Exploración del uso de técnicas de machine learning para obtener proyecciones del comportamiento de la pandemia Covid 19

Prado Medina, Santiago; Quintero Rodriguez, Santiago Andres

dc.contributor.advisor	Velasco Toledo, Nelson Fernando
dc.contributor.author	Prado Medina, Santiago
dc.contributor.author	Quintero Rodriguez, Santiago Andres
dc.date.accessioned	2021-08-30T22:01:20Z
dc.date.available	2021-08-30T22:01:20Z
dc.date.issued	2020-09-21
dc.identifier.uri	http://hdl.handle.net/10654/38613
dc.description.abstract	Este trabajo consistió en la realización de una serie de predicciones de la pandemia covid-19 en Colombia. Presentándose 2 tipos de modelos, modelos de machine learning y modelos analíticos basados en ecuaciones diferenciales. De modelos analíticos se realizaron 2 y de modelos basados en machine learning 3, posteriormente se realizaron las correspondientes evaluaciones de los modelos y su comparación, encontrando que modelos son los que presentan el mejor desempeño en este problema en particular.	spa
dc.description.tableofcontents	CAPÍTULO 1. INTRODUCCIÓN 5 1.1. MOTIVACIÓN 5 1.2. ANTECEDENTES 8 1.3. PLANTEAMIENTO DEL PROBLEMA 8 1.4. JUSTIFICACIÓN 11 1.6. OBJETIVOS 11 1.6.1. OBJETIVO GENERAL 11 1.6.2. OBJETIVOS ESPECÍFICOS 11 CAPÍTULO 2. MODELOS EPIDEMIOLÓGICOS BASADOS EN ECUACIONES DIFERENCIALES 12 2.1 MODELOS EPIDEMIOLÓGICOS Y SUS VARIANTES 12 2.1.1. MODELO SIR 12 2.1.2. MODELO SEIR 14 2.1.2.1. MODELO SEAIR/SEIAR 15 2.2. USO DE MODELOS EN COLOMBIA 17 2.3. IMPLEMENTACIÓN DE MODELOS ESTÁTICOS 19 2.3.1. MODELO SIR 19 2.3.2. MODELO SEIR 22 2.3.4. ANÁLISIS DE MODELOS ESTÁTICOS 25 2.4. IMPLEMENTACIÓN MODELOS CON VALORES DE R0 DINÁMICOS 26 2.4.1 MODELO SIR 26 2.4.2. MODELO SEIR 26 2.4.3. ANÁLISIS DE MODELOS DINÁMICOS 27 CAPÍTULO 3. TÉCNICAS DE MACHINE LEARNING PARA SERIES DE TIEMPO 28 3.1. REGRESIÓN LINEAL 28 3.1.1. ESTIMACIÓN POR MÍNIMOS CUADRADOS 29 3.2. SUPPORT VECTOR MACHINE (SVM) 31 3.2.1. SVM EN SERIES DE TIEMPO 32 3.2.2. KERNEL RADIAL BASIS FUNCTION (RBF) 33 3.3.LONG SHORT TERM MEMORY ( LSTM) 33 CAPÍTULO 4. IMPLEMENTACIÓN Y VALIDACIÓN DE MODELOS 35 4.1. DATASET 35 4.2. PREPROCESAMIENTO DE DATOS 37 4.3. ESQUEMA DE VALIDACIÓN 38 4.4. APLICACIÓN DE MODELOS CLÁSICOS 40 4.4.1. SIR 41 4.4.2. SEIR 45 4.5. APLICACIÓN DE MODELOS DE MACHINE LEARNING 50 4.5.1 REGRESIÓN LINEAL 50 4.5.2. SUPPORT VECTOR REGRESSION (SVR) 54 3 4.5.3 LONG SHORT TERM MEMORY (LSTM) 61 CAPÍTULO 5 - CONCLUSIONES Y TRABAJOS FUTUROS 68 5.1. CONCLUSIONES 68 5.2. TRABAJOS FUTUROS 69 BIBLIOGRAFÍA 70 ANEXOS 74	spa
dc.format.mimetype	applicaction/pdf	spa
dc.language.iso	spa	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.title	Exploración del uso de técnicas de machine learning para obtener proyecciones del comportamiento de la pandemia Covid 19	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.subject.lemb	EPIDEMIOLOGIA - MODELOS MATEMATICOS	spa
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado	spa
dc.description.abstractenglish	This work consisted of making a series of predictions of the covid-19 pandemic in Colombia. Presenting 2 types of models, machine learning models and analytical models based on differential equations. Two of analytical models were carried out and 3 of models based on machine learning, later the corresponding evaluations of the models and their comparison were carried out, finding which models are the ones that present the best performance in this particular problem.	spa
dc.title.translated	Exploring the use of machine learning techniques to obtain projections of the behavior of the Covid 19 pandemic	spa
dc.subject.keywords	Machine learning	spa
