Les travaux de recherche présentés dans ce document s'inscrivent dans le cadre de la gestion des connaissances appliquée à la déconstruction des avions en fin de vie avec pour objectif l'aide à la décision par l'évaluation des risques. Pour répondre à cet objectif, nous avons développé des mécanismes d'aide à la décision hybridant les retours d'expérience statistique et cognitif pour évaluer les risques sur les zones critiques d'un système. L'approche proposée permet la combinaison des avis d'experts du domaine avec des statistiques issues d'une base de données en utilisant les fonctions de croyance. L'évaluation des risques est réalisée par le traitement des connaissances combinées au moyen d'un modèle utilisant les réseaux évidentiels dirigés. Ce document s'articule en quatre chapitres.Le premier chapitre constitue un état de l'art abordant les notions liées au risque et au retour d'expérience. Il permet de définir les concepts clés concernant l'évaluation du risque, la gestion des connaissances (et en particulier le processus de retour d'expérience) ainsi que les passerelles entre ces deux concepts. Le second chapitre permet d'introduire un modèle d'évaluation des risques basé sur les méthodes bayésiennes. Cependant, les méthodes bayésiennes ont des limites, en particulier pour ce qui concerne la modélisation de l'incertitude épistémique inhérente aux avis d'experts, qui nous ont incité à proposer des alternatives, telles les fonctions de croyance et les réseaux évidentiels dirigés que nous avons finalement choisi d'utiliser. Le troisième chapitre propose une démarche permettant d'évaluer les risques en utilisant les réseaux évidentiels dirigés. L'approche proposée décrit les mécanismes utilisés pour formaliser et fusionner les connaissances expertes et statistiques, puis pour traiter ces connaissances au moyen des réseaux évidentiels dirigés. Pour finir, des indicateurs permettant la restitution des résultats au décideur sont introduits. Le dernier chapitre présente le projet DIAGNOSTAT qui a servi de cadre à ces travaux de recherche et expose un cas d'étude permettant d'appliquer la démarche introduite précédemment à la déconstruction des avions en fin de vie au moyen de deux scénarios / The research work presented in this document relates to knowledge management applied to aircraft deconstruction. The aim of this work is to provide a decision support system for risk assessment. To meet this objective, mechanisms for decision support hybridizing cognitive and statistical experience feedback to perform risk assessment on system critical areas have been developed. The proposed approach allows to combine expert opinion with statistics extracted from a database by using belief functions. The risk assessment is performed by the combined knowledge processing using a model based on directed evidential networks. This document is divided into four chapters. The first chapter is a state of the art addressing concepts related to risk and experience feedback. It defines key concepts for risk assessment, knowledge management (in particular the experience feedback process) and the links between these two concepts. The second chapter allows to introduce a risk assessment model based on Bayesian methods. However, Bayesian methods have some limitations, particularly with respect to epistemic uncertainty modelling. That is why, some alternatives have been proposed, such as belief functions and directed evidential networks that we finally chose to use. The third chapter proposes an approach for assessing the risk using directed evidential networks. The proposed approach describes the mechanisms used to formalize and combine expert and statistical knowledge, and then to process this knowledge with directed evidential networks. Finally, indicators to inform the decision maker about results are introduced. The last chapter presents the DIAGNOSTAT project which provided the framework for this research and a study case to apply the approach introduced earlier for aircraft deconstruction by using two scenarios

L'optimisation de stratégies de maintenance est un sujet primordial pour un grand nombre d'industriels. Il s'agit d'établir un plan de maintenance qui garantisse des niveaux de sécurité, de sûreté et de fiabilité élevé avec un coût minimum et respectant d'éventuelles contraintes. Le nombre de travaux grandissant sur l'optimisation de paramètres de maintenance et notamment sur la planification d'actions préventives de maintenance souligne l'intérêt de ce problème. Un grand nombre d'études sur la maintenance repose sur une modélisation du processus de dégradation du système étudié. Les Modèles Graphiques Probabilistes (MGP) et particulièrement les MGP Markoviens (MGPM) fournissent un cadre de travail pour la modélisation de processus stochastiques complexes. Le problème de ce type d'approche est que la qualité des résultats est dépendante de celle du modèle. De plus, les paramètres du système considéré peuvent évoluer au cours du temps. Cette évolution est généralement la conséquence d'un changement de fournisseur pour les pièces de remplacement ou d'un changement de paramètres d'exploitation. Cette thèse aborde le problème d'adaptation dynamique d'une stratégie de maintenance face à un système dont les paramètres changent. La méthodologie proposée repose sur des algorithmes de détection de changement dans un flux de données séquentielles et sur une nouvelle méthode d'inférence probabiliste spécifique aux réseaux bayésiens dynamiques. D'autre part, les algorithmes proposés dans cette thèse sont mis en place dans le cadre d'un projet d'étude avec Bombardier Transport. L'étude porte sur la maintenance du système d'accès voyageurs d'une nouvelle automotrice destiné à une exploitation sur le réseau ferré d'Ile-de-France. L'objectif général est de garantir des niveaux de sécurité et de fiabilité importants au cours de l'exploitation du train / The optimization of maintenance strategies is a major issue for many industrial applications. It involves establishing a maintenance plan that ensures security levels, security and high reliability with minimal cost and respecting any constraints. The increasing number of works on optimization of maintenance parameters in particular in scheduling preventive maintenance action underlines the importance of this issue. A large number of studies on maintenance are based on a modeling of the degradation of the system studied. Probabilistic Models Graphics (PGM) and especially Markovian PGM (M-PGM) provide a framework for modeling complex stochastic processes. The issue with this approach is that the quality of the results is dependent on the model. More system parameters considered may change over time. This change is usually the result of a change of supplier for replacement parts or a change in operating parameters. This thesis deals with the issue of dynamic adaptation of a maintenance strategy, with a system whose parameters change. The proposed methodology is based on change detection algorithms in a stream of sequential data and a new method for probabilistic inference specific to the dynamic Bayesian networks. Furthermore, the algorithms proposed in this thesis are implemented in the framework of a research project with Bombardier Transportation. The study focuses on the maintenance of the access system of a new automotive designed to operate on the rail network in Ile-de-France. The overall objective is to ensure a high level of safety and reliability during train operation

Obesity is a growing problem globally. Currently 2.3 billion adults are overweight, and this number is rising. The most common method for weight loss is calorie counting, in which to lose weight a person should be in a calorie deficit. Basal Metabolic Rate accounts for the majority of calories a person burns in a day and it is therefore a major contributor to accurate calorie counting. This paper uses a Dynamic Bayesian Network to estimate Basal Metabolic Rate (BMR) for a sample of 219 individuals from all Body Mass Index (BMI) categories. The data was collected through the Lifesum app. A comparison of the estimated BMR values was made with the commonly used Harris Benedict equation, finding that food journaling is a sufficient method to estimate BMR. Next day weight prediction was also computed based on the estimated BMR. The results stated that the Harris Benedict equation produced more accurate predictions than the metabolic model proposed, therefore more work is necessary to find a model that accurately estimates BMR.

