一种多维度区域经济发展监测方法技术

本发明专利技术属于多维度区域监测领域，具体涉及一种多维度区域经济发展监测方法。包括：建立区域经济发展监测的多维度区域经济发展指标；对多维度区域经济发展指标，采用的Pearson相关分析筛选出与经济发展最相关的若干二级指标；根据筛选出的二级指标构建多维度区域经济发展指标体系，每个维度分别对应若干指标，以及指标的含义和对应的指标编码；将多维度区域经济发展指标进行归一化处理；将归一化处理后的数据应用基于改进粒子群的RBF神经网络训练得到区域经济发展监测模型；使用监测模型对区域经济发展进行监测。本发明专利技术提出的多维度区域经济发展监测方法，将区域指标值经过本发明专利技术的评价模型得到评价结果，与现有区域经济发展识别评价方法对比，本发明专利技术所提的区域经济发展评价准确率高具有准确性高的优点，可以有效监测区域经济发展情况。区域经济发展情况。区域经济发展情况。

【技术实现步骤摘要】
一种多维度区域经济发展监测方法


[0001]本专利技术属于多维度区域监测领域，具体涉及一种多维度区域经济发展监测方法。

技术介绍

[0002]区域经济发展与家庭经济状况是经济研究的两种不同方向，家庭经济状况与区域经济发展均有多维属性，但具体属性不同。区域经济发展监测与家庭经济状况监测不能简单的等同处理，而是两个不同的问题。区域经济发展识别的一些研究方法：标准差椭圆法、空间自相关分析法、平均夜间灯光指数法、核密度估计法、地理探测器法等，但这些研究方法在评估区域经济发展时准确性并不高。目前，在区域经济发展监测这一方面缺乏相关研究，亟需一种有效的区域经济发展监测手段。
[0003]随着人工神经网络的不断发展，其应用领域日益广泛。在区域经济发展方面，已有学者们将BP神经网络应用在区域经济发展评估中，但BP神经网络存在收敛速度慢等问题，神经网络在区域经济发展方面的应用仍需要进一步改进。
[0004]现有技术的缺陷和不足：
[0005]1.目前，多数区域经济发展研究方法准确性不高，缺乏有效的区域经济发展监测手段。
[0006]2.目前，多数区域经济发展研究方法缺乏客观性、公正性，多指标综合评价中很难降低人为因素对指标权重的影响，不能较好的反映区域经济发展的真实情况。
[0007]3.BP神经网络存在收敛速度慢的缺点，需要其他神经网络算法与优化算法结合解决当前BP神经网络在区域经济发展方面的缺点。

