Ekstrakcja i prognozowanie rozwoju regionalnych danych ekonomicznych na podstawie ulepszonego algorytmu GWO

Summary

Proponowany model może skutecznie oddać cechy regionalnych danych ekonomicznych, poprawić dokładność prognoz oraz dostarczyć naukowej podstawy do podejmowania decyzji dotyczących rozwoju gospodarczego regionu.

Abstract

Wraz ze wzrostem zapotrzebowania na wysokiej jakości rozwój gospodarczy regionu, precyzyjne wydobywanie ukrytych cech danych ekonomicznych oraz osiąganie wiarygodnego przewidywania trendów rozwojowych stało się ważnym warunkiem do formułowania naukowych polityk gospodarczych. Aby zoptymalizować dokładność ekstrakcji cech regionalnych danych ekonomicznych oraz wiarygodność prognozowania rozwoju, konstruuje się model ekstrakcji cech i prognozowania rozwoju regionalnych danych ekonomicznych poprzez integrację ulepszonego algorytmu optymalizacji "szarego wilka", maszyny wektorowej wsparcia oraz generatywnej sieci przeciwstawnej. W testach funkcji unimodalnej F1 i wielomodalnej funkcji F2 prędkość zbieżności była znacząco lepsza niż w algorytmie optymalizacji napędzanej wiatrem i sinusowo-cosinusowej, co wykazało większą elastyczność w złożonych problemach optymalizacyjnych. Eksperyment porównawczy na zbiorze danych o stalowych linach wykazał, że algorytm poprawił wskaźnik rozpoznawania o 1,25% w porównaniu do maszyny Principal Component Analysis-Grey Wolf Optimizer-Support Vector Machine, osiągając 98,75%, a także wyższą efektywność w przetwarzaniu cech wysokowymiarowych, potwierdzając jego wyższość w ekstrakcji i klasyfikacji cech. Model został zastosowany do danych ekonomicznych prowincji Anhui, wybierając 8 kluczowych wskaźników, takich jak PKB przemysłu podstawowego oraz dochody mieszkańców miast i terenów wiejskich w latach 2011–2022. W 2011 roku, gdy rzeczywista wartość wynosiła 16 311, przewidywana wartość modelu badawczego wynosiła 16 200. W 2015 roku, gdy rzeczywista wartość wynosiła 23 808, model przewidywał wartość 23 600. Minimalny błąd bezwzględny w latach 2011–2020 wynosił tylko 103, a wskaźnik błędu był tak niski jak 0,005, co świadczy o wyjątkowej stabilności w prognozach średnio- i długoterminowych. Proponowany model może skutecznie oddać cechy regionalnych danych ekonomicznych, poprawić dokładność prognoz oraz dostarczyć naukowej podstawy do podejmowania decyzji dotyczących rozwoju gospodarczego regionu.

Introduction

W miarę jak chińska gospodarka wchodzi w fazę wysokiej jakości rozwoju, złożoność i wielowymiarowość regionalnych danych ekonomicznych stają się coraz bardziej widoczne. Dokładne wydobywanie danych ekonomicznych oraz naukowe przewidywanie trendów rozwojowych stały się ważnymi warunkami wstępnymi do formułowania regionalnych polityk gospodarczych i optymalizacji alokacji zasobów ^1,2. Regionalny system gospodarczy obejmuje wielowymiarowe wskaźniki, takie jak struktura przemysłowa, dochody mieszkańców, przychody i wydatki fiskalne oraz zużycie energii. Istnieją nieliniowe korelacje i dynamiczne powiązania między różnymi wskaźnikami. Tradycyjne metody analizy statystycznej oraz pojedyncze modele uczenia maszynowego często napotykają problemy takie jak niewystarczająca ekstrakcja cech oraz ograniczona dokładność predykcji przy przetwarzaniu danych ekonomicznych o wysokich wymiarach i niestacjonarnych ^3,4.

Optymalizacja wilka szarego (GWO) to inteligentna strategia optymalizacji, która symuluje zachowania polowań wilków szarych. Dzięki prostej strukturze i stabilnej konwergencji, GWO jest szeroko stosowane w optymalizacji funkcji, optymalizacji parametrów, wyborze cech i innych dziedzinach⁵. Na przykład Toktas i ^in.6 użyli algorytmu GWO do osiągnięcia efektywnej optymalizacji parametrów przy projektowaniu wielocelowych systemów hiperchaotycznych, weryfikując potencjał zoptymalizowanego algorytmu GWO w złożonych scenariuszach optymalizacji wielocelowej. Liu i ^in.7 zastosowali algorytm GWO do wieloobiektywnego optymalnego obliczania przepływu mocy w sieciach dystrybucyjnych. Adaptacja algorytmu do złożonych problemów inżynieryjnych została poprawiona dzięki strategii hybrydowej. Jednak standardowe GWO ma wolną prędkość zbieżności i lokalne optymalne rozwiązania przy rozwiązywaniu złożonych problemów optymalizacji, co ogranicza jego skuteczność zastosowań w wysokowymiarowym przetwarzaniu danych ekonomicznych⁸. Dlatego środowisko akademickie przeprowadziło szeroko zakrojone badania nad algorytmem GWO, wprowadzając adaptacyjne wagi, chaotyczne perturbacje lub hybrydowe strategie optymalizacji w celu zwiększenia globalnych możliwości wyszukiwania i dokładności konwergencji. Jednak elastyczność istniejących ulepszonych algorytmów dotyczących typów danych, takich jak dane ekonomiczne o silnym szumie i cechach wieloskalowych, wymaga dalszej weryfikacji⁹.

Support Vector Machine (SVM) oraz Generative Adversarial Network (GAN) mają oczywiste zalety w uczeniu się cech danych oraz modelowaniu predykcyjnym¹⁰. SVM odwzorowuje liniowo nierozłączne dane w przestrzeni niskowymiarowej na przestrzeń wysokowymiarową za pomocą funkcji jądra, przekształcając problemy nieliniowe w problemy liniowo rozdzielne. Może efektywnie realizować zadania klasyfikacyjne i regresyjne bez konieczności jawnego obliczania odwzorowania wysokowymiarowego. GAN opiera się na kontrawersarnym mechanizmie treningowym generatorów i dyskryminatorów, aby głęboko uchwycić cechy potencjalnego rozkładu danych, co znacząco zwiększa zdolność do dopasowywania złożonych wzorców¹¹. Cao i ^in.12 wykorzystali SVM do diagnostyki usterek urządzeń zwrotnic kolejowych i zweryfikowali wydajność klasyfikacji SVM w małych próbkach i problemach nieliniowych poprzez wielodomenową fuzję cech i strategię wyboru cech. Liu i ^in.13 stworzyli model manipulacji atrybutami twarzy wykorzystujący GAN. Zweryfikowano zdolność GAN do eksploracji potencjalnych cech dystrybucji danych.

Jednak w wielu dziedzinach, takich jak przemysłowa prognoza usterek i monitorowanie środowiskowe, algorytmy optymalizacyjne, takie jak GWO i PSO, są często łączone z SVM, CNN itp., aby poprawić dokładność predykcji. ¹⁴ Jednak większość modeli fuzji napotyka wyzwania, takie jak niewystarczająca optymalizacja parametrów w zakresie współpracy oraz słaba zdolność adaptacji do złożonych danych szeregów czasowych. Chociaż istnieje wiele zastosowań algorytmów w dziedzinie prognozowania ekonomicznego, większość z nich koncentruje się na ulepszaniu pojedynczego modelu, pomijając wysokie sprzężenie i silne cechy szumu danych ekonomicznych oraz brak dogłębnego, współpracującego projektowania algorytmów optymalizacyjnych i modeli generatywnych. Dlatego badanie udoskonala algorytm GWO. Inicjalizacja mapowania namiotu służy do poprawy przechodzenia przez populację i dostosowania się do rzadkiego wydobycia cech. Wagi aktualizacji pozycji są rekonstruowane, aby poprawić wysokiej jakości możliwości śledzenia rozwiązań i dostosować je do nieliniowego przechwytywania korelacji. Nieliniowe dynamiczne czynniki zbieżności stosuje się do równoważenia globalnej eksploracji i rozwoju lokalnego, aby radzić sobie ze zmianami szeregów czasowych. Zalety klasyfikacji SVM oraz możliwości ulepszania cech GAN są zintegrowane, aby zbudować Improved Gray Wolf Optimizer-Support Vector Machine-Generative Adversarial Network (IGWO-SVM-GAN), dokładnie rozwiązując ekstrakcję cech i prognozowanie rozwoju regionalnych danych ekonomicznych. Innowacja polega na głębokiej integracji algorytmu IGWO z SVM i GAN, wykorzystaniu potężnych możliwości generowania danych i mapowania cech GAN do zwiększenia różnorodności próbek, osiągnięciu precyzyjnego selekcjonowania cech dzięki silnym osiągom klasyfikacji SVM oraz synergicznej optymalizacji kluczowych parametrów obu za pomocą algorytmu IGWO. Przełamuje tradycyjne zależności modelu od założeń liniowych relacji, znacząco poprawiając jego zdolność adaptacji do złożonych systemów ekonomicznych.

