مقالة بحثية

استخراج البيانات الاقتصادية الإقليمية والتنبؤ بالتنمية بناء على خوارزمية GWO محسنة

DOI:

10.3791/70249

⸱

مايو 26, 2026

 ,  , 
1School of Business Administration, Moutai Institute, 2Department of Economics and Management, Zunyi Vocational and Technical College

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يمكن للنموذج المقترح أن يلتقط بشكل فعال خصائص البيانات الاقتصادية الإقليمية، ويحسن دقة التنبؤ، ويوفر أساسا علميا لقرارات التنمية الاقتصادية الإقليمية.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

مع تزايد الطلب على التنمية الاقتصادية الإقليمية عالية الجودة، أصبح استخراج الميزات الخفية بدقة للبيانات الاقتصادية وتحقيق توقع موثوق لاتجاهات التنمية شرطا مهما لصياغة السياسات الاقتصادية العلمية. لتحسين دقة استخراج الميزات للبيانات الاقتصادية الإقليمية وموثوقية التنبؤ بالتطوير، يتم بناء نموذج لاستخراج الميزات والتنبؤ بالتطور للبيانات الاقتصادية الإقليمية من خلال دمج خوارزمية تحسين الذئب الرمادي المحسنة، وآلة دعم المتجهات، وشبكة خصمية توليدية. في اختبارات الدوال أحادية الوضع F1 واختبارات الوظائف متعددة الوسائط F2، كانت سرعة التقارب أفضل بكثير من خوارزمية التحسين المدفوع بالرياح وجيب تمام، مما أظهر قدرة أكبر على التكيف في مسائل التحسين المعقدة. أظهرت التجربة المقارنة على مجموعة بيانات الحبل الفولاذي أن الخوارزمية حسنت معدل التعرف بنسبة 1.25٪ مقارنة بجهاز تحليل المكونات الرئيسية - آلة محسن الذئب الرمادي - متجه دعم، حيث وصلت إلى 98.75٪، وحققت كفاءة أعلى في معالجة الميزات عالية الأبعاد، مما يؤكد تفوقها في استخراج الميزات والتعرف على التصنيف. تم تطبيق النموذج على البيانات الاقتصادية في مقاطعة أنهوي، حيث تم اختيار 8 مؤشرات أساسية مثل الناتج المحلي الإجمالي للصناعة الأولية ودخل سكان المدن والريفين من 2011 إلى 2022. في عام 2011، عندما كانت القيمة الحقيقية 16,311، كانت القيمة المتوقعة لنموذج البحث 16,200. في عام 2015، عندما كانت القيمة الحقيقية 23,808، توقع النموذج قيمة 23,600. كان الحد الأدنى للخطأ المطلق من 2011 إلى 2020 هو 103 فقط، ومعدل الخطأ كان منخفضا حتى 0.005، مما يظهر استقرارا استثنائيا متميزا في التنبؤات متوسطة وطويلة الأجل. يمكن للنموذج المقترح أن يلتقط بشكل فعال خصائص البيانات الاقتصادية الإقليمية، ويحسن دقة التنبؤ، ويوفر أساسا علميا لقرارات التنمية الاقتصادية الإقليمية.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

مع دخول الاقتصاد الصيني مرحلة من التنمية عالية الجودة، أصبحت تعقيد وتعدد أبعاد البيانات الاقتصادية الإقليمية أكثر بروزا. أصبح استخراج البيانات الاقتصادية بدقة وتوقعات اتجاهات التنمية علميا شرطا مهما لصياغة السياسات الاقتصادية الإقليمية وتحسين تخصيص الموارد1،2. يشمل النظام الاقتصادي الإقليمي مؤشرات متعددة الأبعاد مثل الهيكل الصناعي، دخل السكان، الإيرادات والإنفاق المالي، واستهلاك الطاقة. هناك ارتباطات غير خطية وعلاقات اقتران ديناميكي بين مؤشرات مختلفة. غالبا ما تواجه طرق التحليل الإحصائي التقليدية ونماذج التعلم الآلي المفردة مشاكل مثل عدم كفاية استخراج الميزات ودقة التنبؤ المحدودة عند معالجة البيانات الاقتصادية عالية الأبعادوغير الثابتة 3,4.

تحسين الذئب الرمادي (GWO) هو استراتيجية تحسين ذكية تحاكي سلوك صيد الذئاب الرمادية. نظرا لبنيته البسيطة وأدائه المستقر في التقارب، تم استخدام GWO على نطاق واسع في تحسين الدوال، وتحسين المعاملات، واختيار الميزات، وغيرها من المجالات5. على سبيل المثال، استخدم توكتاس وآخرون خوارزمية GWO لتحقيق تحسين فعال للمعلمات عند تصميم أنظمة الفوضى الفائقة متعددة الأهداف، مما يتحقق من إمكانات خوارزمية GWO المحسنة في سيناريوهات التحسين متعددة الأهداف المعقدة. طبق ليو وآخرون خوارزمية GWO على حساب تدفق الطاقة الأمثل متعدد الأهداف في شبكات التوزيع. تم تحسين قدرة الخوارزمية على التعامل مع المشكلات الهندسية المعقدة من خلال استراتيجية هجينة. ومع ذلك، فإن GWO القياسي يتميز بسرعة تقارب بطيئة وحلول محلية مثلى عند معالجة مشاكل التحسين المعقدة، مما يحد من فعاليته في التطبيق في معالجة البيانات الاقتصادية عالية الأبعاد8. لذلك، أجرى المجتمع الأكاديمي أبحاثا واسعة حول خوارزمية GWO من خلال إدخال أوزان تكيفية، أو اضطرابات فوضوية، أو استراتيجيات تحسين هجينة لتعزيز القدرة العالمية للبحث ودقة التقارب. ومع ذلك، لا تزال قدرة الخوارزميات المحسنة القائمة على التكيف مع أنواع البيانات مثل البيانات الاقتصادية ذات الضوضاء القوية والميزات متعددة المقاييس بحاجةإلى مزيد من التحقق 9.

