Regionale economische gegevensextractie en ontwikkelingsvoorspelling gebaseerd op een verbeterd GWO-algoritme

Samenvatting

Het voorgestelde model kan effectief de kenmerken van regionale economische gegevens vastleggen, de voorspellingsnauwkeurigheid verbeteren en een wetenschappelijke basis bieden voor regionale economische ontwikkelingsbeslissingen.

Samenvatting

Met de toenemende vraag naar hoogwaardige regionale economische ontwikkeling is het nauwkeurig extraheren van verborgen kenmerken van economische gegevens en het behalen van betrouwbare voorspellingen van ontwikkelingstrends een belangrijke voorwaarde geworden voor het formuleren van wetenschappelijk economisch beleid. Om de nauwkeurigheid van feature-extractie van regionale economische data en de betrouwbaarheid van ontwikkelingsvoorspellingen te optimaliseren, wordt een model voor feature-extractie en ontwikkelingsvoorspelling van regionale economische data opgebouwd door een verbeterd grey wolf-optimalisatiealgoritme, een ondersteuningsvectormachine en een generatief adversarieel netwerk te integreren. Bij de F1 unimodale functie en F2 multimodale functietests was de convergentiesnelheid aanzienlijk beter dan die van het windgestuurde optimalisatie- en sinuscosinusalgoritme, wat een sterkere aanpassingsvermogen in complexe optimalisatieproblemen aantoonde. Het vergelijkende experiment met de staaldraadtouwdataset toonde aan dat het algoritme de herkenningsgraad met 1,25% verbeterde ten opzichte van de Principal Component Analysis-Grey Wolf Optimizer-Support Vector Machine, met een hoger bereik van 98,75%, en een hogere efficiëntie had in hoogdimensionale feature-verwerking, wat de superioriteit in feature-extractie en classificatieherkenning bevestigde. Het model werd toegepast op de economische gegevens in de provincie Anhui, waarbij 8 kernindicatoren werden geselecteerd, zoals het BBP van de primaire industrie en het inkomen van stedelijke en plattelandsbewoners van 2011 tot 2022. In 2011, toen de werkelijke waarde 16.311 was, was de voorspelde waarde van het onderzoeksmodel 16.200. In 2015, toen de werkelijke waarde 23.808 was, voorspelde het model een waarde van 23.600. De minimale absolute fout van 2011 tot 2020 was slechts 103, en het foutpercentage was zo laag als 0,005, wat een uitstekende stabiliteit in middellange- en langetermijnprognoses aantoont. Het voorgestelde model kan effectief de kenmerken van regionale economische gegevens vastleggen, de voorspellingsnauwkeurigheid verbeteren en een wetenschappelijke basis bieden voor regionale economische ontwikkelingsbeslissingen.

Inleiding

Nu de Chinese economie een fase van hoogwaardige ontwikkeling ingaan, worden de complexiteit en multidimensionaliteit van regionale economische gegevens steeds prominenter. Het nauwkeurig extraheren van economische gegevenskenmerken en het wetenschappelijk voorspellen van ontwikkelingstrends zijn belangrijke voorwaarden geworden voor het formuleren van regionale economische beleidsmaatregelen en het optimaliseren van de toewijzing van hulpbronnen ^1,2. Het regionale economische systeem omvat multidimensionale indicatoren zoals industriële structuur, inkomen van bewoners, fiscale inkomsten en uitgaven, en energieverbruik. Er zijn niet-lineaire correlaties en dynamische koppelingsrelaties tussen verschillende indicatoren. Traditionele statistische analysemethoden en single machine learning-modellen ondervinden vaak problemen zoals onvoldoende feature-extractie en beperkte voorspellingsnauwkeurigheid bij het verwerken van hoogdimensionale en niet-stationaire economische data ^3,4.

Grijze Wolf Optimalisatie (GWO) is een intelligente optimalisatiestrategie die het jachtgedrag van grijze wolven simuleert. Vanwege de eenvoudige structuur en stabiele convergentieprestaties wordt GWO veel gebruikt in functieoptimalisatie, parameteroptimalisatie, featureselectie en andere vakgebieden⁵. Zo gebruikten Toktas et ^al.6 het GWO-algoritme om efficiënte parameteroptimalisatie te bereiken bij het ontwerpen van multi-objectieve hyperchaotische systemen, waarbij het potentieel van het geoptimaliseerde GWO-algoritme werd geverifieerd in complexe multi-objectieve optimalisatiescenario's. Liu et ^al.7 pasten het GWO-algoritme toe op multi-objectieve optimale vermogensstroomberekening in distributienetwerken. De aanpassingsvermogen van het algoritme aan complexe technische problemen werd verbeterd door een hybride strategie. De standaard GWO heeft echter een trage convergentiesnelheid en lokale optimale oplossingen bij het aanpakken van complexe optimalisatieproblemen, wat de toepassingseffectiviteit in hoogdimensionale economische dataverwerking^{beperkt 8}. Daarom heeft de academische gemeenschap uitgebreid onderzoek gedaan naar het GWO-algoritme door adaptieve gewichten, chaotische verstoringen of hybride optimalisatiestrategieën te introduceren om de wereldwijde zoekcapaciteit en convergentienauwkeurigheid te verbeteren. De aanpassingsvermogen van bestaande verbeterde algoritmen op datatypes zoals economische data met sterke ruis en multi-scale features vereist echter nog verdere verificatie⁹.

Support Vector Machine (SVM) en Generative Adversarial Network (GAN) hebben duidelijke voordelen bij datafeature learning en predictive modeling¹⁰. SVM brengt lineair onscheidbare data in laag-dimensionale ruimte naar hoog-dimensionale ruimte via kernelfuncties, waarbij niet-lineaire problemen worden omgezet in lineair scheidbare problemen. Het kan efficiënt classificatie- en regressietaken uitvoeren zonder expliciet hoogdimensionale mapping te hoeven berekenen. GAN maakt gebruik van het adversariële trainingsmechanisme van generatoren en discriminators om de potentiële distributiekenmerken van data diepgaand vast te leggen, waardoor het vermogen om complexe patronen te passen aanzienlijk wordt versterkt¹¹. Cao et ^al.12 gebruikten SVM voor foutdiagnose van spoorwegwisselapparatuur en verifieerden de classificatieprestaties van SVM in kleine steekproeven en niet-lineaire problemen via multidomein feature-fusie en featureselectiestrategie. Liu et ^al.13 bouwden een model voor manipulatie van gezichtsattributen met behulp van GAN. Het vermogen van GAN om potentiële distributiekenmerken van data te analyseren werd geverifieerd.

In veel vakgebieden zoals industriële foutvoorspelling en milieumonitoring worden optimalisatie-algoritmen zoals GWO en PSO vaak gecombineerd met SVM, CNN, enzovoort, om de voorspellingsnauwkeurigheid te verbeteren. ¹⁴ De meeste fusiemodellen hebben echter uitdagingen zoals onvoldoende parameter-samenwerkingsoptimalisatie en slechte aanpassingsvermogen aan complexe tijdreeksgegevens. Hoewel er veel algoritmetoepassingen zijn op het gebied van economische voorspellingen, richten de meeste zich op de verbetering van één enkel model, waarbij de hoge koppeling en sterke ruiskenmerken van economische data worden genegeerd, evenals het ontbreken van diepgaande samenwerkingsontwerpen van optimalisatie-algoritmen en generatieve modellen. Daarom verbetert de studie het GWO-algoritme. De Tent-mapping-initialisatie wordt gebruikt om de doorloopbaarheid van populaties te verbeteren zodat ze zich kunnen aanpassen aan het graven van smalen kenmerken. Gewichten voor positie-updates worden gereconstrueerd om hoogwaardige oplossingstrackingmogelijkheden te verbeteren ter aanpassing van niet-lineaire correlatievastlegging. Niet-lineaire dynamische convergentiefactoren worden gebruikt om wereldwijde exploratie en lokale ontwikkeling in balans te brengen om tijdreeksveranderingen op te vangen. SVM-classificatievoordelen en GAN-functionaliteiten voor functieverbetering zijn geïntegreerd om een Improved Gray Wolf Optimizer-Support Vector Machine-Generative Adversarial Network (IGWO-SVM-GAN) te bouwen, waarmee regionale economische gegevens, feature-extractie en ontwikkelingsvoorspellingen nauwkeurig worden opgelost. De innovatie ligt in het diep integreren van het IGWO-algoritme met SVM en GAN, waarbij de krachtige datageneratie en featuremapping van GAN worden benut om de samplediversiteit uit te breiden, nauwkeurige featurescreening te bereiken met de sterke classificatieprestaties van SVM, en synergetisch de sleutelparameters van beide te optimaliseren via het IGWO-algoritme. Het doorbreekt de afhankelijkheid van het traditionele model van lineaire relatieveronderstellingen en verbetert de aanpassingskracht aan complexe economische systemen aanzienlijk.

