ucr_dtw的输入输出？求解答！

Question

在python中引用_ucrdtw.ucrdtw()方法，却不明白输入和输出的含义，网上能查询到的资料很少，求指点！
如何使用_ucrdtw.ucrdtw()方法对时间序列聚类？

Answer 1

使用CSDN的C知道提供：

_ucrdtw模块是针对不同长度的时序数据进行动态时间规整(DTW)比较的优化库。在时间序列分析中，DTW可以比较和评估两种不同长度的时间序列之间的相似性，对于动作识别、语音识别、环境识别等应用具有广泛的应用。 在Python中，使用_ucrdtw.ucrdtw()函数的基本格式如下：

_ucrdtw.ucrdtw(N, Q, Q_len, cum, lb, bsf_er, warps)

输入参数：

N: 数据序列N，是一个一维数组。
Q: 数据序列Q，是一个一维数组，这个方法会比较N和Q两个序列的相似程度。
Q_len: 整数，Q序列的长度。
cum: 累积成本矩阵，是一个Q_len长度的一维浮点型数组。
lb: 对下确界的估计，是一个Q_len长度的一维浮点型数组。
bsf_er：当前最佳的相似度的错误估计值。
warps: 忽略前多少个点。在一些情况下，如果我们知道两个序列开头的几个点是没有匹配性的，那么我们可以设置跳过这些点。

输出：

dist: 两个序列之间的规整化欧氏距离，值越小，表示两个序列越相似。
path: 对齐路径，表明了N序列和Q序列之间的匹配关系。

使用_ucrdtw.ucrdtw()对时间序列进行聚类的基本步骤如下：

首先，计算任意两个时间序列之间的距离。使用_ucrdtw.ucrdtw()函数可以计算任意两个序列之间的欧氏距离。
然后，使用这个距离矩阵作为输入，用任何聚类算法对时间序列进行聚类。例如，我们可以使用scikit-learn包中提供的k-means算法对时间序列进行聚类。

需要注意的是，该库现已被fastdtw库取代，fastdtw功能更加完善，并且有更丰富的文档，你可以考虑换用该库进行时间序列的动态时间规整计算。