DTW Barycenter Averaging
DTW Barycenter Averaging (DBA) er en metode til at beregne den gennemsnitlige eller repræsentative sekvens af et sæt tidsserier, der respekterer tidsmæssig warping og elastisk afstand. I modsætning til euklidisk gennemsnit, som kræver punktvis alignment, minimerer DBA summen af Dynamic Time Warping (DTW) afstande, hvilket producerer et meningsfuldt gennemsnit for sekvenser med fleksible tidsmæssige alignments. Den blev introduceret af Petitjean og kolleger i 2011 og bruges bredt inden for tidsserie-clustering og -summering.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- Salvador, S., & Chan, P. (2004). FastDTW: Toward accurate dynamic time warping in linear time and space. Intelligent Data Analysis, 11(5), 561–580. link ↗
- Petitjean, F., Ketterlin, A., & Gançarski, P. (2011). A global averaging method for dynamic time warping, with applications to clustering. Pattern Recognition, 44(3), 678–693. DOI: 10.1016/j.patcog.2010.09.013 ↗
- Cuturi, M., & Blondel, M. (2016). Soft-DTW: A differentiable loss function for time-series. arXiv preprint arXiv:1703.01541. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Dynamic Time Warping Barycenter Averaging. ScholarGate. https://scholargate.app/da/time-series/dtw-barycenter-averaging
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Diskret wavelet-transformationTidsserier↔ sammenlign
- Dynamic Time WarpingBeslutningstagning↔ sammenlign
- Hierarkisk grupperingMaskinlæring↔ sammenlign
- K-means ClusteringMaskinlæring↔ sammenlign
Similar methods
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →