A Figura 2 do estudo realizado pelo professor Guilherme Ferreira Gomes, integrante do GEMEC da UNIFEI, apresenta os novos casos diários de COVID-19 em Itajubá – MG
Nesse sentido, um estudo foi realizado pelo professor Guilherme Ferreira Gomes, do Instituto de Engenharia Mecânica (IEM) e integrante do Grupo de Pesquisa em Mecânica Computacional e Otimização (GEMEC) da Universidade Federal de Itajubá (UNIFEI), no tocante a análise de dados e previsão do número de casos futuros, usando inteligência artificial e modelagem matemática e considerando-se dados fornecidos diariamente pela Prefeitura Municipal de Itajubá (PMI) e disponíveis em http://www.itajuba.mg.gov.br/coronavirus/
Segundo Guilherme, com base nos dados obtidos pelos modelos, pode-se predizer sobre o comportamento futuro dos novos casos de indivíduos infectados pela COVID-19, bem como sobre as datas possíveis do pico de contaminação, crescimento, decréscimo e estabilização da taxa epidêmica. “É imprescindível ter um modelo como esse para mensurar a disseminação da doença no município”, defendeu o docente.
O professor explicou que o modelo em questão leva em consideração somente os dados disponibilizados pela PMI, porém pode falhar em algumas situações, em particular quando fases epidêmicas adicionais ou surtos não descritos pelo modelo são encontrados.
A página disponibilizada pelo professor Guilherme na internet é dedicada a análise gráfica e previsão do número de casos futuros usando métodos numéricos específicos, na cidade de Itajubá. Regularmente, os resultados serão atualizados com o modelo e dados de previsão para os próximos sete dias a partir da data da última atualização da página.
Mais informações sobre o estudo realizado estão disponíveis em: https://guilherme.unifei.edu.br/covid19-em-itajuba/
Previsão para os próximos dias
Segundo o professor Guilherme, uma análise de séries temporais envolve o desenvolvimento de modelos que melhor capturam ou descrevem uma série temporal observada, a fim de compreender as causas subjacentes. “Este campo de estudo busca o ‘porquê’ por trás de um conjunto de dados específicos. São vários os métodos existentes na literatura capazes de realizar um predição ou previsão em um dado temporal”, aponta o professor no estudo realizado.
Neste estudo de caso, utilizou-se o algoritmo de código aberto Prophet, que é capaz de prever tendências não-lineares considerando sazonalidades e de lidar com mudanças na tendência e outliers, e todo código foi implementado em python.
Mudança de tendência
O estudo mostra que a tendência em uma série temporal pode mudar de acordo com alguma tendência específica e/ou com efeitos de sazonalidades. “O algoritmo é capaz de detectar essas mudanças não-lineares. Neste processo, os pontos de mudança são ajustados apenas para os primeiros 80% da série temporal, permitindo que uma quantidade de dados seja suficiente para a previsão real”, explica o professor.
Previsão de epidemia
De acordo com o estudo realizado, o modelo Logistic é utilizado no ajuste de regressão de dados temporais devido a sua relativa simplicidade e alta eficiência. “No caso do novo coronavírus, o crescimento logístico é caracterizado por um comportamento em três fases na curva de indivíduos infectados (casos confirmados): uma fase de aumento lento do crescimento em uma fase inicial; uma de crescimento rápido se aproximando do pico da curva de incidência e outra de crescimento lento se aproximando do final do surto, ou seja, o máximo de infecções”, exemplifica Guilherme no estudo.
com assessoria da UNIFEI
Comentários