The increase in the number of deaths due to ground traffic accidents is a global problem. In such context, the development of new vehicular technologies is considered an alternative to improve road safety. Within the field of new vehicle technologies, it is possible to find driver assistance systems. These systems interact in an active or passive way with the driver, reducing their workload by presenting information about their surroundings, which may imply the safer direction of a land vehicle. Taking into account that one of the main reasons for road traffic fatalities in the world is the lane change in a road, hereby we created a cooperative driver assistance system for the lane change, arising from the combination of a kinematic model and a probabilistic graphical one. By combining these two models, we try to improve the response in the assistance of the system, given the direct dependence of the system with a human. Due to the latter, the response of such systems cannot be deterministic in nature. One of the motivations to use probabilistic graphical models is the flexibility of this machines learning technique in modeling the problem addressed in this thesis. In addition to this contribution of applying a specific probabilistic graphical model in our assistance system, other contributions can be found in this thesis, including the development of a Driving simulation platform with a reconfigurable structure. The ability to reconfigure the structure of the driving simulator platform was of great importance for the development and evaluation of the assistance system hereby proposed in each of its stages. In addition, the decision to model a cooperative approach in our assistance system is due to the great potential of the vehicular communications with respect to improving transport safety and efficiency. The moderate cost that is being projected in vehicular communications is another relevant fact. Finally, the description and application of our assistance system model can be considered as a possibility in the area for the development of an application that needs a close response to the reality, based on the uncertainties present in the problem under consideration. / O aumento no número de mortes por causa de acidentes de tráfego terrestre é um problema global. No âmbito dessa problemática, o desenvolvimento de novas tecnologias veiculares é considerado uma alternativa para melhorar a segurança viária. Dentro do domínio das novas tecnologias veiculares, é possível encontrar sistemas de assistência ao motorista. Esses sistemas interagem de maneira ativa ou passiva com o motorista, conseguindo reduzir sua carga de trabalho, apresentando informações de seu entorno, o que pode implicar uma direção mais segura de um veículo terrestre. Levando em consideração que um dos principais motivos de mortes por acidentes de tráfego terrestre no mundo é a mudança de faixa em uma pista, neste trabalho, realizamos a tarefa de criar um sistema cooperativo de assistência ao motorista para a mudança de faixa, a partir da combinação de um modelo cinemático e de um modelo gráfico probabilístico. Mediante a combinação destes dois modelos, procuramos melhorar a resposta na assistência por parte do sistema, dada a dependência direta que o sistema tem dos humanos. Por essa última razão, a resposta deste tipo de sistemas não pode ser determinística por natureza. Uma das motivações para utilizar os modelos gráficos probabilísticos é a flexibilidade da técnica de machine learning em modelar o problema abordado nesta tese. Além dessa contribuição de aplicar um modelo gráfico probabilístico específico em nosso sistema de assistência, outras contribuições podem ser encontradas nesta tese, incluindo o desenvolvimento de uma plataforma de simulação para a condução, com uma estrutura reconfigurável. A capacidade de poder reconfigurar a estrutura da plataforma de simulação foi de grande importância para o desenvolvimento e avaliação do sistema de assistência proposto nesta tese, em cada uma de suas etapas. Além disso, a decisão de modelar um enfoque cooperativo, em nosso sistema de assistência, se deve ao grande potencial que tem as comunicações veiculares com respeito à melhora da segurança e da eficiência do transporte. O custo moderado que está sendo projetado nas comunicações veiculares é outro fato relevante. A descrição e aplicação de nosso modelo final podem ser considerados mais uma possibilidade na área para o desenvolvimento de uma aplicação, que precise de uma resposta próxima da realidade, a partir das incertezas presentes no problema considerado.

