一种基于混合模型的税收收入预测方法及装置制造方法及图纸

本发明专利技术提出了一种基于混合模型的税收收入预测方法及装置，方法包括：利用支持向量回归模型的测试数据序列对训练数据序列进行测试，得到支持向量回归模型的预测值；利用自回归移动平均模型的测试数据序列对训练数据序列进行测试，得到自回归移动平均模型的预测值；利用人工神经网络模型的测试数据序列对训练数据序列进行测试，得到人工神经网络模型的预测值；将支持向量回归模型的预测值、自回归移动平均模型的预测值和人工神经网络模型的预测值分别代入混合模型中，计算出税收收入预测值。实施本发明专利技术的基于混合模型的税收收入预测方法及装置，具有以下有益效果：能将各种模型的优势进行很好地结合、模型参数具有自适应调节的能力、预测精度较高。

【技术实现步骤摘要】

本专利技术涉及税收收入预测领域，特别涉及一种基于混合模型的税收收入预测方法 及装置。
技术介绍
目前我国各地税务机构所使用的统计预测工具大多是国外软件，例如EVi ews、 SPSS modeler和SAS等，这些软件价格昂贵，并且用户体验不大符合中国国情，内置的算法 模型比较适合西方发达国家体系，因此，我国各地需要一整套适合各自的预测软件和算法 模型。 我国目前现行的税收收入预测模型包括回归、时间序列和人工神经网络等。这些 模型的建立或是关注税收收入与相关经济要素，或是发掘税收收入自身的规律特点，各种 模型有各自的适用范围和优势，但现有技术中不能将各种模型的优势进行很好地结合。但 随着数据挖掘和机器学习理论的进一步发展，各种税收收入预测模型有较大需要细化提高 的空间，同时也存在若干难点，总结为如下两方面： 首先，预测模型需要创新研究。现行的税收收入预测往往基于指数平滑法、时间序 列法等较为传统的预测模型，虽然时间序列法以税种自身的发展变化为重点，在这方面有 着天然的优势。但是随着大数据的出现、数据挖掘的发展和机器学习的深入，涌现出支持向 量机、组合建模等先进的建模的理论，需要引入到税收收入预测中来。其次，模型参数需要 自适应调节。比如人工神经网络具有较好的容错和容差能力，但在神经网络结构上有很多 人为因素，且模型的复杂性使其不能精确预测每一个系统参数，从而导致模型的泛化能力 较差。但现有传统的预测模型的模型参数不具有自适应调节的能力，导致预测精度不高。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的上述不能将各种模型的优势进行 很好地结合、模型参数不具有自适应调节的能力、预测精度不高的缺陷，提供一种能将各种 模型的优势进行很好地结合、模型参数具有自适应调节的能力、预测精度较高的无线自拍 系统及方法。 本专利技术解决其技术问题所采用的技术方案是：构造一种基于混合模型的税收收入 预测方法，包括如下步骤： A)获取税收收入预测样本序列，并将其作为训练数据序列； B)利用支持向量回归模型的测试数据序列对所述训练数据序列进行测试，得到支 持向量回归模型的预测值； C)利用自回归移动平均模型的测试数据序列对所述训练数据序列进行测试，得到 自回归移动平均模型的预测值； D)利用人工神经网络模型的测试数据序列对所述训练数据序列进行测试，得到人 工神经网络模型的预测值； E)将所述支持向量回归模型的预测值、自回归移动平均模型的预测值和人工神经 网络模型的预测值分别代入混合模型中，计算出税收收入预测值；所述混合模型中税收收 入预测值为一常数项与一含有所述支持向量回归模型的预测值、自回归移动平均模型的预 测值、人工神经网络模型的预测值和自适应回归参数的表达式之和； 所述步骤B)、步骤C)和步骤D)是并行执行的。 在本专利技术所述的基于混合模型的税收收入预测方法中，所述步骤E)中的混合模 型为y= Po+PA+P2V βΑ+e;其中，其中，y为税收收入预测值，为常数项，β i为第 一回归参数，X1为支持向量回归模型的预测值，β 2为第二回归参数，X2为自回归移动平均 模型的预测值，β 3为第三回归参数，X 3为人工神经网络模型的预测值，e为残差。 在本专利技术所述的基于混合模型的税收收入预测方法中，所述步骤B)进一步包括： BI)对所述训练数据序列进行对数变换，并取嵌入维度为二维，建立训练样本； B2)通过交叉配对实验，选择对应的核函数及相关参数； B3)建立以不敏感函数为损失函数的支持向量回归模型； B4)根据所述核函数及相关参数，利用所述支持向量回归模型求解相应的二次规 划问题，并得到相应的回归函数； B5)将所述训练样本代入所述回归函数中，通过计算得到所述支持向量回归模型 的预测值。 