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.creator | Pereira, Igor Gadelha | - |
Autor(es): dc.creator | Guerin, Joris Michel | - |
Autor(es): dc.creator | Silva Júnior, Andouglas Gonçalves | - |
Autor(es): dc.creator | Garcia, Gabriel Santos | - |
Autor(es): dc.creator | Piscitelli, Prisco | - |
Autor(es): dc.creator | Miani, Alessandro | - |
Autor(es): dc.creator | Distante, Cosimo | - |
Autor(es): dc.creator | Gonçalves, Luiz Marcos Garcia | - |
Data de aceite: dc.date.accessioned | 2024-10-23T15:35:10Z | - |
Data de disponibilização: dc.date.available | 2024-10-23T15:35:10Z | - |
Data de envio: dc.date.issued | 2020-11-17 | - |
Data de envio: dc.date.issued | 2020-11-17 | - |
Data de envio: dc.date.issued | 2019 | - |
Fonte completa do material: dc.identifier | https://repositorio.unb.br/handle/10482/39639 | - |
Fonte completa do material: dc.identifier | https://doi.org/10.3390/ijerph17145115 | - |
Fonte completa do material: dc.identifier | https://orcid.org/0000-0001-7539-4663 | - |
Fonte completa do material: dc.identifier | https://orcid.org/0000-0002-8048-8960 | - |
Fonte completa do material: dc.identifier | https://orcid.org/0000-0003-0579-8464 | - |
Fonte completa do material: dc.identifier | https://orcid.org/0000-0002-8014-8659 | - |
Fonte completa do material: dc.identifier | https://orcid.org/0000-0003-4556-6182 | - |
Fonte completa do material: dc.identifier | https://orcid.org/0000-0003-3534-1553 | - |
Fonte completa do material: dc.identifier | https://orcid.org/0000-0002-1073-2390 | - |
Fonte completa do material: dc.identifier | https://orcid.org/0000-0002-7735-5630 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/886784 | - |
Descrição: dc.description | The contribution of this paper is twofold. First, a new data driven approach for predicting the Covid-19 pandemic dynamics is introduced. The second contribution consists in reporting and discussing the results that were obtained with this approach for the Brazilian states, with predictions starting as of 4 May 2020. As a preliminary study, we first used an Long Short Term Memory for Data Training-SAE (LSTM-SAE) network model. Although this first approach led to somewhat disappointing results, it served as a good baseline for testing other ANN types. Subsequently, in order to identify relevant countries and regions to be used for training ANN models, we conduct a clustering of the world’s regions where the pandemic is at an advanced stage. This clustering is based on manually engineered features representing a country’s response to the early spread of the pandemic, and the different clusters obtained are used to select the relevant countries for training the models. The final models retained are Modified Auto-Encoder networks, that are trained on these clusters and learn to predict future data for Brazilian states. These predictions are used to estimate important statistics about the disease, such as peaks and number of confirmed cases. Finally, curve fitting is carried out to find the distribution that best fits the outputs of the MAE, and to refine the estimates of the peaks of the pandemic. Predicted numbers reach a total of more than one million infected Brazilians, distributed among the different states, with São Paulo leading with about 150 thousand confirmed cases predicted. The results indicate that the pandemic is still growing in Brazil, with most states peaks of infection estimated in the second half of May 2020. The estimated end of the pandemics (97% of cases reaching an outcome) spread between June and the end of August 2020, depending on the states. | - |
Formato: dc.format | application/pdf | - |
Publicador: dc.publisher | MDPI | - |
Direitos: dc.rights | Acesso Aberto | - |
Direitos: dc.rights | © 2020 by the authors. Licensee MDPI, Basel, Switzerland. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license (http://creativecommons.org/licenses/by/4.0/). | - |
Palavras-chave: dc.subject | Análise de séries temporais | - |
Palavras-chave: dc.subject | Covid-19 | - |
Título: dc.title | Forecasting Covid-19 dynamics in Brazil : a data driven approach | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional – UNB |
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: