Avaliações preditivas de modelos temporais com integração de informações espaciais: um estudo de incidência da Covid-19 no estado de São Paulo em 2020

• Ano de defesa: 2025
• Autor(a) principal: Rizzieri, Thiago Moraes [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: COVID-19; Previsão temporal; Estatística espacial; ARIMA; Floresta aleatória; Redes neurais; São Paulo; Temporal forecasting; Spatial statistics; Random forest; Neural networks
• Link de acesso: https://hdl.handle.net/11449/296431

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.