Het algemene doel van het onderzoek is het construeren van een regionaal model voor het extractie en voorspellen van economische datakenmerken op basis van IGWO-SVM-GAN, om problemen van onnauwkeurige feature-extractie, lage voorspellingsnauwkeurigheid en slechte aanpassingsvermogen van traditionele modellen op te lossen, om efficiënt te ontrafen van regionale economische kernkenmerken en betrouwbare voorspelling van ontwikkelingstrends, en om wetenschappelijke ondersteuning te bieden voor regionale economische besluitvorming. De studie stelt de volgende hypothesen voor. Hypothese 1: In vergelijking met standaard GWO en andere vergelijkende algoritmen heeft het verbeterde IGWO-algoritme een hogere convergentiesnelheid en een hogere optimalisatienauwkeurigheid bij het extraheren van economische datakenmerken in hoge dimensies; Hypothese 2: De voorspellingsprestaties van het IGWO-SVM-GAN fusiemodel zijn aanzienlijk beter dan die van een enkel model en andere gangbare fusiemodellen, en hebben een hogere stabiliteit en nauwkeurigheid in middellange- en langetermijneconomische prognoses; Hypothese 3: Het voorgestelde model kan zich effectief aanpassen aan de hoge koppeling en sterke ruiskenmerken van regionale economische gegevens, en nauwkeurig de ontwikkelingspatronen van kerneconomische indicatoren vastleggen.

Protocol

Verbeterd GWO-algoritme
Op het gebied van feature-extractie en ontwikkelingsvoorspelling van regionale economische data wordt het WO-algoritme geïntroduceerd om de extractie-efficiëntie van sleutelkenmerken in hoogdimensionale economische data effectief te verbeteren. GWO simuleert het jachtgedrag van grijze wolven. Het kernmechanisme van het GWO-algoritme ligt in de biomimetische simulatie van de sociale hiërarchiestructuur en jachtstrategie, die optimalisatie bereikt door de hiërarchische hiërarchie van de eerste wolf a, tweede wolf b en jonge wolf c te simuleren, evenals jachtfasen zoals jacht, achtervolging en aanval¹⁵. Het specifieke proces voor het bijwerken van de locatie van grijze wolven is weergegeven in Figuur 1.

Figuur 1: Stroomdiagram van de positie-update van de grijze wolf. (A) Schematisch diagram van de positie-update van de grijze wolf. (B) Stroomdiagram van het GWO-algoritme. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 1A toont de positie van de grijze wolf. Uit Figuur 1A wordt de bijgewerkte individuele positie van de grijze wolf geleid door de posities van a, b en c. Optimalisatie wordt bereikt door het jachtgedrag van de groep te simuleren, waarbij het geleidelijk nadert van het optimale doel¹⁶. Het updateproces omvat afstandsberekening en positieaanpassing. De coëfficiëntenvectoren werden geïntroduceerd tijdens het positie-updateproces en dynamisch gewijzigd via willekeurige waarden, waardoor adaptieve schakeling tussen exploratie- en ontwikkelingsfasen wordt bereikt. Vergelijking (1) toont de afstandsvector tussen de grijze wolf en zijn prooi.

(1)

In vergelijking (1) stelt het een toevalscoëfficiëntvector voor die wordt gebruikt om willekeurigheid in te voeren en de verkenning en ontwikkeling in balans te brengen. duidt de huidige Positievector (PV) op tijdstip t. vertegenwoordigt de PV van de prooi op tijdstip t. De grijze wolf werkt zijn positie bij afhankelijk van de prooilocatie en afstand , en de positie-update wordt weergegeven in vergelijking (2).

(2)

In vergelijking (2) stelt het de coëfficiëntvector voor die de bewegingsrichting en stapgrootte bepaalt. De afstandsvectoren , , en tussen de huidige grijze wolf en de a-, b- en c-wolven worden weergegeven in vergelijking (3).

(3)

In vergelijking (3) vertegenwoordigen , , en respectievelijk de PV van de drie oplossingen met de beste fitness in de huidige populatie (a, b en c). Drie kandidaat-doelposities worden berekend volgens de posities en afstanden van wolven a, b en c, respectievelijk, zoals weergegeven in vergelijking (4).

(4)

In vergelijking (4) duiden , , en drie kandidaat-doelposities aan die worden berekend uit de posities en afstanden van a, b en c. , , en vertegenwoordigen kandidaatposities berekend uit de posities en afstanden van a, b en c¹⁷. De PV van de huidige grijze wolven in de volgende generatie (d.w.z. de bijgewerkte positie ) wordt weergegeven in vergelijking (5).

(5)

Door het gemiddelde van drie kandidaatposities op te lossen, nadert de populatie geleidelijk de optimale regio geleid door wolven a, b en c. Figuur 1B toont de workflow van de GWO. Uit Figuur 1B omvatten de uitvoeringsstappen van het GWO-algoritme het initialiseren van de grijze wolfpopulatie. Vervolgens wordt de fitnesswaarde in de populatie berekend. De huidige optimale oplossing en suboptimale oplossing worden bepaald door individuele fitnesswaarden te vergelijken. Alle fitnesswaarden worden gesorteerd en de top drie individuen worden aangeduid als a, b en c. De individuele posities in de populatie worden bijgewerkt op basis van de locatiegegevens van dominante individuen. Of aan de vooraf ingestelde beëindigingsvoorwaarden wordt voldaan, wordt bepaald. Als ze worden bereikt, eindigt het algoritme. Anders wordt de fitnesswaarde van elke grijze wolf in de populatie berekend.

Om de optimalisatienauwkeurigheid bij het extraheren van datakenmerken te verbeteren, wordt een verbeterd GWO-algoritme (IGWO) voorgesteld, waarbij de populatie van de grijze wolven wordt geïnitialiseerd met behulp van tentmapping om de diversiteit en doorgang te vergroten. De positie-update gewichtscoëfficiënten van grijze wolf-individuen worden gereconstrueerd om het vermogen van het algoritme om hoogwaardige oplossingsgebieden te volgen te optimaliseren. Er wordt een niet-lineair regelmechanisme geïntroduceerd om de convergentiefactor q dynamisch bij te werken. De coëfficiëntvector en een willekeurige coëfficiëntvector die worden gebruikt om de bewegingsrichting en stapgrootte te regelen, worden synchroon geoptimaliseerd om de wereldwijde exploratie- en lokale ontwikkelingsmogelijkheden in balans te brengen¹⁸. Figuur 2 toont het stroomdiagram van IGWO.

Figuur 2: Proces van de IGWO. Klik hier om een grotere versie van deze figuur te bekijken.

Uit Figuur 2 blijkt dat de IGWO een meer gerichte iteratief proces heeft gevormd, terwijl het kernkader van de GWO behouden blijft. De initiële populatie wordt gegenereerd via tentmapping om de ongelijke populatieverdeling te vermijden die kan ontstaan door traditionele willekeurige initialisatie, wat een solide basis legt voor latere optimalisatie. In elke iteratie berekent het algoritme eerst individuele fitnesswaarden en selecteert het a-, b- en c-wolven. Op basis van de verbeterde positie-update gewichtvergelijking, gecombineerd met niet-lineaire convergentiefactoren en geoptimaliseerde coëfficiëntenvectoren, wordt de positie-update van grijze wolf-individuen voltooid. Ondertussen wordt door dynamisch het bereik van waarden van de willekeurige coëfficiëntvector aan te passen, de lokale zoeknauwkeurigheid in de latere fasen van de iteratie geoptimaliseerd, waardoor de lokale optima wordt verminderd. Ten slotte wordt bepaald of de maximale iteratie is bereikt. Als de maximale iteratie is bereikt, wordt de optimale oplossing als output geleverd. Omgekeerd keert het terug naar de berekening van de fitnesswaarde voor de volgende iteratie. Om de convergentiesnelheid van de IGWO te verbeteren, wordt een geleidingsmechanisme geïntroduceerd, en de effectiviteit ervan wordt weergegeven in Figuur 3.

