Predição de séries temporais da covid-19: uma avaliação do uso dos modelos suavização exponencial, ARIMA, MLP & LSTM

Neste trabalho, será discutido como foram desenvolvidas implementações dos modelos preditivos ARIMA, LSTM, MLP e Suavização Exponencial para predição de séries temporais de casos confirmados e mortes por COVID-19, para a avaliação de qual dentre esses obtém o melhor resultado. A COVID-19 é a doença causada pelo coronavírus denominado SARS-CoV-2, que acarretou num grande número de infectados em nível global. Segundo a OMS, até dezembro de 2021, foram estimados mais de 305 milhões de infectados em todo mundo. Como se fez necessário o uso de dados fidedignos para a realização das predições, a base de dados utilizada para o desenvolvimento desse trabalho, é de domínio público e foi cedida pela Universidade Johns Hopkins. Os dados de séries temporais de casos confirmados e mortes do Brasil, Índia, Itália e Estados Unidos da América foram comparados e selecionados para a realização de predições. Acerca dos modelos preditivos, a rede neural Long Short-Term Memory é capaz de aprender longas sequências de observações para, deste modo, realizarem previsões. Além desse, a Perceptron Multicamadas (PMC ou MLP — Multi-Layer Perceptron) é uma rede neural com uma ou mais camadas ocultas com um número indeterminado de neurônios. Ademais, o ARIMA é um modelo autorregressivo integrado de médias móveis (autoregressive integrated moving average). Por fim, a Suavização exponencial (Exponential Smoothing) é um modelo de predição altamente preciso para suavizar dados de séries temporais. Assim sendo, após a realização dos treinos e testes de cada um dos modelos, realizou-se a avalição de desempenho com o método de raiz do erro quadrático médio (RMSE) e com base nos resultados dos modelos implementados para a predição de dados referentes aos casos confirmados e as mortes da pandemia de COVID-19, pôde-se avaliar que o modelo ARIMA obteve o melhor desempenho dentre os demais.