Ανίχνευση σπάνια εµφανιζόµενων γεγονότων µε χρήση βαθέων αρχιτεκτονικών νευρωνικών δικτύων
Σε πολλούς τομείς της επιστήμης, η ανίχνευση σπάνια εμφανιζόμενων περιπτώσεων αποτελεί ένα σημαντικό πρόβλημα και η επίλυση του, πέρα από ερευνητικό ενδιαφέρον, έχει τεράστιο πρακτικό αντίκτυπο. Από την εφαρμογή συστημάτων ανίχνευσης ανωμαλιών σε επιχειρήσεις για την άμεση ανταπόκριση σε βλάβες συσκ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15488 |
| id |
nemertes-10889-15488 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ανίχνευση ανωμαλιών Πρόβλεψη χρονοσειρών Βαθιά μάθηση Συνελικτικά νευρωνικά δίκτυα Μηχανική μάθηση Τεχνητή νοημοσύνη Anomaly detection Time-series forecasting Deep learning Convolutional neural networks Machine learning Artificial intelligence |
| spellingShingle |
Ανίχνευση ανωμαλιών Πρόβλεψη χρονοσειρών Βαθιά μάθηση Συνελικτικά νευρωνικά δίκτυα Μηχανική μάθηση Τεχνητή νοημοσύνη Anomaly detection Time-series forecasting Deep learning Convolutional neural networks Machine learning Artificial intelligence Φλώρος, Παναγιώτης Ανίχνευση σπάνια εµφανιζόµενων γεγονότων µε χρήση βαθέων αρχιτεκτονικών νευρωνικών δικτύων |
| description |
Σε πολλούς τομείς της επιστήμης, η ανίχνευση σπάνια εμφανιζόμενων περιπτώσεων αποτελεί ένα σημαντικό πρόβλημα και η επίλυση του, πέρα από ερευνητικό ενδιαφέρον, έχει τεράστιο πρακτικό αντίκτυπο. Από την εφαρμογή συστημάτων ανίχνευσης ανωμαλιών σε επιχειρήσεις για την άμεση ανταπόκριση σε βλάβες συσκευών με αποτέλεσμα την ελαχιστοποίηση της ζημειάς, μέχρι την χρήση τέτοιων στην Ιατρική για την αναγνώριση πιθανών ασθενειών, είναι προφανές ότι η δημιουργία τέτοιων συστημάτων αποτελεί ουσιώδη και ωφέλιμη για τον καθένα. Αρχικά στα πλάισια της εργασίας, παρουσιάζονται βασικές έννοιες και μέθοδοι επίλυσης του προβλήματος από τους τομείς της μηχανικής μάθησης και της βαθέας μηχανικής μάθησης. Στην συνέχεια, παρουσιάζεται η προσέγγιση αυτής της εργασίας για την επίλυση του προβλήματος, η οποία είναι η χρήση βαθέων νευρωνικών δικτύων για την πρόβλεψη χρονοσειρών και η εεφαρμογή του κατωφλιού για την ανίχνευση ανωμαλιών. Εξετάζεται η σχέση της πρόβλεψης χρονοσειρών με την ανίχνευση ανωμαλιών καθώς και η επιλογή ενός αποτελεσματικού κατωφλιού. Είναι σημαντικό να αναφερθέι ότι δεν υπάρχει μεθοδολογία για την εύρεση της βέλτιστης τιμής του κατωφλίου. Επίσης, υλοποιήθηκαν δύο μοντέλα για την ανίχνευση ανωμαλιών πάνω σε δεδομένα από μετρήσεις της άεργης και φαινομένης ισχύς ενός ορόφου χωρίς ετικέτες. Για την επιλογή των καλύτερων μοντέλων χρησιμοποιήθηκαν δεδομένα χωρίς ανωμαλίες στα οποία εισήχθηκαν τεχνητές ανωμαλίες και για την εκτίμηση της απόδοσης τους τα αποτελέσματα τους σε πραγματικά δεδομένα συγκρίθηκαν με αποτελέσματα από μοντέλα της Yodiwo. Τα μοντέλα της Yodiwo εκπαιδεύτηκαν στα ίδια δεδομένα όπου εκπαιδεύτηκαν και τα μοντέλα της εργασίας. Τέλος, τα αποτελέσματα έδειξαν ότι τα μοντέλα πρόβλεψης χρονοσειρών τα οποία προσπαθούν να προβλέψουν την ακριβή τιμή είναι λιγότερο αποτελεσματικά στην ανίχνευση ανωμαλιών καθώς σε διαστήματα ανώμαλων τιμών προσπαθούν να προβλέψουν τις ακριβείς τιμές των ανωμαλιών, ενώ μοντέλα τα οποία προσπαθούν να προβλέψουν την τάση και την περιοδικότητα της χρονοσειράς αντί για τις ακριβείς τιμές της έχουν καλύτερα αποτελέσματα στην ανίχνευση ανωμαλιών. |
