为了对一组时间序列进行聚类，我正在寻找一个智能距离度量。 我尝试过一些众所周知的指标，但没有一个适合我的情况。
ex: Let's assume that my cluster algorithm extracts this three centroids [s1, s2, s3]:
我想将这个新示例 [sx] 放在最相似的集群中：
最相似的质心是第二个，所以我需要找到一个距离函数 d ，它给我d(sx, s2) < d(sx, s1) and d(sx, s2) < d(sx, s3)
edit
Here the results with metrics [cosine, euclidean, minkowski, dynamic type warping]
]3 https://i.stack.imgur.com/OR6so.png
edit 2
User Pietro P suggested to apply the distances on the cumulated version of the time series
The solution works, here the plots and the metrics:
好问题！在这些时间序列上使用 R^n 的任何标准距离（欧几里德距离、曼哈顿距离或一般的明可夫斯基距离）都无法达到您想要的结果，因为这些度量独立于 R^n 坐标的排列（而时间是严格排序的，并且它是您想要捕捉的现象）。
一个简单的技巧，可以做你要求的事情，就是使用时间序列的累积版本（随着时间的增加，对值进行求和），然后应用标准指标。使用曼哈顿指标，您将得到两个时间序列之间的距离其累积版本之间的面积.
