Previsão Semanal de Casos de Dengue utilizando Séries Temporais e Algoritmos de Aprendizado de Máquina

• Jurandy A. N. Junior UFAM
• Giovanni Zanardo UFAM
• Fabíola G. Nakamura UFAM
• Eduardo F. Nakamura UFAM

DOI: https://doi.org/10.5753/sbcas_estendido.2026.26529

Resumo

A dengue representa um importante desafio à saúde pública no Brasil, especialmente em regiões tropicais, onde fatores climáticos favorecem a proliferação do vetor e a recorrência de surtos. Este trabalho apresenta resultados parciais de uma pesquisa sobre a previsão semanal de casos de dengue por meio de séries temporais e algoritmos de aprendizado de máquina, utilizando dados da plataforma InfoDengue entre 2010 e 2025. Foram testados os algoritmos Regressão Linear, Random Forest, K-Nearest Neighbors, além dos métodos ensemble Stacking Regressor e Voting Regressor, considerando abordagens one-step e multi-step. Os resultados indicaram melhor desempenho do modelo Stacking Regressor no cenário one-step, seguido pela Regressão Linear. Conclui-se que os métodos ensemble apresentam resultados promissores para a predição de casos de dengue e podem contribuir para ações de monitoramento e prevenção em saúde pública.

Palavras-chave: Séries temporais, Aprendizado de máquina, Dengue, Métodos ensemble, Previsão

Referências

Aceña, V., Martín de Diego, I., Fernández, R. R., and Moguerza, J. M. (2022). Minimally overfitted learners: A general framework for ensemble learning. Knowledge-Based Systems, 254:109669. DOI: 10.1016/j.knosys.2022.109669. Acesso em: 23 mar. 2026.

Chen, X. and Moraga, P. (2025). Assessing dengue forecasting methods: a comparative study of statistical models and machine learning techniques in rio de janeiro, brazil. Tropical Medicine and Health. DOI: 10.1186/s41182-025-00723-7. Acesso em: 20 mar. 2026.

Dias, R. I. R. et al. (2024). Impacto das medidas de prevenção e promoção da saúde na epidemiologia da dengue no brasil: uma revisão sistemática. Brazilian Journal of Implantology and Health Sciences, 6(3):1069–1078. DOI: 10.36557/2674-8169.2024v6n3p1069-1078. Acesso em: 20 mar. 2026.

Hyndman, R. J. and Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts, Melbourne, 2 edition. Disponível em: [link]. Acesso em: 13 abr. 2026.

InfoDengue. Infodengue – serviços de api. Disponível em: [link]. Acesso em: 15 out. 2025.

Nações Unidas (2023). Mais de 1,6 bilhão precisam de cuidados contra doenças tropicais negligenciadas. ONU News. Disponível em: [link]. Acesso em: 1 abr. 2025.

Sebastianelli, A., Spiller, D., Carmo, R., et al. (2024). A reproducible ensemble machine learning approach to forecast dengue outbreaks. Scientific Reports, 14:3807. DOI: 10.1038/s41598-024-52796-9. Acesso em: 20 mar. 2026.

Silva, N. d. S. et al. (2020). Avaliação da relação entre a climatologia, as condições sanitárias (lixo) e a ocorrência de arboviroses (dengue e chikungunya) em quixadá-ce no período entre 2016 e 2019. Revista Brasileira de Meteorologia, 35:485–492. DOI: 10.1590/0102-77863530014. Acesso em: 23 mar. 2023.

Tamilselvi, C., Paul, R. K., Yeasin, M., et al. (2025). Novel wavelet-lstm approach for time series prediction. Neural Computing and Applications, 37:10521–10530. DOI: 10.1007/s00521-024-10561-z. Acesso em: 20 mar. 2026.