Głównym celem badań jest stworzenie regionalnego modelu ekstrakcji i prognozowania rozwoju danych ekonomicznych opartego na IGWO-SVM-GAN, rozwiązanie problemów niedokładnego wyodrębniania cech, niskiej dokładności predykcji i słabej adaptacji tradycyjnych modeli, osiągnięcie efektywnego wydobycia regionalnych cech kluczowych gospodarczych oraz wiarygodnego przewidywania trendów rozwojowych oraz zapewnienie wsparcia naukowego dla regionalnych decyzji gospodarczych. Badanie proponuje następujące hipotezy. Hipoteza 1: W porównaniu ze standardowymi algorytmami GWO i innymi algorytmami porównawczymi, ulepszony algorytm IGWO osiąga szybszą prędkość zbieżności i wyższą dokładność optymalizacji w ekstrakcji cech ekonomicznych o wysokich wymiarach; Hipoteza 2: Wydajność przewidywania modelu fuzji IGWO-SVM-GAN jest znacząco lepsza niż pojedynczego modelu i innych głównych modeli fuzji, a także wyższą stabilność i dokładność w średnio- i długoterminowych prognozach ekonomicznych; Hipoteza 3: Proponowany model może skutecznie dostosować się do wysokiego sprzężenia i silnych charakterystyk szumu regionalnych danych ekonomicznych oraz dokładnie uchwycić wzorce rozwoju kluczowych wskaźników ekonomicznych.

Protocol

Ulepszony algorytm GWO
W dziedzinie wyodrębniania cech i przewidywania rozwoju regionalnych danych ekonomicznych, aby skutecznie poprawić efektywność wydobycia kluczowych cech w wysokowymiarowych danych ekonomicznych, wprowadzono algorytm WO do optymalizacji. GWO symuluje zachowania polowania wilków szarych. Podstawowym mechanizmem algorytmu GWO jest biomimetyczna symulacja struktury hierarchii społecznej i strategii polowania, która pozwala na optymalizację poprzez symulację hierarchii pierwszego wilka a, drugiego wilka b i młodego wilka c, a także etapów polowania, takich jak polowanie, pościg i atak¹⁵. Szczegółowy proces aktualizacji lokalizacji wilków szarych przedstawiono na Rysunku 1.

Rysunek 1: Schemat przepływu aktualizacji pozycji wilka szarego. (A) Schemat aktualizacji pozycji szarego Wilka. (B) Schemat przepływowy algorytmu GWO. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek 1A pokazuje aktualizację pozycji wilka szarego. Na podstawie Rysunku 1A zaktualizowana pozycja szarego wilka jest prowadzona przez pozycje a, b i c. Optymalizacja jest osiągana poprzez symulację zachowań polowań grupy, stopniowo zbliżając się do celu^{optymalnego 16}. Proces aktualizacji obejmuje obliczanie odległości i korektę pozycji. Wektory współczynników zostały wprowadzone podczas procesu aktualizacji pozycji i dynamicznie zmieniane za pomocą losowych wartości, co pozwala na adaptacyjne przełączanie się między etapami eksploracji a rozwoju. Równanie (1) pokazuje wektor odległości między wilkiem szarym a jego ofiarą.

