Extracción y predicción de desarrollo de datos económicos regionales basada en un algoritmo mejorado de GWO

Resumen

El modelo propuesto puede capturar eficazmente las características de los datos económicos regionales, mejorar la precisión de las predicciones y proporcionar una base científica para las decisiones de desarrollo económico regional.

Resumen

Con la creciente demanda de desarrollo económico regional de alta calidad, extraer con precisión características ocultas de los datos económicos y lograr una predicción fiable de tendencias de desarrollo se ha convertido en un requisito importante para formular políticas económicas científicas. Para optimizar la precisión en la extracción de características de los datos económicos regionales y la fiabilidad de la predicción del desarrollo, se construye un modelo para la extracción de características y la predicción del desarrollo de datos económicos regionales integrando un algoritmo mejorado de optimización de lobos grises, una máquina de vectores de soporte y una red generativa adversarial. En las pruebas de función unimodal F1 y función multimodal F2, la velocidad de convergencia fue significativamente mejor que la del algoritmo de optimización impulsada por el viento y el sinuseno del coseno, demostrando una mayor adaptabilidad en problemas complejos de optimización. El experimento comparativo con el conjunto de datos de cable de acero mostró que el algoritmo mejoró la tasa de reconocimiento en un 1,25% en comparación con el Análisis de Componentes Principales - Grey Wolf Optimizer-Support Vector Machine, alcanzando el 98,75%, y tuvo mayor eficiencia en el procesamiento de características de alta dimensión, verificando su superioridad en la extracción de características y el reconocimiento de clasificación. El modelo se aplicó a los datos económicos de la provincia de Anhui, seleccionando 8 indicadores básicos como el PIB de la industria primaria y los ingresos de los residentes urbanos y rurales entre 2011 y 2022. En 2011, cuando el valor real era 16.311, el valor previsto del modelo de investigación era 16.200. En 2015, cuando el valor real era 23.808, el modelo predijo un valor de 23.600. El error absoluto mínimo de 2011 a 2020 fue solo 103, y la tasa de error fue tan baja como 0,005, demostrando una estabilidad sobresaliente en la previsión a medio y largo plazo. El modelo propuesto puede capturar eficazmente las características de los datos económicos regionales, mejorar la precisión de las predicciones y proporcionar una base científica para las decisiones de desarrollo económico regional.

Introducción

A medida que la economía china entra en una etapa de desarrollo de alta calidad, la complejidad y la multidimensionalidad de los datos económicos regionales son cada vez más prominentes. Extraer con precisión características de datos económicos y predecir científicamente las tendencias de desarrollo se han convertido en requisitos importantes para formular políticas económicas regionales y optimizar la asignación de recursos ^1,2. El sistema económico regional implica indicadores multidimensionales como la estructura industrial, la renta de los residentes, los ingresos y gastos fiscales, y el consumo energético. Existen correlaciones no lineales y relaciones de acoplamiento dinámico entre varios indicadores. Los métodos tradicionales de análisis estadístico y los modelos individuales de aprendizaje automático suelen enfrentarse a problemas como la insuficiente extracción de características y la limitada precisión de predicción al procesar datos económicos de alta dimensión y no^{estacionarios 3,4}.

La Optimización del Lobo Gris (GWO) es una estrategia inteligente de optimización que simula el comportamiento de caza de los lobos grises. Debido a su estructura sencilla y su rendimiento estable en convergencia, GWO se ha utilizado ampliamente en optimización de funciones, optimización de parámetros, selección de características y otros^{campos 5}. Por ejemplo, Toktas et ^al.6 utilizaron el algoritmo GWO para lograr una optimización eficiente de parámetros al diseñar sistemas hipercaóticos multiobjetivo, verificando el potencial del algoritmo GWO optimizado en escenarios complejos de optimización multiobjetivo. Liu et ^al.7 aplicaron el algoritmo GWO al cálculo óptimo multiobjetivo de flujo de potencia en redes de distribución. La adaptabilidad del algoritmo a problemas complejos de ingeniería mejoró mediante una estrategia híbrida. Sin embargo, el GWO estándar tiene una velocidad de convergencia lenta y soluciones óptimos locales al abordar problemas complejos de optimización, lo que limita su efectividad en el procesamiento económico de datos^{de alta dimensión 8}. Por ello, la comunidad académica ha realizado una investigación exhaustiva sobre el algoritmo GWO introduciendo pesos adaptativos, perturbaciones caóticas o estrategias de optimización híbrida para mejorar la capacidad global de búsqueda y la precisión de convergencia. Sin embargo, la adaptabilidad de los algoritmos mejorados existentes en tipos de datos como datos económicos con fuerte ruido y características multiescala aún necesita una verificación adicional⁹.

La Máquina de Vectores de Soporte (SVM) y la Red Generativa Adversarial (GAN) tienen ventajas evidentes en el aprendizaje de características de datos y en modelado^{predictivo 10}. SVM mapea datos linealmente inseparables en espacios de baja dimensión a espacios de alta dimensión mediante funciones núcleo, convirtiendo problemas no lineales en problemas linealmente separables. Puede completar eficientemente tareas de clasificación y regresión sin calcular explícitamente el mapeo de alta dimensión. La GAN se basa en el mecanismo de entrenamiento adversarial de generadores y discriminadores para capturar profundamente las características potenciales de distribución de los datos, mejorando así significativamente la capacidad de ajustar patrones^{complejos 11}. Cao et ^al.12 utilizaron SVM para el diagnóstico de fallos en equipos de maniobras ferroviarias y verificaron el rendimiento de clasificación de SVM en muestras pequeñas y problemas no lineales mediante fusión de características multidominio y estrategia de selección de características. Liu et ^al.13 construyeron un modelo de manipulación de atributos faciales usando GAN. Se verificó la capacidad de GAN para extraer posibles características de distribución de datos.

Sin embargo, en muchos campos como la predicción de fallos industriales y la monitorización ambiental, algoritmos de optimización como GWO y PSO suelen combinarse con SVM, CNN, etc., para mejorar la precisión de las predicciones. ¹⁴ Sin embargo, la mayoría de los modelos de fusión presentan desafíos como una optimización colaborativa insuficiente de parámetros y una pobre adaptabilidad a datos complejos de series temporales. Aunque existen muchas aplicaciones algorítmicas en el campo de la previsión económica, la mayoría se centran en la mejora de un único modelo, ignorando las características de alto acoplamiento y fuerte ruido de los datos económicos, así como la falta de un diseño colaborativo profundo de algoritmos de optimización y modelos generativos. Por lo tanto, el estudio mejora el algoritmo GWO. La inicialización del mapeo Tent se utiliza para mejorar la navegabilidad de la población y adaptarla a la minería de características escasa. Los pesos de actualización de posición se reconstruyen para mejorar las capacidades de seguimiento de soluciones de alta calidad y adaptarse a la captura de correlación no lineal. Los factores de convergencia dinámica no lineales se utilizan para equilibrar la exploración global y el desarrollo local para hacer frente a los cambios de series temporales. Las ventajas de clasificación SVM y las capacidades de mejora de características GAN se integran para construir una Red Mejorada de Vector de Soporte Gray Wolf Optimizer-Support Machine-Generative Adversarial Network (IGWO-SVM-GAN), resolviendo con precisión la extracción de características y la predicción de desarrollo de datos económicos regionales. La innovación radica en integrar profundamente el algoritmo IGWO con SVM y GAN, utilizar las potentes capacidades de generación de datos y mapeo de características de GAN para ampliar la diversidad de muestras, lograr un cribado preciso de características con el fuerte rendimiento de clasificación de SVM, y optimizar sinérgicamente los parámetros clave de ambos mediante el algoritmo IGWO. Rompe con la dependencia del modelo tradicional en supuestos de relaciones lineales, mejorando significativamente su adaptabilidad a sistemas económicos complejos.

