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 revenu des résidents, les recettes et dépenses fiscales, ainsi que la consommation d’énergie. Il existe des corrélations non linéaires et des relations de couplage dynamique entre divers indicateurs. Les méthodes traditionnelles d’analyse statistique et les modèles uniques d’apprentissage automatique rencontrent souvent des problèmes tels que l’extraction insuffisante des caractéristiques et une précision prédictive limitée lors du traitement de données économiques à haute dimension et non^{stationnaires 3,4}.

L’optimisation du loup gris (GWO) est une stratégie d’optimisation intelligente qui simule le comportement de chasse des loups gris. En raison de sa structure simple et de ses performances de convergence stables, GWO a été largement utilisé dans l’optimisation des fonctions, l’optimisation des paramètres, la sélection de caractéristiques et d’autres domaines⁵. Par exemple, Toktas et ^al.6 ont utilisé l’algorithme GWO pour obtenir une optimisation efficace des paramètres lors de la conception de systèmes hyperchaotiques multi-objectifs, vérifiant le potentiel de l’algorithme GWO optimisé dans des scénarios complexes d’optimisation multi-objectifs. Liu et ^al.7 ont appliqué l’algorithme GWO au calcul optimal multi-objectif du flux de puissance dans les réseaux de distribution. L’adaptabilité de l’algorithme aux problèmes d’ingénierie complexes a été améliorée grâce à une stratégie hybride. Cependant, le GWO standard présente une vitesse de convergence lente et des solutions locales optimales lors de la résolution de problèmes d’optimisation complexes, ce qui limite son efficacité d’application dans le traitement de données économiques à haute^{dimension 8}. Par conséquent, la communauté académique a mené des recherches approfondies sur l’algorithme GWO en introduisant des poids adaptatifs, des perturbations chaotiques ou des stratégies d’optimisation hybrides afin d’améliorer la capacité de recherche globale et la précision de convergence. Cependant, l’adaptabilité des algorithmes améliorés existants sur des types de données tels que les données économiques avec fort bruit et des fonctionnalités multi-échelle nécessite encore une vérification^{supplémentaire 9}.

Support Vector Machine (SVM) et Generative Adversarial Network (GAN) présentent des avantages évidents dans l’apprentissage des caractéristiques des données et la modélisation^{prédictive 10}. SVM associe des données linéairement inséparables dans un espace de faible dimension à un espace de haute dimension via des fonctions de noyau, convertissant des problèmes non linéaires en problèmes linéairement séparables. Il peut accomplir efficacement des tâches de classification et de régression sans calculer explicitement la cartographie à haute dimension. Le GAN s’appuie sur le mécanisme d’entraînement adversarial des générateurs et discriminateurs pour capturer en profondeur les caractéristiques potentielles de distribution des données, améliorant ainsi significativement la capacité à ajuster des motifs^{complexes 11}. Cao et ^al.12 ont utilisé la SVM pour le diagnostic des défauts des équipements de manœuvres ferroviaires et ont vérifié la performance de classification de la SVM dans de petits échantillons et problèmes non linéaires grâce à la fusion multi-domaines des caractéristiques et à la stratégie de sélection des caractéristiques. Liu et ^al.13 ont construit un modèle de manipulation des attributs faciaux utilisant GAN. La capacité du GAN à exploiter les caractéristiques potentielles de distribution des données a été vérifiée.