Figuur 3: Schematisch diagram van of er een geleidingsmechanisme is of niet. (A) Geen geleidingsmechanisme. (B) Geleidingsmechanisme. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals getoond in Figuur 3, wijst het geleidingsmechanisme vaste gewichtstoewijzingsstrategieën toe aan a-, b- en c-wolven tijdens de positie-updatefase. Door het gewichtverhouding van de wolf aanzienlijk te verhogen en de invloed van b- en c-wolven te verminderen, worden meer individuen in de populatie geleid om hun posities langs de zoekrichting van de wolf bij te passen, zodat hun verdeling zich richt op het gebied voor de wolf , in plaats van op de uniforme verspreidingstoestand rond de a wolf in traditionele GWO-algoritmen. Deze verbetering kan de leidende rol van elite-individuen in de optimalisatierichting van de populatie versterken, ineffectieve zoekkosten verminderen en de convergentieprestaties verbeteren.

Verbeterd GWO-algoritme gebaseerd op SVM en GAN
Om de classificatieprestaties en generalisatiemogelijkheden van GWO na datafeature-extractie te optimaliseren, wordt het SVM-algoritme geïntroduceerd voor collaboratieve optimalisatie. Het schematische diagram van het optimale classificatieoppervlak van lineaire en niet-lineaire SVM is weergegeven in Figuur 4.

Figuur 4: Schematische diagrammen van de optimale classificatieoppervlakken van lineaire en niet-lineaire ondersteuningsvectormachines. (A) Optimale classificatie-oppervlakte van de ondersteuningsvectormachine. (B) Optimale classificatieoppervlakte van niet-lineaire ondersteuningsvectormachine. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4A toont het optimale classificatieoppervlak van een lineaire SVM. Uit Figuur 4A kan in een tweedimensionale dataruimte het optimale classificatieoppervlak g(x) van SVM twee typen samples volledig scheiden¹⁹. De uitdrukking voor een hypervlak g(x) wordt gepresenteerd in vergelijking (6).

(6)

In vergelijking (6) duidt w de normale vector van het hypervlak aan, die de richting bepaalt. b duidt op de interceptterm, die de offset van het hypervlak bepaalt. X geeft de featurevector van het invoermonster²⁰ aan. SVM heeft lineair scheidbare SVM en niet-lineaire scheidbare SVM. Aangenomen dat de dataset van lineair scheidbare SVM is , is het doel om het classificatie-interval te maximaliseren en tegelijkertijd correcte classificatie van alle monsters²¹ te bereiken. De beperkingsvoorwaarde voor dit probleem wordt weergegeven in vergelijking (7).

(7)

In vergelijking (7) duidt y_i het klasselabel van de i-de steekproef aan, wat de benchmark-identificatie is voor het model om classificatie, feature-matching of constraint-bepaling uit te voeren, en x_i vertegenwoordigt de featurevector. Het overeenkomstige oorspronkelijke optimalisatieprobleem wordt weergegeven in vergelijking (8).

(8)

In vergelijking (8) duidt het wiskundige equivalent aan van het maximaliseren van het interval. Om dit beperkte optimalisatieprobleem op te lossen, wordt de Lagrange-multiplier geïntroduceerd om het te transformeren naar een onbeperkte vorm²². De Lagrange-functie wordt weergegeven in vergelijking (9).

(9)

In vergelijking (9) vertegenwoordigt α_i de Lagrange-multiplier, een duale variabele die wordt geïntroduceerd om de oorspronkelijke beperkingen van SVM om te zetten in een onbeperkt optimalisatieprobleem. De waarde ervan weerspiegelt direct de bijdrage van het i-de monster aan de bepaling van het classificatiehypervlak. Volgens de Monte-Carlo-Kuhn-Tucker-voorwaarde wordt de complementaire relaxatievoorwaarde voor de optimale oplossing weergegeven in vergelijking (10).

(10)

De uitdrukking van w wordt opgenomen in de Lagrange-functie om het duale probleem te verkrijgen, zoals getoond in vergelijking (11).

(11)

In vergelijking (11) is j de steekproef in de dataset. Voor niet-lineaire scheidbare data transformeren kerneltechnieken lineair onscheidbare data in de oorspronkelijke ruimte in lineair scheidbare problemen in hoogdimensionale ruimte door impliciete niet-lineaire mapping. Het inwendig product x_i·y_i het duale probleem wordt vervangen door een kernfunctie K(x_i·y_i), waardoor de complexiteit van het direct berekenen van het inwendig product in hoogdimensionale ruimte wordt vermeden. Figuur 4B is een schematisch diagram van het optimale classificatieoppervlak van een niet-lineaire SVM. Uit Figuur 4B blijkt dat in de oorspronkelijke tweedimensionale invoerruimte de twee typen monsters een niet-lineaire verdeling vertonen en niet effectief gescheiden kunnen worden door een rechte lijn. Op dit moment kan het distributiepatroon van datapunten complexe patronen vertonen, zoals interleaving en circling²³. Door het mapping effect van kernelfuncties worden deze datapunten in tweedimensionale ruimte omgezet in hooger-dimensionale featureruimtes, en vertonen de oorspronkelijk verstrengelde steekproefpunten duidelijke scheidbaarheid. In hoogdimensionale ruimte kunnen niet-lineaire SVM's een optimaal hypervlak construeren om twee typen monsters nauwkeurig te partitioneren. De definitieve classificatiebeslissingsfunctie f(x) wordt gepresenteerd in vergelijking (12).

(12)

In vergelijking (12) duidt K(x_i, x) de kernfunctie aan. De kernelfuncties stellen SVM in staat om niet-lineaire problemen flexibel aan te pakken, waardoor de toepasbaarheid aanzienlijk wordt vergroot. Het stroomdiagram van het IGWS-SVM datakenmerkherkenningsmodel is weergegeven in Figuur 5.

Figuur 5: Stroomdiagram van het IGWO-SVM datakenmerkherkenningsmodel. Klik hier om een grotere versie van deze figuur te bekijken.

In Figuur 5 werden de vooraf bewerkte featuregegevens ingevoerd in het IGWO-algoritme, en het iteratieve optimalisatiemechanisme optimaliseerde adaptief de kernparameters van SVM. Het algoritme paste de populatiezoekstrategie dynamisch aan om efficiënt de optimale parametercombinatie in de parameterruimte te vinden die de nauwkeurigheid van SVM-classificatie maximaliseerde, waarmee de lage efficiëntie en gevoeligheid voor lokale optima die inherent zijn aan traditionele rasterzoek- of willekeurige zoekmethoden werd aangepakt. De door IGWO geoptimaliseerde parameters werden vervolgens ingevoerd in het SVM-model, en de geoptimaliseerde classifier werd gebruikt om te leren van en de feature-gegevens te voorspellen. Voor lineair scheidbare data bereikte het model directe partitionering door het construeren van het optimale hypervlak. Niet-lineaire gegevens werden via kernelfuncties in een hoogdimensionale ruimte gemapt om de classificatie te voltooien, en de uiteindelijke categorielabels werden uitgevoerd. Om de geschiktheidsmogelijkheden voor complexe datadistributies en de authenticiteit van feature-generatie verder te verbeteren, werd de GAN geïntegreerd. Figuur 6 toont de GAN.

Figuur 6: GAN-structuur. Klik hier om een grotere versie van deze figuur te bekijken.

