Extração e Previsão de Desenvolvimento de Dados Econômicos Regionais com base em um algoritmo GWO aprimorado

Resumo

O modelo proposto pode capturar efetivamente as características dos dados econômicos regionais, melhorar a precisão das previsões e fornecer uma base científica para decisões de desenvolvimento econômico regional.

Resumo

Com a crescente demanda por desenvolvimento econômico regional de alta qualidade, extrair com precisão características ocultas dos dados econômicos e alcançar previsões confiáveis de tendências de desenvolvimento tornaram-se pré-requisitos importantes para formular políticas econômicas científicas. Para otimizar a precisão da extração de características dos dados econômicos regionais e a confiabilidade da previsão de desenvolvimento, é construído um modelo para extração de características e previsão de desenvolvimento de dados econômicos regionais integrando um algoritmo de otimização greywolf aprimorado, uma máquina vetorial de suporte e uma rede adversarial generativa. Nos testes de função unimodal F1 e função multimodal F2, a velocidade de convergência foi significativamente melhor do que a do algoritmo de otimização impulsionada pelo vento e do cosseno do seno, demonstrando maior adaptabilidade em problemas complexos de otimização. O experimento comparativo no conjunto de dados de cabos de aço mostrou que o algoritmo melhorou a taxa de reconhecimento em 1,25% em comparação com a Principal Component Analysis-Grey Wolf Optimizer-Support Vector Machine, alcançando 98,75%, e teve maior eficiência no processamento de características em alta dimensão, verificando sua superioridade na extração de características e reconhecimento de classificação. O modelo foi aplicado aos dados econômicos da província de Anhui, selecionando 8 indicadores centrais, como o PIB da indústria primária e a renda dos moradores urbanos e rurais de 2011 a 2022. Em 2011, quando o valor real era 16.311, o valor previsto do modelo de pesquisa era 16.200. Em 2015, quando o valor real era 23.808, o modelo previu um valor de 23.600. O erro absoluto mínimo de 2011 a 2020 foi de apenas 103, e a taxa de erro chegou a 0,005, demonstrando estabilidade excepcional nas previsões de médio e longo prazo. O modelo proposto pode capturar efetivamente as características dos dados econômicos regionais, melhorar a precisão das previsões e fornecer uma base científica para decisões de desenvolvimento econômico regional.

Introdução

À medida que a economia chinesa entra em uma fase de desenvolvimento de alta qualidade, a complexidade e a multidimensionalidade dos dados econômicos regionais estão se tornando cada vez mais evidentes. Extrair com precisão características de dados econômicos e prever cientificamente tendências de desenvolvimento tornaram-se pré-requisitos importantes para formular políticas econômicas regionais e otimizar a alocação^{de recursos 1,2}. O sistema econômico regional envolve indicadores multidimensionais, como estrutura industrial, renda dos residentes, receita e despesas fiscais, e consumo de energia. Existem correlações não lineares e relações de acoplamento dinâmico entre vários indicadores. Métodos tradicionais de análise estatística e modelos únicos de aprendizado de máquina frequentemente enfrentam problemas como extração insuficiente de características e precisão limitada na previsão ao processar dados econômicos de alta dimensão e não^{estacionários 3,4}.

A Otimização do Lobo Cinzento (GWO) é uma estratégia inteligente de otimização que simula o comportamento de caça dos lobos cinzentos. Devido à sua estrutura simples e desempenho estável de convergência, o GWO tem sido amplamente utilizado em otimização de funções, otimização de parâmetros, seleção de características e outras^{áreas 5}. Por exemplo, Toktas et ^al.6 usaram o algoritmo GWO para alcançar otimização eficiente de parâmetros ao projetar sistemas hipercaóticos multiobjetivo, verificando o potencial do algoritmo GWO otimizado em cenários complexos de otimização multiobjetivo. Liu et ^al.7 aplicaram o algoritmo GWO ao cálculo ótimo de fluxo de potência multiobjetivo em redes de distribuição. A adaptabilidade do algoritmo a problemas complexos de engenharia foi aprimorada por meio de uma estratégia híbrida. No entanto, o GWO padrão possui uma velocidade de convergência lenta e soluções locais ótimas ao lidar com problemas complexos de otimização, o que limita sua eficácia de aplicação no processamento de dados econômicos^{de alta dimensão 8}. Portanto, a comunidade acadêmica conduziu pesquisas extensas sobre o algoritmo GWO, introduzindo ponderações adaptativas, perturbações caóticas ou estratégias híbridas de otimização para aumentar a capacidade global de busca e a precisão da convergência. No entanto, a adaptabilidade dos algoritmos aprimorados existentes em tipos de dados como dados econômicos com ruído forte e recursos multiescala ainda precisa de verificação adicional⁹.

A Support Vector Machine (SVM) e a Rede Generativa Adversarial (GAN) apresentam vantagens óbvias no aprendizado de características de dados e na modelagem^{preditiva 10}. SVM mapeia dados linearmente inseparáveis em espaço de baixa dimensão para espaço de alta dimensão por meio de funções do núcleo, convertendo problemas não lineares em problemas linearmente separáveis. Ele pode completar eficientemente tarefas de classificação e regressão sem calcular explicitamente mapeamento de alta dimensão. O GAN depende do mecanismo de treinamento adversarial de geradores e discriminadores para capturar profundamente as características potenciais de distribuição dos dados, aumentando significativamente a capacidade de ajustar padrões^{complexos 11}. Cao et ^al.12 usaram SVM para diagnóstico de falhas em equipamentos de manobras ferroviárias e verificaram o desempenho de classificação do SVM em amostras pequenas e problemas não lineares por meio de fusão de características multidomínio e estratégia de seleção de características. Liu et ^al.13 construíram um modelo de manipulação de atributos faciais usando GAN. A capacidade do GAN de explorar possíveis características de distribuição dos dados foi verificada.

No entanto, em muitos campos, como previsão de falhas industriais e monitoramento ambiental, algoritmos de otimização como GWO e PSO são frequentemente combinados com SVM, CNN, etc., para melhorar a precisão das previsões. ¹⁴ No entanto, a maioria dos modelos de fusão apresenta desafios como otimização colaborativa insuficiente de parâmetros e baixa adaptabilidade a dados complexos de séries temporais. Embora existam muitas aplicações de algoritmos no campo da previsão econômica, a maioria delas foca na melhoria de um único modelo, ignorando o alto acoplamento e as características de ruído forte dos dados econômicos, além da falta de um design colaborativo aprofundado de algoritmos de otimização e modelos generativos. Portanto, o estudo melhora o algoritmo GWO. A inicialização do mapeamento Tent é usada para melhorar a navegabilidade populacional e adaptar-se à mineração de características esparsa. Os pesos de atualização de posição são reconstruídos para melhorar as capacidades de rastreamento de soluções de alta qualidade para se adaptarem à captura de correlação não linear. Fatores de convergência dinâmica não linear são usados para equilibrar a exploração global e o desenvolvimento local, a fim de lidar com mudanças de séries temporais. As vantagens da classificação SVM e as capacidades de aprimoramento de características GAN são integradas para construir uma Rede Antagonista Aprimorada Gray Wolf Optimizer-Support Vector Machine-Generative Adversarial (IGWO-SVM-GAN), resolvendo com precisão a extração de características e a previsão de desenvolvimento de dados econômicos regionais. A inovação está em integrar profundamente o algoritmo IGWO com SVM e GAN, utilizar as poderosas capacidades de geração de dados e mapeamento de características do GAN para expandir a diversidade de amostras, alcançar triagem precisa de características com o forte desempenho de classificação do SVM, e otimizar sinergicamente os parâmetros-chave de ambos por meio do algoritmo GWO. Ele rompe com a dependência do modelo tradicional em pressupostos de relacionamento linear, melhorando significativamente sua adaptabilidade a sistemas econômicos complexos.

