[发明专利]一种基于数据挖掘的欠税预测方法及预测装置

说明书

技术领域

本发明涉及数据挖掘领域，更具体地说涉及一种基于数据挖掘的欠税预测方法即预测装置。

背景技术

税收政策是国家财政政策的一个重要组成部分，企业的纳税状况既关乎于国家财政收入，同时也关乎于企业的诚信度，一个企业如果出现欠税状况，会对国家以及企业自身造成负面影响，因此国家有必要对企业欠税情况进行预测判断。

但是现有技术中，普遍的纳税系统无法对各个企业的欠税行为进行预测，导致无法得知企业非法纳税行为，对国家的财政收入造成极大的影响，同时也导致了某些不良企业非法纳税行为更加猖狂。

发明内容

本发明要解决的技术问题是：提供一种基于数据挖掘的欠税预测方法即预测装置。

本发明解决其技术问题的解决方案是：

一种基于数据挖掘的欠税预测方法，包括以下步骤：

步骤A：获取数据库中各企业的样本数据，所述样本数据包括多个纳税额以及与纳税额相对应的纳税周期；

步骤B：根据各企业的数据样本，建立BP神经网络模型；

步骤C：将各企业的样本数据输入到BP神经网络模型中，所述BP神经网络模型输出各企业的下一个纳税周期的欠税预测结果。

作为上述技术方案的进一步改进，所述BP神经网络模型包括多个输入神经元和输出神经元，所述步骤B包括以下步骤：

步骤B1：初始化各个输入神经元与输出神经元之间的连接权重，设定输出神经元的激活函数、训练次数极限值、参考值以及误差精度；

步骤B2：获取企业的样本数据；

步骤B3：将样本数据输入到BP神经网络模型的输入神经元，根据输入神经元的输出值、连接权重以及激活函数计算输出神经元的输出值；

步骤B4：根据输出神经元的输出值以及参考值，计算输出神经元的输出值和参考值的期望误差；

步骤B5：根据步骤B4计算得到的期望误差，修正各个输入神经元与输出神经元之间的连接权重；

步骤B6：判断步骤B4计算得到的期望误差是否小于误差精度，判断当前的训练次数是否大于训练次数极限值，如果期望误差小于误差精度或者训练次数达到训练次数极限值，BP神经网络模型完成；否则当前训练次数加一，获取下一个样本数据，返回步骤B3。

作为上述技术方案的进一步改进，所述步骤B3中首先根据公式1计算输出神经元的输入值，公式1如下所示，其中I_j表示输出神经元的输入值，W_ij表示输入神经元i与输出神经元j之间的连接权重，O_i表示输入神经元的输出值；之后根据激活函数计算输出神经元的输出值，所述激活函数如公式2所述，所述公式2如下所示，其中O_j表示输出神经元的输出值。

作为上述技术方案的进一步改进，所述步骤B4中根据公式3计算输出神经元的输出值和参考值的期望误差，所述公式3如下所示，E_j＝sigmoid'(O_j)*(T_j-O_j)＝O_j(1-O_j)(T_j-O_j)，其中E_j表示输出神经元的期望误差，T_j表示参考值。

作为上述技术方案的进一步改进，所述步骤B5根据公式4修正各个输入神经元与输出神经元之间的连接权重，所述公式4如下所示，W_ij＝W_ij+λE_jO_i，其中λ表示学习率系数，所述学习率系数取值范围在0到0.1之间。

本发明的有益效果是：本发明首先通过纳税系统中数据库现存的各个企业已有的纳税记录，建立BP神经网络模型，完成BP神经网络模型，再将数据库中各企业的样本数据输入到BP神经网络模型中，得出各企业下一纳税周期的欠税预测结果，便于相关政府部门根据各企业下一纳税周期的欠税预测结果对存在欠税风险的企业重点关注，有效减少企业欠税引起的税收流失的可能。

本发明同时还公开了一种基于数据挖掘的欠税预测装置，包括：

数据获取模块，用于获取数据库中各企业的样本数据，所述样本数据包括多个纳税额以及与纳税额相对应的纳税周期；

BP神经网络模型生成模块，用于根据各企业的数据样本，建立BP神经网络模型；