
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 | Bonat, Wagner Hugo, 1985- | - |
| Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Data | - |
| Autor(es): dc.creator | Silva, Jhosefer da | - |
| Data de aceite: dc.date.accessioned | 2025-09-01T12:50:43Z | - |
| Data de disponibilização: dc.date.available | 2025-09-01T12:50:43Z | - |
| Data de envio: dc.date.issued | 2024-02-07 | - |
| Data de envio: dc.date.issued | 2024-02-07 | - |
| Data de envio: dc.date.issued | 2019 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/71066 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/71066 | - |
| Descrição: dc.description | Orientador : Prof. Dr. Wagner Hugo Bonat | - |
| Descrição: dc.description | Monografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science & Big Data. | - |
| Descrição: dc.description | Inclui referências : p. 7. | - |
| Descrição: dc.description | Resumo : Um desenvolvimento didático para propor uma solução em relação a demanda de um hospital, prever a quantidade de atendimentos por hora no horizonte de um mês. A primeira parte do processo foi encontrar variáveis que pudessem ajudar a prever a quantidade de atendimentos que o hospital terá em seu dia, podendo assim, garantir sua efetividade. A segunda etapa consiste em testar modelos para utilização destas variáveis, sendo estes, modelos lineares generalizados, redes neurais e modelo automático de previsão existente no Facebook, chamado Prophet. A terceira etapa testa a acertividade. Cada um dos modelos propostos estimam a quantidade de atendimentos que serão realizados no próximo mês, os resultados estimados são comparados com os dados observados da base, com isso, para cada modelo foi calculado o erro absoluto e erro quadrático médio. A última etapa compara os resultados obtidos entre os modelos, onde todos tiveram bom desempenho e acertividade semelhante. Todos os 3 modelos podem ser considerados como possível solução para nosso estudo, porém, por utilizar menor recurso computacional e ter fácil implementação, recomendamos o modelo linear generalizado. | - |
| Descrição: dc.description | Abstract : A didactic development to propose a solution in relation to the demand of a hospital, predict the number of appointments per hour over a month. The first part of the process was to find variables that could help us predict the number of appointments that the hospital will have in its day, thus being able to guarantee its effectiveness. The second step is to test models to use these variables, these being, generalized linear models, neural networks and prediction model existing on Facebook, called Prophet. The third step tests the accuracy. Each of the proposed models estimates the number of appointments that will be performed in the next month, the estimated results are compared with the observed data from the base, therefore, for each model the absolute error and mean square error were calculated. The last step compares the results obtained between the models, all of which had good performance and similar accuracy. Any of the 3 models can be considered as a possible solution for our study, however, for using less computational resources and easy implementation, we recommend the generalized linear model. | - |
| Formato: dc.format | 1 recurso online : PDF. | - |
| Formato: dc.format | application/pdf | - |
| Formato: dc.format | application/pdf | - |
| Palavras-chave: dc.subject | Redes neurais (Computação) | - |
| Palavras-chave: dc.subject | Modelos lineares (Estatistica) | - |
| Palavras-chave: dc.subject | Hospitais | - |
| Título: dc.title | Modelos para previsão de demanda de atendimento em hospital | - |
| Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo | |
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: