Publicación:
Análisis comparativo del desempeño de modelos de series de tiempo tradicionales, redes neuronales artificiales y modelos híbridos para pronosticar los casos por infecciones respiratorias agudas (IRA) en la ciudad de Montería

Vista sencilla de ítem
dc.audience
dc.contributor.advisorCogollo Flórez, Myladis Rocío
dc.contributor.authorMoreno Santamaría, Iván Josué
dc.contributor.authorVarilla Mendoza, Fernando Arturo
dc.contributor.juryBru Cordero, Osnamir Elias
dc.contributor.juryRobles González, Juana Raquel
dc.date.accessioned2023-12-07T19:28:02Z
dc.date.available2024-12-07
dc.date.available2023-12-07T19:28:02Z
dc.date.issued2023-12-07
dc.description.abstractEn este trabajo investigativo, se ha llevado a cabo el modelado de los casos de IRA en la ciudad de Montería en el periodo 2012-2023 presentados por semana epidemiológica, mediante tres diferentes técnicas de pronóstico: Series de tiempo tradicionales, redes neuronales artificiales y modelos híbridos, con el objetivo de comparar sus desempeños y encontrar la metodología que mejor modela los datos. Para ello, se consideraron cinco horizontes de pronóstico: 52, 35, 17, 9 y 4 semanas epidemiológicas, donde el primer horizonte corresponde al periodo de la serie y los cuatro valores restantes corresponden a horizontes que se han sido sugeridos en la literatura para datos similares a los aquí analizados (véase por ejemplo Becerra et al. (2020), Cogollo et al. (2021)). Se encuentra que el desempeño de las tres técnicas de pronóstico consideradas en este estudio, mejora a medida que se incrementa la cantidad de datos para entrenar el modelo. Con respecto a los modelos tradicionales el más adecuado para modelar los casos de IRA es el modelo autorregresivo integrado de media móvil estacional (SARIMA) debido a la presencia de tendencia y estacionalidad. Por otra parte, se evidencia que el modelo de redes neuronales artificiales es el que presenta mejores resultados, en los distintos horizontes, en términos de la calidad del pronóstico. Adicionalmente, se demuestra que el uso de una metodología híbrida no mejora la calidad del pronóstico de los casos de IRA hallados con el modelo autorregresivo integrado de media móvil (ARIMA) y SARIMA. Se demuestra que es posible emplear los datos históricos reportados de los casos de IRA para proporcionar información estadística verídica a las entidades de salud en la ciudad de Montería, que pueda apoyar la elaboración del organigrama de prevención y control de la enfermedad.spa
dc.description.abstractIn this research work, the modeling of ARI cases in the city of Montería in the period 2012-2023 presented by epidemiological week has been carried out, using three different forecasting techniques: Traditional time series, artificial neural networks and models. hybrids, with the objective of comparing their performances and finding the methodology that best models the data. For this, five forecast horizons were considered: 52, 35, 17, 9 and 4 epidemiological weeks, where the first horizon corresponds to the period of the series and the four remaining values correspond to horizons that have been suggested in the literature for data. similar to those analyzed here (see for example Becerra et al. (2020), Cogollo et al. (2021)). It is found that the performance of the three forecasting techniques considered in this study improves as the amount of data to train the model increases. With respect to traditional models, the most suitable for modeling ARI cases is the seasonal autoregressive integrated moving average model (SARIMA) due to the presence of trend and seasonality. On the other hand, it is evident that the artificial neural network model is the one that presents the best results, in the different horizons, in terms of the quality of the forecast. Additionally, it is demonstrated that the use of a hybrid methodology does not improve the quality of the prognosis of ARI cases found with the autoregressive integrated moving average model (ARIMA) and SARIMA. It is demonstrated that it is possibleto use the historical data reported on ARI cases to provide true statistical information to health entities in the city of Montería, which can support the development of the disease prevention and control organization chart.eng
dc.description.degreelevelPregrado
dc.description.degreenameEstadístico(a)
dc.description.modalityTrabajos de Investigación y/o Extensión
dc.description.tableofcontentsResumen ......I
dc.description.tableofcontentsAgradecimientos ......V
dc.description.tableofcontentsIntroducción....... 1
dc.description.tableofcontents1. Estado del arte....... 6
dc.description.tableofcontents1.1. Proceso de búsqueda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
dc.description.tableofcontents1.2. Criterios de inclusión y exclusión . . . . . . . . . . . . . . . . . . . . . . . . . 8
