[發明專利]一種基于長短期記憶神經網絡的發票票種核定方法

在審

• 申請號: 202011312354.1
• 申請日: 2020-11-20
• 公開（公告）號: CN114529776A
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 王彥;武錦;王飚;馬達;韓佶興;劉思含;李超;李雪
• 申請（專利權）人: 中國軟件與技術服務股份有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/776;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京君尚知識產權代理有限公司 11200
• 代理人: 司立彬

本發明公開了一種基于長短期記憶神經網絡的發票票種核定方法，其步驟包括：1)基于長短期記憶神經網絡LSTM建立票種核定預測模型并設定輸入指標、輸出指標；2)對于每一設定納稅人U，根據設定輸入指標、輸出指標采集該納稅人U最近連續N個月的相應數據作為該納稅人U的時序樣本數據；3)利用樣本數據對票種核定預測模型進行訓練，獲得模型性能最優時的最佳歷史數據長度；4)根據最佳歷史數據長度對時序樣本數據進行截取訓練該票種核定預測模型；5)獲取目標納稅人最佳歷史數據長度的輸入指標數據，并輸入到票種核定預測模型對該目標納稅人進行票種核定預測，得到該目標納稅人的擴版增量值、單份發票最高開票限額和每月最高購票數量。

技術領域

本發明涉及一種發票票種核定方法，尤其涉及一種使用基于長短期記憶神經網絡(Long Short-Term Memory，LSTM)的時間序列預測模型的發票票種核定方法，屬于人工智能領域。

背景技術

納稅人辦理稅務登記后需領用發票，并向主管稅務機關申請辦理發票領用手續。主管稅務機關根據納稅人的經營范圍和規模，確認領用發票的種類、數量、開票限額等事宜。上述流程為發票票種核定。已辦理發票票種核定的納稅人，當前領用發票的種類、數量或者開票限額不能滿足經營需要的，可以向主管稅務機關提出調整。目前發票票種核定多采用人工審核的方式，不僅效率低，還存在主觀性較強等問題。除此之外，傳統方式無法對存在票種變更情況的納稅人進行及時的提示提醒。

目前，通常將時間序列的預測研究大體分為3類：一是傳統概率統計模型，主要包括回歸模型，如差分整合移動平均自回歸模型(Autoregressive Integrated MovingAverage Model，ARIMA)等；二是人工智能相關模型，主要包括決策樹、貝葉斯網絡、支持向量機、人工神經網絡等，例如支持向量機回歸SVM(SupportVector Regression，SVM)、基于神經網絡的預測模型LSTM；三是混合模型，將多種算法組合起來進行最終預測。

ARIMA是在20世紀70年代提出的目前最常用的有參數的統計模型，是在平穩的時間序列基礎上建立起來的，用于短期預測高速公路交通數據。由于票種核定相關數據是非線性、非平穩的序列相關數據，這使得這些傳統的時間序列模型在應用于票種核定預測時，具有非常大的局限性，主要表現在：①傳統時間序列模型的假設條件比較嚴格，進而模型對數據的要求比較嚴格；②由于稅收相關數據受到多種復雜因素的影響，通常是不平穩的，而傳統的時間序列模型只能處理平穩的數據，雖然可以通過差分對數據進行平穩化處理，但同時也會造成數據的損失。SVM是使用支持向量機來擬合曲線，并做回歸分析。它更多是針對小樣本統計進行估計和預測。

循環神經網絡(Recurrent Neural Network，RNN)是一類用于處理序列數據的神經網絡。最初用于語言模型，因為它具有記憶長期依賴性的能力。但是，RNN存在一些缺陷，如需要通過大量的非線性變換，參數過多，容易出現過擬合，層數不夠，提取特征信息不夠全面，梯度消失等問題，所以一些RNN變體如LSTM等模型被提出。LSTM是一種時間循環神經網絡，最初于1997年提出用于語言模型，以其出色的記憶長期依賴性而聞名，適合于處理和預測時間序列中間隔和延遲相對較長的重要事件。但是，LSTM算法在預測方面同樣存在不足，如所學習的樣本序列若包含線性關系或含有噪音時，LSTM算法會造成網絡過擬合從而影響預測精度。

歷史開票信息、經營信息、企業基本信息等數據能夠反映票種變更情況的趨勢。通過使用合適的模型，準確地預測領用發票的數量、開票限額，幫助主管稅務機關進行發票票種核定，通過電子稅務局進行推送，對存在票種變更情況的納稅人進行提示提醒，并對提示提醒的內容進行反饋，記錄反饋結果，對實現自動、智能的業務化處理具有重要的意義。

發明內容

針對上述技術問題，本發明提供一種基于改進的LSTM發票票種核定方法，該方法對發票最高開票數量和最高開票限額進行預測，預測效果較好，并對存在最高開票數量和最高開票限額變更情況的納稅人進行及時的提示提醒。本方法的具體流程示意如圖1所示。