From uncontrolled to controlled predictionsa learning-based model predictive control framework with an state predictor for epidemic mitigation under dynamics and parametric uncertainty

Resumo

Muitas aplicações têm demonstrado o uso e o sucesso de modelos compartimentais clássicos na estimativa dos estados e da evolução da disseminação de doenças. Similarmente, o estudo da Teoria do Controle Ótimo tem mostrado resultados positivos nesses cenários, mas pode carecer de tratabilidade computacional ou teórica. Dessa perspectiva, propomos uma estratégia de Controle de Modelos Preditivos Baseada em Aprendizado para um modelo suscetível-infeccioso-recuperado-quarentena (SIRQ) para um cenário de incerteza, onde se tem apenas medidas confiáveis da população em quarentena e das taxas de testagem. Consideramos um modelo Long Short-Term Memory (LSTM) para obter predições livres de modelo, fornecido a uma etapa de computação de controle. Mostramos como esse tipo de abordagem pode ser uma alternativa viável para a mitigação de doenças epidêmicas sob incerteza sobre os parâmetros e/ou estados.

Ficha do documento

Tipo

Dissertação

Ano

2025

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Inglês

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/37618

Palavras-chave

Optimal Control TheoryLearning-based controlModel predictive controlRecurrent neural networksEpidemic mitigationTeoria do Controle ÓtimoControle baseado em aprendizadoControle de modelos preditivosRedes neurais recorrentesMitigação de epidemiasMatemáticaEpidemiologia - Modelos matemáticosTeoria do controleOtimização matemáticaAprendizado do computador