| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文结构 | 第14-16页 |
| 第2章 相关理论与技术 | 第16-26页 |
| 2.1 IBM SPSS Statistics | 第16页 |
| 2.2 SVM算法基础 | 第16-20页 |
| 2.2.1 结构风险最小化 | 第17-18页 |
| 2.2.2 支持向量机核函数 | 第18-20页 |
| 2.3 SVM参数优化方法 | 第20-21页 |
| 2.4 组合权重计算方法 | 第21-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于网格搜索的SVM税收预测算法 | 第26-37页 |
| 3.1 税收指标概述 | 第26-29页 |
| 3.1.1 相关指标及编码 | 第26-27页 |
| 3.1.2 税收指标相关性分析 | 第27-29页 |
| 3.2 税收指标降维处理 | 第29-32页 |
| 3.2.1 回归分析过程 | 第30-31页 |
| 3.2.2 降维结果验证 | 第31-32页 |
| 3.3 税收预测算法优化研究 | 第32-36页 |
| 3.3.1 基于SVM的税收预测思想 | 第32-33页 |
| 3.3.2 网格搜索优化SVM税收预测算法 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于GM(1,1)和时间序列的组合预测算法 | 第37-58页 |
| 4.1 组合预测算法的必要性 | 第37-39页 |
| 4.2 GM(1,1)预测算法 | 第39-43页 |
| 4.2.1 GM(1,1)算法理论及计算过程 | 第39-41页 |
| 4.2.2 预测结果分析 | 第41-43页 |
| 4.3 时间序列预测算法 | 第43-53页 |
| 4.3.1 时间序列算法理论及计算过程 | 第43-47页 |
| 4.3.2 预测结果分析 | 第47-53页 |
| 4.4 组合预测算法优化研究 | 第53-57页 |
| 4.4.1 组合预测过程 | 第53-56页 |
| 4.4.2 性能优化方法 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 实验结果与分析 | 第58-69页 |
| 5.1 实验环境及仿真配置 | 第58-59页 |
| 5.1.1 软硬件环境 | 第58页 |
| 5.1.2 仿真环境配置 | 第58-59页 |
| 5.2 税收数据预处理 | 第59-60页 |
| 5.2.1 数据清理 | 第59-60页 |
| 5.2.2 数据标准化 | 第60页 |
| 5.3 优化的SVM税收预测算法 | 第60-64页 |
| 5.3.1 评价指标 | 第60-61页 |
| 5.3.2 实验结果分析 | 第61-64页 |
| 5.4 组合预测算法 | 第64-68页 |
| 5.4.1 组合算法验证 | 第64-67页 |
| 5.4.2 实验结果分析 | 第67-68页 |
| 5.5 本章小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73页 |