Estrazione e previsione di sviluppo dei dati economici regionali basata su un algoritmo GWO migliorato

Summary

Il modello proposto può catturare efficacemente le caratteristiche dei dati economici regionali, migliorare l'accuratezza delle previsioni e fornire una base scientifica per le decisioni di sviluppo economico regionale.

Abstract

Con la crescente domanda di uno sviluppo economico regionale di alta qualità, estrarre con precisione le caratteristiche nascoste dei dati economici e ottenere previsioni affidabili delle tendenze dello sviluppo è diventato un prerequisito importante per formulare politiche economiche scientifiche. Per ottimizzare l'accuratezza nell'estrazione delle caratteristiche dei dati economici regionali e l'affidabilità della previsione dello sviluppo, viene costruito un modello per l'estrazione delle caratteristiche e la previsione dello sviluppo dei dati economici regionali integrando un algoritmo di ottimizzazione grey wolf migliorato, una macchina a vettori di supporto e una rete generativa avversaria. Nei test della funzione unimodale F1 e della funzione multimodale F2, la velocità di convergenza è stata significativamente migliore rispetto all'ottimizzazione guidata dal vento e all'algoritmo del senocosinuso, dimostrando una maggiore adattabilità in problemi complessi di ottimizzazione. L'esperimento comparativo sul dataset steel wire rope ha mostrato che l'algoritmo ha migliorato il tasso di riconoscimento dell'1,25% rispetto alla Principal Component Analysis-Grey Wolf Optimizer-Support Vector Machine, raggiungendo il 98,75%, e ha avuto una maggiore efficienza nell'elaborazione delle caratteristiche ad alta dimensione, verificandone la superiorità nell'estrazione delle caratteristiche e nel riconoscimento della classificazione. Il modello è stato applicato ai dati economici della provincia di Anhui, selezionando 8 indicatori fondamentali come il PIL dell'industria primaria e il reddito dei residenti urbani e rurali dal 2011 al 2022. Nel 2011, quando il valore reale era 16.311, il valore previsto del modello di ricerca era 16.200. Nel 2015, quando il valore reale era 23.808, il modello prevedeva un valore di 23.600. L'errore assoluto minimo dal 2011 al 2020 è stato solo 103, e il tasso di errore è stato basso fino a 0,005, dimostrando un'eccezionale stabilità nelle previsioni a medio e lungo termine. Il modello proposto può catturare efficacemente le caratteristiche dei dati economici regionali, migliorare l'accuratezza delle previsioni e fornire una base scientifica per le decisioni di sviluppo economico regionale.

Introduction

Con l'ingresso dell'economia cinese in una fase di sviluppo di alta qualità, la complessità e la multidimensionalità dei dati economici regionali stanno diventando sempre più evidenti. Estrarre con precisione le caratteristiche dei dati economici e prevedere scientificamente le tendenze di sviluppo sono diventati prerequisiti importanti per formulare politiche economiche regionali e ottimizzare l'allocazione delle risorse ^1,2. Il sistema economico regionale coinvolge indicatori multidimensionali come la struttura industriale, il reddito dei residenti, le entrate e le spese fiscali e il consumo energetico. Esistono correlazioni non lineari e relazioni di accoppiamento dinamico tra vari indicatori. I metodi tradizionali di analisi statistica e i modelli di apprendimento automatico singoli spesso incontrano problemi come un'estrazione insufficiente di caratteristiche e una precisione previsionale limitata durante l'elaborazione di dati economici ad alta dimensione e non^{stazionari 3,4}.

L'Ottimizzazione del Lupo Grigio (GWO) è una strategia di ottimizzazione intelligente che simula il comportamento di caccia dei lupi grigi. Grazie alla sua struttura semplice e alle prestazioni di convergenza stabili, GWO è stato ampiamente utilizzato nell'ottimizzazione delle funzioni, nell'ottimizzazione dei parametri, nella selezione delle caratteristiche e in altri^{campi 5}. Ad esempio, Toktas et ^al.6 hanno utilizzato l'algoritmo GWO per ottenere un'ottimizzazione efficiente dei parametri nella progettazione di sistemi ipercaotici multi-obiettivo, verificando il potenziale dell'algoritmo GWO ottimizzato in scenari complessi di ottimizzazione multi-obiettivo. Liu et ^al.7 applicarono l'algoritmo GWO al calcolo ottimale multi-obiettivo del flusso di potenza nelle reti di distribuzione. L'adattabilità dell'algoritmo a problemi ingegneristici complessi è stata migliorata attraverso una strategia ibrida. Tuttavia, il GWO standard ha una velocità di convergenza lenta e soluzioni locali ottimali nell'affrontare problemi complessi di ottimizzazione, il che limita la sua efficacia applicativa nell'elaborazione di dati economici ad alta^{dimensione 8}. Pertanto, la comunità accademica ha condotto ricerche approfondite sull'algoritmo GWO introducendo pesi adattivi, perturbazioni caotiche o strategie di ottimizzazione ibrida per migliorare la capacità globale di ricerca e la precisione della convergenza. Tuttavia, l'adattabilità degli algoritmi migliorati esistenti su tipi di dati come i dati economici con forte rumore e caratteristiche multiscala necessita ancora di ulteriori^{verifiche 9}.

Support Vector Machine (SVM) e Generative Adversarial Network (GAN) presentano vantaggi evidenti nell'apprendimento delle caratteristiche dei dati e nella modellazione^{predittiva 10}. SVM mappa dati linearmente inseparabili nello spazio a bassa dimensione in spazio ad alta dimensione tramite funzioni kernel, convertendo problemi non lineari in problemi linearmente separabili. Può completare efficacemente compiti di classificazione e regressione senza dover calcolare esplicitamente la mappatura ad alta dimensione. GAN si basa sul meccanismo di addestramento avversario di generatori e discriminatori per catturare profondamente le potenziali caratteristiche di distribuzione dei dati, migliorando così significativamente la capacità di adattarsi a pattern complessi¹¹. Cao et ^al.12 hanno utilizzato SVM per la diagnosi di guasti delle apparecchiature di scambio ferroviario e hanno verificato le prestazioni di classificazione di SVM in campioni piccoli e problemi non lineari attraverso la fusione multi-dominio delle caratteristiche e la strategia di selezione delle caratteristiche. Liu et ^al.13 hanno costruito un modello di manipolazione degli attributi facciali usando GAN. È stata verificata la capacità del GAN di estrarre le potenziali funzionalità di distribuzione dei dati.

Tuttavia, in molti campi come la previsione dei guasti industriali e il monitoraggio ambientale, algoritmi di ottimizzazione come GWO e PSO sono spesso combinati con SVM, CNN, ecc., per migliorare l'accuratezza delle previsioni. ¹⁴ Tuttavia, la maggior parte dei modelli di fusione presenta sfide come un'ottimizzazione collaborativa insufficiente dei parametri e una scarsa adattabilità a dati di serie temporali complesse. Sebbene esistano molte applicazioni algoritmiche nel campo della previsione economica, la maggior parte di esse si concentra sul miglioramento di un singolo modello, ignorando l'alto accoppiamento e le caratteristiche di forte rumore dei dati economici, e la mancanza di un design collaborativo approfondito di algoritmi di ottimizzazione e modelli generativi. Pertanto, lo studio migliora l'algoritmo GWO. L'inizializzazione della mappatura Tent viene utilizzata per migliorare la traversabilità della popolazione e adattarla al scarso feature mining. I pesi di aggiornamento della posizione vengono ricostruiti per migliorare le capacità di tracciamento delle soluzioni di alta qualità e adattarsi alla cattura di correlazione non lineare. I fattori di convergenza dinamica non lineari sono utilizzati per bilanciare l'esplorazione globale e lo sviluppo locale per far fronte ai cambiamenti delle serie temporali. I vantaggi nella classificazione SVM e le capacità di potenziamento delle caratteristiche GAN sono integrati per costruire una Improved Gray Wolf Optimizer-Support Vector Machine-Generative Adversarial Network (IGWO-SVM-GAN), risolvendo con precisione l'estrazione e la previsione dello sviluppo dei dati economici regionali. L'innovazione risiede nell'integrazione profonda dell'algoritmo IGWO con SVM e GAN, nell'utilizzo delle potenti capacità di generazione dati e mappatura delle caratteristiche di GAN per espandere la diversità dei campioni, ottenere uno screening preciso delle caratteristiche grazie alle robuste prestazioni di classificazione di SVM e ottimizzare sinergicamente i parametri chiave di entrambi tramite l'algoritmo GWO. Supera la dipendenza del modello tradizionale dalle assunzioni di relazioni lineari, migliorandone significativamente l'adattabilità a sistemi economici complessi.

L'obiettivo generale della ricerca è costruire un modello di estrazione e previsione dello sviluppo dei dati economici regionali basato su IGWO-SVM-GAN, per risolvere i problemi di estrazione inaccurata delle caratteristiche, bassa accuratezza di previsione e scarsa adattabilità dei modelli tradizionali, ottenere un'estrazione efficiente delle caratteristiche centrali dell'economia regionale e una previsione affidabile delle tendenze di sviluppo, e fornire supporto scientifico per il processo decisionale economico regionale. Lo studio propone le seguenti ipotesi. Ipotesi 1: Rispetto al GWO standard e ad altri algoritmi comparativi, l'algoritmo IGWO migliorato ha una velocità di convergenza più elevata e una maggiore precisione di ottimizzazione nell'estrazione di caratteristiche economiche di dati ad alta dimensione; Ipotesi 2: Le prestazioni previsionali del modello di fusione IGWO-SVM-GAN sono significativamente migliori rispetto a quelle di un singolo modello e di altri modelli di fusione mainstream, e hanno maggiore stabilità e accuratezza nelle previsioni economiche di medio e lungo termine; Ipotesi 3: Il modello proposto può adattarsi efficacemente alle caratteristiche di alto accoppiamento e forte rumore dei dati economici regionali, e catturare con precisione i modelli di sviluppo degli indicatori economici fondamentali.

Protocol

Algoritmo GWO migliorato
Nel campo dell'estrazione delle caratteristiche e della previsione dello sviluppo di dati economici regionali, per migliorare efficacemente l'efficienza di estrazione di caratteristiche chiave nei dati economici ad alta dimensione, viene introdotto l'algoritmo WO per l'ottimizzazione. GWO simula il comportamento di caccia dei lupi grigi. Il meccanismo centrale dell'algoritmo GWO risiede nella simulazione biomimetica della struttura della gerarchia sociale e della strategia di caccia, che ottiene l'ottimizzazione simulando la gerarchia del primo lupo a, del secondo lupo b e del giovane lupo c, così come le fasi di caccia come caccia, inseguimento e attacco¹⁵. Il processo specifico per aggiornare la posizione dei lupi grigi è mostrato nella Figura 1.

Figura 1: Diagramma di flusso dell'aggiornamento della posizione del lupo grigio. (A) Schema dell'aggiornamento della posizione del Lupo grigio. (B) Diagramma di flusso dell'algoritmo GWO. Clicca qui per visualizzare una versione più grande di questa figura.

La Figura 1A mostra l'aggiornamento della posizione del lupo grigio. Dalla Figura 1A, la posizione individuale aggiornata del lupo grigio è guidata dalle posizioni a, b e c. L'ottimizzazione si ottiene simulando il comportamento di caccia del gruppo, avvicinandosi gradualmente all'obiettivo^{ottimale 16}. Il processo di aggiornamento include il calcolo della distanza e la regolazione della posizione. I vettori di coefficienti sono stati introdotti durante il processo di aggiornamento della posizione e cambiati dinamicamente tramite valori casuali, ottenendo commutazioni adattive tra le fasi di esplorazione e sviluppo. L'equazione (1) mostra il vettore distanza tra il lupo grigio e la sua preda.

