Regionale wirtschaftliche Datenextraktion und Entwicklungsvorhersage basierend auf einem verbesserten GWO-Algorithmus

Summary

Das vorgeschlagene Modell kann die Merkmale regionaler Wirtschaftsdaten effektiv erfassen, die Vorhersagegenauigkeit verbessern und eine wissenschaftliche Grundlage für regionale wirtschaftliche Entwicklungsentscheidungen liefern.

Abstract

Mit der steigenden Nachfrage nach hochwertiger regionaler Wirtschaftsentwicklung ist das genaue Herausfiltern versteckter Merkmale wirtschaftlicher Daten und die zuverlässige Vorhersage von Entwicklungstrends zu einer wichtigen Voraussetzung für die Formulierung wissenschaftlicher Wirtschaftspolitiken geworden. Um die Genauigkeit der Feature-Extraktion regionaler Wirtschaftsdaten und die Zuverlässigkeit der Entwicklungsvorhersage zu optimieren, wird ein Modell zur Feature-Extraktion und Entwicklungsprognose regionaler Wirtschaftsdaten erstellt, indem ein verbesserter Grey-Wolf-Optimierungsalgorithmus, eine Support-Vektormaschine und ein generatives Adversarial-Netzwerk integriert wird. Bei den F1-Unimodalfunktions- und F2-Multimodalfunktionstests war die Konvergenzgeschwindigkeit signifikant besser als die des windgetriebenen Optimierungs- und Sinus-Kosinus-Algorithmus, was eine stärkere Anpassungsfähigkeit bei komplexen Optimierungsproblemen zeigte. Das vergleichende Experiment mit dem Stahldrahtseil-Datensatz zeigte, dass der Algorithmus die Erkennungsrate im Vergleich zur Principal Component Analysis-Grey Wolf Optimizer-Support Vector Machine um 1,25 % verbesserte und 98,75 % erreichte und eine höhere Effizienz bei hochdimensionaler Merkmalverarbeitung aufwies, was seine Überlegenheit bei Merkmalsextraktion und Klassifikationserkennung bestätigte. Das Modell wurde auf die Wirtschaftsdaten der Provinz Anhui angewandt und wählte 8 Kernindikatoren aus, darunter das BIP der Primärindustrie und das Einkommen der städtischen und ländlichen Bewohner von 2011 bis 2022. Im Jahr 2011, als der tatsächliche Wert 16.311 betrug, lag der vorhergesagte Wert des Forschungsmodells bei 16.200. Im Jahr 2015, als der tatsächliche Wert 23.808 betrug, sagte das Modell einen Wert von 23.600 voraus. Der minimale absolute Fehler von 2011 bis 2020 betrug nur 103, und die Fehlerquote lag so niedrig wie 0,005, was eine herausragende Stabilität in der mittel- und langfristigen Prognose zeigt. Das vorgeschlagene Modell kann die Merkmale regionaler Wirtschaftsdaten effektiv erfassen, die Vorhersagegenauigkeit verbessern und eine wissenschaftliche Grundlage für regionale wirtschaftliche Entwicklungsentscheidungen liefern.

Introduction

Da die chinesische Wirtschaft in eine Phase hochwertiger Entwicklung eintritt, werden die Komplexität und Vielschichtigkeit regionaler Wirtschaftsdaten immer deutlicher. Die genaue Extraktion wirtschaftlicher Datenmerkmale und die wissenschaftliche Vorhersage von Entwicklungstrends sind wichtige Voraussetzungen für die Formulierung regionaler Wirtschaftspolitiken und die Optimierung der Ressourcenverteilung ^1,2. Das regionale Wirtschaftssystem umfasst multidimensionale Indikatoren wie industrielle Struktur, Einkommen der Bewohner, fiskalische Einnahmen und Ausgaben sowie Energieverbrauch. Es gibt nichtlineare Korrelationen und dynamische Kopplungsbeziehungen zwischen verschiedenen Indikatoren. Traditionelle statistische Analysemethoden und einzelne maschinelle Lernmodelle stehen oft vor Problemen wie unzureichender Merkmalsextraktion und begrenzter Vorhersagegenauigkeit bei der Verarbeitung hochdimensionaler und nichtstationärer wirtschaftlicher Daten ^3,4.

Die Grauwolf-Optimierung (GWO) ist eine intelligente Optimierungsstrategie, die das Jagdverhalten von Grauwölfen simuliert. Aufgrund seiner einfachen Struktur und stabilen Konvergenzleistung wurde GWO häufig in der Funktionsoptimierung, Parameteroptimierung, Merkmalsauswahl und anderen Bereichen^eingesetzt. So nutzten Toktas et ^al.6 den GWO-Algorithmus, um eine effiziente Parameteroptimierung bei der Gestaltung multiobjektiver hyperchaotischer Systeme zu erreichen, wobei das Potenzial des optimierten GWO-Algorithmus in komplexen multiobjektiven Optimierungsszenarien überprüft wurde. Liu et ^al.7 wandten den GWO-Algorithmus auf multiobjektive optimale Leistungsflussberechnung in Verteilungsnetzen an. Die Anpassungsfähigkeit des Algorithmus an komplexe technische Probleme wurde durch eine hybride Strategie verbessert. Der Standard GWO weist jedoch eine langsame Konvergenzgeschwindigkeit und lokale optimale Lösungen bei der Lösung komplexer Optimierungsprobleme auf, was seine Anwendungseffektivität in der hochdimensionalen wirtschaftlichen Datenverarbeitung^{einschränkt 8}. Daher hat die akademische Gemeinschaft umfangreiche Forschungen zum GWO-Algorithmus durchgeführt, indem sie adaptive Gewichte, chaotische Störungen oder hybride Optimierungsstrategien eingeführt hat, um die globale Suchfähigkeit und Konvergenzgenauigkeit zu verbessern. Die Anpassungsfähigkeit bestehender verbesserter Algorithmen auf Datentypen wie wirtschaftliche Daten mit starkem Rauschen und multiskalierte Funktionen bedarf jedoch weiterhin weiterer Verifikation⁹.

Support Vector Machine (SVM) und Generative Adversarial Network (GAN) haben offensichtliche Vorteile beim Lernen von Datenmerkmalen und prädiktiver Modellierung¹⁰. SVM bildet linear untrennbare Daten im niedrigdimensionalen Raum durch Kernelfunktionen in hochdimensionalen Raum ab und wandelt nichtlineare Probleme in linear separable Probleme um. Sie kann Klassifikations- und Regressionsaufgaben effizient abschließen, ohne explizit hochdimensionale Abbildung zu berechnen. GAN stützt sich auf den adversarialen Trainingsmechanismus von Generatoren und Diskriminatoren, um die potenziellen Verteilungsmerkmale von Daten tief zu erfassen und so die Fähigkeit zur Anpassung komplexer Muster erheblich zu verbessern¹¹. Cao et ^al.12 verwendeten SVM zur Fehlerdiagnose von Bahnweichenanlagen und überprüften die Klassifikationsleistung von SVM in kleinen Stichproben und nichtlinearen Problemen mittels multidomänenübergreifender Merkmalfusion und Merkmalsauswahlstrategie. Liu et ^al.13 entwickelten ein Modell zur Manipulation von Gesichtsattributen mit GAN. Die Fähigkeit von GAN, potenzielle Verteilungsmerkmale von Daten zu erforschen, wurde überprüft.

In vielen Bereichen wie der industriellen Fehlervorhersage und Umweltüberwachung werden Optimierungsalgorithmen wie GWO und PSO jedoch oft mit SVM, CNN usw. kombiniert, um die Vorhersagegenauigkeit zu verbessern. ¹⁴ Die meisten Fusionsmodelle haben jedoch Herausforderungen wie unzureichende Parameter-Kollaborationsoptimierung und mangelnde Anpassungsfähigkeit an komplexe Zeitreihendaten. Obwohl es viele Anwendungen von Algorithmen im Bereich der ökonomischen Prognose gibt, konzentrieren sich die meisten auf die Verbesserung eines einzelnen Modells, ignorieren dabei die hohe Kopplung und starke Rauscheigenschaften wirtschaftlicher Daten sowie das Fehlen einer tiefgehenden kollaborativen Entwicklung von Optimierungsalgorithmen und generativen Modellen. Daher verbessert die Studie den GWO-Algorithmus. Die Tent-Mapping-Initialisierung wird verwendet, um die Populationsdurchquerbarkeit zu verbessern, damit sie sich an den Sparte-Feature-Mining anpassen kann. Positions-Update-Gewichte werden rekonstruiert, um die Fähigkeiten zur hochwertigen Lösungsverfolgung zu verbessern und sich an nichtlineare Korrelationserfassung anzupassen. Nichtlineare dynamische Konvergenzfaktoren werden verwendet, um globale Exploration und lokale Entwicklung auszubalancieren, um Zeitreihenänderungen zu bewältigen. Vorteile der SVM-Klassifikation und die Verbesserungsmöglichkeiten der GAN-Funktionen werden integriert, um ein verbessertes Gray Wolf Optimizer-Support Vector Machine-Generative Adversarial Network (IGWO-SVM-GAN) zu erstellen, das die Extraktion und Entwicklung regionaler wirtschaftlicher Datenmerkmale präzise löst. Die Innovation liegt in der tiefgehenden Integration des IGWO-Algorithmus mit SVM und GAN, wobei die leistungsstarken Datengenerierungs- und Feature-Mapping-Fähigkeiten von GAN genutzt werden, um die Stichprobenvielfalt zu erweitern, präzises Merkmalsscreening mit der starken Klassifikationsleistung von SVM erreicht und die Schlüsselparameter beider durch den IGWO-Algorithmus synergetisch optimiert werden. Sie durchbricht die Abhängigkeit des traditionellen Modells von Annahmen linearen Beziehungen und verbessert seine Anpassungsfähigkeit an komplexe Wirtschaftssysteme erheblich.

Das übergeordnete Ziel der Forschung ist es, ein Modell zur Extraktion und Entwicklung von regionalen wirtschaftlichen Datenmerkmalen auf Basis von IGWO-SVM-GAN zu erstellen, um Probleme der ungenauen Merkmalsextraktion, niedriger Vorhersagegenauigkeit und mangelhafter Anpassungsfähigkeit traditioneller Modelle zu lösen, eine effiziente Auswertung regionaler wirtschaftlicher Kernmerkmale und eine zuverlässige Vorhersage von Entwicklungstrends zu erzielen sowie wissenschaftliche Unterstützung für regionale wirtschaftliche Entscheidungsprozesse bereitzustellen. Die Studie schlägt folgende Hypothesen auf. Hypothese 1: Im Vergleich zu Standard-GWO- und anderen vergleichenden Algorithmen weist der verbesserte IGWO-Algorithmus eine höhere Konvergenzgeschwindigkeit und eine höhere Optimierungsgenauigkeit bei der Extraktion hochdimensionaler wirtschaftlicher Datenmerkmale auf; Hypothese 2: Die Vorhersageleistung des IGWO-SVM-GAN-Fusionsmodells ist signifikant besser als die eines einzelnen Modells und anderer gängiger Fusionsmodelle und weist eine höhere Stabilität und Genauigkeit in mittel- und langfristigen Wirtschaftsprognosen auf; Hypothese 3: Das vorgeschlagene Modell kann sich effektiv an die hohen Kopplungs- und starken Rauscheigenschaften regionaler Wirtschaftsdaten anpassen und die Entwicklungsmuster der Kernindikatoren genau erfassen.

Protocol

Verbesserter GWO-Algorithmus
Im Bereich der Merkmalsextraktion und der Entwicklungsvorhersage regionaler Wirtschaftsdaten wird zur effektiven Verbesserung der Extraktionseffizienz von Schlüsselmerkmalen in hochdimensionalen Wirtschaftsdaten der WO-Algorithmus zur Optimierung eingeführt. GWO simuliert das Jagdverhalten von Grauwölfen. Der Kernmechanismus des GWO-Algorithmus liegt in der biomimetischen Simulation der sozialen Hierarchiestruktur und Jagdstrategie, die Optimierung erreicht, indem die hierarchische Hierarchie des ersten Wolfs a, des zweiten Wolfs b und des jungen Wolfs c simuliert wird, ebenso wie Jagdphasen wie Jagd, Verfolgung und Angriff¹⁵. Der spezifische Prozess zur Aktualisierung des Standorts der Grauwölfe ist in Abbildung 1 dargestellt.

Abbildung 1: Flussdiagramm der Position des Grauwolfs. (A) Schematisches Diagramm der Positionsaktualisierung des grauen Wolfs. (B) Flussdiagramm des GWO-Algorithmus. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 1A zeigt das Update der Grauwolf-Position. Aus Abbildung 1A wird die aktualisierte individuelle Position des Grauwolfs durch die Positionen a, b und c bestimmt. Die Optimierung wird erreicht, indem das Jagdverhalten der Gruppe simuliert wird und sich allmählich dem optimalen Ziel¹⁶ nähert. Der Aktualisierungsprozess umfasst die Entfernungsberechnung und Positionsanpassung. Die Koeffizientenvektoren wurden während des Positionsaktualisierungsprozesses eingeführt und dynamisch durch Zufallswerte verändert, wodurch ein adaptives Umschalten zwischen Explorations- und Entwicklungsphasen erreicht wurde. Gleichung (1) zeigt den Distanzvektor zwischen dem Grauwolf und seiner Beute.

(1)

In Gleichung (1) stellt ein Zufallskoeffizientenvektor dar, der verwendet wird, um Zufälligkeit einzuführen und die Erkundung und Entwicklung auszugleichen. bezeichnet den aktuellen Positionsvektor (PV) zum Zeitpunkt t. stellt den PV der Beute zum Zeitpunkt t dar. Der Grauwolf aktualisiert seine Position je nach Beutestandort und Entfernung , und die Positionsaktualisierung wird in Gleichung (2) angezeigt.

(2)

In Gleichung (2) stellt er den Koeffizientenvektor dar, der die Bewegungsrichtung und die Schrittweite steuert. Die Distanzvektoren , , sowie zwischen dem aktuellen Grauwolf und den Wölfen a, b und c sind in Gleichung (3) dargestellt.

(3)

In Gleichung (3) stellen , , und bzw. die PV der drei Lösungen mit der besten Fitness in der aktuellen Besetzung (a, b und c) dar. Drei Kandidatenzielpositionen werden entsprechend den Positionen und Entfernungen der Wölfe a, b und c berechnet, wie in Gleichung (4) dargestellt.

(4)

In Gleichung (4), , , und bezeichnen drei Kandidatenzielpositionen, berechnet aus den Positionen und Abständen von a, b und c. , , und stellen Kandidatenpositionen dar, berechnet aus den Positionen und Entfernungen von a, b und c¹⁷. Der PV der aktuellen grauen Wölfe in der nächsten Generation (d. h. die aktualisierte Position ) wird in Gleichung (5) angezeigt.

(5)

Durch die Lösung des Mittelwerts von drei Kandidatenpositionen nähert sich die Population allmählich der optimalen Region, die von den Wölfen a, b und c geleitet wird. Abbildung 1B zeigt den Arbeitsablauf der GWO. Aus Abbildung 1B beinhalten die Ausführungsschritte des GWO-Algorithmus die Initialisierung der Grauwolf-Population. Dann wird der Fitnesswert in der Population berechnet. Die aktuelle optimale und suboptimale Lösung werden durch den Vergleich individueller Fitnesswerte bestimmt. Alle Fitnesswerte werden sortiert, und die drei besten Personen werden als a, b und c bezeichnet. Die individuellen Positionen in der Population werden basierend auf den Standortinformationen der dominanten Individuen aktualisiert. Ob die vorgegebenen Abschlussbedingungen erfüllt sind, wird festgestellt. Wenn sie erfüllt sind, endet der Algorithmus. Andernfalls wird der Fitnesswert jedes Grauwolfs in der Population berechnet.

Um die Optimierungsgenauigkeit bei der Datenfeature-Extraktion zu verbessern, wird ein verbesserter GWO-Algorithmus (IGWO) vorgeschlagen, der die Initialisierung der Grauwolfpopulation mittels Zeltkartierung zur Verbesserung der Vielfalt und Durchquerung umfasst. Die Positions-Update-Gewichtskoeffizienten der Grey-Wolf-Individuen werden rekonstruiert, um die Fähigkeit des Algorithmus zur Erfassung hochwertiger Lösungsbereiche zu optimieren. Ein nichtlinearer Steuerungsmechanismus wird eingeführt, um den Konvergenzfaktor q dynamisch zu aktualisieren. Der Koeffizientenvektor und ein Zufallskoeffizientenvektor , der zur Steuerung von Bewegungsrichtung und Schrittweite verwendet wird, werden synchron optimiert, um die globale Erkundungs- und lokalen Entwicklungsfähigkeiten^{auszubalancieren 18}. Abbildung 2 zeigt das Flussdiagramm von IGWO.

Abbildung 2: Ablauf des IGWO. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Aus Abbildung 2 hat das IGWO einen gezielteren iterativen Prozess entwickelt, während der Kernrahmen der GWO beibehalten wird. Die anfängliche Population wird durch Tent-Mapping generiert, um die ungleichmäßige Populationsverteilung zu vermeiden, die durch traditionelle zufällige Initialisierung entstehen kann, und legt so eine solide Grundlage für die spätere Optimierung. In jeder Iteration berechnet der Algorithmus zunächst individuelle Fitnesswerte und wählt die Wölfe a, b und c aus. Basierend auf der verbesserten Positions-Update-Gewichtsgleichung, kombiniert mit nichtlinearen Konvergenzfaktoren und optimierten Koeffizientenvektoren, wird die Positionsaktualisierung der Grauwolf-Individuen abgeschlossen. Gleichzeitig wird durch dynamische Anpassung des Wertbereichs des Zufallskoeffizienten die lokale Suchgenauigkeit in späteren Iterationsphasen optimiert, wodurch die lokale Optima reduziert wird. Schließlich wird festgestellt, ob die maximale Iteration erreicht wurde. Wenn die maximale Iteration erreicht wurde, wird die optimale Lösung als Ausgabe angegeben. Umgekehrt kehrt er für die nächste Iteration zur Berechnung des Fitnesswerts zurück. Um die Konvergenzgeschwindigkeit des IGWO zu verbessern, wird ein Leitmechanismus eingeführt, dessen Wirksamkeit in Abbildung 3 dargestellt ist.

Abbildung 3: Schaltplan, ob es einen Führungsmechanismus gibt oder nicht. (A) Kein Leitmechanismus. (B) Leitmechanismus. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 3 gezeigt, weist der Leitsystem während der Positionsaktualisierungsphase feste Gewichtszuteilungsstrategien für a-, b- und c-Wölfe zu. Durch eine deutliche Erhöhung des Gewichtsanteils eines Wolfs und die Verringerung des Einflusses von B- und C-Wölfen werden mehr Individuen in der Population dazu angeleitet, ihre Positionen entlang der Suchrichtung des Wolfs zu aktualisieren, sodass ihre Verteilung sich auf das Gebiet vor dem Wolf konzentriert und nicht auf den gleichmäßigen Verbreitungszustand um a Wolf in traditionellen GWO-Algorithmen. Diese Verbesserung kann die leitende Rolle der Elite-Individuen in der Optimierungsrichtung der Bevölkerung stärken, ineffektive Suchkosten senken und die Konvergenzleistung verbessern.

Verbesserter GWO-Algorithmus basierend auf SVM und GAN
Um die Klassifikationsleistung und Verallgemeinerungsfähigkeit von GWO nach der Datenfeature-Extraktion zu optimieren, wird der SVM-Algorithmus für kollaborative Optimierung eingeführt. Das schematische Diagramm der optimalen Klassifikationsfläche von linearer und nichtlinearer SVM ist in Abbildung 4 dargestellt.

Abbildung 4: Schematische Diagramme der optimalen Klassifikationsflächen linearer und nichtlinearer Unterstützungsvektormaschinen. (A) Optimale Klassifikationsfläche der Stützvektormaschine. (B) Optimale Klassifikationsfläche der nichtlinearen Trägervektormaschine. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 4A zeigt die optimale Klassifikationsfläche eines linearen SVM. Aus Abbildung 4A kann in einem zweidimensionalen Datenraum die optimale Klassifikationsfläche g(x) von SVM zwei Typen von Proben¹⁹ vollständig trennen. Der Ausdruck für eine Hyperebene g(x) wird in Gleichung (6) dargestellt.

(6)

In Gleichung (6) bezeichnet w den Normalvektor der Hyperebene, der ihre Richtung bestimmt. b steht für den Interceptterm, der den Offset der Hyperebene bestimmt. x steht für den Merkmalsvektor der Eingangsprobe²⁰. SVM verfügt über lineare separable SVM und nichtlineare separable SVM. Unter der Annahme, dass der Datensatz der linearen separablen SVM ist , ist das Ziel, das Klassifikationsintervall zu maximieren und gleichzeitig die korrekte Klassifikation aller^{Stichproben 21} zu erreichen. Die Nebenbedingungsbedingung für dieses Problem wird in Gleichung (7) dargestellt.

(7)

In Gleichung (7) bezeichnet y_i die Klassenbezeichnung der i-ten Stichprobe, die als Benchmark-Identifikator für das Modell dient, um Klassifikation, Merkmalsabgleiche oder Einschränkungsbestimmung durchzuführen, und x_i stellt seinen Merkmalvektor dar. Das entsprechende ursprüngliche Optimierungsproblem ist in Gleichung (8) dargestellt.

(8)

In Gleichung (8) bezeichnet das mathematische Äquivalent der Maximierung des Intervalls. Um dieses Problem der eingeschränkten Optimierung zu lösen, wird der Lagrange-Multiplikator eingeführt, um es in eine uneingeschränkte Form²² umzuwandeln. Die Lagrange-Funktion ist in Gleichung (9) dargestellt.

