恰巧几天前我读到了 Marco Cuturi 的论文“Fast Global Alignment Kernels” [1]。这个想法是将众所周知的 DTW 距离转换为适合在内核机器（例如 SVM）中使用的相似性。您不能直接将 DTW 距离转换为相似度并希望它会起作用（例如距离的负指数） - 您将获得非正定核。作者提出了一种具有全局对齐内核的新技术，以便可以访问良好的 DTW 属性并且内核是正定的。

我已经在几个标准时间序列分类数据集[2]上试验了他的代码，并对性能感到惊喜。他的方法的美丽和力量也适用于多变量时间序列。哦，它也适用于不同长度的时间序列。

十个时间序列可能太少，无法训练一个好的分类器。也许获得更多的例子是可能的。

论文，实现（C、MATLAB 和 Python）可以在[这里]找到。

更新：作者的网站已移动。请使用以下链接获取论文和实现[4]。

您可以简单地扩展我在如何统计比较两个时间序列？多到两个系列。本质上确定一个通用模型并估计全局和局部参数。执行 F 检验并接受或拒绝公共参数的假设。另一篇文章给出了类似的观点证明两个时间序列的相似性