基于支持向量機的稅收預測模型研究.pdf

1、針對稅收預測存在著非線性、不穩(wěn)定性和多經(jīng)濟因素影響的復雜性，本文提出了基于支持向量機的稅收預測模型，并用該模型對廣東省從化市的稅收預測進行了實證分析.支持向量機是統(tǒng)計機器學習的核心內(nèi)容，它基于 VC維理論和結(jié)構(gòu)風險最小化理論，在模式識別、函數(shù)擬合以及回歸預測等領(lǐng)域得到了廣泛的應用.在其應用中，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

2、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進行主成分分析，消除指標間的冗余變量，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，

3、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