c++做华容道论文_【论文Summary】DTW

【论文Summary】Searching and Mining Trillions of Time Series Subsequences under Dynamic Time Warping

标签（空格分隔）： 论文Summary NLP

1. 主要解决的问题

这篇论文是针对DTW(Dynamic Time Warping)算法进行了一些优化，目的是用一段时间序列片段T1，在大规模的时间序列T2中，更快的找到与片段T1相似的时间序列段。

举个例子：网易云音乐去推荐相似的音乐，通过你唱的小片段，然后在音乐库中找出相应的歌曲。

2. 一些定义

2.1 ED

常用欧式距离来衡量两个一维的时间序列Q和C的相似度。计算公式如下：

如果两个时间序列长度相等时，最直观的办法就是将两者固定到时间轴上，逐个计算每个时间点对应的值的距离和：(如图中的灰色阴影区域)

但是ED是两个序列间的一对一的映射，当Q和C形状上相似，但是有时间点上有相位差时，算出的相似度会有比较大的偏差。而DTW可以很好的解决这个问题。

2.2 DTW

DTW的做法相当于是把两个时间序列进行对齐后，求算出一个差异矩阵，目标是在矩阵中找到一条从(0,0)到(n,n)的路径，使得该路径上的元素的累加欧拉距离最小，这样的一条路径被称为wraping path。

1. 差异矩阵

构造一个

的矩阵，矩阵的

元素是点

和

之间的欧几里德距离

。

2. Wraping path

Wraping path定义了时序Q和C之间的映射，记作P。是一组连续的矩阵元素，P的第

个元素定义为

，有：

注： 欧式距离相当于DTW的特例，对应的warping path为从矩阵左下角到右上角的对角线；

3. Wraping path的条件
1. 必须在矩阵的对角单元格中开始和结束
2. 步长被限制为相邻