本文介绍一种高效、可扩展的方法，用于修复因视频录制中断导致的时间戳突降（如从3886.79跳变至97.14），在确保时间单调递增的同时，完整保留原始数据中固有的时间间隙（如设备重启、传输中断等造成的非均匀间隔）。
本文介绍一种高效、可扩展的方法，用于修复因视频录制中断导致的时间戳突降（如从3886.79跳变至97.14），在确保时间单调递增的同时，完整保留原始数据中固有的时间间隙（如设备重启、传输中断等造成的非均匀间隔）。
在蜂群行为分析等生物时序研究中，视频采集系统常因存储满、电源波动或同步故障出现时间戳重置——表现为时间序列中突发的大幅下降（例如 3886.793 → 97.14）。若直接线性重标定（如全局偏移），会抹除真实存在的长间隙（如数小时中断）；若仅简单截断，则破坏CNN训练所需连续帧结构。理想修复需满足两点：严格单调递增 + 局部相对间隔不变（即修复段内帧间差仍为 1/30 s ≈ 0.0333s），同时全局保留原始大间隔语义（如两次录制间的数小时空档仍应体现为长gap）。
核心思路是：对每个时间戳递减点，计算“应有值”与“实际值”的偏差，并将该偏差一次性加到当前点及之后所有时间戳上。这避免了嵌套循环，保证O(n)复杂度，且天然保留所有原始间隙——因为只有递减事件触发校正，正常增长或大间隔不被干扰。
以下为生产就绪的修复函数（含边界鲁棒性处理）：
import numpy as np
def fix_timestamp_decreases(timestamps: np.ndarray, fps: float = 30.0) -> np.ndarray:
"""
修复时间戳递减问题，保持局部采样间隔恒定（1/fps），全局保留真实间隙
Parameters:
-----------
timestamps : np.ndarray
原始时间戳数组（单位：秒），可能含突降
fps : float
期望帧率（默认30Hz），决定正常帧间增量
Returns:
--------
np.ndarray : 修复后的时间戳数组（严格单调递增）
"""
if len(timestamps) <p>输出：</p><pre class="brush:php;toolbar:false;">修复后时间戳（关键段）：
Index 4: 3886.793000
Index 5: 3886.826333 # ← 从97.14修正为连续帧
Index 6: 3886.859667
Index 7: 3886.893000
Index 8: 3886.926333
Index 9: 3886.959667
Index 10: 3900.000000 # ← 保留原始长间隙（3900.0 - 3886.9597 ≈ 13.04s）✅ 关键优势说明：
-
间隙无损：
Index 9→10的跳跃（3886.9597 → 3900.0）未被平滑，真实反映两次录制间的13秒中断； -
局部保真：突降段内部帧间差恒为
0.033333...s，符合30Hz采样假设； - 多突降兼容：函数自动处理多次递减（如设备反复重启），每次独立计算offset；
-
数值稳定：使用
1e-6浮点容差，避免精度误判。
⚠️ 注意事项：
- 该方法假设突降均由系统重置引起，且重置后首帧时间可靠（即
97.14是有效起点）。若首帧本身异常，需先用中位数滤波等预清洗； - 若原始数据存在持续漂移（非突降），需结合时钟同步校准（如NTP参考）；
- CNN输入前，建议将修复后时间戳归一化为相对起始时间（
fixed_times - fixed_times[0]），提升模型收敛性。
通过此方法，您既可获得严格单调的时间轴供CNN时序建模，又完全保留了实验过程中真实的中断语义——让模型学会区分“帧间微小抖动”与“录制级长间隙”，显著提升行为识别鲁棒性。
