如何用R语言量化评估三次曲线的相似性（含镜像关系）

方法1：基于采样点的相关性分析 #

先在缓冲距离的有效范围内生成一批采样点，算出每个模型的预测值，然后同时计算原始曲线和镜像反转曲线（预测值乘-1）的相关系数，取最大值作为相似性指标——相关系数越接近1，曲线（或其镜像）的趋势越一致。

# 假设已经有三个拟合好的三次模型：model1、model2、model3
# 生成缓冲距离采样序列，这里取0到10之间的100个点
buffer_seq <- seq(0, 10, length.out = 100)

# 得到每个模型的预测值
pred1 <- predict(model1, newdata = data.frame(buffer = buffer_seq))
pred2 <- predict(model2, newdata = data.frame(buffer = buffer_seq))
pred3 <- predict(model3, newdata = data.frame(buffer = buffer_seq))

# 自定义计算相似性的函数：取原始和镜像的最大相关系数
calc_similarity <- function(x, y) {
  corr_original <- cor(x, y)
  corr_mirror <- cor(x, -y)
  max(corr_original, corr_mirror)
}

# 计算两两模型的相似性
sim_12 <- calc_similarity(pred1, pred2)
sim_13 <- calc_similarity(pred1, pred3)
sim_23 <- calc_similarity(pred2, pred3)

# 输出结果
cat("模型1与2的相似性：", sim_12, "\n")
cat("模型1与3的相似性：", sim_13, "\n")
cat("模型2与3的相似性：", sim_23, "\n")

方法2：基于归一化系数的余弦相似度 #

三次函数的形式是y = a*x³ + b*x² + c*x + d，先对系数做归一化（除以系数的L2范数），再计算原始系数或镜像系数（所有系数乘-1）的余弦相似度，取最大值。这种方法直接从函数本质出发，适合评估曲线的形态一致性。

# 提取模型系数（假设用lm拟合，公式为lm(y ~ poly(buffer, 3, raw=TRUE))）
coef1 <- coef(model1)
coef2 <- coef(model2)
coef3 <- coef(model3)

# 归一化函数：将系数向量缩放到单位长度
normalize <- function(vec) {
  vec / sqrt(sum(vec^2))
}

# 计算余弦相似度，同时考虑镜像情况
cos_sim <- function(coef_a, coef_b) {
  norm_a <- normalize(coef_a)
  norm_b <- normalize(coef_b)
  sim_original <- sum(norm_a * norm_b)
  sim_mirror <- sum(norm_a * (-norm_b))
  max(sim_original, sim_mirror)
}

# 计算两两模型的系数相似性
sim_coef_12 <- cos_sim(coef1, coef2)
sim_coef_13 <- cos_sim(coef1, coef3)
sim_coef_23 <- cos_sim(coef2, coef3)

# 输出结果
cat("系数层面模型1与2的相似性：", sim_coef_12, "\n")
cat("系数层面模型1与3的相似性：", sim_coef_13, "\n")
cat("系数层面模型2与3的相似性：", sim_coef_23, "\n")

注：如果常数项d不影响曲线趋势，可以去掉后再计算，根据你的业务需求调整。

方法3：动态时间规整（DTW） #

如果曲线存在轻微的偏移或采样不均，DTW能自动对齐序列并计算相似性，同样支持镜像反转的场景。返回的相似性值越接近1，曲线（或镜像）的形态越相似。

# 先安装并加载dtw包
# install.packages("dtw")
library(dtw)

# 自定义DTW相似性计算函数：取原始和镜像的最小距离，再归一化
dtw_similarity <- function(x, y) {
  dtw_original <- dtw(x, y)$distance
  dtw_mirror <- dtw(x, -y)$distance
  # 距离越小越相似，用1/(1+最小距离)将结果映射到0-1区间
  1 / (1 + min(dtw_original, dtw_mirror))
}

# 计算两两模型的DTW相似性
sim_dtw_12 <- dtw_similarity(pred1, pred2)
sim_dtw_13 <- dtw_similarity(pred1, pred3)
sim_dtw_23 <- dtw_similarity(pred2, pred3)

# 输出结果
cat("DTW模型1与2的相似性：", sim_dtw_12, "\n")
cat("DTW模型1与3的相似性：", sim_dtw_13, "\n")
cat("DTW模型2与3的相似性：", sim_dtw_23, "\n")

内容的提问来源于stack exchange，提问作者Wei Liao