Tez detayları

Anomaly detection in temporal data mining = Zamansal veri madenciliğinde anomali tespiti

Yazarlar:

Onat, Mehmet Yavuz

Yayıncı:

Dokuz Eylül Üniversitesi

Ana Başlıklar:

Matematik

Belge Tipi:

Tezler

Program Tipi:

Yüksek Lisans

Yayın Tarihi:

12/2014

Belge Dili:

İngilizce

Document ID (Org No.):

2000286157

Anahtar sözcükler:

İstatistik

Özet

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.

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.

Tez detayları

Anomaly detection in temporal data mining = Zamansal veri madenciliğinde anomali tespiti

Yazarlar: Onat, Mehmet Yavuz

Yayıncı: Dokuz Eylül Üniversitesi

Ana Başlıklar: Matematik

Belge Tipi: Tezler

Program Tipi: Yüksek Lisans

Yayın Tarihi: 12/2014

Belge Dili: İngilizce

Document ID (Org No.): 2000286157