Geliştirilmiş GWO Algoritmasına Dayalı Bölgesel Ekonomik Veri Çıkarımı ve Gelişim Tahmini

Summary

Önerilen model, bölgesel ekonomik verilerin özelliklerini etkili bir şekilde yakalayabilir, tahmin doğruluğunu artırabilir ve bölgesel ekonomik kalkınma kararları için bilimsel bir temel oluşturabilir.

Abstract

Yüksek kaliteli bölgesel ekonomik kalkınmaya olan artan taleble, ekonomik verilerin gizli özelliklerinin doğru şekilde ortaya çıkarılması ve güvenilir kalkınma eğilimi tahmininin sağlanması, bilimsel ekonomik politikaların oluşturulmasında önemli bir ön koşul haline gelmiştir. Bölgesel ekonomik verilerin özellik çıkarma doğruluğunu ve gelişim tahmin güvenilirliğini optimize etmek için, geliştirilmiş bir gri kurt optimizasyon algoritması, destek vektör makinesi ve üretken bir düşman ağı entegre edilerek bölgesel ekonomik verilerin özellik çıkarımı ve gelişim tahmini modeli oluşturulur. F1 tek modlu fonksiyon ve F2 çoklu modal fonksiyon testlerinde, yakınsama hızı rüzgar kaynaklı optimizasyon ve sinüs kosinüs algoritmasından belirgin şekilde daha iyiydi ve karmaşık optimizasyon problemlerinde daha güçlü uyum sağladı. Çelik tel halat veri seti üzerindeki karşılaştırmalı deney, algoritmanın tanıma oranını Ana Bileşen Analizi-Gri Kurt Optimizer-Destek Vektör Makinesine kıyasla %1,25 artırdığını ve %98,75'e ulaştığını gösterdi ve yüksek boyutlu özellik işlemede daha yüksek verimlilikle özellik çıkarma ve sınıflandırma tanıma üstünlüğünü doğruladı. Model, Anhui Eyaleti'ndeki ekonomik verilere uygulandı ve 2011'den 2022'ye kadar birincil sanayinin GSYİH'si ile kentsel ve kırsal sakinlerin geliri gibi 8 temel gösterge seçildi. 2011 yılında, gerçek değer 16.311 iken, araştırma modelinin öngörülen değeri 16.200 idi. 2015 yılında, gerçek değer 23.808 olduğunda, model 23.600 değerini öngördü. 2011'den 2020'ye kadar minimum mutlak hata sadece 103 idi ve hata oranı 0,005 kadar düşüktü; bu da orta ve uzun vadeli tahminlerde olağanüstü istikrar göstermektedir. Önerilen model, bölgesel ekonomik verilerin özelliklerini etkili bir şekilde yakalayabilir, tahmin doğruluğunu artırabilir ve bölgesel ekonomik kalkınma kararları için bilimsel bir temel oluşturabilir.

Introduction

Çin ekonomisi yüksek kaliteli bir gelişim aşamasına girerken, bölgesel ekonomik verilerin karmaşıklığı ve çok boyutluluğu giderek daha belirgin hale geliyor. Ekonomik veri özelliklerinin doğru şekilde çıkarılması ve kalkınma eğilimlerinin bilimsel olarak tahmin edilmesi, bölgesel ekonomik politikaların oluşturulması ve kaynak tahsisinin optimize edilmesi için önemli ön koşullar^{haline gelmiştir 1,2}. Bölgesel ekonomik sistem, endüstriyel yapı, yerleşik gelir, mali gelir ve harcamalar ile enerji tüketimi gibi çok boyutlu göstergeleri içerir. Çeşitli göstergeler arasında doğrusal olmayan korelasyonlar ve dinamik bağlantı ilişkileri vardır. Geleneksel istatistiksel analiz yöntemleri ve tek makine öğrenimi modelleri, Yüksek Boyutlu ve sabit olmayan ekonomik verileri işlerken yetersiz özellik çıkarımı ve sınırlı tahmin doğruluğu gibi sorunlarla^{karşılaşır.}

