Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/38021| Título: | Modelagem preditiva utilizando séries temporais para incidência de dengue em londrina-paraná, brasil |
| Título(s) alternativo(s): | Predictive modeling using time series for dengue incidence in londrina-paraná, brazil. |
| Autor(es): | Sahd, Claudia Stoeglehner |
| Orientador(es): | Lizzi, Elisangela Aparecida da Silva |
| Palavras-chave: | Dengue Redes neurais (Computação) Bioinformática Dengue Neural networks (Computer science) Bioinformatics |
| Data do documento: | 3-Jul-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Cornelio Procopio |
| Citação: | SAHD, Claudia Stoeglehner. Modelagem preditiva utilizando séries temporais para incidência de dengue em londrina-paraná, brasil. 2025. Dissertação (Mestrado em Bioinformática) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2025. |
| Resumo: | Introdução: A dengue, uma doença viral transmitida pelo mosquito Aedes aegypti, é uma preocupação de saúde pública nas regiões tropicais e subtropicais. Sua incidência é fortemente influenciada por fatores climáticos, como temperatura e precipitação, que favorecem o desenvolvimento do vetor. Este estudo tem como objetivo prever a incidência de casos de dengue no município de Londrina, Paraná, entre 2013 e 2024, utilizando modelos preditivos baseados em séries temporais. Métodos: Os dados de casos de dengue mensais foram obtidos do sistema InfoDengue, e combinados com variáveis climáticas, como temperatura e precipitação. A metodologia envolveu a aplicação de modelos tradicionais de séries temporais, como ARIMA e SARIMA, e sua extensão SARIMAX, que incorporaram as variáveis climáticas no processo preditivo. Além disso, foram utilizadas redes neurais Long Short-Term Memory (LSTM) como modelo comparativo, visando explorar a capacidade das redes neurais de capturar padrões temporais complexos. Resultados: Após diversos ajustes indutivos, o modelo SARIMA (2,1,2)(1,1,1)12 apresentou o melhor ajuste para os dados de incidência de dengue mensais, com bom desempenho, inclusive capturando os picos de oscilação do ano de 2020 (período da pandemia do coronavírus). Já para os dados semanais, o modelo SARIMAX (2,1,8)(1,1,1)52, que inclui a precipitação nas duas semanas antecedentes e a temperatura mínima nas três semanas antecedentes, foi identificado como o mais adequado, apresentando um excelente ajuste aos dados e previsões acuradas. Por outro lado, as redes neurais LSTM, mostraram-se capazes de identificar padrões temporais e sazonais da dengue, porém apresentaram maior instabilidade e menor capacidade de antecipar picos abruptos, em comparação com os modelos estatísticos. Conclusão: Este estudo conclue que os modelos SARIMA e, especialmente, o SARIMAX, são ferramentas robustas e eficazes para a previsão de casos de dengue, destacando-se pela sua estabilidade, acurácia, aplicabilidade prática em contextos urbanos e interpretabilidade dos parâmetros do modelos no contexto de arboviroses. Estes modelos se mostram promissores para subsidiar ações de vigilância epidemiológica, planejamento em saúde pública e estratégias de prevenção. Embora as redes neurais LSTM ofereçam potencial para cenários de alta complexidade, os modelos estatísticos ainda se sobressaem como a abordagem mais consistente neste estudo |
| Abstract: | Introduction: Dengue is a viral disease transmitted by the Aedes aegypti mosquito and represents a significant public health concern in tropical and subtropical regions. Its incidence is strongly influenced by climatic factors such as temperature and precipitation, which contribute to the development of the vector. This study aims to forecast dengue case incidence in the municipality of Londrina, Paraná (Brazil), from 2013 to 2024, using time series-based predictive models. Methods: Monthly dengue case data were obtained from the InfoDengue system and combined with climatic variables such as temperature and precipitation. The methodology involved the application of traditional time series models, including ARIMA and SARIMA, as well as their extension, SARIMAX, which incorporates exogenous climatic variables into the forecasting process. Additionally, Long Short-Term Memory (LSTM) neural networks were used as a comparative model to explore their ability to capture complex temporal patterns. Results: After several inductive adjustments, the SARIMA model (2,1,2)(1,1,1)₁₂ showed the best fit for monthly dengue incidence data, demonstrating strong performance, including the ability to capture the peak oscillations during the year 2020 (COVID-19 pandemic period). For weekly data, the SARIMAX model (2,1,8)(1,1,1)₅₂, which incorporated precipitation from the two preceding weeks and minimum temperature from the three preceding weeks, was identified as the most suitable, showing excellent fit and accurate forecasts. On the other hand, LSTM neural networks were able to identify temporal and seasonal patterns of dengue but showed greater instability and lower ability to anticipate abrupt peaks when compared to the statistical models. Conclusion: This study conclude that SARIMA models—and particularly SARIMAX—are robust and effective tools for forecasting dengue cases, standing out for their stability, accuracy, practical applicability in urban contexts and interpretability of model parameters in the context of arboviruses . These models show great potential to support epidemiological surveillance, public health planning, and preventive strategies. Although LSTM neural networks offer promise for highcomplexity scenarios, statistical models still outperform as the most consistent approach in this study. . |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/38021 |
| Aparece nas coleções: | CP - Programa de Pós-Graduação em Bioinformática |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| analisedeseriestemporais.pdf | 2,65 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.