Anomaly detection and performance analysis with exponential smoothing model powered by genetic algorithms and meta optimization in traffic data
Trafik verilerinde genetik algoritmalar ve meta optimizasyonla güçlendirilmiş exponential smoothing modeli ile anomali tespiti ve performans analizi
- Tez No: 891139
- Danışmanlar: DOÇ. DR. TANER ARSAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Kadir Has Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 69
Özet
Bu çalışma, Numenta Anomaly Benchmark'ın (NAB) gerçek zamanlı trafik veri setleri üzerinde tahminleme yapan Third Order Exponential Smoothing modelinin parametrelerini optimize etmek amacıyla genetik algoritma kullanmaktadır. Ayrıca, genetik algoritma optimizasyon sürecini daha verimli hale getirmek için meta-optimizasyon tekniklerinden yararlanılarak anomali tespitindeki doğruluğu önemli ölçüde artıran yenilikçi bir yaklaşım sunmaktadır. Önerilen metodoloji, trafik yönetim sistemlerinde kritik olan veri akışlarındaki sapmaları tespit etmek için çeşitli trafik veri senaryolarına karşı farklı veri setleri üzerinde test edilmiştir. NAB'nin skorlama sistemini kullanarak yapılan karşılaştırmalı performans analizi, bu araştırmada geliştirilen yöntemin mevcut NAB algoritmalarının çoğundan üstün olduğunu ve NAB'nin önde gelen algoritmalarıyla rekabet edebildiğini göstermektedir. 'standart' için 54.32, 'reward_low_FP' için 53.73 ve 'reward_low_FN' için 69.54 skorları elde eden önerilen yaklaşım, sırasıyla NAB algoritmalarının ortalamasına göre %3.13, %2.70 ve %3.24 oranında bir iyileşme sağlamış, önemli bir gelişme kaydetmiştir. Bulgular, önerilen yaklaşımın sadece yüksek hassasiyetle anormallikleri tespit etmekle kalmayıp, aynı zamanda manuel yeniden kalibrasyon gerektirmeden değişen veri özelliklerine dinamik olarak uyum sağladığını göstermektedir. Bu çalışma, güvenilir izleme sağlayan ve potansiyel olarak etkin trafik yönetimi ve planlamayı kolaylaştıran sağlam bir trafik anomali tespit yöntemi önermektedir. Çalışmanın sonuçları, gerçek zamanlı veri izleme ve anormallik tespiti gerektiren diğer alanlara da genişletilebilir, farklı bağlamlar ve gereksinimlere uyum sağlayabilen ölçeklenebilir bir çözüm sunmaktadır.
Özet (Çeviri)
This study employs a genetic algorithm to optimize the parameters of the Third Order Exponential Smoothing model for predicting on the real-time traffic datasets of the Numenta Anomaly Benchmark (NAB). Moreover, it suggests a new approach to apply meta-optimization techniques to make the genetic algorithm optimization process more efficient so as to get improved accuracy in anomaly detection. The proposed methodology has been tested on various traffic data scenarios across different datasets to detect deviations critical to traffic management systems. Comparisons in performance using NAB's scoring system clearly show that the method developed in this research outperforms most of the existing NAB algorithms and competes with the leading algorithms in NAB. Achieving scores of 54.32 for 'standard', 53.73 for 'reward_low_FP', and 69.54 for 'reward_low_FN', the proposed approach shows an improvement of 3.13%, 2.70%, and 3.24% respectively over the average NAB algorithms, marking a significant enhancement. The findings indicate that the proposed approach not only detects anomalies with high precision but also dynamically adapts to changing data characteristics without requiring manual recalibration. This study proposes a robust traffic anomaly detection method that ensures reliable monitoring and potentially facilitates effective traffic management and planning. The results of the study can be extended to other areas requiring real-time data monitoring and anomaly detection, offering a scalable solution adaptable to different contexts and requirements.
Benzer Tezler
- A comparative study of classical and machine learning approaches for time series forecasting: An empirical analysis on exports in turkey
Zaman serilerinin tahminlenmesinde klasik ve makine öğrenmesi yaklaşımlarına yönelik karşılaştırmalı bir çalışma: Türkiye'nin ihracatı üzerine deneysel bir analiz
EDA GÜNEL
Yüksek Lisans
İngilizce
2020
EkonometriOrta Doğu Teknik Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. CEYLAN YOZGATLIGİL
- Data-driven design and analysis of next generation mobile networks for anomaly detection and signal classification with fast, robust and light machine learning
Hızlı, Sağlam ve Hafif Makine Öğrenmesi ile Anormallik Algılaması ve Sinyal Sınıflandırması için Yeni Nesil Mobil Ağların Veriye Dayalı Tasarımı ve Analizi
MUHAMMED FURKAN KUCUK
Doktora
İngilizce
2022
Elektrik ve Elektronik MühendisliğiUniversity of South FloridaHaberleşme Ana Bilim Dalı
DOÇ. DR. İSMAİL UYSAL
- Detection and classifying security attacks in wireless sensor networks
Başlık çevirisi yok
MOHAMMED HASAN HASSOON DARWEESH
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER KURNAZ
- Hiperspektral görüntülerin dönüşüm temelli yöntemler ile sıkıştırılması
Compression of hyperspectral images by transformation based methods
ERGÜN CAN
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KEMAL GÜLLÜ
- Makine öğrenmesi uygulamalarının FPGA gerçeklemesi ve performans analizi
FPGA implementation and performance analysis of machine learning applications
HALİL ASİL AYDIN
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. SADİYE NERGİS TURAL POLAT