Predictive Forecasting of Care Load & Placement Demand

Gerir o cuidado de crianças que chegam a um país sem os seus pais é uma tarefa que exige precisão, previsão e uma compreensão profunda do movimento humano. Quando milhares de jovens atravessam fronteiras e entram sob custódia governamental, os funcionários devem saber quantos leitos, membros da equipa e recursos serão necessários amanhã, na próxima semana ou no próximo mês. Não se trata meramente de contar cabeças; é um quebra-cabeças complexo de tempo e fluxo. O desafio reside em prever quantos niños estarão sob cuidados em qualquer momento dado, um número que muda diariamente com base em novas chegadas, transferências para outras instalações e partidas. Para resolver isto, os investigadores recorrem à ciência da previsão de séries temporais, um método que observa padrões passados para antecipar tendências futuras. Ao estudar o ritmo dos dados históricos — como os números sobem e descem ao longo do tempo — os analistas podem construir modelos que atuam como um relatório meteorológico para as necessidades populacionais, oferecendo um vislumbre do futuro para ajudar as organizações a preparar-se.

Num estudo recente, investigadores do Instituto de Tecnologia Chaitanya Bharathi, em Hyderabad, abordaram este problema específico utilizando dados do Departamento de Saúde e Serviços Humanos dos Estados Unidos. Eles focaram-se no programa "Unaccompanied Alien Children" (Crianças Estrangeiras Não Acompanhadas), que monitoriza os números diários de menores sob cuidados governamentais. A equipa reuniu um conjunto de dados contendo mais de mil registos diários, abrangendo desde o início de 2023 até ao final de 2025. Após limparem os dados para remover lacunas e inconsistências, restaram-lhes 720 contagens diárias fiáveis de crianças sob cuidados. O seu objetivo era construir um sistema que pudesse observar este histórico e prever a procura dos próximos trinta dias com elevada precisão.

Para realizar estas previsões, os investigadores não confiaram num único método. Em vez disso, construíram um pipeline que combinou técnicas estatísticas tradicionais com aprendizagem automática moderna. Eles ensinaram o computador a reconhecer padrões ao alimentá-lo com pistas específicas derivadas do passado. Estas pistas incluíam quantas crianças estavam sob cuidados um dia atrás, uma semana atrás e duas semanas atrás, bem como as médias dos números da última semana e das duas últimas semanas. Também adicionaram medidas de quanto os números oscilaram no curto prazo e um cálculo da "pressão" no sistema, que comparava quantas crianças estavam a ser transferidas para os cuidados contra quantas estavam a ser dadas como altas. Ao incluir o dia da semana e o mês, o sistema também podia contabilizar mudanças semanais ou sazonais regulares.

A equipa testou várias abordagens diferentes para ver qual funcionava melhor. Começaram com métodos simples, como assumir que o amanhã seria exatamente igual ao hoje, e avançaram para modelos estatísticos mais complexos que consideram tendências. Finalmente, treinaram poderosas ferramentas de aprendizagem automática conhecidas como Random Forests e Gradient Boosting. Estas ferramentas funcionam através da construção de muitas árvores de decisão que votam na resposta, permitindo-lhes detetar relações complexas e não lineares nos dados que métodos mais simples poderiam perder. Os investigadores dividiram os seus dados cuidadosamente, utilizando os registos anteriores para treinar os modelos e guardando os últimos trinta dias de dados para testar o desempenho dos modelos em informações não vistas. Esta abordagem garantiu que a avaliação fosse justa e que os modelos não estivessem simplesmente a memorizar o passado.

Os resultados ofereceram um quadro claro do que o futuro poderá trazer para o próximo mês. O sistema previu um aumento gradual e constante no número de crianças sob cuidados, subindo de aproximadamente 2.274 no início do período de previsão para cerca de 2.324 no final. A previsão média para esta janela de trinta dias foi de aproximadamente 2.299 crianças. Quando os investigadores verificaram o quão próximas estas previsões estavam dos números reais no período de teste, descobriram que o erro médio era de cerca de 15 crianças por dia. Em termos percentuais, esta taxa de erro era muito pequena, situando-se em cerca de 0,64 por cento. Este nível de precisão sugere que os modelos estão a capturar a dinâmica subjacente do sistema de forma suficientemente boa para serem úteis para o planeamento.

No entanto, o estudo também revelou uma nuance importante sobre como estas ferramentas são utilizadas. Embora os investigadores tenham guardado um modelo Random Forest como sua ferramenta final para implementação, os números de erro específicos que reportaram foram calculados após a execução de um modelo diferente, o Gradient Boosting. Isto significa que a ferramenta guardada e as métricas de desempenho reportadas não coincidem perfeitamente na versão atual do projeto. Os autores reconhecem isto e observam que uma versão futura do trabalho deve garantir que o modelo com melhor desempenho seja o que é guardado e utilizado. Apesar deste detalhe técnico, o projeto demonstrou com sucesso que uma combinação de dados históricos, pistas operacionais e aprendizagem automática pode produzir uma previsão fiável.

Os investigadores também notaram que os dados mostraram uma mudança significativa no início de 2025, onde o número de crianças sob cuidados caiu drasticamente de mais de 6.000 em janeiro para cerca de 2.000 em abril. Este tipo de mudança súbita, ou "mudança de regime", é difícil de prever, e o estudo destaca a necessidade de modelos que possam adaptar-se a tais quebras estruturais. O sistema final foi encapsulado num dashboard intuitivo, permitindo que os funcionários visualizem os dados, vejam a previsão num gráfico e descarreguem as previsões para seu próprio uso. Ao transformar números brutos num panorama claro de trinta dias, este trabalho fornece uma ferramenta prática para o planeamento de capacidade, ajudando as organizações a gerir pessoal, espaço de abrigo e transporte com maior confiança. O estudo conclui que, embora o modelo atual seja um ponto de partida sólido, as melhorias futuras se focarão em comparar todos os modelos de forma mais rigorosa e em adicionar ferramentas para medir a incerteza das previsões, garantindo que os decisores tenham a informação mais robusta possível.