Filtro de partículas aplicado ao rastreamento e previsão de epidemias

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorFrencl, Victor Baptista-
Autor(es): dc.contributorOroski, Elder-
Autor(es): dc.contributorMelo Junior, Luiz Ledo Mota-
Autor(es): dc.contributorFrencl, Victor Baptista-
Autor(es): dc.creatorMadruga, Álisson Luís Mateus-
Autor(es): dc.creatorStocco, Luis Fernando Baratieri-
Autor(es): dc.creatorMalnarcic, Nicolas Frederice-
Data de aceite: dc.date.accessioned2022-02-21T21:37:46Z-
Data de disponibilização: dc.date.available2022-02-21T21:37:46Z-
Data de envio: dc.date.issued2021-12-01-
Data de envio: dc.date.issued2021-12-01-
Data de envio: dc.date.issued2020-11-24-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/26588-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/656914-
Descrição: dc.descriptionOne of stochastic filtering objectives is to obtain more reliable and trustworthy data. Due to that characteristic, it was decided to apply some of the most well-known stochastic filtering methods to predicting and tracking epidemics. Through literature, three different models that represent populational dynamics in epidemics were obtained. The models are: SIS (Susceptible Infected Susceptible) model, SIR (Susceptible Infected Recovered) model and SEIR (Susceptible Exposed Infected Recovered) model. In all these cases, white noise was added to the data set in order to simulate a real measurement sample. Since the models are all non-linear, all the stochastic filters applied to the models are non-linear as well. This work is focused on the application of the Particle Filter to the aforementioned models. However, for matters of comparison, the Extended Kalman Filter was also implemented. Both filters were implemented using MATLAB software. The data obtained from the models was also generated in MATLAB, but through two different methods. The first method was with the data being generated based on the model itself, which was named Synthetic Generation. The second method was through a code written in MATLAB called MOSES (MATLAB-Based Open-Source Stochastic Epidemic Simulator), which was obtained from literature. Finally, só that all of the results that were obtained could be compared, the RMSE (Root Mean Squared Error) of each data set obtained through the stochastic filtering process. The results were within what was expected, with the Particle Filter outperforming de Extended Kalman Filter 4 out of 5 times.-
Descrição: dc.descriptionUm dos objetivos da filtragem estocástica é obter estimativas confiáveis o mais próximo possível dos valores exatos. Devido a essa característica, buscou-se aplicar métodos de filtragem estocástica ao problema de previsão e rastreamento de epidemias. Na literatura, três tipos de modelos que representam dinâmicas populacionais diferentes durante epidemias podem ser encontrados: modelo SIS (Suscetíveis Infectados Suscetíveis), modelo SIR (Suscetíveis Infectados Recuperados) e modelo SEIR (Suscetíveis Expostos Infectados Recuperados). Esses modelos são não lineares, motivando a aplicação de filtros estocásticos não lineares para a obtenção das estimativas. O foco desse trabalho éa aplicação do Filtro de Partículas aos modelos SIS, SIR e SEIR. Para efeito de comparação de desempenho, o Filtro de Kalman Estendido também foi estudado. Ambos os filtros estocásticos foram implementados através do software MATLAB, o qual também foi utilizado para gerar os dados dos modelos. Os dados dos modelos foram gerados de duas formas diferentes: (i) a partir do próprio modelo matemático, denominado GS (Geração Sintética); e (ii) através do algoritmo aberto MOSES (do inglês, MATLAB-Based Open-Source Stochastic Epidemic Simulator). Para efeito de comparação, obteve-se o desempenho dos filtros implementados com base no RMSE (do inglês, Root Mean Squared Error) das estimativas em relação aos valores exatos/simulados. Os resultados obtidos ficaram, em 4 das 5 simulações, dentro do que era esperado, com o FP apresentando menos erro que o FKE.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherGraduação em Engenharia de Controle e Automação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectEpidemias - Métodos de simulação-
Palavras-chave: dc.subjectKalman, Filtragem de-
Palavras-chave: dc.subjectModelos matemáticos-
Palavras-chave: dc.subjectMonte Carlo, Método de-
Palavras-chave: dc.subjectEpidemics - Simulation methods-
Palavras-chave: dc.subjectKalman filtering-
Palavras-chave: dc.subjectMathematical models-
Palavras-chave: dc.subjectMonte Carlo method-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS-
Título: dc.titleFiltro de partículas aplicado ao rastreamento e previsão de epidemias-
Título: dc.titleParticle filters applied to tracking and prediction of epidemics-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.