개선된 GWO 알고리즘을 기반으로 한 지역 경제 데이터 추출 및 개발 예측

요약

제안된 모델은 지역 경제 데이터의 특성을 효과적으로 포착하고 예측 정확도를 높이며, 지역 경제 개발 의사결정에 과학적 기반을 제공할 수 있습니다.

초록

고품질 지역 경제 발전에 대한 수요가 증가함에 따라, 경제 데이터의 숨겨진 특징을 정확히 추출하고 신뢰할 수 있는 발전 추세 예측을 달성하는 것은 과학적 경제 정책 수립의 중요한 전제 조건이 되었습니다. 지역 경제 데이터의 특징 추출 정확도와 개발 예측 신뢰성을 최적화하기 위해, 개선된 회색 늑대 최적화 알고리즘, 지지 벡터 기계, 생성적 적대 네트워크를 통합하여 지역 경제 데이터의 특징 추출 및 개발 예측 모델을 구축합니다. F1 유니모달 함수와 F2 다중모달 함수 테스트에서 수렴 속도는 바람 구동 최적화 및 사인코사인 알고리즘보다 유의미하게 향상되어 복잡한 최적화 문제에서 더 강한 적응력을 보여주었습니다. 강철 와이어 로프 데이터셋에 대한 비교 실험에서는 주성분 분석-그레이 울프 최적화-지지 벡터 머신에 비해 인식률을 1.25% 향상시켜 98.75%에 도달했으며, 고차원 특징 처리에서 더 높은 효율을 보여 특징 추출 및 분류 인식에서 우수함을 입증했습니다. 이 모델은 안후이성 경제 데이터에 적용되어 2011년부터 2022년까지 1차 산업 GDP와 도시 및 농촌 주민 소득 등 8개 핵심 지표를 선정했습니다. 2011년 실제 가치는 16,311이었으나, 연구 모델의 예측 가치는 16,200이었습니다. 2015년 실제 가치는 23,808이었으나, 모델은 23,600을 예측했습니다. 2011년부터 2020년까지의 최소 절대 오차는 103에 불과했고, 오류율은 0.005로 낮아 중장기 예측에서 뛰어난 안정성을 보여주었습니다. 제안된 모델은 지역 경제 데이터의 특성을 효과적으로 포착하고 예측 정확도를 높이며, 지역 경제 개발 의사결정에 과학적 기반을 제공할 수 있습니다.

서론

중국 경제가 고품질 발전 단계에 접어들면서 지역 경제 데이터의 복잡성과 다차원성이 점점 더 두드러지고 있습니다. 경제 데이터 특징을 정확히 추출하고 과학적으로 개발 추세를 예측하는 것은 지역 경제 정책 수립과 자원 배분 최적화에 중요한 전제 조건이 되었습니다 ^1,2. 지역 경제 시스템은 산업 구조, 거주자 소득, 재정 수입 및 지출, 에너지 소비와 같은 다차원 지표를 포함합니다. 다양한 지표 간에 비선형 상관관계와 동적 결합 관계가 존재합니다. 전통적인 통계 분석 방법과 단일 머신러닝 모델은 고차원 및 비^{정상 경제 데이터를} 처리할 때 특징 추출 부족과 예측 정확도 제한 같은 문제에 자주 직면합니다. ^3,4.