dc.subject.keywords	Epidemiology	spa
dc.subject.keywords	Linear Regression	spa
dc.subject.keywords	Support Vector Machine	spa
dc.subject.keywords	Long Short Term Memory	spa
dc.subject.keywords	Deep Learning	spa
dc.publisher.program	Ingeniería en Mecatrónica	spa
dc.creator.degreename	Ingeniero en Mecatrónica	spa
dc.description.degreelevel	Pregrado	spa
dc.publisher.faculty	Facultad de Ingeniería	spa
dc.type.driver	info:eu-repo/semantics/bachelorThesis	spa
dc.subject.armarc	EPIDEMIAS	spa
dc.subject.armarc	COVID-19 (ENFERMEDAD)	spa
dc.rights.creativecommons	Attribution-NonCommercial-NoDerivatives 4.0 International	spa
dc.relation.references	Organización mundial de la salud, «COVID-19: cronología de la actuación de la OMS», who.int, 2020. https://www.who.int/es/news/item/27-04-2020-who-timeline---covid-19.	spa
dc.relation.references	REDACCIÓN MÉDICA, «La OMS declara la alerta internacional ante la expansión del coronavirus», ene. 30, 2020.	spa
dc.relation.references	Semana, «¡Sin camas! La odisea de pacientes covid para encontrar cupo en las UCI», ene. 09, 2021.	spa
dc.relation.references	M. C. Torres y M. I. Magaña, «En datos: La capacidad instalada del sistema de salud colombiano», Colombiacheck, abr. 01, 2020. https://colombiacheck.com/investigaciones/en-datos-la-capacidad-instalada-del-sistemade-salud-colombiano.	spa
dc.relation.references	infobae, «Así está la ocupación de camas UCI en las principales ciudades de Colombia», ene. 10, 2021. https://www.infobae.com/america/colombia/2021/01/11/asi-esta-la-ocupacion-de-camas -uci-en-las-principales-ciudades-de-colombia/.	spa
dc.relation.references	Ministerio de Salud, «Total de camas UCI en el país para la atención de covid-19 incrementó 91%», minsalud, sep. 07, 2020. https://www.minsalud.gov.co/Paginas/Total-de-camas-UCI-en-el-pais-para-la-atencionde-covid-19-incremento-91.aspx.	spa
dc.relation.references	El tiempo, «Conozca dónde y cómo puede hacerse la prueba de covid-19 en su ciudad», dic. 18, 2020.	spa
dc.relation.references	Instituto Nacional de Salud- Colombia & Observatorio Nacional de Salud, «Modelo de transmisión de coronavirus COVID-19», abr. 2020. https://www.ins.gov.co/Direcciones/ONS/SiteAssets/Modelo%20COVID-19%20Colom bia%20INS_v5.pdf.	spa
dc.relation.references	B. Ndiaye, L. Tendeng, y D. Seck, «Analysis of the COVID-19 pandemic by SIR model and Machine Learning technics for forecasting». arxiv.org, abr. 03, 2020, [En línea]. Disponible en: https://arxiv.org/abs/2004.01574.	spa
dc.relation.references	M. Baldé, «Fitting SIR model to COVID-19 pandemic data and comparative forecasting with Machine Learning». Medrxiv, may 01, 2020, [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.04.26.20081042v1.	spa
dc.relation.references	Google, «Coronavirus (COVID 19)», Google Noticias, 2021. https://news.google.com/covid19/map?hl=es-419&gl=CO&ceid=CO%3Aes-419.	spa
dc.relation.references	Organización mundial de la Salud & Organización panamericana de la Salud, «Reportes de Situación COVID-19: Colombia \| OPS/OMS \| Organización Panamericana de la Salud», Reportes de Situación COVID-19: Colombia, 2021. https://www.paho.org/es/reportes-situacion-covid-19-colombia.	spa
dc.relation.references	Google, «Coronavirus (COVID 19) - Colombia», Google News, 2021. .	spa
dc.relation.references	N. Sebastian, «La respuesta inmunitaria frente a la COVID-19.», Gaceta Médica., ene. 07, 2021. https://gacetamedica.com/investigacion/la-respuesta-inmunitaria-frente-a-la-covid-19-d uraria-entre-6-y-9-meses-y-la-posibilidad-de-reinfeccion-es-baja/.	spa
dc.relation.references	O. A. Montesinos y C. M. Hernández, Modelos matemáticos para enfermedades infecciosas. Scientific Electronic Library Online, 2007.	spa
