文摘
预测区域经济活动是一个逐步区域经济研究的重要元素。区域经济预测可以直接协助当地、国家和地区政策制定者。地区经济活动的预测可用于定义宏观经济力量,如预测股票市场和国家劳动市场的周期性运动。机器学习的最新进展(ML)模型可以用来解决时间序列预测问题。自从毫升模型中所涉及的参数显著影响性能,参数调优过程也就变得非常重要了。这个动机,本研究发展一个quasioppositional布谷鸟搜索算法(QOCSA)和非线性支持向量机(SVM)的预测模型,QOCSO-NLSVM呼吁区域经济预测。QOCSO-NLSVM技术的目标是识别当前区域经济的地位。QOCSO-NLSVM技术如集群不同阶段,预处理、预测和优化。此外,QOCSO-NLSVM技术采用density-based聚类算法(DBSCAN)来确定相同的状态取决于人均NSDP增长趋势和socio-economic-demographic功能状态。此外,NLSVM模型是用于时间序列预测的过程,它所涉及的参数是由使用QOCSO经过调优的算法。 To showcase the effective performance of the QOCSO-NLSVM technique, a wide range of simulations take place using regional economic data. To determine the current economic situation in a region, the QOCSO-NLSVM technique is used. The simulation results reported the better performance of the QOCSO-NLSVM technique over recent approaches. The QOCSO-NLSVM technique generated effective results with a minimal mean square error of 70.548 or greater. Astonishingly good results were obtained using the QOCSO-NLSVM approach, which had the lowest root mean square error (RMSE) of 8.399.
1。介绍
提供的预测方法预测未来价值基于时间序列数据集通过假设未来的趋势和历史数据估算。这是用于决策过程的几个地区,如工业过程控制、风险管理、业务管理、人口统计学和经济学(1]。预测是一个重要的问题跨越几个领域,涉及金融、社会科学、政府经济学、环境科学、政治、医学、商业和工业。预测问题是归类为长期、短期、中期(2,3]。
预测区域经济活动是一个区域经济研究的重要组成部分。区域经济预测可以直接协助企业高管、地方、地方和国家政策制定者。这两个企业高管和决策者需要精确预测关键的经济总量,即就业、产出和收入用于中长期规划(4]。区域经济活动的预测曾解释宏观经济力量,涉及国家的劳动力市场的周期性波动和预测股票市场。此外,国际投资者从事大型跨国机构和区域层面也需要精确的预测投资计划的原因(5]。当没有缺乏的研究预测国民经济指标,研究区域经济预测是有限的对创新的经济体来说,在发展中国家的情况下,零(6]。短期预测问题是那些处理预测事件在更短的时间内(月,天,和周)。预测的担忧可能会远远超过1 - 2年后的未来,与中期预测延伸到未来。
预测方法与经济问题是用于预测经济变量在几个国家。行业波动率预测的几个重要问题的关键业务(7),而失业率的预测定义国家的经济和社会发展8,9]。径向基函数网络(RBF)和反向传播的安架构应用于经济领域。人工神经网络(ANN)技术被广泛研究的经济分析。执行安是一个计算系统,在硬件或软件的影响生物研究人类的大脑。几个作者承认安方法是更好的执行非线性分析技术以及最好的预测因素之一(10]。安架构应用于经济领域的径向基函数网络(RBF)和反向传播。
本研究设计一个quasioppositional布谷鸟搜索算法(QOCSA)与非线性支持向量机(SVM)的预测模型,QOCSO-NLSVM呼吁区域经济预测。density-based QOCSO-NLSVM技术涉及到设计的聚类算法(DBSCAN)来确定相同的状态取决于人均NSDP增长趋势和社会经济类到人口统计学特征状态。此外,NLSVM模型时间序列预测过程产生,它所涉及的参数由使用QOCSO经过调优的算法。的实验验证QOCSO-NLSVM技术和结果在各方面的检查。
研究工作的其余部分组织如下。部分2提供了最新的技术,部分3阐述了QOCSO-NLSVM技术。然后,部分4提供了性能验证和部分5总结研究的结果。
2。文献综述
Mishra和玛11]介绍了DL架构的分层聚类分析(HCA)是用于预测的增长。的方法包括HCA和DTW技术最初申请识别类似socio-economic-demographic特性在一个提供状态和类似的状态根据人均NSDP增长趋势,创建一个精确的训练数据集预测所有的州的NSDP人均增长。Lv et al。12)开发了一种LightGBM-enhanced LSTM实现股票价格预测,LSTM是用于预测300年深圳和上海索引,分别。仿真结果表明,该LightGBM-LSTM有更好的跟踪股指价格趋势和最大能力预测性能,及其效果优于RNN和格勒乌方法。LightGBM-optimized LSTM短期股价预测。比较其性能与其他深如RNN网络模型(递归神经网络)和格勒乌(封闭的复发性单元),LightGBM-LSTM, RNN,和格勒乌是用来预测沪深300指数,分别。实验结果表明,LightGBM-LSTM预测精度最高和最好的能力来追踪股票指数价格趋势。
朱et al。13)设计了一个实验的样本来自信息7日援引核心企业(CEs)和46援引中国安全市场的中小企业。马特et al。14]介绍了各种预测技术的相对评估使用高斯过程回归和ANN方法(MLP和时滞)大小。两个实时数据集用于评估研究中给出的预测方法。这些数据集是标准化值在一个零。接下来,培训实施和数据,构建时,系统是用于生成预测。因此,观测了验证如何精确拟合方法预测的值。
Chatzis et al。15)集成不同的ML方法,提出了日常货币,股票和债券数据来自39个国家,涉及了更大范围的经济。尤其利用一系列技术的优势,包括分类树、支持向量机、神经网络、射频、XGBoost和款。太阳et al。16)验证游客数量之间的协整和格兰杰因果关系在北京和互联网搜索索引。实验结果表明,与标准方法相比,凯尔姆经常提出模型,其中包括旅游卷系列与谷歌和百度指数可以显著提高预测性能的鲁棒性分析和预测的准确性。
3所示。该模型
在这项研究中,一个有效的QOCSO-NLSVM技术已经发展了区域经济预测。QOCSO-NLSVM技术包含几个子过程,即DTW-based预处理,DBSCAN-based集群、NLSVM-based预测,QOCSO-based参数优化。图1说明了QOCSO-NLSVM技术的总体工作流程。
3.1。数据预处理
的主要方法之一捕捉两个区域之间的相似之处,或在双因素提供地区内根据时间序列数据被命名为动态时间扭曲(DTW)。DTW是一种有效的方法用于学习相似基于两个序列之间的距离,可能不同的速度和量化基于时间的任何两对之间的相似之处。通常,DTW ML估计方法之间的最佳匹配两个序列提供了一些限制。顺序是“扭曲”非线性的时间维度定义的措施相似,独立的时间维度的非线性变化。每一对之间的欧几里得距离使用距离时间序列,比较它与欧氏距离。同时,DTW搜索最优比对两届系列之一。此外,所有的点是用于比较点最好的排列在两届系列根据距离矩阵。
3.2。DBSCAN技术所涉及的过程
DBSCAN可能会发现不同的集群基于评估的密度分布。它可以识别结构分组不知道他们的号码。以下说明了DBSCAN的基本前提:DBSCAN发现每个点附近的一个随机既无点p,它表示附近的最大半径p。构建一个密集的区域,MinPts所需的最小数量的点。当MinPts在远处,p代表一个核心观点。当p的核心观点,其附近的所有点被组合在一起。集群中的DBSCAN检测每个density-reachable点,并将其添加到集群可比。当一个点问与其他核心人口平易近人点但其邻居小于MinPts,它是一个边界点。局外人或嘈杂的点是无法从其他地方进行访问。通过提取集群连续DBSCAN实现聚类。代表,直到没有更多的density-reachable点确定,最终达到集群。DBSCAN的一组点分为低噪声边界点和高密度。DBSCAN的目的是识别相同的状态基于状态的人均NSDP增长趋势和社会经济类到人口统计学特征。DBSCAN是能够检测各种集群基于评估的密度分布。DBSCAN方法允许相同状态的计算基于人均收入。
假设两个点和 , 代表它们之间的相似之处,表示 - - - - - -附近的 ,在这 显示的密度值 :
3.3。NLSVM结构模型
