เปรียบเทียบวิธี

	การหาค่าเฉลี่ยแบบศูนย์กลางของ DTW (DTW Barycenter Averaging)	การจัดกลุ่มแบบ K-means
สาขาวิชา	อนุกรมเวลา	การเรียนรู้ของเครื่อง
ตระกูล	Process / pipeline	Machine learning
ปีกำเนิด	2011	1967 (formalized 1982)
ผู้ริเริ่ม	François Petitjean	MacQueen, J. B.; Lloyd, S. P.
ประเภท	Distance-based time-series aggregation	Partitional clustering
แหล่งต้นตำรับ	Salvador, S., & Chan, P. (2004). FastDTW: Toward accurate dynamic time warping in linear time and space. Intelligent Data Analysis, 11(5), 561–580.	Lloyd, S. P. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129–137.
ชื่อเรียกอื่น	DBA, DTW-BA, Barycenter Averaging	k-means clustering, Lloyd's algorithm, k-means partitioning, hard k-means
ที่เกี่ยวข้อง	4	4
สรุป	DTW Barycenter Averaging (DBA) is a method for computing the average or representative sequence of a set of time series that respects temporal warping and elastic distance. Unlike Euclidean averaging which requires point-wise alignment, DBA minimizes the sum of Dynamic Time Warping (DTW) distances, producing a meaningful average for sequences with flexible temporal alignments. Introduced by Petitjean and colleagues in 2011, it is widely used in time-series clustering and summarization.	K-means is a classic unsupervised partitional clustering algorithm that divides a dataset into K non-overlapping groups by iteratively assigning each observation to its nearest centroid and updating centroids as the mean of their assigned points. It is one of the most widely used exploratory tools in machine learning and data analysis.