Wykrywanie anomalii w czasie rzeczywistym za pomocą ogromnych strumien

Wykrywanie anomalii w czasie rzeczywistym ogromnych strumieni danych jest obecnie jednym z ważnych tematów badań, ponieważ większość światowych danych jest generowana w ciągłych procesach czasowych. Zajmuje się ona różnymi problemami w wielu dziedzinach, takich jak zdrowie, edukacja, finanse, rząd, itp. W niniejszej pracy proponujemy udoskonalenie tego podejścia wdrożonego w modelach prognostycznych HW i TDHW. Algorytm genetyczny (GA) jest stosowany do okresowej optymalizacji parametrów wygładzania HW i TDHW, oprócz dwóch parametrów okien przesuwnych, które poprawiają MASĘ Hyndmana w zakresie odchyłki i wartości parametru progowego, który nie definiuje przedziału ufności anomalii. Proponujemy również nową funkcję optymalizacji opartą na wejściowych zbiorach danych szkoleniowych z anotowanymi interwałami anomalii w celu wykrycia właściwych anomalii i zmniejszenia liczby fałszywych.