Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Govone, José Silvio | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Rizzieri, Thiago Moraes | - |
Data de aceite: dc.date.accessioned | 2025-08-21T20:12:07Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T20:12:07Z | - |
Data de envio: dc.date.issued | 2025-04-15 | - |
Data de envio: dc.date.issued | 2025-02-21 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/296431 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/296431 | - |
Descrição: dc.description | A disseminação global do COVID-19 representou um desafio significativo, dada sua natureza como uma infecção respiratória aguda altamente contagiosa e potencialmente grave. Em resposta a essa emergência, o Comitê de Emergência da Organização Mundial da Saúde (OMS) declarou estado de emergência global em 30 de janeiro de 2020. A complexidade da situação e o surgimento contínuo de novos modelos estatísticos destacaram a importância de abordagens preditivas para avaliar a evolução da pandemia. Este estudo apresenta uma análise espaço-temporal dos dados de COVID-19 no estado de São Paulo em 2020, fornecidos pelo SEADE. Para a análise temporal, foram utilizados os modelos ARIMA, Floresta Aleatória e Redes Neurais LSTM além do método simples para comparação, o modelo de média. Esses modelos foram aplicados para prever a média móvel de casos de COVID-19. Além disso, este estudo compara dois modelos espaciais: o modelo de Autoregressão Espacial (SAR) e o modelo baseado em redes neurais para dados de grafos, Redes Neurais de Grafos (GNN), para modelar a defasagem espacial. A análise espacial foi realizada para entender melhor a distribuição geográfica dos casos de COVID-19 e para verificar se a integração das informações espaciais nos modelos temporais pode melhorar o desempenho das previsões. Os resultados indicam que a consideração da dependência espacial pode aprimorar significativamente as previsões temporais, oferecendo uma compreensão mais completa da dinâmica de transmissão do vírus e contribuindo para a tomada de decisões mais informadas no combate à pandemia. | - |
Descrição: dc.description | The global spread of COVID-19 posed a significant challenge due to its nature as a highly contagious and potentially severe acute respiratory infection. In response to this emergency, the World Health Organization (WHO) Emergency Committee declared a global emergency on January 30, 2020. The complexity of the situation and the continuous emergence of new statistical models highlighted the importance of predictive approaches to assess the pandemic’s evolution. This study presents a spatio-temporal analysis of COVID-19 data in the state of São Paulo in 2020, provided by SEADE. For the temporal analysis, ARIMA, Random Forest, and LSTM Neural Network, were used, along with simple methods for comparison such as Naive and Mean. These models were applied to predict the weekly moving average of COVID-19 cases. Additionally, this study compares two spatial models: the Spatial Autoregressive (SAR) model and the Graph Convolution Network (GCN) model, to model spatial lag. The spatial analysis was conducted to better understand the geographical distribution of COVID-19 cases and to verify if integrating spatial information into temporal models can improve forecast performance. The results indicate that considering spatial dependence can significantly enhance temporal forecasts, providing a more comprehensive understanding of the virus’s transmission dynamics and contributing to more informed decision-making in combating the pandemic. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | 88887.826922/2023-00 | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Estadual Paulista (UNESP) | - |
Direitos: dc.rights | info:eu-repo/semantics/openAccess | - |
Palavras-chave: dc.subject | COVID-19 | - |
Palavras-chave: dc.subject | Previsão temporal | - |
Palavras-chave: dc.subject | Estatística espacial | - |
Palavras-chave: dc.subject | ARIMA | - |
Palavras-chave: dc.subject | Floresta aleatória | - |
Palavras-chave: dc.subject | Redes neurais | - |
Palavras-chave: dc.subject | São Paulo | - |
Palavras-chave: dc.subject | Temporal forecasting | - |
Palavras-chave: dc.subject | Spatial statistics | - |
Palavras-chave: dc.subject | Random forest | - |
Palavras-chave: dc.subject | Neural networks | - |
Título: dc.title | Avaliações preditivas de modelos temporais com integração de informações espaciais: um estudo de incidência da Covid-19 no estado de São Paulo em 2020 | - |
Título: dc.title | Predictive assessments of temporal models with integration of spatial information: a study of COVID-19 incidence in the state of São Paulo in 2020 | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: