一种税收预测方法、装置、设备及介质与流程

1.本发明涉及税收预测技术领域，尤其涉及一种税收预测方法、装置、设备及介质。


背景技术：

2.近些年，在国税、地税征管体制改革的大背景下，各地税务局高度关注重点税源数据和税收经济形势变化，在制定税收政策时，可能会参考税收预测数据。
3.现有一般是通过税收预测模型，例如回归、时间序列、神经网络算法以及一些算法组合模型，进行税收预测。现有税收预测模型通常只能给出第一预测时间的第一税收预测值。然而该现有第一税收预测值的参考价值只局限于在第一预测时间内可能会达到该第一税收预测值，而至于该第一税收预测值是该第一预测时间内可能达到的最大税收值、还是最小税收值、又或者是平均税收值以及达到该第一税收预测值的置信水平等均没有告知用户。
4.由此可以看出，现有税收预测方法给出的第一税收预测值的参考价值较低，同时若基于该第一税收预测值进行决策，也会给决策带来较大的风险。


技术实现要素：

5.本发明提供了一种税收预测方法、装置、设备及介质，用以解决现有税收预测方法给出的第一税收预测值的参考价值较低的问题。
6.本发明的一方面提供了一种税收预测方法，所述方法包括：
7.获取第一预测时间的第一税收预测值；
8.基于风险价值var计算公式、所述第一税收预测值和预设的置信水平，确定var值；
9.将所述var值作为第二税收预测值，其中所述第二税收预测值表示在所述置信水平下，所述第一预测时间的税收最小值。
10.进一步地，所述基于风险价值var计算公式、所述第一税收预测值和预设的置信水平，确定var值之前，所述方法还包括：
11.根据每个第一历史时间的第三税收预测值和第二税收真实值，确定误差值；
12.根据所述误差值和所述第一税收预测值，确定第四税收预测值，采用所述第四税收预测值对所述第一税收预测值进行更新；并基于更新后的第一税收预测值进行后续确定所述var值的步骤。
13.进一步地，所述根据所述误差值和所述第一税收预测值，确定第四税收预测值包括：
14.根据随机系数、所述误差值和所述第一税收预测值，确定第四税收预测值。
15.进一步地，所述获取第一预测时间的第一税收预测值包括：
16.针对每个税种类别，将该税种类别对应的每个第二历史时间的第三税收真实值输入预先训练完成的长短期记忆模型，基于所述长短期记忆模型，获取该税种类别所述第一预测时间的第一税收预测值。
17.进一步地，训练所述长短期记忆模型的过程包括：
18.针对训练集中的每个税种类别及该税种类别的每个第三历史时间的第四税收真实值，将该税种类别对应的税种类别标识、该第四税收真实值和该第四税收真实值对应的第二预测时间的第五税收真实值输入长短期记忆模型，对所述长短期记忆模型进行训练。
19.进一步地，将税收真实值输入长短期记忆模型之前，所述方法还包括：
20.对每个所述税收真实值进行预处理。
21.本发明的再一方面提供了一种税收预测装置，所述装置包括：
22.获取模块，用于获取第一预测时间的第一税收预测值；
23.确定模块，用于基于风险价值var计算公式、所述第一税收预测值和预设的置信水平，确定var值；
24.预测模块，用于将所述var值作为第二税收预测值，其中所述第二税收预测值表示在所述置信水平下，所述第一预测时间的税收最小值。
25.进一步地，所述确定模块，还用于所述基于风险价值var计算公式、所述第一税收预测值和预设的置信水平，确定var值之前，根据每个第一历史时间的第三税收预测值和第二税收真实值，确定误差值；根据所述误差值和所述第一税收预测值，确定第四税收预测值，采用所述第四税收预测值对所述第一税收预测值进行更新；并基于更新后的第一税收预测值进行后续确定所述var值的步骤。
26.进一步地，所述确定模块，具体用于根据随机系数、所述误差值和所述第一税收预测值，确定第四税收预测值。
27.进一步地，所述获取模块，具体用于针对每个税种类别，将该税种类别对应的每个第二历史时间的第三税收真实值输入预先训练完成的长短期记忆模型，基于所述长短期记忆模型，获取该税种类别所述第一预测时间的第一税收预测值。
28.进一步地，训练所述长短期记忆模型的过程包括：
29.针对训练集中的每个税种类别及该税种类别的每个第三历史时间的第四税收真实值，将该税种类别对应的税种类别标识、该第四税收真实值和该第四税收真实值对应的第二预测时间的第五税收真实值输入长短期记忆模型，对所述长短期记忆模型进行训练。
30.进一步地，所述装置还包括：
31.预处理模块，用于将税收真实值输入长短期记忆模型之前，对每个所述税收真实值进行预处理。
32.本发明的再一方面提供了一种电子设备，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现上述任一所述税收预测方法的步骤。
33.本发明的再一方面提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述税收预测方法的步骤。
34.由于本发明实施例可以基于风险价值var计算公式、第一税收预测值和预设的置信水平，确定var值，并将该var值作为第二税收预测值，该第二税收预测值不仅可以表示第一预测时间的第一税收真实值可能达到的最小值，还可以表示第一预测时间的第一税收真实值的最小值达到该第二税收预测值的置信水平，相比现有仅基于税收预测模型获取的第一税收预测值，该第二税收预测值的参考价值较高，基于该第二税收预测值进行决策时，可
在一定程度上减小决策的风险。
附图说明
35.图1为本发明实施例提供的一种税收预测过程示意图；
36.图2为本发明实施例提供的一种税收预测装置示意图；
37.图3为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
38.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
39.为了提高税收预测的参考价值，本发明实施例提供了一种税收预测方法、装置、设备及介质。
40.实施例1：
41.图1为本发明实施例提供的一种税收预测过程示意图，该过程包括以下步骤：
42.s101：获取第一预测时间的第一税收预测值。
43.本发明实施例提供的税收预测方法应用于电子设备，电子设备例如可以是智能设备，例如手机、pc等，也可以是服务器等。
44.第一预测时间可以是任一年度、季度或者月度等，可以根据实际需求以及待预测税种的缴税周期等灵活选择，本发明实施例对此不做具体限定。在本发明实施例中，可以通过现有预先训练完成的税收预测模型获取第一预测时间的第一税收预测值，例如可以将多个第一历史时间的第二税收真实值输入预先训练完成的税收预测模型，从而获取第一预测时间的第一税收预测值。示例性的，可以将2015年度、2016年度、2017年度、2018年度、2019年度这5个年度的第二税收真实值输入预先训练完成的税收预测模型，从而获取2020年度的第一税收预测值。
45.s102：基于风险价值var计算公式、所述第一税收预测值和预设的置信水平，确定var值。
46.在本发明实施例中，预设的置信水平可以根据需求灵活设置，例如置信水平可以设置为95％、90％、85％、80％等。
47.为了提高税收预测的参考价值，在本发明实施例中，获取到第一预测时间的第一税收预测值后，可以将该第一税收预测值和预设的置信水平代入风险价值(value-at-risk)var计算公式，如现有方差-协方差法、历史模拟法、蒙特卡罗模拟法等，从而确定var值，var值的具体计算过程在此不再赘述。
48.s103：将所述var值作为第二税收预测值，其中所述第二税收预测值表示在所述置信水平下，所述第一预测时间的税收最小值。
49.为了提高税收预测的参考价值，在确定var值后，可以将var值作为第二税收预测值。
50.var值符合数学公式：
51.概率(probability，prob)(δp》-var)＝1-α
52.其中δp表示第一预测时间的第一税收真实值；α为置信水平；
53.在本发明实施例中，用var构造税收值的概率分布，将确定的var值作为第二税收预测值，用该第二税收预测值可以表示在置信水平α下，预测第一预测时间的第一税收真实值可能达到的最小值，即第一预测时间的税收最小值为该第二税收预测值。
54.由于本发明实施例可以基于风险价值var计算公式、第一税收预测值和预设的置信水平，确定var值，并将该var值作为第二税收预测值，该第二税收预测值不仅可以表示第一预测时间的第一税收真实值可能达到的最小值，还可以表示第一预测时间的第一税收真实值的最小值达到该第二税收预测值的置信水平，相比现有仅基于税收预测模型获取的第一税收预测值，该第二税收预测值的参考价值较高，基于该第二税收预测值进行决策时，可在一定程度上减小决策的风险。
55.实施例2：
56.为了提高税收预测的准确性，在上述实施例的基础上，在本发明实施例中，所述基于风险价值var计算公式、所述第一税收预测值和预设的置信水平，确定var值之前，所述方法还包括：
