Campo DC | Valor | Idioma |
dc.contributor.advisor | Rocha Filho, Tarcísio Marciano da | - |
dc.contributor.author | Oliveira, Israel Garcia de | - |
dc.date.accessioned | 2024-08-21T18:41:58Z | - |
dc.date.available | 2024-08-21T18:41:58Z | - |
dc.date.issued | 2024-08-21 | - |
dc.date.submitted | 2021-11-29 | - |
dc.identifier.citation | OLIVEIRA, Israel Garcia de. Using reservoir computing to predict COVID-19 time series in Distrito Federal. 2021. 81 f., il. Dissertação (Mestrado em Física) — Universidade de Brasília, Brasília, 2021. | pt_BR |
dc.identifier.uri | http://repositorio2.unb.br/jspui/handle/10482/50091 | - |
dc.description | Dissertação (mestrado) — Universidade de Brasília, Instituto de Física, Programa de Pós-Graduação em Física, 2021. | pt_BR |
dc.description.abstract | A epidemia do coronavírus, causada pelo vírus SARS-COV-2, teve seu início em dezem-
bro de 2019 na china e rapidamente se espalhou para vários países ao redor do mundo, sendo
então declarada uma pandemia pela Organização Mundia da Saúde (OMS) em questão de
dois meses. Prever tendências de uma doença contagiosa em uma população é um assunto
de grande relevância para a sociedade, pois causa impacto positivo nas tomadas de deci-
são por parte dos agente competentes. Diferentes metodologias existem, como por exemplo
o modelo SIR ou o modelo time-since-infection. Uma alternativa que vem cada vez mais
tendo atenção de pesquisadores são os métodos baseados em aprendizado de máquina. Uma
possibilidade é alimentar o algoritmo de aprendizado de máquina com a série temporal (de
casos, por exemplo) e obter estimativas da evolução futura da série temporal por uma jancla
de tempo. Neste trabalho usamos redes neurais baseadas em computação de reservatório
para prever a evolução do coronavírus no Distrito Federal. Obtemos boas previsões para o
número de reprodução instantâneo R, em até cinco dias no futuro e para as médias móveis
de casos e mortes em até dez dias no futuro com um erro relativo médio de 10%. | pt_BR |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). | pt_BR |
dc.language.iso | por | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.title | Using reservoir computing to predict COVID-19 time series in Distrito Federal | pt_BR |
dc.title.alternative | Uso de computação de reservatório na previsão de séries temporais da Covid-19 no Distrito Federal | pt_BR |
dc.type | Dissertação | pt_BR |
dc.subject.keyword | Covid-19 | pt_BR |
dc.subject.keyword | Aprendizagem de máquina | pt_BR |
dc.subject.keyword | Sistemas dinâmicos | pt_BR |
dc.subject.keyword | Computação por reservatório | pt_BR |
dc.description.abstract1 | he curent COVID-19 pandemic, caused by the SARS-CoV-2 virus, begun in Decem-
ber 2019 in China, and rapidly spread to all countries in the World, being declared pan-
demic by the World Health Organization (WHO) in a matter of two months. Predicting
trends of an infectious disease is a topic of high social relevance, being able to impact on
better decision making. Different theoretical approaches exist, such as the SIR and time-
since-infection models. An alternative gradually drawing more attention from researchers is
machine-learning based approaches. One possibility is to fed an algorithm with the previous
time series of daily cases and/or deaths, and obtain estimates for the future evolution fow a
given time window. In the present work we use the reservoir computing approach to predict
the evolution of coronavirus in the Federal Disctrict in Brazil. We obtained good quality
predictions for instantaneous reproduction number R, up to five days in the future, and the moving average of cases and deaths up to ten days ahead with a maximum relative error of 10%. | pt_BR |
dc.description.unidade | Dissertação (mestrado) — Universidade de Brasília, Instituto de Física, Programa de Pós-Graduação em Física, 2021. | pt_BR |
dc.description.ppg | Programa de Pós-Graduação em Física | pt_BR |
Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|