基于动态规划DTW算法加速衡量两个不同的时间序列的相似性

什么是DTW？

DTW算法采用了动态规划DP（dynamic programming）的方法来进行时间规整的计算，可以说，动态规划方法在时间规整问题上的应用就是DTW。

为什么需要DTW算法

当两个序列按照时间步t完全对齐的时候，我们可以直接使用ED算法（或者其它距离计算）来评估两个算法的相似度。但是有些时候两个序列并未完全对其，如果我们将某一序列进行压缩处理，此时会有信息损失。那么是否可以将两个长度不一样的序列进行对齐，然后再进行距离计算，DTW算法可以完成这个任务。

如图所示，这两个序列整体上波形很相似，但是在时间轴上确实对不齐的，所以这样如果按照时间步t对应来求距离显然会出问题。

为了解决这个问题，我们需要进行对齐操作：

如图所示，就是应用DTW算法之后的对齐之后的效果图，那么此时我们对两个序列的对应点之间计算距离，此时才是这两个序列的真实距离。

DTW的核心问题？

DTW核心是将两个不同的序列按照最好的方式对齐，而如何才是最好对齐呢？对齐的方式有很多，最好的对齐方式就是两个序列的距离最小，同时这个最小的距离就是这两个序列的距离。

如图所示，两条完全不同的序列Q，C，如何才能对齐呢？

假设Q的序列长度为n，而C的序列长度为m，那么我们需要构建一个n*m的矩阵，其中矩阵元素（i，j）表示Qi和Cj之间的距离。每个矩阵元素表示Qi和Cj对齐，那么从矩阵左下角到右上角可以找到很多路径（为什么是从左下角到右上角，因为两个不同的序列无论长短，它们的起始点和终止点肯定是对应的），这个矩阵包含了所有的对齐路径，DP算法就是要找到一条最短的路径。

路径的性质

首先这条路径需要满足一定的性质，它可以帮助算法对路径进行规范。

边界条件：必须从矩阵的左上角到矩阵的右上角
连续性：路径需要是连续的，不能跨越某点去匹配，（跨越其实也行，这样会有信息损失）
单调性：路径必须随着时间单调进行，这样路径不会出现相交的情况。

连续性和单调性决定了路径中每一个格点只有三个方向，如果当前格点为（i，j），那么下一个格点只能是下面的三种情况（i+1，j）、（i，j+1）、（i+1，j+1）

当然如果连续性中考虑跨越的情况，那么可能来自五个方向，此时从(m-2,n-1)到（m，n）会有信息损失

本文中我们只考虑三种方向的情况。

动态规划关系表达式

现在我们已经知道了路径的规范条件了，那么这个问题的动态规划关系表达式为：

我们拿g(i,j)=g(i-1,j)+d(i,j)来举例，g(i-1,j)我们可以认为是起点到g(i-1,j)的最短距离，然后d(i,j)表示Qi与Cj之间的距离。

为什么有d还有2d呢？

这个可以理解为人为设定的，我们这里设定当路径横着走还有竖着走的时候，就是d，当路径斜着走的时候就是2d，也就是此时我们设定斜着走的时候损失大一些，d可以认为是损失。

现在有两个序列R和T，现在我们构建了一个矩阵，我们要找到从左下角到右上角的最短路径，每个格子中数字表示Ri和Tj的距离，右上角表示总距离。我们来看一下B2是如何计算的：
如果只能从三个方向来走的话，B2可以认为来自B1、A1、A2，通过上面的动态规划关系式可以算出来

A1+2B2=4+24=12

B1+B2=7+4=11

A2+B2=5+4=9

所以从起点到B2的最短距离就是9，我们可以通过这种方式计算出格子的所有的点，那么最终我们可以算出从起点到F4的最短距离就是26，这就是动态规划，而动态规划在时间序列的应用就是DTW算法。

