A representação do conhecimento de maneira mais fiel possível à realidade é uma meta histórica e não resolvida até o momento na área da Inteligência Artificial. Problemas são resolvidos e decisões são tomadas levando-se em conta diversos tipos de conhecimentos, os quais muitos são tendenciosos, inexatos, ambíguos ou ainda incompletos. A fim de tentar emular a capacidade de representação do conhecimento humano, levando-se em conta as diversas dificuldades inerentes, tem-se construído sistemas computacionais que armazenam o conhecimento das mais diversas formas. Dentro deste contexto, este trabalho propõe um experimento que utiliza duas formas distintas de representação do conhecimento: a simbólica, neste caso BDI, e a probabilística, neste caso Redes Bayesianas. Para desenvolvermos uma prova de conceito desta proposta de representação do conhecimento estamos utilizando exemplos que serão construídos através da tecnologia de programação voltada para agentes. Para tal, foi desenvolvida uma implementação de um Sistema MultiAgente, estendendo o framework Jason através da implementação de um plugin chamado COPA. Para a representação do conhecimento probabilístico, utilizamos uma ferramenta de construção de Redes Bayesianas, também adaptada a este sistema. Os estudos de caso mostraram melhorias no gerenciamento do conhecimento incerto em relação às abordagens de construções de agentes BDI clássicos, ou seja, que não utilizam conhecimento probabilístico. / Achieving faithful representation of knowledge is a historic and still unreached goal in the area of Artificial Intelligence. Problems are solved and decisions are made taking into consideration different kinds of knowledge, from which many are biased, inaccurate, ambiguous or still incomplete. Computational systems that store knowledge in many different ways have been built in order to emulate the capacity of human knowledge representation, taking into consideration the several inherent difficulties to it. Within this context, this paper proposes an experiment that utilizes two distinct ways of representing knowledge: symbolic, BDI in this case, and probabilistic, Bayesian Networks in this case. In order to develop a proof of concept of this propose of knowledge representation, examples that will be built through agent oriented programming technology will be used. For that, implementation of a MultiAgent System was developed, extending the Jason framework through the implementation of a plugin called COPA. For the representation of probabilistic knowledge, a Bayesian Network building tool, also adapted to this system, was used. The case studies showed improvement in the management of uncertain knowledge in relation to the building approaches of classic BDI agents, i.e., that do not use probabilistic knowledge.

Tese de Doutorado apresentada ao Programa de Pós-Graduação em Ciências da Saúde da Universidade do Extremo Sul Catarinense – UNESC, para obtenção do título de Doutor em Ciências da Saúde. / Introduction: Breast Cancer is the most common among women. Epidemiological studies focusing on risk factors and diagnosis are important in the prevention and early detection can increase the likelihood of successful treatment and recovery. During the last two decades few studies have investigated the possible association of human papillomavirus (HPV) to Breast Cancer, as the use of artificial intelligence has become widely accepted in medical applications, and between their applications, the Bayesian Networks have been used as a noninvasive and accurate method to support diagnosis of various cancers including Breast Cancer. Objective: To determine the accuracy of Bayesian Networks to support diagnosis of Breast Cancer (Article 1) and to determine the prevalence of HPV in Breast Cancer (Article 2). Methods: Systematic review and meta-analysis. The search strategy was performed by making an exhaustive search in Medline, CancerLit, Lilacs, Embase, Scopus, Cochrane, IBECS, BIOSIS, Web of Science and Literature Gray, for publications between January 1990 and January 2012 (Article 1) and January 1990 and January 2011 (Article 2). We included primary studies of diagnostic accuracy prospective or retrospective, cross-sectional breast lesions (target conditions) by Bayesian Networks (index test) (Article 1), and case-control or cross-sectional, prospective or retrospective, which assessed the prevalence of HPV in breast lesions (Article 2). The meta-analysis was developed in the Meta-Disc ® software v.1.4 and RevMan 5.0.21. Results: In Article 1, four primary studies, including 1204 breast lesions were analyzed, the prevalence of Breast Cancer was 40.03%, 90% (437/482) of