Universidade Federal de Itajubá-UNIFEI Av. BPS, 1303-Pinheirinho-Itajubá/MG

Transcrição

1 AUTOMAÇÃO DE RASTREAMENTO VEICULAR ON-LINE PARA ANÁLISE DE RISCO FÁBIO M. PRETI, ANTONIO TADEU LYRIO DE A. JUNIOR, ISAÍAS LIMA Universidade Federa de Itajubá-UNIFEI Av. BPS, 1303-Pinheirinho-Itajubá/MG E-mais: Abstract The proposa of this work is to present a new methodoogy of the risk ranking of a vehice in according to the period that it remains in unsafe regions. For insurance companies, the risk measures how a vehice is conducted by driver for a period of time and it depends on the profie of each customer. A subjective data set such as age, sex, chidren, street and city, etc. are used to cacuate the risk. This work proposes to use an objective data set from on-ine tracking system inside a car. In seque it is appied to coected data artificia inteigence methods to provide a possibe degree of risk that intends to hep insurers and customers to cacuate the poicy vaue more adequate for each one. Keywords Rastreamento, Cassificação de Risco, Lógica Fuzzy, Redes Neurais Artificiais Resumo O objetivo deste trabaho é apresentar uma nova metodoogia para cassificar o grau de risco de um determinado veícuo em função do período de permanência em regiões pré-estabeecidas. Para empresas de seguro de veícuos, o risco mede o quanto arriscado é assegurar um veícuo por um determinado tempo em função do perfi de cada ciente. Porém, atuamente apenas dados secundários como idade, sexo, número de fihos, cidade, etc., são utiizados para se determinar o grau de risco do assegurado. Este trabaho propõe a utiização de dados primários, obtidos a partir de um sistema de rastreamento veicuar em tempo rea, desenvovido por aunos de uma empresa incubada na Instituição. Tais dados são utiizados juntamente com técnicas de inteigência artificia com o objetivo de proporcionar uma cassificação do grau de risco associado a um usuário padrão. Estes resutados permitem às seguradoras uma cassificação mais consistente e um vaor de apóice mais adequado para cada caso. Paavras-chave Móduo de Rastreamento Embarcado, Cassificação de Risco Veicuar, Lógica Fuzzy, Redes Neurais Artificiais 1 Introdução Atuamente, o mercado de seguros de automóveis no Brasi é um dos mais competitivos do setor. Ainda assim continua um ramo de negócios interessante no país, mesmo tendo diminuído o número de companhias em operação nos útimos anos devido à concorrência. Com uma margem de ucro mais estreita, o setor movimentou cercade R$ 18 bihões no ano de 2009 (Júio Bessa, 2009). A época atua priviegia a informação como um bem vaioso e quaquer informação agregada em anáise mercadoógica é um diferencia competitivo e significativo para uma empresa se sobressair em reação às demais. Para as seguradoras de veícuos e seus cientes o acesso às informações primárias que auxiiem no cácuo consistente do risco veicuar e num vaor justo da apóice é uma tendência que beneficia a todos. Para ambos é possíve chegar a um preço competitivo e adequado para a apóice veicuar em função de dados objetivos ou primários, e assim aumentar expressivamente o voume de negócios no setor. O objetivo deste trabaho é apresentar uma metodoogia de evantamento, anáise e cassificação do grau de risco para um determinado veícuo monitorado. Primeiramente, baseando-se no período em que este permanece em regiões pré-estabeecidas peas seguradoras. Iniciamente, os dados necessários para utiização da metodoogia são obtidos de um móduo de rastreamento desenvovido por uma empresa de base tecnoógica incubada pea Instituição. A escoha do móduo se deve à possibiidade de acesso irrestrito às informações e ao conhecimento técnico já apicado em seu desenvovimento; bem como nas características inovadoras de compactação e transmissão de dados, com uma taxa de amostragem que varia de 1 segundo a no máximo 30 segundos. 2 Caracterização do probema Não existe um processo eficiente no mercado de seguradoras de veícuos automotores que consiga anaisar e cacuar o risco associado a dados históricos para um veícuo, baseado em informações objetivas e principamente individuaizadas. O procedimento atua consiste em um formuário de pape ou eetrônico com diversas questões sobre o assegurado, que garante de uma forma subjetiva um vaor a ser atribuído como grau de risco, dentro de uma escaa previamente definida peas próprias empresas de seguro. Esse vaor, chamado risco, é essencia para as seguradoras, pois ee infuencia diretamente no vaor fina da apóice a ser gerada. É de domínio púbico que muheres mais vehas, casadas e com fihos, por exempo, tem vantagens nos preços das apóices em comparação a homens adoescentes, soteiros e sem fihos. Mas por quê? É simpes entender. Estudos estatísticos mostram que pessoas com o primeiro perfi tendem a gerar menos sinistros de coisão do que pessoas com o segundo perfi. 3002

2 São informações anaisadas sobre o comportamento civi e socia, por faixa etária do indivíduo, de uma forma extremamente genérica e que acaba estereotipando os cientes. Isso ocorre, pois uma cassificação por perfi utiiza dados secundários sobre a forma como o veícuo é utiizado, acarretando cassificações competamente equivocadas e supervaorizando os vaores das apóices. Com certeza existem muitas muheres casadas e com fihos que podem dirigir mais perigosamente e por áreas susceptíveis a determinados sinistros do que um jovem adoescente soteiro e sem fihos. Porém, o probema é ainda mais compexo. Não é apenas a forma como um veícuo é dirigido que infuencia o vaor da apóice. Também é necessário considerar o risco de o veícuo ser roubado ou não, o que depende excusivamente das regiões peas quais cada veícuo trafega. Essa segunda anáise é impossíve de ser feita através de dados secundários como no formuário utiizado. É impossíve prever onde e quando cada veícuo estará e que percursos serão usados durante a vigência da apóice. Portanto, o foco deste trabaho é priviegiar informações reevantes, como os dados de ocaização dentro de uma área de tráfego, ou seja, propor um processo de cassificação de veícuos o mais próximo da reaidade; baseado primeiramente nas áreas de risco, com grau de sinistros eevados, evantadas a priori peos agentes das seguradoras. Com essas informações, pode-se atribuir um vaor de risco a ser utiizado por empresas de seguro e possibiitar uma avaiação justa e mais adequada no vaor da apóice do assegurado. 3 Metodoogia proposta A metodoogia proposta propõe um sistema de cassificação de risco de veícuos através de dados primários e não apenas secundários, como é feito atuamente. Os dados primários são coetados por um móduo de rastreamento instaado nos veícuos, que envia periodicamente informações de posição, data e hora, veocidade, aceeração e distância percorrida em cada amostragem, num período entre 1 e 30 segundos. A metodoogia proposta utiiza os dados de posição, data e hora, em áreas específicas caracterizadas como arriscadas. Pretendendo-se finamente cassificar o grau de risco em função desses dados coetados; posteriormente, tratado com técnicas de inteigência artificia para cassificar determinado assegurado baseado em seu próprio histórico veicuar. 4 Arquitetura da coeta dos dados O sistema de rastreamento é composto de um móduo embarcado que envia os dados através de um modem GPRS (Genera Package Radio Service) para servidores especiaizados em receber e armazenar tais dados. Portanto, os usuários finais podem usufruir de uma série de serviços que vão desde o rastreamento em tempo rea até o controe da quiometragem, dentre outras possibiidades. Figura 1 - Arquitetura do sistema de rastreamento 5 Arquitetura do cassificador A arquitetura proposta consiste na utiização de técnicas de inteigência artificia para anaisar e avaiar o grau de risco a partir dos dados coetados. Mais especificamente na utiização da ógica fuzzy (Mende, 1995) e de redes neurais artificiais (Hashem,1991; Jordan, 1993; Lai, 2006). O sistema é composto de uma maha fuzzy de entrada que permite atribuir um vaor diário, ou por um período determinado, baseado nas áreas de risco que o veícuo trafegou e em tomadas de decisão baseado no conjunto de regras fuzzy. A motivação para a utiização da ógica fuzzy se deve ao fato da mesma propiciar conhecimento baseada em regras semânticas, posteriormente convertidas para vaores numéricos, com auxíio de um especiaista. Assim, a ógica fuzzy permite a incorporação de conhecimento do especiaista e não simpesmente um agoritmo pré-definido. A partir dos vaores numéricos de saída da maha fuzzy, um cassificador de riscos baseado em dados históricos de um indivíduo é, então, utiizado na cassificação particuar de um ciente, Figura 2. Figura 2 - Arquitetura do sistema de cassificação de risco Cabe ressatar aqui a necessidade do cassificador, no caso optou-se pea utiização de uma rede neura artificia tipo muti-ayer perceptron ou MLP (Haykin, 1999; Fahman, 1988; Duch, 2004; Rumehart,1986); pois os dados de riscos obtidos da maha fuzzy fornecem enorme quantidade de dados (graus de risco baseados em áreas previamente adotadas e em tempos de permanência, p.e.) para uma variedade de usuários. 3003

3 Portanto, na primeira etapa, e a partir da quantidade de dados obtidos dos diversos usuários, obtém-se um conjunto de dados de treinamento suficientes para formar um perfi padronizado de dados primários. E com esse conjunto padrão, cassificar outros usuários de forma rápida, utiizando-se da rede neura artificia previamente treinada com os dados de saída da maha fuzzy. A rede MLP é importante nessa fase, atuando como cassificadora, pea necessidade dos vários graus de riscos que podem ser atribuídos. Finamente, justifica-se a utiização das duas ferramentas, uma vez que a maha fuzzy é o agente especiaista do sistema, responsáve pea decisão quando ao grau de risco associado num determinado período de tempo; enquanto que a rede neura artificia, treinada a partir das informações desse agente especiaista, fornece o mapeamento para o grau de risco associado a um indivíduo, a partir de informações coetadas a quaquer tempo (histórico de dados). 6 Etapas da metodoogia O sistema desenvovido, desde o monitoramento até a anáise fina de risco, pode ser dividido em 6 etapas. 6.1 Etapa1 Envio de dados via móduo embarcado Nessa etapa os dados são coetados peo móduo de rastreamento desenvovido na empresa incubada, cuja tecnoogia não é discutida neste trabaho; e, posteriormente, enviados para um servidor, compactados com transmissão digita, onde ficam armazenados. Cada amostra enviada peo móduo pode conter as seguintes informações, dependendo do que se pretende, por exempo: a. Latitude e Longitude b. Data e Hora c. Veocidade e aceeração tridimensiona d. Distância percorrida desde a útima amostragem 6.2 Etapa 2 Pré-Cassificação de Risco Nessa etapa cada região mapeada recebe um vaor de risco, utiizando uma escaa cujo critério pode ser definido pea própria empresa de seguros ou por quem detém acesso ao sistema; portanto, isto permite fexibiidade para uma anáise a posteriori para cada caso. Um exempo que se adotou para apresentação da ferramenta neste trabaho, dividiu os níveis de risco em 11 vaores, de 0 a 10, com 0 considerando nenhum risco associado e o vaor 10, como risco máximo. Uma região (risco/área) fictícia criada com esse propósito é apresentada na Tabea 1. Nesta etapa o agente pode atribuir os graus de riscos associados às áreas de interesse dee. Se xo Tabea 1. Exempo de níve de risco por área Área Níve de Risco Etapa 3 Agrupamento dos dados Nessa etapa os dados coetados peo móduo são agrupados por região de risco. No fina tem-se uma tabea indicando o tempo de permanência do veícuo dentro de cada área de risco no período de 24 horas. A Tabea 2 apresenta um exempo de permanência diária. Tabea 2. Tempo de permanência diária em cada área Área Tempo (h) Tempo (%) Área Área Área ,5 Área Etapa 4 Variáveis de Entrada e Saída Fuzzy Tabea 3. Dados primários (mensa) e secundários Casado Fiho s Idade Distanc. (km) Áreas Tempo Saída (Risco) M S S Muita Pouca 1,2,4,Pouco, M N. N Média Pouca 1,2 Pouco, M S N Pouca 1 a 4 Pouco, Pouco, Pouco,Pouco F S N Muita Médio 2,3, M S S Pouco 1,2, M N N Média Pouco 1,2,3 Pouco,Médio, Pouco Médio Baixo Ato Ato Ato Médio 3004

4 As entradas fuzzy podem ser obtidas das seguintes variáveis apresentadas na Tabea 3, a útima couna apresenta o risco atribuído pea maha (saída fuzzy). O próximo passo é a geração das regras que reacionam as funções de pertinência da entrada com as funções de pertinência da saída, neste caso, o risco, couna 8 da Tabea 3. Cabe ressatar que as seguradoras podem se utiizar de vaores diferenciados para determinação da área de risco adotados na Tabea 2. Considerando ainda demais situações, como o tempo de permanência e outros critérios de mudança de riscos, p. e., período noturno diferente de período diurno. peo especiaista. Os níveis de riscos diários devem fornecer informações que compõem a base de dados com as informações dos diversos usuários monitorados e, a partir de então, formar um banco de dados gera cassificador de um usuário em um níve de risco quaquer. Vae embrar que os diversos agentes dispõem de critérios particuares para aceder ou não a uma prováve cassificação de risco, portanto, o banco de dados obtido é extremamente úti, pois fornece ao agente uma cassificação quanto ao grau de risco associado a um usuário, baseado no histórico diário de vários usuários. A Figura 3 apresenta a arquitetura fuzzy utiizada no trabaho. 6.5 Etapas 5 Geração das regras para a maha fuzzy Nesta etapa é necessário gerar as regras para o sistema fuzzy, que fornece um grau de risco fina. Um sistema fuzzy permite, por meio de regras, armazenar informações baseada numa impicação do tipo: SE <antecedente> ENTÃO <consequente>. O antecedente é formado por condições nebuosas que, quando satisfeitas, determinam o processamento consequente por um método de inferência nebuoso. Em (Godschmid e Passos, 2005) é exempificado um sistema para definição do vaor de apóice de seguro de vida de usuários de uma seguradora a partir de dados como idade e pressão arteria. Figura 3 Modeo Fuzzy para Cassificação de Risco Diário A Figura 4 apresenta as funções de pertinência trianguares iguamente iniciamente utiizadas. A partir da Tabea 3, podem-se eencar agumas regras que exempificam o método. Regra 1 - SE <idade> = MUITA E <fihos> <= SIM E <tempo_area1> = POUCO E <risco_area1> = BAIXO, ENTÃO <saída> = BAIXO Regra 2 - SE <casado> NÃO E <fihos> = NÃO E <tempo_area2> = MUITO E <risco_area2> = ALTO E <tempo_area3> = POUCO E <risco_area3> = ALTO, ENTÃO <saída> é = MÉDIO Regra 3 - SE <casado> = NÃO E <fihos> = NÃO E <distancia> MUITA E <tempo_area1> = ALTO E <risco_area2> = ALTO E <tempo_area4> = ALTO E <risco_area3> = ALTO, ENTÃO <saída> é = ALTO Seguindo essa ógica e utiizando-se de conhecimentos oriundos de um especiaista é possíve escrever todas as regras da maha fuzzy de acordo com o que é desejado. Nota-se que o número de regras é diretamente proporciona ao número de variáveis. Como as regras são geradas iniciamente por inspeção, é preciso eiminar as possíveis redundâncias que apareçam. O sistema fuzzy permite atribuir, então, um níve de risco para cada conjunto de variáveis envovido no processo e de acordo com as regras propostas Figura 4 Funções de Pertinência Trianguares A arquitetura gera de um sistema fuzzy é apresentada na Figura 5, onde a etapa de fuzzificação permite atribuir vaores para os conjuntos fuzzy. Ta procedimento é necessário, uma vez que as regras se encontram em variáveis ingüísticas com conjuntos fuzzy associados a eas. O método de inferência fuzzy é, portanto, responsáve peo processamento das regras nebuosas existentes, gerando um conjunto de saída a partir da composição de todas as regras, quando estas geram graus de pertinência não nuos (Rezende, 2003). Finamente, na fase de defuzzificação há a transformação dos conjuntos nebuosos em vaores numéricos. O modeo Mandani (Siva, ), Figura 5, é utiizado no processamento de conhecimento a partir dos dados coetados dos usuários. No modeo Mandani o processamento é do tipo inferência MAX-MIN, que corresponde às operações de união e intersecção fuzzy (operador máximo e mínimo). A composição de todas as regras ativadas é, então, reaizada através da união fuzzy. 3005

5 Figura 5 Modeo Mandani A transformação dos conjuntos fuzzy de saída em vaores numéricos podem ser obtidos por diversos métodos, como o método denominado Centro de Gravidade ou Centróide, Equação (1), a seguir. yˆ m c i1 m i1 yˆ c yˆ yˆ (1) Onde m é o número de intervaos de saída, ŷ é o vaor da variáve de saída para o intervao i e c ŷ é o grau de pertinência de ŷ em C. As saídas geradas peo sistema fuzzy dentro de um período age como um especiaista, atribuindo um vaor de risco de acordo com cada período. Desse modo, as regras e quantas outras que se fizerem necessárias, permitem obter um padrão característico baseado em informações de vários usuários ao ongo do tempo. Como exempo, a curva da Figura 6, apresenta a característica de um usuário padronizado monitorado e com a apicação da ógica difusa aos dados rastreados ao ongo de um período de um ano. Figura 6 - Risco diário cacuado pea maha fuzzy 6.6 Etapa6 Redes Neurais MLP como Cassificadores O banco de dados obtido com dados dos usuários fornece o grau de risco particuar, considerando os critérios adotados - permanência nas áreas de risco, apresentadas na Tabea 2, e demais variáveis, Tabea 3. A utiização da ógica difusa permite montar um banco de dados gera que considera o comportamento típico para um usuário. De posse dessas informações, um cassificador é necessário para quaificar, a partir de dados históricos o grau de risco em que este se insere. Nota-se que o processo fuzzy permitiu criar um banco de dados único a partir de vários usuários monitorados. Portanto, pode-se utiizar uma rede neura artificia, tipo MLP (mutiayerperceptron Haykin, 1999, 2001), para cassificar rapidamente o usuário nos vários graus de risco - a partir simpesmente de seu histórico. Vários outros critérios podem ser adotados e variam de acordo com o utiizador. Lembrando-se de que o sistema de monitoramento fornece os dados dos vários indivíduos; e o utiizador estabeece suas regras para obtenção de um banco de dados específico, gerando um conjunto de dados gera, mas atendendo a critérios previamente adotados. Com um comportamento gera, porém excusivo, uma RNA do tipo MLP é utiizada para cassificar o grau de risco associado ao histórico de um usuário quaquer. O treinamento da rede é feito com os dados gerados a partir da saída do sistema fuzzy. Portanto, os padrões de entrada da rede neura é o conjunto associado ao risco, obtidos dos vários indivíduos monitorados e das regras impostas, e o vaor esperado é o grau de risco associado ao conjunto. A curva da Figura 6 tem um comportamento competamente não inear de difíci anáise, quase aeatório. A Tabea 5 efetivamente mostra esse comportamento, quando os dados são estatisticamente tratados considerando os graus de riscos obtidos ao ongo do período de um ano. Os dados foram agrupados nos 11 níveis de risco fornecendo definitivamente o comportamento estatístico de uma curva Gaussiana (Teorema do Vaor Centra), ou seja, a média e o desvio padrão dos dados evantados para cada um dos riscos têm uma distribuição de probabiidade norma que não permite quaquer tentativa de comparação com dados históricos de um usuário e consequentemente uma cassificação de risco adequada. Tabea 5. Agrupamento de usuário ( distribuição norma) Grau de Risco Usuários por Grupo de Risco (%) Desvio Padrão (%) 0 91,58 2, ,22 2, ,50 1, ,74 1, ,56 1, ,06 1, ,54 1, ,46 1, ,64 1, ,28 1, ,38 1,

6 A Figura 7 iustra uma arquitetura gera de uma rede tipo MLP. A arquitetura proposta é treinada com vaidação cruzada (Haykin, ; Fahman, 1988) e, por essa razão, o conjunto de dados iniciais é dividido em vetores de treinamento, vaidação e teste. Antes da fase de treinamento, os dados são normaizados e embarahados, para que a rede consiga obter uma generaização adequada das informações apresentadas (Haykin, ). Após as fases de treinamento, vaidação e teste, a rede neura MLP está pronta para cassificar os diferentes níveis de riscos associados a um comportamento quaquer, o conjunto de teste, ainda não apresentado a ea. e o vaor médio de cassificação correta, inha em destaque (vermeho). A configuração de rede que mostrou o mehor resutado, dentre as arquiteturas com 2 camadas intermediárias (menor erro de vaidação), apresentou 7 e 9 neurônios, respectivamente. Para treinamento utiizou-se as seguintes configurações para a camada intermediária: 1, 2 ou 3 camadas ocutas. Os resutados preiminares demonstraram que apenas 1 camada exigiria um número superior a 25 neurônios. E, abaixo disto, os resutados da cassificação foram insatisfatórios, com aproximadamente 50% de cassificação correta Cassificação Correta (% ) Figura 7 Rede MLP como Cassificadora de Risco 7 Apicação da Metodoogia A partir dos dados previamente tratados peo sistema fuzzy, obtém-se a curva apresentada na Figura 6. Esta curva, tida como representativa do comportamento padronizado de um usuário, de acordo com os critérios adotados nas Tabeas 2 e 3, é utiizada na segunda fase do processo de cassificação, propriamente. Os dados são, então, divididos em 3 conjuntos, a saber: treinamento, vaidação e teste, na proporção 60%, 20% e 20%, respectivamente. Todos os testes foram repetidos 10 vezes para mehor arquitetura de rede seecionada durante o processo automatizado de simuação; ou seja, utiizou-se a arquitetura MLP que apresentou o menor erro médio quadrático (MSE) para o conjunto de vaidação. Os resutados são apresentados na Tabea 6. Na Figura 8 são mostrados graficamente com o percentua de cassificações corretas para o conjunto de teste. Ressata-se que para cada um dos 10 casos processados, sempre um novo conjunto de treinamento, vaidação e teste é utiizado. Garantindo-se