论文部分内容阅读
煤炭行业是我国国民经济的支柱性产业,在国民经济中占有重要的战略地位。精确的煤炭税收预测,一方面能够为相关部门制定更科学的煤炭税收政策以及对各级税务机关的下一步工作做出合理指导提供理论依据;另一方面能够帮助煤炭企业前瞻性地对日后的物资配备、煤炭挖掘量及生产销售量做好规划。因此,对煤炭税收进行精确预测是非常必要的。预测算法的选择将直接影响预测结果的精度,本文旨在以高精度和高稳定性为目标把常用预测模型引入煤炭税收预测领域,并对部分模型的算法做出改进,同时在Matlab中实现改进算法的编程仿真,并对仿真结果进行对比分析。论文首先介绍了两种常用的预测模型即传统GM(1,1)预测模型和标准BP神经网络模型,并将它们分别应用于煤炭税收预测,分析了两种方法的适用范围和优缺点。其次,为提高GM(1,1)模型对煤炭税收的预测精度,本文提出将改进的GM(1,1)模型即新陈代谢GM(1,1)模型用于煤炭税收预测。通过仿真实验比较,验证了新陈代谢GM(1,1)模型预测精度高于传统的GM(1,1)模型。接着,论文介绍了通过改进标准BP算法来改善标准BP网络隐含层节点数难以确定的问题,并用实验加以证明。虽然BP神经网络模型在理论上可以拟合任意变化的曲线,但是它存在结构不易确定、易陷入局部极值的固有缺陷,影响了模型的预测精度,而煤炭税收的特点决定了它对预测精度的要求较高。所以,最后针对BP算法的固有缺陷,本文提出在改进BP算法的基础上,再用遗传算法对BP网络的初始权值和阀值进行优化,构建基于遗传算法优化的BP神经网络模型来提高煤炭税收的预测精度。实验表明,基于遗传算法优化的BP神经网络模型的预测精确度和稳定性均优于标准BP神经网络模型和改进BP算法神经网络模型。本文通过大量的煤炭税收预测实验,分别对三种改进预测模型的可行性和稳定性做了进一步验证,并对比分析了三种改进模型的预测效果及适用范围。得出结论:第一,在对煤炭税收进行短期预测时,灰色预测模型和神经网络模型预测平均相对误差均在5%以内,满足工程预测误差标准(小于10%);但灰色预测模型的算法复杂度远小于神经网络,计算速度快,因此新陈代谢GM(1,1)模型更适合于煤炭税收短期预测和实时预测;第二,对煤炭税收进行中长期预测时,预测精度由高到低依次是遗传算法优化的BP神经网络、改进BP算法的神经网络、新陈代谢GM(1,1)模型,其预测平均相对误差分别为3.1%,4.6%,5%。总体来说,基于遗传算法优化的BP神经网络预测模型预测精度最高、稳定性最好,最适合用于中长期煤炭税收预测。最后,通过将三种改进的预测算法应用于煤炭税源专业化管理平台设计并实现了税务端的煤炭税收预测功能。