A combinação de lógica e probabilidade (lógicas probabilísticas) tem sido um tópico bastante estudado nas últimas décadas. A maioria de propostas para estes formalismos pressupõem que tanto as sentenças lógicas como as probabilidades sejam especificadas por especialistas. Entretanto, a crescente disponibilidade de dados relacionais sugere o uso de técnicas de aprendizado de máquina para produzir sentenças lógicas e estimar probabilidades. Este trabalho apresenta contribuições em termos de representação de conhecimento e aprendizado. Primeiro, uma linguagem lógica probabilística de primeira ordem é proposta. Em seguida, três algoritmos de aprendizado de lógica de descrição probabilística crALC são apresentados: um algoritmo probabilístico com ênfase na indução de sentenças baseada em classificadores Noisy-OR; um algoritmo que foca na indução de inclusões probabilísticas (componente probabilístico de crALC); um algoritmo de natureza probabilística que induz sentenças lógicas ou inclusões probabilísticas. As propostas de aprendizado são avaliadas em termos de acurácia em duas tarefas: no aprendizado de lógicas de descrição e no aprendizado de terminologias probabilísticas em crALC. Adicionalmente, são discutidas aplicações destes algoritmos em processos de recuperação de informação: duas abordagens para extensão semântica de consultas na Web usando ontologias probabilísticas são discutidas. / The combination of logic and probabilities (probabilistic logics) is a topic that has been extensively explored in past decades. The majority of work in probabilistic logics assumes that both logical sentences and probabilities are specified by experts. As relational data is increasingly available, machine learning algorithms have been used to induce both logical sentences and probabilities. This work contributes in knowledge representation and learning. First, a rst-order probabilistic logic is proposed. Then, three algorithms for learning probabilistic description logic crALC are given: a probabilistic algorithm focused on learning logical sentences and based on Noisy-OR classiers; an algorithm that aims at learning probabilistic inclusions (probabilistic component of crALC) and; an algorithm that using a probabilistic setting, induces either logical sentences or probabilistic inclusions. Evaluation of these proposals has been performed in two situations: by measuring learning accuracy of both description logics and probabilistic terminologies. In addition, these learning algorithms have been applied to information retrieval processes: two approaches for semantic query extension through probabilistic ontologies are discussed.

A APS (Análise Probabilística de Segurança) de instalações industriais é assunto que evoluiu com a complexidade dos sistemas. A princípio, foram desenvolvidas ferramentas e técnicas com o propósito de analisar plantas já instaladas, possibilitando a identificação de fenômenos e mecanismos de falha desconhecidos até então. Com a evolução dos estudos dos acidentes, foram desenvolvidas técnicas aplicáveis às fases pré-operacionais com o propósito de diminuir os riscos na operação. Observa-se, portanto, um bom número de técnicas ideais para analisar projetos prontos ou em fase de conclusão. O mesmo não é observado para a fase de concepção. Apesar disto, cada vez mais especialistas na área de risco propõem que as considerações de segurança são mais eficazes quando ponderadas ao longo de toda a vida dos sistemas críticos. O estudo das APS realizadas no mundo em várias indústrias ajuda a entender o consenso sobre a contribuição potencial destas análises no desenvolvimento de novos sistemas. Para explorar este potencial, é essencial a elaboração de processos e modelos prospectivos que sejam simples, quantitativos, realistas, capazes de alimentar análises no estágio de projeto e que tragam resultados que possam ser interpretados pelos profissionais envolvidos no processo decisório. Estas considerações são extensíveis à ACH (Análise de Confiabilidade Humana), i.e., poucas são as ferramentas que ponderam aspectos operacionais, em especial o desempenho humano, na fase de projeto. A reconhecida contribuição do fator humano em acidentes envolvendo sistemas complexos - por vezes atribuída à falta de ferramentas adequadas para sua consideração na fase de projeto - evidencia ainda mais esta lacuna. Neste contexto, esta tese apresenta o desenvolvimento de uma metodologia e de uma técnica para a consideração precoce da confiabilidade humana na concepção de sistemas complexos, sendo que: 1) o desenvolvimento desta metodologia primou pela facilidade de entendimento de suas etapas e resultados, i.e., procurou-se a inteligibilidade para as pessoas envolvidas no projeto, sendo especialistas em ACH ou não, e; 2) a TECHR (Technique for Early Consideration of Human Reliability) foi concebida com o propósito de desenvolver um modelo prospectivo para o desempenho humano que