NLSVM模型在预测过程中,接收集群数据作为输入来预测输出。假设一组训练与输入数据 和各自的二进制类标签 ,支持向量机分类提升者从随后的假设:
它等于
现在,非线性函数 将输入空间映射到一个高维特征空间。值得注意的是这个空间的维度确定以隐式的方式(这是无限维)。的代表一个偏差如下:
但与此同时,它从来不是评估这种形式。一个确定优化问题: 受到
允许错误分类的子集的不平等(因为重叠分布),取极小值对应于一个maximalization两个类之间的差距。表明积极的实常数,必须考虑作为一个调优参数。拉格朗日可以表示如下(17]:
拉格朗日乘子是 。图2描绘了SVM超平面。从优化概念,熟悉的解决方案被认为是通过拉格朗日函数的鞍点:
一个获
用拉格朗日,获随后二进制问题(拉格朗日乘子 ),即。,the quadratic programming problems:
因此,
现在和不估计。根据美世(Mercer)条件下,一个内核
最后,在二进制空间中,非线性支持向量机分类器
是一个积极的实常数,是一个真正的常数。非零的拉格朗日乘子被称为价值支持。各自的数据点被称为支持向量和决策边界附近放置。这是有助于分类方法的数据点。偏差遵循从马条件,没有进一步考虑。
各种选择的内核是可行的。(我) (线性支持向量机)(2) (多项式SVM的学位 )(3) (RBF kemel)(iv) (MLP SVM)
美世条件为每一个价值在RBF的情况下,而不是为每一个可行的选择 在延时的情况下。对于一个延时或RBF内核,隐藏单位的数量对应于支持向量的个数。
3.4。QOCSO算法参数优化设计
最佳调优的重量值NLSVM模型,QOCSO算法利用。方案算法假定metaheuristic技术,主要是建立了杨和Deb [18]。实际上,这个方案方法模拟杜鹃鸟的繁殖性能,应该是一种寄生。杜鹃鸟把蛋从其他巢穴和打蛋。杜鹃鸟尝试提高个人的鸡蛋孵化的可能性与主机通过生成相同的鸡蛋大小,形状,颜色,或把其他本地鸡蛋(1)算法。
|
方案技术,布谷鸟鸡蛋从不同的巢意味着候选人解决优化问题的一代。实际上,搜索从特定每窝巢的解决方案。这个解决方案是布谷鸟的进步依赖于模型识别(p),交换小说的灵感来自于消除的解决方案的。
在方案的方法,利用依赖于税收的航班是随机游走的分布产生新颖的候选解决方案(杜鹃)在当前一个如下: 在哪里是指的布谷鸟的价值 。一个和代表步大小(一般固定一个)和系数 相应的。创建一些新的解决方案的最佳礼物的利维散步来执行一个本地搜索与自我改进(19]。此外,一些新的解决方案创建离开的最佳礼物。这减少了机会的陷入局部最小,确保搜索能力。CS执行也确保精英主义下的最优巢保留迭代。
提出了斜的方法,目的是减少了计算时间,提高各种EAs的能力(20.]。因此,任意方案之间的比较算法和其相反的可能导致全局最优收敛率。此外,quasiopposite数量和显示,它是靠近最优解相比,相反的数量。因此,该方法的种群初始化创建根据QOBL概念。对任意数量 相反,它的数量表示如下:
然而,相反的点多维搜索空间(维度)是由以下方程:
quasiopposite没有。任意的没有。 表示如下(21]:
同样,quasiopposite点多维搜索空间(维)是由以下方程:
获得一个目标函数,可以推广的支持向量机的结果没有利用测试数据,交叉验证的方法是利用。交叉验证过程分区训练数据集随机进入不同的部分 ,和利用(年代−1)部分训练模型和测试模型。这个过程被重复次不同的部分,和泛化效率可由使用MSE(均方误差)在每一个测试的结果。 在哪里表示 - - - - - -测试过程和部分意味着解向量获得的培训过程。
4所示。绩效评估和讨论
的性能验证QOCSO-NLSVM技术使用镍钛Aayog网站的经济数据和印度央行(Reserve Bank of India)检查。数据包括几个特性,比如财政赤字,收入赤字,利息、资本支出,名义NSDP系列、社会部门支出,发电、基础设施项目,人均NSDP按成本要素(以不变价格),人均NSDP,许多工厂,state-wise固定资本,行业增长率和土地利用模式。表1和图3调查的实际和预测结果分析在不同年QOCSO-NLSVM技术。结果描述,QOCSO-NLSVM技术预测经济地位更接近实际值在所有运行。