El objetivo general de la investigación es construir un modelo regional de extracción de características y predicción del desarrollo basado en IGWO-SVM-GAN, resolver los problemas de extracción inexacta de características, baja precisión de predicción y baja adaptabilidad de los modelos tradicionales, lograr una minería eficiente de las características centrales de la economía regional y una predicción fiable de tendencias de desarrollo, y proporcionar apoyo científico para la toma de decisiones económicas regionales. El estudio propone las siguientes hipótesis. Hipótesis 1: En comparación con el GWO estándar y otros algoritmos comparativos, el algoritmo mejorado de IGWO tiene una mayor velocidad de convergencia y mayor precisión de optimización en la extracción de características de datos económicos de alta dimensión; Hipótesis 2: El rendimiento predictivo del modelo de fusión IGWO-SVM-GAN es significativamente mejor que el de un solo modelo y otros modelos de fusión convencionales, y tiene mayor estabilidad y precisión en las previsiones económicas a medio y largo plazo; Hipótesis 3: El modelo propuesto puede adaptarse eficazmente a las características de alto acoplamiento y fuerte ruido de los datos económicos regionales, y capturar con precisión los patrones de desarrollo de los indicadores económicos centrales.

Protocolo

Algoritmo GWO mejorado
En el campo de la extracción de características y la predicción del desarrollo de datos económicos regionales, para mejorar eficazmente la eficiencia de extracción de características clave en datos económicos de alta dimensión, se introduce el algoritmo WO para optimización. GWO simula el comportamiento de caza de los lobos grises. El mecanismo central del algoritmo GWO reside en la simulación biomimética de la estructura de la jerarquía social y la estrategia de caza, que logra optimización simulando la jerarquía del primer lobo a, el segundo lobo b y el lobo joven c, así como las etapas de caza como caza, persecución y ataque¹⁵. El proceso específico para actualizar la ubicación de los lobos grises se muestra en la Figura 1.

Figura 1: Diagrama de flujo de la actualización de la posición del lobo gris. (A) Actualización esquemática de la posición del Lobo gris. (B) Diagrama de flujo del algoritmo GWO. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

La figura 1A muestra la actualización de la posición del lobo gris. A partir de la Figura 1A, la posición individual actualizada del lobo gris se guía por las posiciones de los a, b y c. La optimización se logra simulando el comportamiento de caza del grupo, acercándose gradualmente al objetivo^{óptimo 16}. El proceso de actualización incluye el cálculo de la distancia y el ajuste de posición. Los vectores de coeficientes se introducen durante el proceso de actualización de posición y cambian dinámicamente mediante valores aleatorios, logrando un cambio adaptativo entre las etapas de exploración y desarrollo. La ecuación (1) muestra el vector de distancia entre el lobo gris y su presa.

(1)

En la ecuación (1), representa un vector de coeficientes aleatorios utilizado para introducir aleatoriedad y equilibrar la exploración y desarrollo. indica el Vector de Posición (PV) actual en el tiempo t. representa el PV de la presa en el tiempo t. El lobo gris actualiza su posición según la ubicación y distancia de la presa, y la actualización de posición se muestra en la ecuación (2).

(2)

En la ecuación (2), representa el vector coeficiente que controla la dirección del movimiento y el tamaño del paso. Los vectores de distancia , , y entre el lobo gris actual y los lobos a, b y c se muestran en la ecuación (3).

(3)

En la ecuación (3), , , y representan respectivamente el PV de las tres soluciones con mejor aptitud en la población actual (a, b y c). Se calculan tres posiciones candidatas de objetivos según las posiciones y distancias de los lobos a, b y c, respectivamente, como se muestra en la ecuación (4).

(4)

En la ecuación (4), , , y significan tres posiciones objetivo candidatas calculadas a partir de las posiciones y distancias de a, b y c. , , y representan posiciones candidatas calculadas a partir de las posiciones y distancias de a, b y c¹⁷. El PV de los lobos grises actuales en la siguiente generación (es decir, la posición actualizada) se muestra en la ecuación (5).