Gri Kurt Optimizasyonu (GWO), gri kurtların avlanma davranışını simüle eden akıllı bir optimizasyon stratejisidir. Basit yapısı ve kararlı yakınsamaya sahip performansı nedeniyle GWO, fonksiyon optimizasyonu, parametre optimizasyonu, özellik seçimi ve diğer alanlarda yaygın olarak kullanılmaktadır⁵. Örneğin, Toktas ve ^ark.6 , çok amaçlı hiper kaotik sistemler tasarlanırken verimli parametre optimizasyonu sağlamak için GWO algoritmasını kullanmış ve optimize edilmiş GWO algoritmasının karmaşık çok amaçlı optimizasyon senaryolarında potansiyelini doğrulamıştır. Liu ve ^ark.7 , GWO algoritmasını dağıtım ağlarında çok amaçlı optimal güç akışı hesaplamasına uygulamıştır. Algoritmanın karmaşık mühendislik problemlerine uyum sağlayabilmesi hibrit bir stratejiyle geliştirildi. Ancak, standart GWO, karmaşık optimizasyon problemlerini ele alırken yavaş bir yakınsamaya hız ve yerel optimal çözümlere sahiptir; bu da yüksek boyutlu ekonomik veri işlemede uygulama etkinliğini^sınırlar8. Bu nedenle, akademik topluluk GWO algoritması üzerine küresel arama yeteneğini ve yakınsama doğruluğunu artırmak için uyarlanabilir ağırlıklar, kaotik bozulmalar veya hibrit optimizasyon stratejileri getirerek kapsamlı araştırmalar yürütmüştür. Ancak, güçlü gürültülü ve çok ölçekli özelliklere sahip ekonomik veri gibi veri türlerine uyarlanabilir olan mevcut geliştirilmiş algoritmaların hâlâ daha fazla doğrulama^{gerektirmektedir9}.

Destek Vektör Makinesi (SVM) ve Üretken Karşı Çıkarıcı Ağ (GAN), veri özellik öğrenimi ve öngörücü modellemede bariz avantajlara^{sahiptir 10}. SVM, düşük boyutlu uzayda yüksek boyutlu uzaya doğrusal olarak ayrılmaz verileri çekirdek fonksiyonları aracılığıyla eşler, doğrusal olmayan problemleri doğrusal olarak ayrılabilir problemlere dönüştürür. Yüksek boyutlu eşlemeleri açıkça hesaplamadan sınıflandırma ve regresyon görevlerini verimli şekilde tamamlayabilir. GAN, verilerin potansiyel dağılım özelliklerini derinlemesine yakalamak için üreteçler ve ayrımcıların düşman eğitim mekanizmasına dayanır ve böylece karmaşık kalıplara uyum sağlama yeteneğini önemli ölçüde^{artırır 11}. Cao ve ^ark.12 , demiryolu anahtar ekipmanlarının hata teşhisi için SVM'yi kullanmış ve SVM'nin küçük örneklerde ve doğrusal olmayan problemlerde sınıflandırma performansını çoklu alanlı özellik birleşimi ve özellik seçim stratejisi yoluyla doğrulamıştır. Liu ve ^ark.13 , GAN kullanarak bir yüz özellik manipülasyon modeli geliştirmiştir. GAN'ın verilerin potansiyel dağılım özelliklerini madencilik yapabilme yeteneği doğrulandı.

Ancak, endüstriyel arıza tahmini ve çevresel izleme gibi birçok alanda, GWO ve PSO gibi optimizasyon algoritmaları genellikle SVM, CNN vb. ile birleştirilerek tahmin doğruluğunu artırır. ¹⁴ Ancak, çoğu füzyon modelinde yetersiz parametre işbirlikçi optimizasyonu ve karmaşık zaman serisi verilerine kötü uyum sağlama gibi zorluklar vardır. Ekonomik tahmin alanında birçok algoritma uygulaması olmasına rağmen, çoğu tek bir modelin geliştirilmesine odaklanır; ekonomik verilerin yüksek bağlantı ve güçlü gürültü özellikleri ile optimizasyon algoritmaları ile üretken modellerin derinlemesine işbirlikçi tasarımının eksikliği göz ardı edilir. Bu nedenle, çalışma GWO algoritmasını geliştiriyor. Çadır haritalama başlatma, nüfusun seyrek özellik madenciliğine uyum sağlamak için geçiş yeteneğini artırmak için kullanılır. Pozisyon güncelleme ağırlıkları, doğrusal olmayan korelasyon yakalamaya uyum sağlamak için yüksek kaliteli çözüm takip yeteneklerini geliştirmek için yeniden oluşturulur. Doğrusal olmayan dinamik yakınsama, küresel keşif ve yerel kalkınmayı dengelemek için zaman serisi değişiklikleriyle başa çıkmak için kullanılır. SVM sınıflandırma avantajları ve GAN özellik geliştirme yetenekleri, geliştirilmiş Gri Kurt Optimizator-Destek Vektör Makinesi-Üretken Karşı Ağ (IGWO-SVM-GAN) oluşturmak için entegre edilmiş, bölgesel ekonomik veri özellik çıkarımı ve geliştirme tahminini doğru şekilde çözmüştür. Yenilik, IGWO algoritmasını SVM ve GAN ile derinlemesine entegre etmekte, GAN'ın güçlü veri üretim ve özellik eşleme yeteneklerini kullanarak örnek çeşitliliğini artırmak, SVM'nin güçlü sınıflandırma performansıyla hassas özellik taraması sağlamak ve IGWO algoritması aracılığıyla her ikisinin temel parametrelerini sinerjik olarak optimize etmekte yatmaktadır. Geleneksel modelin doğrusal ilişki varsayımlarına olan bağımlılığını aşarak karmaşık ekonomik sistemlere uyum sağlama yeteneğini önemli ölçüde artırır.

Araştırmanın genel amacı, IGWO-SVM-GAN'a dayalı bölgesel ekonomik veri özelliği çıkarma ve gelişim tahmin modeli oluşturmak; yanlış özellik çıkarma, düşük tahmin doğruluğu ve geleneksel modellerin zayıf uyum sağlama sorunlarını çözmek, bölgesel ekonomik temel özelliklerin verimli madenciliğini ve kalkınma eğilimlerinin güvenilir tahminini sağlamak ve bölgesel ekonomik karar alma süreçlerine bilimsel destek sağlamaktır. Çalışma, aşağıdaki hipotezleri önermektedir. Hipotez 1: Standart GWO ve diğer karşılaştırmalı algoritmalarla karşılaştırıldığında, geliştirilmiş IGWO algoritması yüksek boyutlu ekonomik veri özellik çıkarımında daha hızlı yakınsama hızına ve daha yüksek optimizasyon doğruluğuna sahiptir; Hipotez 2: IGWO-SVM-GAN füzyon modelinin tahmin performansı, tek bir model ve diğer ana akım füzyon modellerinden anlamlı derecede daha iyidir ve orta ve uzun vadeli ekonomik tahminlerde daha yüksek kararlılık ve doğruluğa sahiptir; Hipotez 3: Önerilen model, bölgesel ekonomik verilerin yüksek bağlantı ve güçlü gürültü özelliklerine etkili şekilde uyum sağlayabilir ve temel ekonomik göstergelerin gelişim kalıplarını doğru şekilde yakalayabilir.

Protocol

Geliştirilmiş GWO algoritması
Bölgesel ekonomik verilerin özellik çıkarımı ve gelişim tahmini alanında, yüksek boyutlu ekonomik verilerdeki temel özelliklerin çıkarma verimliliğini etkili bir şekilde artırmak için, optimizasyon için WO algoritması tanıtılır. GWO, gri kurtların avlanma davranışını simüle eder. GWO algoritmasının temel mekanizması, sosyal hiyerarşi yapısının ve avlanma stratejisinin biyo-mimetik simülasyonunda yatmaktadır; bu strateji, ilk kurt a, ikinci kurt b ve genç kurt c'nin hiyerarşik hiyerarşisini simüle ederek optimizasyonu sağlar; ayrıca avlanma, takip ve saldırı¹⁵ gibi avlanma aşamaları da vardır. Gri kurtların konumunun güncellenmesi için özel süreç Şekil 1'de gösterilmiştir.

Şekil 1: Gri kurdun konum güncellemesinin akış şeması. (A) Gri Kurt'un konum güncellemesinin şematik diyagramı. (B) GWO algoritmasının akış şeması. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 1A , gri kurt pozisyon güncellemesini gösteriyor. Şekil 1A'dan itibaren, güncellenmiş gri kurt bireysel pozisyonu a, b ve c'nin konumlarına göre yönlendirilmektedir. Optimizasyon, grubun av davranışını simüle ederek ve kademeli olarak optimal^{hedefe yaklaşarak sağlanır 16}. Güncelleme süreci, mesafe hesaplaması ve konum ayarlamasını içerir. Katsayıya vektörleri ve konum güncelleme sürecinde tanıtıldı ve rastgele değerler aracılığıyla dinamik olarak değişerek keşif ve geliştirme aşamaları arasında uyarlanabilir geçiş sağlandı. Denklem (1), gri kurt ile avı arasındaki mesafe vektörünü gösterir.

(1)

(1) denkleminde, rastgeleliği tanıtmak ve arama ile geliştirmeyi dengelemek için kullanılan rastgele katsayılı vektörü temsil eder. t zamanındaki mevcut Pozisyon Vektörünü (PV) gösterir. t zamanındaki avın PV'sini temsil eder. Gri kurt, avının konumuna ve mesafesine bağlı olarak konumunu günceller ve konum güncellemesi denklem (2)'de gösterilir.

(2)

(2) denkleminde, hareket yönünü ve adım boyutunu kontrol eden katsayıyı temsil eder. Mevcut gri kurt ile a, b ve c kurtları arasındaki mesafe vektörleri (3) denkleminde gösterilmiştir.

(3)

(3) denkleminde, , , ve sırasıyla mevcut popülasyonda en iyi uygunluğa sahip üç çözümün PV'sini temsil eder (a, b ve c). Üç aday hedef konumu, (4) denkleminde gösterildiği gibi, sırasıyla a, b ve c kurtlarının konumları ve mesafelerine göre hesaplanır.

(4)

(4) denkleminde, , , ve a, b ve c'nin konum ve mesafelerinden hesaplanan üç aday hedef pozisyonu belirtir ve a, b ve c^17'nin konum ve mesafelerinden hesaplanan aday pozisyonları temsil eder. Mevcut gri kurtların bir sonraki nesildeki PV (yani güncellenmiş konum) denklemi (5)'te gösterilir.

(5)

Üç aday pozisyonun ortalamasını çözerek, popülasyon yavaş yavaş a, b ve c kurtlarının rehberliğindeki optimal bölgeye yaklaşır. Şekil 1B , GWO'nun iş akışını gösterir. Şekil 1B'den itibaren, GWO algoritmasının yürütme adımları gri kurt popülasyonunun başlatılmasını içerir. Sonra, popülasyondaki uygunluk değeri hesaplanır. Mevcut optimal çözüm ve alt optimal çözüm, bireysel uygunluk değerlerinin karşılaştırılmasıyla belirlenir. Tüm fitness değerleri sıralanır ve en iyi üç kişi a, b ve c olarak etiketlenir. Popülasyondaki bireysel konumlar, baskın bireylerin konum bilgilerine göre güncellenir. Önceden belirlenmiş sonlandırma koşullarının yerine getirilip sağlanmadığı belirlenir. Eğer bu şartlar sağlanırsa, algoritma sonlanıyor. Aksi takdirde, popülasyondaki her gri kurdun uygunluk değeri hesaplanır.

Veri özelliği çıkarımında optimizasyon doğruluğunu artırmak için, çeşitliliği ve geçişi artırmak için çadır haritalama kullanılarak gri kurt popülasyonunun başlatılmasını içeren geliştirilmiş bir GWO algoritması (IGWO) önerilmiştir. Gri kurt bireylerinin konum güncelleme ağırlık katsayıları, algoritmanın yüksek kaliteli çözüm alanlarını takip etme yeteneğini optimize etmek için yeniden oluşturulur. Yakınsamaya değer faktörü q'yu dinamik olarak güncellemek için doğrusal olmayan bir kontrol mekanizması tanıtılır. Hareket yönü ve adım boyutunu kontrol etmek için kullanılan katsayıya vektörü ve rastgele katsayılı vektör , küresel keşif ve yerel gelişim yeteneklerini dengelemek için eşzamanlı olarak optimize edilmiştir¹⁸. Şekil 2, IGWO'nun akış şemasını sunmaktadır.

Şekil 2: IGWO süreci. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 2'den itibaren, IGWO daha hedefli bir yineleme süreci oluşturmuştur ve GWO'nun temel çerçevesini korur. Başlangıç popülasyonu, geleneksel rastgele başlatmadan kaynaklanabilecek eşitsiz popülasyon dağılımını önlemek için çadır haritalama yoluyla oluşturulur ve sonraki optimizasyon için sağlam bir temel oluşturur. Her yinelemede algoritma önce bireysel uygunluk değerlerini hesaplar ve a, b ve c kurtlarını seçer. Geliştirilmiş pozisyon güncelleme ağırlık denklemi, doğrusal olmayan yakınsamama faktörleri ve optimize edilmiş katsayıya vektörlerle birleşerek, gri kurt bireylerin konum güncellemesi tamamlanır. Bu arada, rastgele katsayılı vektörün değer aralığı dinamik olarak ayarlanarak, yinelemenin sonraki aşamalarında yerel arama doğruluğu optimize edilir ve yerel optima düşürülür. Son olarak, maksimum yinelemeye ulaşılıp ulaşılmadığı belirlenir. Maksimum yinelemeye ulaşıldıysa, optimal çözüm çıktı olarak sağlanır. Buna karşılık, bir sonraki yineleme için uygunluk değeri hesaplama aşamasına geri döner. IGWO'nun yakınsamama hızını artırmak için bir yönlendirme mekanizması tanıtılmış ve etkinliği Şekil 3'te gösterilmiştir.

