Qualificação de mestrado do discente Antonio Pedro, dia 16/12, as 08:00.

Qualificação de mestrado do discente Antonio Pedro, dia 16/12, as 08:00.

Título: Previsão de séries temporais epidemiológicas a partir de Redes Neurais de Grafos e Redes de Mobilidade

Resumo: A rede de mobilidade influencia diretamente a propagação de doenças, como
observado na disseminação da COVID-19. O transporte de pessoas, seja aéreo
ou terrestre, facilita o espalhamento de doenças. Este estudo visa avaliar a
importância da rede de mobilidade na tarefa de predição de séries temporais
epidemiológicas usando GNNs. Para isso, realizaremos experimentos alternando-a,
com versões perturbadas e aleatorizadas. Os modelos serão treinados a partir de
diversas arquiteturas para a previsão de casos de COVID-19 em cidades
brasileiras e os resultados serão avaliados usando as métricas de RMSE (Raiz do Erro
Médio Quadrático) e R2 (coeficiente de determinação). As principais arquiteturas
incluem o GCRN (Graph Convolutional Recurrent Network), GCLSTM (Graph
Convolutional Long Short-T erm Memory) e LSTM (Long Short-T erm Memory).
Os resultados parciais apontam que as arquiteturas GCRN e GCLSTM apresentam
maior consistência e desempenho em comparação com outros. O GCRN alcançou
RMSE médio de 3059,50 e R2 superior a 0,95 para os três anos analisados (2020-
2022), evidenciando capacidade preditiva robusta. O GCLSTM apresentou um
RMSE médio ligeiramente superior (3583,88), mas também mostrou consistência
elevada e foi eficaz na previsão, com variações menores no desvio padrão. Alguns
ajustes serão realizados para refinar os resultados, como o uso de janelas deslizantes
e extração do backbone da rede. A expectativa ́e que o treinamento com os grafos
originais gere melhores métricas de desempenho (redução de RMSE e aumento de
R2), corroborando a ideia de que a rede de mobilidade fornece dados ́uteis para
aprimorar as previsões de séries temporais epidemiológicas.

O Link da sala do meet: https://meet.google.com/ofs-mxqt-vcr?hs=224