經(jīng)濟新常態(tài)下保費收入預測是學術界和業(yè)界共同關注的話題�？紤]到保費收入時間序列數(shù)據(jù)具有強烈的季節(jié)性特點,文中構建基于長短期記憶(Long Short-Term Memory,LSTM)神經(jīng)網(wǎng)絡的X12-LSTM模型以預測保費收入,并與簡單LSTM模型、SARIMA模型和BP神經(jīng)網(wǎng)絡進行對比。實驗結果表明,X12-LSTM模型對保費收入的預測最準確且穩(wěn)定度最好。相比簡單LSTM模型,X12-LSTM模型在準確度方面提升8%,在穩(wěn)定度方面提升8%,說明X12-LSTM模型是對簡單LSTM模型的有效改進,更適用于具有季節(jié)性特征的數(shù)據(jù)預測。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1LSTM神經(jīng)網(wǎng)絡結構

LSTM神經(jīng)網(wǎng)絡由Hochreiter等在1997年提出[13],是一種改進的循環(huán)神經(jīng)網(wǎng)絡。其起源于RNN又區(qū)別于RNN,在標準的RNN模型中,隱藏層只有一個狀態(tài),記為h,它用于記憶短期的狀態(tài)。LSTM神經(jīng)網(wǎng)絡對隱藏層的節(jié)點進行改進,在原有狀態(tài)h的基礎上增加一個新的狀態(tài),記為c,....

圖2月度保費收入數(shù)據(jù)序列

本文選取了原中國保監(jiān)會網(wǎng)站2004年7月至2018年11月財產(chǎn)保險保費收入。先對原始累計數(shù)據(jù)進行差分處理,獲得月度保費收入數(shù)據(jù)。時間序列變化如圖2所示。保費收入總體呈波動上升趨勢,具有明顯的季節(jié)性。以年為單位觀察,總保費收入自2004年以來一直保持高速增長,增長率均高于10%,2....

圖3X12-LSTM模型預測流程

X12-LSTM模型預測流程如圖3所示。本文首先利用X12季節(jié)調(diào)整法將保費月收入時間序列Yt分解,獲得趨勢循環(huán)要素TC、季節(jié)要素S和隨機要素I。再將Yt,TC,S作為特征輸入LSTM模型進行訓練和測試,排除了隨機因素對預測的影響。將2004年至2018年的數(shù)據(jù)作為訓練集,將201....

圖4保費收入分解結果

運用RStudio軟件將保費收入時間序列分解,結果如圖4所示。分解結果表明,保費收入長期呈上升趨勢,上升速度逐漸增加。季節(jié)波動明顯且具有規(guī)律,波動周期以年為單位,每年出現(xiàn)多個波峰和波谷,不同月份保費收入差距較大。隨機要素序列表現(xiàn)穩(wěn)定,說明保費收入受政策、自然災害等不可抗力因素影響....

本文編號：3926856