Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UEPB |
Texto Completo: | http://tede.bc.uepb.edu.br/jspui/handle/tede/3990 |
Resumo: | Dengue é uma doença causada pelo vírus DENV e transmitida para o homem através do mosquito Aedes aegypti. Embora não seja uma doença nova, ainda não existe uma vacina regulamentada no Brasil que possa ser usada sem restrição na população. Logo, o combate contra a doença é feito através de ações para eliminação do mosquito transmissor. Os números da dengue voltaram a crescer no Brasil e na Paraíba. De acordo com o sétimo boletim epidemiológico de arbovirose da Paraíba, houve um acréscimo de 53% dos casos de dengue em relação aos casos do ano anterior. O objetivo deste trabalho foi criar um sistema capaz de realizar previsões de notificações e de internações causadas por dengue nos municípios da Paraíba. Por meio de técnicas de Machine Learning (Random Forest e Support Vector Regression) e de Deep Learning (Multilayer Perceptron, Long Short-Term Memory e Convolutional Neural Network) e utilizando dados epidemiológicos, climáticos e sanitários, entre os anos de 2010 e 2019, o sistema foi capaz de encontrar a melhor combinação de atributos previsores, os melhores parâmetros para as técnicas, realizar previsões de casos de internações e de notificações causadas por dengue para os municípios paraibanos Bayeux, Cabedelo, Cajazeiras, Campina Grande, Catolé do Rocha, João Pessoa, Monteiro, Patos e Santa Rita, determinar quais técnicas produzem melhores resultados por cidade e, finalmente, foi demonstrada a diferença estatística entre as abordagens. Os resultados produzidos demonstram a superioridade das técnicas de Deep Learning em comparação as técnicas de Machine learing. Durante a previsão de casos de notificações, a técnica Long Short-Term Memory (LSTM) obteve melhores resultados em 66,67% das cidades, Convolutional Neural Network (CNN) em 22,22% e Multilayer Perceptron (MLP) em 11,11%. Em relação às internações, LSTM obteve menor taxa de erro em 33,34% dos munícipios, CNN, MLP e Random Forest (RF) obtiveram, cada uma delas, melhores resultados em 22,22% das cidades. |
id |
UEPB_6ca3d891053dfc52759a1af7dba6308c |
---|---|
oai_identifier_str |
oai:tede.bc.uepb.edu.br:tede/3990 |
network_acronym_str |
UEPB |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UEPB |
repository_id_str |
|
spelling |
Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da ParaíbaUse of machine learning and deep learning techniques for the prediction of dengue cases in the cities of ParaíbaDengueDeep learningInteligência artificialMachine learningDengueMachine learningDeep learningCIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAODengue é uma doença causada pelo vírus DENV e transmitida para o homem através do mosquito Aedes aegypti. Embora não seja uma doença nova, ainda não existe uma vacina regulamentada no Brasil que possa ser usada sem restrição na população. Logo, o combate contra a doença é feito através de ações para eliminação do mosquito transmissor. Os números da dengue voltaram a crescer no Brasil e na Paraíba. De acordo com o sétimo boletim epidemiológico de arbovirose da Paraíba, houve um acréscimo de 53% dos casos de dengue em relação aos casos do ano anterior. O objetivo deste trabalho foi criar um sistema capaz de realizar previsões de notificações e de internações causadas por dengue nos municípios da Paraíba. Por meio de técnicas de Machine Learning (Random Forest e Support Vector Regression) e de Deep Learning (Multilayer Perceptron, Long Short-Term Memory e Convolutional Neural Network) e utilizando dados epidemiológicos, climáticos e sanitários, entre os anos de 2010 e 2019, o sistema foi capaz de encontrar a melhor combinação de atributos previsores, os melhores parâmetros para as técnicas, realizar previsões de casos de internações e de notificações causadas por dengue para os municípios paraibanos Bayeux, Cabedelo, Cajazeiras, Campina Grande, Catolé do Rocha, João Pessoa, Monteiro, Patos e Santa Rita, determinar quais técnicas produzem melhores resultados por cidade e, finalmente, foi demonstrada a diferença estatística entre as abordagens. Os resultados produzidos demonstram a superioridade das técnicas de Deep Learning em comparação as técnicas de Machine learing. Durante a previsão de casos de notificações, a técnica Long Short-Term Memory (LSTM) obteve melhores resultados em 66,67% das cidades, Convolutional Neural Network (CNN) em 22,22% e Multilayer Perceptron (MLP) em 11,11%. Em relação às internações, LSTM obteve menor taxa de erro em 33,34% dos munícipios, CNN, MLP e Random Forest (RF) obtiveram, cada uma delas, melhores resultados em 22,22% das cidades.Dengue is a disease caused by the DENV virus and transmitted to humans through the Aedes aegypti mosquito. Although it is not a new disease, there is still no regulated vaccine in Brazil that can be used without restriction in the population. Therefore, the fight against the disease is done through actions to eliminate the transmitting mosquito. Dengue numbers returned to grow in Brazil and Paraíba. According to the seventh epidemiological bulletin of arbovirus in Paraíba, there was an increase of 53% of dengue cases in relation to the cases of the previous year. The objective of this work was to create a system capable of forecasting notifications and hospitalizations caused by dengue in the municipalities of Paraíba. Through Machine Learning (Random Forest and Support Vector Regression) and Deep Learning (Multilayer Perceptron, Long Short-Term Memory and Convolutional Neural Network) techniques and using epidemiological, climatic and sanitary data, between 2010 and 2019, the system was able to find the best combination of predictive attributes, the best parameters for the techniques, make predictions of cases of hospitalizations and notifications caused by dengue for the municipalities of Paraíba Bayeux, Cabedelo, Cajazeiras, Campina Grande, Catolé do Rocha, João Pessoa, Monteiro, Patos and Santa Rita, determine which techniques produce better results per city and, finally, the statistical difference between the approaches was demonstrated. The results produced demonstrate the superiority of Deep Learning techniques in comparison to Machine learning techniques. During notification case forecasting, the Long Short-Term Memory (LSTM) technique obtained better results in 66.67% of cities, Convolutional Neural Network (CNN) in 22.22% and Multilayer Perceptron (MLP) in 11.11 %. Regarding hospitalizations, LSTM had the lowest error rate in 33.34% of the municipalities, CNN, MLP and Random Forest (RF) each obtained better results in 22.22% of the cities.Universidade Estadual da ParaíbaPró-Reitoria de Pós-Graduação e Pesquisa - PRPGPBrasilUEPBPrograma de Pós-Graduação Profissional em Ciência e Tecnologia em Saúde - PPGCTSAraújo, Wellington Candeia de045.655.074-71http://lattes.cnpq.br/7101691755497961Bublitz, Frederico Moreira036.362.114-80http://lattes.cnpq.br/3910966211279217Vasconcelos, Danilo de Almeida021.989.174-59http://lattes.cnpq.br/7097483050598928Ramos, Felipe Barbosa Araújo081.538.434-35http://lattes.cnpq.br/3071265324776966Batista, Ewerthon Dyego de Araújo2022-01-04T12:44:53Z2999-12-312021-10-07info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfBATISTA, E. D. de A. Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba. 2021. 119f. Dissertação (Programa de Pós-Graduação Profissional em Ciência e Tecnologia em Saúde - PPGCTS) - Universidade Estadual da Paraíba, Campina Grande, 2021.http://tede.bc.uepb.edu.br/jspui/handle/tede/3990porinfo:eu-repo/semantics/embargoedAccessreponame:Biblioteca Digital de Teses e Dissertações da UEPBinstname:Universidade Estadual da Paraíba (UEPB)instacron:UEPB2022-01-04T12:45:51Zoai:tede.bc.uepb.edu.br:tede/3990Biblioteca Digital de Teses e Dissertaçõeshttp://tede.bc.uepb.edu.br/jspui/PUBhttp://tede.bc.uepb.edu.br/oai/requestbc@uepb.edu.br||opendoar:2022-01-04T12:45:51Biblioteca Digital de Teses e Dissertações da UEPB - Universidade Estadual da Paraíba (UEPB)false |
dc.title.none.fl_str_mv |
Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba Use of machine learning and deep learning techniques for the prediction of dengue cases in the cities of Paraíba |
title |
Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba |
spellingShingle |
Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba Batista, Ewerthon Dyego de Araújo Dengue Deep learning Inteligência artificial Machine learning Dengue Machine learning Deep learning CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO |
title_short |
Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba |
title_full |
Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba |
title_fullStr |
Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba |
title_full_unstemmed |
Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba |
title_sort |
Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba |
author |
Batista, Ewerthon Dyego de Araújo |
author_facet |
Batista, Ewerthon Dyego de Araújo |
author_role |
author |
dc.contributor.none.fl_str_mv |