Cependant, dans de nombreux domaines tels que la prédiction industrielle des défauts et la surveillance environnementale, des algorithmes d’optimisation tels que GWO et PSO sont souvent combinés avec SVM, CNN, etc., pour améliorer la précision des prédictions. ¹⁴ Cependant, la plupart des modèles de fusion présentent des défis tels que l’optimisation collaborative insuffisante des paramètres et une faible adaptabilité aux données complexes de séries temporelles. Bien qu’il existe de nombreuses applications algorithmiques dans le domaine de la prévision économique, la plupart se concentrent sur l’amélioration d’un seul modèle, ignorant les caractéristiques de couplage élevé et de bruit fort des données économiques, ainsi que l’absence de conception collaborative approfondie des algorithmes d’optimisation et des modèles génératifs. Ainsi, l’étude améliore l’algorithme GWO. L’initialisation de la cartographie Tent est utilisée pour améliorer la traversabilité de la population afin de s’adapter à l’exploitation minière de caractéristiques peu nombreuse. Les poids de mise à jour de position sont reconstruits pour améliorer les capacités de suivi de la solution de haute qualité afin de s’adapter à la capture de corrélation non linéaire. Les facteurs de convergence dynamique non linéaires sont utilisés pour équilibrer l’exploration globale et le développement local afin de faire face aux changements de séries temporelles. Les avantages de classification SVM et les capacités d’amélioration des caractéristiques GAN sont intégrés pour construire un réseau Improved Gray Wolf Optimizer-Support Vector Machine-Generative Adversarial Network (IGWO-SVM-GAN), résolvant avec précision l’extraction et la prédiction des caractéristiques de développement des données économiques régionales. L’innovation réside dans l’intégration approfondie de l’algorithme IGWO avec SVM et GAN, en utilisant les puissantes capacités de génération de données et de cartographie de caractéristiques de GAN pour élargir la diversité des échantillons, en assurant un criblage précis grâce à la solide performance de classification de SVM, et en optimisant synergiquement les paramètres clés des deux grâce à l’algorithme GWO. Il brise la dépendance du modèle traditionnel aux hypothèses de relations linéaires, améliorant considérablement son adaptabilité à des systèmes économiques complexes.

L’objectif global de la recherche est de construire un modèle régional d’extraction de caractéristiques économiques et de prédiction du développement basé sur IGWO-SVM-GAN, de résoudre les problèmes d’extraction inexacte des caractéristiques, de faible précision de prédiction et de faible adaptabilité des modèles traditionnels, d’obtenir une extraction efficace des caractéristiques économiques régionales et une prédiction fiable des tendances de développement, et de fournir un soutien scientifique à la prise de décision économique régionale. L’étude propose les hypothèses suivantes. Hypothèse 1 : Comparé au GWO standard et à d’autres algorithmes comparatifs, l’algorithme amélioré de l’IGWO présente une vitesse de convergence plus rapide et une précision d’optimisation plus élevée dans l’extraction de caractéristiques économiques de données en haute dimension ; Hypothèse 2 : La performance prédictive du modèle de fusion IGWO-SVM-GAN est nettement meilleure que celle d’un seul modèle et d’autres modèles de fusion courants en main, et présente une stabilité et une précision supérieures dans les prévisions économiques à moyen et long terme ; Hypothèse 3 : Le modèle proposé peut s’adapter efficacement aux caractéristiques de couplage élevé et de bruit fort des données économiques régionales, et capturer avec précision les schémas de développement des indicateurs économiques fondamentaux.

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 loup b et du jeune loup c, ainsi que des étapes de chasse telles que la chasse, la poursuite et l’attaque¹⁵. Le processus spécifique de mise à jour de la localisation des loups gris est illustré à la Figure 1.

Figure 1 : Organigramme de la mise à jour de la position du loup gris. (A) Schéma de la mise à jour de la position du Loup gris. (B) Organigramme de l’algorithme GWO. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

La figure 1A montre la mise à jour de la position du loup gris. D’après la Figure 1A, la position individuelle du loup gris mise à jour est guidée par les positions a, b et c. L’optimisation est obtenue en simulant le comportement de chasse du groupe, en approchant progressivement de la cible^{optimale 16}. Le processus de mise à jour comprend le calcul de distance et l’ajustement de position. Les vecteurs de coefficients ont été introduits lors du processus de mise à jour de position et modifiés dynamiquement via des valeurs aléatoires, permettant ainsi un basculement adaptatif entre les phases d’exploration et de développement. L’équation (1) affiche le vecteur distance entre le loup gris et sa proie.

(1)

Dans l’équation (1), représente un vecteur de coefficients aléatoires utilisé pour introduire l’aléa et équilibrer l’exploration et le développement. signifie le vecteur position (PV) actuel au temps t. représente le PV de la proie au temps t. Le loup gris met à jour sa position en fonction de la position et de la distance de la proie, et la mise à jour de position est affichée dans l’équation (2).

(2)

Dans l’équation (2), représente le vecteur coefficient qui contrôle la direction du mouvement et la taille du pas. Les vecteurs distance , , et entre le loup gris actuel et les loups a, b et c sont indiqués dans l’équation (3).