(5)

Al resolver la media de tres posiciones candidatas, la población se acerca gradualmente a la región óptima guiada por los lobos a, b y c. La Figura 1B muestra el flujo de trabajo de la GWO. De la Figura 1B, los pasos de ejecución del algoritmo GWO incluyen la inicialización de la población de lobos grises. Después, se calcula el valor de aptitud en la población. La solución óptima actual y la subóptima se determinan comparando los valores individuales de aptitud. Todos los valores de aptitud están ordenados y los tres mejores individuos se etiquetan como a, b y c. Las posiciones individuales en la población se actualizan en función de la información de ubicación de los individuos dominantes. Se determina si se cumplen las condiciones de terminación preestablecidas. Si se cumplen, el algoritmo termina. De lo contrario, se calcula el valor de aptitud de cada lobo gris en la población.

Para mejorar la precisión de optimización en la extracción de características de datos, se propone un algoritmo GWO mejorado (IGWO), que incluye la inicialización de la población de lobo gris mediante mapeo de tiendas para potenciar la diversidad y el desplazamiento. Los coeficientes de peso de actualización de posición de los individuos de lobo gris se reconstruyen para optimizar la capacidad del algoritmo para rastrear áreas de solución de alta calidad. Se introduce un mecanismo de control no lineal para actualizar dinámicamente el factor de convergencia q. El vector de coeficientes y un vector de coeficientes aleatorios usados para controlar la dirección del movimiento y el tamaño del paso están optimizados de forma síncrona para equilibrar las capacidades de exploración global y desarrollo^{local 18}. La Figura 2 presenta el diagrama de flujo de IGWO.

Figura 2: Proceso del IGWO. Por favor, haga clic aquí para ver una versión ampliada de esta figura.

A partir de la Figura 2, el IGWO ha formado un proceso iterativo más dirigido, manteniendo el marco central del GWO. La población inicial se genera mediante mapeo de tiendas para evitar la distribución desigual de la población que puede surgir de la inicialización aleatoria tradicional, sentando una base sólida para la optimización posterior. En cada iteración, el algoritmo primero calcula los valores individuales de aptitud y selecciona los lobos a, b y c. Basándose en la ecuación mejorada de peso de actualización de posición, combinada con factores de convergencia no lineales y vectores de coeficientes optimizados, se completa la actualización de posición de los individuos lobo gris. Mientras tanto, ajustando dinámicamente el rango de valores del vector de coeficientes aleatorios, se optimiza la precisión local de búsqueda en las etapas posteriores de la iteración, reduciendo los óptimos locales. Finalmente, se determina si se ha alcanzado la iteración máxima. Si se ha alcanzado la iteración máxima, se proporciona la solución óptima como salida. Por el contrario, vuelve a la etapa de cálculo del valor de aptitud para la siguiente iteración. Para mejorar la velocidad de convergencia del IGWO, se introduce un mecanismo de guiado, cuya eficacia se muestra en la Figura 3.

Figura 3: Diagrama esquemático de si existe o no un mecanismo de guia. (A) No hay mecanismo de guía. (B) Mecanismo de guía. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Como se muestra en la Figura 3, el mecanismo de guía asigna estrategias fijas de asignación de peso a los lobos a, b y c durante la etapa de actualización de posición. Al aumentar significativamente la proporción de peso del lobo a y reducir la influencia de los lobos b y c, se guía a más individuos en la población para actualizar sus posiciones siguiendo la dirección de búsqueda del lobo a, de modo que su distribución se centre en el área delante del lobo , en lugar del estado de distribución uniforme alrededor de la a wolf en los algoritmos GWO tradicionales. Esta mejora puede fortalecer el papel rector de los individuos élite en la dirección de optimización de la población, reducir los costes de búsqueda ineficaces y mejorar el rendimiento de convergencia.

Algoritmo GWO mejorado basado en SVM y GAN
Para optimizar el rendimiento de clasificación y la capacidad de generalización de GWO tras la extracción de características de datos, se introduce el algoritmo SVM para la optimización colaborativa. El diagrama esquemático de la superficie óptima de clasificación de SVM lineal y no lineal se muestra en la Figura 4.

Figura 4: Diagramas esquemáticos de las superficies óptimas de clasificación de máquinas de vectores de soporte lineales y no lineales. (A) Superficie óptima de clasificación de la máquina de vectores de soporte. (B) Superficie óptima de clasificación de una máquina de vectores de soporte no lineales. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

La Figura 4A presenta la superficie óptima de clasificación de un SVM lineal. De la Figura 4A, en un espacio de datos bidimensional, la superficie óptima de clasificación g(x) de SVM puede separar completamente dos tipos de muestras¹⁹. La expresión para un hiperplano g(x) se presenta en la ecuación (6).