회색 늑대 최적화(GWO)는 회색 늑대의 사냥 행동을 시뮬레이션하는 지능형 최적화 전략입니다. 단순한 구조와 안정적인 수렴 성능 덕분에 GWO는 함수 최적화, 매개변수 최적화, 특징 선택 등 다양한 분야에서 널리 사용되어 왔습니다^. 예를 들어, Toktas 등^은 다목적 초혼돈 시스템 설계 시 GWO 알고리즘을 사용하여 효율적인 매개변수 최적화를 달성했으며, 복잡한 다목적 최적화 시나리오에서 최적화된 GWO 알고리즘의 잠재력을 검증했습니다. Liu 등은 GWO 알고리즘^{을 배전} 망에서 다목적 최적 전력 흐름 계산에 적용했습니다. 복잡한 공학 문제에 대한 알고리즘의 적응성이 하이브리드 전략을 통해 향상되었습니다. 그러나 표준 GWO는 복잡한 최적화 문제를 다룰 때 수렴 속도가 느리고 국소 최적해를 가지므로, 고차원 경제 데이터 처리에서의 적용 효과가 제한됩니다^. 따라서 학계는 적응 가중치, 혼돈 섭동, 하이브리드 최적화 전략을 도입하여 전역 탐색 능력과 수렴 정확도를 향상시키는 광범위한 연구를 수행해 왔습니다. 그러나 강한 노이즈와 다중 규모 특징을 가진 경제 데이터와 같은 데이터 유형에 대한 기존 개선된 알고리즘의 적응성은 아직 추가 검증이^{필요합니다. 9}.

지원 벡터 머신(SVM)과 생성적 적대적 네트워크(GAN)는 데이터 특징 학습과 예측 모델링에서 명확한 장점을 가집니다¹⁰. SVM은 커널 함수를 통해 저차원 공간의 선형 불가분 데이터를 고차원 공간으로 매핑하여 비선형 문제를 선형 분리 문제로 변환합니다. 고차원 매핑을 명시적으로 계산하지 않고도 분류 및 회귀 작업을 효율적으로 수행할 수 있습니다. GAN은 생성기와 판별기의 대립적 훈련 메커니즘을 활용해 데이터의 잠재적 분포 특성을 깊이 포착함으로써 복잡한 패턴에 적합 능력을 크게 향상시킵니다¹¹. Cao 등은 철도 스위치 장비의 결함 진단에 SVM^{을 사용} 했으며, 다중 도메인 특징 융합 및 특징 선택 전략을 통해 소규모 샘플과 비선형 문제에서 SVM의 분류 성능을 검증했습니다. Liu 등은 GAN을 이용해 얼굴 속성 조작 ^{모델을 구축했습니다} . GAN이 데이터의 잠재적 분포 특징을 마이닝할 수 있는 능력이 검증되었습니다.

하지만 산업 결함 예측과 환경 모니터링 등 많은 분야에서는 GWO, PSO와 같은 최적화 알고리즘이 SVM, CNN 등과 결합되어 예측 정확도를 높이는 경우가 많습니다. ¹⁴ 그러나 대부분의 핵융합 모델은 매개변수 협력 최적화 부족과 복잡한 시계열 데이터에 대한 적응성 부족과 같은 어려움을 안고 있습니다. 경제 예측 분야에서 많은 알고리즘 응용이 있지만, 대부분은 단일 모델의 개선에 초점을 맞추고 있으며, 경제 데이터의 높은 결합성과 강한 노이즈 특성, 그리고 최적화 알고리즘과 생성 모델의 심층적인 협업 설계 부족을 무시하고 있습니다. 따라서 이 연구는 GWO 알고리즘을 개선합니다. 텐트 매핑 초기화는 희소 지형 채굴에 적응하기 위해 개체군 이동성을 향상시키는 데 사용됩니다. 위치 업데이트 가중치는 비선형 상관관계 캡처에 적응하기 위해 고품질 솔루션 추적 능력을 향상시키기 위해 재구성됩니다. 비선형 동적 수렴 인자는 시계열 변화에 대응하기 위해 전 지구적 탐사와 국소적 개발의 균형을 맞추기 위해 사용됩니다. SVM 분류 이점과 GAN 기능 향상 기능을 통합하여 개선된 그레이 울프 최적화기-지원 벡터 기계-생성 적대적 네트워크(IGWO-SVM-GAN)를 구축하여 지역 경제 데이터 특징 추출 및 개발 예측을 정확히 해결합니다. 혁신은 IGWO 알고리즘을 SVM 및 GAN과 깊이 통합하고, GAN의 강력한 데이터 생성 및 특징 매핑 기능을 활용해 샘플 다양성을 확장하며, SVM의 강력한 분류 성능으로 정밀한 특징 스크리닝을 달성하고, IGWO 알고리즘을 통해 두 알고리즘의 핵심 매개변수를 시너지 있게 최적화하는 데 있습니다. 이 모델은 전통적인 모델의 선형 관계 가정 의존을 뚫고 복잡한 경제 시스템에 대한 적응력을 크게 향상시킵니다.