possa ser explorado na fase de concepção de sistemas, e se baseia no aproveitamento da opinião de especialistas em relação a sistemas que operam ou operaram nos últimos anos para obter estimativas das probabilidades dos diversos tipos de erro humano que podem ocorrer durante a execução de uma ação específica. A metodologia proposta e a TECHR resultam em um procedimento simples e capaz de produzir modelos extremamente úteis na fase de projeto, representando uma contribuição original para o estado da arte da concepção de sistemas baseada em dados incertos. / PSA (Probabilistic Safety Assessment) is an industrial plant issue that has evolved with the complexity of systems. Initially, tools and techniques have been developed with the main purpose of analyzing operational plants, enabling the identification of phenomena and fault mechanisms hitherto not highlighted. With the evolution of accidents studies, some techniques applicable to pre-operational phases were developed in order to reduce the risks in operation. Therefore, a number of techniques adequate to analyze ready or near completion designs can be found. The same is not observed for the early design phase. Despite this, more and more experts in the risk assessment field suggest that safety considerations are most effective when assessed over the whole life of critical systems. Probabilistic safety analyses performed worldwide in various industries help us understand the consensus on the potential contribution of these analyses for developing new systems. To exploit this potential, it is essential to develop processes and prospective models that are simple, quantitative, realistic, able to feed analyses at the design stage and to bring results that can be interpreted by the professionals involved in the decision making process. These considerations are extended to HRA (Human Reliability Analysis), i.e., there are few tools that consider operational aspects, especially human performance, during the design phase. The recognized contribution of the human factor in accidents involving complex systems - sometimes attributed to the lack of suitable tools for its consideration in the design phase - further highlights this gap. In this context, this thesis presents a methodology and a technique developed for the early consideration of human reliability in complex systems design, and: 1) the development of this methodology has prioritized the easy understanding of its steps and results, i.e., its intelligibility for people involved in the system design has been sought, with expertise in HRA or not, and; 2) the technique for early consideration of human reliability (TECHR) was designed for developing a prospective human performance model that can be exploited in the system design phase, and is based on the use of expert opinion in relation to systems that operate or have operated in recent years to obtain estimates of the probabilities of the various types of human error that may occur during the performance of a specific action. The proposed methodology and technique result in a simple procedure capable of producing useful models for the design phase, representing an original contribution to the state of the art of systems conception under uncertainty.

A extração de Interações Proteína-Proteína (IPPs) a partir de texto é um problema relevante na área biomédica e um desafio na área de aprendizado de máquina. Na área biomédica, as IPPs são fundamentais para compreender o funcionamento dos seres vivos. No entanto, o número de artigos relacionados com IPPs está aumentando rapidamente, sendo impraticável identicá-las e catalogá-las manualmente. Por exemplo, no caso das IPPs humanas apenas 10% foram catalogadas. Por outro lado, em aprendizado de máquina, métodos baseados em kernels são frequentemente empregados para extrair automaticamente IPPs, atingindo resultados considerados estado da arte. Esses métodos usam informações léxicas, sintáticas ou semânticas como características. Entretanto, os resultados ainda são insuficientes, atingindo uma taxa relativamente baixa, em termos da medida F, devido à complexidade do problema. Apesar dos esforços em produzir kernels, cada vez mais sofisticados, usando árvores sintáticas como árvores constituintes ou de dependência, pouco é conhecido sobre o desempenho de outras abordagens de aprendizado de máquina como, por exemplo, as redes bayesianas. As àrvores constituintes são estruturas de grafos que contêm informação importante da gramática subjacente as sentenças de textos contendo IPPs. Por outro lado, a rede bayesiana permite modelar algumas regras da gramática e atribuir para elas uma distribuição de probabilidade de acordo com as sentenças de treinamento. Neste trabalho de mestrado propõe-se um método para construção automática de redes bayesianas a partir de árvores contituintes para extração de IPPs. O método foi testado em cinco corpora padrões da extração de IPPs, atingindo