Echtzeit-Anomalie-Erkennung über riesige Datenströme

Die Echtzeit-Erkennung von Anomalien in massiven Datenströmen ist heute eines der wichtigsten Forschungsthemen, da der Großteil der Weltdaten in kontinuierlichen zeitlichen Prozessen erzeugt wird. Sie befasst sich mit verschiedenen Problemen in vielen Bereichen wie Gesundheit, Bildung, Finanzen, Regierung usw. In dieser Arbeit schlagen wir eine Erweiterung dieses in HW- und TDHW-Prognosemodellen implementierten Ansatzes vor. Der Genetische Algorithmus (GA) wird zur periodischen Optimierung von HW- und TDHW-Glättungsparametern zusätzlich zu den beiden Schiebefenster-Parametern angewandt, die Hyndmans MASE-Maß der Abweichung und den Wert des Schwellenparameters, der kein Anomalie-Konfidenzintervall definiert, verbessern. Wir schlagen auch eine neue Optimierungsfunktion vor, die auf den eingegebenen Trainingsdatensätzen mit den annotierten Anomalieintervallen basiert, um die richtigen Anomalien zu erkennen und die Anzahl der falschen zu reduzieren.