آلة متجه الدعم (SVM) والشبكة التنافسية التولدية (GAN) لديهما مزايا واضحة في تعلم ميزات البيانات والنمذجة التنبؤية10. يقوم SVM بتحويل البيانات الخطية غير القابلة للفصل في الفضاء منخفض الأبعاد إلى الفضاء عالي الأبعاد من خلال دوال النواة، مما يحول المسائل غير الخطية إلى مشاكل قابلة للفصل خطيا. يمكنه إتمام مهام التصنيف والانحدار بكفاءة دون الحاجة لحساب الرسم عالي الأبعاد بشكل صريح. يعتمد GAN على آلية التدريب العدائي للمولدات والمميزين لالتقاط خصائص التوزيع المحتملة للبيانات بعمق، مما يعزز بشكل كبير القدرة على ملاءمة الأنماط المعقدة11. استخدم كاو وآخرون SVM لتشخيص الأعطال في معدات مفاتيح السكك الحديدية وتحققوا من أداء تصنيف SVM في العينات الصغيرة والمشاكل غير الخطية من خلال دمج الميزات متعددة المجالات واستراتيجية اختيار الميزات. قام ليو وآخرون ببناء نموذج تعديل سمات الوجه باستخدام GAN. تم التحقق من قدرة GAN على استخراج ميزات التوزيع المحتملة للبيانات.

ومع ذلك، في العديد من المجالات مثل التنبؤ بالأعطال الصناعية والمراقبة البيئية، غالبا ما يتم دمج خوارزميات التحسين مثل GWO وPSO مع SVM وCNN وغيرها لتحسين دقة التنبؤ. 14 ومع ذلك، تواجه معظم نماذج الاندماج تحديات مثل عدم كفاية تحسين المعاملات التعاوني وضعف القدرة على التكيف مع بيانات السلاسل الزمنية المعقدة. على الرغم من وجود العديد من تطبيقات الخوارزميات في مجال التنبؤ الاقتصادي، إلا أن معظمها يركز على تحسين نموذج واحد، متجاهلا الاقتران العالي وخصائص الضوضاء القوية للبيانات الاقتصادية، وغياب التصميم التعاوني العميق لخوارزميات التحسين والنماذج التوليدية. لذلك، تحسن الدراسة خوارزمية GWO. يستخدم تهيئة خرائط الخيمة لتعزيز قابلية التنقل بين السكان للتكيف مع تعدين الميزات المتفرقة. يتم إعادة بناء أوزان تحديث الموقع لتحسين قدرات تتبع الحلول عالية الجودة للتكيف مع التقاط الارتباط غير الخطي. تستخدم عوامل التقارب الديناميكي غير الخطي لتحقيق التوازن بين الاستكشاف العالمي والتطور المحلي للتعامل مع تغيرات السلاسل الزمنية. تم دمج مزايا تصنيف SVM وقدرات تعزيز ميزات GAN لبناء شبكة خصومية محسنة لنظام تحسين محسن الذئب الرمادي-دعم المتجه المولد للآلة (IGWO-SVM-GAN)، التي تحل بدقة استخلاص وتطوير ميزات البيانات الاقتصادية الإقليمية. يكمن الابتكار في دمج خوارزمية IGWO بعمق مع SVM وGAN، والاستفادة من قدرات توليد البيانات ورسم الخرائط القوية ل GAN لتوسيع تنوع العينات، وتحقيق فحص دقيق للميزات مع أداء تصنيف SVM القوي، وتحسين المعلمات الرئيسية لكليهما بشكل تآزري من خلال خوارزمية IGWO. يخترق اعتماد النموذج التقليدي على افتراضات العلاقات الخطية، مما يحسن بشكل كبير من قدرته على التكيف مع الأنظمة الاقتصادية المعقدة.

الهدف العام للبحث هو بناء نموذج لاستخراج وتوقع الميزات والتنمية في البيانات الاقتصادية الإقليمية يعتمد على IGWO-SVM-GAN، لحل مشاكل استخراج الميزات غير الدقيق، ودقة التنبؤ المنخفضة، وضعف القدرة على التكيف للنماذج التقليدية، وتحقيق استخراج فعال للميزات الاقتصادية الإقليمية الأساسية والتنبؤ الموثوق باتجاهات التنمية، وتقديم الدعم العلمي لاتخاذ القرار الاقتصادي الإقليمي. تقترح الدراسة الفرضيات التالية. الفرضية 1: مقارنة بالخوارزميات القياسية GWO وغيرها من الخوارزميات المقارنة، فإن خوارزمية IGWO المحسنة تتمتع بسرعة تقارب أسرع ودقة تحسين أعلى في استخراج الميزات الاقتصادية عالية الأبعاد؛ الفرضية 2: أداء التنبؤ لنموذج اندماج IGWO-SVM-GAN أفضل بكثير من نموذج واحد ونماذج اندماج رئيسية أخرى، ويتميز باستقرار ودقة أعلى في التوقعات الاقتصادية متوسطة وطويلة الأجل؛ الفرضية 3: يمكن للنموذج المقترح أن يتكيف بفعالية مع الاقتران العالي والخصائص الضوضاء القوية للبيانات الاقتصادية الإقليمية، والتقاط أنماط تطور المؤشرات الاقتصادية الأساسية بدقة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