dc.relation.references	] Bill & Melinda Gates Foundation, «SIR and SIRS models — Generic Model documentation», EMOD, 2021. https://docs.idmod.org/projects/emod-generic/en/latest/model-sir.html.	spa
dc.relation.references	«R_t COVID-19 Colombia», Sociedad Colombiana de Matemáticas, 2020. 69 http://scm.org.co/r0-covid-19/.	spa
dc.relation.references	M. Dashtbali, «Optimal control and differential game solutions for social distancing in response to epidemics of infectious diseases on networks». Wiley Online Library, nov. 01, 2020, [En línea]. Disponible en: https://onlinelibrary.wiley.com/doi/full/10.1002/oca.2650.	spa
dc.relation.references	Bolyai Institute & University of Szeged, «Influenza models with Wolfram Mathematica». 2011, [En línea]. Disponible en: http://www.math.u-szeged.hu/~rost/papers/Rost2011ebookKnipl.pdf.	spa
dc.relation.references	INS Instituto Nacional de Salud, «COVID-19 en Colombia», COVID-19 en Colombia. Instituto Nacional de Salud- Página Oficial, 2021. https://www.ins.gov.co/Noticias/Paginas/coronavirus-conglomerados.aspx.	spa
dc.relation.references	Observatorio de salud de Bogotá, «Enfermedades transmisibles - Modelo COVID», Saludata, 2021. https://saludata.saludcapital.gov.co/osb/index.php/datos-de-salud/enfermedades-trasmisi bles/modelo-covid/.	spa
dc.relation.references	Sociedad Colombiana de Matemáticas, «Recuperado 2021», MATCOVID-19 – Sociedad Colombiana de Matemáticas., 2021. https://scm.org.co/matcovid-19-webinars/.	spa
dc.relation.references	Institute of Global Health, Faculty of Medicine, University of Geneva, & Swiss Data Science Center, ETH Zürich-EPFL, «COVID-19 Daily Epidemic Forecasting». 2021, [En línea]. Disponible en: https://renkulab.shinyapps.io/COVID-19-Epidemic-Forecasting/_w_0db15ef2/?tab=jhu _pred&country=Switzerland.	spa
dc.relation.references	Banco Central de Chile., «Real-Time Estimates of the Effective Reproduction Rate (R ) of COVID-19. Tracking R». 2021, [En línea]. Disponible en: http://www.globalrt.live/.	spa
dc.relation.references	Sociedad Colombiana de Matemáticas, «Modelamiento COVID-19», Sociedad Colombiana de Matemáticas, 2021. https://scm.org.co/modelamiento-covid-19/#1588342484246-0aa7f910-0bb6.	spa
dc.relation.references	Instituto Nacional de Salud., «Estimación de número reproductivo efectivo Rt para COVID 19 en Colombia», Número reproductivo efectivo Rt Nacional, 2021. https://www.ins.gov.co/Direcciones/ONS/modelos-de-estimacion.	spa
dc.relation.references	Scientific Electronic Library Online, «Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia». Revista pública, 2020, [En línea]. Disponible en: http://www.scielo.org.co/pdf/rsap/v22n2/0124-0064-rsap-22-02-e286432.pdf.	spa
dc.relation.references	C. Tomé, «El modelo SIR, un enfoque matemático de la propagación de infecciones». Cuaderno de Cultura Cientifica, ago. 24, 2020, [En línea]. Disponible en: https://culturacientifica.com/2020/08/24/el-modelo-sir-un-enfoque-matematico-de-la-pr opagacion-de-infecciones/.	spa
dc.relation.references	S. Garhawl, A. Ahmad, S. Ray, G. Kumar, S. Malebary, y O. Barukab, «The Number of Confirmed Cases of Covid-19 by using Machine Learning: Methods and Challenges». Springer Link, ago. 04, 2020.	spa
dc.relation.references	M. Akhtar, M. Kraemer, y L. Gardner, «A dynamic neural network model for predicting risk of Zika in real time». BMC Medicine, sep. 02, 2019, [En línea]. Disponible en: https://bmcmedicine.biomedcentral.com/articles/10.1186/s12916-019-1389-3?ref=hacke rnoon.com.	spa
dc.relation.references	K. Murphy, Probabilistic Machine Learning: An Introduction. MIT Press, 2021.	spa
