×
弗朗西丝卡·佩拉；罗纳德·里奇曼；萨尔瓦多Scognamiglio；瓦特里希，马里奥五世。

使用深度学习对死亡率进行时间序列预测。 （英语） Zbl 1471.91480号

扫描。精算师。J。 2021年，第7期，572-598（2021）.
概要：死亡率的时间序列特性有助于通过专门处理序列数据的神经网络进行处理，例如递归网络和卷积网络。这项工作的目的是展示如何使用一个相对简单的浅卷积网络模型来推广Lee-Carter模型的结构，从而允许用熟悉的术语来评估其组件。虽然深网络已经在许多领域得到了成功应用，但我们发现，与所提出的浅网络相比，深网络在我们的死亡率预测方法中并没有提高预测性能。我们的模型对人类死亡率数据库进行了高度准确的预测，并且在不作进一步修改的情况下，很好地推广到美国死亡率数据库。

引用于11文件

MSC公司：

91G05号 精算数学
91D20型 数学地理学和人口学
68T07型 人工神经网络与深度学习

关键词：

死亡率预测；循环神经网络；卷积神经网络；表征学习；时间序列预测；Lee Carter模型；人类死亡率数据库

软件：

LSTM公司；ElemStatLearn（电子状态学习）；凯拉斯；亚当；人类死亡率；ASCL公司
PDF格式BibTeX公司 XML格式引用
\textit{F.Perla}等人，扫描。精算师。J.2021，第7号，572--598（2021；Zbl 1471.91480）
全文： 内政部