연구의 전반적인 목표는 IGWO-SVM-GAN을 기반으로 한 지역 경제 데이터 특징 추출 및 개발 예측 모델을 구축하고, 부정확한 특징 추출, 낮은 예측 정확도, 전통 모델의 낮은 적응성 문제를 해결하며, 지역 경제 핵심 특징의 효율적인 채굴과 신뢰할 수 있는 개발 추세 예측을 달성하고, 지역 경제 의사결정을 위한 과학적 지원을 제공하는 것입니다. 이 연구는 다음과 같은 가설을 제안합니다. 가설 1: 표준 GWO 및 기타 비교 알고리즘과 비교할 때, 개선된 IGWO 알고리즘은 고차원 경제 데이터 특징 추출에서 더 빠른 수렴 속도와 더 높은 최적화 정확도를 가진다; 가설 2: IGWO-SVM-GAN 융합 모델의 예측 성능은 단일 모델 및 다른 주류 융합 모델보다 현저히 우수하며, 중장 경제 예측에서 안정성과 정확도가 더 높다; 가설 3: 제안된 모델은 지역 경제 데이터의 높은 결합성과 강한 잡음 특성에 효과적으로 적응할 수 있으며, 핵심 경제 지표의 발전 패턴을 정확히 포착할 수 있다.

프로토콜

개선된 GWO 알고리즘
지역 경제 데이터의 특징 추출 및 개발 예측 분야에서, 고차원 경제 데이터의 핵심 특징 추출 효율을 효과적으로 향상시키기 위해 최적화를 위해 WO 알고리즘이 도입되었습니다. GWO는 회색 늑대의 사냥 행동을 시뮬레이션합니다. GWO 알고리즘의 핵심 메커니즘은 사회적 계층 구조와 사냥 전략의 생체 모방 시뮬레이션에 있으며, 이는 첫 번째 늑대 a, 두 번째 늑대 b, 어린 늑대 C의 계층적 계층 구조와 사냥, 추격, 공격¹⁵와 같은 사냥 단계를 시뮬레이션하여 최적화를 달성합니다. 회색 늑대 위치를 업데이트하는 구체적인 절차는 그림 1에 나와 있습니다.

그림 1: 회색 늑대 위치 업데이트 흐름도. (A) 회색 늑대 위치 업데이트 도식. (b) GWO 알고리즘의 흐름도. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 1A 는 회색 늑대 위치 업데이트를 보여줍니다. 그림 1A에서 업데이트된 회색 늑대 개체 위치는 a, b, c 위치에 의해 안내됩니다. 최적화는 그룹의 사냥 행동을 시뮬레이션하여 점차 최적의 목표¹⁶에 접근함으로써 달성됩니다. 업데이트 과정에는 거리 계산과 위치 조정이 포함됩니다. 계수 벡터 는 위치 업데이트 과정에서 도입되었으며, 무작위 값을 통해 동적으로 변화하여 탐색과 개발 단계 간 적응적 전환을 달성했습니다. 식(1)은 회색 늑대와 먹잇감 사이의 거리 벡터 를 보여줍니다.

(1)

식(1 )에서 는 무작위성을 도입하고 탐색과 개발의 균형을 맞추기 위해 사용되는 무작위 계수 벡터를 나타냅니다. 는 시간 t에서의 현재 위치 벡터(PV)를 나타내며, 시간은 시간 t에서 먹잇감의 PV를 나타냅니다. 회색 늑대는 먹잇감의 위치와 거리에 따라 위치를 업데이트하며, 위치 업데이트는 식(2)에 표시됩니다.

(2)

식(2)에서는 이동 방향과 걸음 크기를 제어하는 계수 벡터를 나타냅니다. 현재 회색 늑대와 a, b, c 늑대 사이의 거리 벡터 , , 는 식(3)에 나타났다.