 (1)

W równaniu (1) oznacza losowy wektor współczynników używany do wprowadzenia losowości oraz równowagi w eksploracji i rozwoju. oznacza aktualny wektor pozycji (PV) w czasie t. oznacza wartość PV ofiary w czasie t. Wilk szary aktualizuje swoją pozycję w zależności od położenia i odległości ofiary, a aktualizacja pozycji jest wyświetlana w równaniu (2).

 (2)

W równaniu (2) oznacza wektor współczynników kontrolujący kierunek ruchu i wielkość kroku. Wektory odległości , , oraz między obecnym wilkiem szarym a wilkami a, b i c przedstawione są w równaniu (3).

 (3)

W równaniu (3) , , i odpowiednio reprezentują PV trzech rozwiązań o najlepszym dopasowaniu w obecnej populacji (a, b i c). Trzy pozycje kandydatów do celów są obliczane zgodnie z pozycjami i odległościami wilków a, b i c, odpowiednio przedstawionych w równaniu (4).

(4)

W równaniu (4) , , i oznaczają trzy kandydatskie pozycje celu obliczone na podstawie pozycji i odległości a, b i c. , , oraz reprezentują pozycje kandydatów obliczone na podstawie pozycji i odległości a, b i c¹⁷. Wartość PV obecnych wilków szarych w następnej generacji (czyli zaktualizowana pozycja ) jest przedstawiona w równaniu (5).

(5)

Rozwiązując średnią trzech pozycji kandydatów, populacja stopniowo zbliża się do optymalnego regionu kierowanego przez wilki a, b i c. Rysunek 1B przedstawia sposób pracy GWO. Z rysunku 1B, kroki wykonania algorytmu GWO obejmują inicjalizację populacji wilków szarych. Następnie oblicza się wartość przystosowania w populacji. Obecne rozwiązanie optymalne i suboptymalne są określane przez porównanie indywidualnych wartości przystosowania. Wszystkie wartości przystosowości są posegregowane, a trzy najlepsze osoby oznaczone są jako a, b i c. Poszczególne pozycje w populacji są aktualizowane na podstawie informacji o lokalizacji osobników dominujących. Ustala się, czy spełnione są z góry ustalone warunki zakończenia. Jeśli zostaną spełnione, algorytm kończy działanie. W przeciwnym razie oblicza się wartość przystosowania każdego wilka szarego w populacji.

Aby poprawić dokładność optymalizacji w ekstrakcji cech danych, proponuje się ulepszony algorytm GWO (IGWO), który obejmuje inicjalizację populacji wilka szarego za pomocą mapowania namiotowego, aby zwiększyć różnorodność i przejście. Współczynniki wagi aktualizacji pozycji osobników wilka szarego są rekonstruowane, aby zoptymalizować zdolność algorytmu do śledzenia obszarów wysokiej jakości rozwiązań. Wprowadzony jest nieliniowy mechanizm sterowania dynamicznie aktualizujący współczynnik zbieżności q. Wektor współczynników i losowy wektor współczynników używane do sterowania kierunkiem ruchu i wielkością kroku są synchronicznie optymalizowane, aby zrównoważyć globalne możliwości eksploracji i rozwoju lokalnego¹⁸. Rysunek 2 przedstawia schemat przepływu IGWO.

Rysunek 2: Proces IGWO. Proszę kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.

Na Rysunku 2 wynika, że IGWO ukształtowało bardziej ukierunkowany proces iteracyjny, zachowując jednocześnie podstawowe ramy GWO. Początkowa populacja jest generowana poprzez mapowanie namiotowe, aby uniknąć nierównomiernego rozkładu populacji, który może powstać w wyniku tradycyjnej inicjalizacji losowej, tworząc solidne podstawy do dalszej optymalizacji. W każdej iteracji algorytm najpierw oblicza poszczególne wartości dopasowania i wybiera wilki a, b i c. Na podstawie ulepszonego równania wagi aktualizacji pozycji, połączonych z nieliniowymi czynnikami zbieżności i zoptymalizowanymi wektorami współczynników, aktualizacja pozycji osobników wilka szarego zostaje zakończona. Tymczasem, dynamicznie dostosowując zakres wartości wektora losowego współczynnika, optymalizacja lokalnej dokładności wyszukiwania na późniejszych etapach iteracji jest optymalna, co zmniejsza optymy lokalne. Na koniec ustala się, czy osiągnięto maksymalną liczbę iteracji. Jeśli osiągnięto maksymalną liczbę iteracji, optymalne rozwiązanie jest podawane jako wyjście. Natomiast dla następnej iteracji wraca do etapu obliczania wartości przystosowości. Aby poprawić prędkość zbieżności IGWO, wprowadza się mechanizm naprowadzania, którego skuteczność pokazano na Rysunku 3.

