Uma nova abordagem para a estruturação de portifólio para o problema de previsão de casos de dengue

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBenito, Franck Carlos Vélez-
Autor(es): dc.contributorBenito, Franck Carlos Vélez-
Autor(es): dc.contributorConti, Giuvane-
Autor(es): dc.contributorNaves, Thiago França-
Autor(es): dc.creatorNascimento, Felipe Lapa do-
Data de aceite: dc.date.accessioned2025-08-29T12:17:17Z-
Data de disponibilização: dc.date.available2025-08-29T12:17:17Z-
Data de envio: dc.date.issued2025-03-28-
Data de envio: dc.date.issued2025-03-28-
Data de envio: dc.date.issued2025-02-10-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/36289-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1092508-
Descrição: dc.descriptionConsidering the panorama of dengue in the state of Paraná, this study proposes the analysis and organization of a portfolio of machine learning models aimed at forecasting disease cases. The main motivation was the lack of clarity in the parameterization of models in previous studies, compromising the interpretation and reliability of the results. To address this, different machine learning algorithms were explored in various scenarios, including city clustering and parameter tuning, evaluating metrics such as RMSE, MAE, and 𝑅 2 . The results demonstrated the effectiveness of methods such as LSTM and Random Forest, especially in specific contexts. Ultimately, the work contributes with an optimized portfolio, useful for predictions in cities across Paraná, facilitating the practical application of the models and improving decision-making in dengue control.-
Descrição: dc.descriptionConsiderando o panorama da dengue no estado do Paraná, este estudo propõe a análise e organização de um portfólio de modelos de aprendizado de máquina voltados à previsão de casos da doença. A motivação principal foi a falta de clareza na parametrização de modelos em estudos anteriores, comprometendo a interpretação e confiabilidade dos resultados. Para isso, foram explorados diferentes algoritmos de aprendizado de máquina em cenários diversos, com agrupamento de cidades e ajuste de parâmetros, avaliando métricas como RMSE, MAE e 𝑅 2 . Os resultados demonstraram a eficácia de métodos como LSTM e Floresta Randômica, especialmente em contextos específicos. Ao final, o trabalho contribui com um portfólio otimizado, útil para previsões em cidades do estado do Paraná, facilitando a aplicação prática dos modelos e melhorando a tomada de decisão no controle da dengue.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherSanta Helena-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherCiência da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttps://creativecommons.org/licenses/by-nc-sa/4.0-
Palavras-chave: dc.subjectDengue-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectAnálise por agrupamento-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectCluster analysis-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleUma nova abordagem para a estruturação de portifólio para o problema de previsão de casos de dengue-
Título: dc.titleA new approach to portifolio structuring for the dengue case forecasting problem-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.