(3)

식(3)에서 , 각 각 현재 집단에서 가장 적합한 세 해(a, b, c)의 PV를 나타냅니다. 세 가지 후보 목표 위치는 각각 늑대 a, b, c의 위치와 거리를 기준으로 계산되며, 이는 식(4)에 표시되어 있습니다.

(4)

식(4)에서 , , 는 a, b, c의 위치와 거리에서 계산된 세 가지 후보 목표 위치를 나타냅니다. , , 는 a, b, c의 위치와 거리에서 계산된 후보 위치를 나타냅니다^. 다음 세대 현재 회색 늑대의 PV(즉, 업데이트된 위치 )는 식(5)에 표시됩니다.

(5)

세 후보 위치의 평균을 풀어, 개체군은 늑대 a, b, c가 이끄는 최적의 영역에 점차 근접합니다. 그림 1B 는 GWO의 워크플로우를 보여줍니다. 그림 1B에서 GWO 알고리즘의 실행 단계에는 회색 늑대 개체군 초기화가 포함됩니다. 그 다음, 모집단의 적합도(fitness) 값을 계산합니다. 현재 최적해와 아최적해는 개별 적합도값을 비교하여 결정됩니다. 모든 적합도 값을 정렬하고, 상위 세 명은 a, b, c로 분류됩니다. 개체군 내 개별 위치는 우세 개체의 위치 정보를 바탕으로 업데이트됩니다. 사전 설정된 종료 조건이 충족되는지 여부가 결정됩니다. 이 조건이 충족되면 알고리즘은 종료됩니다. 그렇지 않으면 개체군 내 각 회색 늑대의 적합도값을 계산합니다.

데이터 특징 추출의 최적화 정확도를 높이기 위해, 텐트 매핑을 이용해 회색 늑대 개체군을 초기화하여 다양성과 이동을 향상시키는 개선된 GWO 알고리즘(IGWO)이 제안되었습니다. 회색 늑대 개체의 위치 업데이트 가중치 계수를 재구성하여 고품질 해의 영역을 추적하는 알고리즘의 능력을 최적화합니다. 수렴 인자 q를 동적으로 업데이트하기 위해 비선형 제어 메커니즘이 도입됩니다. 이동 방향과 스텝 크기를 제어하는 데 사용되는 계수 벡터 와 무작위 계수 벡터는 전 지구 탐사와 지역 개발 능력의 균형을 맞추기 위해 동기화 최적화됩니다. 그림 2는 IGWO의 흐름도를 보여줍니다.

그림 2: IGWO의 과정. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 2에서 IGWO는 핵심 프레임워크를 유지하면서 보다 목표 지향적인 반복 프로세스를 형성했습니다. 초기 인구는 텐트 매핑을 통해 생성되어 전통적인 무작위 초기화로 인한 불균등한 인구 분포를 피하며, 이후 최적화를 위한 견고한 토대를 마련합니다. 각 반복에서 알고리즘은 먼저 개별 적합도 값을 계산하고 a, b, c 늑대를 선택합니다. 개선된 위치 업데이트 가중치 방정식과 비선형 수렴 인자 및 최적화된 계수 벡터를 결합하여 회색 늑대 개체의 위치 업데이트가 완료되었습니다. 한편, 무작위 계수 벡터의 값 범위를 동적으로 조정함으로써 반복 후반부의 국소 탐색 정확도를 최적화하여 국소 최적값을 줄인다. 마지막으로, 최대 반복에 도달했는지 여부를 결정합니다. 최대 반복에 도달하면 최적 해가 출력으로 제공됩니다. 반대로, 다음 반복에서는 적합도 값 계산 단계로 돌아갑니다. IGWO의 수렴 속도를 향상시키기 위해 유도 메커니즘이 도입되었으며, 그 효과는 그림 3에 나타났습니다.