Şekil 3: Yönlendirici mekanizma olup olmadığını gösteren şematik diyagram. (A) Kılavuz mekanizma yok. (B) Yönlendirici mekanizma. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 3'te gösterildiği gibi, rehberlik mekanizması pozisyon güncelleme aşamasında a, b ve c kurtlarına sabit ağırlık tahsis stratejileri atar. Kurtların ağırlık oranını önemli ölçüde artırarak ve b ve c kurtlarının etkisini azaltarak, popülasyondaki daha fazla birey, konumlarını kurtun arama yönü boyunca güncellemeye yönlendirilir; böylece dağılımları, a çevresindeki eşit dağılım yerine kurtun önündeki alana odaklanır  geleneksel GWO algoritmalarında kurt. Bu iyileştirme, elit bireylerin nüfusun optimizasyon yönünde yönlendirici rolünü güçlendirebilir, etkisiz arama maliyetlerini azaltabilir ve yakınsama performansını iyileştirebilir.

SVM ve GAN temelli geliştirilmiş GWO algoritması
Veri özelliği çıkardıktan sonra GWO'nun sınıflandırma performansını ve genelleştirme yeteneğini optimize etmek için, işbirlikçi optimizasyon için SVM algoritması tanıtılır. Doğrusal ve doğrusal olmayan SVM'nin optimal sınıflandırma yüzeyinin şematik diyagramı Şekil 4'te gösterilmiştir.

Şekil 4: Doğrusal ve doğrusal olmayan destek vektör makinelerinin optimal sınıflandırma yüzeylerinin şematik diyagramları. (A) Destek vektör makinesinin optimal sınıflandırma yüzeyi. (B) Doğrusal olmayan destek vektör makinesinin optimal sınıflandırma yüzeyi. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 4A, doğrusal bir SVM'nin optimal sınıflandırma yüzeyini sunar. Şekil 4A'dan, iki boyutlu bir veri uzayında, SVM'nin optimal sınıflandırma yüzeyi g(x) iki örnek türünü tamamen ayırabilir^. Bir hiper düzlem g(x) için ifade (6) denkleminde sunulmaktadır.

(6)

(6) denkleminde , w hiperdüzlemin normal vektörünü gösterir ve bu vektör yönünü belirler. b, hiper düzlemin ofsetini belirleyen kesişme terimini ifade eder. X, giriş^{örneklemi 20'nin} özellik vektörünü gösterir. SVM'de doğrusal ayrılabilir SVM ve doğrusal olmayan ayrılabilir SVM bulunur. Doğrusal ayrılabilir SVM veri seti , varsayarsak, amacı sınıflandırma aralığını maksimize ederek tüm örneklerin doğru^{sınıflandırılmasını sağlamaktır 21}. Bu problemin kısıtlama koşulu denklem (7)'de gösterilmiştir.

(7)

(7) denkleminde, y_i , modelin sınıflandırma, özellik eşleştirmesi veya kısıtlama belirlemesi için kıyaslama tanımlayıcısı olan i-nji örneklemin sınıf etiketini gösterir ve x_i onun özellik vektörünü temsil eder. İlgili orijinal optimizasyon problemi denklem (8)'de gösterilmiştir.

(8)

(8) denkleminde, aralığı maksimize etmenin matematiksel eşdeğerini ifade eder. Bu kısıtlı optimizasyon problemini çözmek için, Lagrange çarpanı eklenerek kısıtlanmamış form^22'ye dönüştürülür. Lagrange fonksiyonu denklem (9)'da gösterilmiştir.

