Accurate shape and phase averaging of time series through Dynamic Time Warping
通过动态时间规整准确平均时间序列的形状与相位AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究时间序列的规整、形状和相位平均，属于时间序列方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过动态时间规整准确平均时间序列的形状与相位
- 研究问题
- 当多个时间序列的形状与时间位置不同，如何构造平均序列，同时保留持续时间信息和关键位置的时间特征？
- 方法与思路
- 作者将动态时间规整的输出转换为时间序列，并结合迭代平均过程构造新算法，在合成与真实数据上考察平均序列的准确性。
- 材料陈述的贡献
- 摘要称该算法保留持续时间特征，较准确估计真实平均序列及关键位置的平均时间，并在所用数据上优于现有方法。
- 阅读关注点
- 核对平均序列和关键位置真值的定义、规整路径的转换规则、迭代停止方式，以及比较方法的调参与评估数据范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供误差数值、数据细节和理论保证，所称优势不能直接普遍化。
原文摘要
We propose a novel time series averaging method based on Dynamic Time Warping (DTW). In contrast to previous methods, our algorithm preserves durational information and the distinctive durational features of the sequences due to a simple conversion of the output of DTW into a time sequence and an innovative iterative averaging process. We show that it accurately estimates the ground truth mean sequences and mean temporal location of landmarks in synthetic and real-world datasets and outperforms state-of-the-art methods.