A machine learning approach to dengue forecastingcomparing LSTM, Random Forest and Lasso
Mussumeci, Elisa
O documento é disponibilizado pela fonte de origem, que mantém a versão integral e as condições de uso.
Resumo
We used the Infodengue database of incidence and weather time-series, to train predictive models for the weekly number of cases of dengue in 790 cities of Brazil. To overcome a limitation in the length of time-series available to train the model, we proposed using the time series of epidemiologically similar cities as predictors for the incidence of each city. As Machine Learning-based forecasting models have been used in recent years with reasonable success, in this work we compare three machine learning models: Random Forest, lasso and Long-short term memory neural network in their forecasting performance for all cities monitored by the Infodengue Project.
Ficha do documento
- Tipo
- Dissertação
- Ano
- 2018
- Instituição
- Fundação Getulio Vargas
- Fonte
- Repositório da FGV
- Idioma
- Inglês
- Acesso
- Não informado
- Identificador
- oai:repositorio.fgv.br:10438/24093
Conteúdos relacionados
- DissertaçãoModelagem e previsão da taxa de inadimplênciaFundação Getulio Vargas · 2025
- TeseModeling high frequency intraday discrete returnsFundação Getulio Vargas · 2020
- DissertaçãoForecast dengue fever cases using time series models with exogenous covariatesFundação Getulio Vargas · 2018
- Artigo científicoℓ1-regularization of high-dimensional time-series models with non-Gaussian and heteroskedastic errorsElsevier Ltd · 2016
