Anomaly detection in temporal data mining
Zamansal veri madenciliğinde anomali tespiti
- Tez No: 410669
- Danışmanlar: YRD. DOÇ. DR. ENGİN YILDIZTEPE
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2015
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 67
Özet
Zamansal veri madenciliği büyük miktarda zamansal veri içerisinden otomatik olarak ilgi çeken desenleri veya ilişkileri bularak veri hakkında anlamlı ve geçerli bilgi vermeyi amaçlar. Endeksleme, kümeleme, sınıflama, tahmin etme, özetleme, anomali tespiti ve bölümleme zamansal veri madenciliğinde önde gelen uygulama alanlarıdır. Zamansal veri içerisinde anomali tespiti veya farklılık tespiti ilgi çekici desenlerin saptanması olarak tanımlanmaktadır. Literatürde birçok anomali tespiti algoritması bulunmaktadır. Bu tezde, HOT-SAX, WAT, PAV ve MPAV algoritmaları incelenmiş ve performansları gerçek ve sentetik zaman serileri kullanılarak test edilmiştir. Ayrıca, sembolik zamansal veri temsil yöntemleri incelenmiş ve bu yöntemlerin geçerliliği anomali tespiti açısından test edilmiştir. Genel olarak HOT-SAX algoritması diğer anomali tespiti algoritmalarına göre ve Trend-based Symbolic Approximation diğer veri temsil yöntemlerine göre daha başarılı sonuçlar vermiştir. Anomali tespiti algoritmalarının ve veri temsil yöntemlerinin performanslarının karşılaştırılmasında anomalileri bilinen zaman serileri kullanılmıştır. Uygulamada R istatistiksel programlama dili kullanılmıştır.
Özet (Çeviri)
Temporal data mining is interested in analyzing big amount of temporal data to automatically discover interesting patterns or relationships which gives useful information. Getting the valid, useful information is the main motivation of temporal data mining. The major tasks of temporal data mining are; indexing, clustering, classification, prediction, summarization, anomaly detection and segmentation. In temporal data, anomaly detection or novelty detection is the identification of interesting patterns. Several anomaly detection algorithms have been proposed in the literature. In this thesis, anomaly detection methods, HOT-SAX, WAT, PAV and MPAV are investigated and accuracy of these methods is tested with real and synthetic time series data sets. Also, symbolic family of temporal data representation techniques is examined and effectiveness of these representation techniques is tested in terms of anomaly detection. Time series data sets with tagged anomaly points were used for comparing anomaly detection and representation methods. R statistical programming language was used for application. In general HOT-SAX algorithm performed better than other anomaly detection algorithms and Trend-based symbolic representation technique had better accuracy than other representation techniques.
Benzer Tezler
- Yağış serilerinde kümeleme ve anormallik tespiti için yoğunluk tabanlı veri madenciliği algoritmalarının geliştirilmesi
Development of density based data mining algorithms for clustering and anomaly detection in precipitation time series
AHMET ÖZEKES
Yüksek Lisans
Türkçe
2021
Çevre MühendisliğiErciyes ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİLİZ DADAŞER ÇELİK
- Unsupervised concept drift detection using sliding windows: Two contributions
Kayan pencereler ile güdümsüz kavram sürüklemesinin saptanması: İki yöntem
ÖMER GÖZÜAÇIK
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FAZLI CAN
- Deniz trafiği analizinde anomali belirleme yöntemlerinin kullanımı
Anomaly detection methods in maritime traffic analysis
SİBEL ALKAN İZMİRLİ
Yüksek Lisans
Türkçe
2023
DenizcilikDokuz Eylül Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENGİN YILDIZTEPE
- Environmental applications of hyperspectral anomaly and target detection algorithms
Hiperspektral anomali ve hedef tespiti algoritmalarının çevresel uygulamaları
HİLAL SOYDAN
Doktora
İngilizce
2017
Maden Mühendisliği ve MadencilikOrta Doğu Teknik ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
PROF. DR. CELAL KARPUZ
DR. ALPER KOZ
- A hybrid deep learning framework for unsupervised anomaly detection in multivariate spatio-temporal data
Uzamsal-zamansal çok boyutlu verilerde denetimsiz anomali tespiti için hibrit derin öğrenme çerçevesi
YILDIZ KARADAYI
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET NAFİZ AYDIN
DR. ÖĞR. ÜYESİ ARİF SELÇUK ÖĞRENCİ