基于机器学习的Lee-Carter模型死亡率预测方法研究

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.

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

分类号：C921(人口学)

资助基金：国家自然科学基金;浙江省哲学社会科学重点研究基地课题

在线出版日期：2023-01-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：47-57