O objetivo geral da pesquisa é construir um modelo regional de extração de características e previsão de desenvolvimento baseado no IGWO-SVM-GAN, resolver problemas de extração de características imprecisas, baixa precisão de previsão e baixa adaptabilidade dos modelos tradicionais, alcançar mineração eficiente das características centrais da economia regional e previsão confiável das tendências de desenvolvimento, além de fornecer suporte científico para a tomada de decisões econômicas regionais. O estudo propõe as seguintes hipóteses. Hipótese 1: Comparado ao GWO padrão e outros algoritmos comparativos, o algoritmo IGWO aprimorado possui maior velocidade de convergência e maior precisão de otimização na extração de características de dados econômicos de alta dimensão; Hipótese 2: O desempenho previsivo do modelo de fusão IGWO-SVM-GAN é significativamente melhor do que o de um único modelo e de outros modelos de fusão convencionais, e possui maior estabilidade e precisão em previsões econômicas de médio e longo prazo; Hipótese 3: O modelo proposto pode se adaptar efetivamente às características de alto acoplamento e forte ruído dos dados econômicos regionais, além de capturar com precisão os padrões de desenvolvimento dos principais indicadores econômicos.

Protocolo

Algoritmo GWO aprimorado
No campo da extração de características e previsão de desenvolvimento de dados econômicos regionais, para melhorar efetivamente a eficiência de extração de características-chave em dados econômicos de alta dimensão, o algoritmo WO é introduzido para otimização. GWO simula o comportamento de caça dos lobos cinzentos. O mecanismo central do algoritmo GWO está na simulação biomimética da estrutura da hierarquia social e da estratégia de caça, que alcança otimização simulando a hierarquia do primeiro lobo a, segundo lobo b e jovem lobo c, bem como estágios de caça como caça, perseguição e ataque¹⁵. O processo específico para atualizar a localização dos lobos-cinzentos é mostrado na Figura 1.

Figura 1: Fluxograma da atualização da posição do lobo-cinzento. (A) Atualização do diagrama esquemático da posição do Lobo cinza. (B) Fluxograma do algoritmo GWO. Por favor, clique aqui para ver uma versão ampliada desta figura.

A Figura 1A mostra a atualização da posição do lobo cinza. A partir da Figura 1A, a posição individual atualizada do lobo cinzento é guiada pelas posições dos lobos cinzentos a, b e c. A otimização é alcançada simulando o comportamento de caça do grupo, aproximando-se gradualmente do alvo^{ideal 16}. O processo de atualização inclui cálculo de distância e ajuste de posição. Os vetores de coeficientes foram introduzidos durante o processo de atualização de posição e alterados dinamicamente por meio de valores aleatórios, alcançando a comutação adaptativa entre as etapas de exploração e desenvolvimento. A Equação (1) mostra o vetor de distância entre o lobo-cinzento e sua presa.

(1)

Na equação (1), representa um vetor de coeficientes aleatório usado para introduzir aleatoriedade e equilibrar a exploração e desenvolvimento. indica o Vetor de Posição (PV) atual no tempo t. representa o PV da presa no tempo t. O lobo-cinzento atualiza sua posição dependendo da localização e distância da presa, e a atualização de posição é exibida na equação (2).

(2)

Na equação (2), representa o vetor coeficiente que controla a direção do movimento e o tamanho do passo. Os vetores de distância , , e entre o lobo cinzento atual e os lobos a, b e c são mostrados na equação (3).

(3)

Na equação (3), , , e representam, respectivamente, o PV das três soluções com melhor aptidão na população atual (a, b e c). Três posições candidatas de alvos são calculadas de acordo com as posições e distâncias dos lobos a, b e c, respectivamente, conforme mostrado na equação (4).

(4)

Na equação (4), , , e significam três posições candidatas-alvo calculadas a partir das posições e distâncias de a, b e c. , , e representam posições candidatas calculadas a partir das posições e distâncias de a, b e c¹⁷. O PV dos lobos cinzentos atuais na próxima geração (ou seja, a posição atualizada) é exibido na equação (5).

