JAJuan C. Z. Aguilar

Juan C. Z. Aguilar

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Juan C. Z. Aguilar has a total of 4 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • A Deep Learning Approach to Forecast SARS-CoV-2 on the Peruvian Coast

    by I. Luis Aguilar, Miguel Ibáñez-Reluz, Juan C. Z. Aguilar, Elí W. Zavaleta-Aguilar, L. Antonio Aguilar

  • Open Access

    Forecasting SARS-CoV-2 in the peruvian regions: a deep learning approach using temporal convolutional neural networks

    by Luis Aguilar I., Miguel Ibáñez-Reluz, Juan C. Z. Aguilar, Elí W. Zavaleta-Aguilar, L. Antonio Aguilar

    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.