DTW Barycenter Averaging
DTW Barycenter Averaging (DBA) är en metod för att beräkna den genomsnittliga eller representativa sekvensen av en uppsättning tidsserier som respekterar temporal warping och elastisk distans. Till skillnad från euklidisk medelvärdesbildning, som kräver punktvis anpassning, minimerar DBA summan av Dynamic Time Warping (DTW)-avstånd, vilket ger ett meningsfullt genomsnitt för sekvenser med flexibla temporala anpassningar. Metoden introducerades av Petitjean och kollegor 2011 och används flitigt inom tidsserieklustring och sammanfattning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Dynamic Time Warping Barycenter Averaging. ScholarGate. https://scholargate.app/sv/time-series/dtw-barycenter-averaging
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Diskret vågtransformTidsserieanalys↔ jämför
- Dynamisk tidssvepningBeslutsfattande↔ jämför
- Hierarkisk klustringMaskininlärning↔ jämför
- K-means-klustringMaskininlärning↔ jämför
Similar methods
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →