W rozwiązaniach „inteligentnych miast” niezwykle istotną rolę odgrywa analiza danych sensorycznych. Najczęściej przyjmują one postać szeregów czasowych – wartości parametrów zmieniających się w czasie z określoną częstotliwością. Utrudnia to porównywanie ze sobą przebiegów, np. w celu identyfikacji obiektów o podobnej charakterystyce, np. dróg na których natężenie ruchu kształtuje się w podobny sposób.
Istnieje wiele metod porównywania szeregów czasowych, począwszy od analizy statystycznej, a skończywszy na algorytmach dziedzinowych. W porównaniach takich istotne jest znalezienie dwóch parametrów tj. podobieństwa szeregów, oraz ich ewentualnego przesunięcia danych w czasie. Przesunięcie w czasie może służyć zarówno do potwierdzenia hipotezy o dystrybucji geograficznej źródeł danych, bądź też do budowy modelu takiej dystrybucji i przewidywania np. rozprzestrzeniania się zanieczyszczeń, czy też rozpływów natężenia ruchu pojazdów, czy pieszych.
Do określenia skali podobieństwa można zastosować współczynnik korelacji. Natomiast do weryfikacji algorytm Dynamic Time Warp (DTW).
Algortym DTW umożliwia nie tylko określenie podobieństwa, ale również oszacowanie jakie jest przesunięcie w czasie poszczególnych pomiarów. Przykładowo poniżej znajdują się dwa przebiegi czasowe z zaznaczonymi kolorem żółtym punktami podobnymi.
Często przeprowadzając takie analizy istotne są zmiany podobieństwa w czasie, które również można prześledzić z pomocą algorytm DTW, tak jak pokazano to poniżej. Na osi x oraz y pokazane są porównywane dwa przebiegi, rezultatem jest linia pokazana w części centralnej. Jeżeli jest ona prosta oznacza to całkowite podobieństwo.
