Détection d'anomalies en temps réel sur des flux de données massifs

La détection en temps réel des anomalies des flux massifs de données est l'un des sujets de recherche importants de nos jours, car la plupart des données mondiales sont générées dans des processus temporels continus. Elle aborde divers problèmes dans de nombreux domaines tels que la santé, l'éducation, les finances, le gouvernement, etc. Dans ce travail, nous proposons une amélioration de cette approche mise en oeuvre dans les modèles de prévision HW et TDHW. L'algorithme génétique (GA) est appliqué pour optimiser périodiquement les paramètres de lissage HW et TDHW, en plus des deux paramètres à fenêtre glissante qui améliorent la mesure MASE de Hyndman de la déviation et la valeur du paramètre seuil qui définit l'intervalle de confiance d'absence d'anomalie. Nous proposons également une nouvelle fonction d'optimisation basée sur les ensembles de données d'entraînement d'entrée avec les intervalles d'anomalie annotés pour détecter les bonnes anomalies et réduire le nombre de fausses anomalies.