Извлечение и прогнозирование развития региональных экономических данных на основе усовершенствованного алгоритма GWO

Краткое содержание

Предлагаемая модель может эффективно отражать характеристики региональных экономических данных, повышать точность прогнозирования и служить научной основой для принятия решений по региональному экономическому развитию.

Аннотация

С ростом спроса на качественное региональное экономическое развитие точное извлечение скрытых особенностей экономических данных и достижение надежного прогнозирования тенденций развития стало важным условием для формулирования научной экономической политики. Для оптимизации точности извлечения признаков региональных экономических данных и надёжности прогнозирования развития построена модель для извлечения признаков и прогнозирования развития региональных экономических данных с помощью интеграции усовершенствованного алгоритма оптимизации серого волка, машины опорного вектора и генеративной противниковой сети. В тестах унимодальной функции F1 и мультимодальных функций F2 скорость сходимости была значительно выше, чем у алгоритма оптимизации на основе ветра и синусоидального косинуса, что демонстрирует более сильную адаптивность в сложных задачах оптимизации. Сравнительный эксперимент на набора данных по стальной проволочной верёвке показал, что алгоритм улучшил уровень распознавания на 1,25% по сравнению с Principal Component Analysis — Grey Wolf Optimizer-Support Vector Machine, достигнув 98,75%, и обладал более высокой эффективностью при обработке признаков с высокой величиной, что подтверждало его превосходство в извлечении признаков и распознавании признаков. Модель была применена к экономическим данным провинции Аньхой, выбрав 8 основных показателей, таких как ВВП первичной отрасли и доходы городских и сельских жителей с 2011 по 2022 год. В 2011 году, когда истинное значение составляло 16 311, прогнозируемое значение исследовательской модели составляло 16 200. В 2015 году, когда истинное значение составляло 23 808, модель предсказывала значение 23 600. Минимальная абсолютная ошибка с 2011 по 2020 год составляла всего 103, а уровень ошибки — до 0,005, что демонстрирует выдающуюся стабильность в средне- и долгосрочных прогнозах. Предлагаемая модель может эффективно отражать характеристики региональных экономических данных, повышать точность прогнозирования и служить научной основой для принятия решений по региональному экономическому развитию.

Введение

По мере вступления китайской экономики в стадию высокого качества развития сложность и многомерность региональных экономических данных становятся всё более заметными. Точное извлечение экономических характеристик и научное прогнозирование тенденций развития стали важными предпосылками для формулирования региональной экономической политики и оптимизации распределения^{ресурсов 1,2}. Региональная экономическая система включает многомерные показатели, такие как промышленная структура, доходы резидентов, фискальные доходы и расходы, а также энергопотребление. Существуют нелинейные корреляции и динамические взаимосвязи между различными индикаторами. Традиционные методы статистического анализа и одиночные модели машинного обучения часто сталкиваются с такими проблемами, как недостаточное извлечение признаков и ограниченная точность прогнозирования при обработке высокомерных и нестационарных экономических^{данных 3,4}.

Оптимизация серого волка (GWO) — это интеллектуальная стратегия оптимизации, моделирующая охотничье поведение серых волков. Благодаря простой структуре и стабильной производительности сходимости, GWO широко используется в оптимизации функций, оптимизации параметров, выборе признаков и других областях^. Например, Токтас и др. ^{использовали} алгоритм GWO для достижения эффективной оптимизации параметров при проектировании многоцелевых гиперхаотических систем, проверяя потенциал оптимизированного алгоритма GWO в сложных многоцелевых сценариях оптимизации. Лю и ^др.7 применили алгоритм GWO для многоцелевого расчета оптимального потока мощности в распределительных сетях. Адаптация алгоритма к сложным инженерным задачам была улучшена с помощью гибридной стратегии. Однако стандартный GWO обладает медленной скоростью сходимости и локально оптимальными решениями при решении сложных задач оптимизации, что ограничивает его эффективность применения в высокомерной экономической обработке^{данных 8}. Поэтому академическое сообщество провело обширные исследования алгоритма GWO, внедряя адаптивные веса, хаотические возмущения или гибридные стратегии оптимизации для повышения глобальных возможностей поиска и точности сходимости. Однако адаптивность существующих усовершенствованных алгоритмов к типам данных, таким как экономические данные с сильным шумом и многомасштабными особенностями, всё ещё требует дополнительной^{проверки 9}.