그림 3: 가이드 메커니즘이 있는지 여부에 대한 개략도. (A) 가이드 메커니즘이 없음. (B) 유도 메커니즘. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 3에서 보듯, 유도 메커니즘은 위치 업데이트 단계에서 a, b, c 늑대에게 고정된 무게 배분 전략을 할당합니다. 늑대의 무게 비율을 크게 높이고 b와 c 늑대의 영향을 줄임으로써, 더 많은 개체가 늑대의 탐색 방향을 따라 위치를 업데이트하도록 유도되어, 분포가 a 주변의 균일한 분포 상태가 아닌 늑대 앞 지역에 집중되도록 유도됩니다 전통적인 GWO 알고리즘에서의 늑대. 이러한 개선은 집단 최적화 방향에서 엘리트 개인의 지도적 역할을 강화하고, 비효율적인 검색 비용을 줄이며, 수렴 성능을 향상시킬 수 있습니다.

SVM과 GAN을 기반으로 한 개선된 GWO 알고리즘
데이터 특징 추출 후 GWO의 분류 성능과 일반화 능력을 최적화하기 위해, 협업 최적화를 위해 SVM 알고리즘이 도입되었습니다. 선형 및 비선형 SVM의 최적 분류 표면의 도식도는 그림 4에 나타난다.

그림 4: 선형 및 비선형 지지 벡터 기계의 최적 분류 곡면의 개략도. (A) 지지 벡터 기계의 최적 분류 표면. (B) 비선형 지지 벡터 기계의 최적 분류 표면. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 4A 는 선형 SVM의 최적 분류 표면을 보여줍니다. 그림 4A에서 2차원 데이터 공간에서 SVM의 최적 분류 표면 g(x)는 두 가지 유형의 샘플을 완전히 분리할 수 있습니다¹⁹. 초평면 g(x) 의 식은 식(6)에 제시된다.

(6)

식(6)에서 w는 초평면의 법선 벡터를 나타내며, 이 벡터는 초평면의 방향을 결정한다. b는 초평면의 오프셋을 결정하는 인터셉트 항을 나타낸다. x는 입력 샘플²⁰의 특징 벡터를 나타냅니다. SVM은 선형 분리 SVM과 비선형 분리 SVM을 가집니다. 선형 분리 SVM 데이터셋이 를 가정 하면, 모든 샘플의 올바른 분류를 달성하면서 분류 구간을 최대화하는 것이 목표입니다^. 이 문제의 제약 조건은 식(7)에 나타났다.

(7)

식(7)에서 y_i 는 i번째 샘플의 클래스 라벨을 나타내며, 이는 모델이 분류, 특징 매칭 또는 제약 조건 결정을 수행하는 벤치마크 식별자이고, x_i 는 특징 벡터를 나타냅니다. 해당 원래의 최적화 문제는 식(8)에 나타난다.

(8)

식(8 )에서 는 구간 최대화의 수학적 동치를 의미합니다. 이 제약 최적화 문제를 해결하기 위해 라그랑주 승수를 도입하여 이를 제약 없는 형식²²로 변환합니다. 라그랑주 함수는 식(9)에 나타난다.

(9)

식(9)에서 _{α i}는 라그랑주 곱수를 나타내며, 이는 SVM의 원래 제약 조건을 제약 없는 최적화 문제로 변환하기 위해 도입된 쌍대 변수이다. 그 값은 분류 초평면 결정에 대한 i번째 샘플의 기여도를 직접적으로 반영한다. 몬테카를로-쿤-터커 조건에 따르면, 최적 해에 대한 상보 완화 조건은 식(10)에서 나타난다.

(10)

w의 표현식은 라그랑주 함수에 들어가 쌍대 문제를 얻는데, 이는 식(11)에서 나타난다.