(1)

Nell'equazione (1), rappresenta un vettore di coefficienti casuali usato per introdurre casualità e bilanciare l'esplorazione e lo sviluppo. indica il Vettore Posizione (PV) corrente al tempo t. rappresenta il PV della preda al tempo t. Il lupo grigio aggiorna la sua posizione in base alla posizione e alla distanza della preda, e l'aggiornamento della posizione viene mostrato nell'equazione (2).

(2)

Nell'equazione (2), rappresenta il vettore coefficiente che controlla la direzione del movimento e la dimensione del passo. I vettori di distanza , , e tra il lupo grigio attuale e i lupi a, b e c sono mostrati nell'equazione (3).

(3)

Nell'equazione (3), , , e rappresentano rispettivamente il PV delle tre soluzioni con la migliore fitness nella popolazione attuale (a, b e c). Tre posizioni di bersagli candidati vengono calcolate in base alle posizioni e distanze dei lupi a, b e c, rispettivamente, come mostrato nell'equazione (4).

(4)

Nell'equazione (4), , , e indicano tre posizioni target candidate calcolate dalle posizioni e distanze di a, b e c. , , e rappresentano posizioni candidate calcolate a partire dalle posizioni e distanze di a, b e c¹⁷. Il PV degli attuali lupi grigi nella generazione successiva (cioè, la posizione aggiornata) è mostrato nell'equazione (5).

(5)

Risolvendo la media di tre posizioni candidate, la popolazione si avvicina gradualmente alla regione ottimale guidata dai lupi a, b e c. La Figura 1B mostra il flusso di lavoro della GWO. Dalla Figura 1B, i passaggi di esecuzione dell'algoritmo GWO includono l'inizializzazione della popolazione di lupi grigi. Successivamente, viene calcolato il valore di fitness nella popolazione. La soluzione attuale ottimale e la soluzione sub-ottimale sono determinate confrontando i valori individuali della fitness. Tutti i valori di fitness sono ordinati e i primi tre individui sono etichettati come a, b e c. Le posizioni individuali nella popolazione vengono aggiornate in base alle informazioni di posizione degli individui dominanti. Si determina se le condizioni di terminazione preimpostate siano soddisfatte. Se vengono soddisfatte, l'algoritmo termina. Altrimenti, viene calcolato il valore di fitness di ogni lupo grigio nella popolazione.

Per migliorare l'accuratezza dell'ottimizzazione nell'estrazione delle caratteristiche dei dati, viene proposto un algoritmo GWO migliorato (IGWO), che include l'inizializzazione della popolazione di lupi grigi tramite la mappatura delle tende, per aumentare la diversità e il percorso. I coefficienti di peso di aggiornamento della posizione degli individui del lupo grigio vengono ricostruiti per ottimizzare la capacità dell'algoritmo di tracciare aree di soluzione di alta qualità. Viene introdotto un meccanismo di controllo non lineare per aggiornare dinamicamente il fattore di convergenza q. Il vettore coefficienti e un vettore coefficiente casuale utilizzati per controllare la direzione del movimento e la dimensione del passo sono ottimizzati in sincronia per bilanciare le capacità di esplorazione globale e sviluppo^{locale 18}. La Figura 2 presenta il diagramma di flusso dell'IGWO.

Figura 2: Processo dell'IGWO. Clicca qui per visualizzare una versione più grande di questa figura.