assim a confiabiidade da configuração da rede utiizada como cassificador. Uma vez que os pesos sinápticos da rede neura sempre são aeatoriamente iniciaizados para cada situação, a Figura 8 mostra também os 10 testes reaizados para cada grau de risco (quadrados azuis) Cassificações (10 Casos) Média de Acertos (10 Casos) Grau de Risco Figura 8 Cassificação MLP (Graus de Risco) Para 3 camadas intermediárias, em aguns casos, como para o conjunto de 5, 7 e 9 neurônios, respectivamente, resutados até piores ocorreram que o mehor caso seecionado - 2 camadas (7-9 neurônios). Portanto, estudos mais apurados são necessários para avaiar definitivamente a infuência do número de neurônios e camadas nos resutados da cassificação, ficando como uma proposta futura de trabaho. Como já apresentado e comentado, a Tabea 5 mostra que os agrupamentos de dados da saída após a defuzzificação, caracterizam-se por uma distribuição norma de probabiidades, apresentando todos os graus de risco praticamente no mesmo intervao de confiança. Confirmando, portanto, o comportamento norma do usuário típico. Assim, nota-se a dificudade inerente em cassificar um usuário em reação a quaquer níve de risco, mesmo depois de os dados serem tratados pea metodoogia difusa imposta na primeira fase. Sendo necessário um cassificador inteigente para fornecer subsídios às anáises subquentes. A Tabea 6 mostra efetivamente que a MLP é e- ficaz na cassificação de todos os níveis de riscos apresentados, desde que devidamente treinada e dentro de uma margem de toerância pausíve para a cassificação. 3007

7 Tabea 6. Resutado da cassificação com a mehor arquitetura MLP Grau de Risco Média de Cassificação Correta (%) Pior Caso (%) Mehor Caso (%) 0 83,94 81,62 85, ,63 82,58 88, ,91 79,24 88, ,84 82,82 86, ,72 77,52 87, ,66 83,53 87, ,49 84,96 89, ,16 86,39 89, ,85 82,82 91, ,54 85,20 91, ,42 86,16 89,50 8 Concusões A metodoogia proposta para cassificação de risco associada com monitoramento on-ine, tratamento por regras difusas e cassificação inteigente por redes neurais artificiais, mostrou reativo grau de confiabiidade e transparência na avaiação dos dados obtidos. Num primeiro momento, pode-se deduzir que o beneficiário direto seja a seguradora, que pode aceder ou não à apóice ao assegurado; porém, com os dados históricos em mãos, o ciente pode constatar que sua anáise de risco está ou adequada ao seu perfi de fato o que quase sempre não acontece. E, nestes casos, a negociação in oco ou não, com ambas as partes detendo dos mesmos critérios, fornecem subsídios para um vaor justo e negociáve, mais consistente com o histórico do assegurado. Com a metodoogia proposta, tem-se uma anáise muito mais eficiente e individuaizada de cada ciente, e economicamente viáve, pois depende apenas da utiização de móduos de rastreamento que são cada vez mais difundidos no mercado. As informações e o modeo de avaiação de risco proporcionam ainda um diferencia competitivo para as empresas e cientes, que se beneficiam dos serviços. Permitindo uma competição ainda mais criteriosa, com um novo modeo de avaiação primária de risco agregado ao vaor da apóice fina. Trabahos Futuros Na sequência deste trabaho, pretende-se incuir demais regras ao conjunto difuso. Por exempo, informações como veocidade, aceeração, etc. entre cada amostragem coetada peo móduo de rastreamento. Também, pode-se utiizar a cassificação de risco de acordo com o padrão de dirigibiidade de cada usuário, ou seja, agregam-se ao conjunto as condições os cuidados do condutor com o veícuo (manutenabiidade) e o seu comportamento ao dirigir: motorista cuidadoso e defensivo ou motorista descuidado e