(5)

Ao resolver a média de três posições candidatas, a população gradualmente se aproxima da região ótima guiada por lobos a, b e c. A Figura 1B mostra o fluxo de trabalho do GWO. A partir da Figura 1B, as etapas de execução do algoritmo GWO incluem a inicialização da população de lobos cinzentos. Depois, o valor de aptidão na população é calculado. A solução ótima atual e a subótima são determinadas comparando os valores individuais de aptidão física. Todos os valores de aptidão são organizados, e os três melhores indivíduos são rotulados como a, b e c. As posições individuais na população são atualizadas com base nas informações de localização dos indivíduos dominantes. Se as condições de terminação pré-definidas são atendidas é determinado. Se forem cumpridos, o algoritmo termina. Caso contrário, o valor de aptidão de cada lobo-cinzento na população é calculado.

Para melhorar a precisão de otimização na extração de características de dados, é proposto um algoritmo GWO aprimorado (IGWO), que inclui a inicialização da população de lobo-cinzento usando mapeamento de tendas para aumentar a diversidade e a travessia. Os coeficientes de peso de atualização de posição dos indivíduos do lobo cinzento são reconstruídos para otimizar a capacidade do algoritmo de rastrear áreas de solução de alta qualidade. Um mecanismo de controle não linear é introduzido para atualizar dinamicamente o fator de convergência q. O vetor coeficiente e um vetor de coeficientes aleatório usados para controlar a direção do movimento e o tamanho do passo são otimizados de forma síncrona para equilibrar as habilidades globais de exploração e desenvolvimento^{local 18}. A Figura 2 apresenta o fluxograma do IGWO.

Figura 2: Processo do IGWO. Por favor, clique aqui para ver uma versão ampliada desta figura.

A partir da Figura 2, o IGWO formou um processo iterativo mais direcionado, mantendo a estrutura central do GWO. A população inicial é gerada por meio do mapeamento em tenda para evitar a distribuição populacional desigual que pode surgir da inicialização aleatória tradicional, estabelecendo uma base sólida para otimizações subsequentes. Em cada iteração, o algoritmo primeiro calcula valores individuais de aptidão e seleciona os lobos a, b e c. Com base na equação de peso melhorada da atualização de posição, combinada com fatores de convergência não lineares e vetores de coeficientes otimizados, a atualização de posição dos indivíduos do lobo-cinzento é concluída. Enquanto isso, ajustando dinamicamente a faixa de valores do vetor coeficiente aleatório, a precisão da busca local nos estágios finais da iteração é otimizada, reduzindo os ótimos locais. Por fim, determina-se se a iteração máxima foi atingida. Se a iteração máxima for alcançada, a solução ótima é fornecida como saída. Por outro lado, retorna à etapa de cálculo do valor de aptidão para a próxima iteração. Para melhorar a velocidade de convergência do IGWO, é introduzido um mecanismo de orientação, e sua eficácia é mostrada na Figura 3.

Figura 3: Diagrama esquemático de saber se existe ou não um mecanismo de guia. (A) Nenhum mecanismo de orientação. (B) Mecanismo de guia. Por favor, clique aqui para ver uma versão ampliada desta figura.

Como mostrado na Figura 3, o mecanismo de orientação atribui estratégias fixas de alocação de peso aos lobos a, b e c durante a fase de atualização de posição. Ao aumentar significativamente a proporção de peso do lobo a e reduzir a influência dos lobos b e c, mais indivíduos na população são guiados a atualizar suas posições ao longo da direção de busca do lobo a, de modo que sua distribuição foque na área à frente do lobo a, em vez do estado uniforme de distribuição ao redor do a wolf nos algoritmos tradicionais GWO. Essa melhoria pode fortalecer o papel orientador dos indivíduos da elite na direção de otimização da população, reduzir custos de busca ineficazes e melhorar o desempenho da convergência.

Algoritmo GWO aprimorado baseado em SVM e GAN
Para otimizar o desempenho de classificação e a capacidade de generalização do GWO após a extração de características de dados, o algoritmo SVM é introduzido para otimização colaborativa. O diagrama esquemático da superfície de classificação ótima de SVM linear e não linear é mostrado na Figura 4.

Figura 4: Diagramas esquemáticos das superfícies de classificação ótimas de máquinas vetoriais de suporte lineares e não lineares. (A) Superfície ótima de classificação da máquina de vetor de suporte. (B) Superfície ótima de classificação de máquina de vetores de suporte não lineares. Por favor, clique aqui para ver uma versão ampliada desta figura.

A Figura 4A apresenta a superfície de classificação ótima de um SVM linear. A partir da Figura 4A, em um espaço de dados bidimensional, a superfície de classificação ótima g(x) da SVM pode separar completamente dois tipos de^{amostras 19}. A expressão para um hiperplano g(x) é apresentada na equação (6).

(6)

Na equação (6), w significa o vetor normal do hiperplano, que decide sua direção. b significa o termo de interceptação, que decide o deslocamento do hiperplano. x significa o vetor de características da amostra^{de entrada 20}. A SVM possui SVM linearmente separável e SVM não linear separável. Assumindo que o conjunto de dados de SVM lineares separáveis é , seu objetivo é maximizar o intervalo de classificação enquanto alcança a classificação correta de todas as^{amostras 21}. A condição de restrição para esse problema é mostrada na equação (7).

(7)

Na equação (7), y_i significa o rótulo de classe da i-ésima amostra, que é o identificador de referência para o modelo realizar classificação, correspondência de características ou determinação de restrições, e x_i representa seu vetor de características. O problema de otimização original correspondente é mostrado na equação (8).

(8)

Na equação (8), significa o equivalente matemático de maximizar o intervalo. Para resolver esse problema de otimização restrita, o multiplicador de Lagrange é introduzido para transformá-lo em uma forma²² sem restrições. A função de Lagrange é mostrada na equação (9).

(9)

Na equação (9), α_i representa o multiplicador de Lagrange, que é uma variável dual introduzida para transformar as restrições originais do SVM em um problema de otimização sem restrições. Seu valor reflete diretamente a contribuição da i-ésima amostra para a determinação do hiperplano de classificação. De acordo com a condição de Monte-Carlo-Kuhn-Tucker, a condição de relaxamento complementar para a solução ótima é mostrada na equação (10).

(10)

A expressão de w é tomada na função de Lagrange para obter o problema dual, como mostrado na equação (11).

(11)

Na equação (11), j é a amostra no conjunto de dados. Para dados separáveis não lineares, técnicas kernel transformam dados linearmente inseparáveis no espaço original em problemas linearmente separáveis em espaço de alta dimensão por meio de mapeamento não linear implícito. O produto interno x_i·y_i no problema dual é substituído por uma função núcleo K(x_i·y_i), evitando assim a complexidade de calcular diretamente o produto interno em espaço de alta dimensão. A Figura 4B é um diagrama esquemático da superfície de classificação ótima de uma SVM não linear. A partir da Figura 4B, no espaço de entrada bidimensional original, os dois tipos de amostras apresentam uma distribuição não linear e não podem ser efetivamente separados por uma linha reta. Neste momento, o padrão de distribuição dos pontos de dados pode apresentar padrões complexos, como entrelaçamento e^{circundação de 23}. Por meio do efeito de mapeamento das funções kernel, esses pontos de dados em espaços bidimensionais são transformados em espaços de características de dimensões superiores, e os pontos de amostra originalmente entrelaçados exibem separabilidade óbvia. No espaço de alta dimensão, SVMs não lineares podem construir um hiperplano ótimo para particionar precisamente dois tipos de amostras. A função final de decisão de classificação f(x) é apresentada na equação (12).

(12)

Na equação (12), K(_{x i}, x) significa a função núcleo. As funções do kernel permitem que o SVM lide flexível com problemas não lineares, expandindo significativamente sua aplicabilidade. O fluxograma do modelo de reconhecimento de características de dados IGWS-SVM é mostrado na Figura 5.

Figura 5: Fluxograma do modelo de reconhecimento de características de dados IGWO-SVM. Por favor, clique aqui para ver uma versão maior desta figura.