(9)

(9) denkleminde, α_i Lagrange çarpanı'nı temsil eder; bu, SVM'nin orijinal kısıtlamalarını kısıtlamamış bir optimizasyon problemine dönüştürmek için eklenen çift değişkendir. Değeri, i-ci örneklemin sınıflandırma hiperdüzleminin belirlenmesine katkısını doğrudan yansıtır. Monte-Carlo-Kuhn-Tucker koşuluna göre, optimal çözüm için tamamlayıcı gevşeme koşulu denklem (10)da gösterilmiştir.

(10)

w'nin ifadesi, (11) denkleminde gösterildiği gibi ikili problemi elde etmek için Lagrange fonksiyonuna alınır.

(11)

(11) denkleminde, j veri setindeki örnektir. Doğrusal olmayan ayrılabilir veriler için, çekirdek teknikleri orijinal uzaydaki doğrusal ayrılmaz veriyi örtük olmayan doğrusal eşleme yoluyla yüksek boyutlu uzayda doğrusal olarak ayrılabilir problemlere dönüştürür. Dual problemdeki iç çarpım x_i·y_i , çekirdek fonksiyonu K(x_i·y_i) ile değiştirilir, böylece yüksek boyutlu uzamda iç çarpımın doğrudan hesaplanmasının karmaşıklığı ortadan kalkar. Şekil 4B , doğrusal olmayan bir SVM'nin optimal sınıflandırma yüzeyinin şematik diyagramıdır. Şekil 4B'den anlatılarak, orijinal iki boyutlu giriş alanında, iki örnek türü doğrusal olmayan bir dağılım sergiler ve düz bir çizgiyle etkili şekilde ayrılamazlar. Bu aşamada, veri noktalarının dağılım deseninde^23'ün iç çizilmesi ve çevrelenmesi gibi karmaşık desenler gösterebilir. Çekirdek fonksiyonlarının eşleme etkisi sayesinde, iki boyutlu uzaydaki bu veri noktaları daha yüksek boyutlu özellik uzaylarına dönüştürülür ve başlangıçta dolanmış örnek noktaları belirgin bir ayrılık gösterir. Yüksek boyutlu uzayda, doğrusal olmayan SVM'ler iki örnek türünü kesin olarak bölmek için optimal bir hiper düzlem oluşturabilir. Nihai sınıflandırma karar fonksiyonu f(x) denklemi (12)'de sunulmaktadır.

(12)

(12) denkleminde, K(x_i, x) çekirdek fonksiyonunu gösterir. Çekirdek fonksiyonları, SVM'nin doğrusal olmayan problemleri esnek bir şekilde ele almasını sağlayarak uygulanabilirliğini önemli ölçüde artırır. IGWS-SVM veri özellik tanıma modelinin akış şeması Şekil 5'te gösterilmiştir.

Şekil 5: IGWO-SVM veri özellik tanıma modelinin akış şeması. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 5'te, önceden işlenmiş özellik verileri IGWO algoritmasına girilmiş ve yinelemeli optimizasyon mekanizması SVM'nin temel parametrelerini uyarlayıcı şekilde optimize etmiştir. Algoritma, popülasyon arama stratejisini dinamik olarak ayarlayarak SVM sınıflandırma doğruluğunu en üst düzeye çıkaran optimal parametre kombinasyonunu verimli bir şekilde bulmayı sağladı; böylece geleneksel ızgara arama veya rastgele arama yöntemlerinde bulunan düşük verimlilik ve yerel optimuma duyarlılığı ele alındı. IGWO tarafından optimize edilen parametreler daha sonra SVM modeline girildi ve optimize edilmiş sınıflandırıcı özellik verilerinden öğrenmek ve tahmin etmek için kullanıldı. Doğrusal olarak ayrılabilir veriler için, model optimal hiperdüzlem oluşturarak doğrudan bölümleme sağlamıştır. Doğrusal olmayan veriler, çekirdek fonksiyonları aracılığıyla yüksek boyutlu uzaya eşlenerek sınıflandırmayı tamamladı ve son kategori etiketleri çıktı. Karmaşık veri dağıtımlarına uyum yeteneğini ve özellik üretiminin özgünlüğünü artırmak için GAN dahil edildi. Şekil 6 GAN'ı gösterir.

