A complexity-invariant distance measure for time series (2011)
- Authors:
- Autor USP: BATISTA, GUSTAVO ENRIQUE DE ALMEIDA PRADO ALVES - ICMC
- Unidade: ICMC
- Assunto: INTELIGÊNCIA ARTIFICIAL
- Language: Inglês
- Imprenta:
- Publisher: Society for Industrial and Applied Mathematics - SIAM
- Publisher place: Philadelphia, PA
- Date published: 2011
- ISBN: 9780898719925
- Source:
- Título: Proceedings
- Conference titles: SIAM International Conference on Data Mining
-
ABNT
BATISTA, Gustavo Enrique de Almeida Prado Alves e WANG, Xiaoyue e KEOGH, Eamonn J. A complexity-invariant distance measure for time series. 2011, Anais.. Philadelphia, PA: Society for Industrial and Applied Mathematics - SIAM, 2011. . Acesso em: 28 dez. 2025. -
APA
Batista, G. E. de A. P. A., Wang, X., & Keogh, E. J. (2011). A complexity-invariant distance measure for time series. In Proceedings. Philadelphia, PA: Society for Industrial and Applied Mathematics - SIAM. -
NLM
Batista GE de APA, Wang X, Keogh EJ. A complexity-invariant distance measure for time series. Proceedings. 2011 ;[citado 2025 dez. 28 ] -
Vancouver
Batista GE de APA, Wang X, Keogh EJ. A complexity-invariant distance measure for time series. Proceedings. 2011 ;[citado 2025 dez. 28 ] - Contribuições em mineração de dados temporais e classes desbalanceadas
- Classification of live moths combining texture, color and shape primitives
- Mineração de séries temporais por meio da extração de características e da identificação de motifs
- Extração de padrões e construção de modelos simbólicos para previsão de dados temporais
- Towards automatic classification on flying insects using inexpensive sensors
- Distância invariante à complexidade baseada em dimensão fractal para classificação de séries temporais
- A novel approximation to dynamic time warping allows anytime clustering of massive time series datasets
- Data mining a trillion time series subsequences under dynamic time warping
- An empirical comparison of dissimilarity measures for time series classification
- Evaluation of statistical and machine learning models for time series prediction: identifying the state-of-the-art and the best conditions for the use of each model
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