(3)

Dans l’équation (3), , , et représentent respectivement le PV des trois solutions ayant la meilleure aptitude dans la population actuelle (a, b et c). Trois positions de cibles candidates sont calculées selon les positions et distances des loups a, b et c, respectivement, comme indiqué dans l’équation (4).

(4)

Dans l’équation (4), , , et signifient trois positions cibles candidates calculées à partir des positions et distances de a, b et c. , , et représentent des positions candidates calculées à partir des positions et distances de a, b et c¹⁷. Le PV des loups gris actuels dans la prochaine génération (c’est-à-dire la position mise à jour) est affiché dans l’équation (5).

(5)

En résolvant la moyenne de trois positions candidates, la population approche progressivement la région optimale guidée par les loups a, b et c. La figure 1B présente le flux de travail du GWO. D’après la Figure 1B, les étapes d’exécution de l’algorithme GWO incluent l’initialisation de la population de loups gris. Ensuite, la valeur de fitness dans la population est calculée. La solution optimale actuelle et la solution sous-optimale sont déterminées en comparant les valeurs individuelles de la fitness. Toutes les valeurs de fitness sont triées, et les trois premiers individus sont classés a, b et c. Les positions individuelles dans la population sont mises à jour en fonction des informations de localisation des individus dominants. On détermine si les conditions de terminaison prédéfinies sont remplies. Si elles sont remplies, l’algorithme se termine. Sinon, la valeur de fitness de chaque loup gris dans la population est calculée.

Pour améliorer la précision d’optimisation dans l’extraction des caractéristiques des données, un algorithme GWO amélioré (IGWO) est proposé, incluant l’initialisation de la population de loups gris à l’aide de la cartographie des tentes afin d’améliorer la diversité et la traversée. Les coefficients de pondération des mises à jour de position des individus du loup gris sont reconstruits afin d’optimiser la capacité de l’algorithme à suivre les zones de solution de haute qualité. Un mécanisme de contrôle non linéaire est introduit pour mettre à jour dynamiquement le facteur de convergence q. Le vecteur coefficient et un vecteur de coefficients aléatoires utilisés pour contrôler la direction du mouvement et la taille du pas sont optimisés de manière synchrone pour équilibrer les capacités d’exploration globale et de développement^{local 18}. La figure 2 présente le schéma de flux de l’IGWO.

Figure 2 : Processus de l’IGWO. Veuillez cliquer ici pour voir une version agrandie de cette figure.

À partir de la Figure 2, l’IGWO a mis en place un processus itératif plus ciblé tout en conservant le cadre central du GWO. La population initiale est générée par cartographie en tente afin d’éviter la répartition inégale de la population qui peut résulter d’une initialisation aléatoire traditionnelle, posant ainsi une base solide pour une optimisation ultérieure. À chaque itération, l’algorithme calcule d’abord les valeurs individuelles de fitness et sélectionne les loups a, b et c. Sur la base de l’équation de mise à jour de position améliorée, combinée à des facteurs de convergence non linéaires et des vecteurs de coefficients optimisés, la mise à jour de position des individus du loup gris est terminée. Parallèlement, en ajustant dynamiquement la plage de valeurs du vecteur coefficient aléatoire, la précision de la recherche locale aux stades avancés de l’itération est optimisée, réduisant ainsi les optima locaux. Enfin, la question de savoir si l’itération maximale a été atteinte est déterminée. Si l’itération maximale a été atteinte, la solution optimale est fournie en sortie. Inversement, il revient à l’étape de calcul de la valeur d’aptitude pour l’itération suivante. Pour améliorer la vitesse de convergence de l’IGWO, un mécanisme de guidage est introduit, dont l’efficacité est illustrée à la Figure 3.

Figure 3 : Schéma indiquant s’il existe ou non un mécanisme de guidage. (A) Aucun mécanisme de guidage. (B) Mécanisme de guidage. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Comme montré à la Figure 3, le mécanisme de guidage attribue des stratégies d’allocation de poids fixes aux loups a, b et c lors de la mise à jour de position. En augmentant significativement la proportion de poids du loup a et en réduisant l’influence des loups b et c, davantage d’individus dans la population sont guidés à mettre à jour leur position le long de la direction de recherche du loup a, de sorte que leur répartition se concentre sur la zone devant le loup , plutôt que sur l’état de répartition uniforme autour du loup a wolf dans les algorithmes GWO traditionnels. Cette amélioration peut renforcer le rôle directeur des individus élites dans la direction optimisée de la population, réduire les coûts de recherche inefficaces et améliorer la performance de convergence.

