人工智能/机器学习基础知识——时间相似性度量（DTW）

时间序列相似度度量

Temporal Sequences Similarity Measurement

Dynamic Time Warping（DTW）

CSDN

CSDN

知乎

动态时间归整

• Key Idea

  • 两段时间序列可能存在一定的时间轴方向飘移，在这种情况下，若在同一坐标系下使用欧氏距离衡量两段序列对应逐点距离，则不能很好地反应两段时间序列的相似度

  • 在大多数情况下，两个序列整体上具有非常相似的情况，但这些情况在时间轴上并不是对齐的。所以在比较它们之间相似度之前，需要将其中一个或两个序列在时间轴下扭曲（Warping）以达到对齐

  • DTW通过把时间序列进行延伸和缩短，来计算两个时间序列之间的相似性

  

• Algorithm

  • 现有两个时间序列$Q$与$C$，一段长为$m$，一段长为$n$，每个序列中的元素可以看作是序列的特征向量

  • 若$n=m$，直接逐点计算序列距离即可

  • 若$n\ne m$，为了对齐序列，构造一个$n\times m$的矩阵，其元素$(i,j)$表示$q_i$与$c_j$两个点之间的距离（一般为欧氏距离），距离越小相似度越高。DTW的目的就是寻找一条通过此网格中若干格点的路径，路径通过的格点即为两个序列进行序列对齐的点。这条最佳路径称为规整路径（Warping Path）

    $$W=w_1,w_2,\dots ,w_{\mathrm{k}},\dots ,w_{\mathrm{k}}$$

    $$\max (m,n)\le \mathrm{K}<m+n-1$$

  • 其中规整路径需满足如下三个条件

    • 边界条件：必须从左下角出发，在右上角结束

    • 连续性：不能跨点匹配，一次网格移动只能相邻网格

    • 单调性：随时间单调进行，即只能往右或者往上或者往右上对角线

  • 我们关心的是使规整代价最小的规整路径

    $$DTW(Q,C)=\min \left\{\sqrt{\sum _{k=1}^K{w}_k}/K\right\}$$
    分母$K$对不同长度的规整路径作Normalize

  • 可用DP求解

    γ ( i , j ) = d ( q i , c j ) + min ⁡ { γ ( i − 1 , j − 1 ) , γ ( i − 1 , j ) , γ ( i , j − 1 ) } \gamma(\mathrm{i}, \mathrm{j})=d\left(q_{\mathrm{i}}, c_{\mathrm{j}}\right)+\min \{\gamma(i-1, j-1), \gamma(i-1, j), \gamma(i, j-1)\} γ(i,j)=d(qi​,cj​)+min{γ(i−1,j−1),γ(i−1,j),γ(i,j−1)}