In Figuur 6 heeft de GAN een generatief model en een discriminatormodel, die collaboratieve optimalisatie bereiken via adversariële leermechanismen²⁴. Dit generatieve model gebruikt willekeurige ruis als input en genereert nep-samples die vergelijkbaar zijn met de verdeling van echte data via een niet-lineaire transformatie. Het discriminatormodel verkrijgt echte en gegenereerde monsters als invoer, en de kerntaak is om de authenticiteit van de invoergegevens te onderscheiden en de kans te geven dat de monsters uit de echte dataset²⁵ komen. Het oorspronkelijke optimalisatiedoel van GAN wordt gepresenteerd in vergelijking (13).

(13)

In vergelijking (13) is V(D, G) de waardefunctie, die de prestaties van de discriminator meet gegeven generator G en discriminator D. D(x) vertegenwoordigt de discriminatiekans op de reële steekproef x. D(z) vertegenwoordigt de generator die de ruis z in gegenereerde samples afbeeldt. pData(x) duidt de kansverdeling van echte data aan. Pz(Z) duidt de priorverdeling van Z aan. E verwijst naar de verwachtingswaarde, die het gemiddelde van alle steekproeven in de verdeling^26,27 vertegenwoordigt. Het optimalisatiedoel van de discriminator wordt weergegeven in vergelijking (14).

(14)

De geoptimaliseerde generator wordt weergegeven in vergelijking (15).

(15)

Samenvattend stelt de studie een samenwerkingsoptimalisatie-algoritme voor gebaseerd op IGWO-SVM-GAN om efficiënte feature-extractie en nauwkeurige classificatie in complexe datascenario's te bereiken.

Regionale economische gegevensextractie en ontwikkelingsvoorspelling gebaseerd op het IGWO-SVM-GAN-algoritme
Als belangrijk onderdeel van het nationale economische systeem heeft het nauwkeurig analyseren van regionale economische ontwikkeling en het wetenschappelijk voorspellen van toekomstige trends een belangrijke theoretische en praktische waarde voor het formuleren van regionale ontwikkelingsstrategieën, het optimaliseren van de toewijzing van middelen en het vermijden van economische risico's. Regionale economische gegevens tonen echter vaak complexe kenmerken zoals hoge dimensionaliteit, niet-lineariteit en dynamiek, en worden beïnvloed door meerdere factoren zoals beleid, industriële structuur en externe omgeving. Traditionele methoden voor feature-extractie en voorspellingsmodellen zijn moeilijk om de diepe correlaties achter de data vast te leggen, wat resulteert in beperkte nauwkeurigheid. De IGWO-SVM-GAN wordt toegepast op het gebied van regionale economische analyse. Door de voordelen van het algoritme te integreren bij feature-extractie, classificatieleren en datageneratie, wordt een analysemodel geconstrueerd dat geschikt is voor regionale economische data. Het stroomdiagram van het regionale model voor het extractie en voorspellen van economische gegevens, gebaseerd op IGWO-SVM-GAN, wordt weergegeven in Figuur 7.

Figuur 7: Proces van regionale economische data-feature-extractie en ontwikkelingsvoorspellingsmodel gebaseerd op het IGWO-SVM-GAN-algoritme. Klik hier om een grotere versie van deze figuur te bekijken.

Volgens Figuur 7 worden grootdimensionale indicatoren van de regionale economie verzameld, waaronder het BBP, de industriële outputwaarde, de fiscale inkomsten en uitgaven, werkgelegenheidsgraad, enzovoort. De ruwe data wordt gereinigd en gestandaardiseerd, inclusief het invullen van ontbrekende waarden en het corrigeren van uitschieters. Het filteren van functies wordt uitgevoerd op voorbewerkte data via IGWO, overbodige informatie wordt verwijderd en een subset van kernfuncties wordt uitgevoerd. De generator van GAN genereert synthetische economische data met hoge consistentie met echte data op basis van het distributiepatroon van kernkenmerken om de schaarsheid of ongelijke verdeling van steekproeven te verminderen. De kern van kenmerken wordt samengevoegd met synthetische economische data en invoer in een SVM-model. De niet-lineaire relatie tussen kenmerken wordt verwerkt via een kernelfunctie om een model voor economische ontwikkelingsvoorspelling te construeren. Het model levert kwantitatieve voorspellingen van regionale economische ontwikkeling, waaronder toekomstige groeipercentages, veranderingen in het aandeel industriële structuur, enzovoort. Het model pakt effectief de hoog-dimensionale, niet-lineaire en schaarse aard van regionale economische data aan door gebruik te maken van IGWO's feature-purificatie, GAN's data-augmentatie en SVM's niet-lineaire modellering, waardoor robuustheid en nauwkeurigheid worden verbeterd.

