Detección de anomalías en tiempo real en flujos de datos masivos

La detección de anomalías en tiempo real de flujos masivos de datos es uno de los temas de investigación más importantes hoy en día debido a que la mayoría de los datos mundiales se generan en procesos temporales continuos. Aborda varios problemas en muchos campos como la salud, la educación, las finanzas, el gobierno, etc. En este trabajo, proponemos una mejora de este enfoque aplicado en los modelos de previsión de HW y TDHW. El Algoritmo Genético (GA) se aplica para optimizar periódicamente los parámetros de suavizado de HW y TDHW, además de los dos parámetros de ventanas deslizantes que mejoran la medida MASE de Hyndman de la desviación y el valor del parámetro de umbral que define el intervalo de confianza sin anomalías. También proponemos una nueva función de optimización basada en los conjuntos de datos de entrenamiento de entrada con los intervalos de anomalías anotados para detectar las anomalías correctas y reducir el número de las falsas.