基于历史洪水保险索赔与极端降雨数据学习年际洪水损失风险模型
机器学习
2022-12-20 v1 数据分析、统计与概率
应用统计
机器学习
摘要
洪水是最具灾难性的自然灾害之一，造成巨大经济损失。用于预测洪水所致财务损失的模型对诸多应用（如气候变化适应规划与保险承保）十分有用。本研究评估了基于国家洪水保险计划（NFIP）数据集构建的回归器的预测能力，所用方法包括神经网络（条件生成对抗网络）、决策树（极端梯度提升）与基于核的回归器（高斯过程）。该评估突出了最具信息量的回归预测变量。索赔金额的推断分布采用 Burr 分布建模，从而引入偏差校正方案并提升回归器的预测能力。为研究其与物理变量的交互，我们将 Daymet 降雨估计作为附加预测变量纳入 NFIP。针对美国西南八州沿海县的研究取得了 。对 NFIP 数据集中索赔数量显著的 11 个县的进一步分析表明：极端梯度提升提供最佳结果，偏差校正显著改善与参考分布的相似性，且降雨预测变量增强了回归器性能。
引用
@article{arxiv.2212.08660,
title = {Learning Inter-Annual Flood Loss Risk Models From Historical Flood Insurance Claims and Extreme Rainfall Data},
author = {Joaquin Salas and Anamitra Saha and Sai Ravela},
journal= {arXiv preprint arXiv:2212.08660},
year = {2022}
}
备注
10 pages, 7 figures, 2 tables. An appendix with one more table and two figures