Detección de anomalías en tiempo real en flujos de datos masivos

La detección de anomalías en tiempo real de flujos de datos masivos es uno de los temas de investigación más importantes en la actualidad, ya que la mayoría de los datos del mundo se generan en procesos temporales continuos. Se trata de un problema que afecta a muchos ámbitos, como la salud, la educación, las finanzas, la administración pública, etc. En este trabajo, proponemos una mejora de este enfoque implementado en modelos de previsión de HW y TDHW. Se aplica el Algoritmo Genético (AG) para optimizar periódicamente los parámetros de suavización de HW y TDHW, además de los dos parámetros de ventanas deslizantes que mejoran la medida de desviación MASE de Hyndman y el valor del parámetro de umbral que define el intervalo de confianza de no anomalía. También proponemos una nueva función de optimización basada en los conjuntos de datos de entrenamiento de entrada con los intervalos de anomalía anotados para detectar las anomalías correctas y reducir el número de falsas.