數(shù)字經(jīng)濟的靶向路徑模型建立方法

潘思葳

（哥倫比亞大學，美國 紐約 10027）

0 引言

數(shù)字經(jīng)濟的核心為運用數(shù)字化的生產(chǎn)要素，通過現(xiàn)代信息網(wǎng)絡(luò)對經(jīng)濟結(jié)構(gòu)進行優(yōu)化[1]?；跀?shù)字經(jīng)濟的不斷發(fā)展，為驅(qū)動全球經(jīng)濟技術(shù)變革提供堅實的力量。杭州G20峰會明確指出：數(shù)字經(jīng)濟的重要功能就是促進中國經(jīng)濟高質(zhì)量發(fā)展。數(shù)字經(jīng)濟為全球經(jīng)濟的發(fā)展帶來了全新的機遇與挑戰(zhàn)，能夠通過數(shù)據(jù)優(yōu)勢與傳統(tǒng)產(chǎn)業(yè)相結(jié)合，為產(chǎn)業(yè)業(yè)態(tài)創(chuàng)新提供源動力。數(shù)字經(jīng)濟的發(fā)展是我國經(jīng)濟在全球范圍內(nèi)快速增長的先決條件，因此，必須重視并充分發(fā)揮數(shù)字經(jīng)濟的能動力[2]。數(shù)字經(jīng)濟的靶向路徑是依賴數(shù)字技術(shù)的創(chuàng)新，通過數(shù)據(jù)要素精準地滿足經(jīng)濟發(fā)展的需求。作為數(shù)字經(jīng)濟中的重要內(nèi)容，我國建立數(shù)字經(jīng)濟靶向路徑模型的方法層出不窮，但由于其在建立過程中缺少對數(shù)字經(jīng)濟的定量分析，導致數(shù)字經(jīng)濟的靶向路徑模型數(shù)字化密度指數(shù)低[3]；因此，對數(shù)字經(jīng)濟的靶向路徑模型建立方法的相關(guān)研究成為學術(shù)界研究的熱門話題。該文基于此提出數(shù)字經(jīng)濟的靶向路徑模型建立方法研究，致力于提高靶向路徑模型的數(shù)字化密度指數(shù)。

1 數(shù)字經(jīng)濟的靶向路徑模型建立方法

在建立數(shù)字經(jīng)濟的靶向路徑模型的過程中，需要對數(shù)字經(jīng)濟的靶向路徑進行相關(guān)整理與收集，通過標簽化的方式對數(shù)字經(jīng)濟的靶向路徑的相關(guān)數(shù)據(jù)進行預處理，具體方法包括刪除數(shù)字經(jīng)濟的靶向路徑冗余特征、填補數(shù)字經(jīng)濟的靶向路徑空值和噪聲點以及數(shù)字經(jīng)濟的靶向路徑特征降維。在該基礎(chǔ)上，通過模型訓練的方式，調(diào)整數(shù)字經(jīng)濟的靶向路徑模型參數(shù)，進而建立數(shù)字經(jīng)濟的靶向路徑模型[4]。該文設(shè)計的數(shù)字經(jīng)濟的靶向路徑模型建立方法整體流程如圖1 所示。

圖1 中6 步主要流程的具體研究內(nèi)容，如下文所述。

圖1 數(shù)字經(jīng)濟的靶向路徑模型建立方法流程

1.1 數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)挖掘

在建立數(shù)字經(jīng)濟的靶向路徑模型前，必須明確數(shù)字經(jīng)濟的靶向路徑模型的建立需求，預先選擇目標數(shù)據(jù)[5]。根據(jù)數(shù)字經(jīng)濟靶向路徑數(shù)據(jù)的范圍，基于數(shù)據(jù)挖掘算法運用K-means 聚類分析數(shù)字經(jīng)濟靶向路徑數(shù)據(jù)，以此實現(xiàn)對數(shù)據(jù)的挖掘，并對挖掘結(jié)果進行分析。數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)挖掘流程如圖2 所示。

圖2 數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)挖掘流程

首先，從不同的數(shù)字經(jīng)濟信息中任意抽取K個中心點，選擇初始簇的中心點；在提取數(shù)字經(jīng)濟的靶向路徑信息之前，先對其進行預處理，得到較為純凈的數(shù)字經(jīng)濟信息。其次，將各個不同的數(shù)字經(jīng)濟信息數(shù)據(jù)點配置到離該數(shù)據(jù)點最近的中心點，即分樣本簇點。最后，將多個不同的樣本數(shù)據(jù)簇的點劃分到距離其比較近的中心所表示的樣本簇中，即將與初始簇的中心點比較近的中心點劃分為一類。在該步驟中，引入距離公式得到公式（1）。

式中：d（x，y）為歐幾里得距離；n為數(shù)字經(jīng)濟信息的維度；i為數(shù)字經(jīng)濟的靶向路徑條數(shù)，i為實數(shù)；x、y分別為異種數(shù)字經(jīng)濟信息。

通過公式（1），以初始簇的中心點距離為指標，挖掘數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)，總結(jié)出數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)中潛在的隱藏信息，完成對數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)的挖掘。

1.2 刪除數(shù)字經(jīng)濟的靶向路徑冗余特征

以上述通過數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)挖掘得到的接近真實的數(shù)字經(jīng)濟的靶向路徑聚類中心為依據(jù)，考慮到數(shù)字經(jīng)濟的靶向路徑中存在的冗余特征會對模型建立造成干擾[6]；因此，需要對數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)進行加工，其目的是刪除數(shù)字經(jīng)濟的靶向路徑冗余特征。在設(shè)計相關(guān)算法前需要提取數(shù)字經(jīng)濟的靶向路徑的冗余特征，以實現(xiàn)對數(shù)字經(jīng)濟的靶向路徑的有效識別。在提取冗余特征的過程中，根據(jù)數(shù)據(jù)特點，從不同維度對靶向路徑數(shù)據(jù)進行分類處理，根據(jù)不同類別數(shù)據(jù)的相關(guān)性對其進行權(quán)值賦值。在完成對靶向路徑數(shù)據(jù)迭代權(quán)值與訓練樣本的定義后，分析其中高權(quán)重信息與低權(quán)值信息，去除低貢獻的低權(quán)值信息，保留高權(quán)值信息，并將其作為靶向路徑數(shù)據(jù)的冗余特征。反復迭代，構(gòu)建靶向路徑數(shù)據(jù)特征信息的集合。

在構(gòu)建特征信息集合的基礎(chǔ)上，以維護靶向路徑數(shù)據(jù)分類現(xiàn)狀為目標進行特征權(quán)值迭代。假設(shè)不同冗余特征之間均存在一定間隔，將存在無效信息的特定面作為靶向路徑數(shù)據(jù)可以識別的最大距離。確定存在冗余特征的靶向路徑數(shù)據(jù)間隔，如公式（2）所示。

式中：θ為靶向路徑數(shù)據(jù)間隔；x為靶向路徑數(shù)據(jù)；E（x）為距離靶向路徑數(shù)據(jù)x最近的同類冗余特征點；L（x）為與靶向路徑數(shù)據(jù)x屬于非同一類型的同類冗余特征點。

根據(jù)公式（2）獲取靶向路徑數(shù)據(jù)的具體冗余點，該過程為使用m×n表示多維度圖像矩陣。假設(shè)靶向路徑數(shù)據(jù)中存在n個冗余特征，將定義的n值存入數(shù)據(jù)庫；將待執(zhí)行訓練的圖像中第i個冗余特征樣本置于靶向路徑數(shù)據(jù)第N列中，假設(shè)靶向路徑數(shù)據(jù)每行或每列的初始化特征權(quán)值表示為0，即Wj=0，則冗余特征樣本的數(shù)據(jù)集合可表示為j=1，2，3，…，N。

同時，假設(shè)在存在冗余特征的靶向路徑數(shù)據(jù)中，訓練樣本的總個數(shù)為n，則需要在1～n對i值進行反復賦值。迭代權(quán)值的計算過程如公式（3）所示。

式中：為靶向路徑數(shù)據(jù)的初始化權(quán)值；xi為數(shù)字經(jīng)濟靶向路徑中的某一條數(shù)字經(jīng)濟信息；S為對靶向路徑數(shù)據(jù)抽樣過程中與xi同類的冗余樣本；Y為不同類的冗余樣本；E（xi）為與xi距離最近的坐標點；L（xi）為與xi屬于不同類的最近坐標點。

根據(jù)公式（3），在對存在冗余特征的靶向路徑數(shù)據(jù)進行刪除時，冗余特征樣本分別以同類數(shù)據(jù)與非同類數(shù)據(jù)的方式來表達，因此可認為權(quán)值較大的特征數(shù)據(jù)集合之間冗余特征相似度較高；反之相似度較小。因此，要刪除數(shù)字經(jīng)濟的靶向路徑冗余特征。

1.3 填補數(shù)字經(jīng)濟的靶向路徑空值和噪聲點

刪除數(shù)字經(jīng)濟的靶向路徑冗余特征后，為保證數(shù)字經(jīng)濟的靶向路徑模型建立的數(shù)字化覆蓋程度，需要采用中位數(shù)填補數(shù)字經(jīng)濟的靶向路徑空值和噪聲點[7]。完成上述步驟后，選擇數(shù)字經(jīng)濟的靶向路徑最大的壓縮特征值作為類標簽，標記為偽標記數(shù)據(jù)，設(shè)U類的偽標記數(shù)據(jù)個數(shù)是US，則U類偽標記的小波變換計算公式，如公式（4）所示。