Поддерживающая векторная машина (SVM) и генеративная состязательная сеть (GAN) имеют очевидные преимущества в обучении признаках данных и предиктивном^{моделировании 10}. SVM отображает линейно неразделимые данные в низкомерном пространстве в высокомерное пространство через функции ядра, превращая нелинейные задачи в линейно сепарабельные задачи. Он может эффективно выполнять задачи классификации и регрессии без явного расчёта высокомерного отображения. GAN опирается на механизм состязательного обучения генераторов и дискриминаторов для глубокого захвата потенциальных характеристик распределения данных, тем самым значительно повышая способность подгонять сложные^{шаблоны 11}. Cao и ^др.12 использовали SVM для диагностики неисправностей железнодорожного стрелочного оборудования и проверяли классификационные характеристики SVM в небольших выборках и нелинейных задачах с помощью многодоменного синтеза признаков и стратегии выбора признаков. Лю и ^др.13 построили модель манипуляции признаками лица, используя GAN. Была подтверждена способность GAN анализировать потенциальные особенности распределения данных.

Однако во многих областях, таких как прогнозирование промышленных неисправностей и экологический мониторинг, алгоритмы оптимизации, такие как GWO и PSO, часто сочетаются с SVM, CNN и др. для повышения точности прогнозирования. ¹⁴ Однако большинство моделей термоядерного синтеза сталкиваются с такими трудностями, как недостаточная совместная оптимизация параметров и плохая адаптация к сложным временным рядам. Хотя в области экономического прогнозирования существует множество применений алгоритмов, большинство из них сосредоточены на совершенствовании одной модели, игнорируя высокое взаимодействие и сильные шумовые характеристики экономических данных, а также отсутствие глубокого совместного проектирования алгоритмов оптимизации и генеративных моделей. Таким образом, исследование улучшает алгоритм GWO. Инициализация картирования Tent используется для повышения проходимости популяции с целью адаптации к разрежденному майнингу объектов. Веса обновления позиции реконструируются для повышения качественных возможностей отслеживания решений с целью адаптации к нелинейному корреляционному захвату. Нелинейные динамические коэффициенты сходимости используются для балансировки глобальной разведки и локальной разработки с целью адаптации изменений временных рядов. Преимущества классификации SVM и возможности улучшения функций GAN интегрированы для создания улучшенной Серой Волчьей Оптимизатор-Поддержки Векторной Машинно-Генеративной Состязательной Сети (IGWO-SVM-GAN), точно решающей региональные экономические данные по извлечению признаков и прогнозированию развития. Инновация заключается в глубокой интеграции алгоритма IGWO с SVM и GAN, использовании мощных возможностей генерации данных и картирования признаков GAN для расширения разнообразия выборок, достижению точного скрининга признаков благодаря высокой классификационной эффективности SVM и синергетической оптимизации ключевых параметров обоих с помощью алгоритма IGWO. Она преодолевает зависимость традиционной модели от предположений линейных отношений, значительно повышая её адаптивность к сложным экономическим системам.

Общая цель исследования — построить региональную экономическую модель для прогнозирования и развития признаков на основе IGWO-SVM-GAN, решение проблем неточного выделения признаков, низкой точности прогнозирования и плохой адаптивности традиционных моделей, эффективное изучение региональных экономических основных особенностей и надёжное прогнозирование тенденций развития, а также предоставление научной поддержки региональных экономических решений. В исследовании выдвигаются следующие гипотезы. Гипотеза 1: По сравнению со стандартными алгоритмами GWO и другими сравнительными алгоритмами, улучшенный алгоритм IGWO обладает более высокой скоростью сходимости и более высокой точностью оптимизации при извлечении признаков по экономическим данным с высокой размерностью; Гипотеза 2: Показатели прогнозирования модели синтеза IGWO-SVM-GAN значительно лучше, чем у одной модели и других основных моделей синтеза, а также обладают большей стабильностью и точностью в средне- и долгосрочных экономических прогнозах; Гипотеза 3: Предлагаемая модель может эффективно адаптироваться к характеристикам высокой связанности и сильного шума региональных экономических данных, а также точно отражать паттерны развития основных экономических индикаторов.

Протокол

Улучшенный алгоритм GWO
В области извлечения признаков и прогнозирования развития региональных экономических данных для эффективного повышения эффективности извлечения ключевых признаков в крупноразмерных экономических данных для оптимизации вводится алгоритм WO. GWO имитирует охотничье поведение серых волков. Основной механизм алгоритма GWO заключается в биомиметическом моделировании структуры социальной иерархии и стратегии охоты, которая достигается оптимизацией путём моделирования иерархической иерархии первого волка A, второго волка b и молодого волка C, а также охотничьих этапов, таких как охота, преследование и^{атака 15}. Конкретный процесс обновления местоположения серых волков показан на рисунке 1.

Рисунок 1: Блок-схема обновления положения серого волка. (A) Схематическая схема обновления позиции серого Волка. (B) Блок-схема алгоритма GWO. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

На рисунке 1A показано обновление положения серого волка. Согласно рисунку 1A, обновлённая позиция индивидуума серого волка определяется положениями букв a, b и c. Оптимизация достигается путем моделирования охотничьего поведения группы, постепенно приближаясь к оптимальной^{цели 16}. Процесс обновления включает расчет расстояния и корректировку положения. Векторы коэффициентов были введены в процессе обновления позиции и динамически изменялись через случайные значения, обеспечивая адаптивное переключение между этапами исследования и разработки. Уравнение (1) показывает вектор расстояния между серым волком и его добычей.

(1)

В уравнении (1) представляет собой вектор случайного коэффициента, используемый для введения случайности и балансировки исследования и развития. обозначает текущий вектор положения (PV) в момент времени t. представляет PV добычи в момент времени t. Серый волк обновляет своё положение в зависимости от местоположения добычи и расстояния , и обновление позиции отображается в уравнении (2).

(2)

В уравнении (2) представляет собой вектор коэффициентов, который управляет направлением движения и размером шага. Векторы расстояний , , и между текущим серым волком и волками a, b и c показаны в уравнении (3).

(3)

В уравнении (3), , , и соответственно представляют PV трёх решений с наилучшей приспособленностью в текущей популяции (a, b и c). Три кандидата рассчитываются в соответствии с положениями и расстояниями волков a, b и c соответственно, как показано в уравнении (4).

(4)

В уравнении (4), , , и обозначают три кандидатные целевые позиции, вычисленные из позиций и расстояний a, b и c. , , и представляют кандидатные позиции, рассчитанные на основе позиций и расстояний a, b и c¹⁷. PV текущих серых волков в следующем поколении (то есть обновлённая позиция ) отображается в уравнении (5).

(5)

Решая среднее по трём кандидатным позициям, популяция постепенно приближается к оптимальному региону под руководством волков a, b и c. Рисунок 1B показывает рабочий процесс GWO. Согласно рисунку 1B, шаги выполнения алгоритма GWO включают инициализацию популяции серых волков. Затем рассчитывается значение приспособленности в популяции. Текущее оптимальное и субоптимальное решение определяются путём сравнения отдельных значений приспособленности. Все показатели фитнеса отсортированы, и три лучших участника отмечены как a, b и c. Индивидуальные позиции в популяции обновляются на основе информации о местоположении доминирующих особей. Определяется, выполнены ли заранее установленные условия завершения. Если они выполнены, алгоритм завершается. В противном случае рассчитывается значение приспособленности каждого серого волка в популяции.

Для повышения точности оптимизации извлечения признаков данных предлагается усовершенствованный алгоритм GWO (IGWO), который включает инициализацию популяции серых волков с помощью картирования палаток для увеличения разнообразия и перемещения. Коэффициенты веса при обновлении положения особей серых волков реконструируются для оптимизации способности алгоритма отслеживать качественные области решений. Вводится нелинейный механизм управления для динамического обновления коэффициента сходимости q. Вектор коэффициентов и вектор случайного коэффициента , используемые для управления направлением движения и размером шага, синхронно оптимизированы для балансировки глобальных возможностей разведки и локальной^{разработки 18}. Рисунок 2 показывает блок-схему IGWO.

Рисунок 2: Процесс IGWO. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Согласно рисунку 2, IGWO сформировала более целенаправленный итеративный процесс, сохраняя при этом основную структуру GWO. Начальная популяция генерируется с помощью палаткового отображения, чтобы избежать неравномерного распределения популяции, которое может возникнуть при традиционной случайной инициализации, что закладывает прочную основу для последующего оптимизации. В каждой итерации алгоритм сначала вычисляет индивидуальные значения приспособленности и выбирает волков a, b и c. На основе улучшенного уравнения веса обновления положения, в сочетании с нелинейными коэффициентами сходимости и оптимизированными векторами коэффициентов, завершается обновление положения особей серых волков. Тем временем, динамически корректируя диапазон значений вектора случайного коэффициента, локальная точность поиска на поздних этапах итерации оптимизируется, что снижает локальный оптимум. Наконец, определяется, достигнута ли максимальная итерация. Если максимальная итерация достигнута, оптимальное решение предоставляется в качестве выхода. Наоборот, он возвращается к этапу расчета значения приспособленности для следующей итерации. Для повышения скорости сходимости IGWO вводится механизм наведения, и его эффективность показана на рисунке 3.

