Rilevamento di anomalie in tempo reale su massicci flussi di dati

Il rilevamento di anomalie in tempo reale di massicci flussi di dati è uno dei temi di ricerca più importanti al giorno d'oggi, dato che la maggior parte dei dati mondiali viene generata in processi temporali continui. Essa affronta vari problemi in molti settori come la sanità, l'istruzione, la finanza, il governo, ecc. In questo lavoro, proponiamo un miglioramento di questo approccio implementato nei modelli di previsione HW e TDHW. L'Algoritmo Genetico (GA) viene applicato per ottimizzare periodicamente i parametri di lisciatura HW e TDHW in aggiunta ai due parametri delle finestre scorrevoli che migliorano la misura MASE di Hyndman della deviazione e il valore del parametro di soglia che non definisce alcun intervallo di confidenza dell'anomalia. Proponiamo anche una nuova funzione di ottimizzazione basata sui dataset di addestramento in ingresso con gli intervalli di anomalia annotati per rilevare le anomalie giuste e ridurre il numero di quelle false.