Anomaly detection in temporal data mining

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalı, Türkiye

Tezin Onay Tarihi: 2015

Tezin Dili: İngilizce

Öğrenci: MEHMET YAVUZ ONAT

Danışman: ENGİN YILDIZTEPE

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

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.