本申请公开了一种异常纳税人识别方法、装置、设备及存储介质，涉及税务安全领域，包括：获取目标纳税人的税务数据并构建税务数据训练集；确定与税务数据对应的纳税行为，并根据纳税行为确定若干经济指标；构建THOC网络并基于税务数据训练集和经济指标进行训练，并在THOC网络满足模型收敛条件后停止训练得到目标识别网络；获取待识别纳税人数据，并利用目标识别网络基于待识别纳税人数据进行异常纳税人识别。本申请构建THOC网络，采用数学语言描述税务问题，采用的THOC网络是一种自监督的学习方法，不需要数据标注，可以估计各自变量的未知参数，完善整体模型，改善异常数据识别的效果。
【技术实现步骤摘要】
本专利技术涉及税务安全领域，特别涉及一种异常纳税人识别方法、装置、设备及存储介质。
技术介绍
1、税收是国家公共财政的最主要收入形式和来源。尽管增值税防伪税控系统的推广使用，是税收征管和增加国家收入的一个强有力手段，但在税收风险管理方面仍然不足，还是主要依托于税收分析人员的业务经验，不仅主观成分浓厚，准确性不强，而且效率低下，尤其在虚开发票企业和走逃企业的判别上。借助机器学习算法和大数据技术，来构建非正常纳税人识别模型来识别纳税人是否正常，筛选出异常纳税人和企业，不仅可以提升可疑企业的监控识别效果和识别效率，而且有助于维持正常的税收和经济秩序。
2、目前虽然可以基于权重分配和不同方向的异常分析对纳税人的行为进行识别和判断，但算法过程比较单一，未考虑时间动态特征和多尺度时间特征的融合特征表示，从而导致对复杂情况的处理性较弱。并且纳税人的特征数据中由于异常纳税人数据往往只占整体数据的小部分，此时由于数据标注阶段会比较困难，导致对监督学习的方法不是很友好，因此如何进一步改善异常纳税人的识别效果是本领域有待解决的问题。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种异常纳税人识别方法、装置、设备及存储介质，通过构建thoc网络，采用数学语言描述税务问题，采用的thoc网络是一种自监督的学习方法，不需要数据标注，可以估计各自变量的未知参数，完善整体模型，改善异常数据识别的效果。其具体方案如下：
2、第一方面，本申请提供了一种异常纳税人识别方法，包括：
3、获取目标纳税人的税务数据，并根据所述税务数据构建税务数据训练集；所述税务数据包括正常纳税数据和异常纳税数据；
4、确定与所述税务数据对应的纳税行为，并根据所述纳税行为确定对应的若干经济指标；
5、构建thoc网络并基于所述税务数据训练集和所述经济指标进行模型训练，并在所述thoc网络满足预设模型收敛条件后，停止训练得到目标识别网络；所述thoc网络为用于时间序列异常检测的时间一类分类模型；
6、获取待识别纳税人数据，并利用所述目标识别网络基于所述待识别纳税人数据进行异常纳税人识别。
7、可选的，所述根据所述税务数据构建税务数据训练集之前，还包括：
8、基于预设数据清洗规则对所述税务数据进行数据清洗，以根据数据清洗后的税务数据构建所述税务数据训练集。
9、可选的，所述基于所述税务数据训练集和所述经济指标进行模型训练，包括：
10、通过预设循环神经网络提取所述税务数据训练集中所述税务数据的多尺度时间特征，以便基于所述多尺度时间特征和所述经济指标进行模型训练；所述预设循环神经网络为具有多分辨率的循环神经网络模型。
11、可选的，所述通过预设循环神经网络提取所述税务数据训练集中所述税务数据的多尺度时间特征之后，还包括：
12、通过所述预设循环神经网络中的聚类层对所述多尺度时间特征进行特征融合，以便通过融合后的多尺度时间特征进行模型训练。
13、可选的，所述通过所述预设循环神经网络中的聚类层对所述多尺度时间特征进行特征融合，包括：
14、确定所述预设循环神经网络中循环单元的隐含状态和所述聚类层中每个簇中心的相似度，并根据所述隐含状态和相似度得到所述多尺度时间特征对应的每个簇中心的分配概率；
15、基于所述分配概率和预设线性整流函数对所述多尺度时间特征行融合转换得到融合后的多尺度时间特征。
16、可选的，所述构建thoc网络并基于所述税务数据训练集和所述经济指标进行模型训练之后，还包括：
17、基于所述多尺度时间特征根据预设损失函数构建规则建立损失函数，以基于所述损失函数判断所述thoc网络是否满足所述预设模型收敛条件。
18、可选的，所述获取待识别纳税人数据，并利用所述目标识别网络基于所述待识别纳税人数据进行异常纳税人识别，包括：
19、获取待识别纳税人数据，并根据所述目标识别网络计算所述待识别纳税人数据对应的异常分数；
20、若所述异常分数大于预设异常分数阈值，则将所述待识别纳税人数据对应的纳税人识别为异常纳税人；
21、若所述异常分数不大于所述预设异常分数阈值，则将所述待识别纳税人数据对应的纳税人识别为正常纳税人。
22、第二方面，本申请提供了一种异常纳税人识别装置，包括：
23、数据集构建模块，用于获取目标纳税人的税务数据，并根据所述税务数据构建税务数据训练集；所述税务数据包括正常纳税数据和异常纳税数据；
24、指标确定模块，用于确定与所述税务数据对应的纳税行为，并根据所述纳税行为确定对应的若干经济指标；
25、模型训练模块，用于构建thoc网络并基于所述税务数据训练集和所述经济指标进行模型训练，并在所述thoc网络满足预设模型收敛条件后，停止训练得到目标识别网络；所述thoc网络为用于时间序列异常检测的时间一类分类模型；
26、数据识别模块，用于获取待识别纳税人数据，并利用所述目标识别网络基于所述待识别纳税人数据进行异常纳税人识别。
27、第三方面，本申请提供了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现前述的异常纳税人识别方法。
28、第四方面，本申请提供了一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的异常纳税人识别方法。
29、本申请首先获取目标纳税人的税务数据，并根据所述税务数据构建税务数据训练集，然后确定与所述税务数据对应的纳税行为，根据所述纳税行为确定对应的若干经济指标；通过构建thoc网络并基于所述税务数据训练集和所述经济指标进行模型训练，并在所述thoc网络满足预设模型收敛条件后，停止训练得到目标识别网络，之后获取待识别纳税人数据，并利用所述目标识别网络基于所述待识别纳税人数据进行异常纳税人识别。这样一来，可以通过构建thoc网络，采用数学语言描述税务问题，采用的thoc网络是一种自监督的学习方法，不需要数据标注，可以估计各自变量的未知参数，完善整体模型，并且thoc网络模型可以捕获多尺度的时间动态，有利于改善模型异常数据识别的效果。
本文档来自技高网...
【技术保护点】
1.一种异常纳税人识别方法，其特征在于，包括：
2.根据权利要求1所述的异常纳税人识别方法，其特征在于，所述根据所述税务数据构建税务数据训练集之前，还包括：
3.根据权利要求1所述的异常纳税人识别方法，其特征在于，所述基于所述税务数据训练集和所述经济指标进行模型训练，包括：
4.根据权利要求3所述的异常纳税人识别方法，其特征在于，所述通过预设循环神经网络提取所述税务数据训练集中所述税务数据的多尺度时间特征之后，还包括：
5.根据权利要求4所述的异常纳税人识别方法，其特征在于，所述通过所述预设循环神经网络中的聚类层对所述多尺度时间特征进行特征融合，包括：
6.根据权利要求3至5任一项所述的异常纳税人识别方法，其特征在于，所述构建THOC网络并基于所述税务数据训练集和所述经济指标进行模型训练之后，还包括：
7.根据权利要求1所述的异常纳税人识别方法，其特征在于，所述获取待识别纳税人数据，并利用所述目标识别网络基于所述待识别纳税人数据进行异常纳税人识别，包括：
8.一种异常纳税人识别装置，其特征在于，包括：
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的异常纳税人识别方法。
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的异常纳税人识别方法。
...
【技术特征摘要】
1.一种异常纳税人识别方法，其特征在于，包括：
2.根据权利要求1所述的异常纳税人识别方法，其特征在于，所述根据所述税务数据构建税务数据训练集之前，还包括：
3.根据权利要求1所述的异常纳税人识别方法，其特征在于，所述基于所述税务数据训练集和所述经济指标进行模型训练，包括：
4.根据权利要求3所述的异常纳税人识别方法，其特征在于，所述通过预设循环神经网络提取所述税务数据训练集中所述税务数据的多尺度时间特征之后，还包括：
5.根据权利要求4所述的异常纳税人识别方法，其特征在于，所述通过所述预设循环神经网络中的聚类层对所述多尺度时间特征进行特征融合，包括：
6.根据权利要求3至5任一项所述的异常纳税人识别方法，其特...
【专利技术属性】
技术研发人员：刘子星，吴文灿，王伟，徐煌，丁乐，
申请(专利权)人：税友信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。