在本专利技术所述的基于混合模型的税收收入预测方法中，所述步骤C)进一步包括： Cl)对所述训练数据序列取对数，将其转换为呈线性趋势的样本序列； C2)采用单位根检验法判断所述样本序列是否为非平稳序列，如是，对所述样本序 列进行一阶差分处理，执行步骤C3);否则，执行步骤C4); C3)判断差分处理后的样本序列是否通过ADF检验，如是，认定所述差分处理后的 样本序列是平稳序列，执行步骤C4);否则，对所述差分处理后的样本序列进行比当前差分 阶数高一阶的差分处理，并继续进行本步骤的判断； C4)从非季节性模型、季节性模型和乘积模型中选择相应的模型； C5)利用选择的模型对所述平稳序列进行估计，并对估计结果进行白噪声检测，判 断是否通过检测，如是，则接受所述选择的模型，执行步骤C6);否则，返回步骤C4)再次进 行选择； C6)利用所述选择的模型计算所述自回归移动平均模型的预测值。 在本专利技术所述的基于混合模型的税收收入预测方法中，所述步骤D)进一步包括： Dl)根据所述训练数据序列随机确定初始矩阵； D2)建立人工神经网络模型，并用学习数据计算网络输出； D3)用反向公式对所述人工神经网络模型进行修正，直到用完所述学习数据时，得 到最终的人工神经网络模型； D4)根据所述最终的人工神经网络模型计算出所述人工神经网络模型的预测值。 本专利技术还涉及一种实现上述基于混合模型的税收收入预测方法的装置，包括： 训练数据序列获取单元：用于获取税收收入预测样本序列，并将其作为训练数据 序列； 支持向量回归预测值获取单元：用于利用支持向量回归模型的测试数据序列对所 述训练数据序列进行测试，得到支持向量回归模型的预测值； 自动回归移动平均预测值获取单元：用于利用自回归移动平均模型的测试数据序 列对所述训练数据序列进行测试，得到自回归移动平均模型的预测值； 人工神经网络预测值获取单元：用于利用人工神经网络模型的测试数据序列对所 述训练数据序列进行测试，得到人工神经网络模型的预测值； 税收收入预测值获取单元：用于将所述支持向量回归模型的预测值、自回归移动 平均模型的预测值和人工神经网络模型的预测值分别代入混合模型中，计算出税收收入预 测值；所述混合模型中税收收入预测值为一常数项与一含有所述支持向量回归模型的预测 值、自回归移动平均模型的预测值、人工神经网络模型的预测值和自适应回归参数的表达 式之和。 在本专利技术所述的装置中，所述税收收入预测值获取单元中的混合模型为y = β。+βΑ+βΑ+β3Χ3+θ;其中，其中，y为税收收入预测值，β。为常数项，β i为第一回归参 数，X1为支持向量回归模型的预测值，β 2为第二回归参数，X2为自回归移动平均模型的预 测值，β 3为第三回归参数，X 3为人工神经网络模型的预测值，e为残差。 在本专利技术所述的装置中，所述支持向量回归预测值获取单元进一步包括： 训练样本建立模块：用于对所述训练数据序列进行对数变换，并取嵌入维度为二 维，建立训练样本； 函数参数选择模块：用于通过交叉配对实验，选择对应的核函数及相关参数；[0042当前第1页1 2 3 4 5 本文档来自技高网...

【技术保护点】
一种基于混合模型的税收收入预测方法，其特征在于，包括如下步骤：A)获取税收收入预测样本序列，并将其作为训练数据序列；B)利用支持向量回归模型的测试数据序列对所述训练数据序列进行测试，得到支持向量回归模型的预测值；C)利用自回归移动平均模型的测试数据序列对所述训练数据序列进行测试，得到自回归移动平均模型的预测值；D)利用人工神经网络模型的测试数据序列对所述训练数据序列进行测试，得到人工神经网络模型的预测值；E)将所述支持向量回归模型的预测值、自回归移动平均模型的预测值和人工神经网络模型的预测值分别代入混合模型中，计算出税收收入预测值；所述混合模型中税收收入预测值为一常数项与一含有所述支持向量回归模型的预测值、自回归移动平均模型的预测值、人工神经网络模型的预测值和自适应回归参数的表达式之和；所述步骤B)、步骤C)和步骤D)是并行执行的。

【技术特征摘要】

【专利技术属性】
技术研发人员：陈乐华，张青，涂继来，黄晓晖，
申请(专利权)人：广州时韵信息科技有限公司，
类型：发明
国别省市：广东;44