基于Adaboost算法和BP神经网络的税收预测

摘 要：针对传统税收预测模型精度较低的问题,提出一种将Adaboost算法和BP神经网络相结合进行税收预测的方法.该方法首先对历年税收数据进行预处理并初始化测试数据分布权值；然后初始化BP神经网络权值和阈值,并将BP神经网络作为弱预测器对税收数据进行反复训练和调整权值；最后使用Adaboost算法将得到的多个BP神经网络弱预测器组成新的强预测器并进行预测.通过对我国1990—2010年税收数据进行仿真实验,结果表明该方法相比传统BP网络预测,平均误差相对值从0.50%减少到0.18%,有效地降低了单个BP陷入局部极小的影响,提高了网络预测精度.

关 键 词 ：神经网络；Adaboost算法；强预测器；迭代算法；税收预测

中图分类号： TP183

文献标志码：A

Tax forecasting based on Adaboost algorithm and BP neural work

LI Xiang*, ZHU Quan-yin

Faculty of Computer Engineering, Huaiyin Institute of Technology, Huai’an Jiangsu 223003, China

Abstract：

In view of the lower accuracy of traditional tax forecasting models, the authors put forward a method of bining the Adaboost algorithm with BP neural work to forecast revenue. Firstly, the method performed the pretreatment for the historical tax data and initialized the distribution weights of test data； secondly, it initialized the weights and thresholds of BP neural work, and used BP neural work as a weak predictor to train the tax data repeatedly and adjust the weights； finally, it made more weak predictors of BP neural work to form new strong predictors by Adaboost algorithm and forecasted. The authors also carried out simulation experiment for the tax data of China from 1990 to 2010. The results show that this method has reduced the relative value of mean error from 0.50% to 0.18% pared to the traditional BP work, has effectively reduced the effect when single BP gets trapped in local minima, and has improved the prediction accuracy of work.

英文关 键 词 　Key words：

neural work； Adaboost algorithm；strong predictor；iterative algorithm； tax forecasting

0 引言

税收是实施财政政策的重要工具,也是联系宏微观经济的一种纽带.作为国家宏观调控体系的重要组成部分,税收也是国家驾驭市场经济最主要、最有效、最常用的手段之一[1].因此,税收预测的科学性和准确性具有重要的研究价值.

税收数据是一种动态、非线性的时间序列数据,受到政治、经济、文化等因素影响,税收数据的预测精度主要取决于预测算法.国内外学者当前对税收预测的研究方法,主要集中于基于线性回归方法、时间序列分析方法和神经网络预测方法.文献[2]采用线性回归方法对税收进行预测,由于影响税收预测的因素较多,且这些因素之间表现出较强的非线性特征,所以线性回归模型预测的精度不高.文献[3-4]中提出使用反向反馈传播（Back Propagation,BP）神经网络进行税收预测,但该方法没有克服传统BP神经网络存在的缺陷,容易陷入局部极小值,算法收敛速度较慢.文献[5-6]中提出使用Elman神经网络进行税收预测,取得了比传统BP神经网络更高的预测精度.但由于Elman神经网路的学习过程与前馈神经网络类似,也会出现收敛速度慢和易收敛到局部极小的缺陷,导致预测结果不稳定[7].

本文针对上述问题,提出基于Adaboost算法和BP神经网络的税收预测方法,并将该方法应用于我国1990—2010年税收数据仿真实验,证明了本文方法的有效性.

1.BP神经网络与Adaboost算法

1.1 BP神经网络原理

BP网络是典型的前馈神经网络,其权值训练中采用误差逆向传播的方式,具有非线性连续有理函数的逼近功能[8].在信号前向传递过程中,输入信号从输入层进入,经过隐含层处理,到达输出层.每一层的神经元状态只影响下一层的神经元状态.判断输出层的结果是否为期望输出,如果不是,则转入反向传播,然后根据预测误差调整网络权值和阈值,从而使BP神经网络预测输出不断逼近期望输出[9].由于结构简单,可调参数多,训练算法多,操控性好,BP 神经网络获得了广泛的实际应用[10].BP神经网络的拓扑结构如图1所示.

1.2 Adaboost算法原理

Adaboost算法是Boosting 算法典型应用之一.AdaBoost 学习算法选择少量而又非常重要的矩形特征来构造一系列弱分类器,然后将这些弱分类器级联起来构成一个强分类器.算法通过选择最能区分正负样本的矩形特征.对于每一个特征,弱分类器给定一个最优的分类函数的阈值,使得最少的样本被错误分类[11].Adaboost 算法的优点在于它使用加权后选取的训练数据代替随机选取的训练样本,将弱分类器联合起来,使用加权的机制代替平均机制[12].