論文の概要: Evaluating DTW Measures via a Synthesis Framework for Time-Series Data
- arxiv url: http://arxiv.org/abs/2402.08943v1
- Date: Wed, 14 Feb 2024 05:08:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 16:56:42.649940
- Title: Evaluating DTW Measures via a Synthesis Framework for Time-Series Data
- Title（参考訳）: 時系列データ合成フレームワークによるDTW対策の評価
- Authors: Kishansingh Rajput, Duong Binh Nguyen, Guoning Chen
- Abstract要約: 時系列データは、時間とともに特定の観察や興味の量を記述する様々なアプリケーションに由来する。
動的時間ワープ (DTW) は2つの時間信号間の最適アライメントを実現するための標準手法である。
ほとんどのDTW測度は、理由を明確に説明することなく、特定の時系列データに対して良好に機能する。
適切なDTW尺度を選択するためのガイドラインが提示されたのはこれが初めてである。
- 参考スコア（独自算出の注目度）: 3.4437947384641037
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Time-series data originate from various applications that describe specific
observations or quantities of interest over time. Their analysis often involves
the comparison across different time-series data sequences, which in turn
requires the alignment of these sequences. Dynamic Time Warping (DTW) is the
standard approach to achieve an optimal alignment between two temporal signals.
Different variations of DTW have been proposed to address various needs for
signal alignment or classifications. However, a comprehensive evaluation of
their performance in these time-series data processing tasks is lacking. Most
DTW measures perform well on certain types of time-series data without a clear
explanation of the reason. To address that, we propose a synthesis framework to
model the variation between two time-series data sequences for comparison. Our
synthesis framework can produce a realistic initial signal and deform it with
controllable variations that mimic real-world scenarios. With this synthesis
framework, we produce a large number of time-series sequence pairs with
different but known variations, which are used to assess the performance of a
number of well-known DTW measures for the tasks of alignment and
classification. We report their performance on different variations and suggest
the proper DTW measure to use based on the type of variations between two
time-series sequences. This is the first time such a guideline is presented for
selecting a proper DTW measure. To validate our conclusion, we apply our
findings to real-world applications, i.e., the detection of the formation top
for the oil and gas industry and the pattern search in streamlines for flow
visualization.
- Abstract（参考訳）: 時系列データは、時間とともに特定の観察や興味の量を記述する様々なアプリケーションに由来する。
それらの分析は、しばしば異なる時系列データシーケンス間の比較を伴い、結果的にこれらのシーケンスのアライメントを必要とする。
動的時間ワープ (DTW) は2つの時間信号間の最適アライメントを実現するための標準手法である。
信号アライメントや分類の様々なニーズに対応するため、DTWの異なるバリエーションが提案されている。
しかし、これらの時系列データ処理タスクにおける性能の包括的な評価は欠如している。
ほとんどのDTW測度は、理由を明確に説明することなく、特定の時系列データに対して良好に機能する。
そこで本研究では,2つの時系列データ列間の変動をモデル化する合成フレームワークを提案する。
我々の合成フレームワークは現実的な初期信号を生成し、現実のシナリオを模倣した制御可能なバリエーションで変形することができる。
この合成の枠組みにより、異なるが既知のバリエーションを持つ多くの時系列のペアが作成され、アライメントと分類のタスクでよく知られた多くのdtw指標の性能を評価するのに使用される。
本報告では,2つの時系列列間の変動のタイプに基づいて,それらの特性を異なるバリエーションで報告する。
適切なDTW尺度を選択するためのガイドラインが提示されたのはこれが初めてである。
この結果を検証するために,油・ガス産業における生成トップの検出や流れの可視化のための流線におけるパターン探索など,実世界のアプリケーションに適用する。
関連論文リスト
- Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳（メタデータ） (2023-10-17T06:29:09Z) - Approximating DTW with a convolutional neural network on EEG data [9.409281517596396]
動的時間ラッピング(DTW)の高速かつ微分可能な近似法を提案する。
提案手法は,計算効率が向上した他のDTW主近似と同等以上の精度が得られることを示す。
論文 参考訳（メタデータ） (2023-01-30T13:27:47Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - Expressing Multivariate Time Series as Graphs with Time Series Attention
Transformer [14.172091921813065]
多変量時系列表現学習のための時系列注意変換器(TSAT)を提案する。
TSATを用いて、エッジ強化された動的グラフの観点から、時系列の時間情報と相互依存の両方を表現している。
TSATは、様々な予測地平線において、最先端の6つのベースライン法より明らかに優れていることを示す。
論文 参考訳（メタデータ） (2022-08-19T12:25:56Z) - Robust Time Series Dissimilarity Measure for Outlier Detection and
Periodicity Detection [16.223509730658513]
本稿では,ノイズや外れ値の影響を低減するため,RobostDTWという新しい時系列差分尺度を提案する。
具体的には、ロバストDTWは、設計した時間グラフトレンドフィルタリングを利用して、トレンドを推定し、時間ワープを交互に最適化する。
実世界のデータセットを用いた実験では、外乱時系列検出と周期性検出の両方において、DTWの変種と比較してロバストDTWの優れた性能を示す。
論文 参考訳（メタデータ） (2022-06-07T00:49:16Z) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳（メタデータ） (2022-01-05T02:14:57Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳（メタデータ） (2021-10-26T20:41:19Z) - Continuous-Time Sequential Recommendation with Temporal Graph
Collaborative Transformer [69.0621959845251]
本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。
TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。
5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-08-14T22:50:53Z) - Voice2Series: Reprogramming Acoustic Models for Time Series
Classification [65.94154001167608]
Voice2Seriesは、時系列分類のための音響モデルをプログラムする新しいエンドツーエンドアプローチである。
V2Sは20のタスクで性能が優れるか、最先端のメソッドと結びついているかを示し、平均精度を1.84%向上させる。
論文 参考訳（メタデータ） (2021-06-17T07:59:15Z) - TE-ESN: Time Encoding Echo State Network for Prediction Based on
Irregularly Sampled Time Series Data [6.221375620565451]
不規則サンプリング時系列(ISTS)に基づく予測は、現実世界の応用において広く懸念されている。
Time Echo State Network(TE-ESN)という新しいモデル構造を作成します。
ISTSデータを処理できる最初のESNsベースのモデルである。
1つのカオスシステムと3つの実世界のデータセットの実験は、TE-ESNがすべてのベースラインよりも優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2021-05-02T08:00:46Z) - A Case-Study on the Impact of Dynamic Time Warping in Time Series
Regression [2.639737913330821]
本研究では,1波長のみを考慮した場合,動的時間ワープ(DTW)が回帰作業の精度向上に有効であることを示す。
k-Nearest Neighbourと組み合わせると、DTWは、時系列のレベルでサンプル間の類似点と相違点を明らかにすることができるという利点が追加される。
しかし、この問題では、このデータは波長の広い範囲で利用できると考えている。
論文 参考訳（メタデータ） (2020-10-11T15:21:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。