诸如欧几里得距离，类星体距离和动态时间变形之类的传统方法仅计算数据本身的相似度公式，而忽略了不同数据集中知识注释对相似度的影响。
针对这一问题，提出了一种基于双神经网络的时间序列相似度度量学习方法。
该方法了解样本标签监视信息中数据之间的邻域关系，并建立时间序列之间的有效距离度量。
在UCR提供的时间序列数据集上进行的相似性测量和确认分类实验的结果表明，与SNN的ED / DTW-1NN相比，分类质量得到了显着改善。
基于1邻居（1NN）的邻域动态分类（DTN）方法在某些数据上超过了基于SNN的1NN分类方法，但在相似度计算的复杂性和分类过程的速度方面，SNN比DTW快非常好
可以看出，该方法可以大大提高分类数据集相似度的测量效率，在对复杂的高维时间序列数据进行分类中具有优异的性能。
