Use este identificador para citar o ir al link de este elemento:
http://hdl.handle.net/1843/ESBF-AMDPPT
Registro completo de metadatos
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor1 | Gisele Lobo Pappa | pt_BR |
dc.contributor.referee1 | Ana Paula Couto da Silva | pt_BR |
dc.contributor.referee2 | Flavio Vinicius Diniz de Figueiredo | pt_BR |
dc.contributor.referee3 | Wagner Meira Junior | pt_BR |
dc.creator | Julio Albinati Cortez | pt_BR |
dc.date.accessioned | 2019-08-11T20:27:28Z | - |
dc.date.available | 2019-08-11T20:27:28Z | - |
dc.date.issued | 2017-01-16 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/1843/ESBF-AMDPPT | - |
dc.description.resumo | Dengue é uma doença presente em todas zonas tropicais do mundo, afetando quase 400 milhões de pessoas ao redor do mundo todos os anos. Como não há tratamento ou vacinas disponíveis para o público geral, a dengue só pode ser contida através do controle populacional do mosquito transmissor do vírus e identificando rapidamente novos focos da doença através de modelos preditivos capazes de estimar, de forma acurada, o número de casos de dengue em uma determinada área e período de tempo. O Brasil é responsável pelo maior número de casos confirmados de dengue nas Américas, atingindo mais de um quarto do número total de casos no continente. Motivado por esse cenário, o principal objetivo desse trabalho é desenvolver um modelo para predição de número de casos de dengue em cidades brasileiras. Para tanto, exploramos o framework não-paramétrico e bayesiano de inferência utilizando processos gaussianos, um método que reside na interseção entre modelos interpretáveis e estado-da-arte.O modelo proposto é equipado com uma função de covariância espaço-temporal. O componente temporal explora dependências locais e sazonalidade, sendo expresso através de uma função quasi-periódica. Já o componente espacial é definido por meio de uma matriz de covariância entre cidades, que é aprendida com base nos dados apenas, sem nenhuma intervenção humana. Além disso, propusemos uma metodologia para extender o modelo proposto de forma a utilizar dados de fontes online, como dados do Twitter, no cenário mais realista onde os dados epidemiológicos são fornecidos com atraso. Assim, os dados online atuam como proxy para os dados epidemiológicos.Conduzimos uma análise experimental extensiva para analizar a acurácia do modelo proposto, bem como a sua extensão para o cenário descrito acima. Verificamos que as propostas obtiveram predições mais acuradas quando comparadas a formulações alternativas, incluindo um modelo previamente proposto para previsão de incidência de dengue no Brasil. Nossos resultados foram particularmente interessantes no cenário onde os valores de incidência são categorizados em níveis de incidência - baixa, média ou alta -, onde o modelo obteve uma área sob a curva ROC mediana superior a 0.90,comparada à area de 0.74 obtida pela melhor formulação alternativa. | pt_BR |
dc.language | Inglês | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | processos gaussianos | pt_BR |
dc.subject | sistema de alerta | pt_BR |
dc.subject | dengue | pt_BR |
dc.subject.other | Sistema de alerta precoce | pt_BR |
dc.subject.other | Dengue | pt_BR |
dc.subject.other | Processos gaussianos | pt_BR |
dc.subject.other | Processos Gaussianos | pt_BR |
dc.subject.other | Computação | pt_BR |
dc.subject.other | Teoria da previsão | pt_BR |
dc.title | A Spatio-temporal Gaussian Process-based Model For Forecasting Dengue Fever Incidence | pt_BR |
dc.type | Dissertação de Mestrado | pt_BR |
Aparece en las colecciones: | Dissertações de Mestrado |
archivos asociados a este elemento:
archivo | Descripción | Tamaño | Formato | |
---|---|---|---|---|
julioalbinati.pdf | 5.22 MB | Adobe PDF | Visualizar/Abrir |
Los elementos en el repositorio están protegidos por copyright, con todos los derechos reservados, salvo cuando es indicado lo contrario.