(11)

식(11)에서 j는 데이터셋 내 표본입니다. 비선형 분리 데이터의 경우, 커널 기법은 암묵적 비선형 매핑을 통해 원래 공간에서 선형 분리 불가분 데이터를 고차원 공간에서 선형 분리 문제로 변환합니다. 쌍대 문제에서 내적 x_i·y_i 는 커널 함수 K(x_i·y_i)로 대체되어, 고차원 공간에서 내적을 직접 계산하는 복잡성을 피할 수 있다. 그림 4B 는 비선형 SVM의 최적 분류 표면의 회로도입니다. 그림 4B에서 원래 2차원 입력 공간에서는 두 유형의 샘플이 비선형 분포를 보이며 직선으로 효과적으로 분리할 수 없습니다. 현재 데이터 포인트의 분포 패턴은²³을 교차하거나 순환시키는 복잡한 패턴을 보일 수 있습니다. 커널 함수의 매핑 효과를 통해 2차원 공간의 이 데이터 점들은 더 높은 차원의 특징 공간으로 변환되며, 원래 얽혀 있던 샘플 점들은 명백한 분리 가능성을 보인다. 고차원 공간에서 비선형 SVM은 두 가지 유형의 샘플을 정확히 분할하기 위해 최적의 초평면을 구성할 수 있습니다. 최종 분류 결정 함수 f(x)는 식(12)에 제시되어 있다.

(12)

식(12)에서 K(x_i, x)는 핵 함수를 나타냅니다. 커널 함수는 SVM이 비선형 문제를 유연하게 처리할 수 있게 하여 적용 범위를 크게 확장시켰습니다. IGWS-SVM 데이터 특징 인식 모델의 흐름도는 그림 5에 나와 있습니다.

그림 5: IGWO-SVM 데이터 특징 인식 모델의 흐름도. 이 그림의 더 큰 버전을 보려면 여기를 클릭하세요.

그림 5에서 전처리된 특징 데이터는 IGWO 알고리즘에 입력되었고, 그 반복적 최적화 메커니즘이 SVM의 핵심 매개변수를 적응적으로 최적화했습니다. 이 알고리즘은 모집단 탐색 전략을 동적으로 조정하여 SVM 분류 정확도를 극대화하는 매개변수 공간 내에서 최적의 매개변수 조합을 효율적으로 찾았으며, 전통적인 그리드 탐색이나 무작위 탐색 기법에서 내재된 낮은 효율성과 국소 최적점 취약성을 해결했습니다. IGWO가 최적화한 매개변수들은 이후 SVM 모델에 입력되었고, 최적화된 분류기를 사용해 특징 데이터를 학습하고 예측했습니다. 선형 분리 데이터의 경우, 모델은 최적의 초평면을 구성하여 직접 분할을 달성했다. 비선형 데이터는 커널 함수를 통해 고차원 공간에 매핑되어 분류를 완성했고, 최종 범주 라벨이 출력되었습니다. 복잡한 데이터 분포에 대한 적합 능력과 특징 생성의 신뢰성을 더욱 향상시키기 위해 GAN이 통합되었습니다. 그림 6은 GAN을 보여줍니다.

그림 6: GAN 구조. 이 그림의 더 큰 버전을 보려면 여기를 클릭해 주세요.

그림 6에서 GAN은 생성 모델과 판별자 모델을 갖추고 있으며, 대립적 학습 메커니즘을 통해 협력적 최적화를 달성합니다²⁴. 이 생성 모델은 무작위 잡음을 입력으로 사용하여 비선형 변환을 통해 실제 데이터 분포와 유사한 가짜 샘플을 생성합니다. 판별기 모델은 실제 샘플과 생성된 샘플을 입력으로 얻으며, 핵심 임무는 입력 데이터의 진위를 구별하고 샘플이 실제 데이터셋에서 나올 확률을 출력하는^{것입니다.} GAN의 원래 최적화 목표는 식(13)에 제시되어 있습니다.

(13)

식(13)에서 V(D, G)는 생성자 G와 판별자 D가 주어진 판별기의 성능을 측정하는 값 함수이다. D(x)는 실제 표본 x에 대한 판별 확률을 나타낸다. D(z)는 생성기가 잡음 z를 생성된 샘플로 매핑하는 것을 나타냅니다. pdata(x)는 실제 데이터의 확률 분포를 나타냅니다. Pz(z)는 Z의 사전 분포를 나타냅니다. E는^26,27 분포 내 모든 표본의 평균을 나타내는 기대값을 나타냅니다. 판별기의 최적화 목표는 식(14)에 나타난다.

(14)

최적화된 생성기는 식(15)에 나타났다.

(15)

요약하자면, 이 연구는 복잡한 데이터 시나리오에서 효율적인 특징 추출과 정확한 분류를 달성하기 위해 IGWO-SVM-GAN을 기반으로 한 협력적 최적화 알고리즘을 제안합니다.

IGWO-SVM-GAN 알고리즘을 기반으로 한 지역 경제 데이터 추출 및 개발 예측
국가 경제 시스템의 중요한 구성 요소로서, 지역 경제 발전을 정밀하게 분석하고 미래 추세를 과학적으로 예측하는 것은 지역 발전 전략 수립, 자원 배분 최적화, 경제적 위험 회피에 이론적·실질적으로 중요한 가치를 지닙니다. 그러나 지역 경제 데이터는 종종 고차원성, 비선형성, 역동성과 같은 복잡한 특징을 보이며, 정책, 산업 구조, 외부 환경 등 여러 요인의 영향을 받습니다. 전통적인 특징 추출 방법과 예측 모델은 데이터 뒤에 숨겨진 깊은 상관관계를 포착하기 어려워 정확도가 제한적입니다. IGWO-SVM-GAN은 지역 경제 분석 분야에 적용됩니다. 특징 추출, 분류 학습, 데이터 생성에서 알고리즘의 장점을 통합하여 지역 경제 데이터에 적합한 분석 모델을 구축합니다. IGWO-SVM-GAN을 기반으로 한 지역 경제 데이터 특징 추출 및 개발 예측 모델의 흐름도는 그림 7에 제시되어 있습니다.

그림 7: IGWO-SVM-GAN 알고리즘을 기반으로 한 지역 경제 데이터 특징 추출 및 개발 예측 모델 과정. 이 그림의 더 큰 버전을 보려면 여기를 클릭하세요.

그림 7에 따르면, GDP, 산업 산출가치, 재정 수입 및 지출, 고용률 등 지역 경제의 고차원 지표가 수집됩니다. 원시 데이터는 정제되고 표준화되며, 누락된 값 보완과 이상치의 보정이 포함됩니다. 특징 필터링은 IGWO를 통해 전처리된 데이터에 대해 수행되며, 중복 정보가 제거되고 핵심 기능의 일부가 출력됩니다. GAN의 생성기는 핵심 특징 하위 집합의 분포 패턴을 기반으로 실제 데이터와 높은 일관성을 가진 합성 경제 데이터를 생성하여 표본 희소성이나 불균등 분포를 완화합니다. 핵심 기능 하위 집합은 합성 경제 데이터와 SVM 모델에 입력된 데이터를 결합합니다. 특징 간의 비선형 관계는 커널 함수를 통해 처리되어 경제 개발 예측 모델을 구성합니다. 이 모델은 미래 경제 성장률, 산업 구조 비율 변화 등 지역 경제 발전에 대한 정량적 예측을 출력합니다. 이 모델은 IGWO의 특징 정제, GAN의 데이터 증강, SVM의 비선형 모델링을 활용하여 지역 경제 데이터의 고차원, 비선형, 희소 특성을 효과적으로 해결하여 견고성과 정확성을 향상시킵니다.