Rysunek 3: Schemat pokazujący, czy istnieje mechanizm prowadzący, czy nie. (A) Brak mechanizmu prowadzącego. (B) Mechanizm prowadzący. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Jak pokazano na Rysunku 3, mechanizm naprowadzania przypisuje stałe strategie alokacji wagi wilkom a, b i c podczas etapu aktualizacji pozycji. Znacząco zwiększając proporcję masy wilka i zmniejszając wpływ wilków b i c, więcej osobników w populacji jest kierowanych do aktualizacji swoich pozycji wzdłuż kierunku poszukiwań wilka, tak aby ich rozmieszczenie koncentrowało się na obszarze przed wilkiem , zamiast jednolitego stanu rozkładu wokół wilka w tradycyjnych algorytmach GWO. Ta poprawa może wzmocnić wiodącą rolę elit w optymalizacji populacji, zmniejszyć koszty nieefektywnego wyszukiwania oraz poprawić wyniki konwergencji.

Ulepszony algorytm GWO oparty na SVM i GAN
Aby zoptymalizować wydajność klasyfikacji i zdolność uogólniania GWO po ekstrakcji cech danych, wprowadzono algorytm SVM do optymalizacji zespołowej. Schematyczny diagram optymalnej powierzchni klasyfikacji liniowych i nieliniowych SVM przedstawiono na Rysunku 4.

Rysunek 4: Schematyczne diagramy optymalnych powierzchni klasyfikacyjnych liniowych i nieliniowych maszyn nośnych wektorów nośnych. (A) Optymalna powierzchnia klasyfikacyjna maszyny wektorowej nośnej. (B) Optymalna powierzchnia klasyfikacji nieliniowej maszyny wektorowej podpierania. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek 4A przedstawia optymalną powierzchnię klasyfikacji liniowego SVM. Z rysunku 4A, w dwuwymiarowej przestrzeni danych optymalna powierzchnia klasyfikacji g(x) SVM może całkowicie oddzielić dwa typy próbek¹⁹. Wyrażenie dla hiperpłaszczyzny g(x) przedstawiono w równaniu (6).

 (6)

W równaniu (6) w oznacza wektor normalny hiperpłaszczyzny, który decyduje o jej kierunku. b oznacza wyraz przecięcia, który decyduje o przesunięciu hiperpłaszczyzny. x oznacza wektor cech próbki wejściowej²⁰. SVM posiada liniowe rozdzielalne SVM oraz nieliniowe rozdzielne SVM. Zakładając, że zbiór danych liniowo separowalnych SVM to , jego celem jest maksymalizacja interwału klasyfikacji przy jednoczesnym uzyskaniu poprawnej klasyfikacji wszystkich próbek²¹. Warunek ograniczenia dla tego problemu przedstawiono w równaniu (7).

 (7)

W równaniu (7) y_i oznacza etykietę klasy i-tej próbki, która jest identyfikatorem referencyjnym modelu do klasyfikacji, dopasowania cech lub określania ograniczeń, a x_i oznacza jego wektor cech. Odpowiadający mu oryginalny problem optymalizacyjny przedstawiono w równaniu (8).

 (8)

W równaniu (8) oznacza matematyczny odpowiednik maksymalizacji przedziału. Aby rozwiązać ten problem optymalizacji z ograniczeniami, wprowadza się mnożnik Lagrange'a, który przekształca go w formę nieograniczoną²². Funkcja Lagrange'a jest przedstawiona w równaniu (9).

 (9)

W równaniu (9) α_i reprezentuje mnożnik Lagrange'a, który jest zmienną dualną wprowadzoną w celu przekształcenia oryginalnych ograniczeń SVM w problem optymalizacji bez ograniczeń. Jego wartość bezpośrednio odzwierciedla wkład i-tej próbki w wyznaczenie hiperpłaszczyzny klasyfikacji. Zgodnie z warunkiem Monte-Carlo-Kuhn-Tuckera, komplementarny warunek relaksacji dla optymalnego rozwiązania jest przedstawiony w równaniu (10).

