基于特征选择和深度学习模型的经济效益风险预测OA
大数据、云计算和人工智能技术的结合显著提升了企业金融数据处理能力.为提高对中小企业经济效益风险预测的准确性和可靠性,提出了基于多元宇宙优化(multi-verse optimization,MVO)算法和双向门控递归单元(bidirectional gated recurrent units,BiGRU)的经济效益风险预测框架.首先,对复杂金融数据进行特征归一化.其次,使用MVO算法选出最优特征子集.其后,利用BiGRU深度学习模型完成对中小企业经济效益风险的评估.利用基于模型的序贯优化(sequential model-based algorithm configuration,SMAC)算法对BiGRU模型进行参数调优,优化BiGRU模型的参数配置,提高模型的性能和泛化能力.SMAC算法可以自动搜索参数空间中的最佳组合,从而找到最优的模型配置.实验结果表明,所提混合模型在预测中小企业经济效益风险任务中表现出较高的准确性和预测能力,优于同类先进方法,证实了特征选择和深度学习模型在经济效益风险分析中的潜力和重要性.
刘海宏;鱼明;刘静;吴睿辉
广州南洋理工职业学院经济管理学院,广东广州510900 马来西亚吉兰丹大学管理学院,马来西亚吉兰丹州哥打巴鲁16250石河子大学经济与管理学院,新疆石河子832000喀什大学计算机科学与技术学院,新疆喀什844000广州南洋理工职业学院经济管理学院,广东广州510900 马来西亚吉兰丹大学管理学院,马来西亚吉兰丹州哥打巴鲁16250
计算机与自动化
经济效益风险预测深度学习特征选择多元宇宙优化双向门控递归单元
《南京师范大学学报（工程技术版）》 2024 (4)
P.87-92,6
广东省教育厅项目(2021GXJK595、2021TSZK021)广东省哲学社会科学规划项目(GD22XYJ28).
评论