基于时间序列Prophet模型的乘用车消费税预测

发布时间：2022-01-24 12:51

　　运用时间序列模型预测未来的税收变化,对税收收入的组织、规划和决策具有重要的意义。为探索一种更为有效的方法来提高季节性行业的消费税预测准确率,文章采用基于可分解（趋势+季节+节假日）的Prophet模型,对2014—2019年不同排量乘用车消费税数据进行训练和测试,并运用2019年7—12月的乘用车消费税数据进行推算预测和实证分析,三类不同排量乘用车预测的平均误差分别为24.97%、5.70%、39.85%;若剔除12月,则平均误差分别为2.86%、4.90%、8.48%。这就给分行业分品目的税收预测提供了一种新思路。 

【文章来源】：税收经济研究. 2020,25(01)北大核心

【文章页数】：6 页

【部分图文】：

品目3序列拟合和预测

(4)Visually Inspect Forecasts:以可视化的方式反馈整个预测结果。当问题反馈给分析师后,分析师考虑是否进一步调整和构建模型。实验流程如图2,将原始数据集进行预处理,分为训练数据和测试数据,对Prophet预测模型进行训练和测试,完成训练后可用于乘用车消费税的预测。

实验流程如图2,将原始数据集进行预处理,分为训练数据和测试数据,对Prophet预测模型进行训练和测试,完成训练后可用于乘用车消费税的预测。四、实证结果分析

【参考文献】：
期刊论文
[1]基于小波ARMA模型的增值税销项税额预测[J]. 王静静,高山,崔玉卫,周平根.  税务研究. 2019(10)
[2]大数据背景下基于ARMA模型的增值税销项税额预测[J]. 赖慧慧.  税务研究. 2019(02)
[3]利用神经网络模型预测吉林省国税收入之探讨[J]. 刘岩.  税务与经济. 2014(02)
[4]支持向量机在税收预测中的应用研究[J]. 张玉,尹腾飞.  计算机仿真. 2011(09)
[5]基于BP神经网络税收模型的经济分析[J]. 沈存根.  扬州大学税务学院学报. 2010(03)
[6]基于支持向量机方法对非平稳时间序列的预测[J]. 王革丽,杨培才,毛宇清.  物理学报. 2008(02)
[7]基于支持向量机的税收预测模型的研究[J]. 常青,刘强.  计算机工程与设计. 2007(07)



本文编号：3606605