خوارزمية GWO المحسنة
في مجال استخراج الميزات والتنبؤ بتطوير البيانات الاقتصادية الإقليمية، لتحسين كفاءة استخراج الميزات الرئيسية في البيانات الاقتصادية عالية الأبعاد بشكل فعال، تم تقديم خوارزمية WO للتحسين. تحاكي GWO سلوك الصيد للذئاب الرمادية. تكمن الآلية الأساسية لخوارزمية GWO في المحاكاة الحيوية للهيكل الهرمي الاجتماعي واستراتيجية الصيد، والتي تحقق التحسين من خلال محاكاة التسلسل الهرمي للذئب الأول أ، الذئب الثاني ب، والذئب الشاب ج، بالإضافة إلى مراحل الصيد مثل الصيد، المطاردة، والهجوم15. العملية المحددة لتحديث موقع الذئاب الرمادية موضحة في الشكل 1.

figure-protocol-1
الشكل 1: مخطط تدفق تحديث وضعية الذئب الرمادي. (أ) مخطط تخطيطي لتحديث موقع الذئب الرمادي. (ب) مخطط تدفق خوارزمية GWO. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يوضح الشكل 1A تحديث موقع الذئب الرمادي. من الشكل 1A، يتم توجيه موقع الذئب الرمادي المحدث بمواقع a وb وc. يتم تحقيق التحسين من خلال محاكاة سلوك الصيد للمجموعة، مع الاقتراب تدريجيا من الهدفالأمثل 16. تشمل عملية التحديث حساب المسافة وتعديل الموقع. تم إدخال متجهات figure-protocol-2 figure-protocol-3المعاملات خلال عملية تحديث الموقع وتغيرت ديناميكيا عبر قيم عشوائية، محققة التبديل التكيفي بين مراحل الاستكشاف والتطوير. المعادلة (1) تعرض متجه figure-protocol-4 المسافة بين الذئب الرمادي وفريسته.

figure-protocol-5(1)

في المعادلة (1)، figure-protocol-6 تمثل متجه معامل عشوائي يستخدم لإدخال العشوائية وموازنة الاستكشاف والتطور. figure-protocol-7 يرمز إلى متجه الموقع الحالي (PV) في الزمن t. يمثل PV للفريسة في الزمن t. figure-protocol-8 يقوم الذئب الرمادي بتحديث موقعه حسب موقع الفريسة والمسافة figure-protocol-9، ويتم عرض تحديث الموقع في المعادلة (2).

figure-protocol-10(2)

في المعادلة (2)، figure-protocol-11 تمثل المتجه المعامل الذي يتحكم في اتجاه الحركة وحجم الخطوة. تظهر متجهات figure-protocol-12المسافة ، figure-protocol-13، وبين figure-protocol-14 الذئب الرمادي الحالي والذئاب a و b و c في المعادلة (3).

figure-protocol-15(3)

في المعادلة (3)، figure-protocol-16تمثل ، ، figure-protocol-17و و figure-protocol-18 على التوالي PV للحلول الثلاثة ذات أفضل ملاءمة في المجموعة الحالية (a، b، و c). يتم حساب ثلاثة مواقع أهداف مرشحة بناء على مواقع ومسافات الذئاب a و b و c على التوالي، كما هو موضح في المعادلة (4).

figure-protocol-19 (4)

في المعادلة (4)، figure-protocol-20، ، figure-protocol-21و figure-protocol-22 تشير إلى ثلاثة مواقع أهداف مرشحة محسوبة من مواقع ومسافات a و b و c. figure-protocol-23، figure-protocol-24، وتمثل figure-protocol-25 مواقع المرشحين المحسوبة من مواقع ومسافات a و b و c17. يتم عرض PV للذئاب الرمادية الحالية في الجيل التالي (أي الموقع figure-protocol-26المحدث) في المعادلة (5).

figure-protocol-27 (5)

من خلال حل متوسط ثلاث مواقع مرشحة، يقترب المجتمع تدريجيا من المنطقة المثلى التي توجهها الذئاب أ و ب وج . يعرض الشكل 1B سير عمل GWO. من الشكل 1B، تشمل خطوات تنفيذ خوارزمية GWO تهيئة مجموعة الذئب الرمادي. ثم يتم حساب قيمة اللياقة في السكان. يتم تحديد الحل الأمثل الحالي والحل دون الأمثل من خلال مقارنة قيم الملاءمة الفردية. جميع قيم اللياقة مرتبة، ويصنف الثلاثة الأوائل ب أ ، ب، وج. يتم تحديث المواقع الفردية في السكان بناء على معلومات الموقع للأفراد المسيطرين. يتم تحديد ما إذا كانت شروط الإنهاء المحددة مسبقا قد تحققت. إذا تم تحقيق هذه الأهداف، تنتهي الخوارزمية. وإلا، يتم حساب قيمة اللياقة لكل ذئب رمادي في المجموعة.

لتحسين دقة التحسين في استخراج ميزات البيانات، تم اقتراح خوارزمية GWO محسنة (IGWO)، والتي تشمل تهيئة مجموعة الذئاب الرمادية باستخدام رسم خرائط الخيام لتعزيز التنوع والتنقل. يتم إعادة بناء معاملات وزن تحديث الموقع لأفراد الذئب الرمادي لتحسين قدرة الخوارزمية على تتبع مناطق الحل عالية الجودة. يتم تقديم آلية تحكم غير خطية لتحديث عامل التقارب q ديناميكيا. يتم تحسين متجه figure-protocol-28 المعاملات ومتجه figure-protocol-29 معامل عشوائي للتحكم في اتجاه الحركة وحجم الخطوة بشكل متزامن لتحقيق التوازن بين قدرات الاستكشاف العالمية والتنمية المحلية18. يعرض الشكل 2 مخطط انسيابية IGWO.

figure-protocol-30
الشكل 2: عملية IGWO. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

من الشكل 2، شكلت IGWO عملية تكرارية أكثر استهدافا مع الحفاظ على الإطار الأساسي ل GWO. يتم توليد السكان الأوليين من خلال رسم الخرائط الخيامي لتجنب توزيع السكان غير المتساو الذي قد ينشأ من التهيئة العشوائية التقليدية، مما يضع أساسا قويا للتحسين اللاحق. في كل تكرار، تحسب الخوارزمية أولا قيم اللياقة الفردية وتختار الذئاب a وb وc. استنادا إلى معادلة الوزن المحسنة لتحديث الموقع، مع عوامل التقارب غير الخطية ومتجهات معاملات محسنة، يتم الانتهاء من تحديث موقع أفراد الذئب الرمادي. وفي الوقت نفسه، من خلال تعديل نطاق قيم متجه المعاملات العشوائية ديناميكيا، يتم تحسين دقة البحث المحلي في المراحل اللاحقة من التكرار، مما يقلل من القيم المثلى المحلية. وأخيرا، يتم تحديد ما إذا كان قد تم الوصول إلى أقصى تكرار. إذا تم الوصول إلى أقصى تكرار، يتم توفير الحل الأمثل كالمخرج. وعلى العكس، يعود إلى مرحلة حساب قيمة الملاءمة للتكرار التالي. لتحسين سرعة تقارب IGWO، يتم إدخال آلية توجيه، ويتم إظهار فعاليتها في الشكل 3.

figure-protocol-31
الشكل 3: مخطط تخطيطي يوضح ما إذا كان هناك آلية توجيهية أم لا. (أ) لا توجد آلية توجيهية. (ب) آلية التوجيه. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

كما هو موضح في الشكل 3، تقوم آلية التوجيه بتخصيص استراتيجيات توزيع أوزان ثابتة للذئاب a وb وc خلال مرحلة تحديث الوضعية. من خلال زيادة نسبة وزن الذئب أ بشكل كبير وتقليل تأثير الذئاب ب وج ، يتم توجيه المزيد من الأفراد في السكان لتحديث مواقعهم على اتجاه البحث للذئب أ، بحيث يتركز توزيعهم على المنطقة أمام الذئب أ ، بدلا من حالة التوزيع الموحدة حول الذئب أ الذئب في خوارزميات GWO التقليدية. يمكن لهذا التحسين أن يعزز الدور التوجيهي للأفراد النخبة في توجيه تحسين المجتمع، ويقلل من تكاليف البحث غير الفعالة، ويحسن أداء التقارب.

خوارزمية GWO محسنة تعتمد على SVM و GAN
لتحسين أداء التصنيف وقدرة التعميم على GWO بعد استخراج ميزات البيانات، تم تقديم خوارزمية SVM للتحسين التعاوني. المخطط التخطيطي لسطح التصنيف الأمثل للنماذج الخطية وغير الخطية موضح في الشكل 4.

figure-protocol-32
الشكل 4: مخططات تخطيطية لأسطح التصنيف المثلى لآلات الدعم الخطية وغير الخطية. (أ) سطح التصنيف الأمثل لآلة متجه الدعم. (ب) سطح التصنيف الأمثل لآلة متجهات الدعم غير الخطية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يعرض الشكل 4A سطح التصنيف الأمثل لنموذج SVM الخطي. من الشكل 4A، في فضاء بيانات ثنائي الأبعاد، يمكن لسطح التصنيف الأمثل g(x) في SVM فصل نوعين من العيناتتماما 19. يعرض التعبير عن المستوى الفائق g(x) في المعادلة (6).

figure-protocol-33(6)

في المعادلة (6)، يرمز w إلى المتجه العمودي للمستوى الفائق، الذي يحدد اتجاهه. b يدل على مصطلح الاعتراض، الذي يحدد إزاحة المستوى الفائق. X يرمز إلى متجه الميزة في عينة الإدخال20. SVM يحتوي على SVM قابل للفصل خطي وSVM قابل للفصل غير خطي. بافتراض أن مجموعة بيانات SVM الخطي القابل للفصل هي figure-protocol-34، هدفها هو تعظيم فترة التصنيف مع تحقيق التصنيف الصحيح لجميع العينات21. يتم عرض شرط القيد لهذه المشكلة في المعادلة (7).

figure-protocol-35(7)

