Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.59254/sbpo-2025-212429
Se você NUNCA registrou um DOI no seu Lattes, veja nosso tutorial!A dengue é uma arbovirose que afeta significativamente a saúde pública, especialmente em regiões tropicais e subtropicais como o Brasil, onde são frequentes os surtos epidêmicos. Antecipar sua disseminação é fundamental para ações preventivas e respostas ágeis dos serviços de saúde. Este estudo avaliou e comparou o desempenho de algoritmos de aprendizado de máquina (Machine Learning) e aprendizado profundo (Deep Learning) na previsão de casos de dengue, utilizando variáveis climáticas e epidemiológicas organizadas de forma temporal. Foram analisados modelos clássicos, como Random Forest, Support Vector Regression (SVR) e Multilayer Perceptron, bem como redes neurais profundas, como Long Short-Term Memory (LSTM) e Convolutional Neural Network (CNN). Os resultados indicaram que o modelo LSTM apresentou o melhor equilíbrio entre acurácia preditiva e tempo de execução, enquanto o SVR destacou-se como alternativa eficiente em cenários com limitações de recursos computacionais.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo