Modelagem Preditiva Multi-step de Séries Temporais de Dengue no Brasil com Estratificação Espacial e Filtragem Multiescalar via Transformadas Wavelet

• Marcos Paulo V. Pedrosa UFAM
• Giovanni Zanardo UFAM
• Fabíola G. Nakamura UFAM
• Eduardo F. Nakamura UFAM

DOI: https://doi.org/10.5753/sbcas_estendido.2026.26543

Resumo

A dengue é um desafio persistente à saúde pública no Brasil, exigindo ferramentas preditivas assertivas. Este trabalho em andamento investiga o uso de técnicas de filtragem multiescalar, especialmente Transformadas Wavelet, aliadas ao aprendizado de máquina para modelagem de séries temporais semanais nas unidades federativas (UFs). Utilizando dados da plataforma InfoDengue das 27 UFs (2010–2026), foram realizados experimentos preliminares de pré-processamento, clusterização hierárquica e análise de estabilidade via bootstrap. Os resultados indicam que a filtragem wavelet melhora a estabilidade das séries e a identificação de padrões epidemiológicos coerentes, motivando a etapa atual de previsão multi-step com abordagens globais e estratificadas.

Palavras-chave: Séries temporais, Wavelet, Aprendizado de máquina, Dengue, Clusterização

Referências

Benidis, K. et al. (2022). Deep learning for time series forecasting: tutorial and literature survey. ACM Computing Surveys, 55(6):1–36.

Berndt, D. J. and Clifford, J. (1994). Using dynamic time warping to find patterns in time series. In KDD workshop, volume 10, pages 359–370.

Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.

Breiman, L. (2001). Random forests. Machine learning, 45:5–32.

Chae, S. et al. (2018). Predicting infectious disease using deep learning and big data. International Journal of Environmental Research and Public Health, 15(8):1596.

Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, pages 785–794.

Codeço, C. T. et al. (2018). Infodengue: a nowcasting system for the surveillance of arboviruses in brazil. Revue d’Épidémiologie et de Santé Publique, 66:S386.

Daubechies, I. (1992). Ten Lectures on Wavelets. SIAM.

Donoho, D. L. (1995). De-noising by soft-thresholding. IEEE transactions on information theory, 41(3):613–627.

Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8):1735–1780.

Hubert, L. and Arabie, P. (1985). Comparing partitions. Journal of classification, 2(1):193–218.

Künsch, H. R. (1989). The jackknife and the bootstrap for general stationary observations. The annals of Statistics, pages 1217–1241.

Mallat, S. (2009). A Wavelet Tour of Signal Processing: The Sparse Way. Academic Press, 3rd edition.

Nason, G. P. (2008). Wavelet Methods in Statistics with R. Springer.

Nações Unidas (2023). Mais de 1,6 bilhão precisam de cuidados contra doenças tropicais negligenciadas. ONU News.

OPAS/OMS (2024). Atualização Epidemiológica: aumento de casos de dengue nas Américas. Organização Pan-Americana da Saúde.

Percival, D. B. and Walden, A. T. (2000). Wavelet Methods for Time Series Analysis. Cambridge University Press.

Ross, T. M. (2010). Dengue virus. Clinics in Laboratory Medicine, 30(1):149–160.

Shumway, R. H. and Stoffer, D. S. (2017). Time Series Analysis and Its Applications. Springer.

Silva, L. J. and Angerami, R. N. (2008). Viroses emergentes no Brasil. Editora Fiocruz.

Soares, A. P. M. R. et al. (2018). Prognóstico da incidência de casos de dengue na cidade de salvador-bahia, utilizando a transformada wavelet discreta em conjunção com redes neurais artificiais. Interfaces Científicas - Saúde e Ambiente, 6(3):53–62.

Vaswani, A. et al. (2017). Attention is all you need. In Advances in neural information processing systems, volume 30.