Análise e previsão do número de casos e de mortes por COVID-19 na Guiné-Bissau: estudo comparativo entre modelos ARIMA e modelos de redes neuronais (LSTM)

Abstract

Prever é algo comum no dia-a-dia de qualquer pessoa. É um factor de grande importância para a tomada de decisões e planeamento estratégico, ainda mais num ambiente de pandemia como foi o caso da Covid-19. Dessa forma, existe interesse que sejam desenvolvidas metodologias cada vez mais eficientes para gerar previsões em diferentes áreas da vida humana. Este trabalho teve por objetivo principal elaborar um estudo comparativo sobre a capacidade de modelação e preditiva entre modelos estatísticos usuais de series temporais e algoritmos de inteligência artificial para prever o número de casos e de mortes por Covid-19 na Guiné-Bissau. Para este estudo foram escolhidos os modelos do tipo ARIMA (AutoRegressive Integrated Moving Average) e SARIMA (Seasonal AutoRegressive Integrated Moving Average), e o algoritmo de Redes Neurais Recorrentes-LSTM (Long Short Term Memory). O resultado deste trabalho conside em aprofundar (bem como adquiridos novos) conhecimentos sobre e a modelação de dados através de modelos de séries temporais, nomeadamente através dos modelos do tipo ARIMA e SARIMA e dos algoritmos de Redes Neuronais Recorrentes, nomeadamente o LSTM. Espera-se ainda não só fornecer os mecanismos existentes de ajustamento e previsão de dados sequenciais no tempo, como também abrir novas perspectivas de análise de dados temporais através de novas abordagens na construção dos melhores modelos de previsão, neste estudo aplicados aos dados de Covid-19 na Guiné-Bissau, que consiste na comparação dos resultados dos modelos; com base nos resultados de previsão dos dados em análise, modelos ARIMA/SARIMA apresenta melhor previsão de que o modelo de LSTM para os números de casos e mortes por Covid-19 na Guiné-Bissau; mas que, no futuro, poderão ser aplicados a outras realidades; - Analysis and prediction of the number of cases and deaths per COVID-19 in Guinea Bissau: Comparative study between ARIMA models and neural network models (LSTM). Abstract: Predicting is something common in anyone's daily life. It is a factor of great importance for decision-making and strategic planning, even more so in a pandemic environment such as the case with Covid-19. Therefore, there is interest in developing increasingly efficient methodologies to generate predictions in different areas of human life. The main objective of this work was to develop a comparative study on the modeling and predictive capacity between usual statistical time series models and artificial intelligence algorithms to predict the number of cases and deaths from Covid-19 in Guinea-Bissau. For this study, the ARIMA (AutoRegressive Integrated Moving Average) and SARIMA (Seasonal AutoRegressive Integrated Moving Average) models and the LSTM (Long Short Term Memory) Neural Network algorithm were chosen. The result of this work is to deepen (as well as acquire new) knowledge about and modeling data through time series models, namely through ARIMA and SARIMA models and Recurrent Neural Network algorithms, namely LSTM. It is also expected not only to provide existing mechanisms for adjusting and forecasting sequential data in time, but also to open new perspectives for analyzing temporal data through new approaches in building the best forecasting models, in this study applied to Covid-19 data in Guinea-Bissau, which consists of comparing the results of the models; based on the forecast results of the data under analysis, ARIMA/SARIMA models present better forecasts than the LSTM model for the numbers of cases and deaths from Covid-19 in Guinea-Bissau; but which, in the future, could be applied to other realities.