一种基于数据挖掘的欠税预测方法及预测装置制造方法及图纸

本发明专利技术公开了一种基于数据挖掘的欠税预测方法，包括以下步骤，获取数据库中各企业的样本数据，所述样本数据包括多个纳税额以及与纳税额相对应的纳税周期；根据各企业的数据样本，建立BP神经网络模型；将各企业的样本数据输入到BP神经网络模型中，所述BP神经网络模型输出各企业的下一个纳税周期的欠税预测结果。本发明专利技术通过纳税系统中数据库现存的各个企业已有的纳税记录，建立BP神经网络模型，完成BP神经网络模型，再将数据库中各企业的样本数据输入到BP神经网络模型中，得出各企业下一纳税周期的欠税预测结果，便于相关政府部门根据各企业下一纳税周期的欠税预测结果对存在欠税风险的企业重点关注，有效减少企业欠税引起的税收流失的可能。

A device for tax prediction method and prediction based on Data Mining

The invention discloses a forecasting method based on data mining taxes, which comprises the following steps, each enterprise to obtain the sample data in the database, the sample data includes a plurality of tax amount and tax amount corresponding to the tax period; according to the enterprise data sample, a BP neural network model; input the sample data of each the BP neural network model, the prediction results of the BP neural network model of the output of the enterprises under a tax tax period. The present invention by each enterprise database has been existing tax system in the tax records, to establish BP neural network model, BP neural network model, then input the sample data of each enterprise in the database to the BP neural network model, the forecasting results of each enterprise under a tax tax period, to the relevant government departments according to the prediction of taxes the results of the next tax period there are taxes the risk of corporate focus, reduce corporate taxes caused by the loss of tax revenue may.