Şekil 6: GAN yapısı. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 6'da, GAN'ın üretken bir modeli ve ayrımcı modeli vardır; bunlar düşmanca öğrenme mekanizmaları aracılığıyla işbirlikçi optimizasyonu sağlar²⁴. Bu üretken model, rastgele gürültüyü girdi olarak kullanır ve gerçek verinin doğrusal olmayan dönüşümle dağılımına benzer sahte örnekler üretir. Ayrımcı modeli, gerçek ve üretilen örnekleri girdi olarak elde eder ve temel görevi, girdi verilerinin gerçekliğini ayırt etmek ve örneklerin gerçek veri^{setinden gelme olasılığını çıkarmaktır 25}. GAN'ın orijinal optimizasyon amacı (13) denkleminde sunulmaktadır.

(13)

(13) denkleminde, V(D, G) değer fonksiyonudur ve verilen ayırıcı G ve ayırıcı D'nin performansını ölçer. D(x), gerçek örneklem x üzerindeki ayırtıcı olasılığı temsil eder. D(z), jeneratörün z gürültüsünü üretilen örneklere eşlemesini temsil eder. pdata(x), gerçek verinin olasılık dağılımını ifade eder. pz(z), z'nin önceden dağılımını ifade eder. E, ^26,27 dağılımındaki tüm örneklerin ortalamasını temsil eden beklenen değeri ifade eder. Ayrımcılayıcının optimizasyon amacı (14) denkleminde gösterilmiştir.

(14)

Optimize edilmiş üretici denklem (15)'te gösterilmiştir.

(15)

Özetle, çalışma, karmaşık veri senaryolarında verimli özellik çıkarımı ve doğru sınıflandırma sağlamak için IGWO-SVM-GAN tabanlı işbirlikçi bir optimizasyon algoritması önermektedir.

IGWO-SVM-GAN algoritmasına dayalı bölgesel ekonomik veri çıkarımı ve gelişim tahmini
Ulusal ekonomik sistemin önemli bir bileşeni olarak, bölgesel ekonomik kalkınmayı hassas bir şekilde analiz etmek ve gelecek eğilimlerini bilimsel olarak tahmin etmek, bölgesel kalkınma stratejilerinin oluşturulması, kaynak tahsisinin optimize edilmesi ve ekonomik risklerin önlenmesi için teorik ve pratik değere sahiptir. Ancak, bölgesel ekonomik veriler genellikle yüksek boyutluluk, doğrusal olmama ve dinamizm gibi karmaşık özellikler sunar ve politikalar, endüstriyel yapı ve dış çevre gibi birçok faktörden etkilenir. Geleneksel özellik çıkarma yöntemleri ve tahmin modelleri, verinin arkasındaki derin korelasyonları yakalamakta zordur, bu da sınırlı doğruluk sağlar. IGWO-SVM-GAN, bölgesel ekonomik analiz alanında uygulanır. Algoritmanın özellikler çıkarma, sınıflandırma öğrenimi ve veri üretimindeki avantajlarının entegre edilmesiyle, bölgesel ekonomik veriler için uygun bir analiz modeli oluşturulur. IGWO-SVM-GAN temelli bölgesel ekonomik veri özelliğinin çıkarma ve gelişim tahmin modelinin akış şeması Şekil 7'de sunulmaktadır.

Şekil 7: IGWO-SVM-GAN algoritmasına dayalı bölgesel ekonomik veri özellik çıkarımı ve gelişim tahmin modeli süreci. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 7'ye göre, bölgesel ekonominin yüksek boyutlu göstergeleri toplanmıştır; bunlar GSYİH, sanayi çıktısı değeri, mali gelir ve giderler, istihdam oranı vb. dahildir. Ham veriler temizlenir ve standartlaştırılır; eksik değerlerin doldurulması ve istisna değerlerin düzeltilmesi dahildir. Özellik filtrelemesi, IGWO üzerinden önceden işlenmiş veriler üzerinde gerçekleştirilir, gereksiz bilgiler kaldırılır ve temel özelliklerin bir alt kümesi çıktı olarak sunulur. GAN üreticisi, örnek seyrekliğini veya eşit dağılımı azaltmak için çekirdek özellik alt kümelerinin dağılım desenine dayalı olarak gerçek verilerle yüksek tutarlılıkla sentetik ekonomik veriler üretir. Temel özellik alt kümesi, sentetik ekonomik verilerle birleştirilip SVM modeline girdi. Özellikler arasındaki doğrusal olmayan ilişki, bir çekirdek fonksiyonu aracılığıyla işlenir ve ekonomik kalkınma tahmin modeli oluşturulur. Model, gelecekteki ekonomik büyüme oranları, endüstriyel yapı oranındaki değişiklikler gibi bölgesel ekonomik kalkınmanın nicel tahminlerini sunar. Model, IGWO'nun özellik arıtma, GAN'ın veri artırımı ve SVM'nin doğrusal olmayan modellemesini kullanarak bölgesel ekonomik verilerin yüksek boyutlu, doğrusal olmayan ve seyrek doğasını etkili bir şekilde ele alarak sağlamlığı ve doğruluğu artırır.

IGWO-SVM-GAN algoritmasına dayalı oluşturulan bölgesel ekonomik veri özelliği çıkarma ve gelişim tahmin modelinin etkinliğini kanıtlamak için Anhui Eyaleti bir vaka çalışması olarak seçilmiştir. Araştırma verileri, verilerin nesnelliği ve güvenilirliğini sağlamak için 2005-2022 yılları arasında Anhui İstatistik Yıllığı ve 2005-2023 yılları arasında Anhui Ulusal Ekonomik ve Sosyal Kalkınma İstatistik Bülteni dahil olmak üzere yetkili istatistiksel materyallerden alınmıştır. Performans analizi için seçilen temel ekonomik göstergeler şunlardır: birincil endüstrinin Gayri Safi Yurtiçi Hılaması (GSYİH) (X1), İkincil sanayinin GSYİH'si (X2), üçüncül sanayinin GSYİH'sı (X3), kırsal sakinlerin kişi başına harcanabilir geliri (X4), kentsel sakinlerin kişi başına harcanabilir geliri (X5), toplam mali harcama (X6), toplam enerji tüketimi (X7), ve eğitim yatırım harcamaları (X8). Çalışma, model eğitimindeki boyutsal farklılıkların girişimini ortadan kaldırmak için 8 gösterge verisini normalleştirmek için Z-puan standartlaştırma yöntemini kullandı. İlgili yıllar için ek istatistiksel verilere başvurulur ve bitişik yıl verilerinin doğrusal enterpolasyonu kullanılarak eksik olan küçük bir veri miktarı tamamlanırken, nihai veri setinde eksik değer kalmamıştır. 3σ kriteri anormal verileri tanımlamak için kullanıldı ve tespit edilen iki istisna özellik, anormal verilerin model eğitim etkisini etkilemesini önlemek için Winsorize edildi. Gerçek ekonomik tahmin senaryolarını simüle etmek, veri sızıntısı sorunlarını önlemek ve model genellemesi yetenek değerlendirmesinin güvenilirliğini artırmak için 2011-2017 verileri eğitim seti (7 örnek), 2018-2019 verileri doğrulama seti olarak (2 örnek) ve 2020 verileri test seti olarak kullanılan zaman serisi çapraz doğrulama yöntemi kullanıldı. Yöntem için gereken malzemeler Malzemeler Tablosu'nda gösterilmiştir.

Results

IGWO-SVM-GAN algoritmasının performans testi
IGWO-SVM-GAN algoritmasının optimizasyon performansını, özellik çıkarma etkinliğini ve tahmin kalitesini iyileştirme mekanizmasını sistematik olarak doğrulamak için araştırma üç aşamada gerçekleştirildi: Birinci aşamada algoritma optimizasyon yeteneklerini doğrulamak için kıyaslama test fonksiyonu kullanıldı. İkinci aşamada ise özellik çıkarma ve sınıflandırma performansını doğrulamak için tel halat veri seti kullanıldı. Üç...

Discussion

Çalışma, bölgesel ekonomik verilerin çıkarılması ve gelişim tahminini öne sürmek için IGWO-SVM-GAN algoritmasını uygular ve Anhui Eyaleti örnek olarak uygulanabilirliğini ve etkinliğini doğrular. Algoritmanın fonksiyon testi ve çelik tel ip veri seti testinde gösterdiği hızlı yakınsamaya ve yüksek tanıma doğruluğuna dayanarak, bölgesel ekonomik verilerin yüksek boyutlu ve güçlü dinamik özelliklerine uyum sağlayabileceği ve ekonomik analiz için yeni bir araç sağlayabileceğine inanılmaktad...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Intel Core i5-9300HF işlemci	Intel Corporation	CL8068404069607 (OEM/Ray versiyonu)
MATLAB 2020b Programlama Platformu	MathWorks	R2020b (sürüm numarası)
Windows 10 64 bit işletim sistemi	Microsoft Corporation	FQC-09131 (Windows 10 Pro Perakende SKU)