DTW-keskiarvo
DTW-keskiarvo (DBA) on menetelmä aikasarjojen joukon keskiarvon tai edustavan sekvenssin laskemiseksi, joka ottaa huomioon ajallisen vääristymisen ja elastisen etäisyyden. Toisin kuin euklidinen keskiarvo, joka vaatii pisteittäisen kohdistuksen, DBA minimoi dynaamisen aikavääristymisen (DTW) etäisyyksien summan, tuottaen merkityksellisen keskiarvon sekvensseille, joilla on joustavat ajalliset kohdistukset. Petitjeanin ja kollegoiden vuonna 2011 esittelemä menetelmä on laajalti käytössä aikasarjojen klusteroinnissa ja tiivistämisessä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Dynamic Time Warping Barycenter Averaging. ScholarGate. https://scholargate.app/fi/time-series/dtw-barycenter-averaging
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Diskreetti aallokkomuunnos (DWT)Aikasarjat↔ vertaa
- Dynaaminen ajan vääristymäPäätöksenteko↔ vertaa
- Hierarkkinen ryvästyminenKoneoppiminen↔ vertaa
- K-means-klusterointiKoneoppiminen↔ vertaa
Similar methods
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →