time_series:dtw

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision		Previous revision
time_series:dtw [2014/08/07 14:15] – [PDTW] phreazertime_series:dtw [2014/12/25 01:11] (current) – [Literatur] phreazer
Line 4: Line 4:
 Iterative Deepening Dynamic Time Warping for Time Series Iterative Deepening Dynamic Time Warping for Time Series
  
 +Normalisieren der Distanzen mit der Länge des Warping Path. (Siehe "Indexing Multi-Dimensional Time-Series").
 ==== PDTW ==== ==== PDTW ====
  
Line 9: Line 10:
 Approximieren einer Zeitreihe durch Segmentierung in gleichlange Teile und Mittelwert der Datenpunkte innerhalb dieser Punkte. Approximieren einer Zeitreihe durch Segmentierung in gleichlange Teile und Mittelwert der Datenpunkte innerhalb dieser Punkte.
  
 +==== Multidimensional DTW (MD-DTW) ====
 +Zuerst Normalisieren jeder Dimension von t und r.
  
 +$$d(i,j) = \sum_{k=1}^K(t(k,i)-r(k,j))^2$$
 +
 +==== Multiple Multidimensional DTW ====
 +
 +Gleichzeitiges Alignment mehrerer Zeitreihen
 +
 +Quelle: Multiple Multidimensional Sequence Alignment Using Generalized Dynamic Time Warping
 ==== Literatur ==== ==== Literatur ====
 === A Scalable Method for Time Series Clustering === === A Scalable Method for Time Series Clustering ===
Line 16: Line 26:
 Dynamic Time Warping (DTW) has been applied in time series mining to resolve the difficulty caused when clustering time series of varying lengths in Euclidean space or containing possible out-of-phase similarities (Berndt & Clifford, 1994; Keogh, 2002; Ratanamahatana & Keogh, 2004). [...] but is not defined if a single data point is missing. Dynamic Time Warping (DTW) has been applied in time series mining to resolve the difficulty caused when clustering time series of varying lengths in Euclidean space or containing possible out-of-phase similarities (Berndt & Clifford, 1994; Keogh, 2002; Ratanamahatana & Keogh, 2004). [...] but is not defined if a single data point is missing.
  
 +
 +=== Indexing ===
 +
 +Vergleich einer Query mit allen anderen Trajektorien problematisch. Trajektorien, die weit entfernt für eine gegebene Anfrage liegen, sollten nicht untersucht werden.
 +
 +Schema:
 +1. Segmentieren der ZR in MBRs, speichern in R-Baum
 +2. Gegeben Anfrage  Q, Bereiche, die übereinstimmen können, werden durch die Konstruktion eines Minimum Bounding Envelopes erkannt.
 +3. Der MBE wird zerteilt in MBRs, die in Index gespeichert sind.
 +4. Basierend auf den MBR Überschneidungen werden Ähnlichkeitsschätzungne berechnet. Nur für hinreichend ähnliche ZR werden Distanzen berechnet.
  
  
  
  • time_series/dtw.1407413712.txt.gz
  • Last modified: 2014/08/07 14:15
  • by phreazer