Algorithme GWO amélioré basé sur SVM et GAN
Pour optimiser la performance de classification et la capacité de généralisation de GWO après l’extraction des caractéristiques de données, l’algorithme SVM est introduit pour l’optimisation collaborative. Le schéma de la surface de classification optimale des SVM linéaires et non linéaires est illustré à la Figure 4.

Figure 4 : Diagrammes schématiques des surfaces de classification optimales des machines à vecteurs de support linéaires et non linéaires. (A) Surface de classification optimale de la machine à vecteurs de support. (B) Surface de classification optimale d’une machine à vecteurs de support non linéaires. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

La figure 4A présente la surface de classification optimale d’une SVM linéaire. D’après la Figure 4A, dans un espace de données bidimensionnel, la surface de classification optimale g(x) de SVM peut séparer complètement deux types d’échantillons¹⁹. L’expression pour un hyperplan g(x) est présentée dans l’équation (6).

(6)

Dans l’équation (6), w signifie le vecteur normal de l’hyperplan, qui détermine sa direction. b signifie le terme d’interception, qui détermine le décalage de l’hyperplan. x désigne le vecteur de caractéristiques de l’échantillon^{d’entrée 20}. La SVM possède une SVM séparable linéaire et une SVM séparable non linéaire. En supposant que le jeu de données des SVM linéaires séparables est , son objectif est de maximiser l’intervalle de classification tout en atteignant la classification correcte de tous les^{échantillons 21}. La condition de contrainte pour ce problème est illustrée dans l’équation (7).

(7)

Dans l’équation (7), y_i désigne l’étiquette de classe du i-ème échantillon, qui est l’identifiant de référence pour le modèle effectuant la classification, l’appariement de caractéristiques ou la détermination des contraintes, et x_i représente son vecteur de caractéristiques. Le problème d’optimisation original correspondant est présenté dans l’équation (8).

(8)

Dans l’équation (8 ), signifie l’équivalent mathématique de la maximisation de l’intervalle. Pour résoudre ce problème d’optimisation contrainte, le multiplicateur de Lagrange est introduit pour le transformer en une forme²² non contrainte. La fonction de Lagrange est illustrée dans l’équation (9).

(9)

Dans l’équation (9), α_i représente le multiplicateur de Lagrange, qui est une variable double introduite pour transformer les contraintes originales de la SVM en un problème d’optimisation non contrainte. Sa valeur reflète directement la contribution du i-ème échantillon à la détermination de l’hyperplan de classification. Selon la condition de Monte-Carlo-Kuhn-Tucker, la condition de relaxation complémentaire pour la solution optimale est illustrée dans l’équation (10).

(10)

L’expression de w est prise dans la fonction de Lagrange pour obtenir le problème dual, comme montré dans l’équation (11).

(11)

Dans l’équation (11), j est l’échantillon dans le jeu de données. Pour les données séparables non linéaires, les techniques de noyau transforment des données linéairement inséparables dans l’espace original en problèmes linéairement séparables dans un espace de haute dimension grâce à une application implicite non linéaire. Le produit scalaire x_i·y_i dans le problème dual est remplacé par une fonction noyau K(x_i·y_i), évitant ainsi la complexité du calcul direct du produit scalaire dans un espace de haute dimension. La figure 4B est un schéma de la surface de classification optimale d’une SVM non linéaire. D’après la Figure 4B, dans l’espace d’entrée bidimensionnel original, les deux types d’échantillons présentent une distribution non linéaire et ne peuvent pas être efficacement séparés par une droite. À ce stade, le schéma de distribution des points de données peut présenter des motifs complexes tels que l’entrelacement et le cercle^{de 23}. Par l’effet de mappage des fonctions noyau, ces points de données dans l’espace bidimensionnel sont transformés en espaces de caractéristiques de dimension supérieure, et les points d’échantillonnage initialement intriqués présentent une séparabilité évidente. Dans l’espace de haute dimension, les SVM non linéaires peuvent construire un hyperplan optimal pour partitionner précisément deux types d’échantillons. La fonction de décision finale de classification f(x) est présentée dans l’équation (12).

(12)

Dans l’équation (12), K(_{x, i}, x) signifie la fonction noyau. Les fonctions du noyau permettent à SVM de gérer de manière flexible des problèmes non linéaires, élargissant considérablement son applicabilité. Le diagramme de flux du modèle de reconnaissance des caractéristiques des données IGWS-SVM est montré à la Figure 5.

Figure 5 : Organigramme du modèle de reconnaissance des caractéristiques des données IGWO-SVM. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Dans la Figure 5, les données de caractéristiques prétraitées ont été saisies dans l’algorithme IGWO, et son mécanisme d’optimisation itérative a optimisé de manière adaptative les paramètres fondamentaux de SVM. L’algorithme a ajusté dynamiquement la stratégie de recherche de population afin de localiser efficacement la combinaison optimale de paramètres dans l’espace des paramètres maximisant la précision de classification SVM, en abordant ainsi la faible efficacité et la susceptibilité aux optima locaux inhérentes aux méthodes traditionnelles de recherche en grille ou de recherche aléatoire. Les paramètres optimisés par IGWO ont ensuite été saisis dans le modèle SVM, et le classificateur optimisé a été utilisé pour apprendre et prédire les données de caractéristiques. Pour les données linéairement séparables, le modèle a obtenu un partitionnement direct en construisant l’hyperplan optimal. Les données non linéaires étaient mappées dans un espace de haute dimension via des fonctions noyau pour compléter la classification, et les dernières étiquettes de catégorie étaient produites. Pour renforcer davantage la capacité d’adaptation à des distributions de données complexes et l’authenticité de la génération de fonctionnalités, le GAN a été intégré. La figure 6 montre le GAN.

Figure 6 : Structure GAN. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Dans la Figure 6, le GAN possède un modèle génératif et un modèle discriminateur, qui permettent une optimisation collaborative grâce à des mécanismes d’apprentissage^{adversariaux 24}. Ce modèle génératif utilise le bruit aléatoire comme entrée et génère de faux échantillons similaires à la distribution des données réelles via une transformation non linéaire. Le modèle discriminateur obtient des échantillons réels et générés en entrée, et sa tâche principale est de distinguer l’authenticité des données d’entrée et de déterminer la probabilité que les échantillons proviennent du jeu de données^{réel 25}. L’objectif d’optimisation initial de la GAN est présenté dans l’équation (13).

(13)

Dans l’équation (13), V(D, G) est la fonction de valeur qui mesure la performance du discriminateur donné le générateur G et le discriminateur D. D(x) représente la probabilité discriminative sur l’échantillon réel x. D(z) représente le générateur qui mappe le bruit z dans des échantillons générés. pdata(x) désigne la distribution de probabilité des données réelles. Pz(z) signifie la distribution a plus priori de z. E fait référence à la valeur attendue, représentant la moyenne de tous les échantillons dans la distribution^26,27. L’objectif d’optimisation du discriminateur est illustré dans l’équation (14).

(14)

Le générateur optimisé est montré dans l’équation (15).

(15)

En résumé, l’étude propose un algorithme d’optimisation collaboratif basé sur IGWO-SVM-GAN afin d’obtenir une extraction efficace des caractéristiques et une classification précise dans des scénarios de données complexes.

Extraction et prédiction de développement des données économiques régionales basées sur l’algorithme IGWO-SVM-GAN
En tant que composante importante du système économique national, analyser précisément le développement économique régional et prédire scientifiquement les tendances futures a une valeur théorique et pratique importante pour formuler des stratégies de développement régional, optimiser l’allocation des ressources et éviter les risques économiques. Cependant, les données économiques régionales présentent souvent des caractéristiques complexes telles que la haute dimensionnalité, la non-linéarité et le dynamisme, et sont influencées par de multiples facteurs tels que les politiques, la structure industrielle et l’environnement externe. Les méthodes traditionnelles d’extraction de caractéristiques et les modèles de prédiction sont difficiles à saisir les corrélations profondes derrière les données, ce qui entraîne une précision limitée. L’IGWO-SVM-GAN est appliqué au domaine de l’analyse économique régionale. En intégrant les avantages de l’algorithme dans l’extraction de caractéristiques, l’apprentissage de la classification et la génération de données, un modèle d’analyse adapté aux données économiques régionales est construit. Le diagramme de flux du modèle d’extraction des caractéristiques et de prévision du développement des données économiques régionales basé sur IGWO-SVM-GAN est présenté à la Figure 7.

