Pronóstico del COVID-19 en Colombia utilizando Redes Neuronales Recurrentes con celdas de gran memoria de corto plazo y unidades recurrentes cerradas

Autores/as

  • Yeison Armando Buitrago López Universidad Distrital Francisco José De Caldas
  • Luis Alejandro Másmela Caita Universidad Distrital Francisco José De Caldas

Palabras clave:

Redes Neuronales Recurrentes, COVID-19, RNN, GRU, LSTM

Resumen

El 6 de marzo del 2020, el primer caso de COVID-19 fue reportado en Colombia, este virus, declarado como una emergencia de salud pública de importancia internacional ha afectado diferentes sectores. Existe un auge en cuanto al número de estudios que buscan hacer pronósticos en diversos aspectos que tienen que ver con este virus. El presente trabajo muestra los aspectos teóricos de las redes neuronales recurrentes y se utilizan para crear una predicción de 60 días sobre los casos acumulados, fallecidos acumulados y recuperados acumulados disponibles desde el 6 de marzo del 2020 hasta el 6 de marzo del 2022. Redes neuronales con celdas GRU y LSTM junto con las clásicas RNN fueron utilizadas para hacer estos pronósticos.

Citas

J. Brownlee. Deep Learning for Time Series Forecasting. Machine Learning Mastery, fourth edition, 2018.

Y. Buitrago. Pronóstico del COVID-19 en Colombia. https://github.com/YeisonABL/Pronostico_Colombia_COVID19, 2022. [En línea; acceso 6/marzo/2022].

U. o. T. Computer Science. Lecture 15: Exploding and Vanishing Gradients. https://www.cs.toronto.edu/~rgrosse/courses/csc321_2017/readings/L15%20Exploding%20and%20Vanishing%20Gradients.pdf, 2022. [En l ́ınea; acceso Enero/2022].

I. et al. Comparative analysis and forecasting of covid-19 cases in various european countries with arima, narnn and lstm approaches. ELSEVIER, 2020.

K. A. et al. Forecasting of covid-19 using deep layer recurrent neural networks (rnns) with gated recurrent units (grus) and long short-term memory (lstm) cell. ELSEVIER, mar 2021a.

R. K. et al. Covid-19 in iran: Forecasting pandemic using deep learning. Hindawi, 2021b.

M. C. K. A. R. R. J. Filippo Maria Bianchi, Enrico Maiorino. Recurrent Neural Networks for Short-Term Load Forecasting. Springer, first edition, 2017.

U. . M. Johns Hopkins. Coronavirus Resource Center . https://coronavirus.jhu.edu/, 2022. [En línea; acceso Enero/2022].

M. S. Ke-Lin Du. Neural Networks and Statistical Learning. Springer, 2019.

MIT. MIT 6.S191: Recurrent Neural Networks and Transformers. https://youtu.be/QvkQ1B3FBqA, 2022a. [En línea; acceso Enero/2022].

MIT. Mit 6.s191: Recurrent neural networks and transformers, mar 2022b. URL https://www.youtube.com/watch?v=QvkQ1B3FBqA&t=2101s&ab_channel=AlexanderAmini. Youtube.

G. Nacional. Datos Abiertos de Colombia. https://www.datos.gov.co/, 2022. [En línea; acceso 6/marzo/2022].

S. rekja Hanumanthu. Role of intelligent computing in covid-19 prognosis: A state-of-the-art review. Pre-proof, 2020.

Y. Tamura. Simple RNN: the first foothold for understanding LSTM. https://data-science-blog.com/blog/2020/06/17/simple-rnn-the-first-foothold-for-understanding-lstm/, 2020. [En línea; acceso 6/marzo/2022].

A. M. S. H.-G. Zimmermann. Recurrent neural networks are universal approximators. International Journal of Neural Systems, 17, 2007.

Descargas

Publicado

2022-11-04

Cómo citar

Buitrago López, Y. A., & Másmela Caita, L. A. (2022). Pronóstico del COVID-19 en Colombia utilizando Redes Neuronales Recurrentes con celdas de gran memoria de corto plazo y unidades recurrentes cerradas. Comunicaciones En Estadística, 15(2), 16–38. Recuperado a partir de https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/8106

Número

Sección

Artículos