C++ 中快速动态时间规整和聚类
本论文介绍一种新的可训练时间扭曲算法(TTW),该算法的时间复杂度线性增长,其使用 sinc 卷积核和梯度优化技术在连续时间域内执行对多个时间序列的对齐, 并在对 85 个 UCR 数据集的时间序列平均和分类任务中表现比广义时间扭曲(GTW)更优秀。
Mar, 2019
本文介绍了一种可扩展的准确方法,用于使用动态时间扭曲 (DTW) 发现时间序列 Motifs,该方法可以在时间和较低下限的紧密度之间自动执行最佳权衡,并且在现实设置下,该算法可以删除多达 99.99%的 DTW 计算。
Sep, 2020
本文介绍了一种基于广义时间对齐的词典学习算法,该算法使用连续基函数来提高时间对齐的连续性,并通过优化问题来联合优化时间对齐路径、词典和稀疏系数。该算法在分类和聚类方面表现出优秀的性能,并已在公共数据集上进行了验证。
Jun, 2023
本文提出了一种基于 LB Improved 相关思想的 Dynamic Time Warping 算法,相比于传统的 LB Keogh 方法,本方法能够更快速、准确地在时间序列中查找最近邻。
Nov, 2008
在这篇论文中,描述了城市交通模式聚类的两个重要应用:第一个应用程序通过使用具有相似交通模式的道路段的速度来给地图块上色以估计缺失的速度值。第二个应用程序是使用不同道路段的相似模式来生成地图上某个当地点的地址所需的基本道路段的估计。本文提出了基于 K-Means 和动态时间规整的时间序列聚类算法。我们提出的算法的案例研究基于 Snapp 应用程序的司机速度时间序列数据。这两个应用程序的结果表明,所提出的方法能够提取相似的城市交通模式。
Sep, 2023
本文研究了使用 Dynamic Time Warping 方法对光谱时间序列数据进行相似性比对,并发现结合 k-Nearest Neighbour 算法可以提高准确性,但当数据跨越多个波长时,如果使用了平均值和方差等数据聚合统计方法,DTW 的效果将不明显,因此在机器学习中,有时候大数据胜过复杂模型。
Oct, 2020
为解决全局 DTW 算法匹配不合理的问题,本文提出一种名为 shapeDTW 的改进算法,它根据点对点的局部结构信息来提高匹配的精度。当 shapeDTW 作为距离度量用于最近邻分类器时,它在 84 个 UCR 时间序列数据集的 64 个上显著优于 DTW,并且通过使用适当设计的局部结构描述符,在 18 个数据集上将准确率提高了 10% 以上。
Jun, 2016
本文提出了一种神经网络模型来进行任务自适应时间对齐,使用注意力模型开发了一个明确的具有更大畸变不变性的时间对齐机制,并通过度量学习进行训练,与传统的基于 DTW 的可学习模型不同,它能够学习目标任务的最佳数据相关对齐,实验证明了我们模型在在线签名验证方面的超过 DTW 并且创造了最先进的性能。
Sep, 2023
该研究使用区间动态时间规整法(iDTW)从医学记录中提取数据特征,实现肿瘤、乙肝和糖尿病患者记录的分类和预测,并比较使用抽象数据与原始时间戳数据间的性能差异。
May, 2021
本文提出了一种基于双层优化和深度声明网络的 DTW 层,可以将 DTW 表示为连续的优化问题,并计算出最优的对齐路径,可用于自动化的时间序列数据对齐。
Mar, 2023