基于X12-LSTM模型的保费收入预测研究

发布时间：2024-03-12 20:57

　　经济新常态下保费收入预测是学术界和业界共同关注的话题。考虑到保费收入时间序列数据具有强烈的季节性特点,文中构建基于长短期记忆(Long Short-Term Memory,LSTM)神经网络的X12-LSTM模型以预测保费收入,并与简单LSTM模型、SARIMA模型和BP神经网络进行对比。实验结果表明,X12-LSTM模型对保费收入的预测最准确且稳定度最好。相比简单LSTM模型,X12-LSTM模型在准确度方面提升8%,在稳定度方面提升8%,说明X12-LSTM模型是对简单LSTM模型的有效改进,更适用于具有季节性特征的数据预测。

【文章页数】：5 页

【部分图文】：

图1LSTM神经网络结构

LSTM神经网络由Hochreiter等在1997年提出[13],是一种改进的循环神经网络。其起源于RNN又区别于RNN,在标准的RNN模型中,隐藏层只有一个状态,记为h,它用于记忆短期的状态。LSTM神经网络对隐藏层的节点进行改进,在原有状态h的基础上增加一个新的状态,记为c,....

图2月度保费收入数据序列

本文选取了原中国保监会网站2004年7月至2018年11月财产保险保费收入。先对原始累计数据进行差分处理,获得月度保费收入数据。时间序列变化如图2所示。保费收入总体呈波动上升趋势,具有明显的季节性。以年为单位观察,总保费收入自2004年以来一直保持高速增长,增长率均高于10%,2....

图3X12-LSTM模型预测流程

X12-LSTM模型预测流程如图3所示。本文首先利用X12季节调整法将保费月收入时间序列Yt分解,获得趋势循环要素TC、季节要素S和随机要素I。再将Yt,TC,S作为特征输入LSTM模型进行训练和测试,排除了随机因素对预测的影响。将2004年至2018年的数据作为训练集,将201....

图4保费收入分解结果

运用RStudio软件将保费收入时间序列分解,结果如图4所示。分解结果表明,保费收入长期呈上升趋势,上升速度逐渐增加。季节波动明显且具有规律,波动周期以年为单位,每年出现多个波峰和波谷,不同月份保费收入差距较大。随机要素序列表现稳定,说明保费收入受政策、自然灾害等不可抗力因素影响....

本文编号：3926856