Aplicação de Redes de Deep Learning Recurrent Neural Network, Long Short-Term Memory e Gated Recurrent Unit na Predição da COVID-19 no Cenário Pós-Vacinação

Abstract

Este trabalho propõe a adaptação de três redes neurais artificiais para prever séries temporais da COVID-19 no Brasil, considerando o atual cenário de escassez de dados e ondas recorrentes da doença, mas de menor magnitude comparado a 2020 e 2021. O principal objetivo é avaliar o desempenho de diferentes arquiteturas de redes neurais na previsão dos casos diários de COVID-19 no estado de São Paulo. As arquiteturas exploradas foram: Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU). O desempenho de cada modelo foi analisado quanto à aderência aos dados reais e à capacidade de capturar padrões temporais complexos, em um contexto de aumentos-e-declínios súbitos de casos de menor gravidade devido à vacinação. Os resultados demonstraram alta precisão das redes treinadas e forneceram diferentes perspectivas para melhorar a qualidade das predições, essenciais para estratégias de controle da pandemia, especialmente durante os períodos de recrudescimento da doença. Assim, este trabalho visa contribuir para o avanço de aplicações de redes neurais preditoras da COVID-19, particularmente no contexto pós-vacinação.