工具，对专利数据进行直观的展示和分析，从而发现关键技术点、技术趋势、专利组合等信息。
6. 时间序列分析法：这是一种通过分析历史数据，预测未来趋势的方法。在专利领域，可以使用ARIMA模型、季节性分解模型等时间序列分析方法，对专利数据进行时间序列建模，从而发现关键技术点、技术趋势、专利组合等信息。
7. 网络分析法：这是一种通过分析专利之间的关联关系，发现技术网络结构的方法。在专利领域，可以使用网络分析工具，如Gephi、UCINET等，对专利数据进行网络分析，从而发现关键技术点、技术趋势、专利组合等信息。
8. 知识图谱法：这是一种通过将专利数据与已有的知识图谱相结合，实现跨领域的知识融合和共享的方法。在专利领域，可以使用本体论、语义网等技术，构建专利知识图谱，从而实现专利数据的深度挖掘和智能分析。
总之，专利大数据分析方法多种多样，可以根据具体的研究目标和数据特点选择合适的方法进行应用。
