การเปรียบเทียบประสิทธิภาพของตัวแบบและการพยากรณ์เบี้ยประกันชีวิตโดยใช้วิธีการเรียนรู้ของเครื่องร่วมกับตัวแบบอนุกรมเวลา

Comparing the model performance and forecasting life insurance premiums using machine learning methods and time series models

Name: ศุภิกา ฮวดศรี

keyword: ตัวแบบพยากรณ์

ThaSH: การเรียนรู้ของเครื่อง

ThaSH: การวิเคราะห์อนุกรมเวลา

ThaSH: เบี้ยประกันชีวิต -- ไทย -- สถิติ

Abstract: งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบประสิทธิภาพของตัวแบบการพยากรณ์ โดย ใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning) เข้ามาช่วย ซึ่งในงานวิจัยนี้ได้สนใจเลือกตัวแบบอนุกรมเวลา (Time Series) 4 ตัวแบบ คือ 1) ตัวแบบบโครงข่ายประสาทเทียมแบบวนกลับ (Recurrent Neural Network: RNN) 2) ตัวแบบซัพพอร์ตเวกเตอร์รีเกรสชั่น (Support Vector Regression: SVR) 3) ตัวแบบโครงข่ายประสาทแบบเพอร์เซฟตรอนหลายชั้น (Multi-Layer Perceptron: MLP) และ 4) Seasonal Autoregressive Integrated Moving Average with Exogenous Variable Model (SARIMAX) พร้อมนำเสนอการพัฒนาตัวแบบการพยากรณ์อนุกรมเวลา 3 ตัวแบบ คือ 1) ตัวแบบ RNN-SARIMAX 2) ตัวแบบ SVR-SARMAX และ 3) ตัวแบบ MLP-SARIMAX โดยใช้ข้อมูลจำนวนเบี้ยประกันภัยรับโดยตรงของธุรกิจประกันชีวิตแบบรายเดือน ในประเทศไทย ตั้งแต่เดือนมกราคม พ.ศ.2546 ถึงเดือนธันวาคม พ.ศ.2565 สำหรับเกณฑ์ที่ใช้ในการเปรียบเทียบประสิทธิภาพของตัวแบบ คือค่าเฉลี่ยของค่าสัมบูรณ์เปอร์เซ็นต์ความคลาดเคลื่อน (MAPE), ค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) และค่าสัมประสิทธิ์การตัดสินใจ (R-Squared) โดยได้แบ่งข้อมูลออกเป็น 2 ส่วน ได้แก่ ส่วนที่ 1 นำข้อมูลจำนวนเบี้ยประกันภัยรับโดยตรงของธุรกิจประกันชีวิตแบบรายเดือน ในประเทศไทยตั้งแต่เดือนมกราคม พ.ศ. 2546 ถึงเดือนธันวาคม พ.ศ. 2564 มาสร้างตัวแบบในการพยากรณ์ และส่วนที่ 2 นำข้อมูลจำนวนเบี้ยประกันภัยรับโดยตรงของ ธุรกิจประกันชีวิตแบบรายเดือน ในประเทศไทยตั้งแต่เดือนมกราคม พ.ศ. 2565 ถึงเดือนธันวาคม พ.ศ. 2565 มาเปรียบเทียบประสิทธิภาพของตัวแบบการพยากรณ์ เพื่อหาตัวแบบที่มีความเหมาะสมและมีความแม่นยำมากที่สุดมาใช้ในการพยากรณ์การเติบโตของธุรกิจประกันชีวิตในประเทศไทย

Abstract: The objective of this research is to study and compare the performance of forecasting models using Machine Learning techniques. In this research, four time series models are selected: 1) Recurrent Neural Network (RNN), 2) Support Vector Regression (SVR), 3) Multi-Layer Perceptron (MLP), and 4) Seasonal Autoregressive Integrated Moving Average with Exogenous Variable Model (SARIMAX). The research also presents the development of three hybrid forecasting models: 1) RNN-SARIMAX, 2) SVR-SARIMAX, and 3) MLP-SARIMAX. These models are applied to monthly direct premium income data from life insurance businesses in Thailand, spanning from January 2003 to December 2022. For evaluating the performance of the models, three criteria are used: Mean Absolute Percentage Error (MAPE), Root Mean Square Error (RMSE), and Coefficient of Determination (R-Squared). The data is divided into two parts: Part 1 includes data from January 2003 to December 2022 for model training, while Part 2 includes data from January 2023 to December 2023 for model comparison. The aim is to identify the most suitable and accurate model for forecasting the growth of life insurance businesses in Thailand.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Name: วิกานดา ผาพันธ์

Role: ที่ปรึกษาวิทยานิพนธ์

Email : wikanda.p@sci.kmutnb.ac.th

Name: พีระศักดิ์ อินทรไพบูลย์

Role: ที่ปรึกษาวิทยานิพนธ์

Created: 2566

Modified: 2567-11-11

Issued: 2567-11-11

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: วิทยาศาสตร์มหาบัณฑิต

Level: ปริญญาโท

Descipline: สถิติประยุกต์

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B17670433.pdf	78.5 MB	3	2025-07-03 10:45:40

ใช้เวลา

0.033926 วินาที