Dynamique Time Wraping Clustering

Bonjour !

Je suis nouveau sur le forum et pas très expérimenté en R. D'où ma demande d'aide ;)
Je cherche à réaliser une classification temporelle sur des données.
Il s'agit de pieds de vigne dont on a la valeur de NDVI (un indice de vigueur) pour plusieurs date.

J'ai déjà réalisé une classification avec le K means où chacune de mes dates est considérée comme une variable.
J'aimerais tester le Dynamique Time Wraping Clustering. Mais après pas mal de recherches, je suis un peu perdu.

Est ce que quelqu'un serait capable de me donner un coup de main pour mettre en oeuvre cette analyse ?

Bonjour,

Tu pourras surement trouver des choses intéressantes ici :
https://rdatamining.wordpress.com/20...mining-with-r/
Cordialement

Yes je suis tombé dessus, ce blog est pas mal du tout !
Mais je galère à adapter son exemple à mon sujet et mes données.

Il est difficile de te répondre sans connaître tes données et ce qui pose réellement problème par rapport à l'exemple fourni.
cdlt

Oui effectivement.

Mes données comportent 5 champs, ID, NDVI_1, NDVI_2, NDVI_3, NDVI_4.
Pour mon analyse en K means, j'ai passé mon champ ID en row.names afin qu'il ne participe pas à l'analyse en tant que variable.

Hier après-midi j'ai fait 2 tentatives de calcule de DTW avec cette ligne code où ndvi est le nom de mon data frame.

Code:

---

distMatrix <- dist(ndvi, method="DTW")

---

1 première fois sur mes 5 parcelles (30 349 pieds de vigne x4 dates) et pour 1 seule parcelle (6871 x4). Pour les 2 ca a duré un temps interminable (>1h) au point que je n'ai pas laissé finir. En effet pour nos futures utilisations l'analyse se doit d'être rapide (1 à 2 minute tout au plus).

Bonjour,

Si le problème est le temps de calcul alors je ne pense pas que tu ais de solution, si ce n'est reprogrammer de manière plus efficace la fonction qui calcule les matrices de distance (par exemple en faisant appel a du C).
L'autre solution est de faire des tirages aléatoires dans tes données pour réduire la quantité de données et donc la taille de la matrice de distance.

Cordialement