חילוץ נתונים כלכליים אזוריים וחיזוי פיתוח בהתבסס על אלגוריתם GWO משופר

סיכום

המודל המוצע יכול ללכוד ביעילות את מאפייני הנתונים הכלכליים האזוריים, לשפר את דיוק החיזוי ולספק בסיס מדעי להחלטות פיתוח כלכלי אזורי.

תקציר

עם הביקוש הגובר לפיתוח כלכלי אזורי איכותי, הפקה מדויקת של מאפיינים נסתרים של נתונים כלכליים והשגת חיזוי מגמות פיתוח אמינה הפכו לתנאי מוקדם חשוב לגיבוש מדיניות כלכלית מדעית. כדי למקסם את דיוק חילוץ התכונות של נתונים כלכליים אזוריים ואת אמינות חיזוי הפיתוח, נבנה מודל לחיזוי חילוץ ופיתוח תכונות של נתונים כלכליים אזוריים על ידי שילוב אלגוריתם אופטימיזציה משופר של זאב אפור, מכונת וקטור תמיכה, ורשת יריבה גנרטיבית. בבדיקות פונקציה חד-מודלית F1 ו-F2 רב-מודלית, מהירות ההתכנסות הייתה טובה משמעותית מזו של אופטימיזציה מונעת רוח ואלגוריתם הקוסינוס הסינוס, מה שהדגים גמישות חזקה יותר בבעיות אופטימיזציה מורכבות. הניסוי ההשוואתי על מאגר הנתונים של חבל הפלדה הראה שהאלגוריתם שיפר את קצב הזיהוי ב-1.25% לעומת מכונת Operator Component Analysis-Grey Wolf Optimizer-Support Vector Machine, והגיע ל-98.75%, והציג יעילות גבוהה יותר בעיבוד תכונות רב-ממדי, מה שמאשר את עליונותו בזיהוי חילוץ תכונות וסיווג. המודל יושם על הנתונים הכלכליים במחוז אנחווי, ובחר 8 מדדים מרכזיים כגון התמ"ג של התעשייה הראשונית והכנסות תושבים עירוניים וכפריים בין השנים 2011 ל-2022. בשנת 2011, כאשר הערך האמיתי היה 16,311, הערך החזוי של מודל המחקר היה 16,200. בשנת 2015, כאשר הערך האמיתי היה 23,808, המודל חזה ערך של 23,600. השגיאה המוחלטת המינימלית בין 2011 ל-2020 הייתה רק 103, ושיעור השגיאה היה נמוך עד 0.005, מה שהדגים יציבות יוצאת דופן בתחזיות לטווח הבינוני והארוך. המודל המוצע יכול ללכוד ביעילות את מאפייני הנתונים הכלכליים האזוריים, לשפר את דיוק החיזוי ולספק בסיס מדעי להחלטות פיתוח כלכלי אזורי.

מבוא

ככל שהכלכלה הסינית נכנסת לשלב של פיתוח איכותי, המורכבות והרב-ממדיות של הנתונים הכלכליים האזוריים הופכות לבולטות יותר ויותר. חילוץ מדויק של נתונים כלכליים וחיזוי מדעי של מגמות פיתוח הפכו לדרישות מוקדמות חשובות לגיבוש מדיניות כלכלית אזורית ולאופטימיזציה של הקצאת משאבים ^1,2. המערכת הכלכלית האזורית כוללת מדדים רב-ממדיים כגון מבנה תעשייתי, הכנסות תושבים, הכנסות והוצאות פיסקליות, וצריכת אנרגיה. קיימות מתאמים לא ליניאריים ויחסי קישור דינמיים בין מדדים שונים. שיטות ניתוח סטטיסטי מסורתיות ומודלים של למידת מכונה בודדת מתמודדים לעיתים קרובות עם בעיות כמו חילוץ תכונות לא מספק ודיוק חיזוי מוגבל בעת עיבוד נתונים כלכליים מממד גבוה ולא סטציונרי ^3,4.