(9)

In Gleichung (9) stellt α_i den Lagrange-Multiplikator dar, eine duale Variable, die eingeführt wird, um die ursprünglichen SVM-Bedingungen in ein unbeschränktes Optimierungsproblem umzuwandeln. Ihr Wert spiegelt direkt den Beitrag der i-ten Probe zur Bestimmung der Klassifikationshyperebene wider. Nach der Monte-Carlo-Kuhn-Tucker-Bedingung ist die komplementäre Relaxationsbedingung für die optimale Lösung in Gleichung (10) dargestellt.

(10)

Der Ausdruck von w wird in die Lagrange-Funktion aufgenommen, um das Dualproblem zu erhalten, wie in Gleichung (11) gezeigt.

(11)

In Gleichung (11) ist j die Stichprobe im Datensatz. Für nichtlineare separable Daten transformieren Kernel-Techniken linear untrennbare Daten im ursprünglichen Raum durch implizite nichtlineare Abbildung in linear separatable Probleme im hochdimensionalen Raum. Das Skalarprodukt x_i·y_i im Dualproblem wird durch eine Kernfunktion K(x_i·y_i) ersetzt, wodurch die Komplexität der direkten Berechnung des Skalarprodukts im hochdimensionalen Raum vermieden wird. Abbildung 4B ist ein schematisches Diagramm der optimalen Klassifikationsfläche einer nichtlinearen SVM. Aus Abbildung 4B zeigen die beiden Probentypen im ursprünglichen zweidimensionalen Eingaberaum eine nichtlineare Verteilung und können nicht effektiv durch eine Gerade getrennt werden. Zu diesem Zeitpunkt kann das Verteilungsmuster von Datenpunkten komplexe Muster wie Interleaving und Kreisen^{von 23} aufweisen. Durch den Abbildungseffekt von Kernelfunktionen werden diese Datenpunkte im zweidimensionalen Raum in höherdimensionale Merkmalsräume umgewandelt, und die ursprünglich verschränkten Stichprobenpunkte zeigen offensichtliche Trennbarkeit. Im hochdimensionalen Raum können nichtlineare SVMs eine optimale Hyperebene konstruieren, um zwei Probentypen präzise zu partitionieren. Die endgültige Entscheidungsfunktion der Klassifikation f(x) wird in Gleichung (12) dargestellt.

(12)

In Gleichung (12) bezeichnet K(x_i, x) die Kernfunktion. Die Kernelfunktionen ermöglichen es SVM, nichtlineare Probleme flexibel zu behandeln, was seine Anwendbarkeit erheblich erweitert. Das Flussdiagramm des IGWS-SVM-Datenfunktionserkennungsmodells ist in Abbildung 5 dargestellt.

Abbildung 5: Flussdiagramm des IGWO-SVM-Datenfunktionserkennungsmodells. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

In Abbildung 5 wurden die vorverarbeiteten Feature-Daten in den IGWO-Algorithmus eingegeben, und sein iterativer Optimierungsmechanismus optimierte adaptiv die Kernparameter des SVM. Der Algorithmus passte die Populationssuchstrategie dynamisch an, um effizient die optimale Parameterkombination im Parameterraum zu lokalisieren, die die SVM-Klassifikationsgenauigkeit maximierte, und adressierte damit die geringe Effizienz und Anfälligkeit für lokale Optima, die in traditioneller Gittersuche oder Zufallssuchmethoden innewohnen. Die von IGWO optimierten Parameter wurden anschließend in das SVM-Modell eingegeben, und der optimierte Klassifikator wurde verwendet, um von den Merkmalsdaten zu lernen und sie vorherzusagen. Für linear separable Daten erreichte das Modell direkte Partitionierung durch die Konstruktion der optimalen Hyperebene. Nichtlineare Daten wurden durch Kernelfunktionen in hochdimensionalen Raum abgebildet, um die Klassifikation abzuschließen, und die endgültigen Kategoriebezeichnungen wurden ausgegeben. Um die Passfähigkeit für komplexe Datenverteilungen und die Authentizität der Feature-Generierung weiter zu verbessern, wurde das GAN integriert. Abbildung 6 zeigt das GAN.

