本文探讨了多种改进的动态时间规整（DTW）算法，包括双层优化、E-DTWA异常检测、GDTW和shapeDTW。这些方法提升了时间序列数据对齐的效率和准确性，适用于多个领域。

本文提出了一种基于神经网络的任务自适应时间对齐模型，结合注意力机制和度量学习，超越传统的动态时间规整（DTW）方法，尤其在在线签名验证中表现突出。同时，研究还探讨了DTW在光谱时间序列数据中的应用及其改进算法shapeDTW，显著提升了匹配精度。

本文综述了动态时间规整（DTW）的多种改进方法：shapeDTW利用局部结构提升匹配精度；TTW使用sinc卷积核实现线性复杂度对齐；GDTW可比较不同空间序列；Drop-DTW解决异常点对齐问题；软DTW损失函数支持可微学习。研究还表明，当数据跨多波长时，聚合统计会削弱DTW效果，且有时大数据比复杂模型更有效。

该文综述基于3D骨架与视频对齐的行为识别研究，涵盖少样本学习、自监督学习、动态时间规整（DTW）及图卷积等方法，重点介绍JEANIE少样本骨骼识别、CASA上下文感知对齐、JSFusion多模态序列融合及TS-DTW人员重识别，这些方法在动作分类、视频对齐与相位分类任务上均超越先前最先进方法。

本文介绍了相似性搜索在交易系统中的应用，包括检测图案、趋势、异常和集群。常用技巧包括欧氏距离、动态时间规整、基于形状的方法、符号聚集近似、余弦相似性和Pearson相关或交叉相关。

本文介绍了一种新颖的度量方法DTW+S，用于测量时间序列数据之间的距离或相似性。该方法创建了一个可解释的时间序列“接近保持”矩阵表示，并应用动态时间规整来计算这些矩阵之间的距离。研究人员可以使用该方法来查找相似时间点附近发生的相似趋势，并在集成构建和流行病曲线聚类中应用。此外，该方法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。