Real-Time Anomalie Detectie over massale gegevensstromen

Real-time anomaliedetectie van massale datastromen is tegenwoordig een van de belangrijke onderzoeksthema's, omdat het grootste deel van de werelddata in continue tijdsprocessen wordt gegenereerd. Het behandelt verschillende problemen in vele domeinen zoals gezondheid, onderwijs, financiën, overheid, enz. In dit werk stellen we een verbetering voor van deze aanpak die is geïmplementeerd in HW- en TDHW-voorspellingsmodellen. Het Genetic Algorithm (GA) wordt toegepast om de HW en TDHW afvlakkingsparameters periodiek te optimaliseren naast de twee schuifraamparameters die Hyndman's MASE meting van de afwijking en de waarde van de drempelparameter die geen anomaliebetrouwbaarheidsinterval definieert, verbeteren. We stellen ook een nieuwe optimaliseringsfunctie voor op basis van de ingevoerde trainingsdatasets met de geannoteerde anomalie-intervallen om de juiste anomalieën te detecteren en het aantal valse anomalieën te verminderen.