發(fā)布時間：2018-06-20 01:51

  本文選題：支持向量機 + 稅收預(yù)測　； 參考：《廣東工業(yè)大學(xué)》2017年碩士論文

【摘要】：針對稅收預(yù)測存在著非線性、不穩(wěn)定性和多經(jīng)濟因素影響的復(fù)雜性,本文提出了基于支持向量機的稅收預(yù)測模型,并用該模型對廣東省從化市的稅收預(yù)測進行了實證分析.支持向量機是統(tǒng)計機器學(xué)習(xí)的核心內(nèi)容,它基于VC維理論和結(jié)構(gòu)風(fēng)險最小化理論,在模式識別、函數(shù)擬合以及回歸預(yù)測等領(lǐng)域得到了廣泛的應(yīng)用.在其應(yīng)用中,核函數(shù)的選擇以及正則化參數(shù)的設(shè)置對支持向量機的模型有很大的影響,所以本文采用智能的算法對支持向量機中的參數(shù)自動的進行選擇,經(jīng)常用的智能優(yōu)化算法有粒子群優(yōu)化算法、遺傳優(yōu)化算法、網(wǎng)格搜索算法.本文的主要工作如下:首先,由于支持向量機中的正則化參數(shù)C和徑向基核函數(shù)的參數(shù)g直接影響算法模型的預(yù)測效果,所以本文分別利用粒子群優(yōu)化算法、遺傳算法和網(wǎng)格搜索算法對正則化參數(shù)C和徑向基核函數(shù)的參數(shù)g進行尋優(yōu).其次,對于影響稅收收入的指標(biāo)進行主成分分析,消除指標(biāo)間的冗余變量,進行降維處理,把處理過的數(shù)據(jù)作為輸入數(shù)據(jù).最后,用粒子群尋優(yōu)得到的最佳的C為1.1859,最佳的g為0.1;用遺傳算法尋優(yōu)得到的最佳的C為4.4529,最佳的g為0.018172;用網(wǎng)格搜索算法得到的最佳的C為16,最佳的g為0.0039063.用粒子群算法進行參數(shù)優(yōu)化的支持向量機模型平均絕對百分比誤差和均方百分比誤差都是最小的,稅收預(yù)測模型達到了很好的效果.其次是遺傳算法進行優(yōu)化的支持向量機模型,最后是網(wǎng)格搜索算法進行優(yōu)化的支持向量機模型.同時本文還用未進行主成分分析的支持向量機各模型與進行主成分分析的支持向量機各模型進行對比,得到對稅收數(shù)據(jù)進行主成分分析的預(yù)測結(jié)果更優(yōu),準(zhǔn)確率更高,豐富了稅收預(yù)測的研究方法.
[Abstract]:Aiming at the complexity of nonlinear, unstable and multi-economic factors in tax forecasting, this paper puts forward a tax forecasting model based on support vector machine, and makes an empirical analysis of tax forecast in Conghua City, Guangdong Province by using this model. Support vector machine (SVM) is the core of statistical machine learning. It is widely used in pattern recognition, function fitting and regression prediction based on VC dimension theory and structural risk minimization theory. In its application, the choice of kernel function and the setting of regularization parameters have great influence on the model of support vector machine, so the intelligent algorithm is used to automatically select the parameters in support vector machine. The commonly used intelligent optimization algorithms are particle swarm optimization algorithm, genetic optimization algorithm and grid search algorithm. The main work of this paper is as follows: firstly, because the regularization parameter C in support vector machine and the parameter g of radial basis function directly affect the prediction effect of the algorithm model, the particle swarm optimization algorithm is used in this paper. Genetic algorithm and mesh search algorithm are used to optimize the regularization parameter C and the parameter g of radial basis function. Secondly, the principal component analysis (PCA) is carried out on the indicators that affect the tax revenue, and the redundant variables between the indexes are eliminated, the dimensionality is reduced, and the processed data is taken as the input data. Finally, the best C is 1.1859, the best g is 0.1, the best C is 4.4529, the best g is 0.018172, and the best C is 16 and the best g is 0.0039063. The average absolute percentage error and mean square percentage error of the support vector machine model based on particle swarm optimization are minimum, and the tax forecasting model achieves good results. Secondly, the support vector machine model is optimized by genetic algorithm, and the support vector machine model is optimized by grid search algorithm. At the same time, by comparing the support vector machine models without principal component analysis and the support vector machine models of principal component analysis, the prediction results of principal component analysis for tax data are better and the accuracy is higher. It enriches the research methods of tax forecast.
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：F812.42;TP18

【參考文獻】

相關(guān)期刊論文 前10條

1 付茂勁;;中國國際稅收研究會2016年調(diào)研課題[J];國際稅收;2016年04期

2 侯利強;楊善林;王曉佳;;基于粒子群優(yōu)化偏最小二乘支持向量機的我國稅收收入預(yù)測研究[J];中國管理科學(xué);2013年S1期

3 李翔;朱全銀;;基于Adaboost算法和BP神經(jīng)網(wǎng)絡(luò)的稅收預(yù)測[J];計算機應(yīng)用;2012年12期

4 張玉;尹騰飛;;支持向量機在稅收預(yù)測中的應(yīng)用研究[J];計算機仿真;2011年09期

5 張新波;;時間序列模型在稅收預(yù)測中的應(yīng)用[J];湖南稅務(wù)高等專科學(xué)校學(xué)報;2010年04期

6 張夢瑤;崔晉川;;基于時間序列法的國稅月度收入預(yù)測模型研究[J];系統(tǒng)科學(xué)與數(shù)學(xué);2008年11期

7 胡蓉;;多輸出支持向量回歸及其在股指預(yù)測中的應(yīng)用[J];計算機技術(shù)與發(fā)展;2007年10期

8 俞群;李為民;申卯興;;灰色數(shù)列預(yù)測在我國稅收預(yù)測中的應(yīng)用[J];系統(tǒng)仿真學(xué)報;2006年S2期

9 張紹秋;胡躍明;;基于BP神經(jīng)網(wǎng)絡(luò)的稅收預(yù)測模型[J];華南理工大學(xué)學(xué)報(自然科學(xué)版);2006年06期

10 李全亮;李懷祖;;正交尺度小波網(wǎng)絡(luò)在我國稅收預(yù)測中的應(yīng)用[J];系統(tǒng)工程理論方法應(yīng)用;2006年01期

相關(guān)碩士學(xué)位論文 前2條

1 王健峰;基于改進網(wǎng)格搜索法SVM參數(shù)優(yōu)化的說話人識別研究[D];哈爾濱工程大學(xué);2012年

2 徐子皇;吉林省財政支農(nóng)支出對農(nóng)業(yè)經(jīng)濟影響作用研究[D];東北師范大學(xué);2009年

，

本文編號：2042367