Détection d'anomalies en temps réel sur des flux de données massifs

La détection d'anomalies en temps réel dans des flux de données massifs est l'un des principaux sujets de recherche actuels, car la plupart des données dans le monde sont générées dans des processus temporels continus. Elle répond à divers problèmes dans de nombreux domaines tels que la santé, l'éducation, la finance, le gouvernement, etc. Dans ce travail, nous proposons une amélioration de cette approche mise en ¿uvre dans les modèles de prévision HW et TDHW. L'Algorithme Génétique (AG) est appliqué pour optimiser périodiquement les paramètres de lissage HW et TDHW en plus des deux paramètres de fenêtres glissantes qui améliorent la mesure de déviation MASE d'Hyndman et la valeur du paramètre de seuil qui définit l'intervalle de confiance sans anomalie. Nous proposons également une nouvelle fonction d'optimisation basée sur les ensembles de données d'entraînement d'entrée avec les intervalles d'anomalies annotés pour détecter les bonnes anomalies et réduire le nombre de fausses.