优化温度序列波谷检测算法，精准计算波周期时长

核心问题 #

当前算法会误识别微小波谷，导致相邻波谷间时长计算引入噪声，需调整为仅识别能代表温度周期变化的主要波谷，最终输出包含波的起始时间、结束时间、时长的结构化数组。

现有代码示例 #

（模拟常见的简单波谷检测实现）

import numpy as np

def detect_troughs(times, temps):
    troughs = []
    for i in range(1, len(temps)-1):
        if temps[i] < temps[i-1] and temps[i] < temps[i+1]:
            troughs.append((times[i], temps[i]))
    return troughs

# 计算相邻波谷间的波时长
def calculate_wave_durations(troughs):
    waves = []
    for i in range(1, len(troughs)):
        start_time = troughs[i-1][0]
        end_time = troughs[i][0]
        duration = end_time - start_time
        waves.append({"start": start_time, "end": end_time, "duration": duration})
    return waves

数据集示例 #

# 模拟温度序列：包含主要波谷和局部微小波动
times = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
temps = np.array([25, 23, 22, 24, 23, 21, 25, 24, 22, 23, 20, 24, 26])

优化方案：过滤次要波谷 #

1. 基于波谷深度过滤 #

设定最小深度阈值，仅保留比周围一定范围内温度低出阈值的波谷，过滤局部微小波动：

def detect_major_troughs(times, temps, depth_threshold=1.5, window_size=2):
    major_troughs = []
    n = len(temps)
    for i in range(window_size, n - window_size):
        # 计算波谷前后window_size范围内的平均温度
        surrounding_avg = np.mean(temps[i-window_size:i+window_size+1])
        # 波谷深度 = 周围平均温度 - 当前波谷温度
        trough_depth = surrounding_avg - temps[i]
        # 判断是否为局部最小值且深度达标
        is_local_min = temps[i] < min(temps[i-window_size:i]) and temps[i] < min(temps[i+1:i+window_size+1])
        if is_local_min and trough_depth >= depth_threshold:
            major_troughs.append((times[i], temps[i]))
    return major_troughs

2. 基于波谷间隔过滤 #

设定最小时间间隔阈值，过滤掉间隔过近的波谷，确保保留的波谷对应完整温度周期：

def filter_close_troughs(troughs, min_interval=3):
    filtered = []
    last_time = -float('inf')
    for time, temp in troughs:
        if time - last_time >= min_interval:
            filtered.append((time, temp))
            last_time = time
    return filtered

3. 完整优化流程 #

def get_major_waves(times, temps):
    # 1. 检测初步波谷
    initial_troughs = detect_troughs(times, temps)
    # 2. 过滤深度不足的波谷
    depth_filtered = detect_major_troughs(times, temps)
    # 3. 过滤间隔过近的波谷
    final_troughs = filter_close_troughs(depth_filtered)
    # 4. 生成波的结构化数据
    waves = calculate_wave_durations(final_troughs)
    return waves

期望输出样例 #

针对上述模拟数据集，优化后输出：

[
    {"start": 2, "end": 5, "duration": 3},
    {"start": 5, "end": 10, "duration": 5}
]

参数调整说明 #

• depth_threshold：波谷深度阈值，可根据实际温度波动范围调整（如温度波动在5℃内，可设为1-2℃）
• window_size：计算周围平均温度的窗口大小，越大越能过滤局部微小波动
• min_interval：波谷最小时间间隔，根据业务中温度周期的大致时长设定

内容的提问来源于stack exchange，提问作者zahab