一个实际例子演示动态时间规整（Dynamic Time Warping, DTW ）算法

用一个实际例子，演示动态时间规整（Dynamic Time Warping, DTW   ）算法

 

 

动态时间规整 (Dynamic Time Warping, DTW) 是一种用于度量两个时间序列之间的差异的算法，尤其是当这两个序列出现时间偏移或速度不同的情况。例如，DTW 可用于语音识别或股价数据分析。

以下是一个简单的 DTW 算法实现例子，我们将使用 Python 和 numpy 来计算两个时间序列之间的 DTW 距离：

1. 定义 DTW 函数

pythonCopy code

2. 定义两个时间序列并计算它们的 DTW 距离

pythonCopy code

 

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

import numpy as np   def dtw(seq1, seq2):     m, n = len(seq1), len(seq2)     # 创建一个 m x n 的矩阵，初始化为无穷大     dtw_matrix = np.zeros((m+1, n+1))     dtw_matrix[0, 1:] = float('inf')     dtw_matrix[1:, 0] = float('inf')       for i in range(1, m+1):         for j in range(1, n+1):             cost = (seq1[i-1] - seq2[j-1])**2             # 选择之前三个操作中的最小值             dtw_matrix[i, j] = cost + min(dtw_matrix[i-1, j], dtw_matrix[i, j-1], dtw_matrix[i-1, j-1])       return dtw_matrix[m, n]   seq1 = np.array([1, 1, 2, 3, 2, 0]) seq2 = np.array([0, 1, 1, 2, 3, 2, 1]) distance = dtw(seq1, seq2) print("DTW distance between seq1 and seq2:", distance) # 答案是2   seq1 = np.array([1, 3, 2, 2, 4, 4]) seq2 = np.array([1, 1, 3, 3, 2, 4]) distance = dtw(seq1, seq2) print("DTW distance between seq1 and seq2:", distance) # 答案是0 见图

　　

在上述例子中，我们定义了两个简单的时间序列并使用 DTW 函数来计算它们之间的距离。返回的距离给出了两个时间序列之间的差异度量。

需要注意的是，这只是一个基本的 DTW 实现，专门为了说明算法而设计。在实际应用中，可能会使用更高级的版本和优化技术，例如使用约束条件来减少计算复杂性，或者使用快速近似方法来加速计算。

 

本质上就是一个最短路的动态规划算法，无非是路径可以斜着走而已！

 

 

 

这里是不是有错啊？cost = (seq1[i-1] - seq2[j-1])**2 是不是应该是取绝对值？  

对于 DTW，计算两个点之间的“距离”或“代价”可以有多种方式。常用的方式确实是取两点的绝对差，但平方差也是合理的选择。选择哪种方式取决于应用的具体需求。

使用绝对差值：

pythonCopy code

cost = abs(seq1[i-1] - seq2[j-1])

使用平方差：

pythonCopy code

cost = (seq1[i-1] - seq2[j-1])**2

这两种方式都可以用在 DTW 算法中，但它们可能会导致稍微不同的结果。绝对差值可能在某些应用中更有意义，尤其是当我们关心的是实际的差异大小而不是差异的平方时。

因此，如果你的应用更适合使用绝对差值，那么可以替换为 cost = abs(seq1[i-1] - seq2[j-1])。

 

我看到默认都是绝对值！