Previsão de Casos de Dengue em Guarulhos com Redes Neurais Artificiais Multicamadas e Recorrentes

Munyque Mittelmann, Daniel Gomes Soares

Resumo


A dengue é uma doença transmitida pela picada de mosquitos do gênero Aedes, sobretudo pela espécie Aedes aegypti. Ao possibilitar a tomada de ações preventivas para um controle efetivo da doença, a previsão da incidência da dengue adquire um papel social indispensável. Dentre as técnicas que podem ser utilizadas na elaboração de modelos de previsão, incluem-se as Redes Neurais Artificiais (RNAs). O propósito deste trabalho é desenvolver um modelo de previsão de dengue com RNAs para o município de Guarulhos – São Paulo. Foram modeladas e treinadas redes com diferentes parâmetros iniciais. Os resultados mostram que é possível realizar a previsão de dengue na área de estudo por meio de RNAs com erro e antecedência aceitáveis.

Texto completo:

PDF

Referências


ABURAS, H. M.; CETINER, B. G.; SARI, M.

Dengue confirmed-cases prediction: A neural

network model. Expert Systems with Applications, Elsevier Ltd, v. 37, n. 6, p. 4256–4260. Disponível em: .

ADNAN, R. et al. 5 hours flood prediction modeling using improved NNARX structure: Case study Kuala Lumpur. Proceedings of the 2014 IEEE 4th International Conference on System Engineering and Technology, ICSET 2014, n. NOVEMBER, 2014.

BRAGA, A. d. P.; CARVALHO, A. P. d. L. F. d.; LUDERMIR, T. B. Redes Neurais Artificiais: Teoria e Aplicações. 2. ed. Rio de Janeiro: LTC, 2011. 226 p.

CVE. Centro de Vigilância Epidemiológica

“Prof. Alexandre Vranjac”. 1016. Disponível

em: .

DOM, N. C. et al. Generating temporal model using climate variables for the prediction of dengue cases in Subang Jaya, Malaysia. Asian Pacific Journal of Tropical Disease, v. 3, n. 5,

p. 352–361, 2013. ISSN 22221808.

EARNEST, A. et al. Comparing statistical models to predict dengue fever notifications. Computational and Mathematical Methods in

Medicine, v. 2012, 2012. ISSN 1748670X.

GHARBI, M. et al. Time series analysis of

dengue incidence in Guadeloupe, French West

Indies: forecasting models using climate variables as predictors. BMC infectious diseases, v. 11, n. August 2015, p. 166, 2011. ISSN

-2334.

HAYKIN, S. Redes neurais: princípios e prá-

ticas. 2. ed. Porto Alegre: Bookmann, 2001.

IBGE. Guarulhos. 2016. Disponível em:

lang=%5C&codmun=351880>.

INMET. Dados Históricos. 2016. Disponível

em:

php?r=bdmep/bdmep>.

LIMA, E. D. A.; FIRMINO, J. L. D. N.; FILHO, M. F. G. A relação da previsão da precipitação pluviométrica e casos de dengue nos

estados de Alagoas e Paraíba nordeste do Brasil. Revista Brasileira de Meteorologia, v. 23, n. 3, p. 264–269, 2008.

LOESCH, C.; SARI, S. T. Redes Neurais Artificiais: Fundamentos e Modelos. 1. ed. Blumenau: Editora da FURB, 1996. 166 p.

MANSHO, W. Estudo epidemológico da dengue no período de 2000 a 2005 no município de Guarullhos (SP). [S.l.]: Dissertação (Mestrado em Medicina Veterinária). Departamento

de Medicina Veterinária Preventiva e Saúde

Animal, Universidade de São Paulo., 2006.

p.

PHUNG, D. et al. Identification of the prediction model for dengue incidence in Can Tho city, a Mekong Delta area in Vietnam.

Acta Tropica, v. 141, n. August 2015, p.

–96, 2015. ISSN 0001706X. Disponível

em:

pii/S0001706X14003179>.

PROMPROU, S.; JAROENSUTASINEE, M.;

JAROENSUTASINEE, K. Forecasting dengue

haemorrhagic fever cases in Southern Thailand using ARIMA Models. Dengue Bulletin, v. 30, n. August, p. 99–106, 2006. ISSN 1020895X.

RIBEIRO, A. F. et al. Associação entre incidência de dengue e variáveis climáticas. Revista de Saude Publica, v. 40, n. 4, p. 671–676,

ISSN 00348910.

SILVA, I. N. d.; SPATTI, D. H.; FLAUZINO,

R. A. Redes Neurais Artificiais para engenharia e ciências aplicadas. São Paulo: Artliber, 2010. 399 p. ISBN 9788588098534




DOI: http://dx.doi.org/10.13037/ras.vol13n2.200

Apontamentos

  • Não há apontamentos.


Revista de Informática Aplicada - USCS/UFABC