cases of Breast Cancer and 6.51% (47/722) of the cases of benign lesions were positive on Bayesian Networks; a positive result of Bayesian Networks increased the probability of a True Positive of 40.03% to 90.05% (95% CI, 90.0%-90.1%) and a negative result for Bayesian Networks decreased the likelihood occurrence of a false positive of 40.03% to 6.44% (95% CI, 6.40%-6.48%), the area under the curve SROC was 0.97, with a value of point Q* 0.93. In Article 2, 29 primary studies were included, with a total of 2211 samples. The overall prevalence of HPV in patients with Breast Cancer was 23.0% (95% CI, 21.2% -24.8%), and ranged from 13.4% (95% CI, 10.2% - 16%) in Europe to 42.9% (95% CI, 36.4% -49.4%) in North America and Australia. The prevalence of HPV in controls was 12.9%. The combinations of the nine case-control studies showed that Breast Cancer was associated with HPV (odds ratio 5.9, 95% CI 3.26 to 10.67). Conclusions: In Article 1, the pretest probability increased from 40.03% to 90.05% being positive for malignant lesions diagnosed by Bayesian Network, and decreased to 6.44% for a negative result, so our results showed that Bayesian Networks represent an accurate and noninvasive diagnostic support of Breast Cancer. In Article 2, we found a high prevalence of HPV in Breast Cancer. There is strong evidence to suggest that HPV has an important role in the development of this cancer. / Introdução: O Câncer de Mama é o mais comum entre as mulheres. Estudos epidemiológicos com enfoque em fatores de risco e diagnóstico são importantes na prevenção e detecção precoce podendo aumentar a probabilidade de sucesso no tratamento e recuperação. Durante as últimas duas décadas alguns estudos têm investigado a possibilidade de associação do Papilomavírus Humano (HPV) ao Câncer de Mama, assim como o uso de inteligência artificial tornou-se amplamente aceito em aplicações médicas, e entre suas atuações, as Redes Bayesianas têm sido utilizadas como método preciso e não invasivo no apoio ao diagnóstico de diversas neoplasias incluindo o Câncer de Mama. Objetivo: Determinar a acurácia das Redes Bayesianas no apoio ao diagnóstico de Câncer de Mama (Artigo 1); e determinar a prevalência do HPV no Câncer de Mama (Artigo 2). Metodologia: Revisão Sistemática e Metanálise. A estratégia de busca foi realizada fazendo-se uma pesquisa exaustiva nas bases de dados Medline, Cancerlit, Lilacs, Embase, Scopus, Cochrane, IBECS, BIOSIS, Web of Science e Literatura Cinza, por publicações realizadas entre janeiro de 1990 e janeiro de 2012 (Artigo 1), e janeiro de 1990 e janeiro de 2011 (Artigo 2). Foram incluídos estudos primários de acurácia diagnóstica prospectivos ou retrospectivos, transversais, que avaliaram lesões de mama (condições alvo) por meio das Redes Bayesianas (teste em avaliação) (Artigo 1); e de caso-controle ou transversais, prospectivos ou retrospectivos, que avaliaram a prevalência do HPV em lesões mamárias (Artigo 2). A metanálise foi desenvolvida nos softwares Meta-DiSc® v.1.4 e RevMan 5.0.21. Resultados: No Artigo 1, quatro estudos primários, incluindo 1204 lesões mamárias foram analisados; a prevalência de Câncer de Mama foi 40,03%; 90% (437/482) dos casos de Câncer de Mama e 6,51% (47/722) dos casos de lesões benignas foram positivos nas Redes Bayesianas; um resultado positivo das Redes Bayesianas aumentou a probabilidade de ocorrência do um Verdadeiro Positivo de 40,03% para 90,05% (IC 95%, 90,0%-90,1%) e um resultado negativo para as Redes Bayesianas diminuiu a probabilidade de ocorrência de um Falso Positivo de 40,03% para 6,44% (IC 95%, 6,40%-6,48%); a área sob a curva SROC foi de 0,97, com um valor de ponto Q* de 0,93. No Artigo 2, foram incluídos 29 estudos primários, com um total de 2.211 amostras. A prevalência geral do HPV em pacientes com Câncer de Mama foi de 23,0% (IC 95%, 21,2%-24,8%), e variou de 13,4% (IC 95%, 10,2%-16%) na Europa para 42,9% (IC 95%, 36,4%-49,4%) na América do Norte e Austrália. A prevalência de HPV nos controles foi de 12,9%. As combinações dos nove estudos de caso-controle mostrou que o Câncer de Mama foi associado ao HPV (Odds Ratio 5,9-IC 95%, 3,26-10,67). Conclusões: No Artigo 1, a probabilidade pré-teste aumentou de 40,03% para 90,05% sendo positivo para lesões malignas diagnosticadas pela Rede Bayesiana, e diminuiu para 6,44% para um resultado negativo; assim, nossos resultados mostraram que as Redes Bayesianas representam um método preciso e não invasivo de apoio ao diagnóstico de Câncer de Mama. No Artigo 2 encontramos uma alta prevalência de HPV no Câncer de Mama. Há fortes evidências para sugerir que o HPV tenha um papel importante no desenvolvimento desse tipo de câncer.

