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
Portada
PDF 
FLIP 
Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
En 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.
Resumen en inglés
In 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.