في المعادلة (7)، يشير yi إلى تسمية الفئة للعينة i، وهي المعرف المرجعي للنموذج لإجراء التصنيف أو مطابقة الميزات أو تحديد القيد، وxi يمثل متجه ميزته. يتم عرض مسألة التحسين الأصلية المقابلة في المعادلة (8).

figure-protocol-36(8)

في المعادلة (8)، figure-protocol-37 تشير إلى المكافئ الرياضي لتعظيم الفترة. لحل مشكلة التحسين المقيد هذه، يتم إدخال مضاعف لاغرانج لتحويله إلى شكل غير مقيد22. تظهر دالة لاغرانج في المعادلة (9).

figure-protocol-38(9)

في المعادلة (9)، αi يمثل مضاعف لاغرانج، وهو متغير مزدوج تم تقديمه لتحويل القيود الأصلية لنموذج SVM إلى مسألة تحسين غير مقيدة. تعكس قيمته بشكل مباشر مساهمة العينة رقم i في تحديد المستوى الفائق للتصنيف. وفقا لشرط مونتي-كارلو-كون-تاكر، يتم عرض شرط الاسترخاء التكميلي للحل الأمثل في المعادلة (10).

figure-protocol-39(10)

يتم أخذ تعبير w في دالة لاغرانج للحصول على المشكلة المزدوجة، كما هو موضح في المعادلة (11).

figure-protocol-40(11)

في المعادلة (11)، j هي العينة في مجموعة البيانات. بالنسبة للبيانات غير الخطية القابلة للفصل، تقوم تقنيات النواة بتحويل البيانات الخطية غير القابلة للفصل في الفضاء الأصلي إلى مشاكل قابلة للفصل خطيا في الفضاء عالي الأبعاد من خلال التحويل غير الخطي الضمني. يتم استبدال الضرب الداخلي xi·yi في المسألة الثنائية بدالة نواة K(xi·yi)، مما يتجنب تعقيد حساب الضرب الداخلي مباشرة في الفضاء عالي الأبعاد. الشكل 4B هو مخطط تخطيطي لسطح التصنيف الأمثل لنموذج SVM غير الخطي. من الشكل 4B، في فضاء الإدخال ثنائي الأبعاد الأصلي، يظهر النوعان من العينات توزيعا غير خطي ولا يمكن فصلهما فعليا بخط مستقيم. في هذا الوقت، قد يظهر نمط توزيع نقاط البيانات أنماطا معقدة مثل التداخل والدوران23. من خلال تأثير خريطة دوال النواة، تتحول هذه النقاط في الفضاء ثنائي الأبعاد إلى فضاءات ميزات ذات أبعاد أعلى، وتظهر نقاط العينة المتشابكة أصلا قابلية فصل واضحة. في الفضاء عالي الأبعاد، يمكن للنماذج غير الخطية أن تبني مستوى فائق مثالي لتقسيم نوعين بدقة من العينات. يتم عرض دالة قرار التصنيف النهائية f(x) في المعادلة (12).

figure-protocol-41(12)

في المعادلة (12)، K(xi, x) تشير إلى دالة النواة. تمكن دوال النواة SVM من التعامل مع المشكلات غير الخطية بمرونة، مما يوسع قابلية تطبيقها بشكل كبير. يظهر مخطط تدفق نموذج التعرف على ميزات بيانات IGWS-SVM في الشكل 5.

figure-protocol-42
الشكل 5: مخطط انسيابي لنموذج التعرف على ميزات بيانات IGWO-SVM. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

في الشكل 5، تم إدخال بيانات الميزات المعالجة مسبقا في خوارزمية IGWO، وقامت آلية التحسين التكراري الخاصة بها بتحسين المعلمات الأساسية ل SVM بشكل تكيفي. قامت الخوارزمية بضبط استراتيجية البحث الجماعي ديناميكيا لتحديد أفضل تركيبة معلمات في فضاء المعلمات التي تعظم دقة تصنيف SVM، معالجة الكفاءة المنخفضة والقابلية للرؤية المحلية المتأصلة في طرق البحث الشبكي التقليدية أو البحث العشوائي. تم إدخال المعلمات المحسنة بواسطة IGWO لاحقا في نموذج SVM، وتم استخدام المصنف المحسن للتعلم من بيانات الميزات والتنبؤ بها. بالنسبة للبيانات القابلة للفصل خطيا، حقق النموذج التقسيم المباشر من خلال بناء المستوى الفائق الأمثل. تم تعيين البيانات غير الخطية إلى فضاء عالي الأبعاد عبر دوال النواة لإكمال التصنيف، وتم إخراج تسميات الفئات النهائية. لتعزيز القدرة على ملاءمة توزيعات البيانات المعقدة وأصالة توليد الميزات، تم دمج GAN بشكل أكبر. الشكل 6 يعرض GAN.

figure-protocol-43
الشكل 6: هيكل GAN. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

في الشكل 6، لدى GAN نموذج توليدي ونموذج تمييز، يحققان تحسينا تعاونيا من خلال آليات التعلم العدائي24. يستخدم هذا النموذج التوليدي الضوضاء العشوائية كمدخل ويولد عينات وهمية تشبه توزيع البيانات الحقيقية من خلال تحويل غير خطي. يحصل نموذج المميز على عينات حقيقية ومولدة كمدخلات، ومهمته الأساسية هي التمييز بين أصالة بيانات الإدخال وإخراج احتمال أن تأتي العينات من مجموعة البيانات الحقيقية25. الهدف الأصلي للتحسين في GAN مقدم في المعادلة (13).