例如,实际值为16855.712,QOCSO-NLSVM技术已达到预测值的16854.72,16784.71,16716.72,16799.72,和16851.73下运行1 - 5,分别。同时,实际值为18176.991,QOCSO-NLSVM系统完成了预期值为18110.02,18125.98,18285.98,18211.01,和18294.03下运行相应的1 - 5。此外,实际值为21138.478,QOCSO-NLSVM方法取得了预期值21028.50,21282.49,21097.47,21184.48,和21098.48下运行相应的1 - 5。此外,实际值为22231.951,QOCSO-NLSVM算法已经达到预测值的22310.96,22177.95,22379.96,22330.96,和22374.97下运行相应的1 - 5。
短暂的MSE QOCSO-NLSVM分析技术在各种运行和年图提供4和表2。实验值是用QOCSO-NLSVM技术,这导致了一个有效的结果用最小均方误差值。例如,在2012年,QOCSO-NLSVM技术导致至少MSE的70.997,138.996,55.994,3.979,和0.995,分别。与此同时,在2015年,QOCSO-NLSVM系统导致了最小均方误差为51.009,108.987,34.014,117.037,和66.972相应。与此同时,在2018年,QOCSO-NLSVM模型导致了最小均方误差为144.010,41.006,46.005,39.996,和109.978相应。同样,在2020年,QOCSO-NLSVM方法导致了最小均方误差为54.003,148.011,99.014,143.021和79.009。
短暂RMSE QOCSO-NLSVM的分析方法已经证明了多年并运行表3和图5。实验值表明QOCSO-NLSVM方法导致了杰出的结果与最小的权值。例如,在2012年,QOCSO-NLSVM系统导致最小均方根误差为8.426,22.790,7.483,1.995,0.997。与此同时,在2015年,QOCSO-NLSVM方法导致最小均方根误差为7.142,10.440,5.832,10.818和8.184。同时,在2018年,QOCSO-NLSVM过程导致最小的RMSE 12.000, 6.404, 6.783, 6.324和10.487。同样,在2020年,QOCSO-NLSVM方法导致最小均方根误差为7.349,12.166,9.951,11.959和8.889。
表4提出了一种完整的QOCSO-NLSVM方法的比较研究。
图6提供了MSE QOCSO-NLSVM技术与最近的分析方法。图显示LSTM和ARIMA模型获得可怜的性能更高的MSE的149.997和142.235,分别。同样,格勒乌和多元LSTM模型达到了中等MSE的128.357和95.184,分别。然而,QOCSO-NLSVM技术完成了有效的结果最小均方误差为70.548。
图7提供的RMSE QOCSO-NLSVM模型与当前的方法。上述图展览ARIMA和LSTM系统获得了表现不佳也相应高RMSE的11.926和12.247。同时,多元LSTM和格勒乌方法达到合理的RMSE 9.756和11.329,分别。但是,QOCSO-NLSVM过程获得了显著的结果与最小的RMSE 8.399。
从上述数据,确保了QOCSO-NLSVM模型是一种有效的区域经济预测方法在其他现有技术。
5。结论
在本研究中,提出了QOCSO-NLSVM技术已经发展了区域经济预测。QOCSO-NLSVM技术包含几个子过程,即基于DTW的预处理,DBSCAN-based集群、NLSVM-based预测,QOCSO-based参数优化。使用DBSCAN模型支持相同状态的计算根据人均NSDP增长趋势和社会经济类到人口统计学特征状态。此外,QOCSO算法的应用有助于正确地选择参数值,从而达到最大的预测结果。QOCSO-NLSVM技术用于发现相同的基于人均NSDP增长趋势和社会经济类到人口统计学特征状态。QOCSO-NLSVM用于运行各种各样的模拟区域经济数据,也用于评估一个地区的经济地位。的实验验证QOCSO-NLSVM技术和结果在各方面的检查。比较分析揭示QOCSO-NLSVM技术对最近的增强结果的方法。最小均方误差为70.548,QOCSO-NLSVM方法产生有效的结果。QOCSO-NLSVM技术成果显著,实现最低的均方根误差(RMSE)为8.399。 In the future, advanced DL models can be used to improve the overall prediction outcomes.
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突的任何金融机构关于报告的材料在这个手稿。