Att hitta avvikelser i data kan rädda liv och minska miljöförstöring

Ett viktigt arbete vid analys av stora datamängder är att hitta avvikelser. Kan vi hitta dem kan oönskade scenarier förhindras. En forskare vid BTH har med hjälp av AI tagit fram metoder för att hitta avvikelser. Forskningen har fokuserats på maritim övervakning, fjärrvärmenät samt media- och sekventiella dataströmmar.

Ett viktigt problem vid analys av stora datamängder är att identifiera avvikelser eller anomalier. De uppkommer inom många olika områden som exempelvis bedrägliga beteenden, hälsoprofiler, mediaströmmar eller olika typer av felaktigheter i system.

Shahrooz Abgharis forskning i datavetenskap har fokuserat på att utveckla tekniker för att modellera "normalbeteendet" i datamängden och att ta fram metoder för att identifiera avvikande mönster i datamängden. Metoderna är baserade på maskininlärning och data mining.

Avvikelsedetektering måste ofta anpassas till den specifika domän som man vill undersöka. Att utveckla generella metoder som anpassas till ett specifikt område är utmanande och kräver ofta stöd av en domänexpert. Shahrooz Abghari har i sin forskning arbetet inom tre olika tillämpningsområden: maritim övervakning, fjärrvärmenät och media- och sekventiella dataströmmar.

Inom området maritim övervakning har han samarbetat med Kustbevakningen i Karlskrona med syftet att identifiera misstänkta fartygsrörelser. Studien fokuserade på hur man kan använda öppen och allmän tillgänglig data för att följa passagerar-, frakt- och tankfartyg i Östersjön och Finska viken. Med hjälp av system för detektera avvikande fartygsrörelser så kan man rädda liv och minska miljöförstöring genom att olyckor undviks eller förhindra tjuvfiske och smuggling.

Tillsammans med Ericsson Research i Kista har metoder tagits fram för att identifiera avvikande beteenden i strömmande mediadata, främst videosekvenser. Genom att upptäcka plötsliga förändringar i exempelvis buffring, bithastigheter eller användarkommandon i olika videoströmmar så kan man indikera på systemproblem som exempelvis överbelastning. Metoderna baseras på att vissa sekvenser av händelser i videoströmmen oftare hänger samman med felaktigheter.

Tillsammans med Noda Intelligent Systems har Shahrooz Abghari tagit fram metoder för att identifiera felaktigheter i fjärrvärmeväxlare. Feldetektering i fjärrvärmenät reducerar underhållskostnader, minskar utsläpp genom mindre energiåtgång och ger nöjdare kunder. Inom ramen för arbetet har metoder för att visualisera data utvecklats så att en operatör lättare kan förstå och använda dem.

Disputationen är öppen för allmänheten.

Dag: Tisdagen den 1 december
Tid: Klockan 13:00-15:00
Plats: Disputationen sker digitalt via Zoom.
Vänligen meddela eva-lotta.runesson@bth.se senast den 26 november om du planerar delta digitalt. Länken till Zoom-mötet skickas ut till dem som anmält sig.

Länk till avhandlingen

För mer information, kontakta Shahrooz Abghari (engelsktalande) via e-post: shahrooz.abghari@bth.se
Läs mer om forskningen på https://www.bth.se/bigdata