Made available in DSpace on 2016-06-02T19:05:27Z (GMT). No. of bitstreams: 1 1649.pdf: 1564885 bytes, checksum: e8028ca33a6f5d6183ac9df67a8c1ae9 (MD5) Previous issue date: 2007-08-20 / Classification is a basic task in data analysis and pattern recognition that requires the construction of a classifier. The induction of classifiers from data sets is an important problem in machine learning. Numerous approaches to this problem are based on various representations such as decision trees, neural networks, decision graphs, and rules. However the interest in Bayesianos methods for classification has grown sufficiently. Bayesian Networks (BNs) learning algorithms can be used to induce Bayesian classifiers. However, BNs learning from data is known to be a NP problem and does not have computational methods capable to identify to the best solution for all the application problems. A very common restriction when learning a BN is the definition of a previous Variables Ordering (OV). The OV represent the possible relationships between the variables in the formation of the structure of BN that describes the problem. Using an adequate OV, learning algorithms are capable to find a solution more efficient. Therefore, this work proposes hybrid approaches to help the process of learning a BN from data for classification. The proposed methods named VOGA, VOGAC e VOEA uses Evolutionary Algorithms to optimize the BN learning process by means of the identification of an adequate variables ordering. These methods use information about the class variable when defining the most suitable variable ordering. Experiments performed in a number of datasets revealed that methods are promising / Classificação é uma tarefa importante em análises de dados e reconhecimento de padrões e requer a construção de um classificador. A indução de classificadores a partir de um conjunto de dados é um problema importante em aprendizado de máquina. Diversas abordagens para a resolução deste problema se baseiam em várias representações, como árvores de decisão, redes neurais, grafos de decisão e regras. Entretanto, têm crescido bastante o interesse em métodos Bayesianos para classificação. Os algoritmos de aprendizado de redes Bayesianas podem ser usados para induzir classificadores Bayesianos. Contudo, o aprendizado de redes Bayesianas a partir de dados é um problema NP-Completo e não há métodos computacionais capazes de identificar a melhor solução para todos os problemas de aplicação. Uma restrição comum nestes algoritmos de aprendizado é a ordenação prévia das variáveis utilizadas na definição do problema. As ordenações das variáveis representam os possíveis relacionamentos entre as variáveis na formação da estrutura da rede Bayesiana que descreve o problema. Utilizando uma ordenação adequada das variáveis, os algoritmos de aprendizado são capazes de encontrar uma solução mais eficiente. Sendo assim, são propostos, neste trabalho, métodos híbridos para identificar uma ordenação adequada de variáveis, visando à otimização do aprendizado de redes Bayesianas para a tarefa de classificação. Os métodos propostos, chamados de VOGA, VOGAC e VOEA, utilizam algoritmos evolucionários e algoritmos de aprendizado de redes Bayesianas. Estes métodos usam a informação da variável classe na definição da ordenação mais adequada. Os experimentos executados em alguns domínios de bases de dados revelaram que os métodos propostos são promissores

Made available in DSpace on 2016-06-02T19:05:28Z (GMT). No. of bitstreams: 1 1698.pdf: 1287729 bytes, checksum: 3b1a05110798861ad7e42fd67b1694d6 (MD5) Previous issue date: 2007-10-29 / Universidade Federal de Minas Gerais / The Knowledge Discovery in Databases (KDD) techniques have grown from the need for obtain more information about the data stored by organizations, such as, enterprise companies and research institutes. Bayesian Networks (BNs) can be considered as a probabilistic reasoning based model to represent knowledge and are very adequate to KDD tasks. In the last years, Bayesian Networks (BNs) have been applied in many supervised and unsupervised learning successful applications. The process to induce BNs and Bayesian Classifiers (BCs) from data tries do identify a BN (or a BC) able to represent the relationship among the variables of a certain data set. However, this is a NP-complete problem and, thus, its search space may become very large in most applications. That is the reason why many algorithms explore some way to reduce the