典型文献
基于机器学习的Lee-Carter模型死亡率预测方法研究
文献摘要：
世界各国人口死亡率不断降低,预期寿命变得难以预测.改进死亡率预测方法,准确预测未来人口的数量变化有着重要意义.传统的Lee-Carter模型通过年龄组平均死亡率、时间项以及年龄因子随时间变化的敏感度这三个参数来刻画死亡率的变化,模型中的时间项采用ARIMA方法进行预测.但该方法并不能解决死亡率数据具有长记忆性的问题,并且现有研究很少将传统人口学方法与大数据背景下机器学习方法相结合.因此本文引入LSTM(长短期记忆深度学习神经网络)和分数布朗运动驱动的O-U过程来对死亡率预测进行改进.由于中国大陆有关死亡率的数据样本量少且不完整,选用中国香港男性分年龄组死亡率数据,分别采用时间序列ARIMA方法、时间序列与机器学习相结合的ARIMA-LSTM方法以及分数O-U过程来拟合和预测模型中的时间项,通过残差图和三种评价指标值来比较三种方法的短期预测效果.结果表明,ARIMA-LSTM方法的短期预测效果最好,证明了引入机器学习方法对死亡率预测方法改进的可行性,为政府预测未来死亡率提供新思路,也为相关机构研究长寿风险提供依据.
文献关键词：
Lee-Carter模型;ARIMA方法;ARIMA-LSTM方法;分数O-U过程;死亡率预测
中图分类号：
作者姓名：
陶祥兴;杨峥;季彦颋
作者机构：
浙江科技学院理学院,浙江杭州 310023
文献出处：
引用格式：
[1]陶祥兴;杨峥;季彦颋-.基于机器学习的Lee-Carter模型死亡率预测方法研究)[J].人口与经济,2022(06):47-57
A类：
B类：
基于机器学习,Lee,Carter,死亡率预测,人口死亡率,预期寿命,难以预测,准确预测,预测未来,未来人口,数量变化,过年,年龄组,ARIMA,决死,长记忆性,少将,人口学,大数据背景下,下机,机器学习方法,长短期记忆,深度学习神经网络,分数布朗运动,中国大陆,关死,数据样本量少,中国香港,残差图,指标值,三种方法,短期预测,方法改进,长寿风险
AB值：
0.347955
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
