Av Akademikerverlag 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 ...

Preisspanne: 54,90€ - 54,90€*

Billigster Preis

Deals

Preis (inkl. MwSt.)
Händler
Lieferstatus
Shop
54,90 €* Kostenloser Versand
Lieferbar: 3-6 Tage
Daten vom 2026-03-02
Änderungen vorbehalten
Zum Shop
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 und Regierung. 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 angewandt, zusätzlich zu den beiden Schiebefenster-Parametern, 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 ...

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 und Regierung. 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 angewandt, zusätzlich zu den beiden Schiebefenster-Parametern, 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 ...
Verfassen Sie einen Erfahrungsbericht


Sehr Unzufrieden            Sehr Zufrieden


*Preise können sich seit der letzten Aktualisierung erhöht haben. Alle Preise inkl. MwSt.