search space in order to make the learning process computationally viable. In this master s thesis a new Conditional Independence based approach to induce BCs from data is proposed and implemented. Such approach is based on the Markov Blanket concept in order to impose some constraints and optimize the traditional PC learning algorithm. Experiments performed with ten data sets revealed that the proposed approach tends to execute fewer comparisons than the traditional PC. The experiments also show that the implemented algorithm produce competitive classification rates when compared with both, PC and NaiveBayes / As técnicas de Descoberta de Conhecimento em Bancos de Dados (KDD), também chamadas de Mineração de Dados, surgiram da grande necessidade de se obter mais informação sobre os dados armazenados por organizações, como empresas, grandes corporações e instituições de pesquisa. As Redes Bayesianas (RBs) podem ser consideradas como uma forma de representação do conhecimento baseada no raciocínio probabilístico e possuem características que as tornam muito adequadas para tarefas de descoberta de conhecimento em bancos de dados. Por isso, este é um campo de aplicação efervescente nos últimos anos. O aprendizado automático de RBs e Classificadores Bayesianos (CBs) busca identificar uma RB (ou CB) que represente o relacionamento entre as variáveis de um determinado conjunto de dados, mas como este é um problema NP-completo o espaço de busca se torna muito amplo na maioria das aplicações. Por este motivo, muitos algoritmos exploram alguma forma de redução do espaço de busca para tornar o processo de aprendizado computacionalmente viável. Esta dissertação de mestrado apresenta um método (MarkovPC) de aprendizado de CBs que visa exatamente reduzir o espaço de busca durante a indução de um classificador a partir de dados. Para tanto, toma-se como base algoritmos de aprendizado de RB da classe IC (Independência Condicional) e o conceito de Markov Blanket. Resultados obtidos através de experimentos realizados com 10 conjuntos de dados mostram que o MarkovPC é capaz de reduzir o esforço computacional do processo de indução de um classificador Bayesiano e manter a qualidade do classificador induzido (em termos de taxa de classificação correta)

Submitted by LIANE MARCIA FREITAS E SILVA null (lianef@ct.ufpb.br) on 2017-06-09T11:30:36Z No. of bitstreams: 1 SISTEMÁTICA PARA GERENCIAR OS RISCOS CONSIDERANDO A DEPENDÊNCIA NA CADEIA DE SUPRIMENTOS.pdf: 4514507 bytes, checksum: 696b4ba59617e67a7f99efc26daa93a6 (MD5) / Approved for entry into archive by Luiz Galeffi (luizgaleffi@gmail.com) on 2017-06-13T14:13:57Z (GMT) No. of bitstreams: 1 silva_lmf_dr_guara.pdf: 4514507 bytes, checksum: 696b4ba59617e67a7f99efc26daa93a6 (MD5) / Made available in DSpace on 2017-06-13T14:13:57Z (GMT). No. of bitstreams: 1 silva_lmf_dr_guara.pdf: 4514507 bytes, checksum: 696b4ba59617e67a7f99efc26daa93a6 (MD5) Previous issue date: 2017-04-28 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / A gestão de riscos da cadeia de suprimentos tem por objetivo garantir a rentabilidade e continuidade das cadeias de suprimentos. Para tanto, em geral, adota-se procedimentos específicos para identificar, avaliar, mitigar e monitorar os riscos, reduzindo a probabilidade de ocorrência e o impacto negativo dessas interrupções nas operações da cadeia. No entanto, a maioria dos modelos de gestão de riscos avaliam os riscos como eventos independentes, desconsiderando as inter-relações existentes entre os elos da cadeia e entre os riscos. A fim de vencer esta limitação o objetivo deste trabalho foi propor uma sistemática para gerenciar os riscos interdependentes em uma cadeia de suprimentos do setor de gás canalizado. O fluxo metodológico adotado considerou duas fases: a proposição de uma sistemática para a gestão dos riscos na cadeia de suprimentos, e a aplicação prática desta sistemática na cadeia de suprimentos de gás canalizado para sua verificação e análise. Nesta sistemática proposta, para a avaliação dos riscos, com a incorporação de interdependência entre estes, adotou-se o uso complementar dos métodos: Analytic Network Process (ANP), Simulação Monte Carlo e Redes Bayesianas. Como método de pesquisa, nesta tese foi adotado o estudo de caso para a identificação dos riscos, e modelagem e simulação para avaliação dos riscos. Na identificação dos riscos foram identificados 13 tipos de risco na empresa distribuidora de gás (Empresa A) e 8 tipos na empresa consumidora de gás (Empresa EP1). Destes, pela hierarquia apontada pelo ANP, foram identificados os riscos mais críticos, para cada elo da cadeia, segundo o índice global de prioridade: na empresa A - riscos de demanda, riscos de fornecimento, risco operacional, e na Empresa EP1 - os riscos de capacidade, operacional e risco de demanda. A partir do mapa da rede de riscos e da Simulação Monte Carlo foram obtidas as probabilidades condicionadas entre os pares de riscos. Assim, calculou-se a criticidade do risco de preço(da Empresa A)/demanda(da Empresa EP1), que resultou em uma probabilidade de 59%, o risco de demanda(da Empresa A)/capacidade(da Empresa EP1),que resultou em uma probabilidade de 38%, o risco de demanda(da Empresa A)/demanda(da Empresa EP1),que resultou em uma probabilidade de 9,5% e o risco de demanda(da Empresa A)/operacional(da Empresa EP1),que resultou em uma probabilidade de 2,4%. Considerando toda a rede de relações existentes entre estes riscos foi possível aplicar as Redes Bayesianas que possibilitou o cálculo da probabilidade agregada, ou probabilidade final dos riscos. Pelas Redes Bayesianas obteve-se a probabilidade do risco de preço na Empresa A (55,6%), o risco de demanda na Empresa A (35,6%); o risco econômico/financeiro na Empresa A (4,4%), e por fim, o risco de fornecimento na Empresa EP1 (3,5%). Deste modo, o risco de preço (da Empresa A) e demanda (da Empresa A) foram considerados como os riscos mais críticos, devendo ser os prioritários na mitigação dos riscos na cadeia de suprimentos estudada. / The risk management of the supply chain has the objective to ensure the profitability and continuity of the supply chains, to achieve this, in general, specific procedures are used to identify, evaluate, mitigate, and monitor the risks, reducing the probability of occurrence and negative impact of interruptions on the chain operations. However, most risk management models evaluate risks as independent events, disregarding the existing interrelationships between the chain links and the risks. To overcome this limitation, the objective of this work was to propose a system to manage interdependent risks in a supply chain of the piped gas sector. The adopted methodological flow considered two phases: proposition of a system for the management of risks in the supply chain, and practical application of this systematic in the supply chain of piped gas for verification and analysis. In this systematic proposal for the evaluation of the risks, with the incorporation of interdependence between them, the use of complementary methods was adopted: Analytic Network Process (ANP), Monte Carlo Simulation, and Bayesian Networks. As a research method, in this thesis, the case study for the identification of risks, modeling, and simulation for risk assessment was adopted. In the identification of the risks thirteen types of risks were identified in the gas distributing company (Company A) and eight types in the gas consuming company (Company EP1). Out of these, by the hierarchy indicated by ANP, the most critical risks were identified for each link in the chain, according to the global priority index: in company A - demand risks, supply risks, operational risk, and in the Company EP1 - risks capacity, operational and demand risk. From the risk network map and the Monte Carlo Simulation the conditioned probabilities between the pairs of risks were obtained. Thus, the criticality of the price risk was calculated (of Company A ) demand (of Company EPI), which resulted in the probability value of 0.59, the risk demand (of Company A) / capacity (of Company EP1), which resulted in the probability value of 0.38, of risk demand (of Company A) / demand (of Company EP1), which resulted in the probability value of 0.095, and the risk demand (of Company A)/ operational (of Company EP1), which resulted in the probability value of 0.024 . Considering the entire existing relationships network between these risks, it was possible to apply the Bayesian Networks that made possible the calculation of the aggregate probabilities, or final probability of the risks. Using Bayesian networks, probability of price risk in Company A (0.556), demand risk in Company A (0.356), economic/ financial risk in Company A (0.044), and finally, risk of supply in the CompanyEP1 (0.035) were obtained. In this mode, price risk (of Company A) and demand (of Company A) were considered as the most critical risks, and should be priorities in risk mitigation in the studied supply chain.