57.根据每个第一历史时间的第三税收预测值和第二税收真实值，确定误差值；
58.根据所述误差值和所述第一税收预测值，确定第四税收预测值，采用所述第四税收预测值对所述第一税收预测值进行更新；并基于更新后的第一税收预测值进行后续确定所述var值的步骤。
59.在本发明实施例中，为了提高税收预测的准确性，在获取到第一预测时间的第一税收预测值之后，基于风险价值var计算公式、所述第一税收预测值和预设的置信水平，确定var值之前，可以根据每个第一历史时间的第三税收预测值和第二税收真实值，确定误差值。为方便理解，仍以上述实施例进行举例说明，为了确定误差值，可以通过预先训练完成的税收预测模型分别获取2015年度、2016年度、2017年度、2018年度、2019年度这5个年度的第三税收预测值。其中获取这5个年度的第三税收预测值的方式与获取第一预测时间的第一税收预测值相似，例如可以将2014年度、2015年度、2016年度、2017年度、2018年度的第二税收真实值输入预先训练完成的税收预测模型，从而获取2019年度的第三税收预测值；将2013年度、2014年度、2015年度、2016年度、2017年度的第二税收真实值输入预先训练完成的税收预测模型，从而获取2018年度的第三税收预测值，以此类推，可以分别获取到每个第一历史时间的第三税收预测值。
60.获取到每个第一历史时间的第三税收预测值后，可以确定每个第一历史时间的第二税收真实值和第三税收预测值的差值，然后将每个第一历史时间的第二税收真实值和第三税收预测值的差值的平均值，确定为误差值。
61.在一种可能的实施方式中，为了准确的确定误差值，可以确定每个第一历史时间的第二税收真实值和第三税收预测值的差值的绝对值，将该每个绝对值的平均值，确定为误差值。
62.也就是说，误差值其中y
t
为第一历史时间的第二税收真实值，为第一历史时间的第三税收预测值，n为第一历史时间的个数。为方便理解，仍以上述实
lstm)、双向长短期记忆网络模型(bidirectional lstm)、卷积神经网络-长短期记忆网络模型(cnn-lstm)和卷积长短期记忆网络模型(convolu-tional long short-term memory，conv lstm)等。当税收预测模型为长短期记忆网络模型时，可以针对数据库中包含的多个税种类别，同时获取多个税种类别第一预测时间的第一税收预测值。
75.在一种可能的实施方式中，针对每个税种类别，为了获取该税种类别对应的每个第二历史时间的第三税收真实值，可以使用数据抽取工具，如sqoop等，从存储税收真实值的数据库，如oracle数据库(oracle database)中，将每个税种类别的对应的每个第二历史时间的第三税收真实值进行抽取。
76.具体的，第二历史时间和第一预测时间可以根据实际需求以及待预测税种的缴税周期等灵活选择，通常情况下，为了方便计算以及提高税收预测的准确性，第二历史时间和第一预测时间中包含的时长可以与待预测税种缴税周期的时长相同。示例性的，如果待预测税种为按月度进行缴税的增值税，则第二历史时间和第一预测时间中包含的时长可以是以月度为单位的时长，例如第二历史时间可以是2020年5月份、2020年6月份、2020年7月份、2020年8月份等，第一预测时间可以是2020年9月份等。如果待预测税种为按年度进行缴税的企业所得税，则第二历史时间和第一预测时间中包含的时长可以是以年度为单位的时长，例如第二历史时间可以是2015年度、2016年度、2017年度、2018年度、2019年度等，第一预测时间可以是2020年度等。可以理解的，待预测税种也可以按季度或其他时间周期进行缴税，在此不再赘述。
77.在本发明实施例中，针对每个税种类别，可以将用于预测该税种类别的第一税收预测值的每个第二历史时间的第三税收真实值，输入预先训练完成的长短期记忆模型，从而同时获取多个税种类别第一预测时间的第一税收预测值。为方便理解，下面通过一个具体实施例进行举例说明：
78.为了同时获取税种1和税种2在2020年度的第一税收预测值，可以同时将税种1在2015年度、2016年度、2017年度、2018年度、2019年度这5个年度的第三税收真实值以及税种2在2015年度、2016年度、2017年度、2018年度、2019年度这5个年度的第三税收真实值，输入预先训练完成的税收预测模型，从而同时获取到税种1和税种2在2020年度的第一税收预测值。
