Comparing Temporal Graphs Using Dynamic Time Warping
TU Berlin(柏林工业大学)
在许多现实世界的网络中,节点对之间的链接会随着时间的推移而变化。因此,最近出现了一个研究时间图的热潮。识别时序图中的模式需要一个接近度来比较不同的时序图。为此,我们建议研究时间图上的动态时间弯曲。我们定义动态时间图弯曲距离(dtgw)来决定两个时间图的相异性。我们的新措施是灵活的,可以应用于各种应用领域。我们表明,计算dtgw距离是一个具有挑战性的(一般)NP-难优化问题,并确定一些多项式时间可解的特殊情况。此外,我们开发了一个二次规划公式和一个有效的启发式。在真实数据的实验中,我们表明,启发式执行非常好,我们的dtgw距离表现良好,在去匿名网络相比,其他方法。
2020-07-06 cs.LG stat.ML
Fast Gradient-Based Approximation of Continuous Dynamic Time Warping
INRIA Rennes(法国国家信息与自动化研究所雷恩中心);IRISA, UMR 6074, CNRS, Université de Rennes(雷恩大学);IRISA, UMR 6074, CNRS, Université de Bretagne Sud(南布列塔尼大学)
本文提出FastCDTW,一种高效的连续动态时间规整近似求解器,含两种计算策略,可适配GPU,集成于时间序列平均、分类等任务验证了优势。
2026-10-12 cs.LG stat.ML
Feature Trajectory Dynamic Time Warping for Clustering of Speech Segments
University of Stellenbosch(斯泰伦博斯大学)
动态时间规整(DTW)可以用于计算通常不同长度的两个序列之间的相似性。我们提出了一个修改DTW,执行个人和独立的成对对齐的特征轨迹。修改后的技术,称为特征轨迹动态时间规整(FTDTW),适用于作为一个相似性度量的凝聚层次聚类的语音段。实验使用MFCC和PLP parametrisations提取TIMIT和阿拉伯语数字口语数据集(SADD)的F-措施和归一化互信息(NMI)的质量得到的集群一致和统计上显着的改善。
2018-10-30 cs.LG cs.SD eess.AS
Generalized Time Warping Invariant Dictionary Learning for Time Series Classification and Clustering
Peking University(北京大学);University of Iowa(爱荷华大学);Shanghai Jiao Tong University(上海交通大学)
本文提出一种广义时间规整不变字典学习算法,通过连续基函数线性组合构成的广义时间规整算子解决DTW的离散性过拟合问题,采用块坐标下降法联合优化参数,并在十组公共数据集上验证了其在分类与聚类任务中的优越性。
2023-06-30 cs.LG stat.ML
A Case-Study on the Impact of Dynamic Time Warping in Time Series Regression
University College Dublin(都柏林大学学院)
众所周知,动态时间规整(DTW)在揭示不完全对齐的时间序列之间的相似性方面是有效的。在本文中,我们说明了光谱时间序列数据。我们表明,DTW是有效的,在回归任务时,只有一个单一的波长被认为是提高精度。当与k-最近邻结合时,DTW具有额外的优点,即它可以在时间序列的水平上揭示样本之间的相似性和差异。然而,在这个问题中,我们认为这里的数据可以在波长的光谱中获得。如果在许多波长上使用聚合统计(均值、方差),DTW的优势就不再明显。我们将此作为大数据在机器学习中胜过复杂模型的另一个例子。
2020-10-11 cs.LG stat.ML
Amercing: An Intuitive, Elegant and Effective Constraint for Dynamic Time Warping
Monash University(莫纳什大学)
动态时间规整(DTW)及其约束(CDTW)和加权(WDTW)变体是具有广泛应用的时间序列距离。它们最大限度地减少了系列之间非线性对齐的成本。CDTW和WDTW已经被引入,因为DTW在其对齐中过于宽松。然而,CDTW使用粗糙的阶跃函数,允许在窗口内不受约束的灵活性,并且没有超出它WDTW的乘法权重是相对于沿着扭曲路径对齐的点之间的距离,而不是引入的扭曲量的直接函数。在本文中,我们介绍了Amerced动态时间规整(ADTW),一个新的,直观的,DTW的变种,惩罚行为的翘曲由一个固定的附加成本。像CDTW和WDTW一样,ADTW约束翘曲量。然而,它避免了在允许的扭曲量和乘法惩罚的限制中的突然不连续性。我们正式介绍ADTW,证明它的一些性质,并讨论其参数化。我们展示了一个简单的例子,它可以被参数化,以实现一个直观的结果,并证明其实用性的标准时间序列分类基准。我们提供了一个C++的演示应用程序。
2021-11-26 cs.LG
Trainable Time Warping: Aligning Time-Series in the Continuous-Time Domain
University of Michigan(密歇根大学)
DTW计算两个信号之间的相似性或对齐,受到时间扭曲。然而,其计算复杂性随着时间序列的数量呈指数增长。虽然已经开发出的算法在时间序列的数量上是线性的,但它们在时间序列长度上通常是二次的。例外的是广义时间扭曲(GTW),它具有线性计算成本。然而,它只能识别简单的时间弯曲函数。需要一种新的快速、高质量的多序列比对算法。我们引入了可训练时间规整(TTW),其复杂度在时间序列的数量和长度上都是线性的。TTW使用sinc卷积核和基于梯度的优化技术在连续时间域中执行对齐。我们比较了TTW和GTW在85个UCR数据集上的时间序列平均和分类。TTW在平均任务的67.1%的数据集上优于GTW,在分类任务的61.2%的数据集上优于GTW。
2019-03-21 cs.AI cs.CC cs.LG
Exact Mean Computation in Dynamic Time Warping Spaces
TU Berlin(柏林工业大学);Efficient Algorithms, TU Berlin(柏林工业大学高效算法);Algorithmics and Computational Complexity, TU Berlin(柏林工业大学算法与计算复杂性);Distributed Artificial Intelligence Laboratory, TU Berlin(柏林工业大学分布式人工智能实验室)
动态时间规整是分析时间序列的主要工具。特别是,在动态时间弯曲空间中计算给定序列样本的平均序列(通过最小化Fréchet函数)是一个具有挑战性的计算问题,迄今为止通过几种启发式和不精确策略解决。我们发现一些不准确的文献中的精确平均计算动态时间弯曲空间。我们的贡献包括一个精确的动态程序计算的平均值(有用的基准和评估已知的prostitics)。基于这个动态规划,我们实证研究了均值的唯一性和长度等性质。此外,实验评估显示,在其输出质量方面,国家的最先进的化学品的实质性赤字。对于二进制时间序列的特殊情况,我们也给出了一个精确的多项式时间算法。
2018-05-31 cs.DS cs.LG
Statistical Inference for the Dynamic Time Warping Distance, with Application to Abnormal Time-Series Detection
RIKEN(理化学研究所);Nagoya University(名古屋大学)
本文针对DTW距离抽样分布难推导的问题,提出基于conditional selective inference框架的统计推断方法,首次为DTW距离提供有效p值,并应用于异常时间序列检测。
2023-10-23 cs.LG stat.ML
Optimal Warping Paths are unique for almost every Pair of Time Series
Technische Universität Berlin(柏林工业大学)
在动态时间规整空间中学习的更新规则是基于参数和输入时间序列之间的最优规整路径。通常情况下,最优翘曲路径不是唯一的,这在理论和实践中产生了不利的影响。在平方误差局部成本的假设下,我们证明了在测度论意义上,没有两条翘曲路径几乎处处具有相同的成本。这个结果的两个直接结果是:(i)最优扭曲路径几乎在任何地方都是唯一的,以及(ii)具有多个等成本扭曲路径的所有时间序列对的集合与二次型的指数许多零集合的并集一致。所提出的结果的一个含义是,典型的基于距离的成本函数,如k-means目标是可微的几乎无处不在,可以通过次梯度方法最小化。
2018-03-02 cs.AI cs.LG stat.ML
Dynamic State Warping
University of Science and Technology of China(中国科学技术大学)
序列在许多领域中的普遍存在增强了序列学习的兴趣,其中一个基本问题是如何测量序列之间的距离。动态时间规整(DTW)通过非线性局部规整来对齐两个序列并返回距离值。DTW在视频、图像等应用中表现出优越的性能。然而,在DTW中,两个点的配对基本上是基于点到点的欧氏距离(ED),而不考虑序列的自相关性。因此,具有不同语义含义的点(例如,峰和谷)可以被匹配,只要它们的坐标值相似。因此,DTW对噪声敏感且难以解释。本文提出了一种高效灵活的序列比对算法--动态变形算法。DSW将每个时间点转换为潜在状态,从而赋予逐点自相关信息。通过使用状态序列来执行比对。因此,DSW能够产生比DTW更语义可解释的对齐。使用一个最近邻分类器,DSW显示出与ED(70/85胜)和DTW(74/85胜)相比在分类精度上的显著改善。我们还经验证明,DSW是更强大的,更好地扩展到长序列比ED和DTW。
2017-03-03 cs.LG
Revisiting Inaccuracies of Time Series Averaging under Dynamic Time Warping
Technische Universität Berlin(柏林工业大学)
本文回顾了\cite{Niennattrakul2007}对动态时间弯曲下时间序列平均误差的分析。作者提出了一个正确的标准,并介绍了漂移的平均值从集群。他们声称,如果平均值不正确或漂移,那么平均值就是不准确的。此外,他们还指出,这种不准确性是由于缺乏三角不等式造成的。我们表明,纠正版本的正确性标准是不可满足的,漂移的概念是几何和操作不确定的。满足三角不等式不足以达到正确性,也不需要克服漂移现象。我们将漂移的概念置于原则性的基础上,并表明作为Fréchet函数的全局最小值的样本均值永远不会漂移。调整后的漂移是一种测试近似一致程度的方法。实证结果表明,解决方案获得的国家的最先进的方法SSG和DBA是不相干的近似样本均值在超过三分之一的所有试验。
2018-09-07 cs.AI cs.LG stat.ML
Study of the impact of climate change on precipitation in Paris area using method based on iterative multiscale dynamic time warping (IMS-DTW)
LATMOS/CNRS/UVSQ/Université Paris-Saclay(LATMOS/法国国家科学研究中心/凡尔赛大学/巴黎萨克雷大学)
研究气候变化对降水的影响受到找到一种方法来评估降水变率随时间的演变的限制。由于降水的间歇性和不规则性,经典的方法(基于特征的)在这个问题上表现出了局限性。在本研究中,我们提出了动态时间扭曲方法的一种新变体,该方法基于形状比较量化两个降雨量时间序列之间的差异,用于对以日规模记录的年度时间序列进行聚类。这种基于形状的方法考虑了整个信息(变化性,趋势和不确定性)。我们使用基于特征的方法进一步标记每个聚类。在对巴黎蒙苏里斯地区的时间序列进行检验时,发现巴黎地区降水的变率逐年增加。
2019-10-22 cs.LG physics.ao-ph stat.AP
Time Series Data Augmentation for Neural Networks by Time Warping with a Discriminative Teacher
Kyushu Univeristy(九州大学)
神经网络已经成为模式识别中的强大工具,其成功的部分原因是使用大型数据集的泛化。然而,与其他领域不同,时间序列分类数据集通常很小。为了解决这个问题,我们提出了一种新的时间序列数据增强称为引导翘曲。虽然许多数据增强方法基于随机变换,但引导扭曲利用动态时间扭曲(DTW)和shapeDTW(一种基于形状描述符的高级DTW方法)的元素对齐特性来确定性地扭曲样本模式。以这种方式,通过扭曲样本模式的特征以匹配参考模式的时间步长来混合时间序列。此外,我们还引入了一个判别教师,以作为指导翘曲的直接参考。我们使用深度卷积神经网络(CNN)和递归神经网络(RNN)对2015年UCR时间序列档案中的所有85个数据集进行了评估。可以在https://github.com/uchidalab/time_series_augmentation上找到易于使用的实现代码。
2020-04-19 cs.LG stat.ML
Parameterizing the cost function of Dynamic Time Warping with application to time series classification
Monash University(莫纳什大学)