resultados competitivos, em alguns casos melhores, em comparação a métodos do estado da arte / Extracting Protein-Protein Interactions (PPIs) from text is a relevant problem in the biomedical field and a challenge in the area of machine learning. In the biomedical field, the PPIs are fundamental to understand the functioning of living organisms. However, the number of articles related to PPIs is increasing rapidly, hence it is impractical to identify and catalog them manually. For example, in the case of human PPIs only 10 % have been cataloged. On the other hand, machine learning methods based on kernels are often employed to automatically extract PPIs, achieving state of the art results. These methods use lexical, syntactic and semantic information as features. However, the results are still poor, reaching a relatively low rate of F-measure due to the complexity of the problem. Despite efforts to produce sophisticate kernels, using syntactic trees as constituent or dependency trees, little is known about the performance of other Machine Learning approaches, eg, Bayesian networks. Constituent tree structures are graphs which contain important information of the underlying grammar in sentences containing PPIs. On the other hand, the Bayesian network allows modeling some rules of grammar and assign to them a probability distribution according to the training sentences. In this master thesis we propose a method for automatic construction of Bayesian networks from constituent trees for extracting PPIs. The method was tested in five corpora, considered benchmark of extraction of PPI, achieving competitive results, and in some cases better results when compared to state of the art methods

Le travail aborde la modélisation et l’analyse de systèmes complexes, caractérisés, dans un cadre incertain et évolutif, par de nombreuses interactions entre composants. Dans un cadre de gestion des risques, le travail vise à créer un modèle causal spatio-temporel pour l’explication et la probabilisation de certains événements redoutés à des fins de diagnostic et de pronostic. Le travail de modélisation est basé sur l’approche bayésienne et, plus particulièrement, sur les Réseaux Bayésiens (RB). Dans l’optique de considérer des systèmes de grande taille et de représenter leur complexité spatio-temporelle, leur caractère multiéchelles et incertain dans un cadre dynamique, l’idée de ce travail est alors d’étendre le concept des Réseaux Bayesiens Dynamiques (RBD) et d’utiliser le paradigme Orienté Objet pour l’appliquer aux réseaux bayésiens. Dans leur forme actuelle, les réseaux bayésiens orientés objet permettent de créer des instances réutilisables mais non instanciables. En d’autres termes, cela implique que l’objet généré est susceptible d’être appelé plusieurs fois dans la construction d’un modèle mais sans pour autant que ces paramètres (tables de probabilités marginales ou conditionnelles) ne soient modifiés. Ce travail de thèse vise à combler cette lacune en proposant une approche structurée permettant de construire des grands systèmes à base d’objets (caractérisés par des réseaux bayésiens simples) dont les paramètres peuvent être actualisés en fonction de l’instant ou du contexte de leur appel et de leur utilisation. Ce concept est concrétisé sous la forme de Réseaux Bayésiens Multidimensionnels par leur propension à combiner plusieurs dimensions qu’elles soient spatiales ou temporelles. / The work addresses the modelling and analysis of complex systems, characterized, in an uncertain and evolving framework, by numerous interactions between components. Within a risk management framework, the work aims to create a spatio-temporal causal model for the explanation and probability of certain feared events for diagnostic and prognostic purposes. The modelling work is based on the Bayesian approach and, more specifically, on the Bayesian Networks (BN). In an attempt to consider large-scale systems and represent their spatio-temporal complexity, their multi-scale and uncertain character in a dynamic framework, the idea of this work is then to extend the concept of Dynamic Bayesian Networks (DBN) and use the Object Oriented paradigm to apply it to Bayesian networks. In their current form, object-oriented Bayesian networks can create reusable but not instantiable instances. In other words, this implies that the generated object is likely to be called several times in the construction of a model, but without these parameters (marginal or conditional probabilities tables) being modified. This thesis aims to fill this gap by proposing a structured approach to construct large object-based systems (characterized by simple Bayesian networks) whose parameters can be updated according to the moment or context of their call and use. This concept is embodied in the form of Bayesian Multidimensional Networks by their propensity to combine several dimensions, whether spatial or temporal.

The increase in the number of deaths due to ground traffic accidents is a global problem. In such context, the development of new vehicular technologies is considered an alternative to improve road safety. Within the field of new vehicle technologies, it is possible to find driver assistance systems. These systems interact in an active or passive way with the driver, reducing their workload by presenting information about their surroundings, which may imply the safer direction of a land vehicle. Taking into account that one of the main reasons for road traffic fatalities in the world is the lane change in a road, hereby we created a cooperative driver assistance system for the lane change, arising from the combination of a kinematic model and a probabilistic graphical one. By combining these two models, we try to improve the response in the assistance of the system, given the direct dependence of the system with a human. Due to the latter, the response of such systems cannot be deterministic in nature. One of the motivations to use probabilistic graphical models is the flexibility of this machines learning technique in modeling the problem addressed in this thesis. In addition to this contribution of applying a specific probabilistic graphical model in our assistance system, other contributions can be found in this thesis, including the development of a Driving simulation platform with a reconfigurable structure. The ability to reconfigure the structure of the driving simulator platform was of great importance for the development and evaluation of the assistance system hereby proposed in each of its stages. In addition, the decision to model a cooperative approach in our assistance system is due to the great potential of the vehicular communications with respect to improving transport safety and efficiency. The moderate cost that is being projected in vehicular communications is another relevant fact. Finally, the description and application of our assistance system model can be considered as a possibility in the area for the development of an application that needs a close response to the reality, based on the uncertainties present in the problem under consideration. / O aumento no número de mortes por causa de acidentes de tráfego terrestre é um problema global. No âmbito dessa problemática, o desenvolvimento de novas tecnologias veiculares é considerado uma alternativa para melhorar a segurança viária. Dentro do domínio das novas tecnologias veiculares, é possível encontrar sistemas de assistência ao motorista. Esses sistemas interagem de maneira ativa ou passiva com o motorista, conseguindo reduzir sua carga de trabalho, apresentando informações de seu entorno, o que pode implicar uma direção mais segura de um veículo terrestre. Levando em consideração que um dos principais motivos de mortes por acidentes de tráfego terrestre no mundo é a mudança de faixa em uma pista, neste trabalho, realizamos a tarefa de criar um sistema cooperativo de assistência ao motorista para a mudança de faixa, a partir da combinação de um modelo cinemático e de um modelo gráfico probabilístico. Mediante a combinação destes dois modelos, procuramos melhorar a resposta na assistência por parte do sistema, dada a dependência direta que o sistema tem dos humanos. Por essa última razão, a resposta deste tipo de sistemas não pode ser determinística por natureza. Uma das motivações para utilizar os modelos gráficos probabilísticos é a flexibilidade da técnica de machine learning em modelar o problema abordado nesta tese. Além dessa contribuição de aplicar um modelo gráfico probabilístico específico em nosso sistema de assistência, outras contribuições podem ser encontradas nesta tese, incluindo o desenvolvimento de uma plataforma de simulação para a condução, com uma estrutura reconfigurável. A capacidade de poder reconfigurar a estrutura da plataforma de simulação foi de grande importância para o desenvolvimento e avaliação do sistema de assistência proposto nesta tese, em cada uma de suas etapas. Além disso, a decisão de modelar um enfoque cooperativo, em nosso sistema de assistência, se deve ao grande potencial que tem as comunicações veiculares com respeito à melhora da segurança e da eficiência do transporte. O custo moderado que está sendo projetado nas comunicações veiculares é outro fato relevante. A descrição e aplicação de nosso modelo final podem ser considerados mais uma possibilidade na área para o desenvolvimento de uma aplicação, que precise de uma resposta próxima da realidade, a partir das incertezas presentes no problema considerado.