79.在一种可能的实施方式中，获取到该第一预测时间的第一税收预测值后，还可以基于该第一预测时间的第一税收预测值以及第二历史时间的第三税收真实值，进一步获取到第一预测时间之后的第三预测时间的第二税收预测值，也就是说，可以逐一获取多个预测时间的税收预测值，即lstm模型可以实现多并行输入多时间步预测(multiple parallel input and multi-step output)。
80.仍以上述实施例进行举例说明，获取到税种1和税种2在2020年度的第一税收预测值之后，如果想进一步预测2021年度的第二税收预测值，则可以同时将税种1在2016年度、2017年度、2018年度、2019年度的第三税收真实值和2020年度的第一税收预测值以及税种2在2016年度、2017年度、2018年度、2019年度的第三税收真实值和2020年度的第一税收预测值，输入预先训练完成的税收预测模型，从而同时进一步获取到税种1和税种2在2021年度的第二税收预测值。
81.在本发明实施例中，对税种类别不作具体限定，例如可以是任一企业税种，也可以
是任一行业税收等。
82.在一种可能的实施方式中，为了直观的对第一税收预测值进行展示，提高用户体验，针对每个税种类别，可以对每个第二历史时间的第三税收真实值以及第一预测时间的第一税收预测值进行可视化展示。示例性的，可以基于echarts图表库，提供直观，生动，可交互，可个性化定制的数据可视化图表，使用户可以选择感兴趣的税种类别的数据进行查看等。
83.由于现有税收预测模型通常只能针对单一税种类别进行预测，在需要预测多个税种类别的第一税收预测值时，需要通过对现有税收预测模型不断重新调参，以逐一获取不同税种类别的第一税收预测值。而本发明实施例可以基于预先训练完成的长短期记忆模型，同时获取多个税种类别第一预测时间的第一税收预测值，从而提高了税收预测的效率。
84.实施例5：
85.为了对长短期记忆模型进行训练，在上述各实施例的基础上，在本发明实施例中，训练所述长短期记忆模型的过程包括：
86.针对训练集中的每个税种类别及该税种类别的每个第三历史时间的第四税收真实值，将该税种类别标识、该第四税收真实值和该第四税收真实值对应的第二预测时间的第五税收真实值输入长短期记忆模型，对所述长短期记忆模型进行训练。
87.为了区分不同的税种类别，对训练集中的每个税种类别设置有税种类别标识，该税种类别标识可以是数字标识、字母标识、文字标识等，可以根据需求灵活设置。
88.在对长短期记忆模型进行训练时，针对训练集中的每个税种类别，该税种类别对应的每个第三历史时间的第四税收真实值，设置有对应的第二预测时间的第五税收真实值。将该税种类别标识、第四税收真实值和该第五税收真实值输入长短期记忆模型后，可以基于第四税收真实值，获取第二预测时间的第五税收预测值。可以根据第五税收预测值和第五税收真实值是否一致，确定该长短期记忆模型的识别结果是否准确。具体实施中，若不一致，说明该长短期记忆模型的识别结果不准确，则需要对该长短期记忆模型的参数进行调整，从而对该长短期记忆模型进行训练。
89.具体实施中，对长短期记忆模型中的参数进行调整时，可以采用梯度下降算法，对长短期记忆模型的参数的梯度进行反向传播，从而对长短期记忆模型进行训练。
90.在一种可能的实施方式中，可以对训练集中的每个税种类别都进行上述操作，当满足预设的收敛条件时，确定该长短期记忆模型训练完成。
91.其中，满足预设的收敛条件可以为对长短期记忆模型进行训练的迭代次数达到设置的最大迭代次数等。具体实施中可以灵活进行设置，在此不做具体限定。
92.在一种可能的实施方式中，在对长短期记忆模型进行训练时，针对每个税种类别，还可以设置测试集，其中测试集中包含该税种类别的第四历史时间的第六税收真实值，且该第四历史时间的第六税收真实值对应有第四预测时间的第七税收真实值。其中，先基于训练集中的第四税收真实值和该第四税收真实值对应的第五税收真实值对长短期记忆模型进行训练，再基于测试集中的第六税收真实值和该第六税收真实值对应的第七税收真实值对上述已训练的长短期记忆模型的可靠程度进行验证。
93.其中，训练集中训练数据和测试集中测试数据的占比、激活函数、是否显示日志等参数可以根据需求灵活设置。另外，在对长短期记忆模型进行训练之前，还可以对长短期记
忆模型的输入数据格式和输出数据格式进行设置。示例性的，输入数据格式可以包括输入税种类别的数量features_1、第二历史时间的数量samples_1和滑动窗口的宽度sw_width，其中滑动窗口的宽度可以是任一正整数。输出数据格式可以包括输出税种类别的数量features_2、第一预测时间的数量samples_2和预测时间序列的长度pred_length，其中预测时间序列的长度可以是任一正整数。示例性的，以缴税周期为年进行举例说明，如果滑动窗口的宽度为3、预测时间序列的长度为1，表示可以用前3年第二历史时间的第三税收真实值，预测后一年(即第四年)的第一税收预测值。如果滑动窗口的宽度为5、预测时间序列的长度为2，表示可以用前5年第二历史时间的第三税收真实值，预测后两年(即第六年和第七年)的第一税收预测值。
94.实施例6：
95.在上述各实施例的基础上，在本发明实施例中，将税收真实值输入长短期记忆模型之前，所述方法还包括：
96.对每个所述税收真实值进行预处理。
97.在本发明实施例中，获取到每个第二历史时间的第三税收真实值之后，将第三税收真实值输入预先训练完成的长短期记忆模型之前，可以对每个所述第三税收真实值进行预处理。同样的，将训练集中的第四税收真实值、第五税收真实值等输入长短期记忆模型之前，可以对每个第四税收真实值和第五税收真实值进行预处理。
98.在本发明实施例中对税收真实值的预处理包括抽取、转换、加载(extract-transform-load，etl)处理和归一化处理，对税收真实值的预处理过程类似，为方便理解，下面以第三税收真实值为例分别对预处理的每个过程进行介绍。
99.(1)etl处理。
100.在一种可能的实施方式中，在使用数据抽取工具，从存储税收真实值的数据库中，抽取第二历史时间的第三税收真实值时，为了保证数据的完整性，可以将纳税人识别号、纳税人资格类型代码、税务机关代码、行业代码、税款所属期起、税款所属期止、税种类别、税收真实值等一并获取，进而对抽取到的数据进行etl处理，得到包含至少一个税种类别的税收真实值列表，该税收真实值列表中包括：至少一个税种类别标识、该税种类别标识对应的每个第二历史时间以及该税种类别标识在每个第二历史时间的第三税收真实值等。
101.在一种可能的实施方式中，为了方便计算，多个税种类别标识对应的第二历史时间可以相同。
102.(2)归一化处理。
103.针对税收真实值列表中每个税种类别标识，对该税种类别标识的每个第二历史时间的第三税收真实值进行归一化处理。例如可以确定该税种类别标识的每个第三税收真实值中的最大第三税收真实值和最小第三税收真实值，从而将每个第三税收真实值代入归一化公式中，得到每个第三税收真实值对应的税收真实归一化值。
104.具体的，归一化公式为：
[0105][0106]
其中，x为第三税收真实值；
[0107]
y为税收真实归一化值，y为不小于0且不大于1的正数。
[0108]
预处理完成之后，可以将预处理之后得到的第三税收归一化值输入预先训练完成的长短期记忆模型，进而基于该长短期记忆模型，获取该税种类别第一预测时间的税收预测归一化值。
[0109]
相应的，为了根据税收预测归一化值，获取第一税收预测值，可以对该税收预测归一化值进行反归一化处理，即将得到的税收预测归一化值代入反归一化公式中，进而得到该税种类别第一预测时间的第一税收预测值。
[0110]
具体的，反归一化公式为：
[0111]y′
＝x
′
(最大第三税收真实值-最小第三税收真实值)+最小第三税收真实值
[0112]
其中，x
′
为税收预测归一化值；
[0113]y′
为第一税收预测值。
[0114]
为方便描述，在本发明实施例中，如果没有特殊说明，将税收真实值输入长短期记忆模型均表示将税收真实值对应的税收真实归一化值输入长短期记忆模型。
[0115]
实施例6：
[0116]
图2为本发明实施例提供的一种税收预测装置示意图，如图2所示，在上述各实施例的基础上，本发明实施例提供的一种税收预测装置，所述装置包括：
[0117]
获取模块21，用于获取第一预测时间的第一税收预测值；
[0118]
确定模块22，用于基于风险价值var计算公式、所述第一税收预测值和预设的置信水平，确定var值；
[0119]
预测模块23，用于将所述var值作为第二税收预测值，其中所述第二税收预测值表示在所述置信水平下，所述第一预测时间的税收最小值。
[0120]
在一种可能的实施方式中，所述确定模块22，还用于所述基于风险价值var计算公式、所述第一税收预测值和预设的置信水平，确定var值之前，根据每个第一历史时间的第三税收预测值和第二税收真实值，确定误差值；根据所述误差值和所述第一税收预测值，确定第四税收预测值，采用所述第四税收预测值对所述第一税收预测值进行更新；并基于更新后的第一税收预测值进行后续确定所述var值的步骤。
