Erkennung von Anomalien in Echtzeit über massive Datenströme

Die Erkennung von Anomalien in Echtzeit bei massiven Datenströmen ist heutzutage eines der wichtigsten Forschungsthemen, da die meisten Daten weltweit in kontinuierlichen zeitlichen Prozessen erzeugt werden. Es geht um verschiedene Probleme in vielen Bereichen wie Gesundheit, Bildung, Finanzen, Regierung usw. In dieser Arbeit schlagen wir eine Verbesserung dieses Ansatzes vor, der in HW- und TDHW-Vorhersagemodelle implementiert wird. Der Genetische Algorithmus (GA) wird zur regelmäßigen Optimierung der HW- und TDHW-Glättungsparameter zusätzlich zu den beiden Gleitfensterparametern eingesetzt, die das MASE-Abweichungsmaß von Hyndman und den Wert des Schwellenwertparameters verbessern, der das Konfidenzintervall für keine Anomalie definiert. Wir schlagen außerdem eine neue Optimierungsfunktion vor, die auf den eingegebenen Trainingsdatensätzen mit den kommentierten Anomalieintervallen basiert, um die richtigen Anomalien zu erkennen und die Anzahl der falschen Anomalien zu reduzieren.