As teorias que sustentam os modelos de precificação têm obtido resultados pouco satisfatórios ou insatisfatórios, uma vez que em cada estudo busca aproximar-se da realidade por apenas uma face, não observando o problema de todos os ângulos. Nesse sentido, percebeu-se um gap nos estudos de previsão, explorar sob outras lentes a dinâmica das variáveis do mercado que influenciam a formação do preço para o seu prévio monitoramento. Assim, o objetivo desta pesquisa foi construir uma ferramenta de apoio à decisão que pudesse prever, periodicamente, o preço futuro de uma commodity a curto e médio prazo, notadamente para o butadieno, um derivado do petróleo. Para que isto fosse possível, foi realizada a datação dos pontos de mudança do preço dessa commodity, frente aos acontecimentos históricos e, a partir daí, construído o estudo sobre três estruturas: mercado, política e econômica. A partir de então, observou-se quais seriam as variáveis mais consistentes para formar a base da pesquisa. As previsões obtidas revelam um desempenho superior às pesquisas anteriormente realizadas. Assim, a análise da previsão dos pontos de mudança constitui um instrumento informativo para sinalizar o comportamento futuro do preço da commodity do butadieno. A ferramenta utilizada para o modelo de precificação de modo a compreender a natureza das flutuações foram as Redes Bayesianas, que apresentam a capacidade de expressar as probabilidades e de um conjunto de variáveis aleatórias previamente definidas, e fazer predições adequadas. A inferência sobre o preço da commodity do butadieno, a curto e médio prazo, é realizada com o auxílio do software GeNIe 2.0. Conclui-se que investir em pesquisas que utilizem de Inteligência Artificial como métodos preditivos, como a utilização de Redes Bayesianas apresenta a vantagem de compreender a relação causa e efeito através da análise de Cenários. Assim, o objetivo de construir uma ferramenta de apoio à decisão que pudesse prever, periodicamente, o preço do butadieno a curto e médio prazo, foi alcançado. Para determinado período houve 84% de chances de acerto nas previsões. / The theories that support pricing models have obtained little satisfactory or unsatisfactory results, once each study examines only one aspect of reality, without studying the problem as a whole. In this sense its necessary to explore under other aspects the dynamics of market variables that influence the pricing for its prior monitoring. The objective of this research was to build a decision support tool capable of periodically forecast the future price of a commodity in the short and medium term, especially for butadiene, an oil derivative. To make it possible, was done the dating of turning points in the price of this commodity compared to the historical events and based on these data to build this study on three structures: market, political and economic. Then, we identified the most consistent variables to form the basis of the research. The forecasts obtained show a higher performance compared to previous investigations. Thus, the forecast analysis of turning points is an informative tool to signal the future behavior of the price of this commodity. To understand the nature of these fluctuations, the method used in the pricing model were the Bayesian networks, which are capable of expressing the probabilities of a set of random variables defined previously and make appropriate predictions. The inference on the commodity price of butadiene – in the short and medium term, was performed using the Genie 2.0 software. The conclusion was that investing in research using artificial intelligence and predictive methods such as the Bayesian networks, has the advantage of understanding the relationship of cause and effect through scenario analysis. So the objective of building a decision support tool that can predict periodically, the price of butadiene in the short and medium term, has been achieved. For certain period was 84% accurate in forecasts of chances.