Om de effectiviteit te bewijzen van het regionale model voor het extractie van economische datakenmerken en het voorspellen van ontwikkelingskenmerken, opgebouwd op basis van het IGWO-SVM-GAN-algoritme, wordt de provincie Anhui geselecteerd als casestudy. De onderzoeksgegevens zijn allemaal afkomstig uit gezaghebbende statistische materialen, waaronder het Anhui Statistical Yearbook van 2005 tot 2022 en het Anhui National Economic and Social Development Statistical Bulletin van 2005 tot 2023, om de objectiviteit en betrouwbaarheid van de data te waarborgen. De kern economische indicatoren die voor de prestatieanalyse zijn geselecteerd, zijn als volgt: Bruto Binnenlands Product (BBP) van de primaire industrie (X1), BBP van de secundaire industrie (X2), BBP van de tertiaire sector (X3), besteedbaar inkomen per hoofd van de bevolking van plattelandsbewoners (X4), besteedbaar inkomen per hoofd van stedelijke bewoners (X5), totale begrotingsuitgaven (X6), totaal energieverbruik (X7), en investeringen in onderwijs (X8). De studie gebruikte de Z-score standaardisatiemethode om de 8 indicatorgegevens te normaliseren en zo de interferentie van dimensionale verschillen in modeltraining te elimineren. Door aanvullende statistische gegevens voor de overeenkomstige jaren te raadplegen en lineaire interpolatie van aangrenzende jaargegevens te gebruiken om een kleine hoeveelheid ontbrekende gegevens te voltooien, ontbrak de uiteindelijke dataset geen ontbrekende waarden. Het 3σ-criterium werd gebruikt om abnormale gegevens te identificeren, en de twee gedetecteerde uitschieters werden Winsorized om te voorkomen dat abnormale data het modeltrainingseffect beïnvloedden. De tijdreeks-kruisvalidatiemethode werd gebruikt, waarbij de data van 2011-2017 als trainingsset (7 steekproeven), de data van 2018-2019 als validatieset (2 steekproeven) en de data van 2020 als testset (1 steekproef) werd gebruikt, om echte economische voorspellingsscenario's te simuleren, datalekken te voorkomen en de betrouwbaarheid van de evaluatie van modelgeneralisatiecapaciteit te verbeteren. De benodigde materialen voor de methode worden weergegeven in de Materiaaltabel.

Resultaten

Prestatietesten van het IGWO-SVM-GAN-algoritme
Om systematisch de optimalisatieprestaties, feature-extractie-effectiviteit en het verbeteringsmechanisme voor voorspellingskwaliteit van het IGWO-SVM-GAN-algoritme te verifiëren, werd het onderzoek uitgevoerd in drie fasen: De eerste fase gebruikte de benchmarktestfunctie om de optimalisatiemogelijkheden van het algoritme te verifiëren. De tweede fase gebruikte de staalkabeldataset om de prestaties van het extractie en c...

Discussie

De studie past het IGWO-SVM-GAN-algoritme toe om het extraheren en voorspellen van regionale economische gegevens te ondersteunen en verifieert de haalbaarheid en effectiviteit ervan met bijvoorbeeld de provincie Anhui. Op basis van de snelle convergentie en hoge herkenningsnauwkeurigheid die het algoritme aantoont bij functietests en staaldraaddatasettests, wordt aangenomen dat het zich kan aanpassen aan de hoogdimensionale en sterke dynamische kenmerken van regionale economische data, ...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Intel Core i5-9300HF processor	Intel Corporation	CL8068404069607 (OEM/Ray versie)
MATLAB 2020b Programmeerplatform	MathWorks	R2020b (versienummer)
Windows 10 64 bit besturingssysteem	Microsoft Corporation	FQC-09131 (Windows 10 Pro Retail SKU)