本文關鍵詞： 最小二乘支持向量機 粒子群優(yōu)化 稅收預測　出處：《計算機科學》2017年S1期 　論文類型：期刊論文

【摘要】：針對稅收收入預測存在著非線性、不穩(wěn)定性和多經濟因素影響的復雜性,提出用最小二乘支持向量回歸機的方法對廣東省從化市的稅收收入進行預測,并建立數(shù)學模型。由于模型中的參數(shù)C和σ~2直接影響支持向量機的預測效果,因此巧妙地融合了粒子群優(yōu)化算法的思想,采用粒子群算法對參數(shù)進行尋優(yōu)來確保預測模型的精確性和穩(wěn)定性。仿真實驗結果表明,相對于各參比模型,用粒子群算法對參數(shù)進行尋優(yōu)的最小二乘支持向量回歸機的預測精度有了顯著提高,從而說明了該模型的有效性和實用性。
[Abstract]:Aiming at the complexity of nonlinear, unstable and multi-economic factors in tax revenue prediction, a method of least square support vector regression machine is proposed to predict tax revenue in Conghua City, Guangdong Province. Because the parameters C and 蟽 2 in the model directly affect the prediction effect of support vector machine, the idea of particle swarm optimization algorithm is subtly integrated. The particle swarm optimization algorithm is used to optimize the parameters to ensure the accuracy and stability of the prediction model. The simulation results show that the model is relative to each reference model. The prediction accuracy of the least squares support vector regression machine with particle swarm optimization is improved significantly, which shows the validity and practicability of the model.
【作者單位】： 廣東工業(yè)大學應用數(shù)學學院;廣東工業(yè)大學自動化學院;
【基金】：國家自然科學基金項目(61472090,61203280) 廣東省自然科學基金項目(S2013050014133)資助
【分類號】：F812.42;TP18
【正文快照】： 本文受國家自然科學基金項目(61472090,61203280),廣東省自然科學基金項目(S2013050014133)資助。1引言稅收預測是以政府宏觀調控政策為指導,以充分掌握影響稅收收入變化的因素和稅收歷史資料為基礎,運用數(shù)理統(tǒng)計和邏輯思維方法等手段,經過推理判斷,對未來稅收收入的前景做出

【相似文獻】

相關期刊論文 前10條

1 李紹軍;王惠;錢鋒;;基于模式優(yōu)選思想改進的粒子群優(yōu)化算法[J];控制與決策;2006年10期

2 蘇俊霞;蔚承建;;基于粒子群優(yōu)化算法的自動機制設計[J];計算機工程與應用;2007年04期

3 何妮;吳燕仙;;粒子群優(yōu)化算法的研究[J];科技信息(科學教研);2008年06期

4 賀毅朝;王熙照;曲文龍;;一種具有雙重進化空間的擴展粒子群優(yōu)化算法[J];小型微型計算機系統(tǒng);2008年08期

5 王正帥;鄧喀中;;基于文化框架的隨機粒子群優(yōu)化算法[J];計算機科學;2012年06期

6 馮紀強;溫雅;;粒子群優(yōu)化的模糊特征[J];現(xiàn)代電子技術;2012年23期

7 田亞菲;張范勇;閻石;;基于粒子群優(yōu)化的細菌覓食優(yōu)化算法[J];控制工程;2012年06期

8 祁超;張曦;劉煥杰;張薈萃;;云環(huán)境下多群體協(xié)作粒子群優(yōu)化框架的研究[J];科技創(chuàng)新與應用;2013年36期

9 高海兵;周馳;高亮;;廣義粒子群優(yōu)化模型[J];計算機學報;2005年12期

10 羅平;姚立海;楊仕友;倪光正;唐躍進;;一種改進的粒子群優(yōu)化算法[J];江南大學學報(自然科學版);2007年05期

相關會議論文 前9條

1 徐俊杰;忻展紅;;基于增強型參考位置的粒子群優(yōu)化模型[A];’2004系統(tǒng)仿真技術及其應用學術交流會論文集[C];2004年

2 王亞;于永光;耿玲玲;;一類改進的自適應粒子群優(yōu)化算法對混沌系統(tǒng)未知參數(shù)的估計[A];中國力學大會——2013論文摘要集[C];2013年

