基于电力消耗与隐特征融合的制造业增值税自适应多模预测

• 作 者: 苏龙飞
• 出 处: 中国矿业大学
• 发表日期: 2020年01期

税收安全问题关乎国家根本,当前企业税收稽查方式还停留在人工复核阶段,效率和可靠性均较低。基于税收预测模型对企业需纳税进行预测,税务部门通过预测值与实际纳税值间的差值比对可自动筛查异常纳税行为,因此,企业应纳税预测对于提高税务安全具有重要意义。传统往往直接根据各个企业历史纳税数据构建与之对应的纳税模型,此类方法忽略了纳税数据自身可能含有的偷漏税偏差,导致构建的纳税预测模型偏差较大,可信度较低,且模型数量过大,难以实际应用。若能引入第三方可靠数据,则可对单一纳税历史数据预测模型进行纠偏。以电力数据为主的企业能耗数据在可靠的同时与企业产值、纳税额密切相关,鉴于此本文研究基于企业电力消耗和历史纳税数据隐含特征挖掘的自匹配多模税务预测,主要内容如下:（1）基于企业电力消耗的制造业增值税自匹配多模预测:首先,针对典型制造业各类行业纳税和相应电力消耗数据,分析了电力消耗和纳税额之间的关联关系,并针对企业级用电和纳税数据源,设计双层K均值聚类算法,挖掘用电-纳税多类行为模式,获得不同模式的样本子集;然后,给出融合样本特征维度、类内平均距离,以及输入输出皮尔逊相关系数的样本训练复杂度的表征策略、基于复杂度的BP神经网络、多元回归网络等多模型的选择匹配机制,并利用各类模式样本集获得多预测模型库;基于企业电力消耗和实际纳税额,定义了企业的能效比,并参考样本点与类中心余弦距离,给出了单一企业应纳税待预测模型的自适应选择与匹配方法,完成对单一企业增值税的预测。将所提算法应用于某地区制造业企业增值税预测中,通过对比分析表明该算法在制造业单一企业增值税预测中的实用性与有效性。（2）电力消耗-纳税数据隐含特征融合的制造业增值税自适应集成预测:研究内容（1）仅仅利用了电力消耗数据,给出了具有模型自匹配的增值税多模预测策略,但是,该方法没有考虑企业纳税历史数据,难以体现纳税数据中隐含的纳税政策等时序关联的隐含特征。鉴于此,在研究内容（1）所提算法框架基础上,进一步考虑企业历史纳税数据中隐含的特征,设计了改进的集成预测算法。首先,考虑纳税数据的时序特性,采用长短期记忆网络（Long Short-Term Memory,LSTM）挖掘企业纳税的隐含特征;对具有相同或者相似用电-纳税行为模式的企业,将其纳税数据构建成二维矩阵,给出基于卷积神经网络（Convolutional Neural Networks,CNN）的空间特征提取策略;然后,将基于子空间映射的特征选择机制引入特征融合模块,实现对纳税隐含时空特征和电力消耗特征的融合表示,并依据能效比、融合特征向量及其对应类别标签训练分类器,分类器输出作为多模集成的权重,构建相应的自适应集成预测模型;最后,将算法应用于某地制造业纳税数据集,经验证所提算法可有效提升企业增值税的预测精度。本文研究内容针对制造业单一企业增值税预测问题,给出一种基于电力消耗的多模组合预测框架,然后进一步提取历史纳税隐含的特征,对输入模块进行重构,增强了多模集成的预测性能。实验结果表明了所提算法的优越性。该论文有图25幅,表20个,参考文献85篇。