經(jīng)濟(jì)新常態(tài)下保費(fèi)收入預(yù)測(cè)是學(xué)術(shù)界和業(yè)界共同關(guān)注的話(huà)題。考慮到保費(fèi)收入時(shí)間序列數(shù)據(jù)具有強(qiáng)烈的季節(jié)性特點(diǎn),文中構(gòu)建基于長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)神經(jīng)網(wǎng)絡(luò)的X12-LSTM模型以預(yù)測(cè)保費(fèi)收入,并與簡(jiǎn)單LSTM模型、SARIMA模型和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明,X12-LSTM模型對(duì)保費(fèi)收入的預(yù)測(cè)最準(zhǔn)確且穩(wěn)定度最好。相比簡(jiǎn)單LSTM模型,X12-LSTM模型在準(zhǔn)確度方面提升8%,在穩(wěn)定度方面提升8%,說(shuō)明X12-LSTM模型是對(duì)簡(jiǎn)單LSTM模型的有效改進(jìn),更適用于具有季節(jié)性特征的數(shù)據(jù)預(yù)測(cè)。

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

圖1LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

LSTM神經(jīng)網(wǎng)絡(luò)由Hochreiter等在1997年提出[13],是一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)。其起源于RNN又區(qū)別于RNN,在標(biāo)準(zhǔn)的RNN模型中,隱藏層只有一個(gè)狀態(tài),記為h,它用于記憶短期的狀態(tài)。LSTM神經(jīng)網(wǎng)絡(luò)對(duì)隱藏層的節(jié)點(diǎn)進(jìn)行改進(jìn),在原有狀態(tài)h的基礎(chǔ)上增加一個(gè)新的狀態(tài),記為c,....

圖2月度保費(fèi)收入數(shù)據(jù)序列

本文選取了原中國(guó)保監(jiān)會(huì)網(wǎng)站2004年7月至2018年11月財(cái)產(chǎn)保險(xiǎn)保費(fèi)收入。先對(duì)原始累計(jì)數(shù)據(jù)進(jìn)行差分處理,獲得月度保費(fèi)收入數(shù)據(jù)。時(shí)間序列變化如圖2所示。保費(fèi)收入總體呈波動(dòng)上升趨勢(shì),具有明顯的季節(jié)性。以年為單位觀察,總保費(fèi)收入自2004年以來(lái)一直保持高速增長(zhǎng),增長(zhǎng)率均高于10%,2....

圖3X12-LSTM模型預(yù)測(cè)流程

X12-LSTM模型預(yù)測(cè)流程如圖3所示。本文首先利用X12季節(jié)調(diào)整法將保費(fèi)月收入時(shí)間序列Yt分解,獲得趨勢(shì)循環(huán)要素TC、季節(jié)要素S和隨機(jī)要素I。再將Yt,TC,S作為特征輸入LSTM模型進(jìn)行訓(xùn)練和測(cè)試,排除了隨機(jī)因素對(duì)預(yù)測(cè)的影響。將2004年至2018年的數(shù)據(jù)作為訓(xùn)練集,將201....

圖4保費(fèi)收入分解結(jié)果

運(yùn)用RStudio軟件將保費(fèi)收入時(shí)間序列分解,結(jié)果如圖4所示。分解結(jié)果表明,保費(fèi)收入長(zhǎng)期呈上升趨勢(shì),上升速度逐漸增加。季節(jié)波動(dòng)明顯且具有規(guī)律,波動(dòng)周期以年為單位,每年出現(xiàn)多個(gè)波峰和波谷,不同月份保費(fèi)收入差距較大。隨機(jī)要素序列表現(xiàn)穩(wěn)定,說(shuō)明保費(fèi)收入受政策、自然災(zāi)害等不可抗力因素影響....

本文編號(hào)：3926856