Рисунок 3: Схематическая диаграмма, показывающая, существует ли направляющий механизм. (A) Нет управляющего механизма. (B) Направляющий механизм. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Как показано на рисунке 3, механизм управления назначает стратегии фиксированного распределения веса волкам категорий a, b и c на этапе обновления позиции. Значительно увеличивая долю веса волка и снижая влияние волков b и c, больше особей в популяции направляются к обновлению своих позиций вдоль направления поиска волка, чтобы их распределение было сосредоточено на области перед волком , а не на равномерном состоянии распределения вокруг волка волк в традиционных алгоритмах GWO. Это улучшение может усилить руководящую роль элитных лиц в оптимизации населения, снизить затраты на неэффективный поиск и повысить эффективность сходимости.

Улучшенный алгоритм GWO на основе SVM и GAN
Для оптимизации эффективности классификации и возможности обобщения GWO после извлечения признаков данных вводится алгоритм SVM для совместной оптимизации. Схематическая диаграмма оптимальной классификационной поверхности линейной и нелинейной SVM показана на рисунке 4.

Рисунок 4: Схемы оптимальных классификационных поверхностей линейных и нелинейных опорных векторных машин. (A) Оптимальная поверхность классификации опорной векторной машины. (B) Оптимальная классификационная поверхность нелинейной опорной векторной машины. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 4A показывает оптимальную классификационную поверхность линейного SVM. Согласно рисунку 4A, в двумерном пространстве данных оптимальная классификационная поверхность g(x) SVM может полностью разделить два типа^{образцов 19}. Выражение для гиперплоскости g(x) представлено в уравнении (6).

(6)

В уравнении (6) w обозначает нормальный вектор гиперплоскости, который определяет её направление. b обозначает термин перехвата, который определяет смещение гиперплоскости. x обозначает вектор признаков входной^{выборки 20}. SVM имеет линейно разделяемую SVM и нелинейную сепарабельную SVM. Если предположить, что набор данных линейно сепарабельного SVM равен , его цель — максимизировать интервал классификации при достижении правильной классификации всех^{выборок 21}. Условие ограничения для этой задачи показано в уравнении (7).

(7)

В уравнении (7) y i обозначает метку класса i-й выборки, которая является эталонным идентификатором для модели для классификации, сопоставления признаков или определения ограничений, а x_i — её вектор признаков. Соответствующая исходная задача оптимизации показана в уравнении (8).

(8)

В уравнении (8) означает математический эквивалент максимизации интервала. Для решения этой задачи оптимизации с ограничениями вводится множитель Лагранжа, преобразующий его в неограниченную^{форму 22}. Функция Лагранжа показана в уравнении (9).

(9)

В уравнении (9) α_i представляет собой множитель Лагранжа — двойственную переменную, введённую для преобразования исходных ограничений SVM в задачу оптимизации без ограничений. Её значение напрямую отражает вклад i-й выборки в определение классификационной гиперплоскости. Согласно условию Монте-Карло-Куна-Такера, условие комплементарной релаксации оптимального решения показано в уравнении (10).

(10)

Выражение w принимается в функцию Лагранжа для получения двойственной задачи, как показано в уравнении (11).

(11)

В уравнении (11) j — это выборка в наборе данных. Для нелинейных сепарабельных данных методы ядра преобразуют линейно неразделимые данные в исходном пространстве в линейно сепарабельные задачи в высокомерном пространстве с помощью неявного нелинейного отображения. Внутреннее произведение x_i·y i в двойственной задаче заменяется функцией ядра K(x_i·y_i), что позволяет избежать сложности прямого вычисления произведения в пространстве высокой размерности. Рисунок 4B — схематическая диаграмма оптимальной классификационной поверхности нелинейного SVM. Согласно рисунку 4B, в исходном двумерном входном пространстве два типа образцов имеют нелинейное распределение и не могут быть эффективно разделены прямой линией. В данный момент схема распределения точек данных может проявлять сложные паттерны, такие как перемежание и^{окружение 23}. Благодаря эффекту отображения функций ядра эти точки данных в двумерном пространстве преобразуются в более вымерные пространства признаков, и изначально запутанные точки выборки демонстрируют очевидную сепарабельность. В высокомерном пространстве нелинейные SVM могут строить оптимальную гиперплоскость для точного разбиения двух типов выборок. Окончательная функция классификационного решения f(x) представлена в уравнении (12).

