A Spatio-temporal Gaussian Process-based Model For Forecasting Dengue Fever Incidence

Julio Albinati Cortez

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

Mostrar registro simple del elemento Visualizar estadísticas