式中：L為帶標簽的數(shù)字經(jīng)濟的靶向路徑壓縮數(shù)據(jù)的個數(shù)；Lc為靶向路徑壓縮數(shù)據(jù)的最大個數(shù)；x為靶向路徑數(shù)據(jù)；R為同類偽標記數(shù)據(jù)；F為同類帶標簽數(shù)字經(jīng)濟的靶向路徑壓縮數(shù)據(jù)平均相似度；i為數(shù)據(jù)次數(shù)。

結(jié)合公式（4），如果加入的偽標記數(shù)據(jù)能夠滿足一定數(shù)字經(jīng)濟的靶向路徑壓縮條件，則可以通過空值和噪聲點補償所需要滿足的條件，如公式（5）所示。

式中：m為自適應(yīng)壓縮噪聲補償數(shù)據(jù)個數(shù)；β為分類器錯誤率上限；θ為分類器噪聲率上限；R為同類偽標記數(shù)據(jù)；F為同類帶標簽數(shù)字經(jīng)濟的靶向路徑壓縮數(shù)據(jù)平均相似度；σ為當次迭代中偽標記數(shù)據(jù)的數(shù)量。

得出數(shù)字經(jīng)濟的靶向路徑空值和噪聲點補償函數(shù)后，需要重構(gòu)經(jīng)過壓縮處理的數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)[8]。在建立的模型中填補數(shù)字經(jīng)濟的靶向路徑空值和噪聲點的優(yōu)勢在于能夠?qū)⑿〔ㄗ儞Q的模糊隸屬函數(shù)代入壓縮噪聲補償中，減少傳統(tǒng)模型建立方法中根據(jù)平均值進行壓縮處理容易丟失細節(jié)的問題，得到最終數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)編碼，從根本上降低數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)壓縮比，從而保證數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)的數(shù)字化覆蓋程度。

1.4 數(shù)字經(jīng)濟的靶向路徑特征降維

在填補數(shù)字經(jīng)濟的靶向路徑空值和噪聲點的基礎(chǔ)上，基于主成分分析（PCA）的方式對數(shù)字經(jīng)濟的靶向路徑特征進行降維處理，其目的在于減少所考慮的隨機變量的數(shù)量。首先，構(gòu)建數(shù)字經(jīng)濟的靶向路徑特征數(shù)學表達式，設(shè)其目標函數(shù)為C，則有公式（6）。

式中：a為針對數(shù)字經(jīng)濟的靶向路徑的影響因素個數(shù)，a為實數(shù)；bn為該因素在數(shù)字經(jīng)濟的靶向路徑特征權(quán)重中的占比；Cn為最大特征值；n為次數(shù)，取值為1～n。

在得出數(shù)字經(jīng)濟的靶向路徑數(shù)學表達式后，采用基于多元線性回歸的TensorFlow 命名機制修正多重共線性，先將上面的多元線性回歸表達式轉(zhuǎn)換成對數(shù)表達式，則有公式（7）。

通過公式（7）改變表達式的自變量形式。其基本原理是以相關(guān)聯(lián)的自變量為基礎(chǔ)建立函數(shù)模型，從而達到降維的目的。假設(shè)最終維度降為N個，將上述80%的樣本數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)代入修正后的數(shù)字經(jīng)濟的靶向路徑特征表達式，回歸計算分析無關(guān)聯(lián)獨立影響因素的強度系數(shù)Ci（i=1～n），則有公式（8）。

通過公式（8），得出矩陣的無關(guān)聯(lián)獨立影響因素的強度系數(shù)，將其作為數(shù)字經(jīng)濟的靶向路徑特征降維結(jié)果。

1.5 調(diào)整數(shù)字經(jīng)濟的靶向路徑模型參數(shù)

通過上述操作，完成對數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)的預處理。在該基礎(chǔ)上，調(diào)整數(shù)字經(jīng)濟的靶向路徑模型參數(shù)，該參數(shù)分別為數(shù)字經(jīng)濟的靶向路徑常數(shù)誤差平方和以及極大似然估計值。在選取數(shù)字經(jīng)濟的靶向路徑模型指標的基礎(chǔ)上，為了對常數(shù)誤差平方和、極大似然估計值2 個指標進行精準計算，該文采用最小二乘法，以誤差平方求和的方式計算數(shù)字經(jīng)濟的靶向路徑常數(shù)誤差平方和[9]。設(shè)數(shù)字經(jīng)濟的靶向路徑常數(shù)誤差平方和的計算表達式為E，如公式（9）所示。

式中：N為數(shù)字經(jīng)濟的靶向路徑概率分布；k1為數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)高頻特征；fi為數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)更新頻率；k2為數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)低頻特征；α為網(wǎng)絡(luò)內(nèi)傳輸信號強度。

通過公式（9）可以計算出數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)常數(shù)誤差平方和。完成上述步驟后，根據(jù)最小二乘法中的二次函數(shù)，求導計算數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)常數(shù)誤差平方和，如公式（10）所示。

式中：fi為數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)更新頻率；k1為數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)高頻特征；k2為數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)低頻特征。

基于最小二乘法對常數(shù)的相位常數(shù)進行計算，利用二次函數(shù)來擬合解空間，在函數(shù)中求極大似然估計值，優(yōu)化常數(shù)參數(shù)精度。在計算過程中，目標函數(shù)與約束方程的關(guān)鍵參數(shù)均采用復雜的二次方程式進行擬合。設(shè)該目標函數(shù)的表達式為z，則有公式（11）。

式中：γ為數(shù)字經(jīng)濟的靶向路徑正交特征；Y為數(shù)據(jù)量綱。

通過公式（11）計算出數(shù)字經(jīng)濟的靶向路徑極大似然估計值。根據(jù)計算得出的結(jié)果，調(diào)整數(shù)字經(jīng)濟的靶向路徑模型參數(shù)。

1.6 實現(xiàn)數(shù)字經(jīng)濟的靶向路徑模型建立

以上文計算調(diào)整后的數(shù)字經(jīng)濟的靶向路徑模型參數(shù)為依據(jù)，通過上述公式建立數(shù)字經(jīng)濟的靶向路徑模型，得到目標函數(shù)和約束函數(shù)的回歸方程，確定數(shù)字經(jīng)濟的靶向路徑參數(shù)中自變量和因變量之間的函數(shù)關(guān)系F（X），如公式（12）所示。

式中：β為數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)高頻時校正因子。

通過公式（12）計算出數(shù)字經(jīng)濟的靶向路徑模型，以此實現(xiàn)對數(shù)字經(jīng)濟的靶向路徑模型的設(shè)計。

2 實例分析

2.1 實驗準備

為驗證所建立模型的科學性與準確性，選擇某行業(yè)數(shù)字經(jīng)濟指數(shù)作為實驗對象進行實例分析。實例分析內(nèi)容為測試數(shù)字經(jīng)濟的靶向路徑模型建立方法的適用性。該實驗選用的測試工具為Loadrunner，忽略其他會對模型運行產(chǎn)生影響的外界因素。首先，使用該文的方法建立數(shù)字經(jīng)濟的靶向路徑模型，使用MATLAB 軟件測得該行業(yè)的數(shù)字經(jīng)濟數(shù)字化密度指數(shù)，定義該組為實驗組。同時采用傳統(tǒng)的方法，建立數(shù)字經(jīng)濟的靶向路徑模型，同樣使用MATLAB 軟件測得該行業(yè)的數(shù)字經(jīng)濟數(shù)字化密度指數(shù)，作為對照組。為了在同一環(huán)境下完成對比驗證，將多種變量參數(shù)設(shè)定為完全一致，避免其他因素對實驗結(jié)果的影響。共開展10 次實驗，將計算所得的數(shù)字化密度指數(shù)計入數(shù)據(jù)記錄表。數(shù)字化密度指數(shù)越高表示該模型性能越好，能夠為數(shù)字經(jīng)濟的靶向路徑選擇策提供真實的數(shù)據(jù)。

2.2 實驗結(jié)果分析與結(jié)論

記錄并整理計算結(jié)果，某行業(yè)的數(shù)字經(jīng)濟數(shù)字化密度指數(shù)對比結(jié)果見表1。

表1 數(shù)字化密度指數(shù)對比表

通過表1 可知，采用該文提出的設(shè)計方法建立的數(shù)字經(jīng)濟的靶向路徑模型數(shù)字化密度指數(shù)明顯高于對照組，證明設(shè)計模型更具實際應(yīng)用價值，值得被大力推廣。

3 結(jié)語

該文對數(shù)字經(jīng)濟的靶向路徑模型建立方法進行了研究，在完成對該文研究成果的分析后可知，數(shù)字經(jīng)濟的靶向路徑模型是一種較為復雜的模型結(jié)構(gòu)，因此，需要采取數(shù)據(jù)預處理的方式提高建立模型的精度，并且在建立過程中，應(yīng)注意外界因素對數(shù)字經(jīng)濟的靶向路徑數(shù)據(jù)的干擾，避免模型因操作不當而出現(xiàn)與實際不匹配的問題。在未來的研究中，可以以數(shù)字經(jīng)濟的靶向路徑發(fā)展為主要研究方向，結(jié)合當下的國家政策，指明數(shù)字經(jīng)濟的靶向路徑主流方向。