feat: add mamba and dynamic chunking related code and test code

generate_sine_data.py

@@ -0,0 +1,102 @@
+import numpy as np
+import pandas as pd
+import os
+
+def generate_sine_wave_data(n_samples=10000, seq_len=200, n_channels=2, save_path='./data/sine_wave/'):
+    """
+    生成双通道正弦波时序数据
+    
+    Args:
+        n_samples: 总样本数
+        seq_len: 每个序列长度
+        n_channels: 通道数 (固定为2)
+        save_path: 保存路径
+    """
+    
+    if not os.path.exists(save_path):
+        os.makedirs(save_path)
+    
+    # 生成时间轴
+    t = np.linspace(0, 4*np.pi, seq_len)
+    
+    all_data = []
+    
+    for i in range(n_samples):
+        # 为每个样本生成不同周期和相位的正弦波
+        # 通道1: 随机周期和相位
+        freq1 = np.random.uniform(0.5, 3.0)  # 频率范围
+        phase1 = np.random.uniform(0, 2*np.pi)  # 相位
+        amplitude1 = np.random.uniform(0.5, 2.0)  # 幅度
+        
+        # 通道2: 不同的随机周期和相位
+        freq2 = np.random.uniform(0.3, 2.5)
+        phase2 = np.random.uniform(0, 2*np.pi)
+        amplitude2 = np.random.uniform(0.8, 1.8)
+        
+        # 生成正弦波数据
+        channel1 = amplitude1 * np.sin(freq1 * t + phase1)
+        channel2 = amplitude2 * np.sin(freq2 * t + phase2)
+        
+        # 添加少量噪声
+        # noise1 = np.random.normal(0, 0.1, seq_len)
+        # noise2 = np.random.normal(0, 0.1, seq_len)
+        # 
+        # channel1 += noise1
+        # channel2 += noise2
+        
+        # 组合数据: [timestamp, channel1, channel2]
+        timestamp = np.arange(seq_len)
+        sample_data = np.column_stack([timestamp, channel1, channel2])
+        all_data.append(sample_data)
+    
+    # 转换为连续的时间序列格式
+    continuous_data = []
+    current_time = 0
+    
+    for sample in all_data:
+        sample[:, 0] = current_time + sample[:, 0]  # 调整时间戳
+        continuous_data.append(sample)
+        current_time += seq_len
+    
+    # 合并所有数据
+    full_data = np.vstack(continuous_data)
+    
+    # 创建DataFrame
+    df = pd.DataFrame(full_data, columns=['timestamp', 'channel1', 'channel2'])
+    
+    # 按 8:1:1 比例分割训练、验证、测试集
+    total_len = len(df)
+    train_end = int(0.8 * total_len)
+    val_end = int(0.9 * total_len)
+    
+    train_df = df[:train_end]
+    val_df = df[train_end:val_end]
+    test_df = df[val_end:]
+    
+    # 保存数据
+    train_df.to_csv(os.path.join(save_path, 'train.csv'), index=False)
+    val_df.to_csv(os.path.join(save_path, 'val.csv'), index=False)
+    test_df.to_csv(os.path.join(save_path, 'test.csv'), index=False)
+    
+    # 保存完整数据
+    df.to_csv(os.path.join(save_path, 'sine_wave.csv'), index=False)
+    
+    print(f"数据已生成并保存到 {save_path}")
+    print(f"训练集: {len(train_df)} 条记录")
+    print(f"验证集: {len(val_df)} 条记录") 
+    print(f"测试集: {len(test_df)} 条记录")
+    print(f"总计: {len(df)} 条记录，{n_channels} 个通道")
+    
+    return df
+
+if __name__ == "__main__":
+    # 生成数据
+    data = generate_sine_wave_data(
+        n_samples=200,  # 2000个不同的正弦波样本
+        seq_len=200,     # 每个样本200个时间点
+        n_channels=2,    # 双通道
+        save_path='./data/sine_wave/'
+    )
+    
+    print("\n数据统计信息:")
+    print(data.describe())