dc.description.tableofcontents1.3. Resultados y análisis de artículos seleccionados . . . . . . . . . . . . . . . . . 8
dc.description.tableofcontents1.4. Modelado del IRA en Colombia . . . . . . . . . . . . . . . . . . . . . . . . . . 11
dc.description.tableofcontents2. Materiales y Métodos .....13
dc.description.tableofcontents2.1. Descripción de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
dc.description.tableofcontents2.2. Propuesta de modelado de los casos de IRA en la ciudad de Montería . . . . 15
dc.description.tableofcontents2.2.1. Modelado tradicional . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
dc.description.tableofcontents2.2.1.1. Estrategia de construcción del modelo tradicional . . . . . . 18
dc.description.tableofcontents2.2.2. Modelado basado en redes neuronales artificiales . . . . . . . . . . . 25
dc.description.tableofcontents2.2.2.1. Estrategia de construcción de la red . . . . . . . . . . . . . . 29
dc.description.tableofcontents2.3. Metodología híbrida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
dc.description.tableofcontents3. Resultados ....35
dc.description.tableofcontents3.1. Análisis preliminar de la serie de tiempo . . . . . . . . . . . . . . . . . . . . 35
dc.description.tableofcontents3.2. Modelado tradicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
dc.description.tableofcontents3.3. Modelado basado en redes neuronales artificiales . . . . . . . . . . . . . . . 47
dc.description.tableofcontents3.4. Metodología híbrida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
dc.description.tableofcontents3.5. Comparación del desempeño de los modelos obtenidos con los tres enfoques...... 56
dc.description.tableofcontents3.5.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
dc.description.tableofcontents3.5.2. Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
dc.description.tableofcontentsBibliografía ......68
dc.identifier.instnameUniversidad de Córdoba
dc.identifier.reponameRepositorio Universidad de Córdoba
dc.identifier.repourlhttps://repositorio.unicordoba.edu.co/
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/7960
dc.language.isospa
dc.publisherUniversidad de Córdoba
dc.publisher.facultyFacultad de Ciencias Básicas
dc.publisher.programEstadística
dc.relation.referencesAlsuwaylimi, A. A. (2023). Comparison of arima, ann and hybrid arima-ann models for time series forecasting.
dc.relation.referencesArunKumar, K., Kalaga, D. V., Kumar, C. M. S., Chilkoor, G., Kawaji, M., y Brenza, T. M. (2021). Forecasting the dynamics of cumulative covid-19 cases (confirmed, recovered and deaths) for top-16 countries using statistical machine learning models: Autoregressive integrated moving average (arima) and seasonal auto-regressive integrated moving average (sarima). Applied soft computing, 103, 107161.
dc.relation.referencesAssad, D., Cara, J., y Ortega-Mier, M. a. (2022). Comparing short-term univariate and multivariate time-series forecasting models in infectious disease outbreak. Bulletin of Mathematical Biology. Descargado de https://doi.org/10.1007/s11538-022-01112-5 doi: 10.1007/s11538-022-01112-5
dc.relation.referencesBallesteros, F., y Cogollo, M. (2023). Estructuras híbridas para el modelado y pronóstico de series temporales: metodologías y aplicaciones.
dc.relation.referencesBecerra, M., Jerez, A., Aballay, B., Garcés, H. O., y Fuentes, A. (2020). Forecasting emergency admissions due to respiratory diseases in high variability scenarios using time series: A case study in chile. Science of The Total Environment, 706, 134978. Descargado de https://www.sciencedirect.com/science/article/pii/S0048969719349708 doi: https://doi.org/10.1016/j.scitotenv.2019.134978
dc.relation.referencesBehar, R. (2003). Prevención de las infecciones respiratorias agudas. presente y futuro. Revista Cubana de Pediatría, 75(4), 1-10.
dc.relation.referencesBox, G. E., Jenkins, G. M., Reinsel, G. C., y Ljung, G. M. (2015). Time series analysis: forecasting and control. John Wiley & Sons.
dc.relation.referencesChambi, J., y Conde, S. (2021). Modelo de predicción mensual de infección respiratoria aguda (ira) en niños menores de 5 años en la micro red el descanso–cusco, 2014-2019.
dc.relation.referencesCogollo, M. R., González-Parra, G., y Arenas, A. J. (2021). Modeling and forecasting cases of rsv using artificial neural networks. Mathematics, 9(22), 2958.
dc.relation.referencesDemir, I., y Kirisci, M. (2022). Forecasting covid-19 disease cases using the sarima-nnar hybrid model. Universal Journal of Mathematics and Applications, 5(1), 15–23.
dc.relation.referencesGiustolisi, O., y Laucelli, D. (2005). Improving generalization of artificial neural networks in rainfall–runoff modelling/amélioration de la généralisation de réseaux de neurones artificiels pour la modélisation pluie-débit. Hydrological Sciences Journal, 50(3).