(6)

En la ecuación (6), w indica el vector normal del hiperplano, que decide su dirección. b indica el término de intercepción, que decide el desplazamiento del hiperplano. x indica el vector de características de la muestra^{de entrada 20}. SVM tiene SVM lineal separable y SVM no lineal separable. Suponiendo que el conjunto de datos de SVM linealmente separable es , su objetivo es maximizar el intervalo de clasificación mientras se logra la correcta clasificación de todas las muestras²¹. La condición de restricción para este problema se muestra en la ecuación (7).

(7)

En la ecuación (7), y_i significa la etiqueta de clase de la i-ésima muestra, que es el identificador de referencia para el modelo que realiza clasificación, emparejamiento de características o determinación de restricciones, y x_i representa su vector de características. El problema de optimización original correspondiente se muestra en la ecuación (8).

(8)

En la ecuación (8), significa el equivalente matemático de maximizar el intervalo. Para resolver este problema de optimización restringida, se introduce el multiplicador de Lagrange para transformarlo en una forma²² sin restricciones. La función de Lagrange se muestra en la ecuación (9).

(9)

En la ecuación (9), α_i representa el multiplicador de Lagrange, que es una variable dual introducida para transformar las restricciones originales de SVM en un problema de optimización sin restricciones. Su valor refleja directamente la contribución de la i-ésima muestra a la determinación del hiperplano de clasificación. Según la condición de Monte-Carlo-Kuhn-Tucker, la condición de relajación complementaria para la solución óptima se muestra en la ecuación (10).

(10)

La expresión de w se toma en la función de Lagrange para obtener el problema dual, como se muestra en la ecuación (11).

(11)

En la ecuación (11), j es la muestra en el conjunto de datos. Para datos separables no lineales, las técnicas kernel transforman datos linealmente inseparables en el espacio original en problemas linealmente separables en un espacio de alta dimensión mediante mapeo no lineal implícito. El producto interno x_i·y_i en el problema dual se reemplaza por una función núcleo K(x_i·y_i), evitando así la complejidad de calcular directamente el producto interno en un espacio de alta dimensión. La Figura 4B es un diagrama esquemático de la superficie óptima de clasificación de una SVM no lineal. Según la Figura 4B, en el espacio de entrada bidimensional original, los dos tipos de muestras presentan una distribución no lineal y no pueden separarse eficazmente por una línea recta. En este momento, el patrón de distribución de los puntos de datos puede mostrar patrones complejos como entrelazado y círculo^{de 23}. Mediante el efecto de mapeo de las funciones núcleo, estos puntos de datos en el espacio bidimensional se transforman en espacios de características de dimensiones superiores, y los puntos de muestra originalmente entrelazados muestran una separabilidad obvia. En el espacio de alta dimensión, las SVMs no lineales pueden construir un hiperplano óptimo para particionar con precisión dos tipos de muestras. La función final de decisión de clasificación f(x) se presenta en la ecuación (12).

(12)

En la ecuación (12), K(_{x, i}, x) significa la función núcleo. Las funciones del núcleo permiten a SVM manejar de forma flexible problemas no lineales, ampliando significativamente su aplicabilidad. El diagrama de flujo del modelo de reconocimiento de características de datos IGWS-SVM se muestra en la Figura 5.

Figura 5: Diagrama de flujo del modelo de reconocimiento de características de datos IGWO-SVM. Por favor, haga clic aquí para ver una versión ampliada de esta figura.

