基于DTW与K近邻算法的时间序列相似度评估方法及装置

本发明公开了基于DTW与K近邻算法的时间序列相似度评估方法及装置，涉及时间序列分析领域，方法包括：S1，实时采集目标时间序列数据，对数据进行预处理；S2，构建包括DTW Function模块、DTW Layer和优化器的深度学习模型；S3，将预处理后的数据和采集的历史数据输入深度学习模型，获得时间序列的相似度；S4，基于时间序列的相似度，使用K近邻算法对预处理后的数据进行分类，完成时间序列相似度评估。本发明将DTW的非线性对齐能力与深度学习模型中的可学习DTW核相结合，显着提升了大规模时间序列数据的计算效率与分类精度，同时提供了透明和可解释的分类结果。