Dalla Figura 2, l'IGWO ha formato un processo iterativo più mirato mantenendo però il quadro centrale della GWO. La popolazione iniziale viene generata tramite tenda mappatura per evitare la distribuzione disomogenea della popolazione che può derivare dall'inizializzazione casuale tradizionale, ponendo una solida base per un'ottimizzazione successiva. In ogni iterazione, l'algoritmo calcola prima i valori individuali di fitness e seleziona i lupi a, b e c. Basandosi sull'equazione di peso di aggiornamento della posizione migliorata, combinata con fattori di convergenza non lineari e vettori di coefficienti ottimizzati, l'aggiornamento della posizione degli individui del lupo grigio è completato. Nel frattempo, aggiustando dinamicamente l'intervallo di valori del vettore coefficiente casuale, la precisione della ricerca locale nelle fasi successive dell'iterazione viene ottimizzata, riducendo gli ottimi locali. Infine, si determina se l'iterazione massima sia stata raggiunta. Se è stata raggiunta la massima iterazione, viene fornita la soluzione ottimale come output. Al contrario, ritorna alla fase di calcolo del valore di fitness per l'iterazione successiva. Per migliorare la velocità di convergenza dell'IGWO, viene introdotto un meccanismo di guida, la cui efficacia è mostrata nella Figura 3.

Figura 3: Diagramma schematico per verificare se esista o meno un meccanismo di guida. (A) Nessun meccanismo di guida. (B) Meccanismo di guida. Clicca qui per visualizzare una versione più grande di questa figura.

Come mostrato nella Figura 3, il meccanismo di guida assegna strategie di allocazione del peso fissa ai lupi a, b e c durante la fase di aggiornamento della posizione. Aumentando significativamente la proporzione di peso del lupo a e riducendo l'influenza dei lupi b e c, più individui nella popolazione sono guidati ad aggiornare le loro posizioni lungo la direzione di ricerca del lupo, in modo che la loro distribuzione si concentri sull'area davanti al lupo, piuttosto che sullo stato di distribuzione uniforme attorno al lupo wolf negli algoritmi GWO tradizionali. Questo miglioramento può rafforzare il ruolo guida degli individui d'élite nella direzione di ottimizzazione della popolazione, ridurre i costi di ricerca inefficaci e migliorare le prestazioni di convergenza.

Algoritmo GWO migliorato basato su SVM e GAN
Per ottimizzare le prestazioni di classificazione e la capacità di generalizzazione di GWO dopo l'estrazione delle caratteristiche dei dati, viene introdotto l'algoritmo SVM per l'ottimizzazione collaborativa. Il diagramma schematico della superficie ottimale di classificazione delle SVM lineari e non lineari è mostrato nella Figura 4.

Figura 4: Diagrammi schematici delle superfici di classificazione ottimali delle macchine a vettori di supporto lineari e non lineari. (A) Superficie ottimale di classificazione della macchina a vettore di supporto. (B) Superficie ottimale di classificazione di una macchina a vettori di supporto non lineari. Clicca qui per visualizzare una versione più grande di questa figura.

La Figura 4A presenta la superficie di classificazione ottimale di una SVM lineare. Dalla Figura 4A, in uno spazio dati bidimensionale, la superficie di classificazione ottimale g(x) della SVM può separare completamente due tipi di^{campioni 19}. L'espressione per un iperpiano g(x) è presentata nell'equazione (6).

(6)

Nell'equazione (6), w indica il vettore normale dell'iperpiano, che ne determina la direzione. b indica il termine di intercetto, che determina lo spostamento dell'iperpiano. x indica il vettore caratteristico del campione di input²⁰. La SVM ha SVM lineare separabile e SVM non lineare separabile. Assumendo che il dataset delle SVM lineari separabili sia , il suo obiettivo è massimizzare l'intervallo di classificazione ottenendo la corretta classificazione di tutti i^{campioni 21}. La condizione di vincolo per questo problema è mostrata nell'equazione (7).

(7)

Nell'equazione (7), y_i indica l'etichetta di classe del campione i-esimo, che è l'identificatore di benchmark per il modello da eseguire nella classificazione, nel matching delle caratteristiche o nella determinazione dei vincoli, e x_i rappresenta il suo vettore di caratteristiche. Il corrispondente problema di ottimizzazione originale è mostrato nell'equazione (8).

(8)

Nell'equazione (8), indica l'equivalente matematico della massimizzazione dell'intervallo. Per risolvere questo problema di ottimizzazione vincolata, viene introdotto il moltiplicatore di Lagrange per trasformarlo in una forma²² non vincolata. La funzione di Lagrange è mostrata nell'equazione (9).

