Modelagem do número de novos casos confirmados por dia da COVID-19 no Brasil com uso de LSTM e predição linear

• Karhyne P. Assis UFABC
• Camila M. Silva UFABC
• Kenji N. Filho UFABC
• Ricardo Suyama UFABC
• André K. Takahata UFABC

DOI: https://doi.org/10.5753/ercas.2021.17429

Resumo

Analisamos o comportamento de modelos de predição de passo unitário para predição de número de novos casos de COVID-19 confirmados por dia. Utilizamos preditores com uso de rede neural de memória de longo e curto prazo (LSTM) em comparação com preditores lineares. Identificamos cenários em que a LSTM apresenta melhores resultados, mas que também há desafios para que a LSTM possa generalizar os seus resultados.

Referências

Dong, E., Du, H. and Gardner L. (2020) “An interactive web-based dashboard to track COVID-19 in real time”, In: Lancet, 20(5), 533-534.

Oliveira, W. K., Duarte, E., França, GVA. And Garcia, LP. (2020) “How Brazil can hold back COVID-19”, Epidemiol Serv Saude; 29(2): e2020044.

Romano, J. M. T., Attux, R. R. F., Cavalcante, C.C., Suyama, R. (2011) “Unsupervised signal processing: channel equalization and source separation”. CRC Press.

Sabino, E. C., et al. (2021) “Resurgence of COVID-19 in Manaus, Brazil, despite high seroprevalence”, In: Lancet, 397(10273), 452-455.

Shertinsky, A. (2020) “Fundamentals of recurrent neural network (RNN) and long shortterm memory (LSTM) network”, Physica D: Nonlinear Phenomena, v. 404, p. 132306.