Nous utilisons des cookies pour améliorer votre expérience. Pour nous conformer à la nouvelle directive sur la vie privée, nous devons demander votre consentement à l’utilisation de ces cookies. En savoir plus.
Détection d'anomalies en temps réel sur des flux de données massifs
Univ Europeenne - EAN : 9786139567140
Édition papier
EAN : 9786139567140
Paru le : 1 juin 2020
54,90 €
52,04 €
Disponible
Pour connaître votre prix et commander, identifiez-vous
Notre engagement qualité
-
Livraison gratuite
en France sans minimum
de commande -
Manquants maintenus
en commande
automatiquement -
Un interlocuteur
unique pour toutes
vos commandes -
Toutes les licences
numériques du marché
au tarif éditeur -
Assistance téléphonique
personalisée sur le
numérique -
Service client
Du Lundi au vendredi
de 9h à 18h
- EAN13 : 9786139567140
- Réf. éditeur : 8659891
- Editeur : Univ Europeenne
- Date Parution : 1 juin 2020
- Disponibilite : Disponible
- Barème de remise : NS
- Nombre de pages : 120
- Format : H:229 mm L:152 mm E:7 mm
- Poids : 188gr
- Interdit de retour : Retour interdit
- Résumé : 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.