Araújo, Wellington Candeia de 045.655.074-71 http://lattes.cnpq.br/7101691755497961 Bublitz, Frederico Moreira 036.362.114-80 http://lattes.cnpq.br/3910966211279217 Vasconcelos, Danilo de Almeida 021.989.174-59 http://lattes.cnpq.br/7097483050598928 Ramos, Felipe Barbosa Araújo 081.538.434-35 http://lattes.cnpq.br/3071265324776966 |
dc.contributor.author.fl_str_mv |
Batista, Ewerthon Dyego de Araújo |
dc.subject.por.fl_str_mv |
Dengue Deep learning Inteligência artificial Machine learning Dengue Machine learning Deep learning CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO |
topic |
Dengue Deep learning Inteligência artificial Machine learning Dengue Machine learning Deep learning CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO |
description |
Dengue é uma doença causada pelo vírus DENV e transmitida para o homem através do mosquito Aedes aegypti. Embora não seja uma doença nova, ainda não existe uma vacina regulamentada no Brasil que possa ser usada sem restrição na população. Logo, o combate contra a doença é feito através de ações para eliminação do mosquito transmissor. Os números da dengue voltaram a crescer no Brasil e na Paraíba. De acordo com o sétimo boletim epidemiológico de arbovirose da Paraíba, houve um acréscimo de 53% dos casos de dengue em relação aos casos do ano anterior. O objetivo deste trabalho foi criar um sistema capaz de realizar previsões de notificações e de internações causadas por dengue nos municípios da Paraíba. Por meio de técnicas de Machine Learning (Random Forest e Support Vector Regression) e de Deep Learning (Multilayer Perceptron, Long Short-Term Memory e Convolutional Neural Network) e utilizando dados epidemiológicos, climáticos e sanitários, entre os anos de 2010 e 2019, o sistema foi capaz de encontrar a melhor combinação de atributos previsores, os melhores parâmetros para as técnicas, realizar previsões de casos de internações e de notificações causadas por dengue para os municípios paraibanos Bayeux, Cabedelo, Cajazeiras, Campina Grande, Catolé do Rocha, João Pessoa, Monteiro, Patos e Santa Rita, determinar quais técnicas produzem melhores resultados por cidade e, finalmente, foi demonstrada a diferença estatística entre as abordagens. Os resultados produzidos demonstram a superioridade das técnicas de Deep Learning em comparação as técnicas de Machine learing. Durante a previsão de casos de notificações, a técnica Long Short-Term Memory (LSTM) obteve melhores resultados em 66,67% das cidades, Convolutional Neural Network (CNN) em 22,22% e Multilayer Perceptron (MLP) em 11,11%. Em relação às internações, LSTM obteve menor taxa de erro em 33,34% dos munícipios, CNN, MLP e Random Forest (RF) obtiveram, cada uma delas, melhores resultados em 22,22% das cidades. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-10-07 2022-01-04T12:44:53Z 2999-12-31 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
BATISTA, E. D. de A. Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba. 2021. 119f. Dissertação (Programa de Pós-Graduação Profissional em Ciência e Tecnologia em Saúde - PPGCTS) - Universidade Estadual da Paraíba, Campina Grande, 2021. http://tede.bc.uepb.edu.br/jspui/handle/tede/3990 |
identifier_str_mv |
BATISTA, E. D. de A. Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba. 2021. 119f. Dissertação (Programa de Pós-Graduação Profissional em Ciência e Tecnologia em Saúde - PPGCTS) - Universidade Estadual da Paraíba, Campina Grande, 2021. |
url |
http://tede.bc.uepb.edu.br/jspui/handle/tede/3990 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/embargoedAccess |
eu_rights_str_mv |
embargoedAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Estadual da Paraíba Pró-Reitoria de Pós-Graduação e Pesquisa - PRPGP Brasil UEPB Programa de Pós-Graduação Profissional em Ciência e Tecnologia em Saúde - PPGCTS |
publisher.none.fl_str_mv |
Universidade Estadual da Paraíba Pró-Reitoria de Pós-Graduação e Pesquisa - PRPGP Brasil UEPB Programa de Pós-Graduação Profissional em Ciência e Tecnologia em Saúde - PPGCTS |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UEPB instname:Universidade Estadual da Paraíba (UEPB) instacron:UEPB |
instname_str |
Universidade Estadual da Paraíba (UEPB) |
instacron_str |
UEPB |
institution |
UEPB |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UEPB |
collection |
Biblioteca Digital de Teses e Dissertações da UEPB |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UEPB - Universidade Estadual da Paraíba (UEPB) |
repository.mail.fl_str_mv |
bc@uepb.edu.br|| |
_version_ |
1809458427445903360 |