Avaliações preditivas de modelos temporais com integração de informações espaciais: um estudo de incidência da Covid-19 no estado de São Paulo em 2020
Carregando...
Arquivos
Data
Autores
Orientador
Govone, José Silvio 
Coorientador
Pós-graduação
Biometria - IBB
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Dissertação de mestrado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
A disseminação global do COVID-19 representou um desafio significativo, dada sua natureza como uma infecção respiratória aguda altamente contagiosa e potencialmente grave. Em resposta a essa emergência, o Comitê de Emergência da Organização Mundial da Saúde (OMS) declarou estado de emergência global em 30 de janeiro de 2020. A complexidade da situação e o surgimento contínuo de novos modelos estatísticos destacaram a importância de abordagens preditivas para avaliar a evolução da pandemia. Este estudo apresenta uma análise espaço-temporal dos dados de COVID-19 no estado de São Paulo em 2020, fornecidos pelo SEADE. Para a análise temporal, foram utilizados os modelos ARIMA, Floresta Aleatória e Redes Neurais LSTM além do método simples para comparação, o modelo de média. Esses modelos foram aplicados para prever a média móvel de casos de COVID-19. Além disso, este estudo compara dois modelos espaciais: o modelo de Autoregressão Espacial (SAR) e o modelo baseado em redes neurais para dados de grafos, Redes Neurais de Grafos (GNN), para modelar a defasagem espacial. A análise espacial foi realizada para entender melhor a distribuição geográfica dos casos de COVID-19 e para verificar se a integração das informações espaciais nos modelos temporais pode melhorar o desempenho das previsões. Os resultados indicam que a consideração da dependência espacial pode aprimorar significativamente as previsões temporais, oferecendo uma compreensão mais completa da dinâmica de transmissão do vírus e contribuindo para a tomada de decisões mais informadas no combate à pandemia.
Resumo (português)
The global spread of COVID-19 posed a significant challenge due to its nature as a highly contagious and potentially severe acute respiratory infection. In response to this emergency, the World Health Organization (WHO) Emergency Committee declared a global emergency on January 30, 2020. The complexity of the situation and the continuous emergence of new statistical models highlighted the importance of predictive approaches to assess the pandemic’s evolution. This study presents a spatio-temporal analysis of COVID-19 data in the state of São Paulo in 2020, provided by SEADE. For the temporal analysis, ARIMA, Random Forest, and LSTM Neural Network, were used, along with simple methods for comparison such as Naive and Mean. These models were applied to predict the weekly moving average of COVID-19 cases. Additionally, this study compares two spatial models: the Spatial Autoregressive (SAR) model and the Graph Convolution Network (GCN) model, to model spatial lag. The spatial analysis was conducted to better understand the geographical distribution of COVID-19 cases and to verify if integrating spatial information into temporal models can improve forecast performance. The results indicate that considering spatial dependence can significantly enhance temporal forecasts, providing a more comprehensive understanding of the virus’s transmission dynamics and contributing to more informed decision-making in combating the pandemic.
Descrição
Palavras-chave
COVID-19, Previsão temporal, Estatística espacial, ARIMA, Floresta aleatória, Redes neurais, São Paulo, Temporal forecasting, Spatial statistics, Random forest, Neural networks
Idioma
Português
Citação
RIZZIERI, Thiago Moraes. Avaliações preditivas de modelos temporais com integração de informações espaciais: um estudo de incidência da Covid-19 no estado de São Paulo em 2020. Orientador: José Silvio Govone. 2025. Dissertação (Mestrado em Biometria) - Instituto de Biociências, Universidade Estadual Paulista (UNESP), Botucatu, 2025.