O crescimento do uso de sistemas de posicionamento global (GPS) e outros sistemas de localização espacial tornaram possível o rastreamento de objetos móveis, produzindo um grande volume de um novo tipo de dado, chamado trajetórias de objetos móveis. Existe, entretanto, uma forte lacuna entre a quantidade de dados extraídos destes dispositivos, dotados de sistemas GPS, e a descoberta de conhecimento que se pode inferir com estes dados. Um tipo de descoberta de conhecimento em dados de trajetórias de objetos móveis é a classificação. A classificação de trajetórias é um tema de pesquisa relativamente novo, e poucos métodos tem sido propostos até o presente momento. A maioria destes métodos foi desenvolvido para uma aplicação específica. Poucos propuseram um método mais geral, aplicável a vários domínios ou conjuntos de dados. Este trabalho apresenta um novo método de classificação que transforma as trajetórias em séries temporais, de forma a obter características mais discriminativas para a classificação. Experimentos com dados reais mostraram que o método proposto é melhor do que abordagens existentes. / The growing use of global positioning systems (GPS) and other location systems made the tracking of moving objects possible, producing a large volume of a new kind of data, called trajectories of moving objects. However, there is a large gap between the amount of data generated by these devices and the knowledge that can be inferred from these data. One type of knowledge discovery in trajectories of moving objects is classification. Trajectory classification is a relatively new research subject, and a few methods have been proposed so far. Most of these methods were developed for a specific application. Only a few have proposed a general method, applicable to multiple domains or datasets. This work presents a new classification method that transforms the trajectories into time series, in order to obtain more discriminative features for classification. Experiments with real trajectory data revealed that the proposed approach is more effective than existing approaches.

O Gás Natural Liquefeito (GNL) tem, aos poucos, se tornado uma importante opção para a diversificação da matriz energética brasileira. Os navios metaneiros são os responsáveis pelo transporte do GNL desde as plantas de liquefação até as de regaseificação. Dada a importância, bem como a periculosidade, das operações de transporte e de carga e descarga de navios metaneiros, torna-se necessário não só um bom plano de manutenção como também um sistema de detecção de falhas que podem ocorrer durante estes processos. Este trabalho apresenta um método de diagnose de falhas para a operação de carga e descarga de navios transportadores de GNL através da utilização de Redes Bayesianas em conjunto com técnicas de análise de confiabilidade, como a Análise de Modos e Efeitos de Falhas (FMEA) e a Análise de Árvores de Falhas (FTA). O método proposto indica, através da leitura de sensores presentes no sistema de carga e descarga, quais os componentes que mais provavelmente estão em falha. O método fornece uma abordagem bem estruturada para a construção das Redes Bayesianas utilizadas na diagnose de falhas do sistema. / Liquefied Natural Gas (LNG) has gradually become an important option for the diversification of the Brazilian energy matrix. LNG carriers are responsible for LNG transportation from the liquefaction plant to the regaseification plant. Given the importance, as well as the risk, of transportation and loading/unloading operations of LNG carriers, not only a good maintenance plan is needed, but also a failure detection system that localizes the origin of a failure that may occur during these processes. This research presents a fault diagnosis method for the loading and unloading operations of LNG carriers through the use of Bayesian networks together with reliability analysis techniques, such as Failure Modes and Effects Analysis (FMEA ) and Fault Tree Analysis (FTA). The proposed method indicates, by reading sensors present in the loading and unloading system, which components are most likely faulty. The method provides a well-structured approach for the development of Bayesian networks used in the diagnosis of system failures.

A representação do conhecimento de maneira mais fiel possível à realidade é uma meta histórica e não resolvida até o momento na área da Inteligência Artificial. Problemas são resolvidos e decisões são tomadas levando-se em conta diversos tipos de conhecimentos, os quais muitos são tendenciosos, inexatos, ambíguos ou ainda incompletos. A fim de tentar emular a capacidade de representação do conhecimento humano, levando-se em conta as diversas dificuldades inerentes, tem-se construído sistemas computacionais que armazenam o conhecimento das mais diversas formas. Dentro deste contexto, este trabalho propõe um experimento que utiliza duas formas distintas de representação do conhecimento: a simbólica, neste caso BDI, e a probabilística, neste caso Redes Bayesianas. Para desenvolvermos uma prova de conceito desta proposta de representação do conhecimento estamos utilizando exemplos que serão construídos através da tecnologia de programação voltada para agentes. Para tal, foi desenvolvida uma implementação de um Sistema MultiAgente, estendendo o framework Jason através da implementação de um plugin chamado COPA. Para a representação do conhecimento probabilístico, utilizamos uma ferramenta de construção de Redes Bayesianas, também adaptada a este sistema. Os estudos de caso mostraram melhorias no gerenciamento do conhecimento incerto em relação às abordagens de construções de agentes BDI clássicos, ou seja, que não utilizam conhecimento probabilístico. / Achieving faithful representation of knowledge is a historic and still unreached goal in the area of Artificial Intelligence. Problems are solved and decisions are made taking into consideration different kinds of knowledge, from which many are biased, inaccurate, ambiguous or still incomplete. Computational systems that store knowledge in many different ways have been built in order to emulate the capacity of human knowledge representation, taking into consideration the several inherent difficulties to it. Within this context, this paper proposes an experiment that utilizes two distinct ways of representing knowledge: symbolic, BDI in this case, and probabilistic, Bayesian Networks in this case. In order to develop a proof of concept of this propose of knowledge representation, examples that will be built through agent oriented programming technology will be used. For that, implementation of a MultiAgent System was developed, extending the Jason framework through the implementation of a plugin called COPA. For the representation of probabilistic knowledge, a Bayesian Network building tool, also adapted to this system, was used. The case studies showed improvement in the management of uncertain knowledge in relation to the building approaches of classic BDI agents, i.e., that do not use probabilistic knowledge.