(9)

Nell'equazione (9), α_i rappresenta il moltiplicatore di Lagrange, che è una variabile duale introdotta per trasformare i vincoli originali della SVM in un problema di ottimizzazione non vincolata. Il suo valore riflette direttamente il contributo del campione i-esimo alla determinazione dell'iperpiano di classificazione. Secondo la condizione di Monte-Carlo-Kuhn-Tucker, la condizione di rilassamento complementare per la soluzione ottimale è mostrata nell'equazione (10).

(10)

L'espressione di w viene presa nella funzione di Lagrange per ottenere il problema duale, come mostrato nell'equazione (11).

(11)

Nell'equazione (11), j è il campione nel dataset. Per i dati separabili non lineari, le tecniche kernel trasformano dati linearmente inseparabili nello spazio originale in problemi linearmente separabili nello spazio ad alta dimensione tramite una mappatura implicita non lineare. Il prodotto scalare x_i·y_i nel problema duale viene sostituito da una funzione kernel K(x_i·y_i), evitando così la complessità di calcolare direttamente il prodotto scalare nello spazio ad alta dimensione. La Figura 4B è uno schema della superficie di classificazione ottimale di una SVM non lineare. Dalla Figura 4B, nello spazio di input bidimensionale originale, i due tipi di campioni mostrano una distribuzione non lineare e non possono essere efficacemente separati da una linea retta. Al momento, il modello di distribuzione dei punti dati può mostrare schemi complessi come l'intercalamento e il^{circolare 23}. Attraverso l'effetto di mappatura delle funzioni kernel, questi punti dati nello spazio bidimensionale vengono trasformati in spazi di caratteristiche di dimensioni superiori, e i punti campione originariamente entangled mostrano una separabilità evidente. Nello spazio ad alta dimensione, le SVM non lineari possono costruire un iperpiano ottimale per suddividere con precisione due tipi di campioni. La funzione decisionale finale di classificazione f(x) è presentata nell'equazione (12).

(12)

Nell'equazione (12), K(_{x, i}, x) indica la funzione kernel. Le funzioni del kernel permettono a SVM di gestire in modo flessibile problemi non lineari, ampliandone significativamente l'applicabilità. Il diagramma di flusso del modello di riconoscimento delle caratteristiche dati IGWS-SVM è mostrato nella Figura 5.

Figura 5: Diagramma di flusso del modello di riconoscimento delle caratteristiche dati IGWO-SVM. Clicca qui per visualizzare una versione più grande di questa figura.

Nella Figura 5, i dati preprocessati delle caratteristiche sono stati inseriti nell'algoritmo IGWO, e il suo meccanismo di ottimizzazione iterativa ha ottimizzato in modo adattivo i parametri fondamentali della SVM. L'algoritmo ha modificato dinamicamente la strategia di ricerca della popolazione per localizzare in modo efficiente la combinazione ottimale di parametri nello spazio dei parametri che massimizzava la precisione della classificazione SVM, affrontando la bassa efficienza e la suscettibilità agli ottimi locali insiti nei metodi tradizionali di ricerca a griglia o casuali. I parametri ottimizzati da IGWO furono successivamente inseriti nel modello SVM, e il classificatore ottimizzato fu impiegato per apprendere e prevedere i dati delle caratteristiche. Per dati linearmente separabili, il modello ha ottenuto la partizione diretta costruendo l'iperpiano ottimale. I dati non lineari venivano mappati nello spazio ad alta dimensione tramite funzioni kernel per completare la classificazione, e le etichette finali delle categorie venivano in output. Per migliorare ulteriormente la capacità di adattamento a distribuzioni dati complesse e l'autenticità della generazione di funzionalità, è stato incorporato il GAN. La Figura 6 mostra il GAN.

Figura 6: Struttura GAN. Clicca qui per visualizzare una versione più grande di questa figura.

