distances

# 距离度量 Aeon 提供了专门用于衡量时间序列相似度的距离函数，兼容 aeon 和 scikit-learn 估计器。 ## 距离类别 ### 弹性距离 允许序列之间灵活的时间对齐： **动态时间规整 (DTW) 系列：** - `dtw` - 经典动态时间规整 - `ddtw` - 导数 DTW (比较导数) - `wdtw` - 加权 DTW (按位置惩罚规整) - `wddtw` - 加权导数 DTW - `shape_dtw` - 基于形状的 DTW **基于编辑：** - `erp` - 具有实数惩罚的编辑距离 - `edr` - 实数序列上的编辑距离 - `lcss` - 最长公共子序列 - `twe` - 时间规整编辑距离 **专用：** - `msm` - 移动-分割-合并距离 - `adtw` - 惩罚 DTW - `sbd` - 基于形状的距离 **适用场景**：时间序列可能存在时间偏移、速度变化或相位差异时。 ### 锁定步长距离 无需对齐即可逐点比较时间序列： - `euclidean` - 欧几里得距离 (L2 范数) - `manhattan` - 曼哈顿距离 (L1 范数) - `minkowski` - 广义闵可夫斯基距离 (Lp 范数) - `squared` - 平方欧几里得距离 **适用场景**：序列已经对齐，需要计算速度，或预期没有时间扭曲时。 ## 使用模式 ### 计算单个距离 python from aeon.distances import dtw_distance # 两个时间序列之间的距离 distance = dtw_distance(x, y) # 带有窗口约束 (Sakoe-Chiba 带) distance = dtw_distance(x, y, window=0.1) ### 成对距离矩阵 python from aeon.distances import dtw_pairwise_distance # 集合中所有成对距离 X = [series1, series2, series3, series4] distance_matrix = dtw_pairwise_distance(X) # 跨集合距离 distance_matrix = dtw_pairwise_distance(X_train, X_test) ### 代价矩阵和对齐路径 python from aeon.distances import dtw_cost_matrix, dtw_alignment_path # 获取完整代价矩阵 cost_matrix = dtw_cost_matrix(x, y) # 获取最优对齐路径 path = dtw_alignment_path(x, y) # 返回索引：[(0,0), (1,1), (2,1), (2,2), ...] ### 与估计器配合使用 python from aeon.classification.distance_based import KNeighborsTimeSeriesClassifier # 在分类器中使用 DTW 距离 clf = KNeighborsTimeSeriesClassifier( n_neighbors=5, distance="dtw", distance_params={"window": 0.2} ) clf.fit(X_train, y_train) ## 距离参数 ### 窗口约束 限制规整路径偏差（提高速度和预测性能）