En la Figura 5, los datos preprocesados de características se introdujeron en el algoritmo IGWO, y su mecanismo iterativo de optimización optimizó adaptativamente los parámetros centrales de SVM. El algoritmo ajustó dinámicamente la estrategia de búsqueda poblacional para localizar eficientemente la combinación óptima de parámetros en el espacio de parámetros que maximizara la precisión de clasificación SVM, abordando la baja eficiencia y susceptibilidad a óptimos locales inherentes a los métodos tradicionales de búsqueda en cuadrícula o búsqueda aleatoria. Los parámetros optimizados por IGWO se introdujeron posteriormente en el modelo SVM, y se empleó el clasificador optimizado para aprender y predecir los datos de características. Para datos linealmente separables, el modelo logró la partición directa construyendo el hiperplano óptimo. Los datos no lineales se mapeaban en un espacio de alta dimensión a través de funciones núcleo para completar la clasificación, y se generaban las etiquetas finales de categoría. Para mejorar aún más la capacidad de adaptación a distribuciones complejas de datos y la autenticidad de la generación de características, se incorporó el GAN. La Figura 6 muestra el GAN.

Figura 6: Estructura GAN. Por favor, haga clic aquí para ver una versión ampliada de esta figura.

En la Figura 6, el GAN tiene un modelo generativo y un modelo discriminador, que logran optimización colaborativa mediante mecanismos de aprendizaje^{adversarial 24}. Este modelo generativo utiliza ruido aleatorio como entrada y genera muestras falsas similares a la distribución de datos reales mediante una transformación no lineal. El modelo discriminador obtiene muestras reales y generadas como entradas, y su tarea principal es distinguir la autenticidad de los datos de entrada y obtener la probabilidad de que las muestras provengan del conjunto real^{de datos 25}. El objetivo original de optimización de GAN se presenta en la ecuación (13).

(13)

En la ecuación (13), V(D, G) es la función de valor, que mide el rendimiento del discriminador dado el generador G y el discriminador D. D(x) representa la probabilidad discriminativa sobre la muestra real x. D(z) representa el generador que mapea el ruido z en muestras generadas. pdata(x) significa la distribución de probabilidad de los datos reales. Pz(z) indica la distribución previa de z. E se refiere al valor esperado, que representa la media de todas las muestras en la distribución^26,27. El objetivo de optimización del discriminador se muestra en la ecuación (14).

(14)

El generador optimizado se muestra en la ecuación (15).

(15)

En resumen, el estudio propone un algoritmo colaborativo de optimización basado en IGWO-SVM-GAN para lograr una extracción eficiente de características y una clasificación precisa en escenarios de datos complejos.

Extracción y predicción de desarrollo de datos económicos regionales basada en el algoritmo IGWO-SVM-GAN
Como componente importante del sistema económico nacional, analizar con precisión el desarrollo económico regional y predecir científicamente las tendencias futuras tiene un valor teórico y práctico fundamental para formular estrategias de desarrollo regional, optimizar la asignación de recursos y evitar riesgos económicos. Sin embargo, los datos económicos regionales suelen presentar características complejas como alta dimensionalidad, no linealidad y dinamismo, y están influenciados por múltiples factores como políticas, estructura industrial y entorno externo. Los métodos tradicionales de extracción de características y los modelos de predicción son difíciles de captar las profundas correlaciones detrás de los datos, lo que resulta en una precisión limitada. El IGWO-SVM-GAN se aplica al campo del análisis económico regional. Integrando las ventajas del algoritmo en la extracción de características, el aprendizaje de clasificación y la generación de datos, se construye un modelo de análisis adecuado para datos económicos regionales. El diagrama de flujo del modelo regional de extracción de características y predicción de desarrollo basado en IGWO-SVM-GAN se presenta en la Figura 7.

Figura 7: Proceso de extracción de características de datos económicos regionales y modelo de predicción de desarrollo basado en el algoritmo IGWO-SVM-GAN. Por favor, haga clic aquí para ver una versión ampliada de esta figura.

