Previsão de séries temporais para os óbitos no Brasil causados pela COVID-19 no âmbito da pandemia

• Main Author: Provenza, Marcello Montillo
• Publication Date: 2022
• Format: Doctoral thesis
• Language: por
• Source: Biblioteca Digital de Teses e Dissertações da UERJ
• Download full: http://www.bdtd.uerj.br/handle/1/18970
• topic: Time series; Deaths; Statistical models; Machine learning; Engenharia química; Processamento de dados; COVID-19 (Doença); Séries temporais; Óbitos; Modelos estatísticos; Aprendizado de máquina; Econometria; COVID-19; COVID 19; ENGENHARIAS::ENGENHARIA QUIMICA

As previsões de óbitos por COVID-19 são úteis para a formulação de políticas públicas, permitindo a utilização de estratégias de isolamento social mais eficazes e com menor impacto econômico e social, além de promover indicadores de como a população adere às vacinas. O objetivo deste trabalho é explorar um amplo conjunto de métodos de previsão para identificar os melhores modelos sem cobertura vacinal (Caso 1) e com cobertura vacinal (Caso 2) no Brasil. Foram considerados os métodos de Inteligência Artificial e os métodos clássicos de econometria. A técnica de validação cruzada para séries temporais foi implementada, fornecendo assim uma estimativa precisa para avaliar a capacidade preditiva dos modelos. Cada modelo foi ajustado considerando uma base inicial de treinamento de 30 valores. No Caso 1, foram usadas as mortes diárias e acumuladas da base Oxford COVID-19 Government Response Tracker. No Caso 2, o conjunto de dados provém do Our World in Data, onde a média móvel de sete dias foi adotada como referência para melhorar a qualidade dos dados. No Caso 1 os modelos foram treinados e testados com 266 amostras considerando um horizonte de previsão de 7 dias. No Caso 2 os modelos foram treinados e testados 494 vezes considerando um horizonte de revisão de sete dias, 486 vezes considerando um horizonte de 15 dias e 471 vezes considerando um horizonte de 30 dias. Foram adotados modelos de diferentes classes: algoritmos ETS, ARIMA, regressão e aprendizado de máquina. A comparação entre as previsões foi feita utilizando os resultados médios das métricas de previsão: R2, RMSE, MAE e MAPE. No Caso 1, as previsões acumuladas ofereceram melhores resultados do que as diárias, pois os modelos são menos influenciados pelas componentes da série temporal: ciclo e sazonalidade. Os melhores resultados para a predição de óbitos diários foram obtidos pelo método de regressão de Ridge (R2 = 0,772, RMSE = 136 e MAE = 113). Os melhores resultados para predição de óbitos acumulados foram obtidos pelo método de regressão Cubist (R2 = 0,993, RMSE = 468 e MAE = 409). No Caso 2, o modelo ARIMA com uma diferenciação apresentou os melhores resultados para um horizonte de sete dias (RMSE = 74 e MAE = 64).