Análisis predictivo de ausencias por motivos de salud entre funcionarios del Tribunal Regional Electoral de Rio Grande do Norte utilizando redes neuronales LSTM
DOI:
https://doi.org/10.33448/rsd-v14i6.49003Palabras clave:
Redes Neurales (Computación), Gestión de recursos humanos, Salud ocupacional, Series temporales.Resumen
La Justicia Electoral se caracteriza por picos de demanda en años electorales y una demanda reducida en años no electorales, lo que exige una planificación estratégica de recursos humanos con reubicaciones internas de personal durante períodos críticos. En este contexto, este trabajo tuvo como objetivo predecir ausencias por motivos de salud en el Tribunal Regional Electoral de Rio Grande do Norte (TRE-RN), buscando patrones que apoyen decisiones sobre el refuerzo de personal en períodos críticos, a través del análisis de datos históricos de 15 años de ausencias médicas (entre 2010 y 2024). La metodología incluyó el análisis de datos de ausencias utilizando una red neuronal Long Short-Term Memory (LSTM) implementada con la biblioteca PyTorch de Python. Los resultados demostraron la eficacia del modelo LSTM en la predicción, con un Error Absoluto Medio (MAE) de 3,14 y una Raíz del Error Cuadrático Medio (RMSE) de 4,05, superando al modelo SARIMAX tradicional. La investigación contribuye a la gestión de recursos humanos en el TRE-RN, apoyando decisiones sobre la asignación de personal en períodos electorales y proporcionando más información para el monitoreo de las condiciones generales de salud ocupacional por parte del sector responsable del cuidado de la salud de los servidores.
Referencias
Albeladi, K., Zafar, B., & Mueen, A. (2023). Time series forecasting using LSTM and ARIMA. International Journal of Advanced Computer Science and Applications, 14(1), 313–314. https://www.ijacsa.thesai.org
Auffarth, B. (2021). Machine learning for time-series with Python. Packt Publishing.
Brockwell, P. J., & Davis, R. A. (2016). Introduction to time series and forecasting (3rd ed.). Springer.
Cheung, Y.-W., & Lai, K. S. (1998). Power of the augmented Dickey-Fuller test with information-based lag selection. Journal of Statistical Computation and Simulation, 60(1), 57–65.
De Paula, D. M., Xavier Júnior, J. C., & Miranda, K. F. (2020). Aplicação de séries temporais para previsão de despesas de energia elétrica do Tribunal Regional Eleitoral do Rio Grande do Norte. Brazilian Journal of Development, 6(11), 87089–87112.
Dubey, A. K., Kumar, A., García-Díaz, V., Sharma, A. K., & Kanhaiya, K. (2021). Study and analysis of SARIMA and LSTM in forecasting time series data. Sustainable Energy Technologies and Assessments, 47, 101474.
Esculápio, M. (2013). A gestão de recursos humanos no serviço público [Monografia]. Universidade Tecnológica Federal do Paraná.
Faceli, K., Lorena, A. C., Gama, J., Almeida, T. A., & Carvalho, A. C. P. L. F. (2023). Inteligência artificial: Uma abordagem de aprendizado de máquina (2a ed.). LTC.
Fleck, L., Tavares, M. H. F., Eyng, E., Helmann, A. C., & Andrade, M. A. (2016). Redes neurais artificiais: Princípios básicos. Revista Eletrônica Científica Inovação e Tecnologia, 7(15), 47.
Gers, F. A., Schraudolph, N. N., & Schmidhuber, J. (2002). Learning precise timing with LSTM recurrent networks. Journal of Machine Learning Research, 3, 115-143.
Härter, F. P. (2007). Redes neurais recorrentes aplicadas à assimilação de dados em dinâmica não-linear [Tese de doutorado, Instituto Nacional de Pesquisas Espaciais].
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780 .
Livieris, I. E., Pintelas, E., & Pintelas, P. (2020). A CNN–LSTM model for gold price time-series forecasting. Neural Computing and Applications, 32(23), 17351–17360.
Mesquita, L. A. F. (2024). Redes neurais artificiais aplicadas a séries temporais para predição de enchentes [Master's thesis, Instituto de Ciências Matemáticas e de Computação – ICMC-USP].
Meta AI. (2023). PyTorch (Version 2.0.0) [Computer software].https://pytorch.org
Nascimento, E. G. S. et al. (2015). Um algoritmo baseado em técnicas de agrupamento para detecção de anomalias em séries temporais . In: Shitsuka, R. & Shitsuka, D. M. (2015). Estudos e Práticas de Aprendizagem de Matemática e Finanças com Apoio de Modelagem. Editora Ciência Moderna
Nelson, D. M. Q. (2017). Uso de redes neurais recorrentes para previsão de séries temporais financeiras [Master's thesis, Universidade Federal de Minas Gerais].
Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka, R. (2018). Metodologia da pesquisa científica [Recurso eletrônico]. Santa Maria, RS: UAB/NTE/UFSM.
Python Software Foundation. (2023). pmdarima: ARIMA modeling with auto-tuning (Version 2.0.3) [Python package].https://pypi.org/project/pmdarima/
Rostamian, A., & O'Hara, J. G. (2022). Event prediction within directional change framework using a CNN-LSTM model. Neural Computing and Applications, 34(20), 17193-17205 .
Sirisha, U. M., Belavagi, M. C., & Attigeri, G. (2022). Profit prediction using ARIMA, SARIMA and LSTM models in time series forecasting: A comparison. IEEE Access, 10, 124715-124727.
Spancerski, J. S., & Santos, J. A. A. D. (2021). Previsão da produtividade de arroz: Uma aplicação de redes neurais recorrentes LSTM. Revista Cereus, 13(2), 45-62.
The Pandas Development Team. (2020). pandas: Python data analysis library (Version 1.1.2) [Computer software]
Zha, W., Liu, Y., Wan, Y., Luo, R., Li, D., Yang, S., & Xu, Y. (2022). Forecasting monthly gas field production based on the CNN-LSTM model. Energy, 260, 124889.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Flávio Roberto Guerra Seabra; João Carlos Xavier Júnior
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