3 王光輝;陳杰;潘峰;;多種群協(xié)同粒子群優(yōu)化算法求解動態(tài)環(huán)境優(yōu)化問題[A];第二十七屆中國控制會議論文集[C];2008年

4 楊雅偉;侍洪波;;量子粒子群優(yōu)化算法及其應用研究[A];中國儀器儀表學會第九屆青年學術會議論文集[C];2007年

5 趙建玉;賈磊;陳月輝;張勇;;基于粒子群優(yōu)化的信號交叉口交通流預測模型[A];第二十六屆中國控制會議論文集[C];2007年

6 趙秋玲;周雅莉;張奇志;;基于粒子群優(yōu)化的結構振動分布式反饋控制[A];2005年中國智能自動化會議論文集[C];2005年

7 肖龍光;丁曉東;謝集平;;粒子群優(yōu)化算法的改進[A];第二十三屆中國控制會議論文集（上冊）[C];2004年

8 龔挺;曹秀英;;基于粒子群優(yōu)化的偽距定位算法研究[A];第二屆中國衛(wèi)星導航學術年會電子文集[C];2011年

9 錢偉懿;王艷杰;;帶自適應壓縮因子粒子群優(yōu)化算法[A];中國運籌學會模糊信息與模糊工程分會第五屆學術年會論文集[C];2010年

相關博士學位論文 前10條

1 劉昊;多樣性增強的粒子群優(yōu)化算法及其應用研究[D];北京理工大學;2015年

2 姜毅;動態(tài)環(huán)境下粒子群優(yōu)化算法的研究[D];武漢大學;2013年

3 Shafiullah Khan;粒子群優(yōu)化算法及其在電磁設計中的應用[D];浙江大學;2017年

4 熊勇;粒子群優(yōu)化算法的行為分析與應用實例[D];浙江大學;2005年

5 唐賢倫;混沌粒子群優(yōu)化算法理論及應用研究[D];重慶大學;2007年

6 唐賢倫;混沌粒子群優(yōu)化算法理論及應用[D];重慶大學;2007年

7 徐慧;粒子群優(yōu)化算法改進及其在煤層氣產能預測中的應用研究[D];中國礦業(yè)大學;2013年

8 劉逸;粒子群優(yōu)化算法的改進及應用研究[D];西安電子科技大學;2013年

9 高芳;智能粒子群優(yōu)化算法研究[D];哈爾濱工業(yè)大學;2008年

10 張麗平;粒子群優(yōu)化算法的理論及實踐[D];浙江大學;2005年

相關碩士學位論文 前10條

1 陳卓;粒子群優(yōu)化算法的改進及在油藏數(shù)值模擬中的應用[D];北京建筑大學;2015年

2 白云;基于粒子群優(yōu)化算法的復雜網(wǎng)絡社區(qū)挖掘[D];西北農林科技大學;2015年

3 楊艷華;基于粒子群優(yōu)化支持向量機的網(wǎng)絡態(tài)勢預測模型研究[D];蘭州大學;2015年

4 鄭博;基于快速排序的多目標粒子群優(yōu)化算法的研究及應用[D];鄭州大學;2015年

5 米永強;非線性規(guī)劃問題的混合粒子群優(yōu)化算法研究[D];寧夏大學;2015年

6 李建美;基于自適應變異與文化框架的混沌粒子群優(yōu)化算法[D];陜西師范大學;2015年

7 劉星;基于粒子群優(yōu)化算法的特征選擇方法研究[D];南京大學;2015年

8 牛旭;動態(tài)粒子群優(yōu)化算法及其應用[D];西安電子科技大學;2014年

9 葉華;粒子群優(yōu)化算法研究[D];西安電子科技大學;2014年

10 楊青河;基于優(yōu)化控制思想的粒子群優(yōu)化算法改進研究[D];東北大學;2013年

，

本文編號：1450994