کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
8965178 | 1646702 | 2018 | 23 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Gaussian process regression method for forecasting of mortality rates
ترجمه فارسی عنوان
روش رگرسیون روش گاوسی برای پیش بینی میزان مرگ و میر
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
رگرسیون فرآیند گاوسی، لی مدل کارتر، پیش بینی مرگ و میر، مخلوط طیفی، عملکرد متوسط وزنی،
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Gaussian process regression (GPR) has long been shown to be a powerful and effective Bayesian nonparametric approach, and has been applied to a wide range of fields. In this paper we present a new application of Gaussian process regression methods for the modelling and forecasting of human mortality rates. The age-specific mortality rates are treated as time series and are modelled by four conventional Gaussian process regression models. Furthermore, to improve the forecasting accuracy we propose to use a weighted mean function and the spectral mixture covariance function in the GPR model. The numerical experiments show that the combination of the weighted mean function and the spectral mixture covariance function provides the best performance in forecasting long term mortality rates. The performance of the proposed method is also compared with three existing models in the mortality modelling literature, and the results demonstrate that the GPR model with the weighted mean function and the spectral mixture covariance function provides a more robust forecast performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 316, 17 November 2018, Pages 232-239
Journal: Neurocomputing - Volume 316, 17 November 2018, Pages 232-239
نویسندگان
Ruhao Wu, Bo Wang,