Predição do número de alunos por municípios do projeto “Saúde com Agente” utilizando redes neurais de grafos

Resumen

A previsão de dados espaciais tem ganhado crescente importância em diversas áreas do conhecimento. Nesse contexto, modelos baseados em redes neurais e aprendizado profundo emergem como opções viáveis para realizar tais previsões. Destaca-se o papel das redes neurais de grafos (GNN), as quais são exploradas neste estudo para capturar a dependência espacial. Isso ocorre por meio da agregação realizada entre regiões vizinhas, fundamentada na tendência de regiões próximas de apresentarem comportamentos semelhantes. O foco deste trabalho envolveu a exploração de diferentes configurações de GNNs aplicadas a dados espaciais de área, com o objetivo de predizer o número de alunos do projeto “Saúde com Agente” por município, considerando informações demográficas específicas. Os resultados indicaram desempenho superior dos modelos que utilizam GNN em comparação ao MLP (Rede Neural de Multicamadas) que considera as observações independentes. Além disso, observou-se uma melhoria na qualidade de predição quando camadas lineares foram adicionadas ao modelo GraphConv, para o modelo GENConv não observou-se a mesma tendência. Os modelos são particularmente sensíveis à inicialização dos pesos, essa variabilidade é evidenciada pelo alto desvio padrão do MSE (Erro Quadrático Médio) para o GraphConv e GENConv.