编辑推荐：
针对遥感数据集复杂度与规模增加导致算法时间效率估算难、传统方法忽视核心参数及推理时间等问题，研究人员开展机器学习算法时间效率评估框架（TEAF）研究，推导 5 类算法公式并验证，结果表明 TEAF 能精准预测时间，为遥感图像处理提供解决方案。
在遥感技术飞速发展的当下，海量高光谱图像数据的处理面临严峻挑战。传统的时间复杂度（TTC）评估方法在面对复杂遥感数据时，往往忽略核心模型参数（如光谱波段数、类别数）和推理时间的重要性，导致无法准确预估算法的实际运行成本，尤其在紧急或资源受限场景中可能造成严重资源浪费甚至任务失败。为解决这一问题，华南理工大学的研究人员开展了关于机器学习算法时间效率评估框架的研究，旨在构建一个能全面考量多因素影响、精准预测训练与推理时间的模型，相关成果发表在《International Journal of Applied Earth Observation and Geoinformation》。
研究人员提出了时间效率评估框架（TEAF），该框架通过数学推理将训练和推理时间建模为复杂数据规模（如训练样本数 n、推理样本数 n*、波段数 v、类别数 m）和核心模型参数（θ）的函数 ψ，并引入常数系数 ω 以体现计算环境的影响。研究选取支持向量机（SVM）、随机森林（RF）、分类与回归树（CART）、k - 近邻（kNN）和逻辑回归（LR）五种经典机器学习算法进行公式推导，并在 Matiwan Village 高光谱数据集（MV）和 Xinjiang 多光谱数据集（XM）上进行实验验证。
研究过程中主要采用的关键技术方法包括：一是数学建模，通过分析算法结构推导 TEAF 函数，明确各参数与时间效率的定量关系；二是多数据集实验，利用具有不同光谱维度和空间分辨率的高光谱与多光谱数据，模拟真实应用场景；三是线性回归分析，通过控制变量法验证 ψ 与实际运行时间的相关性。
4.1 分析 ψ 与运行时间的关系
通过操纵训练样本数 n 和推理样本数 n*，研究发现实际运行时间与 TEAF 中的 ψ 值呈极强线性相关。在 MV 数据集训练阶段，SVM、RF、CART、LR、kNN 的 ψ 与运行时间相关系数分别达 0.999、1.000、1.000、0.998、0.999；推理阶段相关系数也均高于 0.942（p<0.001）。XM 数据集的实验结果与之一致，表明 TEAF 的线性关系模型具有普适性。
4.2 准确预测运行时间
在固定参数（n=100,000，n*=100,000）下，TEAF 预测的训练和推理时间与实际运行时间高度吻合。例如，SVM 训练时间预测值 1327.1s 与实际 1300.12s 接近，RF 推理时间预测 9.3s 与实际 10.71s 误差较小。两数据集的 R2值均高于 0.942，验证了 TEAF 作为定量预测工具的准确性。
5.1 与 TTC 的功能对比
传统 TTC 仅关注输入规模 n 的主导作用，忽略低阶参数和推理时间，而 TEAF 全面纳入 m、v、θ 等因素。例如，SVM 的训练时间与 n2、m2、v 相关，而 TTC 仅表述为 O (n2)。当波段数 v 或类别数 m 显著变化时，TEAF 能更精准反映时间波动，而 TTC 则无法捕捉此类细节。
5.2 推理时间的重要性
研究发现，部分算法如 SVM 和 kNN 的推理时间甚至超过训练时间。在 MV 数据集，kNN 训练时间仅 0.05s，推理时间达 297.86s。这揭示了在高光谱分类中，由于训练样本少而推理样本规模庞大（常为训练样本的 10-100 倍），推理时间不可忽视，TEAF 填补了这一评估空白。
5.3 环境适应性与局限性
通过小样本预实验可确定常数系数 ω，使其能适应不同计算环境（如 CPU/GPU 配置）。尽管 TEAF 在传统机器学习算法中表现优异，但目前尚未完全适配深度学习模型，后者因迭代次数不确定、超参数优化复杂等问题，仍需进一步研究。
研究结论表明，TEAF 通过整合多维度参数，实现了对机器学习算法训练与推理时间的精准预测，为遥感领域算法选型和资源优化提供了科学依据。其不仅解决了传统评估方法的局限性，还为应对日益增长的遥感数据规模提供了有效工具。未来研究有望将 TEAF 拓展至深度学习模型，进一步提升其在复杂场景中的适用性，推动遥感信息处理的高效化与智能化发展。