 (10)

Wyrażenie w jest pobierane do funkcji Lagrange'a, aby uzyskać problem dualny, jak pokazano w równaniu (11).

 (11)

W równaniu (11) j jest próbką w zbiorze danych. Dla nieliniowych danych separowalnych techniki jądra przekształcają dane liniowo nierozdzielne w przestrzeni oryginalnej w problemy liniowo rozdzielalne w przestrzeni wysokowymiarowej poprzez niejawne odwzorowanie nieliniowe. Iloczyn skalarny x_i·y_i w problemie dualnym jest zastępowany funkcją jądra K(x_i·y_i), co pozwala uniknąć złożoności bezpośredniego obliczania iloczynu skalarnego w przestrzeni wysokowymiarowej. Rysunek 4B to schematyczny diagram optymalnej powierzchni klasyfikacji nieliniowego SVM. Z rysunku 4B, w oryginalnej dwuwymiarowej przestrzeni wejściowej oba typy próbek wykazują rozkład nieliniowy i nie można ich skutecznie oddzielić prostą. W tym czasie wzór rozkładu punktów danych może wykazywać złożone wzorce, takie jak przeplatanie się i zakrużenie²³. Dzięki efektowi mapowania funkcji jądrowych te punkty danych w przestrzeni dwuwymiarowej są przekształcane w przestrzenie cech o wyższych wymiarach, a pierwotnie splątane punkty próbki wykazują oczywistą separowalność. W przestrzeni wysokowymiarowej nieliniowe SVM mogą skonstruować optymalną hiperpłaszczyznę, aby precyzyjnie podzielić dwa typy próbek. Ostateczna funkcja decyzyjna klasyfikacji f(x) jest przedstawiona w równaniu (12).

 (12)

W równaniu (12) K(x_i, x) oznacza funkcję jądra. Funkcje jądra umożliwiają SVM elastyczne obsługiwanie problemów nieliniowych, co znacząco zwiększa jego zastosowanie. Schemat blokowy modelu rozpoznawania cech danych IGWS-SVM przedstawiono na Rysunku 5.

Rysunek 5: Schemat przepływowy modelu rozpoznawania cech danych IGWO-SVM. Proszę kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.

Na Rysunku 5 wstępnie przetworzone dane cech zostały wprowadzone do algorytmu IGWO, a jego mechanizm iteracyjny optymalizacyjny adaptacyjnie zoptymalizował podstawowe parametry SVM. Algorytm dynamicznie dostosowuje strategię wyszukiwania populacji, aby efektywnie lokalizować optymalną kombinację parametrów w przestrzeni parametrów maksymalizującą dokładność klasyfikacji SVM, odpowiadając na niską efektywność i podatność na lokalne optymaty, które są inherentne w tradycyjnych metodach wyszukiwania siatkowego lub losowego. Parametry zoptymalizowane przez IGWO były następnie wprowadzane do modelu SVM, a zoptymalizowany klasyfikator był wykorzystywany do uczenia się i przewidywania danych cech. Dla danych liniowo rozdzielnych model osiągał bezpośrednie podziały poprzez konstrukcję optymalnej hiperpłaszczyzny. Dane nieliniowe były mapowane do przestrzeni wysokowymiarowej za pomocą funkcji jądra, aby uzupełnić klasyfikację, a ostateczne etykiety kategorii były wyprowadzane. Aby jeszcze bardziej zwiększyć zdolność dopasowania do złożonych dystrybucji danych oraz autentyczność generowania cech, włączono GAN. Rysunek 6 przedstawia GAN.

Rysunek 6: Struktura GAN. Proszę kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.

