Process / pipelineTime-series alignment and averaging
DTW Barycenter Averaging (DBA)
DTW Barycenter Averaging (DBA)는 시계열 데이터셋의 평균 또는 대표 시퀀스를 계산하는 방법으로, 시간적 왜곡(temporal warping)과 탄성 거리(elastic distance)를 고려합니다. 점별 정렬(point-wise alignment)을 요구하는 유클리드 평균(Euclidean averaging)과 달리, DBA는 동적 시간 왜곡(Dynamic Time Warping, DTW) 거리의 합을 최소화하여 시간적 정렬이 유연한 시퀀스에 대한 의미 있는 평균을 생성합니다. 2011년 Petitjean 등이 제안한 이 방법은 시계열 군집화 및 요약에 널리 사용됩니다.
MethodMind에서 열기곧 제공Apply, compare, get guidance
Tools & resources
Learn & explore
동영상곧 제공
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
방법 지도
관련 방법들로 이루어진 인접 영역 — 노드를 선택해 살펴보세요.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Dynamic Time Warping Barycenter Averaging. ScholarGate. https://scholargate.app/ko/time-series/dtw-barycenter-averaging
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
- 이산 웨이블릿 변환 (Discrete Wavelet Transform, DWT)시계열 분석↔ 비교
- 동적 시간 왜곡 (Dynamic Time Warping)의사결정↔ 비교
- 계층적 군집화머신러닝↔ 비교
- K-means 군집화머신러닝↔ 비교