DTW Barycenter Averaging
DTW Barycenter Averaging (DBA) is een methode voor het berekenen van de gemiddelde of representatieve sequentie van een set tijdreeksen die temporele vervorming en elastische afstand respecteert. In tegenstelling tot Euclidische middeling, die punt-gewijze uitlijning vereist, minimaliseert DBA de som van Dynamic Time Warping (DTW) afstanden, wat resulteert in een betekenisvol gemiddelde voor sequenties met flexibele temporele uitlijningen. Geïntroduceerd door Petitjean en collega's in 2011, wordt het veelvuldig gebruikt in tijdreeksclustering en -samenvatting.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Dynamic Time Warping Barycenter Averaging. ScholarGate. https://scholargate.app/nl/time-series/dtw-barycenter-averaging
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Discrete Wavelet TransformTijdreeksen↔ vergelijken
- Dynamische TijdvervormingBesluitvorming↔ vergelijken
- Hiërarchische clusteringMachine learning↔ vergelijken
- K-means ClusteringMachine learning↔ vergelijken
Similar methods
Een fout op deze pagina gezien? Meld het of stel een correctie voor →