dc.relation.references	A. Menon, «Linear Regression Using Least Squares», Towardsdatascience.com, sep. 08, 2018. https://towardsdatascience.com/linear-regression-using-least-squares-a4c3456e8570.	spa
dc.relation.references	G. Rajan, G. Pandey, P. Chaudhary, y S. Pal, «SEIR and Regression Model based COVID-19 outbreak predictions in India». medRixiv, abr. 03, 2020, [En línea]. 70 Disponible en: https://www.medrxiv.org/content/10.1101/2020.04.01.20049825v1.	spa
dc.relation.references	M. Batista, «Estimation of the final size of the COVID-19 epidemic». medRixiv, feb. 28, 2020, [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.02.16.20023606v5.	spa
dc.relation.references	M. Batista, «Estimation of the final size of the second phase of the coronavirus COVID 19 epidemic by the logistic model». medRixiv, mar. 17, 2020, [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.03.11.20024901v2.	spa
dc.relation.references	J. P. Rueda, «Así va Colombia en pruebas para detectar covid-19», ago. 13, 2020.	spa
dc.relation.references	Y. Li et al., «COVID-19 Epidemic Outside China: 34 Founders and Exponential Growth». medRixiv, mar. 05, 2020, [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.03.01.20029819v2.	spa
dc.relation.references	J. Rodrigo, «Máquinas de Vector Soporte (Support Vector Machines, SVMs)». www.cienciadedatos.net, abr. 2017, [En línea]. Disponible en: https://www.cienciadedatos.net/documentos/34_maquinas_de_vector_soporte_support_ vector_machines#M%C3%A1quinas_de_Vector_Soporte.	spa
dc.relation.references	T. Sharp, «An Introduction to Support Vector Regression (SVR)», Towardsdatascience.com, mar. 03, 2020. https://towardsdatascience.com/an-introduction-to-support-vector-regression-svr-a3ebc1 672c2.	spa
dc.relation.references	V. Singh et al., «Prediction of COVID-19 corona virus pandemic based on time series data using support vector machine». tandfonline, dic. 14, 2020, [En línea]. Disponible en: https://www.tandfonline.com/doi/abs/10.1080/09720529.2020.1784535.	spa
dc.relation.references	F. Rustam et al., «COVID-19 Future Forecasting Using Supervised Machine Learning Models». IEEE Xplore, may 25, 2020, [En línea]. Disponible en: https://ieeexplore.ieee.org/document/9099302.	spa
dc.relation.references	S. Sreenivasa, «Radial Basis Function (RBF) Kernel: The Go-To Kernel», towardsdatascience.com, oct. 12, 2020. https://towardsdatascience.com/radial-basis-function-rbf-kernel-the-go-to-kernel-acf0d2 2c798a.	spa
dc.relation.references	A. Mañas, «Notas sobre pronóstico del flujo de tráfico en la ciudad de Madrid», bookdown.org, jun. 16, 2019. https://bookdown.org/amanas/traficomadrid/resumen.html.	spa
dc.relation.references	Z. Yang et al., «Modified SEIR and AI prediction of the epidemics trend of COVID-19 in China under public health interventions.» PMC, mar. 12, 2020, [En línea]. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7139011/.	spa
dc.relation.references	S. Bandyopadhyay y S. Dutta, «Machine Learning Approach for Confirmation of COVID-19 Cases: Positive, Negative, Death and Release». medRixiv, mar. 30, 202d. C., [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.03.25.20043505v1.	spa
dc.relation.references	R. Salas, «Redes Neuronales Artificiales. Redes Neuronales Artificiales.» Universidad de Valparaiso, 2021, [En línea]. Disponible en: https://d1wqtxts1xzle7.cloudfront.net/50358783/Redes_Neuronales_Artificiales.pdf?14 79332205=&response-content-disposition=inline%3B+filename%3DRedes_Neuronales _Artificiales.pdf&Expires=1615913947&Signature=BizcRaXlTjoU4xI8oODm4iW3orE SZP272uj9jVq4Z-WuheWSNfp~gfY4G0l2TyyCZYzue4bWLHEOPGg06fwnYVv~SxT cdsOgo2G5cLbeneWLSvfQX1Bn~OPvtGCev0lgu314kn-4PkQ1i4VfDJ26bdPrbRcq6r OoecpjY6wE2JcMVAXAi1oywlgiYyLReOgWrHxsLDrVD~JafEaOLCcvlWeQnYVC~ LM6birjhyqyvuAhqx4~oe6~IhFI32Dnt2Q2bR-uHfuJJExf5GxDdOD-Zfl3D~~OtAMfu TUpvzFJZ4-MWyBQcWgecjQjgxehJHUyVbWvs8ELJGcW-9eRPmtu1A__&Key-PairId=APKAJLOHF5GGSLRBV4ZA.	spa
