如何选择random.uniform上下限？指数函数参数范围依据问询

问题背景 #

我需要生成10个达到阈值2的随机指数增长函数，用于模拟设备故障运行数据以训练预测模型。目前已通过代码生成符合约束的函数，参数a、b、c的范围参考示例随机选取：

a = random.uniform(0, 5) 
b = random.uniform(1, 6) 
c = random.uniform(-5, 5)

仅知晓参数值过大时计算成本会升高，且b不能为负（否则为指数衰减），现需明确这些范围与指数函数的关联，即为何选择此类范围。相关约束与生成代码如下：

# Restrictions
max_value = 2
min_length = 10
n_functions = 10

# Noise
mu = 0
sigma = 0.01

#%% Create exponentials
curve_list = []
curve_count = 0
id_count = 0
df = pd.DataFrame(columns=['x', 'y', 'id'])
while(1):
    df_ = pd.DataFrame(columns=['x', 'y', 'id'])
    
    a = random.uniform(0, 5) 
    b = random.uniform(1, 6) 
    c = random.uniform(-5, 5)
    
    if (max_value-c) > 0:
        len_func = np.log((max_value-c)/a)/np.log(b)
    else:
        len_func = 0

    if len_func > min_length:
        x = np.arange(0, len_func, 0.1)
        func = a*(b**x)+c
    
    
        if func[0] > 0: 
            noise = np.random.normal(mu, sigma, [len(func)])
 
            df_.x = func+noise
            df_.y = np.arange(len(func)-1, -1, -1)
            df_.id = id_count
            
            df = pd.concat([df, df_])
            
            id_count = id_count + 1
            curve_count = curve_count + 1
            if curve_count == n_functions+1:
                break

参数范围与指数函数的关联分析 #

你的指数函数形式为 func(x) = a*(b^x) + c，结合代码中的约束（阈值2、最小序列长度10），参数范围的选择逻辑可拆解为：

1. 参数b：控制增长速率 #

• b取(1,6)是因为只有当b>1时，函数才是指数增长，匹配设备故障前指标加速上升的典型趋势；若b=1则退化为线性函数，b<1变成指数衰减，完全不符合故障场景需求。
• 上限设为6是为了平衡增长速率：如果b过大，函数会极速达到阈值2，导致序列长度（len_func）远小于要求的10，难以满足约束；同时过大的b会让b^x的计算值迅速膨胀，既增加计算成本，还可能引发数值溢出。

2. 参数a：控制初始值基数 #

• a取(0,5)，它决定了x=0时的初始值基础（func(0) = a + c）。
• 代码要求func(0) > 0，结合c的范围(-5,5)，a设为正数且上限为5，能避免初始值为负的情况（比如c=-4时，a>0可保证a+c > -4，再通过func(0)>0的过滤，确保初始值合理）。
• 同时a不能过大：若a接近5，当c为正数时，(max_value - c)/a可能小于1，对数计算后len_func会变为负数，无法满足最小长度要求，因此上限5是在保证数据多样性和约束可行性之间的平衡。

3. 参数c：控制函数垂直偏移 #

• c取(-5,5)，作为函数的垂直偏移项，用来模拟不同设备的初始基准值差异（比如部分设备初始指标偏高，部分偏低）。
• 代码中要求max_value - c > 0（即c < 2），因此实际有效范围是(-5,2)：若c >=2，a*(b^x)+c会直接超过阈值2，无法生成符合要求的序列，这类参数组合会被直接过滤。
• 负数的c可降低函数初始值，延长达到阈值2的时间，更容易满足min_length=10的要求；正数的c则模拟初始值接近阈值的场景，让序列更短，增加训练数据的多样性。

内容的提问来源于stack exchange，提问作者ecc98