dc.relation.referencesGónzalez-Bandala, D. A., Cuevas-Tello, J. C., Noyola, D. E., Comas-García, A., y García- Sepúlveda, C. A. (2020). Computational forecasting methodology for acute respiratory infectious disease dynamics. International Journal of Environmental Research and Public Health, 17(12). Descargado de https://www.mdpi.com/1660-4601/17/12/4540 doi: 10.3390/ijerph17124540
dc.relation.referencesHajirahimi, Z., y Khashei, M. (2019). Hybrid structures in time series modeling and forecasting: A review. Engineering Applications of Artificial Intelligence, 86, 83–106.
dc.relation.referencesHassan, M. Y. (2021). The deep learning lstm and mtd models best predict acute respiratory infection among under-five-year old children in somaliland. Symmetry, 13(7). Descargado de https://www.mdpi.com/2073-8994/13/7/1156 doi: 10.3390/sym13071156
dc.relation.referencesHaykin, S. S. (1999). Neural networks: A comprehensive foundation.
dc.relation.referencesHuertas, N., G, Donado Torres, S., y cols. (2018). Evaluación crítica de la función auto. arima de r en la identificación de procesos de series de tiempo.
dc.relation.referencesHyndman, R., y Athanasopoulos, G. (2018). Forecasting: Principles and practice (2nd ed.). Australia: OTexts.
dc.relation.referencesInstituto Nacional de Salud. (2022). Protocolo de vigilancia de infección respiratoria aguda (ira). https://www.ins.gov.co/buscador-eventos/Lineamientos/PRO_IRA.pdf. (Accessed: 2023-08-11)
dc.relation.referencesJenkins, G. M., Box, G. E., y Reinsel, G. C. (2011). Time series analysis: forecasting and control (Vol. 734). John Wiley & Sons.
dc.relation.referencesJerónimo-Martínez, L., Menéndez, R. E., y Bolívar, H. (2017). Forecasting acute respiratory infection cases in southern bogota: Ears vs. arima and sarima. , 1-6.
dc.relation.referencesJiménez, M., y cols. (2019). Aplicación de analítica de datos para predicción de infección respiratoria aguda en colombia.
dc.relation.referencesJin, Y.-C., Cao, Q., Wang, K.-N., Zhou, Y., Cao, Y.-P., y Wang, X.-Y. (2023). Prediction of covid-19 data using improved arima-lstm hybrid forecast models. IEEE Access, 11, 67956-67967. doi: 10.1109/ACCESS.2023.3291999
dc.relation.referencesKelleher, J. D. (2019). Deep learning. MIT press.
dc.relation.referencesKnief, U., y Forstmeier, W. (2021). Violating the normality assumption may be the lesser of two evils. Behavior Research Methods, 53(6), 2576–2590.
dc.relation.referencesMansbach, J. M., y Camargo, C. A. (2012). Acute respiratory infections. En A. A. Litonjua (Ed.), Vitamin d and the lung: Mechanisms and disease associations (pp. 181–200). Totowa, NJ: Humana Press. Descargado de https://doi.org/10.1007/978-1-61779-888-7_9 doi: 10.1007/978-1-61779-888-7_9
dc.relation.referencesMontano, J., Palmer, A., y Munoz, P. (2011). Artifi cial neural networks applied to forecasting time series. Psicothema, 23, number=2, pages= 322-329 .
dc.relation.referencesNsoesie, E. O., Oladeji, O., Abah, A. S. A., y Ndeffo-Mbah, M. L. (2021). Forecasting influenza-like illness trends in cameroon using google search data. Scientific Reports, 11(1), 6713.
dc.relation.referencesOspina, R., Gondim, J. A. M., Leiva, V., y Castro, C. (2023). An overview of forecast analysis with arima models during the covid-19 pandemic: Methodology and case study in brazil. Mathematics, 11(14). Descargado de https://www.mdpi.com/2227-7390/11/14/ 3069 doi: 10.3390/math11143069
dc.relation.referencesPeña, D. (2005). Análisis de series temporales. Alianza editorial.
dc.relation.referencesPeña, M. (2014). Análisis de series temporales utilizando modelos arima y su aplicación en la predicción de indicadores del ministerio de salud en el departamento de santa ana. Trabajo de investigación.
dc.relation.referencesPerone, G. (2021, 08). Comparison of arima, ets, nnar, tbats and hybrid models to forecast the second wave of covid-19 hospitalizations in italy. The European Journal of Health Economics, 23. doi: 10.1007/s10198-021-01347-4
dc.relation.referencesRStudio. (2021). Rstudio: Integrated development environment for r [Manual de software informático]. Boston, MA. Descargado de https://www.rstudio.com/ (Version 4.1.1)
dc.relation.referencesSafi, S. K., y Sanusi, O. I. (2021). A hybrid of artificial neural network, exponential smoothing, and arima models for covid-19 time series forecasting. Model Assisted Statistics and Applications, 16(1), 25–35.
dc.relation.referencesSantangelo, O. E., Gentile, V., Pizzo, S., Giordano, D., y Cedrone, F. (2023). Machine learning and prediction of infectious diseases: A systematic review. Machine Learning and Knowledge Extraction, 5(1), 175–198. Descargado de https://www.mdpi.com/2504 -4990/5/1/13 doi: 10.3390/make5010013
dc.relation.referencesSecretaría de Salud y Seguridad Social de Montería. (2022). Análisis de situación de salud con el modelo de los determinantes sociales de salud del municipio de montería, 2021. https://www.monteria.gov.co/loader.php?lServicio=Tools2&lTipo= descargas&lFuncion=descargar&idFile=2219. (Accessed: 2023-08-11)
dc.relation.referencesSerikov, T., Zhetpisbayeva, , khmediyarova, A., Mirzakulova, S., Kismanova, A., Tolegenova, A., y Wójcik, W. (2021). City backbone network traffic forecasting. International Journal of Electronics and Telecommunications, 319–324.
dc.relation.referencesSIVIGILA. (2023). Sistema de vigilancia en salud publica. estadisticas de vigilancia rutinaria. https://portalsivigila.ins.gov.co/Paginas/Vigilancia-Rutinaria.aspx. (Accessed: 2023-08-11)
dc.relation.referencesTsan, Y.-T., Chen, D.-Y., Liu, P.-Y., Kristiani, E., Nguyen, K. L. P., y Yang, C.-T. (2022). The prediction of influenza-like illness and respiratory disease using lstm and arima. International Journal of Environmental Research and Public Health, 19(3), 1858.
dc.relation.referencesTsay, R. S., y Tiao, G. C. (1984). Consistent estimates of autoregressive parameters and extended sample autocorrelation function for stationary and nonstationary arma models. Journal of the American Statistical Association, 79(385), 84-96. doi: 10.1080/ 01621459.1984.10477068
dc.relation.referencesWang, L., Zou, H., Su, J., Li, L., y Chaudhry, S. (2013). An arima-ann hybrid model for time series forecasting. Systems Research and Behavioral Science, 30(3), 244–259.
dc.relation.referencesYang, L., Li, G., Yang, J., Zhang, T., Du, J., Liu, T., . . . others (2023). Deep-learning model for influenza prediction from multisource heterogeneous data in a megacity: Model development and evaluation. Journal of Medical Internet Research, 25, e44238.
dc.relation.referencesYu, G., Feng, H., Feng, S., Zhao, J., y Xu, J. (2021). Forecasting hand-foot-and-mouth disease cases using wavelet-based sarima–nnar hybrid model. PLoS one, 16(2), e0246673.
dc.relation.referencesYunseo, K., Bin, K. S., y Munyoung, Y. J.-H. M. S.-K. C. (2022). Machine learning models for predicting the occurrence of respiratory diseases using climatic and air-pollution factors. Clin Exp Otorhinolaryngol, 15(2), 168-176. Descargado de http://www.e-ceo .org/journal/view.php?number=799 doi: 10.21053/ceo.2021.01536
dc.rightsCopyright Universidad de Córdoba, 2023
dc.rights.accessrightsinfo:eu-repo/semantics/embargoedAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_f1cf
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.keywordsAcute respiratory infection
dc.subject.keywordsforecast
dc.subject.keywordsARIMA model
dc.subject.keywordsSARIMA model
dc.subject.keywordsartificial neural network
dc.subject.keywordshybrid model
dc.subject.proposalInfección respiratoria agudaspa
dc.subject.proposalPronósticospa
dc.subject.proposalModelo ARIMAspa
dc.subject.proposalModelo SARIMAspa
dc.subject.proposalRed neuronal artificialspa
dc.subject.proposalModelo híbridospa
dc.titleAnálisis comparativo del desempeño de modelos de series de tiempo tradicionales, redes neuronales artificiales y modelos híbridos para pronosticar los casos por infecciones respiratorias agudas (IRA) en la ciudad de Monteríaspa
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
varilla fernando-moreno ivan.pdf
Tamaño:
957.91 KB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
AutorizaciónPublicación..pdf
Tamaño:
880.22 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
B.F.A. Trabajos de Investigación y/o Extensión