Dissertação
Time Series Forecasting for Mortality and Disease Incidence Data EVALUATED
Na área de previsão de mortalidade, modelos estatísticos convencionais, como o Auto-Regres-sive Integrated Moving Average (ARIMA) e modelos simples de aprendizagem de automática, como os Long Short-Term Memory Models (LSTM), têm sido amplamente utilizados. No entanto, isto contrasta acentuadamente com os avanços significativos no campo de aprendizagem automática, especialmente o campo dos State Space Models (SSM). O ponto central desta tese é investigar as potenciais vantagens de aplicar os modelos de aprendizagem automática mais recentes a uma tarefa de previsão de mortalidade. Para tal, extraíram-se dados de mortalidade constituídos por 252 meses da base de dados de mortalidade dos Estados Unidos, abrangendo 57 diferentes causas de morte em cinco estados. Com esses dados, foi formulada uma tarefa de previsão de mortalidade, no se forneceu aos modelos com um contexto de 24 meses e requisitou-se uma previsão para os próximos 6 meses. Foram testados seis modelos de última geração, incluindo os modelos S4 e S4 diagonal. Adicionalmente, os modelos LSTM e Persistência serviram como bases de comparação. Os resultados revelaram que, para previsões de curto prazo, os modelos de última geração apresentaram desempenho semelhante ou marginalmente inferior às bases de comparação. No entanto, à medida que o horizonte de previsão aumenta, os modelos avançados superam consistentemente as bases de comparação. Terminando, houve variações no desempenho dos modelos com base na periodicidade das causas de morte, alguns modelos destacaram-se na previsão de tendências periódicas, como o S4, e outros mostraram-se mais proficientes na previsão de padrões não periódicos, caso do S4 diagonal.
novembro 17, 2023, 10:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Bruno Emanuel Da Graça Martins
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado