期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
分数O-U过程的最小L^p范数估计的相合性
1
作者
苗雨
郑凯
《河南师范大学学报（自然科学版）》
CAS
CSCD
北大核心
2007年第4期1-3,共3页
通过一个分数布朗运动的极大不等式给出分数O-U过程参数的最小Lp范数估计的一个偏差不等式,进而得到该估计量的相合性.
关键词
分数o-u过程
最小L^p范数估计
相合性
在线阅读
下载PDF
职称材料
基于机器学习的Lee-Carter模型死亡率预测方法研究
被引量：
5
2
作者
陶祥兴
杨峥
季彦颋
《人口与经济》
CSSCI
北大核心
2022年第6期47-57,共11页
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,...
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。
展开更多
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
在线阅读
下载PDF
职称材料
题名
分数O-U过程的最小L^p范数估计的相合性
1
作者
苗雨
郑凯
机构
河南师范大学数学与信息科学学院
出处
《河南师范大学学报（自然科学版）》
CAS
CSCD
北大核心
2007年第4期1-3,共3页
基金
国家天元基金项目(10626041)
文摘
通过一个分数布朗运动的极大不等式给出分数O-U过程参数的最小Lp范数估计的一个偏差不等式,进而得到该估计量的相合性.
关键词
分数o-u过程
最小L^p范数估计
相合性
Keywords
fractional
o-u
type process
minimum Lp norm estimation
consistency
分类号
O211.6 [理学—概率论与数理统计]
在线阅读
下载PDF
职称材料
题名
基于机器学习的Lee-Carter模型死亡率预测方法研究
被引量：
5
2
作者
陶祥兴
杨峥
季彦颋
机构
浙江科技学院理学院
出处
《人口与经济》
CSSCI
北大核心
2022年第6期47-57,共11页
基金
国家自然科学基金面上项目“若干非标准核奇异积分及相关分数次非线性方程的研究”(11771399)
2020年度浙江省哲学社会科学重点研究基地课题“基于随机时滞模型的长寿风险量化理论与催化从策略研究”(20JDZD071)。
文摘
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
Keywords
Lee-Carter model
ARIMA method
ARIMA-LSTM method
fractional
o-u
process
mortality prediction
分类号
C921 [社会学—人口学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
分数O-U过程的最小L^p范数估计的相合性
苗雨
郑凯
《河南师范大学学报（自然科学版）》
CAS
CSCD
北大核心
2007
0
在线阅读
下载PDF
职称材料
2
基于机器学习的Lee-Carter模型死亡率预测方法研究
陶祥兴
杨峥
季彦颋
《人口与经济》
CSSCI
北大核心
2022
5
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
