Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Design of Instruction Analyzer with Semantic-Based Loop Unrolling Mechanism in the Hyperscalar Architecture Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

A Minimum-First Algorithm for Dynamic Time Warping on Time Series

verfasst von : Bo-Xian Chen, Kuo-Tsung Tseng, Chang-Biau Yang

Erschienen in: New Trends in Computer Technologies and Applications

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In the time series classification (TSC) problem, the calculation of the distance of two time series is the kernel issue. One of the famous methods for the distance calculation is the dynamic time warping (DTW) with \(O(n^2)\) time complexity, based on the dynamic programming. It takes very long time when the data size is large. In order to overcome the time consuming problem, the dynamic time warping with window (DTWW) combines the warping window into DTW calculation. This method reduces the computation time by restricting the number of possible solutions, so the answer of DTWW may not be the optimal solution. In this paper, we propose the minimum-first DTW method (MDTW) that expands the possible solutions in the minimum first order. Our method not only reduces the required computation time, but also gets the optimal answer.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Measure and Conquer Algorithm for the Minimum User Spatial-Aware Interest Group Query Problem
Nächstes Kapitel A Note on Metric 1-median Selection
Literatur
1.
Bagnall, A., Lines, J., Bostrom, A., Large, J., Keogh, E.: The great time series classification bake off: a review and experimental evaluation of recent algorithmic advances. Data Min. Knowl. Discov. 31(3), 606–660 (2016)MathSciNetCrossRef
2.
3.
Bellman, R., Kalaba, R.: On adaptive control processes. IRE Trans. Autom. Control 4(2), 1–9 (1959)CrossRef
4.
Buza, K., Nanopoulos, A., Schmidt-Thieme, L.: Time-series classification based on individualised error prediction. In: 2010 IEEE 13th International Conference on Computational Science and Engineering (CSE), pp. 48–54. IEEE (2010)
5.
Ding, H., Trajcevski, G., Scheuermann, P., Wang, X., Keogh, E.: Querying and mining of time series data: experimental comparison of representations and distance measures. Proc. Very Large Data Bases Endow. 1(2), 1542–1552 (2008)
6.
Hamilton, J.D.: Time Series Analysis, vol. 2. Princeton University Press, Princeton (1994)MATH
7.
Hills, J., Lines, J., Baranauskas, E., Mapp, J., Bagnall, A.: Classification of time series by shapelet transformation. Data Min. Knowl. Discov. 28(4), 851–881 (2014)MathSciNetCrossRef
8.
Itakura, F.: Minimum prediction residual principle applied to speech recognition. IEEE Trans. Acoust. Speech Signal Process. 23(1), 67–72 (1975)CrossRef
9.
Jain, B.J., Spiegel, S.: Time series classification in dissimilarity spaces. In: Proceedings of 1st International Workshop on Advanced Analytics and Learning on Temporal Data, Porto, Portugal (2015)
10.
Jeong, Y.S., Jeong, M.K., Omitaomu, O.A.: Weighted dynamic time warping for time series classification. Pattern Recogn. 44(9), 2231–2240 (2011)CrossRef
11.
Lines, J., Bagnall, A.: Time series classification with ensembles of elastic distance measures. Data Min. Knowl. Discov. 29(3), 565–592 (2015)MathSciNetCrossRef
12.
Łuczak, M.: Univariate and multivariate time series classification with parametric integral dynamic time warping. J. Intell. Fuzzy Syst. 33(4), 2403–2413 (2017)CrossRef
13.
Morel, M., Achard, C., Kulpa, R., Dubuisson, S.: Time-series averaging using constrained dynamic time warping with tolerance. Pattern Recogn. 74, 77–89 (2018)CrossRef
14.
Parthasaradhi, S.T., Derakhshani, R., Hornak, L.A., Schuckers, S.A.: Time-series detection of perspiration as a liveness test in fingerprint devices. IEEE Trans. Syst. Man Cybern. Part C (Appl. Rev.) 35(3), 335–343 (2005)CrossRef
15.
Ratanamahatana, C.A., Keogh, E.: Making time-series classification more accurate using learned constraints. In: Proceedings of the 4th SIAM International Conference on Data Mining, pp. 11–22. SIAM, Florida (2004)
16.
Sakoe, H., Chiba, S.: Dynamic programming algorithm optimization for spoken word recognition. IEEE Trans. Acoust. Speech Signal Process. 26(1), 43–49 (1978)CrossRef
17.
Shah, M., Grabocka, J., Schilling, N., Wistuba, M., Schmidt-Thieme, L.: Learning DTW-shapelets for time-series classification. In: Proceedings of the 3rd IKDD Conference on Data Science (CODS), p. 3. ACM, New York, March 2016
18.
Stefan, A., Athitsos, V., Das, G.: The move-split-merge metric for time series. IEEE Trans. Knowl. Data Eng. 25(6), 1425–1438 (2013)CrossRef
Metadaten
Titel
A Minimum-First Algorithm for Dynamic Time Warping on Time Series
verfasst von
Bo-Xian Chen
Kuo-Tsung Tseng
Chang-Biau Yang
Copyright-Jahr
2019
Verlag
Springer Singapore
Buch
New Trends in Computer Technologies and Applications

Print ISBN: 978-981-13-9189-7

Electronic ISBN: 978-981-13-9190-3

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-981-13-9190-3_48