אופטימיזציה של זאב אפור (GWO) היא אסטרטגיית אופטימיזציה חכמה המדמה את התנהגות הציד של זאבים אפורים. בשל המבנה הפשוט שלו וביצועי ההתכנסות היציבים שלו, GWO שימש רבות באופטימיזציית פונקציות, אופטימיזציה של פרמטרים, בחירת תכונות^{ותחומים} נוספים. לדוגמה, Toktas ואח^' השתמשו באלגוריתם GWO כדי להשיג אופטימיזציה יעילה של פרמטרים בעת תכנון מערכות היפר-כאוטיות מרובות מטרות, תוך אימות הפוטנציאל של אלגוריתם GWO האופטימלי בתרחישי אופטימיזציה מרובי מטרות מורכבים. ליו ואח^{' יישמו} את אלגוריתם GWO לחישוב זרימת הספק אופטימלית רב-אובייקטיבית ברשתות הפצה. ההתאמה של האלגוריתם לבעיות הנדסיות מורכבות שופרה באמצעות אסטרטגיה היברידית. עם זאת, ל-GWO הסטנדרטי יש מהירות התכנסות איטית ופתרונות אופטימליים מקומיים בעת טיפול בבעיות אופטימיזציה מורכבות, מה שמגביל את יעילות היישום שלו בעיבוד נתונים כלכליים במימד גבוה⁸. לכן, הקהילה האקדמית ערכה מחקר נרחב על אלגוריתם GWO על ידי הכנסת משקלים אדפטיביים, הפרעות כאוטיות או אסטרטגיות אופטימיזציה היברידיות לשיפור יכולת החיפוש הגלובלית ודיוק התכנסות. עם זאת, הגמישות של אלגוריתמים משופרים קיימים על סוגי נתונים כמו נתונים כלכליים עם רעש חזק ותכונות רב-קנה מידה עדיין זקוקה^{לאימות נוסף}.

מכונת וקטור תמיכה (SVM) ורשת יריבה גנרטיבית (GAN) מחזיקות ביתרונות ברורים בלמידת תכונות נתונים ובמידול חיזוי¹⁰. SVM ממפה נתונים ליניאריים בלתי נפרדים במרחב מממד נמוך למרחב מממד גבוה באמצעות פונקציות ליבה, וממיר בעיות לא ליניאריות לבעיות ניתנות להפרדה ליניארית. הוא יכול להשלים ביעילות משימות סיווג ורגרסיה מבלי לחשב במפורש מיפוי ממדים גבוהים. GAN נשען על מנגנון ההכשרה העוין של גנרטורים ומבחינים כדי ללכוד לעומק את מאפייני ההתפלגות הפוטנציאליים של הנתונים, ובכך משפר משמעותית את היכולת להתאים לתבניות מורכבות¹¹. Cao ואח^' השתמשו ב-SVM לאבחון תקלות בציוד מתגי רכבת ואישרו את ביצועי הסיווג של SVM בדגימות קטנות ובבעיות לא ליניאריות באמצעות מיזוג תכונות רב-תחומי ואסטרטגיית בחירת תכונות. ליו ואחרים ^בנו מודל מניפולציה של תכונות פנים באמצעות GAN. היכולת של GAN לכרות תכונות הפצה פוטנציאליות של נתונים אומתה.

עם זאת, בתחומים רבים כמו חיזוי תקלות תעשייתיות וניטור סביבתי, אלגוריתמים לאופטימיזציה כמו GWO ו-PSO משולבים לעיתים קרובות עם SVM, CNN ועוד, כדי לשפר את דיוק החיזוי. ¹⁴ עם זאת, רוב מודלי ההיתוך מתמודדים עם אתגרים כמו אופטימיזציה שיתופית לא מספקת של פרמטרים ויכולת הסתגלות לקויה לנתוני סדרות זמן מורכבות. למרות שישנם יישומים רבים של אלגוריתמים בתחום החיזוי הכלכלי, רובם מתמקדים בשיפור מודל יחיד, תוך התעלמות מהמאפיינים הגבוהים של קישור ורעש חזק של נתונים כלכליים, ומהיעדר עיצוב שיתופי מעמיק של אלגוריתמים אופטימיזציה ומודלים גנרטיביים. לכן, המחקר משפר את אלגוריתם GWO. אתחול מיפוי האוהל משמש לשיפור יכולת המעבר באוכלוסייה להסתגל לכרייה דלילה. משקלי עדכון מיקום משוחזרים כדי לשפר את יכולות מעקב הפתרונות האיכותיות להתאמה ללכידת קורלציה לא ליניארית. גורמי התכנסות דינמית לא ליניארית משמשים לאיזון בין חקר גלובלי לפיתוח מקומי כדי להתמודד עם שינויים בסדרות זמן. יתרונות סיווג SVM ויכולות שיפור תכונות GAN משולבים לבניית רשת עוינת משופרת של Gray Wolf Optimizer-Support Vector Machine-Generative Adversarial Network (IGWO-SVM-GAN), הפותרת במדויק חילוץ ותחזית פיתוח של נתונים כלכליים אזוריים. החידוש טמון באינטגרציה עמוקה של אלגוריתם IGWO עם SVM ו-GAN, תוך ניצול יכולות יצירת נתונים ועוצמות מיפוי תכונות של GAN להרחבת מגוון הדגימות, השגת סינון תכונות מדויק עם ביצועי הסיווג החזקים של SVM, ואופטימיזציה סינרגטית של הפרמטרים המרכזיים של שניהם באמצעות אלגוריתם IGWO. הוא פורץ את התלות של המודל המסורתי בהנחות יחסים ליניאריות, ומשפר משמעותית את ההתאמה שלו למערכות כלכליות מורכבות.

המטרה הכוללת של המחקר היא לבנות מודל להפקת תכונות ופיתוח נתונים כלכליים אזוריים המבוסס על IGWO-SVM-GAN, לפתור בעיות של חילוץ תכונות לא מדויק, דיוק חיזוי נמוך וגמישות לקויה של מודלים מסורתיים, להשיג כרייה יעילה של מאפייני ליבה כלכליים אזוריים וחיזוי אמין של מגמות פיתוח, ולספק תמיכה מדעית לקבלת החלטות כלכליות אזוריות. המחקר מציע את ההשערות הבאות. השערה 1: בהשוואה ל-GWO סטנדרטיים ולאלגוריתמים השוואתיים אחרים, אלגוריתם ה-IGWO המשופר מציג מהירות התכנסות גבוהה יותר ודיוק אופטימיזציה גבוה יותר בהפקת תכונות נתונים כלכליים במימד גבוה; השערה 2: ביצועי החיזוי של מודל ההיתוך IGWO-SVM-GAN טובים משמעותית מאלו של מודל יחיד ומודלים מרכזיים אחרים, ויש להם יציבות ודיוק גבוהים יותר בתחזיות כלכליות לטווח הבינוני והארוך; השערה 3: המודל המוצע יכול להסתגל ביעילות למאפייני הקישור הגבוה והרעש החזק של נתונים כלכליים אזוריים, וללכוד במדויק את דפוסי ההתפתחות של מדדי הכלכלה המרכזיים.

פרוטוקול

אלגוריתם GWO משופר
בתחום חילוץ תכונות וחיזוי פיתוח נתונים כלכליים אזוריים, כדי לשפר ביעילות את יעילות החילוץ של תכונות מפתח בנתונים כלכליים רב-ממדיים, הוצג אלגוריתם WO לאופטימיזציה. GWO מדמה את התנהגות הציד של זאבים אפורים. המנגנון המרכזי של אלגוריתם GWO טמון בסימולציה ביו-מימטית של מבנה ההיררכיה החברתית ואסטרטגיית הציד, אשר משיגה אופטימיזציה על ידי סימולציה של ההיררכיה ההיררכית של הזאב הראשון, הזאב השני ב' והזאב הצעיר ג', וכן שלבי ציד כמו ציד, מרדף ותקיפה¹⁵. התהליך הספציפי לעדכון מיקום הזאבים האפורים מוצג באיור 1.

איור 1: תרשים זרימה של עדכון מיקום הזאב האפור. (א) תרשים סכמטי של עדכון מיקום הזאב האפור. (B) תרשים זרימה של אלגוריתם GWO. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 1A מציג את עדכון מיקום הזאב האפור. מאיור 1A, מיקום הפרט של הזאב האפור המעודכן מונחה על ידי מיקומי a, b ו-c. אופטימיזציה מושגת על ידי סימולציה של התנהגות הציד של הקבוצה, תוך התקרבות הדרגתית ליעד האופטימלי¹⁶. תהליך העדכון כולל חישוב מרחק והתאמת מיקום. וקטורי המקדמים הוצגו במהלך תהליך עדכון המיקום והשתנו דינמית דרך ערכים אקראיים, והשיגו החלפה אדפטיבית בין שלבי חקירה לפיתוח. משוואה (1) מציגה את וקטור המרחק בין הזאב האפור לטרפו.

(1)

במשוואה (1), מייצג וקטור מקדם אקראי המשמש להכנסת אקראיות ולאיזון בין חקירה ופיתוח. מסמן את וקטור המיקום הנוכחי (PV) בזמן t. מייצג את ה-PV של הטרף בזמן t. הזאב האפור מעדכן את מיקומו בהתאם למיקום הטרף ולמרחק , ועדכון המיקום מוצג במשוואה (2).

(2)

במשוואה (2), מייצג את וקטור המקדם השולט בכיוון התנועה ובגודל הצעד. וקטורי המרחק , , ובין הזאב האפור הנוכחי לזאבים a, b ו-c מוצגים במשוואה (3).

(3)

במשוואה (3), , , ו- בהתאמה מייצגים את ה-PV של שלושת הפתרונות עם ההתאמה הטובה ביותר באוכלוסייה הנוכחית (a, b, ו-c). שלושה מיקומי יעד מועמדים מחושבים בהתאם למיקומים ולמרחקים של הזאבים a, b ו-c, בהתאמה, כפי שמוצג במשוואה (4).

(4)

במשוואה (4), , , ו-מסמנים שלושה מיקומי יעד מועמדים המחושבים מהמיקומים והמרחקים של a, b ו-c. , , ומייצגים עמדות מועמדות המחושבות מהמיקומים והמרחקים של a, b ו-c¹⁷. ה-PV של הזאבים האפורים הנוכחיים בדור הבא (כלומר, המיקום המעודכן) מוצג במשוואה (5).

(5)

על ידי פתרון ממוצע של שלוש עמדות מועמדים, האוכלוסייה מתקרבת בהדרגה לאזור האופטימלי המונחה על ידי זאבים a, b ו-c. איור 1B מציג את זרימת העבודה של ה-GWO. מאיור 1B, שלבי הביצוע של אלגוריתם GWO כוללים אתחול אוכלוסיית הזאבים האפורים. לאחר מכן, ערך הכושר באוכלוסייה מחושב. הפתרון האופטימלי הנוכחי והפתרון הפחות אופטימלי נקבעים על ידי השוואת ערכי התאמה בודדים. כל ערכי הכושר ממוינים, ושלושת האנשים המובילים מסומנים כ-a, b ו-c. המיקומים האישיים באוכלוסייה מתעדכנים בהתבסס על מידע המיקום של הפרטים הדומיננטיים. נקבע אם תנאי הסיום המוגדרים מראש מתקיימים. אם הם מתקיימים, האלגוריתם מסתיים. אחרת, ערך הכשירות של כל זאב אפור באוכלוסייה מחושב.

כדי לשפר את דיוק האופטימיזציה בחילוץ תכונות נתונים, מוצע אלגוריתם GWO משופר (IGWO), הכולל אתחול אוכלוסיית הזאבים האפורים באמצעות מיפוי אוהלים לשיפור המגוון והתנועה. מקדמי המשקל לעדכון מיקום של פרטים של זאב אפור משוחזרים כדי לייעל את יכולת האלגוריתם לעקוב אחר אזורי פתרון איכותיים. מנגנון בקרה לא ליניארי מוצג לעדכון דינמי של מקדם ההתכנסות q. וקטור המקדם וקוקטור מקדם אקראי המשמש לשליטה בכיוון התנועה ובגודל הצעד מותאמים באופן סינכרוני לאיזון בין יכולות החקירה הגלובלית לפיתוח מקומי¹⁸. איור 2 מציג את תרשים הזרימה של IGWO.

איור 2: תהליך ה-IGWO. אנא לחצו כאן לצפייה בגרסה גדולה יותר של האיור הזה.

מאיור 2, ה-IGWO יצר תהליך איטרטיבי ממוקד יותר תוך שמירה על המסגרת המרכזית של ה-GWO. האוכלוסייה הראשונית נוצרת באמצעות מיפוי אוהלים כדי להימנע מהתפלגות אוכלוסייה לא אחידה שעלולה להיווצר מאתחול אקראי מסורתי, ובכך להניח בסיס איתן לאופטימיזציה עתידית. בכל איטרציה, האלגוריתם מחשב תחילה ערכי התאמה אישית ובוחר זאבים a, b ו-c. בהתבסס על משוואת המשקל המשופרת לעדכון מיקום, בשילוב עם גורמי התכנסות לא ליניאריים וקטורי מקדמים אופטימליים, הושלם עדכון המיקום של פרטים של זאב אפור. בינתיים, על ידי התאמה דינמית של טווח הערכים של וקטור המקדם האקראי, דיוק החיפוש המקומי בשלבים המאוחרים של האיטרציה מופרז, מה שמפחית את האופטימיה המקומית. לבסוף, נקבע האם הושג האיטרציה המקסימלית. אם הושגה האיטרציה המקסימלית, הפתרון האופטימלי מסופק כפלט. לעומת זאת, הוא חוזר לשלב חישוב ערך ההתאמה באיטרציה הבאה. כדי לשפר את מהירות ההתכנסות של ה-IGWO, מוצג מנגנון הנחיה, ויעילותו מוצגת באיור 3.

