Compartilhamento |
![]() ![]() |
Use este identificador para citar ou linkar para este item:
http://www.bdtd.uerj.br/handle/1/18970
Tipo do documento: | Tese |
Título: | Previsão de séries temporais para os óbitos no Brasil causados pela COVID-19 no âmbito da pandemia |
Título(s) alternativo(s): | Time series forecast for deaths in Brazil caused by COVID-19 in the context of the pandemic |
Autor: | Provenza, Marcello Montillo ![]() |
Primeiro orientador: | Luna, Aderval Severino |
Segundo orientador: | Xavier, Vinicius Layter |
Primeiro membro da banca: | Costa, André Luiz Hemerly |
Segundo membro da banca: | Tôrres, Alexandre Rodrigues |
Terceiro membro da banca: | Campos, Eduardo Lima |
Quarto membro da banca: | Amaral, Marcelo Rubens dos Santos do |
Resumo: | As previsões de óbitos por COVID-19 são úteis para a formulação de políticas públicas, permitindo a utilização de estratégias de isolamento social mais eficazes e com menor impacto econômico e social, além de promover indicadores de como a população adere às vacinas. O objetivo deste trabalho é explorar um amplo conjunto de métodos de previsão para identificar os melhores modelos sem cobertura vacinal (Caso 1) e com cobertura vacinal (Caso 2) no Brasil. Foram considerados os métodos de Inteligência Artificial e os métodos clássicos de econometria. A técnica de validação cruzada para séries temporais foi implementada, fornecendo assim uma estimativa precisa para avaliar a capacidade preditiva dos modelos. Cada modelo foi ajustado considerando uma base inicial de treinamento de 30 valores. No Caso 1, foram usadas as mortes diárias e acumuladas da base Oxford COVID-19 Government Response Tracker. No Caso 2, o conjunto de dados provém do Our World in Data, onde a média móvel de sete dias foi adotada como referência para melhorar a qualidade dos dados. No Caso 1 os modelos foram treinados e testados com 266 amostras considerando um horizonte de previsão de 7 dias. No Caso 2 os modelos foram treinados e testados 494 vezes considerando um horizonte de revisão de sete dias, 486 vezes considerando um horizonte de 15 dias e 471 vezes considerando um horizonte de 30 dias. Foram adotados modelos de diferentes classes: algoritmos ETS, ARIMA, regressão e aprendizado de máquina. A comparação entre as previsões foi feita utilizando os resultados médios das métricas de previsão: R2, RMSE, MAE e MAPE. No Caso 1, as previsões acumuladas ofereceram melhores resultados do que as diárias, pois os modelos são menos influenciados pelas componentes da série temporal: ciclo e sazonalidade. Os melhores resultados para a predição de óbitos diários foram obtidos pelo método de regressão de Ridge (R2 = 0,772, RMSE = 136 e MAE = 113). Os melhores resultados para predição de óbitos acumulados foram obtidos pelo método de regressão Cubist (R2 = 0,993, RMSE = 468 e MAE = 409). No Caso 2, o modelo ARIMA com uma diferenciação apresentou os melhores resultados para um horizonte de sete dias (RMSE = 74 e MAE = 64). |
Abstract: | The predictions of deaths from COVID-19 are useful for the formulation of public policies, allowing the use of more effective social isolation strategies with less economic and social impact, in addition to promoting indicators of how the population adheres to vaccines. The objective of this work is to explore a broad set of prediction methods to identify the best models without vaccination coverage (Case 1) and with vaccination coverage (Case 2) in Brazil. The methods of Artificial Intelligence and the classical methods of econometrics were considered. The cross-validation technique for time series was implemented, thus providing an accurate estimate to assess the predictive capacity of the models. Each model was adjusted considering an initial training base of 30 values. In Case 1, daily and cumulative deaths from the Oxford COVID-19 Government Response Tracker database were used. In Case 2, the dataset comes from Our World in Data, where the seven-day moving average was adopted as a reference to improve data quality. In Case 1 the models were trained and tested with 266 samples considering a forecast horizon of 7 days. In Case 2 the models were trained and tested 494 times considering a forecast horizon of seven days, 486 times considering a horizon of 15 days, and 471 times assuming a horizon of 30 days. Models of different classes were adopted: ETS algorithms, ARIMA, regression, and machine learning. The forecasts were compared using the average results of the forecast metrics: R2, RMSE, MAE, and MAPE. In Case 1, the accumulated forecasts offered better results than the daily ones, as the models are less influenced by the components of the time series: cycle and seasonality. The best results for the prediction of daily deaths were obtained by the Ridge regression method (R2 = 0.772, RMSE = 136, and MAE = 113). The best results for predicting cumulative deaths were obtained by the Cubist regression method (R2 = 0.993, RMSE = 468, and MAE = 409). In Case 2, the ARIMA model with one differentiation showed the best results for a seven-day horizon (RMSE = 74 and MAE = 64). |
Palavras-chave: | Engenharia química Processamento de dados COVID-19 (Doença) Séries temporais Óbitos Modelos estatísticos Aprendizado de máquina Time series Deaths Statistical models Machine learning Econometria COVID-19 COVID 19 |
Área(s) do CNPq: | ENGENHARIAS::ENGENHARIA QUIMICA |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade do Estado do Rio de Janeiro |
Sigla da instituição: | UERJ |
Departamento: | Centro de Tecnologia e Ciências::Instituto de Química |
Programa: | Programa de Pós-Graduação em Engenharia Química |
Citação: | PROVENZA, Marcello Montillo. Previsão de séries temporais para os óbitos no Brasil causados pela COVID-19 no âmbito da pandemia. 2022. 52 f. Tese (Doutorado em Engenharia Química) - Instituto de Química, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2022. |
Tipo de acesso: | Acesso Aberto |
URI: | http://www.bdtd.uerj.br/handle/1/18970 |
Data de defesa: | 23-Set-2022 |
Aparece nas coleções: | Doutorado em Engenharia Química |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Tese - Marcello Montillo Provenza - 2022 - Completa.pdf | 1,25 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.