การหาค่าเฉลี่ยแบบศูนย์กลางของ DTW (DTW Barycenter Averaging)
DTW Barycenter Averaging (DBA) เป็นวิธีการคำนวณลำดับเวลาที่เป็นตัวแทนหรือค่าเฉลี่ยของชุดข้อมูลอนุกรมเวลา โดยคำนึงถึงการบิดเบือนเชิงเวลา (temporal warping) และระยะทางแบบยืดหยุ่น (elastic distance) ต่างจากการหาค่าเฉลี่ยแบบยุคลิด (Euclidean averaging) ซึ่งต้องการการจัดตำแหน่งแบบจุดต่อจุด (point-wise alignment) DBA จะลดผลรวมของระยะทาง Dynamic Time Warping (DTW) ให้เหลือน้อยที่สุด ทำให้ได้ค่าเฉลี่ยที่มีความหมายสำหรับลำดับที่มีการจัดตำแหน่งเชิงเวลาที่ยืดหยุ่น วิธีการนี้ถูกนำเสนอโดย Petitjean และคณะในปี 2011 และถูกนำไปใช้อย่างแพร่หลายในการจัดกลุ่มอนุกรมเวลา (time-series clustering) และการสรุปข้อมูล (summarization).
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Dynamic Time Warping Barycenter Averaging. ScholarGate. https://scholargate.app/th/time-series/dtw-barycenter-averaging
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การแปลงเวฟเลตแบบไม่ต่อเนื่องอนุกรมเวลา↔ เปรียบเทียบ
- Dynamic Time Warpingการตัดสินใจ↔ เปรียบเทียบ
- การจัดกลุ่มแบบลำดับชั้นการเรียนรู้ของเครื่อง↔ เปรียบเทียบ
- การจัดกลุ่มแบบ K-meansการเรียนรู้ของเครื่อง↔ เปรียบเทียบ