但是这里就有一个问题了？以上仅仅比较两条路径就要计算这么多，如果多条路径C与Q进行匹配，那么这个计算量就太大了，也就是说时间复杂度太高了，需要进行算法的改进。所以人们在使用DTW算法的时候就会使用一些技巧，以次来提高计算速度。

一些技巧

去根号计算

当使用DTW算法的时候，需要计算Q与C之间不同i，j之间的距离，那么往往需要较大的计算量

我们可以看到我们的目的是为了寻找最小的计算量，而去掉根号不影响其大小的比较，而根号的计算需要耗费较多时间，所以一个技巧就是去掉根号。

Lower Bounding

如果正常的计算Q和C之间的DTW距离，这样计算量很大，我们可以为Q设置上下界（U和L），然后使用U和L和C进行距离计算（C和U、L之间直接通过对应时间步计算，不用对齐），这个距离属于估算，如果估算出来的这个距离大于设置阈值，我们就认为Q和C之间的差距太大了，二者不匹配。Lower Bounding存在两个算法变种：LB-kim和LB-koegh

LB-kim：

直接找到Q和C的四个对应的点，起始点，终点，最高点，最低点，计算这四个点的距离和，如果超过阈值，那么我们就认为这个Q和C不匹配。

LB-koegh：

直接找到Q和C的两个对应的点，最高点和最低点，如果超过阈值我们就认为这个Q和C不匹配。

我们可以看出来这两种方式计算的点比较少，所以计算量极少，速度会很快，但是会有问题，就是不精确，仅仅通过几个点就确定了序列的匹配程度，这样会有误差的。

Early Abandoning of ED and LB_Keogh

这个是将ED和LB进行结合，因为ED计算（DTW）比较精确，但是计算量大，而LB比较粗略，但计算量小，我们将二者结合，如图所示，我们将k=11之前使用DTW计算，K=11之后我们使用LB来计算，此时我们将二者加起来，如果这个超过阈值，我们就可以认为Q和C不匹配

一些新的技巧总结

Early Abandoning Z-Normalization

我们在使用DTW算法的时候，往往需要对数据进行归一化操作，这样可以提高效率

归一化操作

那么如果先进行归一化再进行动态规划，这样的问题就是一旦Q和C不匹配，那么就对C白白归一化了，那么我们可以这样的，每标准化一点就对这点进行ED计算，如果计算过程中总距离一旦超过阈值，就立即停止计算，以后的也不用进行归一化了，这样后面的点就不用归一化了，这样计算量就减少了。

Reordering Early Abandoning

DTW计算的时候，一般从序列匹配的起点开始计算，我们发现当计算到第9个时间步的时候，那么就发现它超过了阈值，我们就认为二者是不匹配的，就停止计算了

现在我们计算的时候不从起点开始计算，比如我们可以从中间的某个特殊的时间步（一般是Q中距离均值0比较远的序列段，用这段来和C进行距离计算，这个序列段再标准化的过程中就可以找到）计算。论文中的reorder early abounding 这部分的做法是对Q序列进行norm处理，然后对所有时间点元素值取绝对值，最后进行降序排列，以此来找到异常点？

这样，我们只计算（直接按照时间步计算距离，估算）了五个时间步就发现，Q和C距离超过阈值，二者是不匹配的，这样就直接停止计算。

以Q为基础的LB和以C为基础的LB

我们使用LB的方法都是对Q来使用的，然也可以对C来使用，这样的好处是对Q使用可以过滤掉一部分不匹配的序列，对C使用又可以过滤掉一批不匹配的序列
多种LB方式综合使用

我们可以看到横轴表示时间复杂度，纵轴表示可靠性，我们可以认为越靠近左上角的算法是越好的。

总结

我们需要找到与Q距离最短的C，当序列很长和C数量很多的时候，一个很重要的问题就是过滤，也就是及时停止距离计算,上面的技巧就是在做这个工作，通过各种方式，只要发现Q和C的距离计算超过阈值就抛弃C，因为计算Q和C之间的DTW真的很费时间。

参考论文：Searching and Mining Trillions of Time Series Subsequences under Dynamic Time Warping