Changepoint detection in network activity measurement data

Thumbnail Image

Files

master_Hyytiäinen_Tatu_2019.pdf (3.36 MB)

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2019-08-20

Department

Major/Subject

Mathematics

Mcode

SCI3054

Degree programme

Master’s Programme in Mathematics and Operations Research

Language

en

Pages

58 + 5

Series

Abstract

This work focuses on finding methods for estimating changepoints in observed time series. To achieve this, we review some theoretical background, introduce existing methods for estimating changepoints and compare the methods in simulations. We apply the chosen methods to network activity measurement data, and find out how well they work in different problem settings. We also consider dimension reduction in order to make changepoint detection computationally lighter. For most network activity measurement time series, that are aggregates over the activity measured from many users, we find that changepoint detection works reliably. The detection is harder in time series that represent the activity of a single user. The results work as a solid foundation for building changepoint estimation tools for applications.

Tässä työssä keskitytään löytämään menetelmiä havaittujen aikasarjojen muutospisteiden estimointiin. Tätä varten käymme läpi ongelman teoreettista taustaa, esittelemme mentelmiä muutospisteiden estimointiin ja vertailemme niitä simulaatioissa. Sovellamme valittuja menetelmiä verkkoliikenneaktiivisuusaineistoon, ja selvitämme kuinka hyvin ne toimivat käytännön ongelmien parissa. Pyrimme myös pienentämään aineiston dimensiota, jotta ongelmasta tulisi laskennallisesti kevyempi. Suurimmalle osalle verkkoliikenneaktiivisuusaikasarjoista, jotka ovat yhdistelmiä useiden käyttäjien aktiivisista muutospisteistä, tunnistetaan luotettavasti. Tunnistus on vaikeampaa yksittäisten käyttäjien aktiivisuutta kuvaaville aikasarjoille. Työn tulokset toimivat vakaana pohjana käytännön työkaluja varten.

Description

Supervisor

Ilmonen, Pauliina

Thesis advisor

Virta, Joni
Mohtachemi, Mikael

Keywords

changepoints, changepoint detection, time series, principal component analysis

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-201908254912

Collections

[dipl] Perustieteiden korkeakoulu / SCI