Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
http://tede.bc.uepb.edu.br/jspui/handle/tede/3990
Tipo do documento: | Dissertação |
Título: | Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba |
Título(s) alternativo(s): | Use of machine learning and deep learning techniques for the prediction of dengue cases in the cities of Paraíba |
Autor: | Batista, Ewerthon Dyego de Araújo |
Primeiro orientador: | Araújo, Wellington Candeia de |
Primeiro membro da banca: | Bublitz, Frederico Moreira |
Segundo membro da banca: | Vasconcelos, Danilo de Almeida |
Terceiro membro da banca: | Ramos, Felipe Barbosa Araújo |
Resumo: | Dengue é uma doença causada pelo vírus DENV e transmitida para o homem através do mosquito Aedes aegypti. Embora não seja uma doença nova, ainda não existe uma vacina regulamentada no Brasil que possa ser usada sem restrição na população. Logo, o combate contra a doença é feito através de ações para eliminação do mosquito transmissor. Os números da dengue voltaram a crescer no Brasil e na Paraíba. De acordo com o sétimo boletim epidemiológico de arbovirose da Paraíba, houve um acréscimo de 53% dos casos de dengue em relação aos casos do ano anterior. O objetivo deste trabalho foi criar um sistema capaz de realizar previsões de notificações e de internações causadas por dengue nos municípios da Paraíba. Por meio de técnicas de Machine Learning (Random Forest e Support Vector Regression) e de Deep Learning (Multilayer Perceptron, Long Short-Term Memory e Convolutional Neural Network) e utilizando dados epidemiológicos, climáticos e sanitários, entre os anos de 2010 e 2019, o sistema foi capaz de encontrar a melhor combinação de atributos previsores, os melhores parâmetros para as técnicas, realizar previsões de casos de internações e de notificações causadas por dengue para os municípios paraibanos Bayeux, Cabedelo, Cajazeiras, Campina Grande, Catolé do Rocha, João Pessoa, Monteiro, Patos e Santa Rita, determinar quais técnicas produzem melhores resultados por cidade e, finalmente, foi demonstrada a diferença estatística entre as abordagens. Os resultados produzidos demonstram a superioridade das técnicas de Deep Learning em comparação as técnicas de Machine learing. Durante a previsão de casos de notificações, a técnica Long Short-Term Memory (LSTM) obteve melhores resultados em 66,67% das cidades, Convolutional Neural Network (CNN) em 22,22% e Multilayer Perceptron (MLP) em 11,11%. Em relação às internações, LSTM obteve menor taxa de erro em 33,34% dos munícipios, CNN, MLP e Random Forest (RF) obtiveram, cada uma delas, melhores resultados em 22,22% das cidades. |
Abstract: | Dengue is a disease caused by the DENV virus and transmitted to humans through the Aedes aegypti mosquito. Although it is not a new disease, there is still no regulated vaccine in Brazil that can be used without restriction in the population. Therefore, the fight against the disease is done through actions to eliminate the transmitting mosquito. Dengue numbers returned to grow in Brazil and Paraíba. According to the seventh epidemiological bulletin of arbovirus in Paraíba, there was an increase of 53% of dengue cases in relation to the cases of the previous year. The objective of this work was to create a system capable of forecasting notifications and hospitalizations caused by dengue in the municipalities of Paraíba. Through Machine Learning (Random Forest and Support Vector Regression) and Deep Learning (Multilayer Perceptron, Long Short-Term Memory and Convolutional Neural Network) techniques and using epidemiological, climatic and sanitary data, between 2010 and 2019, the system was able to find the best combination of predictive attributes, the best parameters for the techniques, make predictions of cases of hospitalizations and notifications caused by dengue for the municipalities of Paraíba Bayeux, Cabedelo, Cajazeiras, Campina Grande, Catolé do Rocha, João Pessoa, Monteiro, Patos and Santa Rita, determine which techniques produce better results per city and, finally, the statistical difference between the approaches was demonstrated. The results produced demonstrate the superiority of Deep Learning techniques in comparison to Machine learning techniques. During notification case forecasting, the Long Short-Term Memory (LSTM) technique obtained better results in 66.67% of cities, Convolutional Neural Network (CNN) in 22.22% and Multilayer Perceptron (MLP) in 11.11 %. Regarding hospitalizations, LSTM had the lowest error rate in 33.34% of the municipalities, CNN, MLP and Random Forest (RF) each obtained better results in 22.22% of the cities. |
Palavras-chave: | Dengue Machine learning Deep learning Inteligência artificial Dengue Machine learning Deep learning |
Área(s) do CNPq: | CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade Estadual da Paraíba |
Sigla da instituição: | UEPB |
Departamento: | Pró-Reitoria de Pós-Graduação e Pesquisa - PRPGP |
Programa: | Programa de Pós-Graduação Profissional em Ciência e Tecnologia em Saúde - PPGCTS |
Citação: | BATISTA, E. D. de A. Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba. 2021. 119f. Dissertação (Programa de Pós-Graduação Profissional em Ciência e Tecnologia em Saúde - PPGCTS) - Universidade Estadual da Paraíba, Campina Grande, 2021. |
Tipo de acesso: | Acesso Embargado |
URI: | http://tede.bc.uepb.edu.br/jspui/handle/tede/3990 |
Data de defesa: | 7-Out-2021 |
Aparece nas coleções: | PPGCTS - Dissertações |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
PDF - Ewerthon Dyego de Araujo Batista.pdf | PDF - Ewerthon Dyego de Araujo Batista | 5.54 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Termos de Depósito da BDTD | Termos de Depósito da BDTD | 215.82 kB | Adobe PDF | Baixar/Abrir Pré-Visualizar Solictar uma cópia |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.