Na Figura 5, os dados pré-processados das características foram inseridos no algoritmo IGWO, e seu mecanismo iterativo de otimização otimizou adaptativamente os parâmetros centrais do SVM. O algoritmo ajustou dinamicamente a estratégia de busca populacional para localizar eficientemente a combinação ótima de parâmetros no espaço de parâmetros que maximizava a precisão da classificação SVM, abordando a baixa eficiência e suscetibilidade aos ótimos locais inerentes aos métodos tradicionais de busca em grade ou aleatória. Os parâmetros otimizados pelo IGWO foram posteriormente inseridos no modelo SVM, e o classificador otimizado foi empregado para aprender e prever os dados de características. Para dados linearmente separáveis, o modelo alcançou particionamento direto construindo o hiperplano ótimo. Dados não lineares eram mapeados para o espaço de alta dimensão por meio de funções kernel para completar a classificação, e as etiquetas finais das categorias eram geradas. Para aprimorar ainda mais a capacidade de ajuste a distribuições complexas de dados e a autenticidade da geração de funcionalidades, o GAN foi incorporado. A Figura 6 mostra o GAN.

Figura 6: Estrutura GAN. Por favor, clique aqui para ver uma versão maior desta figura.

Na Figura 6, o GAN possui um modelo generativo e um modelo discriminador, que alcançam otimização colaborativa por meio de mecanismos de aprendizagem^{adversarial 24}. Esse modelo generativo utiliza ruído aleatório como entrada e gera amostras falsas semelhantes à distribuição de dados reais por meio de uma transformação não linear. O modelo discriminador obtém amostras reais e geradas como entradas, e sua tarefa central é distinguir a autenticidade dos dados de entrada e gerar a probabilidade de que as amostras provenham do conjunto real^{de dados 25}. O objetivo original de otimização do GAN é apresentado na equação (13).

(13)

Na equação (13), V(D, G) é a função valor, que mede o desempenho do discriminador dado o gerador G e o discriminador D. D(x) representa a probabilidade discriminativa na amostra real x. D(z) representa o gerador que mapeia o ruído z em amostras geradas. pdata(x) significa a distribuição de probabilidade dos dados reais. Pz(z) significa a distribuição a priori de z. E refere-se ao valor esperado, representando a média de todas as amostras na distribuição^26,27. O objetivo de otimização do discriminador é mostrado na equação (14).

(14)

O gerador otimizado é mostrado na equação (15).

(15)

Em resumo, o estudo propõe um algoritmo colaborativo de otimização baseado no IGWO-SVM-GAN para alcançar extração eficiente de características e classificação precisa em cenários de dados complexos.

Extração e previsão de desenvolvimento de dados econômicos regionais com base no algoritmo IGWO-SVM-GAN
Como componente importante do sistema econômico nacional, analisar com precisão o desenvolvimento econômico regional e prever cientificamente tendências futuras tem um valor teórico e prático importante para formular estratégias de desenvolvimento regional, otimizar a alocação de recursos e evitar riscos econômicos. No entanto, dados econômicos regionais frequentemente apresentam características complexas como alta dimensionalidade, não linearidade e dinamismo, sendo influenciados por múltiplos fatores, como políticas, estrutura industrial e ambiente externo. Métodos tradicionais de extração de características e modelos de previsão são difíceis de capturar as correlações profundas por trás dos dados, resultando em precisão limitada. O IGWO-SVM-GAN é aplicado ao campo da análise econômica regional. Ao integrar as vantagens do algoritmo na extração de características, aprendizado de classificação e geração de dados, constrói-se um modelo de análise adequado para dados econômicos regionais. O fluxograma do modelo regional de extração de características e previsão de desenvolvimento baseado no IGWO-SVM-GAN é apresentado na Figura 7.

Figura 7: Processo de extração de características e previsão de desenvolvimento de dados econômicos regionais baseado no algoritmo IGWO-SVM-GAN. Por favor, clique aqui para ver uma versão ampliada desta figura.

