听起来像是Dynamic Time Warping的工作，在 Python 和 R 中有实现。

有很多方法可以计算时间序列之间的距离，使用的方法取决于您的数据。

正如其他答案所述，动态时间扭曲可能是要走的路。但是，此方法假定时间序列的不同部分之间可能存在非线性扭曲。

如果您不希望信号出现扭曲或延迟，那么像欧几里德距离这样简单的方法可能是更好的选择。当然，您应该仅在应用了一些预处理（例如，幅度缩放）之后应用欧几里得距离。

看看这个演示文稿，它介绍了这些方法的优缺点，并更详细地讨论了预处理：

首先，您应该定义相似性的含义以及衡量它的相应指标。第二步是将度量应用于（A，D），（B，D）等。然后，给出最小值的集合是具有最高相似性的集合。如果您发现您的指标不是您想要的，只需更改它，直到它满足您的要求。您需要清楚“相似性”的含义以及如何衡量它。

一种可能性是将参数集解释为 N 维空间中的一个点并计算平均欧几里德距离。

我不久前写了本教程，以准确地为这些问题提供指导。它涵盖了四种使用 Pearson 相关、时滞互相关、动态时间扭曲（如前所述）和瞬时相位同步来量化时间序列数据之间的相似性（同步）的方法。您选择使用什么取决于您如何定义相似性和数据的特征。