2. 时序数据基础

在TinyML时序项目交付中，数据是一切模型性能的根基。与图像或文本数据不同，时间序列数据具有天然的先后顺序、时间依赖性和非平稳特性。若对时序数据的基本概念缺乏系统理解，后续的预处理、特征工程、模型训练与板端部署都将建立在不可靠的基础之上。本章将围绕时间序列数据的核心特性、采样率与时间戳的工程含义、缺失值与异常值的判定与处理策略展开，为后续章节的模型指标设计与板端验证打下坚实的数据认知基础。

上图展示了时间序列数据的核心特性与工程链路之间的关系。时间顺序性、时间依赖性、非平稳性和多尺度性共同定义了时序数据的本质，而采样率、时间戳、缺失值和异常值则是数据质量的具体维度。从数据采集到板端部署，每一个环节都受这些基础概念制约。下面逐一展开。

2.1 时间序列数据的核心特性

核心原理：时间序列数据是按时间顺序排列的观测值集合，其本质特征在于“顺序即信息”。与独立同分布假设下的普通样本不同，时序数据中相邻观测值之间往往存在强关联，且统计特性可能随时间变化。理解这些特性是选择模型架构、设计验证方案的前提。

• 时间顺序性：观测值的排列顺序不可打乱。例如，传感器在第1秒采集的温度与第10秒采集的温度交换位置后，数据便失去物理意义。在TinyML场景中，滑动窗口的构造必须严格保持时间顺序。
• 时间依赖性：当前时刻的观测值往往与过去若干时刻的值相关。例如，惯性测量单元（IMU）的加速度数据中，当前帧的姿态变化与前一帧密切相关。这种依赖关系可以用自相关函数（ACF）或偏自相关函数（PACF）量化。
• 非平稳性：时序数据的均值、方差或自相关结构可能随时间变化。例如，工业设备振动信号在启动阶段与稳定运行阶段的统计特性明显不同。TinyML模型若在平稳假设下训练，部署到非平稳环境时性能会显著退化。
• 多尺度性：数据中同时存在短时波动（如高频噪声）和长期趋势（如缓慢漂移）。例如，环境温度监测数据中，秒级波动反映瞬时扰动，小时级变化反映昼夜节律，天级变化反映天气系统。

特性	定义	TinyML中的典型影响	应对策略
时间顺序性	观测值按时间先后排列	窗口切片必须保持顺序	使用固定步长滑动窗口
时间依赖性	当前值与历史值相关	模型需捕捉短期记忆	采用1D-CNN或LSTM/GRU
非平稳性	统计特性随时间变化	训练集与测试集分布偏移	差分、归一化、分段建模
多尺度性	不同时间尺度上的模式	单一窗口难以覆盖全尺度	多分辨率特征融合

2.2 采样率与时间戳：数据的时间基准

核心原理：采样率（单位Hz）决定了时间序列的时间分辨率，即相邻两个采样点之间的时间间隔。时间戳则是每个采样点对应的或相对时间标记。两者共同定义了数据的“时间坐标系”，任何时序分析都建立在这个坐标系之上。

采样率的选择：根据奈奎斯特采样定理，采样率必须至少为信号最高频率成分的2倍，才能无失真地重建原始信号。但在TinyML场景中，采样率并非越高越好：高采样率意味着更大的数据量、更高的功耗和更多的存储开销。例如，一个3轴加速度计以100Hz采样，每秒钟产生300个浮点数，若每个浮点占4字节，则每分钟产生72KB数据，对MCU的RAM和Flash都是沉重负担。

时间戳的工程含义：时间戳不仅是记录时刻，更是数据对齐与同步的基准。在多传感器融合场景中，不同传感器可能具有不同的采样率（如加速度计100Hz、陀螺仪200Hz、麦克风16kHz），必须通过时间戳进行插值或重采样对齐。此外，时间戳的精度直接影响特征提取的准确性——例如计算振动信号的峰值频率时，时间戳抖动会导致频谱泄漏。

// 伪代码示例：基于时间戳的重采样对齐
// 输入：accel_ts[] (100Hz), gyro_ts[] (200Hz)
// 输出：对齐后的统一时间轴 (100Hz)
for each target_time in uniform_100Hz_axis:
    find nearest accel sample by timestamp
    interpolate gyro samples around target_time
    append aligned sample to output buffer

采样率场景	推荐范围	时间戳精度要求	典型应用
人体活动识别（IMU）	25-100 Hz	±1 ms	步数检测、跌倒检测
语音关键词唤醒	8-16 kHz	±0.1 ms	唤醒词检测
工业振动监测	1-10 kHz	±0.01 ms	轴承故障诊断
环境温湿度	0.1-1 Hz	±100 ms	农业大棚监控

2.3 缺失值：成因、检测与处理

核心原理：缺失值是指时间序列中某些时间点没有观测记录。在TinyML项目中，缺失值的成因多种多样：传感器临时掉线、无线传输丢包、存储缓冲区溢出、设备重启等。缺失值不仅减少了有效数据量，更严重的是破坏了时间序列的连续性，可能导致特征提取错误或模型推理偏差。

缺失模式分类：

• 完全随机缺失（MCAR）：缺失与否与观测值本身无关，如随机丢包。处理相对简单，可直接删除或插补。
• 随机缺失（MAR）：缺失与否与其他观测变量相关，如温度过高导致传感器保护性关机。需要结合其他变量进行插补。
• 非随机缺失（MNAR）：缺失与否与缺失值本身相关，如传感器量程饱和导致数据截断。这类缺失最难处理，需谨慎建模。

检测方法：在板端或PC端，通过检查时间戳间隔是否大于理论采样间隔来判断缺失。例如，100Hz采样理论间隔为10ms，若相邻时间戳间隔为20ms，则中间缺失1个点。