Según la Figura 7, se recopilan indicadores de alta dimensión de la economía regional, incluyendo el PIB, el valor de la producción industrial, ingresos y gastos fiscales, tasa de empleo, etc. Los datos en bruto se limpian y estandarizan, incluyendo el relleno de valores faltantes y la corrección de valores atípicos. El filtrado de características se realiza sobre datos preprocesados mediante IGWO, se elimina la información redundante y se produce un subconjunto de características principales. El generador de GAN genera datos económicos sintéticos con alta consistencia con datos reales basados en el patrón de distribución de los subconjuntos de características centrales para aliviar la escasez o distribución desigual de la muestra. El subconjunto de características principales se fusiona con datos económicos sintéticos y entrada en un modelo SVM. La relación no lineal entre características se procesa a través de una función núcleo para construir un modelo de predicción del desarrollo económico. El modelo produce predicciones cuantitativas del desarrollo económico regional, incluyendo tasas de crecimiento económico futuro, cambios en la proporción de la estructura industrial, etc. El modelo aborda eficazmente la naturaleza de alta dimensión, no lineal y escasa de los datos económicos regionales aprovechando la purificación de características de IGWO, la ampliación de datos de GAN y el modelado no lineal de SVM, mejorando así la robustez y precisión.

Para demostrar la eficacia del modelo de extracción de características y predicción de desarrollo de datos económicos regionales construido a partir del algoritmo IGWO-SVM-GAN, se selecciona la provincia de Anhui como estudio de caso. Los datos de investigación provienen todos de materiales estadísticos autorizados, incluyendo el Anuario Estadístico de Anhui de 2005 a 2022 y el Boletín Nacional de Estadísticas de Desarrollo Económico y Social de Anhui de 2005 a 2023, para garantizar la objetividad y fiabilidad de los datos. Los indicadores económicos centrales seleccionados para el análisis de desempeño son los siguientes: Producto Interior Bruto (PIB) de la industria primaria (X1), PIB de la industria secundaria (X2), PIB de la industria terciaria (X3), renta disponible per cápita de los residentes rurales (X4), renta disponible per cápita de los residentes urbanos (X5), gasto fiscal total (X6), consumo total de energía (X7), y gasto en inversión educativa (X8). El estudio utilizó el método de estandarización Z-score para normalizar los 8 datos indicadores y eliminar la interferencia de las diferencias dimensionales en el entrenamiento del modelo. Al consultar datos estadísticos complementarios para los años correspondientes y utilizar interpolación lineal de datos de años adyacentes para completar una pequeña cantidad de datos faltantes, el conjunto final de datos no tenía valores faltantes. Se utilizó el criterio 3σ para identificar datos anormales, y los dos valores atípicos detectados fueron Winsorizados para evitar que los datos anormales afectaran al efecto del entrenamiento del modelo. Se utilizó el método de validación cruzada de series temporales, utilizando los datos de 2011-2017 como conjunto de entrenamiento (7 muestras), los datos de 2018-2019 como conjunto de validación (2 muestras) y los datos de 2020 como conjunto de prueba (1 muestra), para simular escenarios reales de previsión económica, evitar problemas de fugas de datos y mejorar la fiabilidad de la evaluación de la capacidad de generalización del modelo. Los materiales necesarios para el método se muestran en la Tabla de Materiales.

Resultados

Pruebas de rendimiento del algoritmo IGWO-SVM-GAN
Para verificar sistemáticamente el rendimiento de optimización, la efectividad de la extracción de características y el mecanismo de mejora de calidad de predicción del algoritmo IGWO-SVM-GAN, la investigación se llevó a cabo en tres fases: la primera fase empleó la función de prueba de referencia para verificar las capacidades de optimización del algoritmo. La segunda fase utilizó el conjunto de datos del cable de ace...

Discusión

El estudio aplica el algoritmo IGWO-SVM-GAN para extraer características y predicción de desarrollo de datos económicos regionales y verificar su viabilidad y efectividad con la provincia de Anhui como ejemplo. Basándose en la rápida convergencia y alta precisión de reconocimiento demostradas por el algoritmo en pruebas de función y pruebas de conjunto de datos de cable de acero, se cree que puede adaptarse a las características dinámicas de alta dimensión y fuerte de los datos económico...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Procesador Intel Core i5-9300HF	Intel Corporation	CL8068404069607 (versión OEM/Ray)
Plataforma de programación MATLAB 2020b	MathWorks	R2020b (número de versión)
Sistema operativo Windows 10 de 64 bits	Microsoft Corporation	FQC-09131 (SKU de Windows 10 Pro Retail)