技术实现思路

[0008]本专利技术所要解决的技术问题在于提供一种多维度区域经济发展监测方法，能够最大程度地反映区域经济发展的真实情况。
[0009]本专利技术是这样实现的，
[0010]一种多维度区域经济发展监测方法，该方法包括：
[0011]S1.建立区域经济发展监测的多维度区域经济发展指标；
[0012]S2.对多维度区域经济发展指标，采用的Pearson相关分析筛选出与经济发展最相关的若干二级指标；
[0013]S3.根据筛选出的二级指标构建多维度区域经济发展指标体系，每个维度分别对应若干指标，以及指标的含义和对应的指标编码；
[0014]S4.将多维度区域经济发展指标进行归一化处理；
[0015]S5.将归一化处理后的数据应用基于改进粒子群的RBF神经网络训练得到区域经济发展监测模型；
[0016]S6.使用监测模型对区域经济发展进行监测。
[0017]进一步地，多维度包括：人口维度、经济维度、电力维度、社会维度和自然维度5个
维度。
[0018]进一步地，从5个维度中对应每个维度选取二级指标，其中Pearson相关系数法的公式为：
[0019][0020]r为Pearson相关系数，X
b
，Y
b
为两个变量样本值，为样本平均值，z为样本数量，其中Pearson相关系数r越接近于1或
‑
1，相关度越强，相关系数r越接近于0，相关度越弱；
[0021]显著性水平t的公式为：
[0022][0023]通过显著性水平t和自由度z
‑
2，利用t分布查表得到某件事情的发生至少有n％的把握。
[0024]进一步地，归一化处理将不同指标分为保持原值和线性函数归一化，当指标值为百分比结果时，则该指标保持原值，当指标值为其他结果时，则该指标采用线性函数归一化处理，得到一个百分比值，若该指标值大于该指标值的阈值上限值，则将该指标值默认为该指标值的阈值上限值。
[0025]进一步地，将归一化处理后的数据应用基于改进粒子群的RBF神经网络训练得到区域经济发展监测模型包括：
[0026]S501.将多维度区域经济发展指标值作为网络的输入，将该区域经济发展指数作为网络的输出，根据输入、输出变量，确定网络输入层为15个神经元节点，网络隐含层为20个神经元节点，网络输出层为1个神经元节点，其中，输入、输出训练样本集为M组；
[0027]S502.应用改进粒子群算法进行编码，并将粒子群初始化，初始化粒子的位置x
id
及速度v
id
，确定粒子个数N、惯性因子初值ω、最大迭代数k
max
、学习系数c1和c2、初始化p
id
和p
gd
；
[0028]将要优化的基宽参数中心矢量C
i
和网络权向量W
i
初值连接成一个向量，将该向量作为改进粒子群所要寻找的位置向量，进行浮点编码，在D维空间内搜索的粒子编码格式：
[0029]粒子位置：x1,x2,
…
,x
D
；粒子速度：v1,v2,
…
,v
D
；目标函数：f(x1,x2,
…
,x
D
)，
[0030]粒子个体为[x1,x2,
…
,x
20
]对应[x
21
,x
22
,
…
,x
40
]对应C
i
＝[c1,c2,
…
,c
20
]，[x
41
,x
42
,
…
,x
60
]对应W
i
＝[w1,w2,
…
,w
20
]；
[0031]S503.将所有粒子进行译码，得到对应的RBF神经网络参数，计算M组输入样本在所得RBF神经网络参数下的M组输出，将其和M组输出样本带入均方差适应度函数，得到每个粒子的适应度值，即该粒子的P
id
；
[0032]S504.对粒子的适应度函数进行评估，将最好的粒子适应度值作为全局适应度值，得到改进粒子群算法的P
gd
；保存该粒子序号，对应的适应度值就是下次迭代中RBF神经网络
的最优参数；
[0033]S505.如果P
gd
达到改进粒子群算法的结束条件，则退出改进粒子群算法寻优，执行步骤S507；反之，则执行步骤S506；
[0034]S506.将所有粒子的速度、位置进行更新；
[0035]S507.将P
gd
所对应的粒子进行译码，将此值作为RBF神经网络的初值，进行局部优化；
[0036]S508.将局部优化后的参数进行编码，如果P
gd
达到设定值，迭代达到最大次数或最小误差要求时，则停止迭代；如果偏差超出设定值，则再返回步骤S506，对改进粒子群算法全局寻优；
[0037]S509.将归一化的多维度区域经济发展指标值作为基于改进粒子群的RBF神经网络的输入，将地区经济发展指数作为基于改进粒子群的RBF神经网络的输出，使用部分训练数据进行训练定RBF神经网络最优初始参数，其中，地区经济发展指数是描述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多维度区域经济发展监测方法，其特征在于，该方法包括：S1.建立区域经济发展监测的多维度区域经济发展指标；S2.对多维度区域经济发展指标，采用的Pearson相关分析筛选出与经济发展最相关的若干二级指标；S3.根据筛选出的二级指标构建多维度区域经济发展指标体系，每个维度分别对应若干指标，以及指标的含义和对应的指标编码；S4.将多维度区域经济发展指标进行归一化处理；S5.将归一化处理后的数据应用基于改进粒子群的RBF神经网络训练得到区域经济发展监测模型；S6.使用监测模型对区域经济发展进行监测。2.按照权利要求1所述的多维度区域经济发展监测方法，其特征在于，多维度包括：人口维度、经济维度、电力维度、社会维度和自然维度5个维度。3.按照权利要求2所述的多维度区域经济发展监测方法，其特征在于，从5个维度中对应每个维度选取二级指标，其中Pearson相关系数法的公式为：r为Pearson相关系数，X
b
，Y
b
为两个变量样本值，为样本平均值，z为样本数量，其中Pearson相关系数r越接近于1或
‑
1，相关度越强，相关系数r越接近于0，相关度越弱；显著性水平t的公式为：通过显著性水平t和自由度z
‑
2，利用t分布查表得到某件事情的发生至少有n％的把握。4.按照权利要求1所述的多维度区域经济发展监测方法，其特征在于，归一化处理将不同指标分为保持原值和线性函数归一化，当指标值为百分比结果时，则该指标保持原值，当指标值为其他结果时，则该指标采用线性函数归一化处理，得到一个百分比值，若该指标值大于该指标值的阈值上限值，则将该指标值默认为该指标值的阈值上限值。5.按照权利要求1所述的多维度区域经济发展监测方法，其特征在于，将归一化处理后的数据应用基于改进粒子群的RBF神经网络训练得到区域经济发展监测模型包括：S501.将多维度区域经济发展指标值作为网络的输入，将该区域经济发展指数作为网络的输出，根据输入、输出变量，确定网络输入层为15个神经元节点，网络隐含层为20个神经元节点，网络输出层为1个神经元节点，其中，输入、输出训练样本集为M组；S502.应用改进粒子群算法进行编码，并将粒子群初始化，初始化粒子的位置x
id
及速度v
id
，确定粒子个数N、惯性因子初值ω、最大迭代数k
max
、学习系数c1和c2、初始化p
id
和p
gd
；将要优化的基宽参数中心矢量C
i
和网络权向量W
i
初值连接成一个向量，将该向量作为改进粒子群所要寻找的位置向量，进行浮点编码，在D维空间内搜索的粒子编码格式：
粒子位置：x1,x2,
…
,x
D
；粒子速度：v1,v2,
…
,v
D
；目标函数：f(x1,x2,
…
,x
D
)，粒子个体为[x1,x2,
…
,x
20
]对应[x
21
,x
22
,
…
,x
40
]对应C
i
＝[c1,c2,
…
,c
20
]，[x
41
,x
42
,
…
,x
60
]对应W
i
＝[w1,w2,
…
,w
20
]；S503.将所有粒子进行译码，得到对应的RBF神经网络参数，计算M组输入样本在所得RBF神经网络参数下的M组输出，将其和M组输出样本带入均方差适应度函数，得到每个粒子的适应度值，即该粒子的P
id
；S504.对粒子的适应度函数进行评估，将最好的粒子适应度值作为全局适应度值，得到改进粒子群算法的P
gd
；保存该粒子序号，对应的适应度值就是下次迭代中RBF神经网络的最优参数；S505.如果...

【专利技术属性】
技术研发人员：胡博，李广野，张佳鑫，杨超，徐健，张鹏飞，乔路丽，刘盛琳，冯忠楠，由广浩，刘述鑫，孙琼，宋建波，闵杰，
申请(专利权)人：国网辽宁省电力有限公司国家电网有限公司，
类型：发明
国别省市：