0 总述

         DTW可以计算两个时间序列的相似度，尤其适用于不同长度、不同节奏的时间序列（比如不同的人读同一个词的音频序列）

        DTW将自动扭曲（warping）时间序列（即在时间轴上进行局部的缩放），使得两个序列的形态尽可能的一致，得到最大可能的相似度。

        DTW采用了动态规划的方法来进行时间规整的计算

1 欧几里得距离的局限性

        描述两个序列之间的相似性，欧氏距离是一种十分简单且直观的方法，但对于序列之间步调不统一的情况，计算欧氏距离得到的结果会比实际的最小距离大很多，比如下面两个几乎一样的序列：

·

        左边是欧氏距离的对应关系，在同一时刻上的点相互对应，计算总距离；右边是DTW的点对应关系。

        可以看到，下面序列某时刻的点可以对应上面序列非同一时刻的点；同时一个点可以对应多个点；多个点也可以对应一个点，也就是说每个点尽可能找离它距离最小的点，允许时间轴上的伸缩。

        显而易见的，这种情况下DTW计算的距离比欧氏距离更小。因此对于时间上有拉伸或压缩的序列，使用DTW计算的序列距离更加合理。

        该算法在语音序列匹配中使用十分广泛。

2  DTW 算法

        假设我们有两个时间序列Q和C，他们的长度分别是n和m（n和m不一定相等），我们记为：

        

        现在我们需要将两个序列对齐，DTW采用动态规划的方法进行对齐。

        为了对齐这两个序列，我们需要构造一个n*m的矩阵网络，矩阵元素(i,j)表示和两个点之间的距离 

        【不同的应用问题中，会有不同的d】

        【一般采用欧氏距离，】

        【在有些问题中，这个距离又被称作失真度】

        DTW算法旨在寻找一条通过此网络中若干个点的一条路径，路径中的经过的点即为两个序列之间进行计算所需要的对齐的点

         但是，这条路径并不是随意选择的，它需要满足几个约束条件：

• 边界条件【，】，首尾需要对齐
• 连续性+单调性【如果，那么对于路径上的下一个点，需要满足，】【也就是路径只能连接正上方、正右方、右上方三个相邻点钟的一个】【】——>保证两个要比较的序列Q和C中的每一个坐标都会在W中出现

         我们的目的是最小化路径上的值，即

         【有时候也没有这个K）

        分母中的K主要是用来对不同的长度的规整路径做补偿。因为不同的路径其长短不同，较长的路径有较多的“点对”，会有较多的距离累加上去，所以总距离除以K得到单位路径的距离。

3 DTW 举例

比如我们有两个序列

import matplotlib.pyplot as plt
import numpy as np

a=np.array([1,3,2,4,2])
b=np.array([0,3,4,2,2])

plt.plot(a)
plt.plot(b)

他们之间的欧氏距离为 

np.sqrt(np.sum((a-b)*(a-b))
#3

使用DTW的话，先要计算两个序列之间的欧氏距离

a-b	0	3	4	2	2
1	1	2	3	1	1
3	3	0	1	1	1
2	2	1	2	0	0
4	4	1	0	2	2
2	2	1	2	0	0

使用动态规划的话，就需要有这样的状态转移方程： 

其中d(i,j)就是第(i,j)个条目里面的内容，也就是ai和bj之间的欧几里得距离

计算出所有的dp值之后，就可以得到它的DTW值，也即2

4 python 实现

dtw_lst=[[-1 for _ in range(len(b))] for _ in range(len(a))]
#DTW矩阵，也就是上例中的dp(i,j)

def dist(i,j):
    return(math.fabs(a[i]-b[j]))
#两个点之间的欧几里得距离

dtw_lst[0][0]=dist(0,0)

def DTW(i,j):
    if(dtw_lst[i][j]!=-1):
        return(dtw_lst[i][j])
        #表示之前已经计算过这一对(i,j)的dtw了
    else:
        dtw_prev=np.inf
        if(i!=0):
            dtw_prev=min(dtw_prev,DTW(i-1,j))
        if(j!=0):
            dtw_prev=min(dtw_prev,DTW(i,j-1))
        if(i!=0 and j!=0):
            dtw_prev=min(dtw_prev,DTW(i-1,j-1))
        #由于不知道有没有左上，左，和上的点，所以需要讨论
        dtw_lst[i][j]=dtw_prev+dist(i,j)
        return(dtw_lst[i][j])

DTW(len(a)-1,len(b)-1)
#2.0

和手推的结果是一样的

参考资料

IT技术 - 简书 (jianshu.com)

理解dynamic time warping(DTW)的基本思想 - 知乎 (zhihu.com)