Wykrywanie anomalii w czasie rzeczywistym za pomoc¿ ogromnych strumien

Wykrywanie anomalii w czasie rzeczywistym ogromnych strumieni danych jest obecnie jednym z wänych tematów badä, poniewä wi¿kszo¿¿ ¿wiatowych danych jest generowana w ci¿g¿ych procesach czasowych. Zajmuje si¿ ona ró¿nymi problemami w wielu dziedzinach, takich jak zdrowie, edukacja, finanse, rz¿d, itp. W niniejszej pracy proponujemy udoskonalenie tego podej¿cia wdro¿onego w modelach prognostycznych HW i TDHW. Algorytm genetyczny (GA) jest stosowany do okresowej optymalizacji parametrów wyg¿adzania HW i TDHW, oprócz dwóch parametrów okien przesuwnych, które poprawiaj¿ MAS¿ Hyndmana w zakresie odchy¿ki i warto¿ci parametru progowego, który nie definiuje przedziäu ufno¿ci anomalii. Proponujemy równie¿ now¿ funkcj¿ optymalizacji opart¿ na wej¿ciowych zbiorach danych szkoleniowych z anotowanymi interwäami anomalii w celu wykrycia w¿äciwych anomalii i zmniejszenia liczby fäszywych.