如何在Python中用DTW动态时间规整实现多条时间序列对齐

基于两两DTW距离矩阵的对齐步骤 #

首先要明确：仅包含距离值的两两矩阵无法直接完成对齐，你需要在计算两两DTW时同步存储每对序列的点对齐映射关系，后续步骤如下：

• 筛选公共参考序列：统计距离矩阵中每行的平均距离，选择平均距离最小的序列作为公共参考（即该批次的中心序列），该序列和其他所有序列的总对齐成本最低，能最小化整体对齐偏差
• 逐序列映射到公共参考轴：将其余所有序列分别和参考序列做DTW对齐，根据预存的/重新计算的对齐映射关系，把非参考序列的时间点映射到参考序列的时间轴上，映射过程中长度不匹配的位置可以用线性插值、前后值填充或均值填充处理
• 生成对齐结果：所有序列完成到参考时间轴的映射后，会得到长度完全一致的对齐后序列，直接用统一的横轴刻度即可绘制对齐后的对比图

如果使用Python的dtw-python库实现，计算DTW时指定keep_internals=True即可直接获取对齐映射表，无需手动实现路径回溯逻辑。

其他多条时间序列对齐方案 #

除了两两对齐映射到参考序列的方案外，还有3类常用的多序列对齐方案：

• 多序列DTW（MSDTW）：DTW针对多序列场景的原生扩展，直接构造N维代价矩阵求解全局最优对齐路径，对齐效果优于基于参考的两两对齐方案，但时间复杂度为O(L^N)（L为单序列平均长度），仅适合短序列、小批量的场景使用
• 重心平均DTW（DBA）：目前工业界最常用的多序列对齐方案，采用迭代优化逻辑：先选择初始参考序列，将所有序列对齐到参考后计算平均序列作为新参考，重复迭代直到参考序列收敛，计算成本远低于MSDTW，对齐效果稳定，还能直接输出所有序列的对齐后结果和全局平均序列
• 特征域对齐方案：如果你的场景优先关注序列形态对齐，可以先通过傅里叶变换、小波变换提取序列的形态特征，在特征域完成对齐后映射回时间域；也可以选择软DTW（Soft-DTW）这类可微的DTW变体，支持和深度学习模型结合，端到端完成对齐任务

内容的提问来源于stack exchange，提问作者narnia649