Comparative Study of Sarima and Lstm Model to Forecast the Insurance Comprehensive Income (Loss) in Indonesia
यह अध्ययन इंडोनेशियाई बीमा व्यापक आय के पूर्वानुमान के लिए SARIMA और LSTM मॉडलों की तुलना करता है, जिसमें यह पाया गया है कि जबकि SARIMA मौसमी रुझानों को बेहतर ढंग से पकड़ता है, दोनों मॉडल सीमित सटीकता प्रदर्शित करते हैं, जो यह सुझाव देता है कि पूर्वानुमान प्रदर्शन में सुधार के लिए भविष्य के हाइब्रिड दृष्टिकोणों और बाहरी चरों की आवश्यकता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप इंडोनेशिया के एक विशिष्ट शहर के लिए मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन बारिश और धूप के बजाय, आप बीमा कंपनियों के "वित्तीय स्वास्थ्य" (विशेष रूप से, कुल व्यापक आय या हानि) की भविष्यवाणी कर रहे हैं। इस शोध पत्र के लेखक, हितेश महाजन ने यह देखने के लिए प्रयास किया कि दो अलग-अलग "मौसम पूर्वानुमानकर्ताओं" में से कौन बेहतर काम करेगा: एक क्लासिक, नियम-आधारित कैलकुलेटर जिसे SARIMA कहा जाता है, या एक आधुनिक, मस्तिष्क जैसा कंप्यूटर प्रोग्राम जिसे LSTM कहा जाता है।
यहाँ इस शोध पत्र के निष्कर्षों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है।
दो पूर्वानुमानकर्ता
1. SARIMA (मौसमी पंचांग - The Seasonal Almanac)
SARIMA को एक पुराने जमाने के पंचांग की तरह समझें। यह इतिहास को देखता है और कहता है, "पिछले साल, दिसंबर में आंकड़े बढ़े थे और अक्टूबर में घटे थे। इसलिए, इस साल, वे शायद वैसा ही करेंगे।"
- यह कैसे काम करता है: यह दोहराते हुए पैटर्न (मौसमी बदलाव) को पहचानने में बहुत अच्छा है। यह मानता है कि भविष्य अतीत जैसा ही होगा, बस थोड़ा बदला हुआ।
- शोध पत्र का निर्णय: इस दौड़ में SARIMA विजेता रहा। इसने बीमा कंपनियों के वित्त के वार्षिक "नृत्य" को सफलतापूर्वक पहचाना। इसे पता था कि कैलेंडर के आधार पर कब उतार-चढ़ाव की उम्मीद करनी है।
2. LSTM (डीप लर्निंग मस्तिष्क - The Deep Learning Brain)
LSTM को एक ऐसे छात्र की तरह समझें जिसने अब तक की लिखी गई हर एक वित्तीय रिपोर्ट पढ़ी है और बाजार के "अहसास" को समझने की कोशिश कर रहा है। यह केवल दोहराते हुए पैटर्न को नहीं देखता; यह जटिल, अव्यवस्थित और गैर-रैखिक संबंधों को समझने की कोशिश करता है, जैसे कि कैसे अचानक आया एक तूफान अप्रत्याशित रूप से मौसम को बदल सकता है।
- यह कैसे काम करता है: यह एक न्यूरल नेटवर्क (जैसे एक सरल मानव मस्तिष्क) का उपयोग करता है ताकि लंबी अवधि के रुझानों और अल्पकालिक उछालों को याद रख सके।
- शोध पत्र का निर्णय: आश्चर्यजनक रूप से, "स्मार्ट" मस्तिष्क यहाँ संघर्ष करता रहा। हालांकि इसने पैटर्न सीखने की कोशिश की, लेकिन यह बहुत अधिक सतर्क हो गया। इसने डेटा को बहुत अधिक "स्मूथ" (सपाट) बना दिया, जिससे वे तीखे और अचानक आने वाले उछाल और गिरावट छूट गए जो वास्तव में हुए थे।
