Unapređenje preciznosti predviđanja stope nezaposlenosti primenom modela rekurentnih neuronskih mreža optimizovanih metaheuristikama

Praćenje trendova nezaposlenosti od ključnog je značaja, jer predstavlja ključni indikator opšteg stanja ekonomije, omogućavajući kreatorima politika, vladama i centralnim bankama da procene ekonomske uslove i, kada je potrebno, sprovedu delotvorne politike. Ovi trendovi takođe imaju duboke društvene implikacije, utičući na javno zdravlje, društvenu dobrobit i društvenu stabilnost. Povišene stope nezaposlenosti često su povezane sa porastom siromaštva, društvenom nejednakošću i izazovima u oblasti mentalnog zdravlja. Nadalje, trendovi nezaposlenosti služe kao prediktori budućih ekonomskih kretanja, što naglašava važnost tačnog prognoziranja za kreatore politika, ekonomiste i preduzeća širom sveta. Tradicionalne metode prognoziranja često ne uspevaju da identifikuju složene, nelinearne obrasce u podacima, čime se ograničava njihova prediktivna tačnost. Tehnike mašinskog učenja (ML) nude obećavajuću alternativu zahvaljujući sposobnosti obrade velikih skupova podataka, otkrivanja skrivenih relacija i prilagođavanja dinamičnim ekonomskim uslovima. Oslanjajući se na napredne algoritme, pristupi zasnovani na ML-u mogu značajno unaprediti preciznost predviđanja stope nezaposlenosti. Shodno tome, ovaj rad uvodi hibridni pristup prognoziranju nezaposlenosti, zasnovan na modelu long short-term memory (LSTM) sa mehanizmima pažnje. Radi optimizacije performansi modela, primenjena je varijanta algoritma optimizacije rojem čestica (PSO) za fino podešavanje njegovih hiperparametara. Simulacije sprovedene na podacima iz stvarnog sveta, uz rigorozne komparativne i statističke analize u poređenju sa drugim metodama, pokazuju obećavajuće rezultate, potvrđujući potencijal ovog pristupa za dalekosežne socioekonomske koristi.