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 temas de investigação importantes hoje em dia devido ao facto de a maior parte dos dados mundiais ser gerada em processos temporais contínuos. Aborda vários problemas em muitos domínios, tais como saúde, educação, finanças, governo, etc. Neste trabalho, propomos uma melhoria desta abordagem implementada nos modelos de previsão HW e TDHW. O Algoritmo Genético (AG) é aplicado para optimizar periodicamente os parâmetros de suavização de HW e TDHW, para 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 nenhum intervalo de confiança de anomalias. Propomos também uma nova função de optimização baseada nos conjuntos de dados de treino de entrada com os intervalos anotados de anomalias para detectar as anomalias certas e reduzir o número de anomalias falsas.