figure-protocol-44 (13)

في المعادلة (13)، V(D, G) هي دالة القيمة التي تقيس أداء المميز معطى المولد G والمميز D. D(x) تمثل الاحتمال التمييزي على العينة الحقيقية x. يمثل D(z) المولد الذي يربط الضوضاء z إلى عينات مولدة. pdata(x) تشير إلى توزيع احتمالية البيانات الحقيقية. pz(z) يرمز إلى التوزيع السابق ل Z. تشير E إلى القيمة المتوقعة، حيث تمثل متوسط جميع العينات في التوزيع26,27. هدف التحسين للجهاز المميز موضح في المعادلة (14).

figure-protocol-45 (14)

المولد المحسن موضح في المعادلة (15).

figure-protocol-46 (15)

باختصار، تقترح الدراسة خوارزمية تحسين تعاونية تعتمد على IGWO-SVM-GAN لتحقيق استخراج ميزات فعال وتصنيف دقيق في سيناريوهات البيانات المعقدة.

استخراج البيانات الاقتصادية الإقليمية وتوقع التنمية بناء على خوارزمية IGWO-SVM-GAN
وباعتباره مكونا مهما في النظام الاقتصادي الوطني، فإن تحليل التنمية الاقتصادية الإقليمية بدقة والتنبؤ بالاتجاهات المستقبلية علميا له قيمة نظرية وعملية مهمة لصياغة استراتيجيات التنمية الإقليمية، وتحسين تخصيص الموارد، وتجنب المخاطر الاقتصادية. ومع ذلك، غالبا ما تظهر البيانات الاقتصادية الإقليمية سمات معقدة مثل الأبعاد العالية، وعدم الخطية، والديناميكية، وتتأثر بعوامل متعددة مثل السياسات، والهيكل الصناعي، والبيئة الخارجية. طرق استخراج الميزات التقليدية ونماذج التنبؤ يصعب التقاط الارتباطات العميقة وراء البيانات، مما يؤدي إلى دقة محدودة. يطبق اختبار IGWO-SVM-GAN على مجال التحليل الاقتصادي الإقليمي. من خلال دمج مزايا الخوارزمية في استخراج الميزات، وتعلم التصنيف، وتوليد البيانات، يتم بناء نموذج تحليل مناسب للبيانات الاقتصادية الإقليمية. يعرض مخطط تدفق البيانات الاقتصادية الإقليمية لنموذج استخراج الميزات والتنمية المبني على IGWO-SVM-GAN في الشكل 7.

figure-protocol-47
الشكل 7: عملية استخراج الميزات ونموذج التنبؤ بالتنمية بناء على خوارزمية IGWO-SVM-GAN. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

وفقا للشكل 7، يتم جمع مؤشرات عالية الأبعاد للاقتصاد الإقليمي، بما في ذلك الناتج المحلي الإجمالي، وقيمة الإنتاج الصناعي، والإيرادات والإنفاق المالي، ومعدل التوظيف، وغيرها. يتم تنظيف البيانات الخام وتوحيدها، بما في ذلك ملء القيم المفقودة وتصحيح القيم الشاذة. يتم تنفيذ تصفية الميزات على البيانات المعالجة مسبقا عبر IGWO، وتزال المعلومات الزائدة، ويتم إخراج مجموعة فرعية من الميزات الأساسية. يولد مولد GAN بيانات اقتصادية تركيبية بدرجة عالية من الاتساق مع البيانات الحقيقية بناء على نمط توزيع المجموعات الفرعية للميزات الأساسية لتقليل تناثر العينة أو التوزيع غير المتساوي. يتم دمج مجموعة الميزات الأساسية مع البيانات الاقتصادية الاصطناعية والمدخلات في نموذج SVM. تتم معالجة العلاقة غير الخطية بين الميزات من خلال دالة نواة لبناء نموذج تنبؤ بالتنمية الاقتصادية. ينتج النموذج توقعات كمية للتنمية الاقتصادية الإقليمية، بما في ذلك معدلات النمو الاقتصادي المستقبلية، والتغيرات في نسبة البنية الصناعية، وغيرها. يعالج النموذج بشكل فعال الطبيعة عالية الأبعاد، غير الخطية، والقليلة للبيانات الاقتصادية الإقليمية من خلال الاستفادة من تنقية الخصائص في IGWO، وتعزيز بيانات GAN، ونمذجة SVM غير الخطية، مما يعزز المتانة والدقة.

لإثبات فعالية نموذج استخراج الميزات والتنبؤ بالتنمية بناء على خوارزمية IGWO-SVM-GAN، تم اختيار مقاطعة أنهوي كدراسة حالة. جميع بيانات البحث مأخوذة من مواد إحصائية موثوقة، بما في ذلك الدليل الإحصائي لأنهوي من 2005 إلى 2022 ونشرة التنمية الاقتصادية والاجتماعية الوطنية لأنهوي من 2005 إلى 2023، لضمان موضوعية البيانات وموثوقيتها. المؤشرات الاقتصادية الأساسية المختارة لتحليل الأداء هي كما يلي: الناتج المحلي الإجمالي (GDP) للصناعة الأولية (X1)، الناتج المحلي الإجمالي للصناعة الثانوية (X2)، الناتج المحلي الإجمالي للصناعة الثالثية (X3)، نصيب الفرد من الدخل المتاح لسكان المناطق الريفية (X4)، نصيب الفرد من الدخل المتاح لسكان المدن (X5)، إجمالي الإنفاق المالي (X6)، إجمالي استهلاك الطاقة (X7)، ونفقات الاستثمار في التعليم (X8). استخدمت الدراسة طريقة توحيد درجة Z لتطبيع بيانات المؤشرات الثمانية للقضاء على التداخل الناتج عن الفروق البعدية في تدريب النماذج. من خلال الرجوع إلى بيانات إحصائية إضافية للسنوات المقابلة واستخدام الاستيفاء الخطي لبيانات السنوات المجاورة لإكمال كمية صغيرة من البيانات المفقودة، لم يكن لدى مجموعة البيانات النهائية قيم مفقودة. تم استخدام معيار 3σ لتحديد البيانات غير الطبيعية، وتم تحويل القيم الشاذة للبيانات المكتشفة إلى Winsorize لتجنب تأثير تأثير تدريب النموذج على البيانات غير الطبيعية. تم استخدام طريقة التحقق المتقاطع من السلاسل الزمنية، باستخدام بيانات 2011-2017 كمجموعة تدريب (7 عينات)، وبيانات 2018-2019 كمجموعة تحقق (عينتان)، وبيانات 2020 كمجموعة اختبار (عينة واحدة)، لمحاكاة سيناريوهات التنبؤ الاقتصادي الحقيقي، وتجنب مشاكل تسرب البيانات، وتحسين موثوقية تقييم قدرة التعميم على النموذج. المواد المطلوبة للطريقة موضحة في جدول المواد.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

اختبار الأداء لخوارزمية IGWO-SVM-GAN
للتحقق بشكل منهجي من أداء التحسين، وفعالية استخراج الميزات، وآلية تحسين جودة التنبؤ لخوارزمية IGWO-SVM-GAN، أجري البحث على ثلاث مراحل: استخدمت المرحلة الأولى وظيفة اختبار المعيار للتحقق من قدرات تحسين الخوارزميات. استخدمت المرحلة الثانية مجموعة بيانات الحبل السلكي للتحقق من أداء استخراج الميزات وتصنيفها. المرحلة الثالثة كانت توضيح الدور الأساسي وتأثير الاكتساب التآزري لكل مكون من خلال تجارب الاستئصال. تم اختيار التحسين المدفوع بالر...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تطبق الدراسة خوارزمية IGWO-SVM-GAN لاستخراج وتوقعات التنمية للبيانات الاقتصادية الإقليمية وتتحقق من جدوى وفعالية هذه البيانات مع مقاطعة أنهوي كمثال. استنادا إلى التقارب السريع ودقة التعرف العالية التي أظهرتها الخوارزمية في اختبار الوظائف واختبار مجموعات بيانات الحبل الفولاذي، يعتقد أنها تستطيع التكيف مع الخصائص الديناميكية عالية الأبعاد والقوية للبيانات الاقتصادية الإقليمية، مما يوفر أداة جديدة للتحليل الاقتصادي.

في اختبار أداء الخوارزميات، أظهرت خوارزمية IGWO...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون أنهم لا يملكون تضارب مصالح.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يدعم البحث مشروع تمويل أبحاث المواهب عالية المستوى التابع لمعهد موتاي، والبحث حول فعالية الرقابة الداخلية لشركة كويتشو موتاي المحدودة (رقم، mygccrc [2022] 128).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
معالج Intel Core i5-9300HFشركة إنتلCL8068404069607 (نسخة OEM/راي)
منصة برمجة MATLAB 2020bماث ووركسR2020b (رقم الإصدار)
نظام تشغيل ويندوز 10 64 بتشركة مايكروسوفتFQC-09131 (رمز ويندوز 10 برو للبيع بالتجزئة)

