2021-06-28

最新推荐文章于 2025-02-28 10:17:32 发布

CityU张然的数据笔记

最新推荐文章于 2025-02-28 10:17:32 发布

阅读量1.5k

点赞数 2

分类专栏：时间序列分析文章标签： python 数据分析

本文链接：https://blog.csdn.net/weixin_39858264/article/details/118311309

版权

时间序列分析专栏收录该内容

1 篇文章

订阅专栏

计算时间序列的相似性 DTW, DBA,SoftDTW原理、算法及Python实现

DTW, DBA, SoftDTW

DTW, DBA, SoftDTW

最近在做时间序列相关性的聚类问题。看到很多博客将计算DTW的函数误写为计算DBA的函数，例如这篇基于DBA计算相关性的k-medoid 聚类实现。
在此，重温一下各个Dynamic Time Warping子方法的定义、常用函数及参数设置，另附上tslearn包的源代码链接供大家参考。

1. DTW (Dynamic Time Warping) 动态时间规整

DTW是计算时间序列对齐后的欧氏距离（the Euclidean distance between aligned time series）, i.e., if 𝜋 is the alignment path:
DTW公式
用DTW相似度计算cross-similarity matrix：

链接: DTW 参数设置及源码

tslearn.metrics.cdist_dtw(dataset1, dataset2=None, global_constraint=None, sakoe_chiba_radius=None, itakura_max_slope=None, n_jobs=None, verbose=0)

示例 DTW计算多个序列间的相似度

>>> cdist_dtw([[1, 2, 2, 3], [1., 2., 3., 4.]])
array([[0., 1.],
       [1., 0.]])

2. DBA (DTW Barycenter Average)

DTW Barycenter Averaging (DBA) 是通过期望最大化算法（Expectation-Maximization algorithm）估计的DTW重心平均方法。

DBA 最初出现在[1] 中。此实现基于来自[2]（Majorize-Minimize Mean Algorithm）的想法。

tslearn.barycenters.dtw_barycenter_averaging(X, barycenter_size=None, init_barycenter=None, max_iter=30, tol=1e-05, weights=None, metric_params=None, verbose=False, n_init=1

链接: tslearn.barycenters包 DBA源码.

示例 重心（Barycenter）的计算
链接: DBA 参数设置及源码

from tslearn.barycenters import dtw_barycenter_averaging
bar = dtw_barycenter_averaging(X, barycenter_size=3)

链接: SoftDTW Barycenter 参数设置及源码

from tslearn.barycenters import softdtw_barycenter
from tslearn.utils import ts_zeros
initial_barycenter = ts_zeros(sz=5)
bar = softdtw_barycenter(X, init=initial_barycenter)

[1] F. Petitjean, A. Ketterlin & P. Gancarski. A global averaging method for dynamic time warping, with applications to clustering. Pattern Recognition, Elsevier, 2011, Vol. 44, Num. 3, pp. 678-693
[2] D. Schultz and B. Jain. Nonsmooth Analysis and Subgradient Methods for Averaging in Dynamic Time Warping Spaces. Pattern Recognition, 74, 340-358.

3. SoftDTW

我们使用 Soft-DTW 度量的 normalize版，来计算交叉相似度矩阵。

Soft-DTW 最初出现在[3]论文中。

Soft-DTW 计算如下：
在这里插入图片描述
min𝛾 是参数的soft-min 运算符 𝛾，在极限情况下 𝛾=0, min𝛾 简化为hard-min算子，soft-DTW被定义为DTW相似性度量的平方。

示例 SoftDTW 参数设置

tslearn.metrics.cdist_soft_dtw_normalized(dataset1, dataset2=None, gamma=1.0)

[3] M. Cuturi, M. Blondel “Soft-DTW: a Differentiable Loss Function for Time-Series,” ICML 2017.

4. GAK (Global Alignment Kernel)

全局对齐内核 (GAK) 是对时间序列进行操作的内核。GAK最初出现在[4]论文中。
它被定义为对于给定的带宽 𝜎，写作：
在这里插入图片描述
A(𝐱,𝐲) is the set of all possible alignments between series 𝐱 and 𝐲.

示例 GAK 参数设置

tslearn.metrics.cdist_gak(dataset1, dataset2=None, sigma=1.0, n_jobs=None, verbose=0)

[4] M. Cuturi. “Fast Global Alignment Kernels,” ICML 2011.