Na Rysunku 6 GAN posiada model generatywny oraz model dyskryminatora, które osiągają optymalizację współpracową^{poprzez mechanizmy} uczenia się przeciwnika. Ten model generatywny wykorzystuje losowy szum jako wejście i generuje fałszywe próbki podobne do rozkładu rzeczywistych danych poprzez transformację nieliniową. Model dyskryminatora pozyskuje próbki rzeczywiste i generowane jako dane wejściowe, a jego głównym zadaniem jest rozróżnienie autentyczności danych wejściowych i uzyskanie prawdopodobieństwa, że próbki pochodzą z rzeczywistego zbioru danych²⁵. Pierwotny cel optymalizacji GAN przedstawiono w równaniu (13).

(13)

W równaniu (13) V(D, G) to funkcja wartościowa, która mierzy wydajność dyskryminatora przy danym generatorze G i dyskryminatorze D. D(x) reprezentuje prawdopodobieństwo dyskryminacyjne na rzeczywistej próbie x. D(z) reprezentuje generator mapujący szum z na wygenerowane próbki. pdata(x) oznacza rozkład prawdopodobieństwa danych rzeczywistych. Pz(Z) oznacza rozkład prior z. E odnosi się do wartości oczekiwanej, reprezentującej średnią wszystkich próbek w rozkładzie^26,27. Cel optymalizacyjny dyskryminatora przedstawiono w równaniu (14).

(14)

Generator optymalny pokazano w równaniu (15).

(15)

Podsumowując, badanie proponuje algorytm optymalizacji współpracy oparty na IGWO-SVM-GAN, aby osiągnąć efektywną ekstrakcję cech i dokładną klasyfikację w złożonych scenariuszach danych.

Ekstrakcja i prognozowanie rozwoju regionalnych danych ekonomicznych na podstawie algorytmu IGWO-SVM-GAN
Jako ważny element narodowego systemu gospodarczego, precyzyjna analiza regionalnego rozwoju gospodarczego oraz naukowe przewidywanie przyszłych trendów ma istotną wartość teoretyczną i praktyczną dla formułowania strategii rozwoju regionalnego, optymalizacji alokacji zasobów oraz unikania ryzyka gospodarczego. Jednak regionalne dane ekonomiczne często wykazują złożone cechy, takie jak wysoka wymiarowość, nieliniowość i dynamika, i są kształtowane przez wiele czynników, takich jak polityka, struktura przemysłowa i środowisko zewnętrzne. Tradycyjne metody ekstrakcji cech i modele predykcyjne trudno jest uchwycić głębokie korelacje stojące za danymi, co skutkuje ograniczoną dokładnością. IGWO-SVM-GAN jest stosowany w dziedzinie regionalnej analizy ekonomicznej. Integrując zalety algorytmu w zakresie ekstrakcji cech, uczenia się klasyfikacyjnego oraz generowania danych, powstaje model analityczny odpowiedni dla regionalnych danych ekonomicznych. Schemat przepływu regionalnego modelu ekstrakcji cech ekonomicznych i prognozowania rozwoju oparty na IGWO-SVM-GAN przedstawiono na rysunku 7.

Rysunek 7: Proces ekstrakcji cech regionalnych danych ekonomicznych oraz model prognozowania rozwoju oparty na algorytmie IGWO-SVM-GAN. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Według Rysunku 7 zbierane są wysokowymiarowe wskaźniki gospodarki regionalnej, w tym PKB, wartość produkcji przemysłowej, przychody i wydatki fiskalne, stopa zatrudnienia itp. Surowe dane są czyszczone i standaryzowane, w tym uzupełniają brakujące wartości i korygują wartości odstające (outlineries). Filtrowanie cech jest wykonywane na danych wstępnie przetworzonych przez IGWO, usuwane są informacje redundantne, a wyodrębniany jest podzbiór kluczowych cech. Generator GAN generuje syntetyczne dane ekonomiczne o wysokiej spójności z rzeczywistymi danymi opartymi na wzorcach rozkładu podstawowych podzbiorów cech, aby złagodzić rzadkość próby lub nierówny rozkład. Podstawowy podzbiór cech jest połączony z syntetycznymi danymi ekonomicznymi i wejściem do modelu SVM. Nieliniowe relacje między cechami są przetwarzane przez funkcję jądrową w celu skonstruowania modelu prognozowania rozwoju gospodarczego. Model generuje ilościowe prognozy rozwoju gospodarczego regionu, w tym przyszłe tempo wzrostu gospodarczego, zmiany w proporcjach struktury przemysłowej itp. Model skutecznie odpowiada na wysokowymiarowy, nieliniowy i rzadki charakter regionalnych danych ekonomicznych, wykorzystując oczyszczanie cech IGWO, augmentację danych GAN oraz modelowanie nieliniowe SVM, co zwiększa odporność i dokładność.

