Juan C. Z. Aguilar
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Juan C. Z. Aguilar has a total of 4 co-authors. Here are the top co-authors by number of shared publications:
- Elí Wilfredo Zavaleta Aguilar
Institute of Sciences and Engineering of São Paulo State University (UNESP)
2 shared publications - L. Antonio Aguilar
Artificial Intelligent Research, KapAITech Research Group, Condominio Sol de Chan-Chan
2 shared publications - Luis Aguilar-Ibañez
Departamento de Matemáticas, Peru
2 shared publications - Miguel Ibáñez-Reluz
Hospital Belén de Trujillo. Trujillo, Perú; Escuela de Medicina, Universidad César Vallejo. Trujillo, Perú
2 shared publications
Latest Publications
- 11 September 2021
- Published by Springer Nature
- p. 304-319
A Deep Learning Approach to Forecast SARS-CoV-2 on the Peruvian Coast
- 11 September 2021
- Published by Springer Nature
- p. 304-319
A Deep Learning Approach to Forecast SARS-CoV-2 on the Peruvian Coast
- Open Access
- 30 June 2021
- Published by Universidad Nacional de Trujillo in Selecciones Matemáticas
- Vol. 8 (1) , 12-26
Forecasting SARS-CoV-2 in the peruvian regions: a deep learning approach using temporal convolutional neural networks
La pandemia SARS-CoV-2 ha tomado al mundo por sorpresa desde su descubrimiento en Diciembre del 2019, causando elevadas pérdidas en todo el mundo. En este trabajo, se desarrolló un modelo de aprendizaje profundo para predecir y pronosticar los casos diarios de SARS-CoV-2 en las regiones peruanas. Los datos utilizados pertenecen al conjunto de datos abierto covid-19, proporciondo por el Ministerio de Salud del Perú (MINSA). El conjunto de datos incluye los períodos desde el 03 de Marzo del 2020 hasta el 16 de Marzo del 2021. Se utilizó un enfoque de exclusión, creando datos de entranamiento y validación. Utilizando el conjunto de validación, se desarrolló una red neuronal convolucional temporal (TCN) con cinco capas de profundidad. El modelo se diseño para predecir la tendencia promedio junto con intervalos de predicción. Para encontrar la mejor configuración de hiperparámetros, se aplicó un enfoque bayesiano sobre el conjunto de validación. El modelo TCN se entrenó utilizando la configuración óptima. Una vez entrenado, el modelo fue capaz de predecir las diferentes tendecias de SARS-CoV-2 presentes en las regiones. A continuación, se realizó un pronóstico más allá de los datos disponibles, usando una ventana de 15 dias de adelanto (Marzo 17 a Marzo 31, 2021) para cada región. Resultados del pronóstico sugieren una tendencia sostenida para todas las regiones, con excepción de Lima. La performance del modelo fue evaluada usando las metricas MAE, MAD, MSLE y RMSLE, en el periodo de test, mostrando mejoras de métricas del entrenamiento para la validación del 14.534, 3.123, 0.042, 0.047 respectivamente.
- 30 June 2021
- Published by Universidad Nacional de Trujillo in Selecciones Matemáticas
- Vol. 8 (1) , 12-26
Open AccessForecasting SARS-CoV-2 in the peruvian regions: a deep learning approach using temporal convolutional neural networks
La pandemia SARS-CoV-2 ha tomado al mundo por sorpresa desde su descubrimiento en Diciembre del 2019, causando elevadas pérdidas en todo el mundo. En este trabajo, se desarrolló un modelo de aprendizaje profundo para predecir y pronosticar los casos diarios de SARS-CoV-2 en las regiones peruanas. Los datos utilizados pertenecen al conjunto de datos abierto covid-19, proporciondo por el Ministerio de Salud del Perú (MINSA). El conjunto de datos incluye los períodos desde el 03 de Marzo del 2020 hasta el 16 de Marzo del 2021. Se utilizó un enfoque de exclusión, creando datos de entranamiento y validación. Utilizando el conjunto de validación, se desarrolló una red neuronal convolucional temporal (TCN) con cinco capas de profundidad. El modelo se diseño para predecir la tendencia promedio junto con intervalos de predicción. Para encontrar la mejor configuración de hiperparámetros, se aplicó un enfoque bayesiano sobre el conjunto de validación. El modelo TCN se entrenó utilizando la configuración óptima. Una vez entrenado, el modelo fue capaz de predecir las diferentes tendecias de SARS-CoV-2 presentes en las regiones. A continuación, se realizó un pronóstico más allá de los datos disponibles, usando una ventana de 15 dias de adelanto (Marzo 17 a Marzo 31, 2021) para cada región. Resultados del pronóstico sugieren una tendencia sostenida para todas las regiones, con excepción de Lima. La performance del modelo fue evaluada usando las metricas MAE, MAD, MSLE y RMSLE, en el periodo de test, mostrando mejoras de métricas del entrenamiento para la validación del 14.534, 3.123, 0.042, 0.047 respectivamente.