IGWO-SVM-GAN 알고리즘을 기반으로 구축된 지역 경제 데이터 특징 추출 및 개발 예측 모델의 효과를 입증하기 위해 안후이성을 사례 연구로 선정하였습니다. 연구 데이터는 모두 2005년부터 2022년까지의 안후이 통계 연감과 2005년부터 2023년까지의 안후이 국가경제사회발전통계 공보를 포함한 권위 있는 통계 자료에서 수집되어 있어 데이터의 객관성과 신뢰성을 보장합니다. 성과 분석에 선정된 핵심 경제 지표는 다음과 같습니다: 1차 산업 국내총생산(GDP) (X1), 2차 산업 GDP (X2), 3차 산업 GDP (X 3), 농촌 거주자 1인당 가처분 소득 (X4), 도시 거주자 1인당 가처분 소득 (X5), 총 재정 지출 (X6), 총 에너지 소비 (X7) 교육 투자 지출(8배)입니다. 연구는 Z-점수 표준화 방법을 사용하여 8개 지표 데이터를 정규화하여 모델 학습에 대한 차원 차이의 간섭을 제거했습니다. 해당 연도의 보조 통계 데이터를 참고하고 인접 연도 데이터를 선형 보간하여 소량의 누락 데이터를 보완함으로써, 최종 데이터 세트에는 누락값이 없었습니다. 3σ 기준을 사용하여 비정상 데이터를 식별했고, 두 개의 이상치는 비정상 데이터가 모델 학습 효과에 영향을 미치지 않도록 윈소라이즈되었습니다. 시계열 교차 검증 방법을 사용하여 2011-2017년 데이터를 훈련 세트(7개 샘플), 2018-2019년 데이터를 검증 세트(2개 샘플), 2020년 데이터를 테스트 세트(1개 샘플)로 사용하여 실제 경제 예측 시나리오를 시뮬레이션하고 데이터 유출 문제를 방지하며 모델 일반화 능력 평가의 신뢰성을 높였습니다. 이 방법에 필요한 재료는 재료표에 표시되어 있습니다.

결과

IGWO-SVM-GAN 알고리즘의 성능 테스트
IGWO-SVM-GAN 알고리즘의 최적화 성능, 특징 추출 효과, 예측 품질 개선 메커니즘을 체계적으로 검증하기 위해 연구는 세 단계로 진행되었습니다: 첫 번째 단계는 벤치마크 테스트 기능을 사용하여 알고리즘 최적화 능력을 검증하는 것이었습니다. 두 번째 단계는 와이어 로프 데이터 세트를 사용하여 특징 추출 및 분류 성능을 검증했습니다. 세 번째 단계는 소작 실험을 통해 각 성분의 핵심 역할과 시너지 이득 효과를 명확히 하는 것이었습니다. 윈드 드라이브 최적화(WDO)와 사인 코사인 알고리즘(SCA)이 비교 모델로 선택되었으며, IGWO가 특징 공간 최적화에서 어떤 역할을 하는지를 검증하기 위해 두 벤치마크 테스트 함수인 F1(유니모달 함수)과 F2(멀티모달 함수)에 대한 최적화 성능 테스트가 수행되었습니다. F1의 차원은 30이며, 탐색 범위는 [-100, 100]입니다. F2의 차원은...

토론

이 연구는 IGWO-SVM-GAN 알고리즘을 적용하여 지역 경제 데이터의 특징 추출과 개발 예측을 수행했으며, 안후이성을 예로 들어 그 실현 가능성과 효과를 검증하였습니다. 함수 테스트와 강철 와이어 로프 데이터셋 테스트에서 보여준 빠른 수렴과 높은 인식 정확도를 바탕으로, 이 알고리즘은 지역 경제 데이터의 고차원적이고 강한 동적 특성에 적응할 수 있어 경제 분석에 새로운 도구를 제공할 것으로 여겨집니다.

알고리즘 성능 테스트에서 IGWO-SVM-GAN 알고리즘은 상당한 장점을 보여주었습니다. F1 유니모달 함수와 F2 멀티모달 함수에서 수렴 속도는 WDO와 SCA보다 빨랐다. 이는 Lian 등이 제안한 수렴 GWO 알고리즘이 크라우드소싱 스케줄링 응^{용에서 보} 여준 강한 수렴 능력과 일치하며, IGWO 알고리즘이 복잡한 최적화 문제에서 뛰어난 전역 탐색성과 빠른 수렴 특성을 가...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
인텔 코어 i5-9300HF 프로세서	인텔 코퍼레이션	CL8068404069607 (OEM/레이 버전)
MATLAB 2020b 프로그래밍 플랫폼	수학 작품	R2020b (버전 번호)
윈도우 10 64비트 운영체제	마이크로소프트 코퍼레이션	FQC-09131 (윈도우 10 프로 리테일 SKU)