Extraction et prédiction de développement des données économiques régionales basées sur un algorithme GWO amélioré

Résumé

Le modèle proposé peut capturer efficacement les caractéristiques des données économiques régionales, améliorer la précision des prévisions et fournir une base scientifique aux décisions de développement économique régional.

Résumé

Avec la demande croissante pour un développement économique régional de haute qualité, l’extraction précise des caractéristiques cachées des données économiques et la réalisation de prédictions fiables des tendances de développement sont devenues des conditions préalables importantes pour formuler des politiques économiques scientifiques. Pour optimiser la précision de l’extraction de caractéristiques des données économiques régionales et la fiabilité des prédictions de développement, un modèle d’extraction de caractéristiques et de prédiction du développement des données économiques régionales est construit en intégrant un algorithme d’optimisation de grey wolf amélioré, une machine à vecteurs de support et un réseau adversarial génératif. Sur les tests de fonction unimodale F1 et de fonction multimodale F2, la vitesse de convergence était nettement meilleure que celle de l’algorithme d’optimisation par le vent et de sinusinus cosinus, démontrant une plus grande adaptabilité dans les problèmes d’optimisation complexes. L’expérience comparative sur le jeu de données câble d’acier a montré que l’algorithme améliorait le taux de reconnaissance de 1,25 % par rapport à la Principal Component Analysis - Grey Wolf Optimizer-Support Vector Machine, atteignant 98,75 %, et affichait une efficacité supérieure dans le traitement des caractéristiques en haute dimension, vérifiant sa supériorité en extraction et reconnaissance des caractéristiques. Le modèle a été appliqué aux données économiques de la province de l’Anhui, sélectionnant 8 indicateurs clés tels que le PIB de l’industrie primaire et le revenu des résidents urbains et ruraux de 2011 à 2022. En 2011, lorsque la valeur réelle était de 16 311, la valeur prédite du modèle de recherche était de 16 200. En 2015, lorsque la valeur réelle était de 23 808, le modèle prédisait une valeur de 23 600. L’erreur absolue minimale de 2011 à 2020 n’était que de 103, et le taux d’erreur aussi bas que 0,005, démontrant une stabilité exceptionnelle dans les prévisions à moyen et long terme. Le modèle proposé peut capturer efficacement les caractéristiques des données économiques régionales, améliorer la précision des prévisions et fournir une base scientifique aux décisions de développement économique régional.

Introduction

Alors que l’économie chinoise entre dans un stade de développement de haute qualité, la complexité et la multidimensionnalité des données économiques régionales deviennent de plus en plus évidentes. Extraire avec précision les caractéristiques des données économiques et prédire scientifiquement les tendances de développement sont devenus des conditions essentielles pour formuler des politiques économiques régionales et optimiser l’allocation des ressources ^1,2. Le système économique régional comprend des indicateurs multidimensionnels tels que la structure industrielle, le rev....

Protocole

Algorithme GWO amélioré
Dans le domaine de l’extraction de caractéristiques et de la prédiction du développement des données économiques régionales, afin d’améliorer efficacement l’efficacité d’extraction des caractéristiques clés dans les données économiques de haute dimension, l’algorithme WO est introduit pour l’optimisation. GWO simule le comportement de chasse des loups gris. Le mécanisme central de l’algorithme GWO réside dans la simulation bio-mimétique de la structure hiérarchique sociale et de la stratégie de chasse, qui permet d’optimiser en simulant la hiérarchie du premier loup a, du second

Résultats

Tests de performance de l’algorithme IGWO-SVM-GAN
Pour vérifier systématiquement la performance d’optimisation, l’efficacité d’extraction des caractéristiques et le mécanisme d’amélioration de la qualité de prédiction de l’algorithme IGWO-SVM-GAN, la recherche s’est déroulée en trois phases : la première phase utilisait la fonction de test de référence pour vérifier les capacités d’optimisation de l’algorithme. La deuxième phase utilisait le jeu de données câble métal.......

Discussion

L’étude applique l’algorithme IGWO-SVM-GAN pour l’extraction de caractéristiques et la prédiction du développement des données économiques régionales, et en vérifie la faisabilité et l’efficacité, en prenant exemple la province de l’Anhui. Sur la base de la convergence rapide et de la grande précision de reconnaissance démontrées par l’algorithme en tests de fonction et en tests de jeux de données sur câble métallique, on pense qu’il peut s’adapter aux caractéristiques dynamiques et à ha.......

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Processeur Intel Core i5-9300HF	Intel Corporation	CL8068404069607 (version OEM/Ray)
Plateforme de programmation MATLAB 2020b	MathWorks	R2020b (numéro de version)
Système d’exploitation Windows 10 64 bits	Microsoft Corporation	FQC-09131 (SKU Windows 10 Pro Retail)