Figure 7 : Processus d’extraction des caractéristiques des données économiques régionales et modèle de prédiction du développement basé sur l’algorithme IGWO-SVM-GAN. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Selon la Figure 7, des indicateurs à haute dimension de l’économie régionale sont collectés, notamment le PIB, la valeur de la production industrielle, les recettes et dépenses fiscales, le taux d’emploi, etc. Les données brutes sont nettoyées et standardisées, incluant le comblement des valeurs manquantes et la correction des valeurs aberrantes. Le filtrage des caractéristiques est effectué sur les données prétraitées via IGWO, les informations redondantes sont supprimées, et un sous-ensemble des fonctionnalités principales est produit. Le générateur de GAN génère des données économiques synthétiques avec une grande cohérence avec les données réelles, basées sur le schéma de distribution des sous-ensembles de caractéristiques principales afin d’atténuer la parcimonie ou la distribution inégale de l’échantillon. Le sous-ensemble de caractéristiques de base est fusionné avec des données économiques synthétiques et des entrées dans un modèle SVM. La relation non linéaire entre les caractéristiques est traitée via une fonction noyau pour construire un modèle de prédiction du développement économique. Le modèle produit des prévisions quantitatives du développement économique régional, incluant les taux de croissance économique futurs, les variations de la proportion de la structure industrielle, etc. Le modèle répond efficacement à la nature à haute dimension, non linéaire et clairsemée des données économiques régionales en tirant parti de la purification des caractéristiques de l’IGWO, de l’augmentation des données de GAN et de la modélisation non linéaire de SVM, améliorant ainsi la robustesse et la précision.

Pour prouver l’efficacité du modèle régional d’extraction de caractéristiques et de prédiction du développement construit à partir de l’algorithme IGWO-SVM-GAN, la province de l’Anhui est sélectionnée comme étude de cas. Les données de recherche proviennent toutes de documents statistiques faisant autorité, notamment l’Annuaire statistique de l’Anhui de 2005 à 2022 et le Bulletin statistique national du développement économique et social de l’Anhui de 2005 à 2023, afin d’assurer l’objectivité et la fiabilité des données. Les principaux indicateurs économiques sélectionnés pour l’analyse de performance sont les suivants : le produit intérieur brut (PIB) de l’industrie primaire (X1), le PIB de l’industrie secondaire (X2), le PIB de l’industrie tertiaire (X3), le revenu disponible par habitant des résidents ruraux (X4), le revenu disponible par habitant des résidents urbains (X5), les dépenses fiscales totales (X6), la consommation totale d’énergie (X7), et les dépenses d’investissement en éducation (X8). L’étude a utilisé la méthode de standardisation Z-score pour normaliser les données des 8 indicateurs afin d’éliminer l’interférence des différences dimensionnelles sur l’entraînement du modèle. En consultant des données statistiques supplémentaires pour les années correspondantes et en utilisant une interpolation linéaire des données des années adjacentes pour compléter une petite quantité de données manquantes, l’ensemble final de données ne comportait aucune valeur manquante. Le critère 3σ a été utilisé pour identifier les données anormales, et les deux valeurs aberrantes détectées ont été winsorisées afin d’éviter que les données anormales n’affectent l’effet d’entraînement du modèle. La méthode de validation croisée des séries temporelles a été utilisée, utilisant les données 2011-2017 comme ensemble d’entraînement (7 échantillons), les données 2018-2019 comme ensemble de validation (2 échantillons), et les données 2020 comme ensemble de test (1 échantillon), afin de simuler des scénarios réels de prévision économique, éviter les problèmes de fuite de données et améliorer la fiabilité de l’évaluation de la capacité de généralisation du modèle. Les matériaux nécessaires à la méthode sont présentés dans le tableau des matériaux.

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)