दौड़ के परिणाम
लेखक ने 2017 से 2025 तक इंडोनेशियाई बीमा कंपनियों के वास्तविक डेटा पर दोनों मॉडलों का परीक्षण किया।
- SARIMA पंचांग: इसने एक ठीक-ठाक काम किया। इसने धन के प्रवाह की सामान्य दिशा का अनुसरण किया और मौसमी उतार-चढ़ाव को सही ढंग से पहचाना। हालाँकि, यह पूर्ण नहीं था। यह एक "सुचारू" (smooth) पथ बताने की प्रवृत्ति रखता था, जिससे लाभ या हानि के जंगली और अचानक आए उछाल छूट जाते थे।
- LSTM मस्तिष्क: यह पंचांग की तुलना में खराब प्रदर्शन कर गया। शोध पत्र नोट करता है कि LSTM मॉडल "अंडरफिटिंग" (underfitting) से ग्रस्त था। कल्पना कीजिए कि एक चित्रकार एक ऊबड़-खाबड़ पर्वत श्रृंखला की नकल करने की कोशिश कर रहा है लेकिन केवल एक हल्की पहाड़ी ही बना पाता है। LSTM मॉडल बहुत अधिक सुचारू था; यह अत्यधिक अस्थिरता (बड़े उछाल और गिरावट) को पकड़ने में विफल रहा। इसकी त्रुटि दर वास्तव में सरल मॉडल से अधिक थी।
मुख्य निष्कर्ष
मुख्य निष्कर्ष थोड़ा विडंबनापूर्ण है: इस विशिष्ट मामले में, सरल, नियम-आधारित मॉडल (SARIMA) जटिल, AI-आधारित मॉडल (LSTM) से बेहतर रहा।
क्यों? क्योंकि इस इंडोनेशियाई बीमा कंपनियों के वित्तीय डेटा में बहुत मजबूत, अनुमानित मौसमी पैटर्न (एक घड़ी के तंत्र की तरह) थे। SARIMA विशेष रूप से घड़ियों के लिए बनाया गया है। LSTM, जो अराजक और अप्रत्याशित डेटा के लिए बेहतरीन है, इस डेटासेट की विशिष्ट प्रकृति से भ्रमित हो गया और अचानक होने वाले तीव्र परिवर्तनों को नहीं संभाल सका।
"लेकिन..." (सीमाएं)
लेखक ईमानदार है कि न तो कोई मॉडल पूर्ण था।
- SARIMA "मौसमी लय" के लिए अच्छा था लेकिन "अचानक झटकों" को मिस कर गया।
- LSTM बहुत अधिक सुचारू था और "अत्यधिक उछालों" को मिस कर गया।
- दोनों में उच्च त्रुटि दर (विशेष रूप से MAPE नामक एक मीट्रिक) थी, जिसका अर्थ है कि उनकी भविष्यवाणियां अभी भी वास्तविक दुनिया के नंबरों से काफी दूर थीं।
आगे क्या?
शोध पत्र सुझाव देता है कि केवल एक को चुनने के बजाय, सबसे अच्छा समाधान एक हाइब्रिड (मिश्रित) हो सकता है। कल्पना कीजिए कि अनुमानित वार्षिक चक्रों को संभालने के लिए पंचांग (SARIMA) को और अजीब, अप्रत्याशित अराजकता को संभालने के लिए मस्तिष्क (LSTM) को काम पर रखना। उन्हें मिलाकर, या AI की सेटिंग्स को अधिक सावधानी से ट्यून करके, भविष्य के मॉडल अंततः इतने सटीक हो सकते हैं कि वे निवेशकों और प्रबंधकों के लिए वास्तव में उपयोगी बन सकें।
संक्षेप में: इस विशिष्ट इंडोनेशियाई बीमा डेटा के लिए, "पुराने स्कूल" के मौसमी कैलकुलेटर ने "नए स्कूल" के AI मस्तिष्क को पछाड़ दिया, लेकिन दोनों को उच्च सटीकता के साथ भविष्य की भविष्यवाणी करने के लिए भरोसेमंद बनने से पहले अभी भी बहुत सुधार करने की आवश्यकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।