动态时间规整(DTW)是一种流行的时间序列距离度量,它将两个序列中的点彼此对齐。这些对齐支持时间维度的扭曲,以允许以不同速率展开的过程。该距离是在时间维度的任何允许的扭曲上所产生的路线的成本的最小总和。两个点的对齐成本是这些点的值之差的函数。原始成本函数是该差值的绝对值。已提出其他成本函数。一个流行的替代方法是差值的平方。然而,据我们所知,这是第一次调查使用不同成本函数的相对影响和调整成本函数以适应不同任务的潜力。我们在本文中这样做,通过使用一个可调的成本函数λγ参数γ。我们发现,γ值越高,对较大的成对差异的权重越大,而γ值越低,对较小的成对差异的权重越大。我们证明,训练γ显着提高了DTW最近邻和邻近森林分类器的准确性。
2023-03-29 cs.LG
Expert enhanced dynamic time warping based anomaly detection
Technical University of Kosice(科希策技术大学);Kempelen Institute of Intelligent Technologies(凯姆彭智能技术研究所)
本研究提出专家增强动态时间规整异常检测方法E-DTWA,以DTW为基础引入人在回路机制,兼具高效检测、灵活重训练及低计算与空间复杂度的优势。
2023-10-02 cs.AI cs.LG
Clustering of Bank Customers using LSTM-based encoder-decoder and Dynamic Time Warping
Amirkabir University of Technology(阿米尔卡比尔理工大学)
聚类是一种无监督的数据采掘技术,可用于细分客户。客户的有效聚类使银行能够根据目标客户的特征设计和提供服务。本研究使用一个真实世界的金融数据集(Berka,2000)聚类银行客户的编码器-解码器网络和动态时间规整(DTW)的方法。聚类所需的客户特征可以通过四种方式获得:动态时间规整(DTW),最近频率和货币(RFM),LSTM编码器-解码器网络以及我们提出的混合方法。一旦LSTM模型被客户交易数据训练,编码器就会自动提取每个客户的特征向量。此外,使用DTW获得交易金额序列对之间的距离。通过RFM评分为客户计算另一个向量特征。在混合方法中,特征向量从编码器-解码器输出、DTW距离和人口统计数据(例如,年龄和性别)。最后,将特征向量作为输入引入k-means聚类算法,并将聚类结果与Silhouette和Davies-Bouldin指标进行比较。因此,从混合方法得到的集群是更准确和有意义的比那些来自个人聚类技术。此外,神经网络层的类型对聚类有很大的影响,高的网络错误并不一定会恶化聚类性能。
2021-10-22 cs.AI cs.LG stat.ML
metricDTW: local distance metric learning in Dynamic Time Warping
University of Southern California(南加州大学)
我们建议学习多个局部马氏距离度量来执行时间序列的k-最近邻(kNN)分类。时间序列首先通过动态时间规整(DTW)进行对齐;给定对齐路径,两个序列之间的相似性通过DTW距离来度量,DTW距离是沿着对齐路径匹配的时间点对之间的累积距离。传统上,欧几里德度量用于匹配对之间的距离计算,忽略了数据的冗余性,并且可能不是最佳的。在这里,我们建议学习多个Mahalanobis度量,使得DTW距离成为Mahalanobis距离的总和。我们采用大间隔最近邻(LMNN)框架来适应我们的情况,并将多度量学习公式化为线性规划问题。大量的序列分类结果表明,我们提出的多度量学习方法是有效的,不敏感的前面的比对质量,并达到最先进的性能在UCR时间序列数据集。
2016-06-11 cs.LG
Autowarp: Learning a Warping Distance from Unlabeled Time Series Using Sequence Autoencoders
Stanford University(斯坦福大学)
测量未标记时间序列轨迹之间的相似性是医学、天文学、金融和计算机视觉等领域的一个重要问题。由于轨迹中噪声的复杂性质(例如,不同的采样率或离群值),通常不清楚使用什么是适当的度量。领域专家通常手工制作或手动选择一个特定的指标,如动态时间规整(DTW),以应用于他们的数据。在本文中,我们提出了Autowarp,这是一种端到端算法,可以优化和学习一个良好的度量,给出未标记的轨迹。我们定义了一个灵活的和可微的家庭的翘曲指标,其中包括常见的指标,如DTW,欧几里德,编辑距离。然后,Autowarp利用序列自动编码器的表示能力来优化该扭曲距离家族的成员。输出是一个易于解释的度量,并且可以从相对较少的轨迹中鲁棒地学习。在不同领域的系统实验中,我们表明Autowarp通常优于手工制作的轨迹相似性度量。
2018-10-23 cs.LG stat.ML
Multi-Year Vector Dynamic Time Warping Based Crop Mapping
Scientific and Technological Research Council of Turkey (TÜBİTAK) Space Technologies Research Institute (UZAY)(土耳其科学技术研究理事会(TÜBİTAK)空间技术研究所);Informatics Institute, Middle East Technical University(中东技术大学信息学研究所)
最近通过基于监督学习的方法的自动化作物制图已经展示了相对于经典技术的前所未有的改进。然而,大多数作物制图研究仅限于同年作物制图,即用当年的标记数据预测同年的作物图。这些方法的分类精度大大降低跨年度映射。跨年度作物制图更有用,因为它允许使用以前标记的数据预测下一年的作物图。我们提出了矢量动态时间规整(VDTW),一种新的多年分类方法的基础上翘曲的物候向量之间的角距离。结果表明,所提出的VDTW方法是强大的时间和光谱变化补偿不同的耕作方式,气候和大气的影响,以及测量误差之间的年。我们还描述了一种方法,用于确定最具歧视性的时间窗口,允许有限的数据的高分类精度。我们使用2013年至2016年的Landsat 8时间序列图像对我们的方法进行了测试,用于对哈兰平原的玉米和棉花以及土耳其东南部Bismil平原的玉米,棉花和大豆进行分类。此外,我们还利用协调的陆地卫星哨兵数据测试了2017年和2018年美国堪萨斯州的VDTW玉米和大豆。与其他最先进的方法相比,VDTW方法在相同和交叉年份分别实现了99.85%和99.74%的总体准确率,与其他最先进的方法相比,即光谱角映射器(SAM),动态时间规整(DTW),时间加权DTW(TWDTW),随机森林(RF),支持向量机(SVM)和深度长短期记忆(LSTM)方法。所提出的方法可以扩展到其他作物类型和/或地理区域。
2019-11-27 cs.CV cs.LG stat.ML
Time-Warping Recurrent Neural Networks for Transfer Learning
University of Colorado Denver(科罗拉多大学丹佛分校)
