Optymalizacja filtra znaczników czasu w programie MATLAB - Praca z bardzo dużymi zestawami danych
Piszę program w MATLAB (musi używać MATLAB-a i nie może naprawdę używać MEX-a) do filtrowania bardzo dużych ilości danych.
Jeden z filtrów, które muszę zaimplementować, wymaga porównania wektora znacznika czasu z listą znanych „złych” czasów, wokół których nie mogą wystąpić inne znaczniki czasu.
Typowy wektor znacznika czasu ma około 2 000 000 wpisów i mam listę około 300 000 „złych czasów”.
Oto przykład pracy, jeśliTIME=[1, 2.3, 5.5, 9.1, 10];
, iBAD_TIMES=[5.2, 9.3];
i mamy tolerancjętolerance=0.25;
, a następnie wszystkie znaczniki czasu wTIME
pomiędzy4.95 and 5.45
i9.05 and 9.55
należy usunąć. Oznacza to, że oczyszczony wektorTIME_CLEAN
powinien być równyTIME_CLEAN=[1, 2.3, 5.5, 10];
.
Ten problem jest prosty do rozwiązania i rozwiązałem go na około 4 lub 5 różnych sposobów. Jednak w przypadku zadania ze znacznikiem czasu o wartości 1 000 000 ten problem może z łatwością potrwać godzinę.
Staram się rozwiązać ten typ problemu w czasie krótszym niż 2 minuty na typowej stacji roboczej Core-i7, aby ten filtr był opłacalny dzięki wielu wejściom czasu.
Zawarłem roboczą wersję tego kodu. Rozumiem wektoryzację kodu i funkcje takie jakbsxfun()
może pomóc, ale poprawa jest marginalna w stosunku do rodzaju wydajności wymaganej dla tego filtra.
Czy są jakieś sprytne sposoby na rozwiązanie tego problemu w bardzo skuteczny sposób? Każda pomoc byłaby bardzo mile widziana.
P.S. Poniższy kod jest kompletny; generuje wszystkie dane potrzebne do ustawienia problemu i rozwiązuje go (chociaż BARDZO powoli!). ZmienićNO_OF_TIMESTAMPS
zmienna na coś większego (np. 1 000 000), aby zobaczyć, jak się czołga!
clear all %% CLEAR WORKSPACE
close all %% CLOSE FIGURES
clc %% CLEAR COMMAND WINDOW
NO_OF_TIMESTAMPS=10000; %% NUMBER OF TIMESTAMPS IN ORIGINAL DATA
TOLERANCE=2; %% TOLERANCE AROUND TIMESTAMP
A=sort(randi(NO_OF_TIMESTAMPS/10,NO_OF_TIMESTAMPS,1)); %% GENERATE ARTIFICIAL TIMESTAMPS
B=unique(sort(round(randi([NO_OF_TIMESTAMPS/2,NO_OF_TIMESTAMPS*5],[NO_OF_TIMESTAMPS/10,1])/10))); %% GENERATE ARTIFICIAL LIST OF BAD TIMESTAMPS
B_LB=B-TOLERANCE; %% CREATE A LIST OF LOWERBOUND BAD TIMESTAMPS
B_UB=B+TOLERANCE; %% CREATE A LIST OF UPPERBPUND BAD TIMESTAMPS
B_RANGE=[B_LB B_UB]; %% AUGMENTED MATRIX COMPOSED OF VECTORS B_LB and B_UB
A_ROWS=size(A,1); %% SIZE OF A;
B_ROWS=size(B,1); %% SIZE OF B;
tic; %% START TIMER
A_TO_CLEAN=ones(A_ROWS,1); %% BOOLEAN VECTOR TO BE USED IN FILTERING
for ii=1:A_ROWS
for jj=1:B_ROWS
if A(ii)>=B_RANGE(jj,1) && A(ii)<=B_RANGE(jj,2) %% CHECK EACH MEMBER OF A VERSUS EACH MEMBER OF B_RANGE
A_TO_CLEAN(ii)=0; %% SET INDEX VECTOR A_TO_CLEAN = 0 SO THAT WE CAN DELETE LATER
break; %% A(ii) CAN ONLY BE ERASED ONCE, SO BREAK jj LOOP AND GO TO NEXT ii
end
end
end
CLEAN=A(~~A_TO_CLEAN); %% DELETE A VIA LOGICAL INDEXING
toc; %% END TIMER
clearvars -except A B_RANGE CLEAN %% ONLY SHOW RELEVANT VARIABLES