ofensivo. Agradecimentos CNPq, CAPES e FAPEMIG peo suporte financeiro durante a eaboração e desenvovimento deste projeto. Referências Bibiográficas Júio Bessa, Mudanças no mercado de seguros de carros aumentam a competição, Outubro de Fahman, S.E., An empirica study of earningspeed in backpropagation networks, TechnicaReport CMU-CS , Schoo of ComputerScience - Carnegie Meon University, Pittsburgh, PA, García, C., Artificia inteigence appied toautomatic supervision, diagnosis and contro insheet meta stamping processes, Journa of Materias Processing Technoogy, Vo ,p.p ,2005. Haykin, S., Redes Neurais princípios e prática. 2. ed. Porto Agre: Bookman, p. Haykin, S., Neura Networks: AComprehensive Foundation, 2ª ed., Prentice-Ha, Inc.Lin, C.T, Lee, C.S.G. (1996), Neura Fuzzy Systems: A Neuro-Fuzzy Synergism to Inteigent System,Prentice-Ha Internationa, Inc.,1999. Singh, V., Gupta, I. Gupta, H.O. (2005). ANNbased estimator for distiation inferentiacontro, Chemica Engineering and Processing, 44(7), pp Breiman, L., Bagging predictors, Technica Report Tech. rep. 421, Department ofstatistics, University of Caifornia, Berkeey, Brown, G. Diversity in Neura Network Ensembes Tese (Doctor of Phiosophy in Computer Science) - University of Birmingham, Duch, W., Setiono, R., Zurada, J. M. Computationa Inteigence Methods, for Rue-Based Data Understanding. Proceedings of the IEEE 92(5): pp Freund, Y., Schapire, R. E, Experiments with a new boosting agorithm, InMachine Learning: Proceedings of the Thirteenth Internationa Conference, Godsmith, R. R., Passos, E. Data Mining: Um Guia Prático. 1. ed. Rio de Janeiro: Campos, p. Hashem, S. Optima Linear Combinations of Neura Networks Tese (Doctor of Phiosophy) Purdue University, Jacobs, R. A., Jordan, M. I., Nowan, S. J., Hinton, G. E. Adaptive mixtures ofoca experts. Neura Computation, vo. 3, no 1, pp.79-87, Jordan, M. I., Jacobs, R. A. Hierarchica Mixtures of experts and the EMagorithm. In: Proceedings of 1993 Internationa Joint Conference on Neura Networks, pp Lai, K. K., et a. A Nove Noninear Neura Network Ensembe Mode for FinanciaTime Series Forecasting. V.N. Aexandrov et a. (Eds.): ICCS 2006, Part I, LNCS 3991,pp , Mende, J. M.: Fuzzy Logic Systems for Engineering: a Tutoria. In: Proc. IEEE, V. 83,No. 3, pp (1995)24. Oza, N. C. Onine Ensembe Learning Tese (Doctor of Phiosophy incomputer Science) - University of Caifornia at Berkeey, Pait, A. K., Popovic, D. Computationa Inteigence in Time Series Forecasting.1. ed. Londres: Springer-Verag, p. Perrone, Michae P., Cooper, Leon N., When Networks Disagree: Ensembe Methods for Hybrid Neura Networks, Rezende, S. O. Sistemas Inteigentes: Fundamentos e Apicações. 1. ed. São Pauo:Manoe, p. Ribeiro, C. V., Godsmith, R. R., Choren, R., Uma Proposta de MétodoHíbrido Fuzzy para Previsão de Séries Temporais, 5ºCONTECSI - Universidade desão Pauo, Junho de Rumehart, D. E., MCceand, J. L. Parae Distributed Processing:Exporations in the Microstructure of Cognition, Voume 1: Foundations, The MITPress, Schapire, R. E., et a. Boosting the margin: A new expanation for the effectiveness of voting methods. The Annas of Statistics, 26(5): , Siva, C. S. da, Previsão Mutivariada da Demanda Horária de Água em Sistemas Urbanos de Abastecimento Tese (Doutorado em Engenharia Civi),Universidade Estadua de Campinas, Siva, P. O. M. P., Previsão de Séries Temporais Utiizando Lógica Nebuosa.Trabaho de concusão de curso de Bachareado em Ciência da Computação, CentroUniversitário da Cidade do Rio de janeiro, Siva, P. O. M. P., Godsmith, R. R., Soares, J. A., Ferin, C., Previsão de Séries Temporais Utiizando Lógica Nebuosa, 4º CONTECSI - Universidade de São Pauo,