本文研究了使用 Dynamic Time Warping 方法对光谱时间序列数据进行相似性比对，并发现结合 k-Nearest Neighbour 算法可以提高准确性，但当数据跨越多个波长时，如果使用了平均值和方差等数据聚合统计方法，DTW 的效果将不明显，因此在机器学习中，有时候大数据胜过复杂模型。

Oct, 2020

本文提出了一种神经网络模型来进行任务自适应时间对齐，使用注意力模型开发了一个明确的具有更大畸变不变性的时间对齐机制，并通过度量学习进行训练，与传统的基于 DTW 的可学习模型不同，它能够学习目标任务的最佳数据相关对齐，实验证明了我们模型在在线签名验证方面的超过 DTW 并且创造了最先进的性能。

Sep, 2023

综合评估了不同动态时间规整测度在时间序列数据处理任务中的性能，并提出了基于变异类型选择适当动态时间规整测度的指南。

Feb, 2024

本论文介绍一种新的可训练时间扭曲算法（TTW），该算法的时间复杂度线性增长，其使用 sinc 卷积核和梯度优化技术在连续时间域内执行对多个时间序列的对齐， 并在对 85 个 UCR 数据集的时间序列平均和分类任务中表现比广义时间扭曲（GTW）更优秀。

Mar, 2019

本文介绍了一种名为 LoCoMotif 的新方法，用于识别时间序列中多次出现的模式，克服了现有方法的限制，并通过理疗的实际应用案例和基准数据展示了其价值和性能优势。

Nov, 2023

我们提出了一种名为 E-DTWA 的新颖异常检测方法，它基于动态时间规整（DTW）算法，并加入了人在环路概念的额外改进，其主要优点包括高效的检测、基于专家检测反馈的灵活再训练以及低计算和空间复杂度。

Oct, 2023

本文介绍了一种基于广义时间对齐的词典学习算法，该算法使用连续基函数来提高时间对齐的连续性，并通过优化问题来联合优化时间对齐路径、词典和稀疏系数。该算法在分类和聚类方面表现出优秀的性能，并已在公共数据集上进行了验证。

Jun, 2023

本文提出了一种基于 LB Improved 相关思想的 Dynamic Time Warping 算法，相比于传统的 LB Keogh 方法，本方法能够更快速、准确地在时间序列中查找最近邻。

Nov, 2008

为解决全局 DTW 算法匹配不合理的问题，本文提出一种名为 shapeDTW 的改进算法，它根据点对点的局部结构信息来提高匹配的精度。当 shapeDTW 作为距离度量用于最近邻分类器时，它在 84 个 UCR 时间序列数据集的 64 个上显著优于 DTW，并且通过使用适当设计的局部结构描述符，在 18 个数据集上将准确率提高了 10% 以上。

Jun, 2016

测量时间序列数据之间的距离或相似性是许多应用的基本方面，包括分类和聚类。我们的目标是开发一种可以查找相似时间点附近发生的相似趋势，并且对应用领域的研究人员易于解释的度量。我们提出了一种新颖的度量方法 DTW+S，它创建了一个可解释的时间序列 “接近保持” 矩阵表示，每一列代表局部趋势，然后应用动态时间规整来计算这些矩阵之间的距离。我们提供了支持该表示选择的理论分析。我们证明了 DTW+S 在集成构建和流行病曲线聚类中的实用性。此外，我们还证明了相对于动态时间规整在某类数据集上的分类效果更好，特别是当局部趋势而非尺度起决定性作用时。

Sep, 2023