基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
基于RFPCC融合WOA策略的税收预测模型


[0001]本专利技术涉及预测模型构建，尤其涉及采用新的优化算法对
LSSVR
模型进行参数优化
。

技术介绍

[0002]在大多数模型当中普遍存在非线性
、
高维度以及多特征耦合输入的情况，支持向量机
(SupportVectorMachines,SVM)
模型广泛用于此类问题的描述
。SVM
是一种基于结构化风险最小化原理的机器学习方法，寻求最小化泛化误差的上限，具有非线性建模和解决小样本及维数灾难等问题的能力
。
其模型被广泛应用于经济，金融行业和电力行业等方面的预测
。
[0003]一般而言，支持向量机模型参数的选取，高维的数据输入，会影响模型泛化能力和预测精度
。
国内外学者在此方面进行了相应的研究
。
使用
RF
特征重要性
、
灰色关联度特征和肯德尔等级三种特征组合选择对发电功率影响最大的特征，进行了降维处理，提高了模型准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
RFPCC
融合
WOA
策略的税收预测模型，包括步骤：步骤一，融合随机森林
(Random Forest,RF)
和皮尔逊相关系数
(Pearson Correlation Coefficient,PCC)
的指标筛选方法
(RFPCC)
；步骤二，初始化最小二乘支持向量机回归模型
(Least Squares Support Vector Regression,LSSVR)
的参数
。
步骤三，采用鲸鱼优化算法
(Whale Optimization Algorithm,WOA)
确定
LSSVR
模型的两个超参数；步骤四，通过数据训练得出的模型对新数据进行预测
。2.
根据权利要求1所述一种
RFPCC
融合
WOA
策略的预测模型，其特征在于：所述步骤一中，具体步骤包括：应用
RFPCC
方法对原始特征进行分析，选取对预测结果影响较大的特征，实现对原始特征的筛选与降维
。3.
根据权利要求1所述一种
RFPCC
融合
WOA
策略的预测模型，其特征在于：所述步骤二中，具体步骤包括：对于
LSSVR
模型的参数选择，通过随机初始化参数
。LSSVR
利用非线性映射函数将样本向量映射到高维空间中，模型表达式为：其中，
ω
为权值向量，
b
为偏置量
。4.
根据权利要求1所述一种
RFPCC
融合
WOA
策略的预测模型，其特征在于：所述步骤三中，具体步骤包括：对于
LSSVR
模型的参数选择，使用
WOA
来优化
LSSVR
模型的超参数
C
和
Gamma
，寻找适应度函数的最小值
。
在圈记阶段，鲸鱼首先会识别并分享目标猎物的位置信息，然后其它鲸鱼也会逐渐靠近目标猎物
。
此阶段鲸鱼位置更新模型为
D
＝
|C
·
X
*
(t)
‑
X(t)|X(t+1)
＝
X
*
(t)
‑
A
·
D
其中，
X(t)
为当前鲸鱼所处的位置；
X
*
(t)
为当前最优鲸鱼所处的位置；
t
为当前迭代次数；
D
为鲸鱼当前所处的位置与猎物之间的距离；
A
·
D

【专利技术属性】
技术研发人员：胡水源，陈以，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：