איור 3: דיאגרמה סכמטית של האם קיים מנגנון מנחה או לא. (א) אין מנגנון מנחה. (ב) מנגנון הכוונה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

כפי שמוצג באיור 3, מנגנון ההנחיה מקצה אסטרטגיות הקצאת משקל קבועה לזאבים a, b ו-c במהלך שלב עדכון המיקום. על ידי הגדלת משמעותית את יחס המשקל של זאב A והפחתת השפעת זאבי b ו-c, יותר פרטים באוכלוסייה מונחים לעדכן את מיקומם לאורך כיוון החיפוש של זאב A, כך שההתפלגות שלהם תתמקד באזור שלפני הזאב a, ולא במצב ההתפלגות האחיד סביב a זאב באלגוריתמים המסורתיים של GWO. שיפור זה יכול לחזק את התפקיד המנחה של יחידים מהאליטה בכיוון האופטימיזציה של האוכלוסייה, להפחית עלויות חיפוש לא יעילות ולשפר את ביצועי ההתכנסות.

אלגוריתם GWO משופר המבוסס על SVM ו-GAN
כדי לייעל את ביצועי הסיווג ויכולת ההכללה של GWO לאחר חילוץ תכונות נתונים, מוצג אלגוריתם SVM לאופטימיזציה שיתופית. הדיאגרמה הסכימטית של משטח הסיווג האופטימלי של SVM ליניארי ולא ליניארי מוצגת באיור 4.

איור 4: דיאגרמות סכמטיות של משטחי הסיווג האופטימליים של מכונות וקטוריות תמיכה ליניאריות ולא ליניאריות. (א) משטח הסיווג האופטימלי של מכונת וקטור התמיכה. (B) משטח סיווג אופטימלי של מכונת וקטור תמיכה לא ליניארית. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 4A מציג את משטח הסיווג האופטימלי של SVM ליניארי. מאיור 4A, במרחב נתונים דו-ממדי, משטח הסיווג האופטימלי g(x) של SVM יכול להפריד לחלוטין בין שני סוגי דגימות¹⁹. הביטוי עבור היפר-מישור g(x) מוצג במשוואה (6).

(6)

במשוואה (6), w מסמן את הווקטור הנורמלי של ההיפר-מישור, שקובע את כיוונו. b מסמל את איבר החיתוך, שקובע את ההזזה של ההיפר-מישור. x מציין את וקטור התכונה של דגימת הקלט²⁰. ל-SVM יש SVM ליניארי נפרד ו-SVM להפרדה לא ליניארית. בהנחה שמערך הנתונים של SVM ליניארי ניתן להפרדה הוא , מטרתו היא למקסם את מרווח הסיווג תוך השגת סיווג נכון של כל הדגימות²¹. תנאי האילוצים לבעיה זו מוצג במשוואה (7).

(7)

במשוואה (7), y_i מסמן את תווית המחלקה של המדגם ה-i, שהוא המזהה המרכזי למודל לביצוע סיווג, התאמת תכונות או קביעת אילוצים, ו-x_i מייצג את וקטור התכונות שלו. בעיית האופטימיזציה המקורית המתאימה מוצגת במשוואה (8).

(8)

במשוואה (8), מציינת את המקביל המתמטי למקסום הקטע. כדי לפתור את בעיית האופטימיזציה המוגבלת הזו, מוצג מכפיל לגרנז' כדי להמיר אותו לצורה²² לא מוגבלת. פונקציית לגראנז' מוצגת במשוואה (9).

(9)

במשוואה (9), α_i מייצג את מכפיל לגראנז', שהוא משתנה כפול שהוצג כדי להמיר את האילוצים המקוריים של SVM לבעיית אופטימיזציה בלתי מוגבלת. ערכו משקף ישירות את תרומת המדגם ה-i לקביעת היפר-מישור הסיווג. לפי תנאי מונטה-קרלו-קון-טאקר, תנאי ההרפיה המשלים לפתרון האופטימלי מוצג במשוואה (10).

(10)

הביטוי של w נלקח בפונקציית לגראנז' כדי לקבל את הבעיה הדואלית, כפי שמוצג במשוואה (11).

(11)

במשוואה (11), j הוא הדגימה במאגר הנתונים. עבור נתונים לא ליניאריים ניתנים להפרדה, טכניקות הליבה ממירות נתונים ליניארית בלתי נפרדים במרחב המקורי לבעיות נפרדות ליניארית במרחב רב-ממדי באמצעות מיפוי לא ליניארי מרומז. המכפלה הפנימית x_i·y_i בבעיה הדואלית מוחלפת בפונקציית גרעין K(x_i·y_i), ובכך נמנעת מהמורכבות של חישוב ישיר של המכפלה הפנימית במרחב מממד גבוה. איור 4B הוא דיאגרמה סכמטית של משטח הסיווג האופטימלי של SVM לא ליניארי. מאיור 4B, במרחב הקלט הדו-ממדי המקורי, שני סוגי הדגימות מציגים התפלגות לא ליניארית ואי אפשר להפריד אותם ביעילות בקו ישר. נכון לעכשיו, דפוס ההתפלגות של נקודות הנתונים עשוי להציג דפוסים מורכבים כמו אינטרליינג ועיגול²³. באמצעות אפקט המיפוי של פונקציות הליבה, נקודות הנתונים הללו במרחב דו-ממדי הופכות למרחבי תכונות מממד גבוה יותר, ונקודות הדגימה שהיו שזורות במקור מציגות הפרדה ברורה. במרחב מממד גבוה, SVMים לא ליניאריים יכולים לבנות היפר-מישור אופטימלי לחלוקה מדויקת של שני סוגי דגימות. פונקציית החלטת הסיווג הסופית f(x) מוצגת במשוואה (12).

(12)

במשוואה (12), K(x_i, x) מציין את פונקציית הגרעין. פונקציות הליבה מאפשרות ל-SVM לטפל בבעיות לא ליניאריות בצורה גמישה, מה שמרחיב משמעותית את היישום שלה. תרשים הזרימה של מודל זיהוי תכונות הנתונים של IGWS-SVM מוצג באיור 5.

איור 5: תרשים זרימה של מודל זיהוי תכונות הנתונים של IGWO-SVM. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

באיור 5, נתוני התכונות המעובדות מראש הוזנו לאלגוריתם IGWO, ומנגנון האופטימיזציה האיטרטיבית שלו אופטימיזם באופן אדפטיבי את הפרמטרים המרכזיים של SVM. האלגוריתם התאים דינמית את אסטרטגיית חיפוש האוכלוסייה כדי לאתר ביעילות את שילוב הפרמטרים האופטימלי במרחב הפרמטרים שמקסם את דיוק סיווג SVM, תוך התייחסות ליעילות נמוכה ולרגישות לאופטימיה מקומית הטבועות בשיטות חיפוש רשת מסורתיות או חיפוש אקראי. הפרמטרים שאופטימיזציה על ידי IGWO הוזנו לאחר מכן למודל ה-SVM, ומסווג האופטימלי שימש ללמידה וחיזוי נתוני התכונות. עבור נתונים להפרדה ליניארית, המודל השיג חלוקה ישירה על ידי בניית ההיפר-מישור האופטימלי. נתונים לא ליניאריים מופו למרחב מממד גבוה באמצעות פונקציות ליבה להשלמת הסיווג, ותוויות הקטגוריות הסופיות הופקו. כדי לשפר עוד יותר את יכולת ההתאמה להתפלגויות נתונים מורכבות ואת האותנטיות של יצירת תכונות, שולב ה-GAN. איור 6 מציג את ה-GAN.

איור 6: מבנה GAN. אנא לחצו כאן לצפייה בגרסה גדולה יותר של האיור.

באיור 6, ל-GAN יש מודל גנרטיבי ומודל דיסקרימינטור, שמשיגים אופטימיזציה שיתופית באמצעות מנגנוני למידה יריבים²⁴. מודל גנרטיבי זה משתמש ברעש אקראי כקלט ומייצר דגימות מזויפות הדומות להתפלגות הנתונים הממשיים דרך טרנספורמציה לא ליניארית. מודל המבחין מקבל דגימות אמיתיות ונוצרות כקלטים, והמשימה המרכזית שלו היא להבחין בין אותנטיות נתוני הקלט ולהוציא את ההסתברות שהדגימות מגיעות ממערך הנתונים האמיתי²⁵. מטרת האופטימיזציה המקורית של GAN מוצגת במשוואה (13).

(13)

במשוואה (13), V(D, G) היא פונקציית הערך, שמודדת את ביצועי המבחין בהינתן מחולל G ומקרימינטור D. D(x) מייצג את ההסתברות ההבחנה על המדגם הממשי x. D(z) מייצג את הגנרטור שממפה את רעש z לדגימות שנוצרו. pdata(x) מציין את התפלגות ההסתברות של נתונים אמיתיים. pz(z) מציין את ההתפלגות הקודמת של Z. E מתייחס לערך הצפוי, המייצג את הממוצע של כל הדגימות בהתפלגות^26,27. מטרת האופטימיזציה של המבחין מוצגת במשוואה (14).

(14)

הגנרטור האופטימלי מוצג במשוואה (15).

(15)

לסיכום, המחקר מציע אלגוריתם אופטימיזציה שיתופי המבוסס על IGWO-SVM-GAN להשגת חילוץ תכונות יעיל וסיווג מדויק בתרחישי נתונים מורכבים.

חילוץ נתונים כלכליים אזוריים וחיזוי פיתוח בהתבסס על אלגוריתם IGWO-SVM-GAN
כרכיב חשוב במערכת הכלכלית הלאומית, ניתוח מדויק של הפיתוח הכלכלי האזורי וחיזוי מדעי של מגמות עתידיות יש לו ערך תיאורטי ומעשי חשוב לגיבוש אסטרטגיות פיתוח אזוריות, אופטימיזציה של הקצאת משאבים והימנעות מסיכונים כלכליים. עם זאת, נתונים כלכליים אזוריים מציגים לעיתים מאפיינים מורכבים כמו ממדיות גבוהה, אי-ליניאריות ודינמיות, ומושפעים מגורמים רבים כגון מדיניות, מבנה תעשייתי וסביבה חיצונית. שיטות חילוץ תכונות מסורתיות ומודלים לחיזוי קשה ללכוד את הקורלציות העמוקות שמאחורי הנתונים, מה שמוביל לדיוק מוגבל. ה-IGWO-SVM-GAN מיושם בתחום הניתוח הכלכלי האזורי. על ידי שילוב היתרונות של האלגוריתם בהפקת תכונות, למידת סיווג ויצירת נתונים, נבנה מודל ניתוח המתאים לנתונים כלכליים אזוריים. תרשים הזרימה של מודל חילוץ ותחזית פיתוח של הנתונים הכלכליים האזוריים המבוסס על IGWO-SVM-GAN מוצג באיור 7.

איור 7: תהליך מודל חילוץ תכונות ותחזית פיתוח של נתונים כלכליים אזוריים המבוסס על אלגוריתם IGWO-SVM-GAN. אנא לחצו כאן לצפייה בגרסה רחבה יותר של איור זה.

לפי איור 7, נאספים מדדים רב-מימד של הכלכלה האזורית, כולל תוצר מקומי גולמי, ערך התפוקה התעשיתית, הכנסות והוצאות פיסקליות, שיעור תעסוקה ועוד. הנתונים הגולמיים מנוקים וסטנדרטיים, כולל מילוי ערכים חסרים ותיקון חריגים. סינון הפיצ'רים מתבצע על נתונים מעובדים מראש דרך IGWO, מידע מיותר מוסר, ותת-קבוצה של תכונות ליבה מופקת. המפיק של GAN מייצר נתונים כלכליים סינתטיים עם עקביות גבוהה עם נתונים אמיתיים המבוססים על דפוס התפלגות של תת-קבוצות תכונות ליבה כדי להקל על דלילות המדגם או התפלגות לא אחידה. תת-התכונה המרכזית משולבת עם נתונים כלכליים סינתטיים וקלט למודל SVM. הקשר הלא ליניארי בין התכונות מעובד באמצעות פונקציית גרעין לבניית מודל חיזוי התפתחות כלכלית. המודל מפיק תחזיות כמותיות של פיתוח כלכלי אזורי, כולל שיעורי צמיחה כלכלית עתידיים, שינויים בשיעור המבנה התעשייתי ועוד. המודל מתמודד ביעילות עם האופי הגבוה, הלא-ליניארי והדליל של נתונים כלכליים אזוריים באמצעות שימוש בטיהור תכונות של IGWO, הרחבת הנתונים של GAN והמידול הלא-ליניארי של SVM, ובכך משפר את החוסן והדיוק.