| author2 |
Floros, Panagiotis |
| author_facet |
Floros, Panagiotis Φλώρος, Παναγιώτης |
| author |
Φλώρος, Παναγιώτης |
| author_sort |
Φλώρος, Παναγιώτης |
| title |
Ανίχνευση σπάνια εµφανιζόµενων γεγονότων µε χρήση βαθέων αρχιτεκτονικών νευρωνικών δικτύων |
| title_short |
Ανίχνευση σπάνια εµφανιζόµενων γεγονότων µε χρήση βαθέων αρχιτεκτονικών νευρωνικών δικτύων |
| title_full |
Ανίχνευση σπάνια εµφανιζόµενων γεγονότων µε χρήση βαθέων αρχιτεκτονικών νευρωνικών δικτύων |
| title_fullStr |
Ανίχνευση σπάνια εµφανιζόµενων γεγονότων µε χρήση βαθέων αρχιτεκτονικών νευρωνικών δικτύων |
| title_full_unstemmed |
Ανίχνευση σπάνια εµφανιζόµενων γεγονότων µε χρήση βαθέων αρχιτεκτονικών νευρωνικών δικτύων |
| title_sort |
ανίχνευση σπάνια εµφανιζόµενων γεγονότων µε χρήση βαθέων αρχιτεκτονικών νευρωνικών δικτύων |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15488 |
| work_keys_str_mv |
AT phlōrospanagiōtēs anichneusēspaniaemphanizomenōngegonotōnmechrēsēbatheōnarchitektonikōnneurōnikōndiktyōn AT phlōrospanagiōtēs anomalydetectionusingdeepneuralnetworks |
| _version_ |
1771297190671548416 |
| spelling |
nemertes-10889-154882022-09-05T09:40:50Z Ανίχνευση σπάνια εµφανιζόµενων γεγονότων µε χρήση βαθέων αρχιτεκτονικών νευρωνικών δικτύων Anomaly detection using deep neural networks Φλώρος, Παναγιώτης Floros, Panagiotis Ανίχνευση ανωμαλιών Πρόβλεψη χρονοσειρών Βαθιά μάθηση Συνελικτικά νευρωνικά δίκτυα Μηχανική μάθηση Τεχνητή νοημοσύνη Anomaly detection Time-series forecasting Deep learning Convolutional neural networks Machine learning Artificial intelligence Σε πολλούς τομείς της επιστήμης, η ανίχνευση σπάνια εμφανιζόμενων περιπτώσεων αποτελεί ένα σημαντικό πρόβλημα και η επίλυση του, πέρα από ερευνητικό ενδιαφέρον, έχει τεράστιο πρακτικό αντίκτυπο. Από την εφαρμογή συστημάτων ανίχνευσης ανωμαλιών σε επιχειρήσεις για την άμεση ανταπόκριση σε βλάβες συσκευών με αποτέλεσμα την ελαχιστοποίηση της ζημειάς, μέχρι την χρήση τέτοιων στην Ιατρική για την αναγνώριση πιθανών ασθενειών, είναι προφανές ότι η δημιουργία τέτοιων συστημάτων αποτελεί ουσιώδη και ωφέλιμη για τον καθένα. Αρχικά στα πλάισια της εργασίας, παρουσιάζονται βασικές έννοιες και μέθοδοι επίλυσης του προβλήματος από τους τομείς της μηχανικής μάθησης και της βαθέας μηχανικής μάθησης. Στην συνέχεια, παρουσιάζεται η προσέγγιση αυτής της εργασίας για την επίλυση του προβλήματος, η οποία είναι η χρήση βαθέων νευρωνικών δικτύων για την πρόβλεψη χρονοσειρών και η εεφαρμογή του κατωφλιού για την ανίχνευση ανωμαλιών. Εξετάζεται η σχέση της πρόβλεψης χρονοσειρών με την ανίχνευση ανωμαλιών καθώς και η επιλογή ενός αποτελεσματικού κατωφλιού. Είναι σημαντικό να αναφερθέι ότι δεν υπάρχει μεθοδολογία για την εύρεση της βέλτιστης τιμής του