[0121]
在一种可能的实施方式中，所述确定模块22，具体用于根据随机系数、所述误差值和所述第一税收预测值，确定第四税收预测值。
[0122]
在一种可能的实施方式中，所述获取模块21，具体用于针对每个税种类别，将该税种类别对应的每个第二历史时间的第三税收真实值输入预先训练完成的长短期记忆模型，基于所述长短期记忆模型，获取该税种类别所述第一预测时间的第一税收预测值。
[0123]
在一种可能的实施方式中，训练所述长短期记忆模型的过程包括：
[0124]
针对训练集中的每个税种类别及该税种类别的每个第三历史时间的第四税收真实值，将该税种类别对应的税种类别标识、该第四税收真实值和该第四税收真实值对应的第二预测时间的第五税收真实值输入长短期记忆模型，对所述长短期记忆模型进行训练。
[0125]
在一种可能的实施方式中，所述装置还包括：
[0126]
预处理模块24，用于将税收真实值输入长短期记忆模型之前，对每个所述税收真实值进行预处理。
[0127]
由于本发明实施例可以基于风险价值var计算公式、第一税收预测值和预设的置
信水平，确定var值，并将该var值作为第二税收预测值，该第二税收预测值不仅可以表示第一预测时间的第一税收真实值可能达到的最小值，还可以表示第一预测时间的第一税收真实值的最小值达到该第二税收预测值的置信水平，相比现有仅基于税收预测模型获取的第一税收预测值，该第二税收预测值的参考价值较高，基于该第二税收预测值进行决策时，可在一定程度上减小决策的风险。
[0128]
实施例7：
[0129]
图3为本发明实施例提供的一种电子设备结构示意图，在上述各实施例的基础上，本发明实施例还提供了一种电子设备，如图3所示，包括：处理器31、通信接口32、存储器33和通信总线34，其中，处理器31，通信接口32，存储器33通过通信总线34完成相互间的通信；
[0130]
所述存储器33中存储有计算机程序，当所述程序被所述处理器31执行时，使得所述处理器31执行如下步骤：
[0131]
获取第一预测时间的第一税收预测值；
[0132]
基于风险价值var计算公式、所述第一税收预测值和预设的置信水平，确定var值；
[0133]
将所述var值作为第二税收预测值，其中所述第二税收预测值表示在所述置信水平下，所述第一预测时间的税收最小值。
[0134]
在一种可能的实施方式中，处理器31，还用于所述基于风险价值var计算公式、所述第一税收预测值和预设的置信水平，确定var值之前，根据每个第一历史时间的第三税收预测值和第二税收真实值，确定误差值；
[0135]
根据所述误差值和所述第一税收预测值，确定第四税收预测值，采用所述第四税收预测值对所述第一税收预测值进行更新；并基于更新后的第一税收预测值进行后续确定所述var值的步骤。
[0136]
在一种可能的实施方式中，处理器31，具体用于根据随机系数、所述误差值和所述第一税收预测值，确定第四税收预测值。
[0137]
在一种可能的实施方式中，处理器31，具体用于针对每个税种类别，将该税种类别对应的每个第二历史时间的第三税收真实值输入预先训练完成的长短期记忆模型，基于所述长短期记忆模型，获取该税种类别所述第一预测时间的第一税收预测值。
[0138]
在一种可能的实施方式中，训练所述长短期记忆模型的过程包括：
[0139]
针对训练集中的每个税种类别及该税种类别的每个第三历史时间的第四税收真实值，将该税种类别对应的税种类别标识、该第四税收真实值和该第四税收真实值对应的第二预测时间的第五税收真实值输入长短期记忆模型，对所述长短期记忆模型进行训练。
[0140]
在一种可能的实施方式中，处理器31，还用于将税收真实值输入长短期记忆模型之前，对每个所述税收真实值进行预处理。
[0141]
由于上述电子设备解决问题的原理与税收预测方法相似，因此上述电子设备的实施可以参见方法的实施，重复之处不再赘述。
[0142]
上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0143]
通信接口32用于上述电子设备与其他设备之间的通信。
[0144]
存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0145]
