edr_distance

edr_distance(x: ndarray, y: ndarray, window: float | None = None, itakura_max_slope: float | None = None, bounding_matrix: ndarray | None = None, epsilon: float | None = None, **kwargs: Any) → float

计算两个序列之间的真实序列编辑距离（EDR）。

EDR 计算必须从 x 和 y 中移除的最小元素数量（以百分比表示），以便剩余信号元素之间的距离之和在容差（epsilon）范围内。EDR 最初在 [1] 中提出。

返回的值将介于每个时间序列的 0 到 1 之间。该值将表示为必须移除的元素的百分比，以便时间序列完全匹配。

参数:

x: np.ndarray (1d 或 2d 数组)

第一个时间序列。

y: np.ndarray (1d 或 2d 数组)

第二个时间序列。

window: float, defaults = None

这是Sakoe-Chiba下界窗口的半径（如果使用Sakoe-Chiba下界）。值必须在0.和1.之间。

itakura_max_slope: float, 默认值 = None

Itakura 平行四边形的斜率梯度（如果使用 Itakura 平行四边形下界）。值必须在 0. 和 1. 之间。

bounding_matrix: np.ndarray (二维数组), 默认 = None

自定义使用的边界矩阵。如果定义了，则忽略其他 lower_bounding 参数。矩阵的结构应使得在边界内的索引值为 0，而边界外的索引值应为无穷大。

epsilonfloat, 默认值 = None

匹配阈值，用于确定两个子序列是否被认为足够接近，从而被视为’常见’。如果没有按照原始论文指定，则 epsilon 设置为最大标准差的四分之一。

**kwargs: 任何

额外关键字参数。

返回:

浮动

x 和 y 之间的 EDR 距离。该值将在 0.0 到 1.0 之间，其中 0.0 表示时间序列之间的完全匹配（即它们是相同的），而 1.0 表示没有匹配的子序列。

引发:

ValueError

如果 sakoe_chiba_window_radius 不是浮点数。如果 itakura_max_slope 不是浮点数。如果提供的 x 或 y 的值不是 numpy 数组。如果 x 或 y 的值超过 3 维。如果提供了度量字符串，但不是定义的有效字符串。如果提供了度量对象（类的实例）并且不继承自 NumbaDistance。如果无法确定度量类型。如果同时设置了 window 和 itakura_max_slope。

参考文献

[1]

Lei Chen, M. Tamer Özsu, 和 Vincent Oria. 2005. 鲁棒且快速的相似性

搜索移动物体轨迹。在2005年ACM SIGMOD国际数据管理会议（SIGMOD ‘05）上的论文集。美国纽约州纽约市，计算机协会，491-502页。DOI:https://doi.org/10.1145/1066157.1066213

示例

>>> import numpy as np
>>> from sktime.distances import edr_distance
>>> x_1d = np.array([1, 2, 3, 4])  # 1d array
>>> y_1d = np.array([5, 6, 7, 8])  # 1d array
>>> edr_distance(x_1d, y_1d)
1.0

>>> x_2d = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])  # 2d array
>>> y_2d = np.array([[9, 10, 11, 12], [13, 14, 15, 16]])  # 2d array
>>> edr_distance(x_2d, y_2d)
1.0