Aby udowodnić skuteczność modelu ekstrakcji i prognozowania rozwoju regionalnych danych ekonomicznych, opartego na algorytmie IGWO-SVM-GAN, wybrano prowincję Anhui jako studium przypadku. Dane badawcze pochodzą wyłącznie z autorytatywnych materiałów statystycznych, w tym z Anhui Statistical Yearbook z lat 2005–2022 oraz z Anhui National Economic and Social Development Statistical Billin z lat 2005–2023, aby zapewnić obiektywność i wiarygodność danych. Podstawowe wskaźniki ekonomiczne wybrane do analizy wyników to: produkt krajowy brutto (PKB) przemysłu pierwotnego (X1), PKB przemysłu wtórnego (X2), PKB sektora trzeciego (X3), dochód do dyspozycji mieszkańców obszarów wiejskich na osobę (X4), dochód do dyspozycji mieszkańców miast (X5), całkowite wydatki fiskalne (X6), całkowite zużycie energii (X7), oraz wydatki na inwestycje edukacyjne (X8). Badanie wykorzystało metodę standaryzacji Z-score do normalizacji 8 danych wskaźnikowych i eliminacji interferencji różnic wymiarowych podczas trenowania modelu. Poprzez konsultację z dodatkowymi danymi statystycznymi dla odpowiednich lat i zastosowanie liniowej interpolacji sąsiednich danych z lat w celu uzupełnienia niewielkiej ilości brakujących danych, ostateczny zbiór danych nie zawierał brakujących wartości. Kryterium 3σ wykorzystano do identyfikacji nieprawidłowych danych, a dwa wykryte wartości odstające zostały winsorizowane, aby zapobiec wpływowi nieprawidłowych danych na efekt treningu modelu. Zastosowano metodę walidacji krzyżowej szeregów czasowych, wykorzystującą dane z lat 2011-2017 jako zestaw treningowy (7 prób), dane z lat 2018-2019 jako zbiór walidacyjny (2 próbki) oraz dane z 2020 roku jako zestaw testowy (1 próbka), aby symulować rzeczywiste scenariusze prognozowania ekonomicznego, unikać problemów z wyciekiem danych oraz poprawić wiarygodność oceny zdolności uogólnienia modelu. Materiały wymagane do tej metody przedstawiono w Tabeli Materiałów.

Results

Testowanie wydajności algorytmu IGWO-SVM-GAN
Aby systematycznie zweryfikować wydajność optymalizacji, skuteczność ekstrakcji cech oraz mechanizm poprawy jakości predykcji algorytmu IGWO-SVM-GAN, badania przeprowadzono w trzech fazach: Pierwsza faza wykorzystywała funkcję testu benchmarkowego do weryfikacji możliwości optymalizacji algorytmu. Druga faza wykorzystała zestaw danych z liny stalowej do weryfikacji wydajności wyodrębniania cech i klasyfikacji. Trzecim etapem było wyjaśnienie kluczowej rol...

Discussion

Badanie wykorzystuje algorytm IGWO-SVM-GAN do eksploracji i prognozowania rozwoju regionalnych danych ekonomicznych oraz weryfikuje jego wykonalność i skuteczność, na przykładzie prowincji Anhui. Na podstawie szybkiej zbieżności i wysokiej dokładności rozpoznania wykazanej przez algorytm w testowaniu funkcji oraz testowaniu zbiorów danych na stalowych linach, uważa się, że algorytm może dostosować się do wysokowymiarowych i silnych cech dynamicznych regionalnych danych ekonomicznych, dostarczając nowego narzędzia do anal...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Procesor Intel Core i5-9300HF	Intel Corporation	CL8068404069607 (wersja OEM/Ray)
Platforma programistyczna MATLAB 2020b	MathWorks	R2020b (numer wersji)
System operacyjny Windows 10 64-bitowy	Microsoft Corporation	FQC-09131 (Detaliczna wersja Windows 10 Pro)