上述处理器可以是通用处理器，包括中央处理器、网络处理器(network processor，np)等；还可以是数字指令处理器(digital signal processing，dsp)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
[0146]
由于本发明实施例可以基于风险价值var计算公式、第一税收预测值和预设的置信水平，确定var值，并将该var值作为第二税收预测值，该第二税收预测值不仅可以表示第一预测时间的第一税收真实值可能达到的最小值，还可以表示第一预测时间的第一税收真实值的最小值达到该第二税收预测值的置信水平，相比现有仅基于税收预测模型获取的第一税收预测值，该第二税收预测值的参考价值较高，基于该第二税收预测值进行决策时，可在一定程度上减小决策的风险。
[0147]
实施例8：
[0148]
在上述各实施例的基础上，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现如下步骤：
[0149]
获取第一预测时间的第一税收预测值；
[0150]
基于风险价值var计算公式、所述第一税收预测值和预设的置信水平，确定var值；
[0151]
将所述var值作为第二税收预测值，其中所述第二税收预测值表示在所述置信水平下，所述第一预测时间的税收最小值。
[0152]
在一种可能的实施方式中，所述基于风险价值var计算公式、所述第一税收预测值和预设的置信水平，确定var值之前，所述方法还包括：
[0153]
根据每个第一历史时间的第三税收预测值和第二税收真实值，确定误差值；
[0154]
根据所述误差值和所述第一税收预测值，确定第四税收预测值，采用所述第四税收预测值对所述第一税收预测值进行更新；并基于更新后的第一税收预测值进行后续确定所述var值的步骤。
[0155]
在一种可能的实施方式中，所述根据所述误差值和所述第一税收预测值，确定第四税收预测值包括：
[0156]
根据随机系数、所述误差值和所述第一税收预测值，确定第四税收预测值。
[0157]
在一种可能的实施方式中，所述获取第一预测时间的第一税收预测值包括：
[0158]
针对每个税种类别，将该税种类别对应的每个第二历史时间的第三税收真实值输入预先训练完成的长短期记忆模型，基于所述长短期记忆模型，获取该税种类别所述第一预测时间的第一税收预测值。
[0159]
在一种可能的实施方式中，训练所述长短期记忆模型的过程包括：
[0160]
针对训练集中的每个税种类别及该税种类别的每个第三历史时间的第四税收真实值，将该税种类别对应的税种类别标识、该第四税收真实值和该第四税收真实值对应的第二预测时间的第五税收真实值输入长短期记忆模型，对所述长短期记忆模型进行训练。
[0161]
在一种可能的实施方式中，将税收真实值输入长短期记忆模型之前，所述方法还
包括：
[0162]
对每个所述税收真实值进行预处理。
[0163]
上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器如软盘、硬盘、磁带、磁光盘(mo)等、光学存储器如cd、dvd、bd、hvd等、以及半导体存储器如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd)等。
[0164]
由于本发明实施例可以基于风险价值var计算公式、第一税收预测值和预设的置信水平，确定var值，并将该var值作为第二税收预测值，该第二税收预测值不仅可以表示第一预测时间的第一税收真实值可能达到的最小值，还可以表示第一预测时间的第一税收真实值的最小值达到该第二税收预测值的置信水平，相比现有仅基于税收预测模型获取的第一税收预测值，该第二税收预测值的参考价值较高，基于该第二税收预测值进行决策时，可在一定程度上减小决策的风险。
[0165]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0166]
本技术是参照根据本技术的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0167]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0168]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0169]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。