【技术实现步骤摘要】
一种基于数据挖掘的欠税预测方法及预测装置
本专利技术涉及数据挖掘领域，更具体地说涉及一种基于数据挖掘的欠税预测方法即预测装置。
技术介绍
税收政策是国家财政政策的一个重要组成部分，企业的纳税状况既关乎于国家财政收入，同时也关乎于企业的诚信度，一个企业如果出现欠税状况，会对国家以及企业自身造成负面影响，因此国家有必要对企业欠税情况进行预测判断。但是现有技术中，普遍的纳税系统无法对各个企业的欠税行为进行预测，导致无法得知企业非法纳税行为，对国家的财政收入造成极大的影响，同时也导致了某些不良企业非法纳税行为更加猖狂。
技术实现思路
本专利技术要解决的技术问题是：提供一种基于数据挖掘的欠税预测方法即预测装置。本专利技术解决其技术问题的解决方案是：一种基于数据挖掘的欠税预测方法，包括以下步骤：步骤A：获取数据库中各企业的样本数据，所述样本数据包括多个纳税额以及与纳税额相对应的纳税周期；步骤B：根据各企业的数据样本，建立BP神经网络模型；步骤C：将各企业的样本数据输入到BP神经网络模型中，所述BP神经网络模型输出各企业的下一个纳税周期的欠税预测结果。作为上述技术方案的进一步改进，所述BP神经网络模型包括多个输入神经元和输出神经元，所述步骤B包括以下步骤：步骤B1：初始化各个输入神经元与输出神经元之间的连接权重，设定输出神经元的激活函数、训练次数极限值、参考值以及误差精度；步骤B2：获取企业的样本数据；步骤B3：将样本数据输入到BP神经网络模型的输入神经元，根据输入神经元的输出值、连接权重以及激活函数计算输出神经元的输出值；步骤B4：根据输出神经元的输出值以及参考值，计算输出神经元的输出值和参考值的期望误差；步骤B5：根据步骤B4计算得到的期望误差，修正各个输入神经元与输出神经元之间的连接权重；步骤B6：判断步骤B4计算得到的期望误差是否小于误差精度，判断当前的训练次数是否大于训练次数极限值，如果期望误差小于误差精度或者训练次数达到训练次数极限值，BP神经网络模型完成；否则当前训练次数加一，获取下一个样本数据，返回步骤B3。作为上述技术方案的进一步改进，所述步骤B3中首先根据公式1计算输出神经元的输入值，公式1如下所示，其中Ij表示输出神经元的输入值，Wij表示输入神经元i与输出神经元j之间的连接权重，Oi表示输入神经元的输出值；之后根据激活函数计算输出神经元的输出值，所述激活函数如公式2所述，所述公式2如下所示，其中Oj表示输出神经元的输出值。作为上述技术方案的进一步改进，所述步骤B4中根据公式3计算输出神经元的输出值和参考值的期望误差，所述公式3如下所示，Ej＝sigmoid'(Oj)*(Tj-Oj)＝Oj(1-Oj)(Tj-Oj)，其中Ej表示输出神经元的期望误差，Tj表示参考值。作为上述技术方案的进一步改进，所述步骤B5根据公式4修正各个输入神经元与输出神经元之间的连接权重，所述公式4如下所示，Wij＝Wij+λEjOi，其中λ表示学习率系数，所述学习率系数取值范围在0到0.1之间。本专利技术的有益效果是：本专利技术首先通过纳税系统中数据库现存的各个企业已有的纳税记录，建立BP神经网络模型，完成BP神经网络模型，再将数据库中各企业的样本数据输入到BP神经网络模型中，得出各企业下一纳税周期的欠税预测结果，便于相关政府部门根据各企业下一纳税周期的欠税预测结果对存在欠税风险的企业重点关注，有效减少企业欠税引起的税收流失的可能。本专利技术同时还公开了一种基于数据挖掘的欠税预测装置，包括：数据获取模块，用于获取数据库中各企业的样本数据，所述样本数据包括多个纳税额以及与纳税额相对应的纳税周期；BP神经网络模型生成模块，用于根据各企业的数据样本，建立BP神经网络模型；欠税预测模块，用于将各企业的样本数据输入到BP神经网络模型中，得到各企业的下一个纳税周期的欠税预测结果。作为上述技术方案的进一步改进，所述BP神经网络模型生成模块包括：初始化单元，用于初始化各个输入神经元与输出神经元之间的连接权重，设定输出神经元的激活函数、训练次数极限值、参考值以及误差精度；输入单元：用于获取企业的样本数据，并将所述样本数据输入到BP神经网络模型输入神经元；第一计算单元，用于根据输入神经元的输出值、连接权重以及激活函数计算输出神经元的输出值；第二计算单元，用于根据输出神经元的输出值以及参考值，计算输出神经元的输出值和参考值的期望误差；第三计算单元，用于根据期望误差，修正各个输入神经元与输出神经元之间的连接权重；第一判断单元，用于判断期望误差是否小于误差精度；第二判断单元，用于判断当前的训练次数是否大于训练次数极限值；决策单元，所述决策单元被配置为期望误差小于误差精度或者训练次数达到训练次数极限值，BP神经网络模型完成；否则当前训练次数加一，获取下一个样本数据，继续执行计算。作为上述技术方案的进一步改进，所述第一计算单元首先根据公式1计算输出神经元的输入值，公式1如下所示，其中Ij表示输出神经元的输入值，Wij表示输入神经元i与输出神经元j之间的连接权重，Oi表示输入神经元的输出值；之后根据激活函数计算输出神经元的输出值，所述激活函数如公式2所述，所述公式2如下所示，其中Oj表示输出神经元的输出值。作为上述技术方案的进一步改进，所述第二计算单元根据公式3计算输出神经元的输出值和参考值的期望误差，所述公式3如下所示，Ej＝sigmoid'(Oj)*(Tj-Oj)＝Oj(1-Oj)(Tj-Oj)，其中Ej表示输出神经元的期望误差，Tj表示参考值。作为上述技术方案的进一步改进，所述第三计算单元根据公式4修正各个输入神经元与输出神经元之间的连接权重，所述公式4如下所示，Wij＝Wij+λEjOi，其中λ表示学习率系数，所述学习率系数取值范围在0到0.1之间。本专利技术的有益效果是：本专利技术通过纳税系统中数据库现存的各个企业已有的纳税记录，建立BP神经网络模型，完成BP神经网络模型，再将数据库中各企业的样本数据输入到BP神经网络模型中，得出各企业下一纳税周期的欠税预测结果，便于相关政府部门根据各企业下一纳税周期的欠税预测结果对存在欠税风险的企业重点关注，有效减少企业欠税引起的税收流失的可能。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本专利技术的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。图1是本专利技术的欠税预测方法实施例流程图；图2是本专利技术的欠税预测装置流程图。具体实施方式以下将结合实施例和附图对本专利技术的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本专利技术的目的、特征和效果。显然，所描述的实施例只是本专利技术的一部分实施例，而不是全部实施例，基于本专利技术的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本专利技术保护的范围。参照图1～图2，本专利技术为了便于政府相关部门对各个企业下一纳税周期的纳税情况进行预测，本专利技术创造公开了一种基于数据挖掘的欠税预测方法，其特征在于包括以下步骤：步骤A：获取数据库中各企业的样本数据，所述样本数据包括多个纳税额以及与纳税额相对应的纳税周期；步骤B：根据各企业的数据本文档来自技高网...

【技术保护点】
一种基于数据挖掘的欠税预测方法，其特征在于包括以下步骤：步骤A：获取数据库中各企业的样本数据，所述样本数据包括多个纳税额以及与纳税额相对应的纳税周期；步骤B：根据各企业的数据样本，建立BP神经网络模型；步骤C：将各企业的样本数据输入到BP神经网络模型中，所述BP神经网络模型输出各企业的下一个纳税周期的欠税预测结果。

【技术特征摘要】
1.一种基于数据挖掘的欠税预测方法，其特征在于包括以下步骤：步骤A：获取数据库中各企业的样本数据，所述样本数据包括多个纳税额以及与纳税额相对应的纳税周期；步骤B：根据各企业的数据样本，建立BP神经网络模型；步骤C：将各企业的样本数据输入到BP神经网络模型中，所述BP神经网络模型输出各企业的下一个纳税周期的欠税预测结果。2.根据权利要求1所述的一种基于数据挖掘的欠税预测方法，其特征在于：所述BP神经网络模型包括多个输入神经元和输出神经元，所述步骤B包括以下步骤：步骤B1：初始化各个输入神经元与输出神经元之间的连接权重，设定输出神经元的激活函数、训练次数极限值、参考值以及误差精度；步骤B2：获取企业的样本数据；步骤B3：将样本数据输入到BP神经网络模型的输入神经元，根据输入神经元的输出值、连接权重以及激活函数计算输出神经元的输出值；步骤B4：根据输出神经元的输出值以及参考值，计算输出神经元的输出值和参考值的期望误差；步骤B5：根据步骤B4计算得到的期望误差，修正各个输入神经元与输出神经元之间的连接权重；步骤B6：判断步骤B4计算得到的期望误差是否小于误差精度，判断当前的训练次数是否大于训练次数极限值，如果期望误差小于误差精度或者训练次数达到训练次数极限值，BP神经网络模型完成；否则当前训练次数加一，获取下一个样本数据，返回步骤B3。3.根据权利要求2所述的一种基于数据挖掘的欠税预测方法，其特征在于：所述步骤B3中首先根据公式1计算输出神经元的输入值，公式1如下所示，其中Ij表示输出神经元的输入值，Wij表示输入神经元i与输出神经元j之间的连接权重，Oi表示输入神经元的输出值；之后根据激活函数计算输出神经元的输出值，所述激活函数如公式2所述，所述公式2如下所示，其中Oj表示输出神经元的输出值。4.根据权利要求3所述的一种基于数据挖掘的欠税预测方法，其特征在于：所述步骤B4中根据公式3计算输出神经元的输出值和参考值的期望误差，所述公式3如下所示，Ej＝sigmoid'(Oj)*(Tj-Oj)＝Oj(1-Oj)(Tj-Oj)，其中Ej表示输出神经元的期望误差，Tj表示参考值。5.根据权利要求4所述的一种基于数据挖掘的欠税预测方法，其特征在于：所述步骤B5根据公式4修正各个输入神经元与输出神经元之间的连接权重，所述公式4如下所示，Wij＝Wij+λEjOi，其中λ表示学习率系数，所述学习率系数取值范围在0到0.1之间。6.一种基于数据挖...

【专利技术属性】
技术研发人员：段然，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：广东,44