Abbildung 6: GAN-Struktur. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

In Abbildung 6 verfügt das GAN über ein generatives Modell und ein diskriminierendes Modell, die kollaborative Optimierung durch adversariale Lernmechanismen^erreichen. Dieses generative Modell nutzt zufälliges Rauschen als Eingabe und erzeugt gefälschte Stichproben, die der Verteilung realer Daten durch eine nichtlineare Transformation ähneln. Das Diskriminatormodell erhält reale und generierte Stichproben als Eingaben, und seine Kernaufgabe ist es, die Authentizität der Eingabedaten zu erkennen und die Wahrscheinlichkeit auszugeben, dass die Proben aus dem realen Datensatz²⁵ stammen. Das ursprüngliche Optimierungsziel von GAN wird in Gleichung (13) dargestellt.

(13)

In Gleichung (13) ist V(D, G) die Wertfunktion, die die Leistung des Diskriminators bei Generator G und des Diskriminators D misst. D(x) stellt die diskriminative Wahrscheinlichkeit auf der realen Stichprobe x dar. D(z) steht für den Generator, der das Rauschen z in erzeugte Samples abbildet. pdata(x) bezeichnet die Wahrscheinlichkeitsverteilung der realen Daten. Pz(z) bezeichnet die Priorverteilung von Z. E steht für den Erwartungswert, der den Mittelwert aller Stichproben in der Verteilung^26,27 darstellt. Das Optimierungsziel des Diskriminators ist in Gleichung (14) dargestellt.

(14)

Der optimierte Generator ist in Gleichung (15) dargestellt.

(15)

Zusammenfassend schlägt die Studie einen kollaborativen Optimierungsalgorithmus auf Basis von IGWO-SVM-GAN vor, um eine effiziente Merkmalsextraktion und eine genaue Klassifikation in komplexen Datenszenarien zu erreichen.

Regionale wirtschaftliche Datenextraktion und Entwicklungsvorhersage basierend auf dem IGWO-SVM-GAN-Algorithmus
Als wichtiger Bestandteil des nationalen Wirtschaftssystems hat die präzise Analyse der regionalen Wirtschaftsentwicklung und die wissenschaftliche Vorhersage zukünftiger Trends einen großen theoretischen und praktischen Wert für die Formulierung regionaler Entwicklungsstrategien, die Optimierung der Ressourcenverteilung und die Vermeidung wirtschaftlicher Risiken. Regionale Wirtschaftsdaten weisen jedoch oft komplexe Merkmale wie hohe Dimensionalität, Nichtlinearität und Dynamik auf und werden von mehreren Faktoren wie Politik, industrieller Struktur und externer Umwelt beeinflusst. Traditionelle Methoden zur Feature-Extraktion und Vorhersagemodelle sind schwer, die tiefen Korrelationen hinter den Daten zu erfassen, was zu einer begrenzten Genauigkeit führt. Das IGWO-SVM-GAN wird auf den Bereich der regionalen Wirtschaftsanalyse angewandt. Durch die Integration der Vorteile des Algorithmus bei Merkmalsextraktion, Klassifikationslernen und Datengenerierung wird ein für regionale Wirtschaftsdaten geeignetes Analysemodell erstellt. Das Flussdiagramm des regionalen Modells zur Extraktion und Entwicklung von Merkmalen auf Basis von IGWO-SVM-GAN ist in Abbildung 7 dargestellt.

Abbildung 7: Prozess des regionalen Modells zur Extraktion von wirtschaftlichen Datenmerkmalen und Entwicklungsmerkmalen basierend auf dem IGWO-SVM-GAN-Algorithmus. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Laut Abbildung 7 werden hochdimensionale Indikatoren der regionalen Wirtschaft erhoben, darunter BIP, Industrieoutputwert, Haushaltseinnahmen und Ausgaben, Beschäftigungsquote usw. Die Rohdaten werden bereinigt und standardisiert, einschließlich des Ausfüllens fehlender Werte und der Korrektur von Ausreißern. Die Feature-Filterung erfolgt auf vorverarbeiteten Daten über IGWO, redundante Informationen werden entfernt und eine Teilmenge der Kernfeatures wird ausgegeben. Der Generator von GAN erzeugt synthetische wirtschaftliche Daten mit hoher Konsistenz mit realen Daten basierend auf dem Verteilungsmuster der Kernmerkmale-Teilmengen, um Probenknappheit oder ungleichmäßige Verteilung zu verringern. Die Kernfunktions-Teilmenge wird mit synthetischen wirtschaftlichen Daten und Eingaben in ein SVM-Modell verschmolzen. Die nichtlineare Beziehung zwischen den Merkmalen wird durch eine Kernelfunktion verarbeitet, um ein Modell zur Vorhersage der wirtschaftlichen Entwicklung zu erstellen. Das Modell liefert quantitative Vorhersagen zur regionalen Wirtschaftsentwicklung, einschließlich zukünftiger Wachstumsraten, Veränderungen des Anteils der Industriestruktur usw. Das Modell adressiert effektiv die hochdimensionale, nichtlineare und spärliche Natur regionaler Wirtschaftsdaten, indem es die Feature-Purification von IGWO, die Datenerweiterung von GAN und die nichtlineare Modellierung von SVM nutzt und so Robustheit und Genauigkeit verbessert.

