데이터 증강을 이용한 인공신경망 기반 사망률 예측에 관한 연구 = A Study on Mortality Forecasting Based on Artificial Neural Networks Using Data Augmentation
저자
발행사항
서울 : 한국방송통신대학교 대학원, 2022
학위논문사항
학위논문(석사)-- 한국방송통신대학교 대학원 : 정보과학과 2022. 8
발행연도
2022
작성언어
한국어
주제어
발행국(도시)
서울
형태사항
71 ; 26 cm
일반주기명
지도교수: 손진곤
UCI식별코드
I804:11057-200000643674
소장기관
인공신경망에 대한 연구는 많은 발전을 거듭하고 있고 특히 예측 분야에서 연구되고 활용되고 있다. 예를 들어 공학뿐만 아니라 경제·경영 분야에서 주식 가격, 농산물 가격 등 다양한 가격 예측에도 사용되고 있다. 본 논문의 주제인 사망률을 예측하는 경우에도 인공신경망이 이용되고 있고, 기존의 사망률 예측 연구에 비하여 인공신경망을 이용한 연구에서 더 향상된 예측 성능을 보여주었다.
이러한 사망률 예측과 인공신경망을 통한 선행 연구에서는 연 사망률을 이용하였다. 그런데 사망률 예측의 경우 사용된 사망률은 관련 데이터의 수집 및 공개 시점 등에 따른 한계로 대부분 연 단위 사망률로 이산적으로 제공된다. 따라서 국가별로 차이가 있지만 인공신경망을 적용하는 경우 다른 분야에 비하여 데이터가 충분하지 못한 문제점이 있다. 예를 들어 발표되는 기간이 100년이라고 해도 특정 연령별 성별 사망률은 각 100개일 수 있어 데이터 수가 적다.
반면에 인공신경망은 일반적으로 입력 데이터의 수가 많아야 학습 결과가 좋고 적은 경우에는 데이터 증강을 통하여 많은 경우 성능이 더 향상된 결과를 보여 주고 있다.
따라서, 본 논문에서는 사망률 예측(mortality forecast) 분야에 있어 기존의 관련 연구와 달리 사망률 분야의 도메인 지식 및 경험 등에 기반하여 관련 시계열 데이터 증강(time-series data augmentation) 방법을 적용하고 이 증강된 데이터를 통하여 인공신경망을 학습시키는 방법으로 사망률을 예측하였다.
사망률 예측을 위하여 Lee-Carter 모델(LC모델)과 인공신경망 모델 중 하나인 Long Short-Term Memory network(LSTM)을 사용하였고, 관련 시계열 데이터 증강에 따른 성능 변화를 비교 관찰하기 위하여 두 가지 측면에서 실험을 구성하였다. 첫째, 데이터를 증강하지 않은 경우와 증강하는 데이터의 종류에 따라 실험을 구분하였다. 데이터를 증강하지 않는 실험 A에서는 기존 선행 연구와 같이 연 사망률을 이용하고 LC모델과 LSTM을 적용하여 사망률을 예측하였다. 그리고 실험 B는 LC모델에서 산출되는 사망률 개선 정도를 설명하는 사망률 지표 kt를 선형보간법을 통하여 증강하고 LSTM을 이용하여 사망률을 예측하였다. 실험 C는 실험 대상 연 사망률을 계리학 분야의 연중 사망률 추정 방법 응용을 통하여 증강시켜 LC모델과 LSTM을 사용하여 사망률을 예측하였다. 둘째, 상기 실험 A, B, C에 대하여 데이터 증강 수준에 따라 실험 I에서는 월 단위로 증강하고 실험 II에서는 일 단위로 증강하여 실험 I과 실험 II에서 각각 실험 A, B, C를 수행하였다.
실험 결과 해당 도메인과 시계열 데이터의 특성을 고려하여 월 단위 증강한 경우와 일 단위 증강한 경우 모두 데이터 증강을 통한 인공신경망 학습이 데이터 증강을 하지 않은 경우에 비하여 사망률 예측에 있어서 성능이 개선되었다.
Research on artificial neural networks(ANNs) is making a lot of progress. And ANNs have been studied and utilized especially in the field of forecasting. For example, they are used not only in engineering but also in business fields to predict various prices such as stock prices and agricultural product prices. ANNs are also used in mortality forecasting, which is the subject of this paper. Compared to the previous mortality forecasting methods, studies using ANNs have shown more improved forecasting performance.
They have used annual mortality rates in mortality forecasting and studies using ANNs. Annual mortality rates have been used for reasons such as limitations due to the timing of collection and publication thereof. Therefore, although there are differences by country, there is a problem in that we do not have sufficient data compared to the quantity of data in other fields in applying ANNs. For example, even if the mortality data period is 100 years, the number of data is small because the number of mortality rates by gender for a specific age can be 100 each.
On the other hand, the learning result for using ANNs is generally better when the input data size is large. In case of a small data size, performance can be improved through data augmentation in many cases.
Therefore, in this paper, time-series data augmentation methods have been applied in mortality forecasting based on domain knowledge and/or judgment on mortality rates, unlike previous related studies. And, the mortality rates have been forecast by training the artificial neural network using the augmented data.
The Lee-Carter model (LC model) and artificial neural network (Long Short-Term Memory network, LSTM) have been used to forecast mortality rates. Experiments have been constructed in two aspects to compare and observe performance changes by using the time-series augmented data. First, experiments have been constructed according to whether the data is augmented or not and the types of data augmentation. In Experiment A without data augmentation, the annual mortality rates have been used as in previous studies, and mortality rates have been forecast by applying the LC model and LSTM. And in Experiment B, kt, the time indices describing mortality trends calculated from the LC model have been augmented by the linear interpolation method to forecast mortality rates using LSTM. In Experiment C, the annual mortality rates have been augmented by the application of assumptions for fractional ages in the field of actuarial science, and mortality rates have been forecast using the LC model and LSTM. Second, the experiments A, B, and C have been repeated using monthly and daily data augmentation in Experiment I and Experiment II, respectively.
As a result of the experiments, the artificial neural networks learning through data augmentation have improved the mortality forecasting performance in both cases of monthly and daily augmentation taking into account the characteristics of the domain and time-series data compared to the case without data augmentation.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)