Informações que caracterizam o risco quebra de produção agrícola são necessárias para a precificação de prêmio do seguro agrícola de produção e de renda. A distribuição de probabilidade da variável rendimento agrícola é uma dessas informações, em especial aquela que descreve a variável aleatória rendimento agrícola condicionada aos fatores de risco climáticos. Este trabalho objetiva aplicar redes Bayesianas (grafo acíclico direcionado, ou modelo hierárquico Bayesiano) a estimação da distribuição de probabilidade de rendimento da soja em alguns municípios do Paraná, com foco na analise comparativa de riscos. Dados meteorológicos (ANA e INMET, período de 1970 a 2011) e de sensoriamento remoto (MODIS, período de 2000 a 2011) são usados conjuntamente para descrever espacialmente o risco climático de quebra de produção. Os dados de rendimento usados no estudo (COAMO, período de 2001 a 2011) requerem agrupamento de todos os dados ao nível municipal e, para tanto, a seleção de dados foi realizada nas dimensões espacial e temporal por meio de um mapa da cultura da soja (estimado por SVM - support vector machine) e os resultados de um algoritmo de identificação de ciclo de culturas. A interpolação requerida para os dados de temperatura utilizou uma componente de tendência estimada por dados de sensoriamento remoto, para descrever variações espaciais da variável que são ofuscadas pelos métodos tradicionais de interpolação. Como resultados, identificou-se relação significativa entre a temperatura observada por estações meteorológicas e os dados de sensoriamento remoto, apoiando seu uso conjunto nas estimativas. O classificador que estima o mapa da cultura da soja apresenta sobre-ajuste para safras das quais as amostras usadas no treinamento foram coletadas. Além da seleção de dados, a identificação de ciclo também permitiu obtenção de distribuições de datas de plantio da cultura da soja para o estado do Paraná. As redes bayesianas apresentam grande potencial e algumas vantagens quando aplicadas na modelagem de risco agrícola. A representação da distribuição de probabilidade por um grafo facilita o entendimento de problemas complexos, por suposições de causalidade, e facilita o ajuste, estruturação e aplicação do modelo probabilístico. A distribuição log-normal demonstrou-se a mais adequada para a modelagem das variáveis de ambiente (soma térmica, chuva acumulada e maior período sem chuva), e a distribuição beta para produtividade relativa e índices de estado (amplitude de NDVI e de EVI). No caso da regressão beta, o parâmetro de precisão também foi modelado com dependência das variáveis explicativas melhorando o ajuste da distribuição. O modelo probabilístico se demonstrou pouco representativo subestimando bastante as taxas de prêmio de seguro em relação a taxas praticadas no mercado, mas ainda assim apresenta contribui para o entendimento comparativo de situações de risco de quebra de produção da cultura da soja. / Information that characterize the risk of crop losses are necessary to crop and revenue insurance underwriting. The probability distribution of yield is one of this information. This research applies Bayesian networks (direct acyclic graph, or hierarchical Bayesian model) to estimate the probability distribution of soybean yield for some counties in Paraná state (Brazil) with focus on risk comparative analysis. Meteorological data (ANA and INMET, from 1970 to 2011) and remote sensing data (MODIS, from 2001 to 2011) were used to describe spatially the climate risk of production loss. The yield data used in this study (COAMO, from 2001 to 2011) required grouping to county level and, for that, a process of data selection was performed on spatial and temporal dimensions by a crop map (estimated by SVM - support vector machine) and by the results of a crop cycle identification algorithm. The interpolation required to spatialize temperature required a trend component which was estimated by remote sensing data, to describe the spatial variations of the variable obfuscated by traditional interpolation methods. As results, a significant relation between temperature from meteorological stations and remote sensing data was found, sustaining the use of the supposed relation between the two variables. The soybean map classifier shown over-fitting for the crop seasons for which the training samples were collected. Besides the data collection, a seeding dates distribution of soybean in Paraná state was obtained from the crop cycle identification process. The Bayesian networks showed big potential and some advantages when applied to agronomic risk modeling. The representation of the probability distribution by graphs helps the understanding of complex problems, with causality suppositions, and also helps the fitting, structuring and application of the probabilistic model. The log-normal probability distribution showed to be the best to model environment variables (thermal sum, accumulated precipitation and biggest period without rain), and the beta distribution to be the best to model relative yield and state indexes (NDVI and EVI ranges). In the case of beta regression, the precision parameter was also modeled with explanation variables as dependencies increasing the quality of the distribution fitting. In the overall, the probabilistic model had low representativity underestimating the premium rates, however it contributes to understand scenarios with risk of yield loss for the soybean crop.