时间序列相似度计算 DTW算法

在论文Deep Multi-view Spatial-Temporal Network for Taxi Demand Prediction所提出的模型框架的Semantic View模块中,利用Dynamic Time Warping(DTW) 方法来计算其节点node(或位置)的相似性。

现将其整理如下:

在相似度计算方法中,我们常用的方法有余弦相似度、欧式距离相似度等。对于不同长度的时间序列,传统的相似度计算方法不能有效的求出其相似度。

基于上述存在的问题,采用DTW方法来计算不同时间序列长度的相似度计算。论文中没有给出具体的计算方法。

具体的后续再更

 

参考链接:

https://www.cnblogs.com/tornadomeet/archive/2012/03/23/2413363.html

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值