Виявлення аномалій у часових рядах методами машинного навчання без використання патернів

Скорочена інформація про документ
dc.contributor.advisorТкач, Володимир Миколайович
dc.contributor.authorПолянський, Ян Валентинович
dc.date.accessioned2025-08-07T13:07:28Z
dc.date.available2025-08-07T13:07:28Z
dc.date.issued2024
dc.description.abstractОбсяг дипломної роботи 53 сторінки, 23 ілюстрацій, 1 таблиця, 1 додаток і 12 джерел літератури. Об’єкт дослідження: Часові ряди даних, що характеризують поведінку різних систем, інтернет-трафік або інші динамічні процеси, які потребують моніторингу та виявлення аномалій Предмет дослідження: Методи та алгоритми для виявлення аномалій у часових рядах, зокрема використання додаткових ознак та моделей LSTM. Мета дослідження: Розробка ефективного методу виявлення аномалій у часових рядах шляхом створення та використання додаткових ознак і навчання моделі LSTM для підвищення точності прогнозування та ідентифікації аномалій. Методи дослідження: Вивчення існуючих методів виявлення аномалій у часових рядах, опис та застосування математичних моделей для обробки та аналізу часових рядів, використання статистичних характеристик, навчання моделей LSTM для прогнозування та виявлення аномалій у часових рядах. Проведення експериментів. Отримані результати: Розроблено та реалізовано метод виявлення аномалій у часових рядах з використанням додаткових ознак та моделі LSTM, що дозволило підвищити точність виявлення аномалій. Проведено тестування на реальних даних, що підтвердило ефективність запропонованого методу.
dc.description.abstractotherThe volume of the thesis is 53 pages, 23 illustrations, 1 table, 1 appendix and 12 sources of literature. Object of research: Time series of data characterising the behaviour of various systems, Internet traffic or other dynamic processes that require monitoring and anomaly detection. Subject of research: Methods and algorithms for detecting anomalies in time series, including the use of additional features and LSTM (Long Short-Term Memory) models. Research objective: To develop an effective method for detecting anomalies in time series by creating and using additional features and training the LSTM model to improve the accuracy of forecasting and identifying anomalies. Research methods: Study of existing methods for detecting anomalies in time series, description and application of mathematical models for processing and analysing time series, use of statistical characteristics, training of LSTM models for forecasting and detecting anomalies in time series. Experiments. Results: A method for detecting anomalies in time series using additional features and LSTM model has been developed and implemented, which has improved the accuracy of anomaly detection. Testing on real data was conducted, which confirmed the effectiveness of the proposed method.
dc.format.extent53 c.
dc.identifier.citationПолянський, Я. В. Виявлення аномалій у часових рядах методами машинного навчання без використання патернів : дипломна робота ... бакалавра : 125 Кібербезпека / Полянський Ян Валентинович. – Київ, 2024. – 53 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/75473
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectчасові ряди
dc.subjectвиявлення аномалій
dc.subjectLSTM
dc.subjectдодаткові ознаки
dc.subjectмашинне навчання
dc.subjecttime series
dc.subjectanomaly detection
dc.subjectadditional features
dc.subjectmachine learning
dc.titleВиявлення аномалій у часових рядах методами машинного навчання без використання патернів
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Polianskyi_bakalavr.pdf
Розмір:
1.46 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ІБ)
Бакалаврські роботи