动态时间规整 (DTW)计算时间序列相似度

发布于

原文在这里：https://medium.com/@n83072/dynamic-time-warping-dtw-cef508e6dd2d

當要計算時間序列資料的相似程度時，我們可以使用不同的距離計算方式。DTW就是其中一種距離方式計算，他的優勢在於：

  1. 可以比較長度不同的資料：在實際生活裡，通常我們想比較的資料長度都是不固定的
  2. delay也不怕：比如可以計算出Ａ序列的第一個資料點（ta1)對應到Ｂ序列的第五個資料點(tb5)，強大的應用包括語音辨識（比較同一個人的說“hello”的方式，第一種正常說，第二種像樹懶一樣說出“Ｈeeeeeelllooooo”，DTW還是能偵測出你們是同一個人）

python：

我們先創造出三個相同長度的資料ts1, ts2, ts3，從圖裡我們可以很明顯地看出ts1和ts2比較相似，第一種方法先透過最簡單的euclidean distance計算相似度，跑出的結果卻是ts1與ts3比較相近，因為euclidean distance僅考慮同個時間點下的兩的序列直線距離，無法捕捉到趨勢上的相似程度。

代码语言：javascript
复制
def euclid_dist(t1,t2):
    return sqrt(sum((t1-t2)**2))print('ts1 vs. ts2:',euclid_dist(ts1,ts2))
print('ts1 vs. ts3:',euclid_dist(ts1,ts3))

接下來，我們來用用dtw，這個為了簡潔方便我們就使用fastdtw package來計算：

代码语言：javascript
复制
from fastdtw import fastdtw
from scipy.spatial.distance import euclidean

distance, path = fastdtw(ts1, ts2)

print('ts1 vs. ts2:',distance)


distance2, path2 = fastdtw(ts1, ts3)

print('ts1 vs. ts3:',distance2)

我們可以發現dtw的計算結果正確地告訴我們ts1與ts3較為相近！以上只是dtw的簡單小介紹，如果對背後的數學邏輯有興趣也歡迎一起討論

作者：Nancy Sun

#distance