Angular Metric for Shape Similarity(AMSS)的Python实现及近似方案咨询

1. 优化的AMSS官方Python实现现状 #

目前没有被广泛认可的、经过工程优化的官方AMSS Python实现。AMSS的核心定义来自学术研究，开源生态里尚未有专门针对它的成熟库实现。

2. 用导数+DTW+余弦相似度近似AMSS的可行性 #

完全可行，且这个思路精准贴合AMSS的核心设计逻辑：

• AMSS本质是衡量两条曲线的形状角度相似性，核心关注曲线的方向变化（导数）而非原始数值的绝对值；
• 用导数序列表征曲线的局部方向特征，正好匹配AMSS对形状角度信息的提取需求；
• 余弦相似度用于衡量两个导数向量的方向一致性，完美对应AMSS的角度相似性度量目标；
• DTW（动态时间规整）解决了两条序列在时间轴上不对齐的问题，这也是形状相似性度量中的常见场景。

3. 你提供的代码是否为AMSS的良好近似 #

你的实现抓住了AMSS的核心要素，是一个合格的近似方案，但有几个细节可以优化，让它更贴近AMSS的原始定义：

• 数值导数的稳定性：np.gradient对噪声敏感，若输入序列存在噪声，建议先对原始序列做平滑处理（比如scipy.signal.savgol_filter），再计算导数；
• DTW路径约束：原始AMSS可能对序列对齐的路径有局部约束（比如限制相邻点的斜率），你可以给DTW添加窗口约束（比如Sakoe-Chiba窗口），通过dtw_path_from_metric的global_constraint参数实现；
• 度量归一化：distance.cosine返回的是1 - 余弦相似度，范围是[0,2]，最终的DTW距离是该值的累积和。若需要和AMSS原始度量的范围对齐，可对结果做归一化处理（比如除以序列长度）。

优化后的示例代码（添加平滑和窗口约束）：

import numpy as np
from tslearn.metrics import dtw_path_from_metric
from scipy.spatial import distance
from scipy.signal import savgol_filter

def smoothed_gradient(x, window_length=5, polyorder=2):
    # 先平滑再计算导数，提升稳定性
    smoothed_x = savgol_filter(x, window_length, polyorder)
    return np.gradient(smoothed_x)

def amss_improved(x, y):
    dx = smoothed_gradient(x)
    dy = smoothed_gradient(y)
    # 添加Sakoe-Chiba窗口约束，窗口大小设为序列长度的10%
    window_size = max(len(dx), len(dy)) // 10
    return dtw_path_from_metric(dx, dy, metric=distance.cosine, 
                                global_constraint="sakoe_chiba", 
                                sakoe_chiba_radius=window_size)[1]

内容的提问来源于stack exchange，提问作者hfaila