Rede híbrida profunda com atenção aditiva para previsão populacional precisa

A previsão populacional é crucial para a tomada de decisões informadas e planejamento estratégico em governo e negócios, pois apoia a alocação eficaz de recursos, desenvolvimento de infraestrutura e prestação de serviços para atender às demandas futuras. No entanto, a previsão populacional precisa para pequenas regiões é desafiadora devido a processos demográficos complexos, escassez de dados e à natureza não linear do crescimento populacional. Apesar dos avanços em métodos de previsão de séries temporais, a pesquisa limitada aplicou aprendizado de máquina à previsão populacional em áreas pequenas, destacando a necessidade de modelos capazes de capturar tendências demográficas complexas para melhorar a precisão. Para enfrentar essas limitações, propomos uma arquitetura de dupla corrente combinando camadas de rede neural convolucional (CNN) e LSTM bidirecional (BiLSTM) com mecanismos de atenção aditiva (Dual-CBA) para previsão populacional em áreas pequenas. A primeira corrente utiliza camadas de CNN para extração de características espaciais, enquanto a segunda corrente emprega uma rede BiLSTM multilayer para modelar dependências temporais, capturando tendências e mudanças demográficas ao longo do tempo. A integração da atenção aditiva permite que o modelo foque em características relevantes nas dimensões espacial e temporal, aprimorando sua capacidade de aprender padrões demográficos complexos e melhorar a precisão da previsão. O Dual-CBA é avaliado em cinco conjuntos de dados, nomeadamente Austrália, Nova Zelândia, Japão, Estados Unidos e Coreia do Sul. Os resultados demonstram que o modelo proposto alcança desempenho superior em termos de MAPE e MedAPE em comparação com as linhas de base. O desempenho do modelo também é examinado para previsões populacionais de 5 e 10 anos, mostrando desempenho ideal ao longo desses períodos. Além disso, também utilizamos o método XAI LIME para avaliar a importância das características por região, fornecendo insights sobre os fatores-chave que influenciam as projeções populacionais.