κατωφλίου. Επίσης, υλοποιήθηκαν δύο μοντέλα για την ανίχνευση ανωμαλιών πάνω σε δεδομένα από μετρήσεις της άεργης και φαινομένης ισχύς ενός ορόφου χωρίς ετικέτες. Για την επιλογή των καλύτερων μοντέλων χρησιμοποιήθηκαν δεδομένα χωρίς ανωμαλίες στα οποία εισήχθηκαν τεχνητές ανωμαλίες και για την εκτίμηση της απόδοσης τους τα αποτελέσματα τους σε πραγματικά δεδομένα συγκρίθηκαν με αποτελέσματα από μοντέλα της Yodiwo. Τα μοντέλα της Yodiwo εκπαιδεύτηκαν στα ίδια δεδομένα όπου εκπαιδεύτηκαν και τα μοντέλα της εργασίας. Τέλος, τα αποτελέσματα έδειξαν ότι τα μοντέλα πρόβλεψης χρονοσειρών τα οποία προσπαθούν να προβλέψουν την ακριβή τιμή είναι λιγότερο αποτελεσματικά στην ανίχνευση ανωμαλιών καθώς σε διαστήματα ανώμαλων τιμών προσπαθούν να προβλέψουν τις ακριβείς τιμές των ανωμαλιών, ενώ μοντέλα τα οποία προσπαθούν να προβλέψουν την τάση και την περιοδικότητα της χρονοσειράς αντί για τις ακριβείς τιμές της έχουν καλύτερα αποτελέσματα στην ανίχνευση ανωμαλιών. In many science fields, anomaly detection is a very important problem and it's solution, besides scientific interest, has a huge practical impact. From applying anomaly detection systems in corporate environments to respond immediately to device malfunctions resulting in minimizing damage, to using such systems in the medical field to detect potential illnesses, it's obvious that the creation of such systems is essential and beneficial to everyone. Initially in this thesis, basic concepts are introduced as well as methods of approaching solutions for the problem from the fields of machine learning and deep learning. Then, the approach of this thesis to a solution to the problem is introduced, which is using deep neural networks for time series forecasting and applying a threshold for anomaly detection. The relationship between time series forecasting and anomaly detection is investigated as well as the choice of an appropriate threshold. It's important to note that there is no methodology for finding the best threshold value. Moreover, two models were implemented for anomaly detection upon data from apparent power and reactive power measurements of a building floor without labels. To select the best models, data that did not contain anomalies were injected with artificial anomalies were used and for estimating their performance the output of the models for real data were compared to those of Yodiwo's models. Yodiwo's models were also trained with the same training data as the models in this thesis. Finally, the results showed that the timeseries forecasting models that tried to predict the exact values of the timeseries were less effective in anomaly detection as when the anomalies were lasting, those models tried to predict the exact values of the anomalies, whereas the models that were trying to predict the trend and seasonality of the timeseries instead of the exact values had better results in anomaly detection. 2021-11-02T06:57:58Z 2021-11-02T06:57:58Z 2021-10-27 http://hdl.handle.net/10889/15488 gr application/pdf |