כדי להוכיח את יעילות מודל חילוץ ופיתוח תכונות הנתונים הכלכליים האזוריים שנבנה על בסיס אלגוריתם IGWO-SVM-GAN, נבחר מחוז אנחווי כמחקר מקרה. כל נתוני המחקר מבוססים על חומרים סטטיסטיים מוסמכים, כולל שנתון הסטטיסטיקה של אנחווי בין 2005 ל-2022 ועלון הסטטיסטיקה הלאומית לפיתוח כלכלי וחברתי מאנחווי בין 2005 ל-2023, כדי להבטיח את האובייקטיביות והאמינות של הנתונים. המדדים הכלכליים המרכזיים שנבחרו לניתוח ביצועים הם: התוצר המקומי הגולמי (GDP) של התעשייה הראשית (X1), תוצר של התעשייה המשנית (X2), תוצר של התעשייה השלישונית (X3), הכנסה פנויה לנפש של תושבים כפריים (X4), הכנסה פנויה לנפש של תושבים עירוניים (X5), סך ההוצאה הפיסקלית (X6), סך צריכת האנרגיה (X7), והוצאות השקעה בחינוך (X8). המחקר השתמש בשיטת תקנון ציון Z כדי לנרמל את נתוני 8 המדדים ולבטל את ההפרעות של הבדלים ממדיים באימון המודלים. על ידי עיון בנתונים סטטיסטיים משלימים לשנים המתאימות ושימוש באינטרפולציה ליניארית של נתוני השנים הסמוכות להשלמת כמות קטנה של נתונים חסרים, לא היו ערכים חסרים במערך הנתונים הסופי. קריטריון 3σ שימש לזיהוי נתונים חריגים, ושני החריגים שזוהו עברו וינסוריזציה כדי למנוע מהנתונים החריגים להשפיע על אפקט אימון המודל. שיטת האימות החוצה בסדרות זמן שימשו, תוך שימוש בנתוני 2011-2017 כסט אימון (7 דגימות), בנתוני 2018-2019 כסט האימות (2 דגימות), ובנתוני 2020 כסט הבדיקה (דגימה אחת), כדי לדמות תרחישי חיזוי כלכליים אמיתיים, להימנע מבעיות דליפת נתונים ולשפר את אמינות הערכת יכולת הכללת המודל. החומרים הנדרשים לשיטה מוצגים בטבלת החומרים.

תוצאות

בדיקות ביצועים של אלגוריתם IGWO-SVM-GAN
כדי לאמת באופן שיטתי את ביצועי האופטימיזציה, יעילות חילוץ התכונות ומנגנון שיפור איכות החיזוי של אלגוריתם IGWO-SVM-GAN, נערך המחקר בשלושה שלבים: השלב הראשון השתמש בפונקציית בדיקת הבנצ'מרק לאימות יכולות האופטימיזציה של האלגוריתם. השלב השני השתמש במערך נתוני חבל חוט כדי לאמת את ביצועי חילוץ התכונות וסיווג. השלב השלישי היה להבהיר את תפקיד הליבה ואת אפקט הרווח הסינרגטי של כל רכיב באמצעות ניסויי אבלציה. נבחרו כמודלים להשוואה, ומבחני א...

דיון

המחקר מיישם את אלגוריתם IGWO-SVM-GAN לחיזוי פיצוץ ופיתוח של נתונים כלכליים אזוריים ומאמת את היתכנותו ויעילותו, כאשר מחוז אנחווי הוא דוגמה. בהתבסס על ההתכנסות המהירה והדיוק הגבוה בזיהוי שהאלגוריתם הפגין בבדיקות פונקציות ובבדיקות מערך נתונים באמצעות חבל פלדה, מאמינים שהוא יכול להסתגל למאפיינים הדינמיים הגבוהים והחזקים של נתונים כלכליים אזוריים, ולספק כלי חדש לניתוח כלכלי.

בבדיקות ביצועי אלגוריתמים, האלגוריתם IGWO-SVM-GAN הראה יתרונות משמעותיים. בפונקציית F1 האונ...

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
מעבד Intel Core i5-9300HF	חברת אינטל	CL8068404069607 (גרסת OEM/ריי)
פלטפורמת התכנות MATLAB 2020b	MathWorks	R2020b (מספר גרסה)
מערכת הפעלה Windows 10 64 ביט	מיקרוסופט קורפוריישן	FQC-09131 (Windows 10 Pro Retail SKU)