基于深度学习的大型企业非增值税欠税预测

发布时间：2020-04-02 16:35

【摘要】：随着人工智能的不断发展和应用,通过深度学习等方法对大量的数据进行分析和预测,将得到的结果应用于各个所需领域,为各个所需领域带来很多便利。本文利用深度学习算法针对税收数据进行大型企业非增值税欠税预测,能够更好地为税务稽查人员服务,提高稽查人员的决策质量和效率,从而保障国家的税收收入。在对税收数据进行分析时,其数据量庞大且复杂,难以直接对数据进行分析,因此在税收分析预测过程中需要对原始数据进行处理,建立符合业务逻辑、满足需求的数据仓库,它是以南海区大型企业的缴税信息数据和基本信息数据为基础,结合专业税务知识对数据进行预处理,清洗掉非法数据、冗余数据、错误数据等其他形式的噪声数据,建立符合本文主题的事实表和多个维表,从而建立的非增值税税务数据仓库。随后以非增值税税收数据仓库中的数据为基础从多个维度去考虑影响企业欠税的特征属性,实验发现企业欠税行为与地理区域、行业类型、注册类型有一定的时间关联性,最终结合税务人员提供的有关知识和经验确定影响企业欠税的多个特征属性,其中包含了财务方面的数据、纳税人的信息、纳税数据。最后,根据企业前一年影响企业欠税的特征属性数据来预测下一年是否会发生欠税行为,研究以深度学习算法为基础的企业欠税预测模型,并对模型输入层、隐含层、输出层的设计及模型优化。使用佛山市南海区税务机关提供的2015年和2016年非增值税税收相关数据,对预测模型进行准确率验证,分别对每一步优化得出的预测准确率进行记录和分析,目前得出最高平均预测准确率为88.45%,对比人工预测和计量等传统方法预测欠税不足80%的准确率有大幅度提高,并且使用多维度数据更加具有说服力,从而证明基于深度学习算法的企业欠税预测模型具有合理性与可靠性,为税务机关单位提供科学合理的研究思路。
【图文】：

层次结构图,数据仓库,层次结构

图 2-2 数据仓库的层次结构其中海量数据源（库）是多渠道总合的数据集；数据获取层主要是把决需要的数据从海量的数据源（库）中获取，并对其进行必需的清理、转换合，将处理过的数据加载至数据获取层的数据库内；数据存储层重点是将步骤的数据存储，将这些特定主题数据按照某种组织或结构形式化储存；分析层主要是对数据进行全面的分析，运用多种方法，例如结合数据仓库度学习算法，不仅可以能够帮助解决数据分析的任务，还能提搞准确度。分析是以数据仓库为基础，对数据中潜在知识更深层的理解，所以，它是仓库应用的非常关键的一个过程。数据仓库中有关的专业术语为：1) 元数据：它是用来给数据仓库的对象定义的一种重要数据，较为典型是位于传统的数据库里的数据字典，它可以将库中的基本数据添加时标签、提取数据的源、被数据清理等操作创建元数据。

特殊方式,无监督学习,识别错误,特征化

启了深度学习无论是在学术界还是工业界的巨大浪潮。其主要人工神经网络的一些优点，如具有非常好的特征化学习能力，始化”这种无监督学习的方式来克服训练上的难度，，并且学习视化或分类。“逐层初始化”[24]其基本思想为：所有的网络层化”这一特殊方式进行学习；同时，把上一层网络的输出作为整个网络调优，具体使用的是 wake-sleep 算法。深度学习的逐渐域都应用的很出色，从 2011 年以后，微软研究院与 Google 公面有了重大突破。他们均采用了深度神经网络技术，将语音的降，降至了 20%-30%的水平。第二年，这项技术又在图像识别 ImageNet 上图像识别错误率降低到百分之十五，2017 年，图到了百分之五。
【学位授予单位】：佛山科学技术学院
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;F275.4

【相似文献】