DTW算法实战：5分钟搞定时间序列相似度计算（附Python代码）

DTW算法实战：5分钟搞定时间序列相似度计算（附Python代码）

最近在做一个智能设备异常检测的项目，需要比较不同传感器采集到的振动波形是否相似。一开始我直接用了欧氏距离，结果发现效果很差——明明两个波形模式几乎一样，只是其中一个的峰值稍微延迟了零点几秒，就被判定为“不相似”。团队里一位做语音识别出身的老同事看了一眼就说：“你这得用DTW啊，时间序列对齐的问题，它最拿手。” 于是，我花了一个下午研究并实现了它，效果立竿见影。今天，我就把自己从零到一搞定动态时间规整（DTW）算法的实战经验，连同可以直接运行的Python代码，分享给各位需要快速上手的开发者。我们的目标很明确：不谈过多理论，只求在5分钟内理解核心思想，并用代码解决实际问题。

1. 为什么欧氏距离在时间序列上会“失灵”？

在开始动手之前，我们必须先搞清楚一个根本问题：为什么计算两个数列的相似度，简单的欧氏距离（即对应点相减、平方、求和、开方）经常不好用？

想象一下，你在对比两段语音中说“你好”的音频波形，或者比较两个人走路时膝盖弯曲的角度曲线。这些时间序列数据天然存在几个挑战：

• 时间轴伸缩：一个人说得快，一个人说得慢。
• 相位偏移：关键特征点（如波峰、波谷）出现的时间点有前后差异。
• 局部形变：序列的某一部分被拉长或压缩。

此时，如果僵化地要求两个序列在同一时间点上的数值直接比较，就像要求两个步伐大小、频率完全不同的人必须“一二一”齐步走一样不合理。下图直观展示了这种“锁步”比较的困境：

提示：你可以把DTW理解为一位“智能的序列拉伸教练”。它不会强迫两个序列的步调完全一致，而是允许其中一个序列的某个点，去匹配另一个序列的多个连续点，从而找到一条使两者整体形态最匹配的“对齐路径”。

正是这种弹性对齐的能力，让DTW在语音识别、手势识别、股票走势分析、传感器数据分析等领域成为衡量时序相似度的黄金标准之一。

2. DTW核心思想：用动态规划寻找最优“对齐路径”

理解了“为什么需要DTW”，我们来看看它“怎么做”。DTW的核心是一个经典的动态规划问题。别被这个词吓到，我们用一个超级简单的例子来拆解。

假设有两个短序列：

• 序列 A: [1, 3, 4, 9]
• 序列 B: [1, 2, 3, 4, 5]

我们的目标是找到一种对齐方式，使得它们对应点之间的累计距离最小。

第一步：构建距离矩阵 我们计算A中每个点与B中每个点之间的“局部距离”，通常用欧氏距离（或曼哈顿距离）的平方。这样就得到一个 4 x 5 的矩阵 D，其中 D[i, j] 表示 A[i] 和 B[j] 的距离。

# 局部距离计算示例 (此处