Um die Wirksamkeit des regionalen Modells für die Extraktion und Entwicklung von Merkmalen der regionalen wirtschaftlichen Daten, das auf dem IGWO-SVM-GAN-Algorithmus basiert, zu beweisen, wird die Provinz Anhui als Fallstudie ausgewählt. Die Forschungsdaten stammen alle aus autoritativen statistischen Materialien, darunter das Anhui Statistical Yearbook von 2005 bis 2022 und das Anhui National Economic and Social Development Statistical Bulletin von 2005 bis 2023, um die Datenobjektivität und Zuverlässigkeit zu gewährleisten. Die für die Leistungsanalyse ausgewählten zentralen Wirtschaftskennzahlen sind wie folgt: Bruttoinlandsprodukt (BIP) der Primärindustrie (X1), BIP der Sekundärindustrie (X2), BIP der tertiären Industrie (X3), verfügbares Pro-Kopf-Einkommen der ländlichen Bewohner (X4), Pro-Kopf-verfügbares Einkommen der Stadtbewohner (X5), Gesamthaushaltsausgaben (X6), Gesamtenergieverbrauch (X7), und Bildungsinvestitionen (X8). Die Studie verwendete die Z-Score-Standardisierungsmethode, um die 8 Indikatordaten zu normalisieren und so die Interferenz von Dimensionsunterschieden beim Modelltraining zu eliminieren. Durch die Konsultation ergänzender statistischer Daten für die entsprechenden Jahre und die Verwendung linearer Interpolation der benachbarten Jahresdaten zur Vervollständigung einer kleinen Menge fehlender Daten enthielt der endgültige Datensatz keine fehlenden Werte. Das 3σ-Kriterium wurde verwendet, um abnormale Daten zu identifizieren, und die beiden erkannten Ausreißer wurden winsorisiert, um zu verhindern, dass abnormale Daten den Modelltrainingseffekt beeinflussen. Die Zeitreihen-Kreuzvalidierungsmethode wurde verwendet, wobei die Daten von 2011-2017 als Trainingssatz (7 Stichproben), die Daten von 2018-2019 als Validierungssatz (2 Stichproben) und die Daten von 2020 als Testsatz (1 Stichprobe) verwendet wurden, um reale wirtschaftliche Prognoseszenarien zu simulieren, Datenlecks zu vermeiden und die Zuverlässigkeit der Bewertung der Modellverallgemeinerungsfähigkeit zu verbessern. Die für die Methode benötigten Materialien sind in der Materialtabelle dargestellt.

Results

Leistungstests des IGWO-SVM-GAN-Algorithmus
Um systematisch die Optimierungsleistung, die Effektivität der Feature-Extraktion und den Mechanismus zur Verbesserung der Vorhersagequalität des IGWO-SVM-GAN-Algorithmus zu überprüfen, wurde die Forschung in drei Phasen durchgeführt: Die erste Phase nutzte die Benchmark-Testfunktion, um die Optimierungsfähigkeiten des Algorithmus zu überprüfen. Die zweite Phase nutzte den Drahtseildatensatz, um die Leistung der Merkmalsextr...

Discussion

Die Studie wendet den IGWO-SVM-GAN-Algorithmus an, um regionale Wirtschaftsdaten zu extrahieren und Entwicklung vorherzusagen und überprüft deren Machbarkeit und Wirksamkeit beispielsweise mit der Provinz Anhui. Basierend auf der schnellen Konvergenz und hohen Erkennungsgenauigkeit, die der Algorithmus bei Funktionstests und Stahldraht-Datensätzen zeigt, wird angenommen, dass er sich an die hochdimensionalen und starken dynamischen Eigenschaften regionaler Wirtschaftsdaten anpassen kann ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Intel Core i5-9300HF Prozessor	Intel Corporation	CL8068404069607 (OEM/Ray-Version)
MATLAB 2020b Programmierplattform	MathWorks	R2020b (Versionsnummer)
Windows 10 64-Bit-Betriebssystem	Microsoft Corporation	FQC-09131 (Windows 10 Pro Retail SKU)