随着新一轮的信息科学技术的发展,我们跨入了大数据时代,时间序列数据属于大数据的一个方面,近年来,时间序列数据挖掘在学术界受到了越来越多的关注。时间序列相似性搜索是时间序列数据挖掘的基础,而动态时间弯曲距离作为时间序列相似性的度量有着较好的鲁棒性和广泛的应用性。我们应用动态规划方法求解动态时间弯曲距离,规划的目标为最小化累积距离。这种方法有两个难以忽视的弊端:一个是,原始的动态时间弯曲距离一味的为了获取最小的累积距离,可能将一条时间序列上的多个点对应到另一条时间序列上的一个点,对原始的时间序列进行了过度拉伸。另一个是,时间序列实际上是观测值构成的图像,而原始的动态时间弯曲距离只考虑全局的对应结果,并不考虑局部形态问题。以上两种情况都可能带来对时间序列之间相似性刻画的不准确性。为了克服第一个弊端,各种原始动态时间弯曲距离的变体被提出,如搜索窗口限制法、斜率限制法等。但这些变体要么对最佳弯曲路径的搜索范围限制不够合理,要么带来了更多需要确定的新参数,而本文提出的自适应代价动态时间弯曲距离不仅可以在寻找路径的过程中通过改变当前步的代价倍率来控制时间序列的扭曲程度,还只带来了一个新参数,并且新参数对所测试的17个UCR上的数据集取定一个常数值时,就能取得较好的基于自适应代价动态时间弯曲距离的1NN分类正确率。从第二个弊端出发,有学者提出了差分下的动态时间弯曲算法,对原始的时间序列进行差分,以差分来刻画时间序列的局部形态。但这种刻画的准确性远不及形状上下文描述子,Z.Zhang和P.Tang提出了基于形状上下文的动态时间弯曲距离,相比于差分下的动态时间弯曲算法有更好的分类效果。但基于形状上下文的动态时间弯曲距离只能处理一元时间序列,而二元时间序列广泛存在于社会生产生活中,因此,本文提出了三维形状上下文下的动态时间弯曲距离,为二元时间序列提供了新的解决思路,并通过UCI数据实验证明三维形状上下文下的动态时间弯曲距离对二元时间序列的相似性刻画较为准确。