参考文献：

[1] Y.本吉奥。；库尔维尔，A。；Vincent，P.，《表征学习：回顾与新视角》，IEEE模式分析与机器智能汇刊，35，8，798-1828（2013）
[2] Y.本吉奥。；杜恰姆，R。；文森特，P。；Jauvin，C.，神经概率语言模型，机器学习研究杂志，1137-1155年2月3日（2003）·Zbl 1061.68157号
[3] Borovykh，A.、Bohte，S.和Oosterlee，C.（2017年）。卷积神经网络条件时间序列预测。arXiv:1703.04691。
[4] Brouhns，N。；Denuit，M。；Vermunt，J.K.，《构建预测生命表的泊松对数双线性回归方法》，《保险：数学与经济学》，第31期，第373-393页（2002年）·Zbl 1074.62524号
[5] 凯恩斯，A.J。；布莱克，D。；Dowd，K.，《参数不确定性随机死亡率的双因素模型：理论与校准》，《风险与保险杂志》，73，4，687-718（2006）
[6] 凯恩斯，A.J。；布莱克，D。；Dowd，K。；库夫兰，G.D。；爱泼斯坦，D。；Ong，A。；Balevich，I.，《使用英格兰、威尔士和美国数据对随机死亡率模型进行定量比较》，《北美精算杂志》，13，1，1-53（2009）·兹比尔1484.91376
[7] Cho，K.、Van Merrienboer，B.、Gulcehre，C.、Bahdanau，D.、Bougares，F.、Schwenk，H.和Bengio，Y.（2014）。使用RNN编码器-解码器学习短语表示以进行统计机器翻译。arXiv:1406.1078。
[8] Chollet，F.（2018年）。Keras：Python深度学习库。天体物理学源代码库。
[9] Currie，I.D.，《关于拟合广义线性和非线性死亡率模型》，《斯堪的纳维亚精算杂志》，4356-383（2017）·Zbl 1401.91123号
[10] Elman，J.L.，《发现时间结构》，认知科学，14，2，179-211（1990）
[11] Gers，F.A。；施密杜贝尔，J。；Cummins，F.，《学会忘记：使用LSTM进行连续预测》，神经计算，12，10，2451-2471（2000）
[12] 古德费罗，I。；Y.本吉奥。；A.Courville，《深度学习》（2016），马萨诸塞州剑桥：麻省理工学院出版社·Zbl 1373.68009号
[13] 格雷夫斯，A。；Schmidhuber，J.，具有双向LSTM和其他神经网络架构的成帧音素分类，神经网络，18，5-6，602-610（2005）
[14] 格雷夫斯，A。；Schmidhuber，J.，使用多维递归神经网络进行脱机手写识别，神经信息处理系统进展，21，NIPS 2008，545-552（2009）
[15] 格雷夫，K。；Srivastava，R.K。；库特尼克，J。；Steunebrink，B.R。；Schmidhuber，J.，LSTM:搜索空间奥德赛，IEEE神经网络和学习系统汇刊，28，10，2222-232（2016）
[16] Guo，C.&Berkhahn，F.（2016）。范畴变量的实体嵌入。arXiv:1604.06737。
[17] Hainaut，D。；Denuit，M.，基于小波的死亡率预测特征提取，ASTIN Bulletin，50，3，675-707（2020）·Zbl 1454.91190号
[18] 哈斯蒂，T。；Tibshirani，R。；弗里德曼，J。；富兰克林，J.，《统计学习的要素：数据挖掘、推理和预测》，《数学智能》，第27、2、83-85页（2005年）
[19] Hochreiter，S。；Schmidhuber，J.，《长短期记忆，神经计算》，第9、8、1735-1780页（1997年）
[20] 人类死亡率数据库。(2020). 加利福尼亚大学伯克利分校（美国）和马克斯·普朗克人口研究所（德国）。可在https://www.motality.org/Public/CitationGuidelines.php。
[21] Hyndman，R.J。；H·布斯。；Yasmeen，F.，《一致死亡率预测：功能时间序列模型的乘积比法》，《人口学》，第50期，第261-283页（2013年）
[22] Hyndman，R.J。；Ullah，M.S.，《死亡率和生育率的稳健预测：功能数据方法》，计算统计数据分析，51，10，4942-4956（2007）·兹比尔1162.62434
[23] Ioffe，S.&Szegedy，C.（2015）。批量规范化：通过减少内部协变量偏移来加速深层网络训练。CoRR，abs/1502.03167。
[24] Kingma，D.P.和Ba，J.（2014）。亚当：一种随机优化方法。arXiv:1412.6980。
[25] Kleinow，T.，多人群死亡率的常见年龄效应模型，保险：数学与经济学，63147-152（2015）·Zbl 1348.91233号
[26] LeCun，Y。；Boser，B.E。；Denker，J.S。；亨德森·D·。；霍华德·R·E。；Hubbard，W.E。；Jackel，L.D.，用反向传播网络进行手写数字识别，神经信息处理系统，2，NIPS 1989，396-404（1990）
[27] 李·R·D。；Carter，L.R.，《美国死亡率建模与预测》，《美国统计协会杂志》，87419659-671（1992）·Zbl 1351.62186号
[28] 李，N。；Lee，R.，《一组人群的相关死亡率预测：Lee-Carter方法的扩展》，《人口学》，42，3，575-594（2005）
[29] Nigri，A。；列万提西，S。；马里诺，M。；Scognamiglio，S。；Perla，F.，深度学习综合Lee-Carter模型，风险，7，1，33（2019）
[30] 伦肖，A.E。；Haberman，S.，Lee-Carter死亡率预测与年龄相关性增强，《保险：数学与经济学》，33，2，255-272（2003）·兹比尔1103.91371
[31] 伦肖，A.E。；Haberman，S.，《死亡率降低因素的Lee-Carter模型基于队列的扩展》，《保险：数学与经济学》，38，3，556-570（2006）·Zbl 1168.91418号
[32] Richman，R.（2018）。精算科学中的人工智能。SSRN手稿ID 3218082。
[33] Richman，R.&Wüthrich，M.V.（2019年）。李和卡特进行机器学习。SSRN手稿ID 3441030。
[34] Richman，R。；Wüthrich，M.V.，Lee-Carter模型对多个人群的神经网络扩展，精算科学年鉴，1-21（2020）
[35] Shang，H.L.，动态主成分回归：在特定年龄死亡率预测中的应用，ASTIN Bulletin，49，3，619-645（2019）·Zbl 1427.91241号
[36] Shang，H.L。；Haberman，S.，《预测群体结构中的多功能时间序列：对死亡率的应用》，ASTIN Bulletin，50，2，357-379（2020）·Zbl 1447.91148号
[37] 北斯利瓦斯塔瓦。；辛顿，G。；Krizhevsky，A。；Sutskever，I。；Salakhutdinov，R.，《辍学：防止神经网络过度拟合的简单方法》，《机器学习研究杂志》，第15期，第11929-1958页（2014年）·Zbl 1318.68153号
[38] Takeuchi，I。；Le，Q.V。；西尔斯，T。；Smola，A.，非参数分位数估计，《机器学习研究杂志》，671231-1264（2006）·Zbl 1222.68316号
[39] 加利福尼亚大学伯克利分校（美国）（2020年）。美国死亡率数据库。usa.motality.org.于2020-03-30访问。
[40] Villegas，A.M。；米洛索维奇，P。；Kaishev，V.K.，StMoMo:R中的随机死亡率建模，《统计软件杂志》，84，1-32（2018）
[41] Wiatowski，T。；Bölcskei，H.，用于特征提取的深度卷积神经网络数学理论，IEEE信息理论汇刊，64，3，1845-1866（2018）·兹比尔139094053
[42] Yan，H。；彼得斯，G.W。；Chan，J.S.K.，多变量长记忆队列死亡率模型，ASTIN Bulletin，50，1，223-263（2020）·Zbl 1431.91346号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。