Mortality Forecasting Using LSTM-CNN Model

Ning Zhang

doi:10.3390/axioms15050324

2026-04-29

PRE

DOI：10.3390/axioms15050324

原文链接

原文求助

摘要

En 中文

准确死亡率预测对精算实践至关重要，因为它直接关系到保险定价、准备金管理和长寿风险管理。本研究提出了一个用于多人群死亡率率的深度神经网络（DNN）模型；该模型由长短期记忆（LSTM）和卷积神经网络（CNN）组件组成。由于死亡率趋势在长期时间范围内演变，并且线性模型难以捕捉国家或地区间死亡率率的复杂依赖关系，因此应用了LSTM和CNN进行死亡率建模。前者能够自动学习序列数据的长程依赖关系，而后者能够从网格或序列数据中提取局部特征。该模型被表述为Lee-Carter分解的非线性推广，它将死亡率矩阵logM映射到未来的logm(x,t)端到端，并通过动态递归预测生成多步预测。然后，使用深度神经网络和基准模型拟合了人类死亡率数据库（HMD）中21个国家的死亡率数据，这些数据以2000年为分割点分为训练集和测试集。从预测精度、稳定性和长期预测可靠性的角度进行的广泛数值实验表明，DNN模型具有更好的预测性能，特别是LSTM-CNN模型。它结合了LSTM、CNN和全连接网络（FCN）层，从而利用每个深度神经网络拟合非线性年龄、时期和队列效应及其交互项，以实现更好的预测性能。然而，对于某些群体，CNN仍然优于其他模型。此外，结论同样适用于剩余预期寿命。

Keyword:

longevity

mortality forecasting for multiple populations

deep learning

long short-term memory (LSTM)

convolutional neural network (CNN)