# Python示例：检测缺失时间戳
import numpy as np
expected_interval_ms = 10  # 100Hz
timestamps_ms = np.array([...])  # 实际时间戳
diffs = np.diff(timestamps_ms)
missing_indices = np.where(diffs > expected_interval_ms * 1.5)[0]
print(f"检测到 {len(missing_indices)} 处缺失，最大间隔 {diffs.max()} ms")

处理策略：

1. 前向填充（Forward Fill）：用前一个有效值填充缺失点，适用于缓慢变化的信号（如温度）。
2. 线性插值：用缺失点前后两个有效值进行线性插值，适用于近似线性的信号段。
3. 样条插值：对非线性信号更平滑，但计算量较大，不适合板端实时处理。
4. 模型预测插补：使用ARIMA或简单RNN预测缺失值，精度高但复杂度高，通常离线完成。

2.4 异常值：识别与处理

核心原理：异常值（Outlier）是显著偏离正常模式的数据点。在时序数据中，异常值分为两类：全局异常（数值超出正常范围）和上下文异常（数值在全局范围内正常，但在特定时间上下文中异常）。例如，室温在25°C正常，但若在1秒内从25°C跳变到40°C，则属于上下文异常。

识别方法：

• 统计方法：基于均值±k倍标准差（k通常取3），或使用四分位距（IQR）方法。适用于近似正态分布的数据。
• 滑动窗口方法：计算窗口内的局部均值与标准差，若当前点偏离局部均值超过阈值，则标记为异常。适用于非平稳数据。
• 基于模型的方法：训练一个自编码器或One-Class SVM，计算重建误差或决策函数值。精度高但计算量大，通常离线使用。

# 滑动窗口异常检测伪代码
window_size = 50
threshold = 3.0
for i in range(window_size, len(data)):
    window = data[i-window_size:i]
    mean = np.mean(window)
    std = np.std(window)
    if abs(data[i] - mean) > threshold * std:
        mark_as_outlier(i)

处理策略：

1. 删除：适用于明显由传感器故障或传输错误导致的异常点，但删除过多会破坏时间连续性。
2. 替换：用中位数、前后均值或插值结果替换异常值，保留时间点位置。
3. 标记：在特征中增加“是否为异常”的布尔标志，让模型自行学习异常模式。这在异常检测任务中尤其有效。

2.5 案例拆解：IMU跌倒检测数据规范

场景背景：某团队开发基于MCU的老年人跌倒检测系统，使用3轴加速度计+3轴陀螺仪，采样率50Hz，数据通过BLE传输到手机端标注，再离线训练TinyML模型部署到Cortex-M4芯片。

初始现象与问题：采集的原始数据中，约5%的时间戳间隔异常（大于20ms或小于15ms），部分时间段出现连续缺失（最长缺失2秒），且存在大量因BLE丢包导致的瞬时跳变值（加速度突增到±16g）。若直接使用这些数据训练，模型在板端测试时误报率高达30%。

关键数据与参数：

• 采样率：50Hz，理论间隔20ms
• 加速度量程：±8g，16位ADC
• BLE传输：每10ms发送一个数据包，每包包含6轴数据
• 标注类别：跌倒（正样本）、日常活动（负样本）

分析判断过程：

1. 首先统计时间戳间隔分布，发现约3%的间隔为40ms（丢1个点），1%为60ms（丢2个点），0.5%为100ms以上（连续丢包）。
2. 检查加速度幅值，发现约2%的样本幅值超过10g，其中一半是真实跌倒瞬间的高冲击，另一半是BLE传输错误导致的随机跳变。
3. 通过可视化对比，发现真实跌倒的冲击波形持续约200-300ms，而传输错误表现为单点或双点孤立尖峰。

实际操作步骤：

1. 时间戳校正：对间隔大于25ms的缺口，使用线性插值填充缺失点，并标记为“插值数据”。
2. 异常值分类：计算每个点的滑动窗口均值（窗口50点）和标准差，若当前点偏离超过5倍标准差，且前后两点均正常，则判定为传输错误，用前后均值替换；若连续3点以上偏离，则保留为候选跌倒事件。
3. 数据对齐：将加速度计和陀螺仪数据按时间戳对齐到统一的50Hz时间轴。
4. 窗口切片：使用2秒窗口（100点），步长0.5秒，生成训练样本。

结果对比：清洗前模型在验证集上的F1-score为0.72，误报率30%；清洗后F1-score提升至0.89，误报率降至8%。板端实测中，跌倒检测延迟从平均350ms降至280ms，且未出现因数据缺失导致的系统卡死。

风险与代价：插值操作引入了约3%的合成数据，可能轻微影响模型对真实数据分布的拟合；替换异常值时若阈值设置过严，可能误删真实跌倒样本。团队最终保留了“插值标记”作为附加特征，让模型自行学习插值数据与真实数据的差异。

复盘经验：数据清洗不是简单的“删掉坏的”，而是需要结合业务语义区分“数据质量异常”与“目标事件异常”。在TinyML项目中，建议在数据采集阶段就记录时间戳、信号质量指示（如RSSI）等元数据，为后续清洗提供依据。

2.6 常见误区与总结复盘

误区	后果	正确做法
忽略时间戳，仅用序号	采样抖动导致特征失真	始终记录硬件时间戳
采样率越高越好	存储/功耗超限，模型过拟合噪声	根据信号带宽和任务需求选择
所有缺失值都线性插值	在突变段引入虚假平滑	根据缺失长度和信号特性选择策略
所有异常值都删除	丢失真实事件样本	区分数据质量异常与目标事件异常
训练集和测试集随机划分	时间泄漏导致指标虚高	按时间顺序划分，前80%训练，后20%测试