本文提出基于时间扭曲的递归神经网络迁移学习方法,通过调整时间尺度提升不同特征时间尺度数据的预测精度。
2026-05-08 cs.LG stat.ML
Agglomerative Hierarchical Clustering with Dynamic Time Warping for Household Load Curve Clustering
Western University(西安大略大学)
能源公司经常实施各种需求响应(DR)计划,通过在关键时期为消费者提供减少需求的激励措施来更好地匹配电力需求和供应。根据客户的消费模式对客户进行分类,可以针对特定的消费者群体进行DR。传统的聚类算法使用标准的距离测量来找到两点之间的距离。聚类算法(如K-means、K-medoids和高斯混合模型)产生的结果取决于聚类参数或初始聚类。相比之下,我们的方法使用基于形状的方法,结合凝聚层次聚类(AHC)与动态时间弯曲(DTW)的住宅家庭的日常负荷曲线分类的基础上,他们的消费模式。虽然DTW寻求两个负载曲线之间的最佳对齐,但AHC提供了一个现实的初始聚类中心。在本文中,我们与其他聚类算法,如K-means,K-medoids,和GMM使用不同的距离措施的结果进行比较,我们表明,AHC使用DTW优于其他聚类算法,需要更少的集群。
2022-10-18 cs.LG
Multiscale Manifold Warping
Adobe Research(奥多比研究院)
许多现实世界的应用需要对齐两个时间序列,包括生物信息学,手写识别,活动识别和人机协调。动态时间规整(DTW)是一种流行的比对方法,但在高维真实世界的数据中可能会失败,其中比对序列的维度通常是不相等的。在本文中,我们表明,利用现实世界的数据的多尺度流形的潜在结构,可以产生改进的对齐。我们介绍了一种新的框架,称为Warping on Wavelets(WOW),它将DTW与称为Diffusion Wavelets的多尺度流形学习框架相结合。我们提出了一个理论分析的WOW家族的算法,并表明它优于以前的最先进的方法,如规范时间规整(CTW)和流形翘曲,在几个现实世界的数据集。
2021-09-19 cs.LG
Dynamic Time Warping based Adversarial Framework for Time-Series Domain
Washington State University(华盛顿州立大学)
提出基于动态时间规整的对抗框架DTW-AR,用于生成时间序列对抗样本并提升DNN鲁棒性,实验验证其有效性。
2022-11-22 cs.LG
Semi-supervised 3D Video Information Retrieval with Deep Neural Network and Bi-directional Dynamic-time Warping Algorithm
Northwestern University(西北大学)
本文提出一种半监督深度学习算法,结合卷积循环网络与双向动态时间规整,实现基于视觉内容的二维和三维视频检索,并在多个公开数据集上优于现有最先进模型。
2023-09-03 cs.CV cs.LG
Neural fidelity warping for efficient robot morphology design
Simon Fraser University(西蒙弗雷泽大学)
我们考虑优化机器人形态的问题,以实现最佳性能的目标任务,在计算资源的限制。每个形态设计的评估过程涉及学习设计的控制器,这可能会消耗大量的时间和计算资源。为了解决昂贵的机器人形态评估的挑战,我们提出了一个连续的多保真度贝叶斯优化框架,有效地利用计算资源,通过低保真度的评估。我们确定了保真度空间的非平稳性问题。我们提出的保真度扭曲机制可以学习学习时期和任务的表示,以模拟连续保真度评估之间的非平稳协方差,这对现成的平稳内核来说是一个挑战。各种实验表明,我们的方法可以利用低保真度的评价,有效地搜索最佳的机器人形态,优于国家的最先进的方法。
2020-12-09 cs.AI cs.LG cs.RO
Robust and Efficient Noisy-Label Time-Series Classification via Dynamic Time Warping Based Granular Ball Computing
Nagoya Institute of Technology(名古屋工业大学)
针对含噪标签时间序列分类问题,提出DTW-GBC方法,通过构建粒球减少比较次数,在缓解标签噪声影响的同时提升推理效率,取得鲁棒性与效率的平衡。
2026-10-09 cs.AI cs.LG
Dynamic Time Warping as a New Evaluation for Dst Forecast with Machine Learning
KU Leuven(鲁汶大学);Centre for mathematical Plasma Astrophysics(数学等离子体天体物理学中心)
基于神经网络和机器学习的模型在空间物理学中越来越受欢迎。特别是利用神经网络模型对地磁指数进行预测,正成为一个热门的研究领域。这些模型的评估指标,如均方根误差(RMSE)和皮尔逊相关系数。然而,这些经典指标有时无法捕捉关键行为。为了显示缺乏经典指标的地方,我们训练了一个神经网络,使用长短期记忆网络,在原始时间$t$预测扰动风暴时间指数,预测范围为1至6小时,在OMNIWeb数据上训练。检查模型的结果与相关系数和RMSE表明,性能与最新出版物。然而,视觉检查表明,神经网络做出的预测与持久性模型的行为相似。在这项工作中,提出了一种新的方法来衡量两个时间序列是否在时间上相互移动,如持久性模型输出与观察。新的措施,基于动态时间弯曲,是能够识别的持久性模型的结果,并在确认神经网络的输出的视觉观察显示有前途的结果。最后,探讨了不同的方法来训练神经网络,以消除持久性行为的结果。
2020-06-08 cs.LG stat.ML
Deep Declarative Dynamic Time Warping for End-to-End Learning of Alignment Paths
Queensland University of Technology(昆士兰科技大学);Australian National University(澳大利亚国立大学)
本文讨论了学习端到端模型的时间序列数据,包括通过动态时间规整(DTW)的时间对齐步骤。现有的可微DTW方法要么通过固定的扭曲路径进行区分,要么将可微松弛应用于用于解决DTW问题的递归步骤中的min算子。相反,我们提出了一个基于双层优化和深度声明网络的DTW层,我们将其命名为DecDTW。通过将DTW公式化为一个连续的不等式约束优化问题,我们可以使用隐式微分来计算最优对齐(相对于底层时间序列)的解的梯度。这个公式的一个有趣的副产品是,DecDTW输出两个时间序列之间的最佳扭曲路径,而不是软近似,可从Soft-DTW恢复。我们表明,这个属性是特别有用的下游损失函数的最佳对齐路径本身定义的应用程序。这自然发生,例如,当学习提高预测比对相对于地面实况比对的准确度时。我们评估DecDTW在两个这样的应用程序,即音频到分数对齐任务在音乐信息检索和视觉位置识别任务在机器人技术,展示国家的最先进的结果。
2023-03-19 cs.CV cs.LG cs.RO
TC-DTW: Accelerating Multivariate Dynamic Time Warping Through Triangle Inequality and Point Clustering
William G. Enloe High School(威廉·G·恩洛高中);North Carolina State University(北卡罗来纳州立大学)
动态时间规整(DTW)在时间序列分析中起着重要的作用。尽管大量的研究加速单变量DTW,多变量DTW的方法并没有得到改善,在过去的二十年。今天使用的最流行的算法仍然是17年前开发的算法。本文提出了一种解决方案,据我们所知,第一次始终优于经典的多变量DTW算法在数据集大小,序列长度,数据维度,时间窗口大小和机器。新的解决方案,命名为TC-DTW,引入三角不等式和点聚类的算法设计的下限计算的多元DTW。在基于DTW的最近邻查找的实验中,新的解决方案避免了多达98%(平均60%)的DTW距离计算,并产生多达25倍(平均7.5倍)的加速比。
2021-01-20 cs.AI cs.DB cs.LG
Quantum Dynamic Time Warping for Multivariate Time Series Classification
CITIC Research Center(CITIC研究中心);Universidade da Coruña(科鲁纳大学)
提出混合量子动态时间规整(qDTW)架构,用量子希尔伯特空间的参数化几何替代欧氏距离,通过结构消融实验建立量子序列对齐拓扑规则,并引入解耦预嵌入伴随拟设,在避免相位混乱和信息瓶颈的同时,实现超越经典基线的多变量时间序列分类。
2026-06-29 cs.LG quant-ph
Fast dynamic time warping and clustering in C++
University of Oxford(牛津大学)
本研究提出一种基于C++的高效时间序列DTW与聚类方法,通过动态规划求解DTW、MIP或k-medoids聚类结合任务级并行化提升效率,在UCR数据集上相比次快方案平均提速33%,大数据集提速64%。
2023-07-10 cs.LG cs.SY eess.SP
SoftDTW-CUDA-Torch: Memory-Efficient GPU-Accelerated Soft Dynamic Time Warping for PyTorch
The Faculty of Computer and Information Science Ben-Gurion University of the Negev(计算机与信息科学学院贝京大学)
SoftDTW-CUDA-Torch通过GPU加速实现高效的软动态时间规整,解决内存消耗和数值稳定性问题,支持任意序列长度和PyTorch自动求导。
2026-02-19 cs.LG
Towards more accurate clustering method by using dynamic time warping
Constantine 2 University(君士坦丁2大学)
基于机器学习(ML)方法的分类器的固有问题是它们的学习时间随着训练数据集的大小和复杂性的增加而增长。出于这个原因,重要的是具有可以应用于大型数据集的高效计算方法和算法,使得仍然可以在合理的时间内完成机器学习任务。在这种情况下,我们在本文中提出了一个更准确的简单过程来加速ML方法。将无监督聚类算法与期望最大化(EM)算法相结合,开发了一种高效的隐马尔可夫模型(HMM)训练方法。拟议过程的想法包括两个步骤。在第一步中,具有相似输入的训练实例被聚类,并且代表这些实例的频率的权重因子被分配给每个代表性聚类。动态时间规整技术被用来作为一个相异度函数聚类相似的例子。在第二步中,在经典的HMM训练算法(EM)与训练实例的数量相关联的所有公式进行修改,以包括在适当的条款的权重因子。该过程显著地加速了HMM训练,同时保持与经典HMM训练算法获得的那些相同的初始、转移和发射概率矩阵。因此,保持了分类精度。根据训练集的大小,当大小约为100.000个实例时,最多可以加速2200倍。所提出的方法并不限于训练障碍,但它可以用于各种各样的ML方法。
2013-04-12 cs.LG stat.ML
Clustering of Urban Traffic Patterns by K-Means and Dynamic Time Warping: Case Study
Snapp Company(Snapp公司)
本文提出基于K-Means与动态时间规整的时间序列聚类算法,并利用Snapp应用驾驶员速度数据验证其在缺失速度估计和重要路段识别中的有效性。
2023-09-18 cs.AI cs.LG
Soft Dynamic Time Warping for Multi-Pitch Estimation and Beyond
International Audio Laboratories Erlangen(埃尔朗根国际音频实验室);Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学);Fraunhofer Institute for Integrated Circuits IIS(弗劳恩霍夫集成电路研究所IIS)
本文提出用可微的软动态时间规整(SoftDTW)替代CTC处理弱对齐数据,在多基频估计上达到与最先进CTC多标签扩展相当的性能,并支持实值目标序列。
2023-04-11 cs.LG cs.SD eess.AS
Conditional Deep Canonical Time Warping
Bar Ilan University(巴伊兰大学);Faculty of Engineering(工程学院)
本文提出CDCTW,通过上下文相关的新颖特征选择和最大相关子空间中的动态时间规整,提升高维稀疏序列的时间对齐精度。
2025-01-09 cs.LG
Generative Adversarial Network with Soft-Dynamic Time Warping and Parallel Reconstruction for Energy Time Series Anomaly Detection
Indian Institute of Science(印度科学研究所);FLAME University(FLAME大学)
本文提出一种结合一维DCGAN与Soft-DTW的能源时间序列异常检测方法,通过并行重建加速检测并提升建筑能耗异常识别能力。
2024-02-22 cs.LG
Gesture Recognition in RGB Videos UsingHuman Body Keypoints and Dynamic Time Warping
University of Koblenz-Landau(科布伦茨-兰道大学)
