含时间序列与离散变量的数据集如何基于DTW开展聚类分析

直接拼接DTW距离与离散变量距离失效的核心原因是两类距离的数值尺度、分布范围不匹配，和DTW本身的计算逻辑无关；按序列长度缩放DTW、把静态变量转成恒定序列塞进DTW的思路之所以效果差，是因为人为引入了序列长度带来的偏差，没有从距离对齐的根源解决问题。以下是三种经过落地验证的可行方案：

方案1：距离矩阵归一化加权融合（落地成本最低，工业界最常用） #

这个方案不需要修改DTW的核心逻辑，只要调整距离融合的预处理步骤，不等长时间序列也能直接用：

• 分别计算两类独立距离矩阵
  • 时间序列部分：先对单条时间序列按维度做z-score标准化消除传感器量纲影响，再计算所有样本对的DTW距离，得到原始DTW距离矩阵D_dtw
  • 静态离散变量部分：区分离散变量类型处理：无序类别变量（如性别、设备型号）先做独热编码，计算汉明距离；数值型离散变量（如年龄、使用年限）先做z-score标准化，计算欧氏距离，最终得到静态属性距离矩阵D_static
• 距离归一化：分别对两个距离矩阵做鲁棒归一化，先将矩阵中距离值的1%、99%分位作为截断上下限剔除离群值影响，再将两个矩阵的所有值线性映射到[0,1]区间，得到归一化后的矩阵D_dtw_norm和D_static_norm。不要用序列长度缩放DTW：这种方式本质是计算路径点的平均距离，会丢失序列整体形态的差异，且对不等长序列的匹配路径偏差非常敏感。
• 加权融合：按业务重要性给两类距离分配权重，融合得到最终距离矩阵：D_final = α * D_dtw_norm + (1-α) * D_static_norm，其中α∈[0,1]，可以通过网格搜索匹配最高轮廓系数、CH指数等无监督聚类指标确定最优值，也可以直接按业务经验赋值（比如传感器时序形态占主要判断依据时取α=0.7~0.8）。
• 聚类环节直接将D_final作为预计算距离矩阵，输入支持自定义距离的聚类算法即可，优先选K-Medoids、层次聚类、DBSCAN，不要用原生K-Means（不支持非欧氏预计算距离）。

方案2：DTW代价函数嵌入静态属性惩罚（逻辑更严谨，聚类一致性更好） #

这个方案从DTW的计算逻辑入手融合静态属性，避免事后融合的分布偏差，已经在可穿戴设备行为识别、工业设备故障聚类场景有落地案例：

• 修改DTW递推过程中的点匹配代价函数，原生DTW的点匹配代价仅计算两个时间点的时序特征差：cost(i,j) = ||ts1[i] - ts2[j]||_2
• 新的代价函数加入固定静态属性惩罚项：cost(i,j) = λ * ||ts1[i] - ts2[j]||_2 + (1-λ) * d_static(sample1, sample2)，其中d_static是两个样本的静态属性距离（提前归一化到[0,1]区间），λ是时序特征的权重参数。
• 按修改后的代价函数正常计算DTW距离即可，最终得到的DTW距离天然包含了静态属性的差异。不要直接把静态变量复制为恒定值时序维度输入DTW：这种做法会让静态属性的差值在路径匹配过程中被累加N次（N为匹配路径长度），序列越长静态属性的权重被放得越大，完全不可控。

方案3：两阶段粗分+细聚类（可解释性最强，适合静态属性分组逻辑明确的场景） #

如果离散变量本身有明确的业务分组规则（比如年龄分老中青、设备分不同型号），可以绕开距离融合的问题：

• 第一阶段：先按静态离散属性的取值做粗分组，保证同组内样本的静态属性差异在业务可接受范围内
• 第二阶段：每个组内单独用标准DTW距离做时间序列聚类，最后把所有组的聚类结果汇总即可
• 这个方案的优点是完全没有距离权重调参的问题，聚类结果的可解释性极强，缺点是不适合静态属性为连续型离散值、无明确分组边界的场景。

实操避坑要点 #

• 距离归一化不要直接用全量数据的min-max，DTW距离的分布通常是右偏的，少量离群样本对的距离会把整体尺度拉偏，用分位截断后再归一化的鲁棒性会高很多
• 权重调优不要只依赖无监督指标，必须结合业务校验：比如临床场景下年龄是核心影响因子，就要保证聚类结果的簇内年龄分布符合医学常识，避免出现时序特征完全主导、静态属性完全失效的情况
• 无序类别变量不要直接用标签编码算欧氏距离，会人为引入不存在的数值大小关系，必须先做独热编码再计算距离

内容的提问来源于stack exchange，提问作者YoungResearcher