Nella Figura 6, il GAN ha un modello generativo e un modello discriminatorio, che ottengono l'ottimizzazione collaborativa attraverso meccanismi di apprendimento avversario²⁴. Questo modello generativo utilizza rumore casuale come input e genera campioni falsi simili alla distribuzione dei dati reali tramite una trasformazione non lineare. Il modello discriminatore ottiene campioni reali e generati come input, e il suo compito principale è distinguere l'autenticità dei dati in input e produrre la probabilità che i campioni provengano dal dataset^{reale 25}. L'obiettivo originale di ottimizzazione della GAN è presentato nell'equazione (13).

(13)

Nell'equazione (13), V(D, G) è la funzione valore, che misura la performance del discriminatore dato generatore G e D. D(x) rappresenta la probabilità discriminativa sul campione reale x. D(z) rappresenta il generatore che mappa il rumore z in campioni generati. pdata(x) indica la distribuzione di probabilità dei dati reali. pz(z) indica la distribuzione a priori di z. E si riferisce al valore atteso, che rappresenta la media di tutti i campioni nella distribuzione^26,27. L'obiettivo di ottimizzazione del discriminatore è mostrato nell'equazione (14).

(14)

Il generatore ottimizzato è mostrato nell'equazione (15).

(15)

In sintesi, lo studio propone un algoritmo di ottimizzazione collaborativo basato su IGWO-SVM-GAN per ottenere un'estrazione efficiente delle caratteristiche e una classificazione accurata in scenari di dati complessi.

Estrazione e previsione di sviluppo dei dati economici regionali basata sull'algoritmo IGWO-SVM-GAN
Come componente importante del sistema economico nazionale, l'analisi precisa dello sviluppo economico regionale e la previsione scientifica delle tendenze future ha un valore teorico e pratico importante per formulare strategie di sviluppo regionale, ottimizzare l'allocazione delle risorse ed evitare rischi economici. Tuttavia, i dati economici regionali spesso presentano caratteristiche complesse come alta dimensionalità, non linearità e dinamismo, e sono influenzati da molteplici fattori come politiche, struttura industriale e ambiente esterno. I metodi tradizionali di estrazione delle caratteristiche e i modelli di previsione sono difficili da catturare le profonde correlazioni dietro i dati, con conseguente accuratezza limitata. L'IGWO-SVM-GAN è applicato al campo dell'analisi economica regionale. Integrando i vantaggi dell'algoritmo nell'estrazione delle caratteristiche, nell'apprendimento della classificazione e nella generazione dei dati, si costruisce un modello di analisi adatto ai dati economici regionali. Il diagramma di flusso del modello di estrazione delle caratteristiche e previsione dello sviluppo dei dati economici regionali basato su IGWO-SVM-GAN è presentato nella Figura 7.

Figura 7: Processo di estrazione delle caratteristiche dei dati economici regionali e modello di previsione dello sviluppo basato sull'algoritmo IGWO-SVM-GAN. Clicca qui per visualizzare una versione più grande di questa figura.

Secondo la Figura 7, vengono raccolti indicatori ad alta dimensione dell'economia regionale, tra cui PIL, valore della produzione industriale, entrate e spese fiscali, tasso di occupazione, ecc. I dati grezzi vengono puliti e standardizzati, inclusi i valori mancanti e la correzione degli outli. Il filtraggio delle caratteristiche viene eseguito sui dati preprocessati tramite IGWO, le informazioni ridondanti vengono rimosse e viene prodotto un sottoinsieme delle caratteristiche principali. Il generatore di GAN genera dati economici sintetici con alta coerenza con dati reali basati sul modello di distribuzione dei sottoinsiemi di caratteristiche core per alleviare la scarsità o la distribuzione disomogenea del campione. Il sottoinsieme di caratteristiche principali è fuso con dati economici sintetici e input in un modello SVM. La relazione non lineare tra le caratteristiche viene elaborata tramite una funzione kernel per costruire un modello di previsione dello sviluppo economico. Il modello fornisce previsioni quantitative dello sviluppo economico regionale, inclusi i tassi di crescita economica futura, le variazioni nella proporzione della struttura industriale, ecc. Il modello affronta efficacemente la natura ad alta dimensione, non lineare e scarsa dei dati economici regionali sfruttando la purificazione delle caratteristiche di IGWO, l'aumento dei dati di GAN e la modellazione non lineare di SVM, migliorando così robustezza e accuratezza.

Per dimostrare l'efficacia del modello di estrazione delle caratteristiche e previsione dello sviluppo dei dati economici regionali, costruito sulla base dell'algoritmo IGWO-SVM-GAN, viene selezionata la provincia di Anhui come caso di studio. I dati di ricerca sono tutti provenienti da materiali statistici autorevoli, tra cui l'Anhui Statistical Yearbook dal 2005 al 2022 e il Anhui National Economic and Social Development Statistical Bulletin dal 2005 al 2023, per garantire l'obiettività e l'affidabilità dei dati. Gli indicatori economici principali selezionati per l'analisi delle performance sono: Prodotto Interno Lordo (PIL) dell'industria primaria (X1), PIL dell'industria secondaria (X2), PIL dell'industria terziaria (X3), reddito disponibile pro capite dei residenti rurali (X4), reddito disponibile pro capite dei residenti urbani (X5), spesa fiscale totale (X6), consumo totale di energia (X7), e spese per investimenti in istruzione (X8). Lo studio ha utilizzato il metodo di standardizzazione Z-score per normalizzare i dati degli 8 indicatori al fine di eliminare l'interferenza delle differenze dimensionali nell'addestramento del modello. Consultando dati statistici supplementari per gli anni corrispondenti e utilizzando interpolazione lineare di dati degli anni adiacenti per completare una piccola quantità di dati mancanti, il set finale di dati non presentava valori mancanti. Il criterio 3σ è stato utilizzato per identificare dati anomali, e i due valori anomali rilevati sono stati Winsorizzati per evitare che dati anomali influenzassero l'effetto di addestramento del modello. È stato utilizzato il metodo di validazione incrociata delle serie temporali, utilizzando i dati 2011-2017 come set di addestramento (7 campioni), i dati 2018-2019 come set di validazione (2 campioni) e i dati 2020 come set di test (1 campione), per simulare scenari reali di previsione economica, evitare problemi di perdita di dati e migliorare l'affidabilità della valutazione della capacità di generalizzazione del modello. I materiali necessari per il metodo sono mostrati nella Tabella dei Materiali.

Results

Test delle prestazioni dell'algoritmo IGWO-SVM-GAN
Per verificare sistematicamente le prestazioni di ottimizzazione, l'efficacia nell'estrazione delle caratteristiche e il meccanismo di miglioramento della qualità della previsione dell'algoritmo IGWO-SVM-GAN, la ricerca è stata condotta in tre fasi: la prima fase ha utilizzato la funzione di test di benchmark per verificare le capacità di ottimizzazione dell'algoritmo. La seconda fase utilizzava il set di dati del cav...

Discussion

Lo studio applica l'algoritmo IGWO-SVM-GAN per estrarre caratteristiche e prevedere lo sviluppo di dati economici regionali e ne verifica la fattibilità e l'efficacia con la Provincia di Anhui come esempio. Basandosi sulla rapida convergenza e dall'elevata accuratezza di riconoscimento dimostrata dall'algoritmo nei test di funzione e nei test di dataset a cavo d'acciaio, si ritiene che possa adattarsi alle caratteristiche ad alta dimensione e forti dinamiche dei dati economici regionali,...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Processore Intel Core i5-9300HF	Intel Corporation	CL8068404069607 (versione OEM/Ray)
Piattaforma di programmazione MATLAB 2020b	MathWorks	R2020b (numero di versione)
Sistema operativo Windows 10 a 64 bit	Microsoft Corporation	FQC-09131 (SKU Windows 10 Pro Retail)