Modelagem Baseada em Deep Learning da Sazonalidade da Influenza Usando Redes Convolucionais Temporais

A influenza sazonal permanece como um problema recorrente de saúde pública, exigindo sistemas capazes de antecipar sua dinâmica de transmissão. Este estudo investiga o uso de Redes Neurais Convolucionais Temporais (Temporal Convolutional Networks – TCN) para modelar séries temporais diárias de casos de Síndrome Respiratória Aguda Grave (SRAG) por influenza no Brasil durante o ciclo sazonal 2024–2025. Os dados, obtidos no portal de dados abertos do Ministério da Saúde, foram agregados por dia, suavizados por média móvel de sete dias, e posteriormente normalizados. A série foi estruturada em janelas deslizantes de 14 dias para previsão um passo à frente, com hiperparâmetros ajustados por busca bayesiana utilizando MAPE como métrica a ser otimizada. Foram avaliados dois cenários de divisão temporal: 70%–10%–20% e 40%–10%–50% (treino, validação e teste). Em ambos os cenários, foram analisados horizontes progressivos de previsão dentro do conjunto de teste, variando desde os primeiros dias até todo o período disponível. No primeiro cenário, o modelo apresentou MAPE de 4,6% nos primeiros 15 dias de teste; no segundo, com horizonte de 172 dias, o MAPE foi de aproximadamente 12%. Os resultados indicam que a TCN captura adequadamente tendências e padrões sazonais da série, mostrando potencial como ferramenta de apoio à vigilância epidemiológica.