Detecção de Anomalias em Tempo Real sobre Fluxos Massivos de Dados

A detecção de anomalias em tempo real de fluxos maciços de dados é um dos importantes tópicos de pesquisa nos dias de hoje, devido ao fato de que a maior parte dos dados mundiais é gerada em processos temporais contínuos. Ele aborda vários problemas em muitos domínios, como saúde, educação, finanças, governo, etc. Neste trabalho, propomos uma melhoria desta abordagem implementada nos modelos de previsão HW e TDHW. O Algoritmo Genético (GA) é aplicado para otimizar periodicamente os parâmetros de suavização de HW e TDHW, além dos dois parâmetros de janelas deslizantes que melhoram a medida de desvio MASE da Hyndman e o valor do parâmetro de limiar que não define intervalo de confiança de anomalias. Propomos também uma nova função de otimização baseada nos conjuntos de dados de treinamento de entrada com os intervalos anotados de anomalias para detectar as anomalias corretas e reduzir o número de falsas anomalias.