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Rubasinghe, O., et al. A novel sequence to sequence data modelling based CNN-LSTM algorithm for three years ahead monthly peak load forecasting. IEEE Trans Power Syst. 39 (1), 1932-1947 (2024).
  2. Zheng, X., Li, J., Lu, M., Wang, F. Y. New paradigm for economic and financial research with generative AI: Impact and perspective. IEEE Trans Comput Soc Syst. 11 (3), 3457-3467 (2024).
  3. Sheng, Z., et al. A survey on data-driven runoff forecasting models based on neural networks. IEEE Trans Emerg Topics Comput Intell. 7 (4), 1083-1097 (2023).
  4. Seon, J., et al. Least information spectral GAN with time-series data augmentation for industrial IoT. IEEE Trans Emerg Topics Comput Intell. 9 (1), 757-769 (2025).
  5. Yin, H., Lyu, Y. GWO-based power allocation optimization algorithm for consumer IoT networks. IEEE Trans Consum Electron. 70 (1), 1294-1301 (2024).
  6. Toktas, A., et al. Multiobjective design of 2D hyperchaotic system using leader Pareto grey wolf optimizer. IEEE Trans Syst Man Cybern Syst. 54 (9), 5237-5247 (2024).
  7. Liu, W., et al. Multiobjective optimal power flow for distribution networks utilizing a novel heuristic algorithm—Grey wolf equilibrium optimizer. IEEE Syst J. 18 (1), 174-185 (2024).
  8. Farghaly, S. I., et al. Beamforming of transmit antennas using grey wolf optimization and L2-norm for performance enhancement of beyond 5G communications. IEEE Open J Antennas Propag. 5 (4), 1041-1060 (2024).
  9. Muniyandi, A. P., et al. Intelligent security system for preventing DDoS attacks for 6G enabled WBSN using improve grey wolf optimization. IEEE Trans Consum Electron. 70 (3), 5775-5782 (2024).
  10. Yan, X., et al. A novel exploitative and explorative GWO-SVM algorithm for smart emotion recognition. IEEE Internet Things J. 10 (11), 9999-10011 (2023).
  11. Lan, J., Zhou, Y., Guo, Q., Sun, H. Data augmentation for data-driven methods in power system operation: A novel framework using improved GAN and transfer learning. IEEE Trans Power Syst. 39 (5), 6399-6411 (2024).
  12. Cao, Y., Sun, Y., Li, P., Su, S. Vibration-based fault diagnosis for railway point machines using multi-domain features, ensemble feature selection and SVM. IEEE Trans Veh Technol. 73 (1), 176-184 (2024).
  13. Liu, Y., et al. GAN-based facial attribute manipulation. IEEE Trans Pattern Anal Mach Intell. 45 (12), 14590-14610 (2023).
  14. Behera, S., Misra, R., Sillitti, A. GAN-based multi-task learning approach for prognostics and health management of IIoT. IEEE Trans Autom Sci Eng. 21 (3), 2742-2762 (2024).
  15. Sun, X., Jin, Z., Xue, M., Tian, X. Adaptive ECMS with gear shift control by grey wolf optimization algorithm and neural network for plug-in hybrid electric buses. IEEE Trans Ind Electron. 71 (1), 667-677 (2024).
  16. Sun, W., et al. Joint routing and scheduling optimization of in-vehicle time-sensitive networks based on improved grey wolf optimizer. IEEE Internet Things J. 11 (4), 7093-7106 (2024).
  17. Saheed, Y. K., Balogun, B. F., Odunayo, B. J., Abdulsalam, M. Microarray gene expression data classification via Wilcoxon sign rank sum and novel grey wolf optimized ensemble learning models. IEEE/ACM Trans Comput Biol Bioinform. 20 (6), 3575-3587 (2023).
  18. Ren, J., et al. A new grey wolf optimizer tuned extended generalized predictive control for distillation process. IEEE Trans Neural Netw Learn Syst. 35 (5), 5880-5890 (2024).
  19. Azimjonov, J., Kim, T. A comprehensive empirical analysis of data sets, regression-based feature selectors, and linear SVM classifiers for intrusion detection systems. IEEE Internet Things J. 11 (21), 34676-34693 (2024).
  20. Zhang, H., Guo, X., Zhang, P. Improved PSO-SVM-based fault diagnosis algorithm for wind power converter. IEEE Trans Ind Appl. 60 (2), 3492-3501 (2024).
  21. Patel, H. B., Patil, N. J. Enhanced CNN for fruit disease detection and grading classification using SSDAE-SVM for postharvest fruits. IEEE Sens J. 24 (5), 6719-6732 (2024).
  22. Li, X., Yang, H., Ge, J., Zhu, S., Zhu, Z. Intelligent cavitation recognition of a canned motor pump based on a CEEMDAN-KPCA and PSO-SVM method. IEEE Sens J. 24 (4), 5324-5334 (2024).
  23. Bhosle, K., Musande, V. Evaluation of deep learning CNN model for recognition of Devanagari digit. Artif Intell Appl. 1 (2), 114-118 (2023).
  24. Ding, C., Xiao, R., Do, D. Log-spectral matching GAN: PPG-based atrial fibrillation detection can be enhanced by GAN-based data augmentation with integration of spectral loss. IEEE J Biomed Health Inform. 27 (3), 1331-1341 (2023).
  25. Li, Y., et al. Drilling process monitoring based on operation mode recognition and dynamic feature extraction. IEEE Trans Ind Electron. 71 (7), 7876-7885 (2024).
  26. Bai, G., et al. GAN-based bearing fault diagnosis method for short and imbalanced vibration signal. IEEE Sens J. 24 (2), 1894-1904 (2024).
  27. Fan, Z., et al. Unsupervised anomaly detection method for bearing based on VAE-GAN and time-series data correlation enhancement. IEEE Sens J. 23 (23), 29345-29356 (2023).
  28. Lian, Z., Shu, J., Zhang, Y., Sun, J. Convergent grey wolf optimizer metaheuristics for scheduling crowdsourcing applications in mobile edge computing. IEEE Internet Things J. 11 (2), 1866-1879 (2024).
  29. Nacpil, E. J. C., et al. EEG-based emergency braking prediction using data ablation and SVM classification. IEEE Sens J. 23 (14), 16013-16019 (2023).
  30. Chen, Y., Qiang, Y., Chen, J., Yang, J. FMRGAN: Feature mapping reconstruction GAN for rolling bearings fault diagnosis under limited data condition. IEEE Sens J. 24 (15), 25116-25131 (2024).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

Regional Economic DataEconomic Development PredictionGrey Wolf OptimizationFeature ExtractionSupport Vector MachineGenerative Adversarial NetworkHigh Dimensional DataClassification RecognitionEconomic IndicatorsForecasting Model

مقالات ذات صلة