手势识别为人类与机器的直观交互开辟了新的途径。特别是对于服务机器人,手势可以是通信手段的有价值的补充,例如,将机器人的注意力吸引到某人或某事上。从视频数据中提取手势并对其进行分类是一项具有挑战性的任务,多年来已经提出了各种方法。本文提出了一种RGB视频中的手势识别方法,使用OpenPose提取人的姿势,并使用动态时间规整(DTW)结合一个最近邻(1NN)进行时间序列分类。这种方法的主要特点是独立于任何特定的硬件和高度的灵活性,因为只需添加几个示例就可以将新的手势添加到分类器中。我们利用了基于深度学习的OpenPose框架的鲁棒性,同时避免了自己训练神经网络的数据密集型任务。我们使用公共数据集证明了我们的方法的分类性能。
2019-06-25 cs.CV cs.LG cs.RO
Using Machine Learning to Augment Dynamic Time Warping Based Signal Classification
Institute for Clarity in Documentation(文档清晰度研究所);Inria Paris-Rocquencourt(法国国家信息与自动化研究所巴黎-罗克库尔中心);Rajiv Gandhi University(拉吉夫·甘地大学);Tsinghua University(清华大学);Palmer Research Laboratories(帕尔默研究实验室)
诸如话音识别之类的现代应用依赖于将信号与预先录制的信号进行比较以对其进行分类的能力。然而,这种比较通常需要忽略由于信号噪声、时间偏移、信号幅度和其他外部因素引起的差异。动态时间扭曲(DTW)算法通过查找信号之间的对应区域并通过拉伸和收缩信号来非线性扭曲信号来量化这种相似性。不幸的是,搜索信号的所有“扭曲”以找到最佳对应区域的计算成本很高。FastDTW算法提高了性能,但由于只考虑小信号扭曲而牺牲了精度。我的目标是提高DTW的速度,同时保持高精度。我的主要见解是,在任何特定的应用领域,信号都表现出特定类型的变化。例如,针对两个不同的人测量的加速度计信号将基于他们的步幅长度和体重而不同。我的系统名为机器学习DTW(MLDTW),它使用机器学习来学习特定领域中常见的扭曲类型。然后,它使用学习到的模型通过适当限制对潜在扭曲的搜索来提高DTW性能。我的结果表明,与FastDTW相比,MLDTW至少同样快,并且在四个不同的数据集上平均减少了60%的错误。这些改进将显著影响各种各样的应用(例如健康监测),并实现对多变量、更高频率和更长信号记录的更可扩展处理。
2022-06-14 cs.LG
Tight lower bounds for Dynamic Time Warping
Monash University(莫纳什大学)
动态时间规整(DTW)是一种流行的相似性度量对齐和比较时间序列。由于DTW的高计算时间,下界经常被用来筛选不良匹配。已经提出了许多替代的下限,提供了一系列不同的权衡之间的紧密性和计算效率。LB Keogh在许多应用中提供了有用的权衡。最近的两个下限,LB改进和LB增强,大大比LB基奥更紧。所有三个具有相同的最差情况计算复杂性-相对于序列长度为线性,相对于窗口大小为常数。我们提出了四个新的DTW下界在相同的复杂性类。LB Petitjean比LB Improved严格得多,只有适度的额外计算开销。LB Webb比LB Improved更有效,同时通常提供更严格的约束。LB Webb总是比LB Keogh更紧。无参数LB Webb通常比LB Enhanced更严格。参数化的变体LB Webb Enhanced总是比LB Enhanced更紧密。另一个变体LB Webb* 对某些约束距离函数很有用。在大量的实验中,LB Webb被证明是非常有效的最近邻搜索。
2021-03-02 cs.LG
Exact Indexing of Time Series under Dynamic Time Warping
College of Equipment Management and UAV Engineering, Air Force Engineering University(空军工程大学装备管理与无人机工程学院);Center for OPTical IMagery Analysis and Learning (OPTIMAL), Northwestern Polytechnical University(西北工业大学光学影像分析与学习中心(OPTIMAL))
动态时间规整(DTW)是一种鲁棒的时间序列相似性度量方法。但它不满足三角不等式,且具有较高的计算复杂性,严重限制了它在大规模数据集相似性搜索中的应用。通常,我们采取较低的边界距离,以加快DTW下的相似性搜索。不幸的是,仍然缺乏一个有效的下界距离,可以衡量不等长的时间序列,并具有理想的紧密性。本文提出了一种新的下界距离LB_Keogh+,它是序列扩展和LB_Keogh的无缝结合。该算法可用于不等长序列,具有较低的计算复杂性。此外,LB_Keogh+可以将序列扩展到任意合适的长度,而不会显着降低紧密度。其次,基于LB_Keogh+,设计了DTW下时间序列的精确索引。然后,我们介绍了几个定理,并完成了相关的证明,以保证没有假解雇在我们的相似性搜索。最后,在真实世界的数据集上进行了广泛的实验。实验结果表明,该方法能够对不等长序列进行相似性搜索,具有较高的紧密度和良好的剪枝能力。
2020-02-11 cs.IR cs.LG
Early Recognition of Sepsis with Gaussian Process Temporal Convolutional Networks and Dynamic Time Warping
ETH Zurich(苏黎世联邦理工学院);SIB Swiss Institute of Bioinformatics(瑞士生物信息学研究所)
脓毒症是一种危及生命的宿主对感染的反应,与高死亡率、发病率和健康成本相关。它的管理是高度时间敏感的,因为每一个小时的延误治疗增加死亡率由于不可逆转的器官损伤。与此同时,尽管进行了数十年的临床研究,但仍缺少脓毒症的可靠生物标志物。因此,通过利用丰富的高分辨率重症监护记录来早期检测脓毒症已经成为一个具有挑战性的机器学习问题。深度学习和数据采掘的最新进展有望提供一套强大的工具来有效地解决这一任务。这项实证研究提出了两种新的方法,早期检测败血症:一个深度学习模型和一个懒惰的学习者基于时间序列的距离。我们的深度学习模型采用了嵌入在多任务高斯过程适配器框架中的时间卷积网络,使其直接适用于不规则间隔的时间序列数据。相比之下,我们的懒惰学习器是一种采用动态时间扭曲的集成方法。我们将脓毒症的及时检测框架为监督时间序列分类任务。为此,我们以每小时的分辨率导出最新的脓毒症定义,以提供第一个完全可访问的早期脓毒症检测环境。在脓毒症发病前7小时,我们的方法将精确-召回曲线下面积从0.25提高到0.35/0.40,这表明它们非常适合在管理最有效的关键早期阶段检测脓毒症。
2020-10-15 cs.LG stat.AP stat.ML
Time-Warping Invariant Quantum Recurrent Neural Networks via Quantum-Classical Adaptive Gating
Eindhoven University of Technology(埃因霍温理工大学);King’s College London(伦敦国王学院);University of Florence(佛罗伦萨大学);INFN(意大利国家核物理研究所);DeepMind(深度思维)
该研究提出时间扭曲不变量子循环神经网络TWI-QRNN,通过量子-经典自适应门控实现时序输入输出的时间扭曲不变性,经原理推导与实验验证了其在经典/量子动力学场景的有效性。
2023-06-09 cs.IT cs.LG math.IT
Lithium-ion Battery State of Health Estimation based on Cycle Synchronization using Dynamic Time Warping
The Singapore University of Technology and Design(新加坡科技设计大学);National University of Singapore(新加坡国立大学)
健康状态(SOH)估计在电池供电的应用中起着至关重要的作用,以避免由于电池容量衰减而导致的意外故障。然而,很少有研究关注退化周期长度不均匀的问题,简单地采用人工操作或留给高级机器学习模型的自动处理机制,如长短期记忆(LSTM)。因此,这会导致信息丢失,并限制数据驱动的SOH估计模型的全部能力。为了解决这一问题,本文提出了一种新的周期同步方法,利用动态时间规整改变现有的坐标系,不仅可以实现估计模型的等长输入,而且可以保留所有信息。通过利用时间序列的时间信息,所提出的方法嵌入的时间指标和原始测量到一个新的指标,以反映电池的退化状态,它可以有相同的长度在周期内。采用LSTM作为基本估计模型,基于周期同步的SOH模型与传统LSTM相比,预测精度可显著提高30%以上。
2021-09-28 cs.LG eess.SP
Chatter Detection in Turning Using Machine Learning and Similarity Measures of Time Series via Dynamic Time Warping
Michigan State University(密歇根州立大学);Chemnitz University of Technology(开姆尼茨工业大学)
从传感器信号中检测颤振一直是一个活跃的研究领域。虽然已经报道了使用几种特征化工具和机器学习算法的一些成功,但现有方法具有几个缺点,例如手动预处理和需要大量数据集。在本文中,我们提出了一种替代方法的颤振检测的基础上K-最近邻(kNN)算法的分类和动态时间规整(DTW)作为时间序列的相似性度量。所使用的时间序列是在一系列车削实验中从刀架获得的加速度信号。我们的研究结果表明,这种方法实现了检测精度,在大多数情况下优于现有的方法。我们将我们的结果与基于小波包变换(WPT)和包络经验模式分解(EEMD)的传统方法进行比较,以及与最近的基于拓扑数据分析(TDA)的方法进行比较。我们发现,在四个切割配置中,我们基于DTW的方法达到了最高的平均分类率,在一种情况下高达99%的准确度。我们的方法不需要特征提取,能够在不同的切割配置中重用分类器,并且使用合理大小的训练集。虽然在我们的方法中得到的高精度与高计算成本相关联,但这是特定于我们使用的DTW实现的。具体来说,我们强调可用的,非常快速的DTW实现,甚至可以在小型消费电子产品上实现。因此,进一步的代码优化和显着减少的计算工作量在实施阶段,使我们的方法在过程中颤振检测的一个可行的选择。
2019-08-05 cs.LG eess.SP stat.ML
Line Space Clustering (LSC): Feature-Based Clustering using K-medians and Dynamic Time Warping for Versatility
Universitat Politècnica de Catalunya · Barcelona Tech - UPC(加泰罗尼亚理工大学(巴塞罗那理工大学));Ss. Cyril and Methodius University · UKIM(圣西里尔和美多德大学)
针对高维数据聚类受维度灾难和噪声影响的问题,提出将数据转为特征空间线、结合欧氏与DTW距离的LSC方法,实验验证其在含噪复杂数据集上的有效性。
2025-03-20 cs.LG
Weakly Supervised Temporal Anomaly Segmentation with Dynamic Time Warping
University of Illinois at Urbana-Champaign (UIUC)(伊利诺伊大学厄巴纳-香槟分校);Pohang University of Science and Technology (POSTECH)(浦项科技大学)
最近关于检测和定位时态异常的研究主要采用深度神经网络以无监督的方式学习时态数据的正常模式。与它们不同的是,我们的工作目标是充分利用实例级(或弱)异常标签,这些标签仅指示在每个时态数据实例中是否发生了任何异常事件。在本文中,我们提出了WETAS,一个新的框架,有效地识别异常的时间段(即,连续的时间点)。WETAS从实例级标签中学习判别特征,以便推断每个实例中正常和异常段的顺序,这可以用作粗略的分割掩码。WETAS通过对输入实例与其分割模板进行动态时间规整(DTW)对齐,得到时间分割结果,同时利用模板作为额外的监督,进一步增强了WETAS。我们的实验表明,WETAS在时间异常的定位方面大大优于其他基线,并且它提供了比点级检测方法更丰富的结果。
2021-08-15 cs.AI cs.CV cs.LG
Exact, Parallelizable Dynamic Time Warping Alignment with Linear Memory
Ursinus College(乌尔辛纳斯学院)
音频对齐是许多MIR管道中的基本预处理步骤。对于分别具有M帧和N帧的两个音频剪辑,最流行的方法动态时间规整(DTW)在存储器和计算两者中具有O(MN)要求,这对于以合理速率的帧级对准是禁止的。为了解决这个问题,存在各种存储器有效的算法来近似DTW成本下的最佳对齐。然而,据我们所知,没有确切的算法存在,保证打破二次记忆障碍。在这项工作中,我们提出了一个分而治之的算法,计算精确的全局最优DTW对齐使用O(M+N)的内存。它的运行时间仍然是O(MN),用内存换取2倍的计算增长。然而,该算法可以在相同的内存约束下并行化到min(M,N)的因子,因此它仍然可以比具有足够GPU的教科书版本更有效地运行。我们使用我们的算法来计算一组管弦乐的精确对齐,我们使用它作为地面实况来基准几个流行的近似对齐方案在以前不可能的尺度上的对齐精度。
2020-08-04 cs.IR cs.LG cs.MM
Time Series Classification through Diffeomorphic Time Warping (DiffTW)
Department of Mathematics and Statistics, Portland State University, USA(波特兰州立大学数学与统计学系);The Translational Genomics Research Institute (TGen), USA(转化基因组研究研究院(TGen))
提出DiffTW方法,通过线性输运方程的特征曲线流实现时间序列间的微分同胚变换,基于再生核希尔伯特空间和最优控制学习速度场,在86个数据集上60个优于DTW。
2026-08-07 cs.LG stat.ML
Random Warping Series: A Random Features Method for Time-Series Embedding
IBM Research(IBM研究院);Carnegie Mellon University(卡内基梅隆大学);College of William and Mary(威廉与玛丽学院);University of Texas at Austin(得克萨斯大学奥斯汀分校)
几十年来,时间序列数据分析一直是人们感兴趣的问题,而动态时间弯曲(DTW)一直是最广泛采用的技术来衡量时间序列之间的差异。此后,在DTW的精神下,提出了许多全局对齐内核,以将其使用扩展到基于内核的估计方法,例如支持向量机。然而,这些内核遭受对角优势的革兰氏矩阵和二次复杂性w.r.t.样本量。在这项工作中,我们研究了一个家庭的感知正定(p. d.)核,其特征嵌入由\emph{Random Warping Series (RWS)}的分布给出。所提出的核不受对角优势的问题,而自然享有\emph{Random Features}(RF)的近似,这降低了现有的基于DTW的技术的计算复杂性从二次到线性的时间序列的数量和长度。我们还研究了无界长度时间序列域的RF逼近的收敛性。我们在16个基准数据集上进行的大量实验表明,RWS在准确性和计算时间方面优于或匹配最先进的分类和聚类方法。我们的代码和数据可在{ \url{https://github.com/IBM/RandomWarpingSeries} }获得。
2018-09-14 cs.LG stat.ML
(k, l)-Medians Clustering of Trajectories Using Continuous Dynamic Time Warping
University of Sydney(悉尼大学);TU Eindhoven(埃因霍温理工大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
由于可用地理空间数据的数量大量增加,并且需要以可理解的方式呈现它,因此对这些数据进行聚类比以往任何时候都更加重要。由于集群可能包含大量的对象,因此为每个集群提供一个代表可以极大地促进对集群的理解。依赖于这些代表的聚类方法被称为基于中心的。在这项工作中,我们考虑基于中心的轨迹聚类的问题。在这种情况下,集群的代表再次是轨迹。为了获得聚类的紧凑表示并避免过拟合,我们通过参数l来限制代表性轨迹的复杂性。然而,这种限制使得离散距离测量(如动态时间规整(DTW))不太适合。最近的工作是基于中心的聚类的轨迹与连续的距离测量,即弗雷谢距离。虽然Fréchet距离允许限制中心复杂度,但它也可能对离群值敏感,而平均型距离度量,如DTW,则不那么敏感。为了获得一个轨迹聚类算法,允许限制中心的复杂性,是更强大的离群值,我们建议使用连续版本的DTW作为距离度量,我们称之为连续动态时间规整(CDTW)。我们的贡献是双重的:1。针对CDTW缺乏实用算法的问题,提出了一种计算CDTW的近似算法。我们开发的第一个聚类算法下的距离测量,并显示一个实用的方法来计算一组轨迹的中心,随后迭代地改进it. To获得深入了解下的实际数据的CDTW聚类结果,我们进行了广泛的实验。
2020-12-01 cs.CG cs.LG
Sparsification of the Alignment Path Search Space in Dynamic Time Warping
IRISA(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Université Bretagne-Sud(南布列塔尼大学)
时态数据自然无处不在,特别是在大数据和物联网出现的数字时代。在时态数据分析和挖掘过程中出现的一个主要挑战是时间序列或序列的比较,这需要确定适当的距离或(不)相似性度量。在这种情况下,动态时间规整(DTW)在许多领域都取得了成功,由于其“时间弹性”,一个属性,特别是在匹配时间数据时有用。不幸的是,这种相异度测量遭受二次计算成本,这禁止其用于大规模应用。这项工作解决了DTW类措施的对齐路径搜索空间的稀疏化,基本上是为了降低其计算成本,而不损失的质量的措施。作为我们的稀疏化方法的结果,两个新的(反)相似性措施,即SP-DTW(稀疏路径搜索空间DTW)和它的核SP-K rdtw(稀疏路径搜索空间K rdtw内核)提出了时间序列比较。广泛的公共数据集被用来评估的效率(估计在加速比和分类精度方面)的建议(反)相似性措施的1-最近邻(1-NN)和支持向量机(SVM)分类算法。我们的实验表明,我们提出的措施提供了一个显着的速度,而不损失的准确性。此外,在稍微降低的加速比的成本,他们显着优于旧的,但众所周知的Sakoe-Chiba的方法,减少了DTW路径搜索空间使用对称走廊的准确性标准。
2017-11-13 cs.LG
Dynamic Time Warping Clustering to Discover Socio-Economic Characteristics in Smart Water Meter Data
Norwegian University of Science and Technology(挪威科技大学);KWR Water Cycle Research Institute(KWR水循环研究所);University of Cincinnati(辛辛那提大学);Leiden University(莱顿大学);Delft University of Technology(代尔夫特理工大学)
社会经济特征正在影响水需求的时间和空间变化,这是配水系统建模中不确定性的最大来源。提高我们对这些影响的认识可以用来减少需求的不确定性。本文旨在通过应用一种新的聚类算法,使用动态时间规整的日常需求模式,智能水表数据的社会经济用户的特点。该方法进行了测试模拟和测量的单户家庭数据集。我们表明,新的算法相比,常用的聚类方法,无论是在找到正确的集群数量,以及正确分配模式更好地执行。此外,该方法可用于识别需求模式集群内的离群值。此外,本研究调查的社会经济特征(如就业状况,居民人数)是普遍存在的单一集群内,因此,可以链接到集群的重心的形状。在未来,所提出的方法与随机需求模型相结合,可以用来填补水力模型中的数据缺口。
2021-12-28 cs.LG cs.SY eess.SP