Made available in DSpace on 2013-08-07T18:43:35Z (GMT). No. of bitstreams: 1 000400741-Texto+Completo-0.pdf: 8197264 bytes, checksum: 06de0e14d6fe03643c75f2ccd841d590 (MD5) Previous issue date: 2007 / Several business processes may be automated using Workflow systems. Some of these processes are strategically important and require tools to allow managerial analyses and assist process managers in decision making. Thus, the application of knowledge discovery techniques regarding records of steps of business processes shows great promise. Yet, the computational environment adopted by KDD may be significantly complex, with steps executed independently such as seen in a service-oriented environment. This architecture poses a problem linked to the exchange of information between process steps, since each service may have been written in different languages and requires data to be allocated as a predefined format. In this case, if the format is exclusive, different applications may operate using the same data, adding an array of procedural options. In this sense, this paper addresses an approach to make independent two steps of the knowledge discovery process: data mining and visualization of results. With this aim, the solution proposed is built on the use of XML and XML Schema technologies for the definition of data output and input structures of algorithms for data mining and visualization techniques. Moreover, the use of XLST techniques contributes to the automation of the transformation of formats. The validation of the solution, which was developed over the pertinent theory, was carried out with experiments that used free code implementation. The main contribution of this paper lies in the generation of exclusive and generic formats for information exchange between the steps mentioned and their transformation. / Diversos processos de negócio das organizações podem ser automatizados com o auxílio de sistemas de Workflow. Alguns deles, estrategicamente importantes, necessitam de ferramentas que permitam análises gerenciais e auxiliem os gestores no processo de tomada de decisão. Neste contexto, a aplicação das técnicas de descoberta de conhecimento sobre os registros de execução das instâncias dos processos de negócio mostra-se uma prática promissora. No entanto, o ambiente computacional utilizado pelas aplicações de KDD pode ser significativamente complexo, tendo suas etapas executadas de forma independente como, por exemplo, em um ambiente orientado a serviços. Esta arquitetura possui um problema relacionado à troca de informações entre as etapas do processo, visto que cada serviço pode ter sido escrito em linguagens diferentes e necessitar que os dados estejam dispostos em um determinado formato. Neste caso, uma vez que este formato seja único, distintas aplicações podem trabalhar utilizando mesmos dados, agregando ao procedimento com diversidade de opções. Seguindo esta problemática, este trabalho versa sobre uma abordagem que visa tornar independentes duas etapas do processo de descoberta de conhecimento: a mineração de dados e a visualização dos resultados. Para isto, a solução proposta está baseada no uso das tecnologias de XML e XML Schema para a definição de estruturas para as saídas e entradas dos algoritmos de mineração e técnicas de visualização. Além disto, o uso de técnicas de XSLT contribui para que a transformação entre estes formatos possa ser realizada de modo automatizado. Para a validação da solução, criada com base teórica, foram realizadas alguns testes utilizando as implementações de código livre. A principal contribuição deste trabalho está na criação de formatos únicos e genéricos para a troca de informações entre as etapas citadas, bem como sua transformação.

Made available in DSpace on 2013-08-07T18:52:54Z (GMT). No. of bitstreams: 1 000395839-Texto+Completo-0.pdf: 1413354 bytes, checksum: 434d075aab87b2e1155b9509585420e5 (MD5) Previous issue date: 2007 / The present paper proposes a model of Efficient Public Lighting System based on the Reluz Program of the Brazilian public lighting system. The program uses new technologies according to the ABNT regulation with the objective of increasing lighting efficiency with less power installation. The importance of this program is on the management of public lighting system with detailed records of existing points in the illumination area, power of installed street lamps and their fittings, which through a database offers information aiming at a technical and economical analysis. It presents considerations on the necessity of including social-behavioral information from IBGE, pointing out the importance of public illumination as a great accident prevention factor in the streets as well as an inhibitor to night illicit trade, crime, and prostitution. With a directory organized in three separate databases, it presents a study of the Data Mining technique in the Efficient Public Lighting System, using algorithm information for the finding of new patterns. The search for new patterns and relationship among the different variables of the data mining technical application is one of the purposes of the present study thus offering database knowledge through the development and implementation of specific algorithms that can support a decision-taking process when identifying, diagnosing and profiling a community. At the end, a new model of Public Illumination management, based on the knowledge gained on mining, was used with practical results that show effectiveness through power consumption reduction, meaningful improvement of the socialbehavioral indexes like urban violence reduction and better community satisfaction. / O presente trabalho propõe um modelo de Sistema de Iluminação Pública Eficiente baseando no Programa Reluz do sistema de iluminação pública brasileiro. Os meios apresentados pelo programa utilizam novas tecnologias de acordo com as normas da ABNT, que têm por objetivo aumentar a eficiência luminosa com a menor potência instalada. Ressalta-se a importância do programa de gestão no sistema de iluminação pública com o cadastramento detalhado dos pontos existentes no parque de iluminação, potência das lâmpadas instaladas, o tipo de luminárias em seus logradouros e, através de um banco de dados, o armazenamento destas informações visando uma análise técnica e econômica. São apresentadas considerações sobre a necessidade de inclusão de dados sócio-comportamental a partir de informações do IBGE, ressaltando-se a importância da iluminação pública como um grande fator preventivo de acidentes nas vias urbanas, bem como inibidor de ações por parte do comércio ilícito, da criminalidade e da prostituição, em horários noturnos. Com o diretório organizado com três bases de dados distintos, apresenta-se um estudo da técnica de Mineração de Dados no sistema Eficiente de Iluminação Pública, utilizando-se as informações dos algoritmos para a descoberta de novos padrões. A busca de novos padrões e relacionamento entre diferentes variáveis da aplicação técnica da mineração de dados é um dos propósitos deste estudo, viabilizando a descoberta do conhecimento em uma base de dados através do desenvolvimento e implementação de algoritmos específicos, que sirvam de suporte à tomada de decisão no processo de identificação, do diagnóstico e do perfil de uma comunidade. Ao final, um novo modelo de gestão de Iluminação Pública, agora baseado no conhecimento adquirido pela mineração, foi empregado, com resultados práticos que mostram efetiva eficiência pela redução de consumo e significativa melhora nos índices sócio-comportamentais, tais como, redução de violência urbana e maior grau de satisfação da comunidade.

Made available in DSpace on 2013-08-07T18:53:41Z (GMT). No. of bitstreams: 1 000403015-Texto+Completo-0.pdf: 1369362 bytes, checksum: 80f10cb0cad2240a06c6783c86c07472 (MD5) Previous issue date: 2008 / Forced outages are one of the most relevant elements of influence in the energy supply interruption and, thus, in the service quality. A correct identification of the causes that led to an outage become essential, once it provides a better way to allocate resources and investments to reduce problems in the electrical system, and, as a consequence, the improvement of reliability indices. To achieve this goal it is necessary to develop tools for the management, analysis and diagnostic of forced outage causes in the electric distribution system. This dissertation presents two methodologies to identify forced outage causes: a probabilistic model using Bayesian Networks, and an Artificial Neural Networks model. Initially, theoretical concepts and definitions required to understand Bayesian Networks and Artificial Neural Networks are presented, followed by a review on basic definitions of distribution system reliability and forced outage causes in the distribution system. After, are described training and validation steps of both forced outage cause identification methods. The knowledge base used for the network learning process was extracted from an event database provided by an electric utility. The knowledge discovery process comprised several stages, including one of data mining. This process turns the database into a more reliable and appropriate format, resulting in 8888 samples for construction, generation of the training and validation dataset of the proposed Bayesian Network and Neural Network models. Both heuristics were validated through the split-half method. The learning process of the Bayesian Network was done using the Expectation Maximization Algorithm, while for Neural Network was used Resilient back propagation learning algorithm, chosen specially because of its fast convergence and good performance. / Os desligamentos não programados são um dos fatores que mais contribuem para a interrupção do fornecimento de energia e, portanto, na qualidade do serviço prestado. Uma correta identificação das causas que originaram os desligamentos tornase cada vez mais indispensável para distribuir de forma mais eficaz os investimentos e recursos para a redução de problemas no sistema elétrico, trazendo como conseqüência direta destes investimentos a melhoria dos índices de confiabilidade. Dessa forma, torna-se necessário o desenvolvimento de ferramentas para gerenciamento, análise e diagnóstico de causas de eventos não programados que ocorrem nos sistema de distribuição das empresas. Nesta dissertação são apresentados dois métodos para identificação da causa de desligamentos não programados na rede de distribuição: um modelo probabilístico utilizando Redes Bayesianas e um modelo usando Redes Neurais Artificiais. Inicialmente é apresentada uma conceituação sobre aspectos teóricos fundamentais ao entendimento de Redes Bayesianas e Redes Neurais Artificiais, seguida de uma revisão sobre definições básicas acerca de confiabilidade e causas de desligamentos em sistemas de distribuição. Após, são descritas as etapas realizadas para treinamento e validação dos dois sistemas de identificação da causa de desligamentos não programados. A base de conhecimento utilizada para o aprendizado foi extraída de um banco de dados de eventos fornecido por uma concessionária de energia, cujo processo de extração de conhecimento consistiu em uma série de etapas, incluindo uma de mineração de dados. Esse processo tornou a base de dados mais confiável e adequada resultando em 8888 amostras para a construção, geração dos conjuntos de treinamento e validação dos modelos de Rede Bayesiana e de Rede Neural utilizados. Ambas heurísticas foram validadas através do método da prova bipartida (split-half method). O processo de aprendizagem da Rede Bayesiana foi realizado através do algoritmo de maximização da expectância (Expectation Maximization), enquanto que para a Rede Neural o algoritmo de treinamento escolhido foi o Resilient back propagation, devido as suas características de desempenho e velocidade de convergência.

Made available in DSpace on 2013-08-07T18:53:46Z (GMT). No. of bitstreams: 1 000388093-Texto+Completo-0.pdf: 2571421 bytes, checksum: 24dba4cbf5ab13c6a005e3d642b95d63 (MD5) Previous issue date: 2006 / The aim of this work is to develop a complete data mining model in a telecommunication company, focusing on client/user of the STFC (Commuted Fixed Telephone Service). Currently, the management of the database containing client information is an essential point in the success of telecommunication companies in the country. With the raise of new communication technologies and with the easy access to broadband and mobile services, there is an increasing number of clients canceling the STFC service. This forces the STFC companies to keep a consistent service process aiming to use well their physical installations and to keep the income. With the development of a data mining model, we generated a system aiming to predict events and to classify clients. The predicted event is called chum (service cancellation) and it is based on classificatory algorithms applied to a real database, containing records such as general information, client relationship and billing. The development of the data mining model was constituted of the following: problem analysis (chum), evaluation and understanding of the data, pre-processing and classification. We studied and used the following three classification algorithms methods for the prediction: Neural Networks RFB (Radial Basis Function), Decision Trees and Bayesian Classifiers. The results obtained validate the model developed by us, allowing the use and improvement in the telecommunication companies. The model can also be used as a generic data mining model, with possible applications in diverse fields related to keeping clients loyalty. / O objetivo desta dissertação é desenvolver um modelo completo de mineração de dados no ambiente de uma operação de telecomunicações, com foco na retenção de clientes usuários do STFC ( Serviço Telefônico Fixo Comutado). Atualmente, a manutenção da base de clientes é ponto crucial para a atuação das operadoras de telecomunicações no país. Com o surgimento de novas tecnologias de comunicação e com a popularização de acessos de banda larga e do SMP (Serviço Móvel Pessoal), as taxas de cancelamentos dos acessos de STFC exigem das operadoras que oferecem o serviço um processo consistente visando à retenção de sua planta física instalada e da receita gerada. Através da construção de um modelo de mineração de dados, formou-se um sistema visando à predição de eventos e a classificação de clientes. O evento a ser previsto é o churn (cancelamento do serviço), com base na utilização de algoritmos classificadores aplicados sobre uma base de dados real, contendo informações cadastrais, de relacionamento com o fornecedor, de consumo e faturamento. A formação do modelo de mineração de dados envolveu as etapas de análise do problema (churn), avaliação e entendimento dos dados, pré-processamento e classificação. Como algoritmos classificadores (utilizados na predição), foram estudados e utilizados três métodos: redes Neurais RBF ( Radial Basis Function), Árvores de Decisão e Classificadores Bayesianos. Os resultados obtidos validam o modelo desenvolvido, permitindo a sua utilização e aperfeiçoamento no ambiente de uma operadora de telecomunicações ou ainda como um modelo genérico de mineração de dados, passível de aplicação em diferentes segmentos envolvendo o problema da retenção e fidelização de clientes.