(12)

В уравнении (12) K(x_i, x) обозначает функцию ядра. Функции ядра позволяют SVM гибко решать нелинейные задачи, значительно расширяя их применимость. Блок-схема модели распознавания признаков данных IGWS-SVM показана на рисунке 5.

Рисунок 5: Блок-схема модели распознавания признаков данных IGWO-SVM. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

На рисунке 5 предварительно обработанные данные признаков были введены в алгоритм IGWO, а его итеративный механизм оптимизации адаптивно оптимизировал основные параметры SVM. Алгоритм динамически корректировал стратегию поиска в популяции, чтобы эффективно найти оптимальную комбинацию параметров в пространстве параметров, максимизирующую точность классификации SVM, что устраняет низкую эффективность и восприимчивость к локальным оптимам, присущие традиционным методам поиска по сетке или случайного поиска. Параметры, оптимизированные IGWO, впоследствии вводились в модель SVM, и оптимизированный классификатор использовался для изучения и прогнозирования данных признаков. Для линейно сепарабельных данных модель достигала прямого разбиения путём построения оптимальной гиперплоскости. Нелинейные данные отображались в высокомерное пространство с помощью функций ядра для полной классификации, а финальные метки категорий выводились. Для дальнейшего улучшения возможности подгонки для сложных распределений данных и подлинности генерации признаков был внедрён GAN. На рисунке 6 изображён GAN.

Рисунок 6: Структура GAN. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

На рисунке 6 GAN имеет генеративную и дискриминаторную модель, которые достигают совместной оптимизации с помощью состязательных механизмов^{обучения 24}. Эта генеративная модель использует случайный шум в качестве входных данных и генерирует фальшивые выборки, аналогичные распределению реальных данных через нелинейное преобразование. Дискриминаторная модель получает реальные и сгенерированные выборки в качестве входных данных, а её основная задача — выявить подлинность входных данных и вывести вероятность того, что выборки происходят из реального набора^{данных 25}. Исходная цель оптимизации GAN представлена в уравнении (13).

(13)

В уравнении (13) V(D, G) — это функция значения, которая измеряет производительность дискриминатора, заданного генератора G и дискриминатора D. D(x) представляет собой дискриминативную вероятность на вещественной выборке x. D(z) представляет собой генератор, отображающий шум z в генерируемые сэмплы. pdata(x) обозначает вероятностное распределение вещественных данных. pz(z) обозначает априорное распределение z. E относится к ожидаемому значению, представляющему среднее значение всех выборок в^{распределении 26,27}. Оптимизационная цель дискриминатора показана в уравнении (14).

(14)

Оптимизированный генератор показан в уравнении (15).

(15)

В итоге исследование предлагает совместный алгоритм оптимизации на основе IGWO-SVM-GAN для достижения эффективного извлечения признаков и точной классификации в сложных сценариях данных.

Извлечение и прогнозирование развития региональных экономических данных на основе алгоритма IGWO-SVM-GAN
Как важный компонент национальной экономической системы, точный анализ регионального экономического развития и научное прогнозирование будущих тенденций имеют важную теоретическую и практическую ценность для формулирования региональных стратегий развития, оптимизации распределения ресурсов и предотвращения экономических рисков. Однако региональные экономические данные часто обладают сложными характеристиками, такими как высокая размерность, нелинейность и динамика, и зависят от множества факторов, таких как политика, промышленная структура и внешняя среда. Традиционные методы извлечения признаков и модели прогнозирования сложно зафиксировать глубокие корреляции, лежащие в основе данных, что приводит к ограниченной точности. IGWO-SVM-GAN применяется в области регионального экономического анализа. Интегрируя преимущества алгоритма в извлечении признаков, обучении классификации и генерации данных, создаётся модель анализа, подходящая для региональных экономических данных. Блок-схема модели извлечения и прогнозирования развития региональных экономических данных на основе IGWO-SVM-GAN представлена на рисунке 7.

Рисунок 7: Процесс извлечения региональных экономических данных по признакам и модели прогнозирования развития на основе алгоритма IGWO-SVM-GAN. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Согласно рисунку 7, собраны высокомерные показатели региональной экономики, включая ВВП, стоимость промышленного производства, фискальные поступления и расходы, уровень занятости и др. Исходные данные очищаются и стандартизуются, включая заполнение недостающих значений и исправление выбросов. Фильтрация признаков выполняется на предварительно обработанных данных через IGWO, избыточная информация удаляется, и получается подмножество основных признаков. Генератор GAN генерирует синтетические экономические данные с высокой согласованностью с реальными данными на основе схемы распределения основных подмножеств признаков, чтобы смягчить разрежённость или неравномерное распределение выборки. Основное подмножество признаков объединяется с синтетическими экономическими данными и вводом в модель SVM. Нелинейные отношения между признаками обрабатываются через функцию ядра для построения модели прогнозирования экономического развития. Модель даёт количественные прогнозы регионального экономического развития, включая будущие темпы экономического роста, изменения доли промышленной структуры и т.д. Модель эффективно решает проблему высокомерных, нелинейных и редких региональных экономических данных, используя очистку признаков IGWO, расширение данных GAN и нелинейное моделирование SVM, тем самым повышая надёжность и точность.

Для подтверждения эффективности модели извлечения и прогнозирования развития региональных экономических данных, построенной на основе алгоритма IGWO-SVM-GAN, в качестве примера выбирается провинция Аньхой. Все исследовательские данные взяты из авторитетных статистических материалов, включая Аньхойский статистический ежегодник с 2005 по 2022 год и Национальный экономический и социальный статистический бюллетень Аньхой с 2005 по 2023 годы, чтобы обеспечить объективность и надёжность данных. Основные экономические показатели, выбранные для анализа эффективности, включают следующее: валовой внутренний продукт (ВВП) первичной отрасли (X1), ВВП вторичной отрасли (X2), ВВП третичной промышленности (X3), располагаемый доход на душу населения сельских жителей (X4), располагаемый доход на душу населения городских жителей (X5), общие фискальные расходы (X6), общее потребление энергии (X7), и инвестиции в образование (X8). В исследовании использовался метод стандартизации Z-score для нормализации данных 8 индикаторов, чтобы устранить помехи размерных различий при обучении моделей. Используя дополнительные статистические данные за соответствующие годы и используя линейную интерполяцию данных соседних годов для полного покрытия небольшого количества недостающих данных, итоговый набор данных не имел недостающих значений. Критерий 3σ использовался для выявления аномальных данных, а два выявленных выбросов были винсоризованы, чтобы избежать влияния аномальных данных на эффект обучения модели. Был использован метод перекрёстной валидации временных рядов, используя данные 2011-2017 годов в качестве обучающего набора (7 образцов), данные 2018-2019 годов как валидационный набор (2 образца) и данные 2020 года в качестве тестового набора (1 выборка), чтобы моделировать реальные сценарии экономического прогнозирования, избежать проблем с утечкой данных и повысить надёжность оценки способности обобщения моделей. Материалы, необходимые для этого метода, приведены в таблице материалов.

Результаты

Тестирование производительности алгоритма IGWO-SVM-GAN
Для систематической проверки эффективности оптимизации, эффективности извлечения признаков и механизма улучшения качества предсказания алгоритма IGWO-SVM-GAN исследование проводилось в три этапа: на первом этапе использовалась функция теста бенчмарка для проверки возможностей оптимизации алгоритма. На втором этапе использовался набор данных по канату для проверки эффективности извлечения и классификации признаков....

Обсуждение

В исследовании применяется алгоритм IGWO-SVM-GAN для прогнозирования извлечения и развития региональных экономических данных, а также подтверждается его осуществимость и эффективность на примере провинции Аньхой. Основываясь на быстрой сходимости и высокой точности распознавания, демонстрируемых алгоритмом при функциональном тестировании и тестировании наборов данных по стальной проволоке, считается, что он способен адаптироваться к высокоразмерным и сильным динамическим характеристикам ...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Процессор Intel Core i5-9300HF	Intel Corporation	CL8068404069607 (OEM/Ray версия)
Платформа программирования MATLAB 2020b	MathWorks	R2020b (номер версии)
64-битная операционная система Windows 10	Microsoft Corporation	FQC-09131 (розничный артикул Windows 10 Pro)