Análise preditiva de afastamentos por saúde entre servidores do Tribunal Regional Eleitoral do Rio Grande do Norte utilizando redes neurais LSTM
DOI:
https://doi.org/10.33448/rsd-v14i6.49003Palavras-chave:
Gestão de recursos humanos, Saúde ocupacional, Redes Neurais (Computação), Séries temporais.Resumo
A Justiça Eleitoral apresenta como característica ter picos de demanda em anos eleitorais e demanda reduzida em anos não eleitorais, exigindo planejamento estratégico de recursos humanos com movimentações internas de pessoal nos períodos críticos. Dentro desse contexto, este trabalho teve por objetivo predizer afastamentos por motivos de saúde no Tribunal Regional Eleitoral do Rio Grande do Norte (TRE-RN), buscando padrões que auxiliem decisões sobre reforço de pessoal em períodos críticos, através da análise de dados históricos de 15 anos de afastamentos médicos (entre 2010 e 2024). A metodologia incluiu análise de dados de afastamentos com uso de uma rede neural Long Short-Term Memory (LSTM) utilizando a biblioteca PyTorch do Python. Os resultados mostraram a eficácia da LSTM na previsão, apresentando MAE (Erro Absoluto Médio) de 3,14 e RMSE (Raiz do Erro Quadrático Médio) de 4,05, superando o modelo SARIMAX tradicional. A pesquisa contribui para a gestão de recursos humanos no TRE-RN, auxiliando decisões sobre alocação de pessoal em períodos eleitorais, além de fornecer mais subsídios para monitoramento das condições gerais de saúde ocupacional por parte do setor responsável pelos cuidados de saúde dos servidores.
Referências
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.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Flávio Roberto Guerra Seabra; João Carlos Xavier Júnior
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
