tsdownsample：面向可扩展可视化的高性能时间序列降采样
信号处理
2023-07-12 v1 图形学
摘要
交互式折线图可视化极大增强了对大型时间序列的有效探索。尽管降采样已成为实现大型数据集高效交互式可视化的成熟方法，但它并非大多数可视化工具的内置功能。此外，尚无库提供 prominent 降采样算法高性能实现的便捷接口。为解决这些不足，我们提出tsdownsample，一个专为基于CPU的内存中时间序列降采样设计的开源Python包。我们的库专注于性能与便捷集成，提供主流降采样算法的优化实现。我们通过利用Rust中的底层SIMD指令和多线程能力实现此优化。特别地，采用SIMD指令优化argmin和argmax操作。该SIMD优化以及一些算法技巧，对提升各种降采样算法的性能至关重要。我们评估了tsdownsample的性能，并展示了其与成熟可视化框架的互操作性。我们的性能基准表明，tsdownsample的算法运行时间接近CPU的内存带宽。本工作标志着将高性能时间序列降采样引入Python生态、实现可扩展可视化的重要进展。开源代码见 https://github.com/predict-idlab/tsdownsample
引用
@article{arxiv.2307.05389,
title = {tsdownsample: high-performance time series downsampling for scalable visualization},
author = {Jeroen Van Der Donckt and Jonas Van Der Donckt and Sofie Van Hoecke},
journal= {arXiv preprint arXiv:2307.05389},
year = {2023}
}
备注
Submitted to SoftwareX