Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/31301| Título: | Utilização de redes neurais artificiais para previsão de internações causadas pela poluição atmosférica |
| Título(s) alternativo(s): | Use of artificial neural networks for predicting hospitalization caused by air pollution |
| Autor(es): | Meyer, João Luiz Miranda |
| Orientador(es): | Tadano, Yara de Souza |
| Palavras-chave: | Redes neurais (Computação) Ar - Poluição Previsão Aparelho respiratório - Doenças Python (Linguagem de programação de computador) Neural networks (Computer science) Air - Pollution Forecasting Respiratory organs - Diseases Python (Computer program language) |
| Data do documento: | 18-Nov-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Ponta Grossa |
| Citação: | MEYER, João Luiz Miranda. Utilização de redes neurais artificiais para previsão de internações causadas pela poluição atmosférica. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Química) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2022. |
| Resumo: | A poluição atmosférica é considerada uma das principais causas de problemas respiratórios para a população urbana, devido ao alto volume de fontes poluidoras, como os automóveis e indústrias. Estudos na literatura frequentemente avaliam o impacto dos poluentes na saúde por meio de modelos de regressão estatística, porém recentemente, o uso de redes neurais artificiais vem se destacando, devido à sua eficiência em problemas de mapeamento. O objetivo deste trabalho foi realizar uma comparação entre duas arquiteturas de redes neurais, a MLP (do inglês - Multilayer Perceptron) e ELM (do inglês - Extreme Learning Machine), para a previsão do número de internações por doenças respiratórias (J00-J99 da Classificação Internacional de Doenças - CID-10) causadas pelo material particulado de diâmetro aerodinâmico menor ou igual à 10 μm. Como entrada, foram consideradas ainda variáveis meteorológicas (temperatura e umidade). Como estudo de caso considerou-se a cidade de São Paulo. Ambas as redes neurais foram implementadas utilizando a linguagem de programação Python versão 3.7 com o auxílio das bibliotecas Scikit-learn e Numpy. Os efeitos da poluição na saúde podem ocorrer algum tempo após a exposição. Desta forma, é essencial modelar os efeitos na saúde no dia da exposição à poluição (lag0) até sete dias após a exposição (lag7). As métricas utilizadas para avaliação das redes foram o Erro Quadrático Médio (MSE - do inglês Mean Square Error) e Erro Médio Absoluto (MAE - do inglês Mean Absolute Error). Os melhores resultados apresentados pelo MAE para a MLP testada foi para o lag 0, apresentando valor de 34,38, enquanto para a ELM o melhor resultado foi para o lag 7, apresentando um valor de 40,35. Para o caso do MSE, a MLP apresentou melhor resultado para o lag 0, apresentando o valor de 1.820,18, enquanto para a ELM, o melhor resultado foi para o lag 2, com o valor de 2.585,73. As redes neurais mostraram ser uma ferramenta de previsão robusta, sendo que a MLP teve uma capacidade melhor de realizar previsões. Foi possível observar uma limitação da capacidade de generalização das redes, sendo justificável pela complexidade do problema e por depender de outras variáveis (idade, gênero, condição social, entre outras) que não foram consideradas no trabalho. |
| Abstract: | Atmospheric pollution is considered one of the main causes of respiratory problems for the urban population, due to the high volume of polluting sources, such as automobiles and industries. Studies in the literature often assess the impact of pollutants on health through statistical regression models, but recently, the use of artificial neural networks has been highlighted, due to its efficiency in mapping problems. The objective of this work was to compare two neural network architectures, the MLP (Multilayer Perceptron) and ELM (Extreme Learning Machine), to predict the number of hospitalizations due to respiratory diseases (J00-J99 of International Classification of Diseases - CID-10) caused by particulate matter with an aerodynamic diameter less than or equal to 10 μm. As input, meteorological variables (temperature and humidity) were also considered. As a case study, the city of São Paulo was considered. Both neural networks were implemented using the programming language Python version 3.7 with the help of the Scikit-learn and Numpy libraries. The health effects of pollution may occur sometime after exposure. Therefore, it is essential to model health effects on the day of pollution exposure (lag0) to seven days after exposure (lag7). The metrics used to evaluate the networks were Mean Square Error (MSE) and Mean Absolute Error (MAE). The best results presented by MAE for the tested MLP were for lag 0, presenting a value of 34.38, while for ELM the best result was for lag 7, presenting a value of 40.35. For the case of the MSE, the MLP presented the best result for lag 0, with a value of 1,820.18, while for the ELM, the best result was for lag 2, with a value of 2,585.73. The neural networks proved to be a robust forecasting tool, and the MLP had a better ability to perform forecasts. It was possible to observe a limitation of the generalization capacity of the networks, which is justifiable by the complexity of the problem and because it depends on other variables (age, gender, social status, among others) that were not considered in the work. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/31301 |
| Aparece nas coleções: | PG - Engenharia Química |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| poluicaoatmosfericaprevisaointernacoes.pdf | 1,26 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