As teorias que sustentam os modelos de precificação têm obtido resultados pouco satisfatórios ou insatisfatórios, uma vez que em cada estudo busca aproximar-se da realidade por apenas uma face, não observando o problema de todos os ângulos. Nesse sentido, percebeu-se um gap nos estudos de previsão, explorar sob outras lentes a dinâmica das variáveis do mercado que influenciam a formação do preço para o seu prévio monitoramento. Assim, o objetivo desta pesquisa foi construir uma ferramenta de apoio à decisão que pudesse prever, periodicamente, o preço futuro de uma commodity a curto e médio prazo, notadamente para o butadieno, um derivado do petróleo. Para que isto fosse possível, foi realizada a datação dos pontos de mudança do preço dessa commodity, frente aos acontecimentos históricos e, a partir daí, construído o estudo sobre três estruturas: mercado, política e econômica. A partir de então, observou-se quais seriam as variáveis mais consistentes para formar a base da pesquisa. As previsões obtidas revelam um desempenho superior às pesquisas anteriormente realizadas. Assim, a análise da previsão dos pontos de mudança constitui um instrumento informativo para sinalizar o comportamento futuro do preço da commodity do butadieno. A ferramenta utilizada para o modelo de precificação de modo a compreender a natureza das flutuações foram as Redes Bayesianas, que apresentam a capacidade de expressar as probabilidades e de um conjunto de variáveis aleatórias previamente definidas, e fazer predições adequadas. A inferência sobre o preço da commodity do butadieno, a curto e médio prazo, é realizada com o auxílio do software GeNIe 2.0. Conclui-se que investir em pesquisas que utilizem de Inteligência Artificial como métodos preditivos, como a utilização de Redes Bayesianas apresenta a vantagem de compreender a relação causa e efeito através da análise de Cenários. Assim, o objetivo de construir uma ferramenta de apoio à decisão que pudesse prever, periodicamente, o preço do butadieno a curto e médio prazo, foi alcançado. Para determinado período houve 84% de chances de acerto nas previsões. / The theories that support pricing models have obtained little satisfactory or unsatisfactory results, once each study examines only one aspect of reality, without studying the problem as a whole. In this sense its necessary to explore under other aspects the dynamics of market variables that influence the pricing for its prior monitoring. The objective of this research was to build a decision support tool capable of periodically forecast the future price of a commodity in the short and medium term, especially for butadiene, an oil derivative. To make it possible, was done the dating of turning points in the price of this commodity compared to the historical events and based on these data to build this study on three structures: market, political and economic. Then, we identified the most consistent variables to form the basis of the research. The forecasts obtained show a higher performance compared to previous investigations. Thus, the forecast analysis of turning points is an informative tool to signal the future behavior of the price of this commodity. To understand the nature of these fluctuations, the method used in the pricing model were the Bayesian networks, which are capable of expressing the probabilities of a set of random variables defined previously and make appropriate predictions. The inference on the commodity price of butadiene – in the short and medium term, was performed using the Genie 2.0 software. The conclusion was that investing in research using artificial intelligence and predictive methods such as the Bayesian networks, has the advantage of understanding the relationship of cause and effect through scenario analysis. So the objective of building a decision support tool that can predict periodically, the price of butadiene in the short and medium term, has been achieved. For certain period was 84% accurate in forecasts of chances.