De acordo com a Figura 7, são coletados indicadores de alta dimensão da economia regional, incluindo PIB, valor da produção industrial, receita e gastos fiscais, taxa de emprego, etc. Os dados brutos são limpos e padronizados, incluindo preencher valores faltantes e corrigir outliers. A filtragem de características é realizada sobre dados pré-processados via IGWO, informações redundantes são removidas e um subconjunto de características centrais é gerado. O gerador de GAN gera dados econômicos sintéticos com alta consistência com dados reais, baseados no padrão de distribuição dos subconjuntos de características centrais para aliviar a esparsão ou distribuição desigual da amostra. O subconjunto principal de características é fundido com dados econômicos sintéticos e entradas em um modelo SVM. A relação não linear entre características é processada por meio de uma função kernel para construir um modelo de predição de desenvolvimento econômico. O modelo produz previsões quantitativas do desenvolvimento econômico regional, incluindo taxas futuras de crescimento econômico, mudanças na proporção da estrutura industrial, etc. O modelo aborda efetivamente a natureza de alta dimensão, não linear e esparsa dos dados econômicos regionais ao aproveitar a purificação de características do IGWO, o aumento de dados do GAN e a modelagem não linear do SVM, aumentando assim a robustez e a precisão.

Para comprovar a eficácia do modelo regional de extração de características e previsão de desenvolvimento de dados econômicos regionais, construído com base no algoritmo IGWO-SVM-GAN, a Província de Anhui foi selecionada como estudo de caso. Os dados de pesquisa são todos baseados em materiais estatísticos autoritativos, incluindo o Anuário Estatístico de Anhui de 2005 a 2022 e o Boletim Estatístico Nacional de Desenvolvimento Econômico e Social de Anhui de 2005 a 2023, para garantir objetividade e confiabilidade dos dados. Os principais indicadores econômicos selecionados para análise de desempenho são os seguintes: Produto Interno Bruto (PIB) da indústria primária (X1), PIB da indústria secundária (X2), PIB da indústria terciária (X3), renda disponível per capita dos moradores rurais (X4), renda disponível per capita dos moradores urbanos (X5), gasto fiscal total (X6), consumo total de energia (X7), e investimento em educação (X8). O estudo utilizou o método de padronização Z-score para normalizar os dados dos 8 indicadores e eliminar a interferência das diferenças dimensionais no treinamento do modelo. Ao consultar dados estatísticos suplementares para os anos correspondentes e usar interpolação linear de dados de anos adjacentes para completar uma pequena quantidade de dados faltantes, o conjunto final de dados não apresentava valores faltantes. O critério 3σ foi usado para identificar dados anormais, e os dois valores atípicos detectados foram Winsorizados para evitar que dados anormais afetassem o efeito do treinamento do modelo. O método de validação cruzada de séries temporais foi utilizado, utilizando os dados de 2011-2017 como conjunto de treinamento (7 amostras), os dados de 2018-2019 como conjunto de validação (2 amostras) e os dados de 2020 como conjunto de teste (1 amostra), para simular cenários reais de previsão econômica, evitar problemas de vazamento de dados e melhorar a confiabilidade da avaliação da capacidade de generalização do modelo. Os materiais necessários para o método são apresentados na Tabela de Materiais.

Resultados

Testes de desempenho do algoritmo IGWO-SVM-GAN
Para verificar sistematicamente o desempenho de otimização, a eficácia da extração de características e o mecanismo de melhoria da qualidade da previsão do algoritmo IGWO-SVM-GAN, a pesquisa foi conduzida em três fases: a primeira fase utilizou a função de teste de benchmark para verificar as capacidades de otimização do algoritmo. A segunda fase utilizou o conjunto de dados de cabo de aço para verificar o desempenho de e...

Discussão

O estudo aplica o algoritmo IGWO-SVM-GAN para extração de recursos e previsão de desenvolvimento de dados econômicos regionais e verifica sua viabilidade e eficácia, com a Província de Anhui como exemplo. Com base na rápida convergência e alta precisão de reconhecimento demonstradas pelo algoritmo em testes de função e testes de conjunto de dados de cabos de aço, acredita-se que ele pode se adaptar às características dinâmicas de alta dimensão e fortes dos dados econômicos regionais, for...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Processador Intel Core i5-9300HF	Intel Corporation	CL8068404069607 (versão OEM/Ray)
Plataforma de Programação MATLAB 2020b	MathWorks	R2020b (número da versão)
Sistema operacional Windows 10 de 64 bits	Microsoft Corporation	FQC-09131 (SKU do Windows 10 Pro Varejo Retail)