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

Página do item simplificado
dc.creatorJulio Albinati Cortez
dc.date.accessioned2019-08-11T20:27:28Z
dc.date.accessioned2025-09-09T01:33:17Z
dc.date.available2019-08-11T20:27:28Z
dc.date.issued2017-01-16
dc.identifier.urihttps://hdl.handle.net/1843/ESBF-AMDPPT
dc.languageInglês
dc.publisherUniversidade Federal de Minas Gerais
dc.rightsAcesso Aberto
dc.subjectSistema de alerta precoce
dc.subjectDengue
dc.subjectProcessos gaussianos
dc.subjectProcessos Gaussianos
dc.subjectComputação
dc.subjectTeoria da previsão
dc.subject.otherprocessos gaussianos
dc.subject.othersistema de alerta
dc.subject.otherdengue
dc.titleA Spatio-temporal Gaussian Process-based Model For Forecasting Dengue Fever Incidence
dc.typeDissertação de mestrado
local.contributor.advisor1Gisele Lobo Pappa
local.contributor.referee1Ana Paula Couto da Silva
local.contributor.referee1Flavio Vinicius Diniz de Figueiredo
local.contributor.referee1Wagner Meira Junior
local.description.resumoDengue 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.
local.publisher.initialsUFMG

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
julioalbinati.pdf
Tamanho:
5.09 MB
Formato:
Adobe Portable Document Format
Baixar

Coleções

Pós-Graduação em Ciência da Computação - Dissertações

Logo UFMG