LSTM-RNN Based Approach for Prediction of Dengue Cases in India

Abstract

Data driven health care research is accentuated due to the Gargantua data available in the form of structured and unstructured. Forecasting the impact of infectious and epidemic diseases will be of major assistance to the health care industry. The objective of this work is to study the impact of dengue cases across India by applying the Deep Learning methodologies based on Long Short-Term Memory using Recurrent Neural Networks. The factors considered in the prediction method are climatic conditions, temperature, rainfall data, humidity and population considered for the period between 2014 and 2019. The activation function applied is ReLU and on training the model using LSTM the level of accuracy in forecasting the epidemic is over 89% for infection and for death it is 81%. The Root Mean Square Error values are also computed and it is observed that when the number of iterations is increased the error value decreased. The proposed methodology assists the Health care department to make safety precautions before the outbreak of the dengue fever.

Previsão de casos de dengue através de Machine Learning e Deep Learning: uma revisão sistemática

“…As técnicas de Deep Learning, como é o caso da LSTM, vêm ganhando espaço nos problemas de previsão frente às demais técnicas de Machine Learning. Cientistas atribuem o sucesso da LSTM devido à capacidade de possuir uma memória sobre o que já foi calculado, bem como capacidade de decidir quais dados precisam ser utilizados no futuro ou esquecidos (Doni & Sasipraba, 2020). Essa capacidade credencia as LSTMs na utilização de modelagem de problemas complexos como a previsão de dengue, visto que, vários fatores contribuem para a proliferação da doença: climáticos, sanitários, econômicos e sociais.…”

Utilização de técnicas de Machine Learning e de Deep Learning para a predição de casos de internações causadas por dengue em municípios da Paraíba

“…A ideia por trás das LSTMs é a utilização de células capazes de decidir a curto e longo prazo quais dados devem ser incorporados ou esquecidos. O papel de decisão sobre a incorporação dos dados ou o seu descarte são, respectivamente, papéis do input gate e forget gate [Doni and Sasipraba 2020]. Convolutional Neural Network é uma técnica de DL muito empregada em processamento de imagens.…”

“…Devido à complexidade, inúmeros trabalhos estão utilizando ML e DL durante a predição de doenças. [Doni and Sasipraba 2020], na Índia, conduziram um estudo utilizando as técnicas LSTM, SVR, Extreme Gradient Boosting(XGboost), RF e Generalized additive model (GAM). Na criação dos modelos foram utilizados dados epidemiológicos e climáticos, fornecidos pelo governo, entre os anos de 2015 e 2018.…”

“…As técnicas de ML e de DL vêm sendo utilizadas como ferramentas de apoio ao combate da dengue Doni and Sasipraba (2020), Xu et al (2020) e Mussumeci and Codeço (2020). Por meio da utilização de dados epidemiológicos, climáticos e fatores sociais, pesquisadores estão desenvolvendo modelos de previsão de casos da doença.…”

Knowledge discovery and dengue forecasting applied in a four-year dataset collected at Natal/RN – Brazil

“…Second is to train models that allow dengue forecasting for the Natal city, both by using past samples of dengue cases or previous values of Aedes aegypti eggs count (ovitrap data). In the study we opted to use Long Short Term Memory (LSTM), a neural network model that has been used elsewhere [14]- [16] for dengue time series forecasting, outperforming traditional methods such as Random Forest and Lasso Regression [14]. The novelty of our study related to dengue time series forecasting is to use ovitrap data as predictor in conjunction with LSTM model.…”