dc.relation.references	D. Matich, «Redes Neuronales: Conceptos Básicos y Aplicaciones.» Universidad 71 tecnologica nacional, 2001, [En línea]. Disponible en: https://d1wqtxts1xzle7.cloudfront.net/36957218/redesneuronales.pdf?1426217658=&re sponse-content-disposition=inline%3B+filename%3DRedes_Neuronales_Conceptos_B asicos_y_Apl.pdf&Expires=1615915935&Signature=Aka6kUaRRgbX2M~cM8OJJS3S SInVoXf8nx4lJ1z3hOU21BjlM74JXS4BVQrzFqiLfD9v7bkL5kNINn5XdIXw2Y3ytHJ qY0gMoA0JutwF4apv81W~qi8iZORKgI7rVOhJ9ryeJJyfFZaH1WhbHaHAIzP~-NgO ROZY0Oj5S5IIvE4SYRsuOsdrR4Hxqwc-YEgEJhGQx6GBGYWFoWyU1ENLnFsHx 4AUbSil~tu-AmJ-mHbBGaQSycCTthf6ARvHuJo4l0uxEDX5J5DDN2XSTdaZ0n4QO AUZJpYnp0KfkzR8LV8gdUSSef95XspPtRwE8mqadGOXBnq8xyOoZjRpAnDfRQ__ &Key-Pair-Id=APKAJLOHF5GGSLRBV4ZA.	spa
dc.relation.references	H. Tandon, P. Ranjan, T. Chakraboty, y V. Suhag, «Coronavirus (COVID-19): ARIMA based time-series analysis to forecast near future». arxiv.org, abr. 16, 2020, [En línea]. Disponible en: https://arxiv.org/abs/2004.07859.	spa
dc.relation.references	M. Maleki, M. Mahmoudi, D. Wraith, y K.-H. Pho, «Time series modelling to forecast the confirmed and recovered cases of COVID-19». sciencedirect, mar. 13, 2020, [En línea]. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S1477893920302210.	spa
dc.relation.references	D. Parbat y M. Chakraborty, «A python based support vector regression model for prediction of COVID19 cases in India». sciencedirect, may 31, 2020, [En línea]. Disponible en: https://www.sciencedirect.com/science/article/pii/S0960077920303416.	spa
dc.relation.references	R. Domínguez-Guevara, M. del Cármen Cabrera-Hernández, M. A. Aceves-Fernández, y J. C. Pedraza-Ortega, «Propuesta de red neuronal convolutiva para la predicción de partículas contaminantes PM10». Research in Computing Science, 2019.	spa
dc.relation.references	Keras Team, «Keras documentation: Losses. Keras documentation», 2021. https://keras.io/api/losses/#usage-of-losses-with-compile-amp-fit.	spa
dc.relation.references	Martinez, Jose, «Error Cuadrático Medio para Regresión» iartificial.net, nov. 10, 2020, [En línea]. Disponible en: https://www.iartificial.net/error-cuadratico-medio-para-regresion/ 72	spa
dc.subject.proposal	Machine learning	spa
dc.subject.proposal	Epidemiologia	spa
dc.subject.proposal	Regresion lineal	spa
dc.subject.proposal	Support Vector Machine	spa
dc.subject.proposal	Long Short Term Memory	spa
dc.subject.proposal	Deep Learning	spa
dc.publisher.grantor	Universidad Militar Nueva Granada	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f	*
dc.type.hasversion	info:eu-repo/semantics/acceptedVersion	spa
dc.identifier.instname	instname:Universidad Militar Nueva Granada	spa
dc.identifier.reponame	reponame:Repositorio Institucional Universidad Militar Nueva Granada	spa
dc.identifier.repourl	repourl:https://repository.unimilitar.edu.co	spa
dc.rights.local	Acceso abierto	spa
dc.coverage.sede	Calle 100	spa
dc.rights.coar	http://purl.org/coar/access_right/c_abf2

Archivos en el ítem

Nombre:: PradoMedinaSantiago.pdf
Tamaño:: 2.615Mb
Formato:: PDF
Descripción:: Tesis

Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Ingeniería Mecatrónica [216]

Mostrar el registro sencillo del ítem

Excepto si se señala otra cosa, la licencia del ítem se describe como http://creativecommons.org/licenses/by-nc-nd/4.0/