Just-DataInspector/Utilities/Src/DataModel.cpp

// DataModel 实现分片 —— 本文件只包含 DataModel 的**成员函数定义**（纯代码搬移，行为与拆分前完全一致）。
//
// 共用的常量与自由函数在 DataModelInternal.hpp（命名空间 `dmdetail`，全部 inline）。
// 分片按“职责”划分：核心（状态/布局/几何）、渲染、交互与编辑，见各文件名。
#include "DataModelInternal.hpp"

namespace jdi
{


	const wchar_t* DrawModeName(DrawMode mode)
	{
		switch (mode)
		{
		case DrawMode::LINE:
			return L"线段";
		case DrawMode::SCATTER:
			return L"散点";
		case DrawMode::LINE_SCATTER:
			return L"点线";
		default:
			return L"线段";
		}
	}

	// ============================ SignalGroup 构建 ============================

	/**
	 * @brief 粗粒度包络层每个分组覆盖的采样数。
	 *
	 * 16KB 的双精度分组可覆盖 1024 个采样（内存开销 = 采样数的 1.6%），
	 * 但会让"每列采样数略多于分组跨度"的场景退化为逐点扫描。
	 * 取 256 时：额外内存约为采样数的 0.8%，最坏情况的扫描量也能压低到
	 * 每列 ≤256 个采样（2400 列 ≈ 0.6M 次读取，约 1ms）。
	 */
	const std::size_t kCoarseStride = 256;

	/**
	 * @brief 单条信号的取值范围统计结果。
	 */
	struct SignalStats
	{
		double minValue = 0.0;		/**< 有限采样值最小值。 */
		double maxValue = 0.0;		/**< 有限采样值最大值。 */
		std::size_t finiteCount = 0;	/**< 有限采样点数量。 */
	};

	/**
	 * @brief 为**只有一个有效采样点**的信号设置初始绘制样式。
	 *
	 * 单个数据点在「线段」模式下完全画不出来，因此初始就用「散点」并取**最大线宽**
	 * （散点半径随线宽线性增长，取最大值才能看清那个点）。
	 *
	 * ⚠️ 用户 2026-10-16 要求：初始绘制方式由「点线」改为「**散点**」，并且信号面板
	 *    「样式」行里的「线段」/「点线」两个按钮对该信号**置灰**
	 *    （见 `SignalPanel::ModeOptionEnabled`）。
	 *
	 * ⚠️ 曾经还对「有效采样点 2…16」的信号也改用「点线 + 2px」—— 该需求已**作废**
	 *（用户 2026-10-15 明确取消：放大后自动切点线的机制已覆盖那个场景）。
	 *
	 * 只在**新建信号**时调用（用户改过样式后不再覆盖）。
	 *
	 * @param [IN] finiteCount 有效采样点数量。
	 * @param [IN,OUT] style 待初始化的显示外观。
	 */
	void ApplySinglePointDefaultStyle(std::size_t finiteCount, SignalStyle& style)
	{
		if (finiteCount == 1)
		{
			style.mode = DrawMode::SCATTER;
			style.lineWidth = kSinglePointSignalLineWidth;
		}
	}

	/**
	 * @brief 缓存「有效采样点很少」的信号的**全部有效点**（时刻 + 取值，按时间升序）。
	 *
	 * 供光标吸附（二分查找最近数据点、O(log n) 判定稀疏）与单点信号的初始视图使用。
	 * 有效点很多时（> `kSparseTimesLimit`）不做任何缓存（用不到，也没必要占内存）。
	 *
	 * @param [IN] axis 该信号使用的时间轴。
	 * @param [IN,OUT] signal 目标信号。
	 */
	void CacheSparseSamples(const TimeAxis& axis, SignalData& signal)
	{
		signal.sparseTimes.clear();
		signal.sparseValues.clear();
		if (signal.finiteCount == 0 || signal.finiteCount > kSparseTimesLimit)
		{
			return;
		}

		const std::size_t count = std::min(axis.time.size(), signal.values.size());
		signal.sparseTimes.reserve(signal.finiteCount);
		signal.sparseValues.reserve(signal.finiteCount);
		for (std::size_t index = 0; index < count; ++index)
		{
			const double value = signal.values[index];
			const double time = axis.time[index];
			if (!std::isfinite(value) || !std::isfinite(time))
			{
				continue;
			}
			signal.sparseTimes.push_back(time);
			signal.sparseValues.push_back(value);
		}

		// 非单调时间轴：按时间排序，保证后续二分查找合法
		//（单调时间轴的采样本身就是升序，无需排序）。
		if (!axis.monotonic && signal.sparseTimes.size() > 1)
		{
			std::vector<std::size_t> order(signal.sparseTimes.size());
			for (std::size_t index = 0; index < order.size(); ++index)
			{
				order[index] = index;
			}
			std::stable_sort(order.begin(), order.end(), [&signal](std::size_t a, std::size_t b)
			                 { return signal.sparseTimes[a] < signal.sparseTimes[b]; });
			std::vector<double> times;
			std::vector<double> values;
			times.reserve(order.size());
			values.reserve(order.size());
			for (const std::size_t index : order)
			{
				times.push_back(signal.sparseTimes[index]);
				values.push_back(signal.sparseValues[index]);
			}
			signal.sparseTimes = std::move(times);
			signal.sparseValues = std::move(values);
		}
	}

	/**
	 * @brief 统计一列采样的最小/最大值与有效点数量，并顺带构建粗粒度包络层。
	 *
	 * 两者在同一个循环内完成，避免为粗粒度层多扫一遍数据（大文件下那是一整趟内存遍历）。
	 *
	 * @param [IN] values 采样列。
	 * @param [OUT] coarseMin 粗粒度分组最小值输出。
	 * @param [OUT] coarseMax 粗粒度分组最大值输出。
	 * @return 统计结果。
	 */
	SignalStats ComputeStats(const std::vector<double>& values, std::vector<double>& coarseMin,
	                         std::vector<double>& coarseMax)
	{
		SignalStats stats;
		double low = std::numeric_limits<double>::infinity();
		double high = -std::numeric_limits<double>::infinity();

		const std::size_t count = values.size();
		const std::size_t buckets = (count + kCoarseStride - 1) / kCoarseStride;
		coarseMin.assign(buckets, std::numeric_limits<double>::infinity());
		coarseMax.assign(buckets, -std::numeric_limits<double>::infinity());

		std::size_t bucket = 0;
		std::size_t bucketEnd = kCoarseStride;
		for (std::size_t index = 0; index < count; ++index)
		{
			if (index >= bucketEnd)
			{
				++bucket;
				bucketEnd += kCoarseStride;
			}
			const double value = values[index];
			if (std::isfinite(value))
			{
				++stats.finiteCount;
				low = std::min(low, value);
				high = std::max(high, value);
				if (value < coarseMin[bucket])
				{
					coarseMin[bucket] = value;
				}
				if (value > coarseMax[bucket])
				{
					coarseMax[bucket] = value;
				}
			}
		}

		if (stats.finiteCount == 0)
		{
			stats.minValue = 0.0;
			stats.maxValue = 0.0;
		}
		else
		{
			stats.minValue = low;
			stats.maxValue = high;
		}
		return stats;
	}

	bool BuildSignalGroup(LoadedSource&& source, std::size_t paletteBase, SignalGroup& group,
	                      std::wstring& error, const LoadProgress& progress)
	{
		error.clear();
		group = SignalGroup();

		if (source.blocks.empty() || !source.HasData())
		{
			error = L"数据源为空。";
			return false;
		}

		// 分组默认名 = 源文件名（含扩展名），用户可重命名。
		group.name = source.sourceName;

		int paletteCount = 0;
		const std::uint32_t* palette = SignalPalette(paletteCount);

		// 时间轴去重表：内容完全相同（长度与全部数值逐位相同）的时间轴只保留一条。
		// 这样 CSV 里多个同刻度的 `time` 列、MF4 里多个同基线的通道组不会重复占内存。
		std::vector<std::size_t> axisHashToIndex;
		std::vector<std::uint64_t> axisHashValues;

		const auto timeHash = [](const std::vector<double>& time) -> std::uint64_t
		{
			std::uint64_t hash = 1469598103934665603ull;
			for (const double value : time)
			{
				std::uint64_t bits = 0;
				std::memcpy(&bits, &value, sizeof(bits));
				hash ^= bits;
				hash *= 1099511628211ull;
			}
			hash ^= static_cast<std::uint64_t>(time.size());
			hash *= 1099511628211ull;
			return hash;
		};
		const auto sameTime = [](const std::vector<double>& a, const std::vector<double>& b) -> bool
		{
			if (a.size() != b.size())
			{
				return false;
			}
			for (std::size_t i = 0; i < a.size(); ++i)
			{
				const double x = a[i];
				const double y = b[i];
				if (x != y)
				{
					// NaN 视为“相同”（缺失位置一致），其余必须完全相等。
					if (!(std::isnan(x) && std::isnan(y)))
					{
						return false;
					}
				}
			}
			return true;
		};

		std::size_t blockIndex = 0;
		for (TableBlock& block : source.blocks)
		{
			++blockIndex;
			DataTable& table = block.table;
			if (!table.HasData())
			{
				continue;
			}
			const std::size_t columnCount = table.headers.size();
			if (table.columns.size() < columnCount || columnCount < 2)
			{
				continue;	// 只有时间列：没有可绘制信号
			}

			// 时间列固定为块的第 0 列（加载器已保证）。
			std::vector<double>& timeColumn = table.columns[0];

			// 统计时间轴的取值范围与单调性。
			TimeAxis axis;
			axis.name = table.headers[0];
			{
				bool monotonic = true;
				bool hasPrevious = false;
				double previousTime = 0.0;
				double low = std::numeric_limits<double>::infinity();
				double high = -std::numeric_limits<double>::infinity();
				std::size_t finiteCount = 0;
				for (const double value : timeColumn)
				{
					if (!std::isfinite(value))
					{
						continue;
					}
					++finiteCount;
					low = std::min(low, value);
					high = std::max(high, value);
					if (hasPrevious && value < previousTime)
					{
						monotonic = false;
					}
					previousTime = value;
					hasPrevious = true;
				}
				if (finiteCount < 1)
				{
					continue;	// 该块的时间轴完全无效
				}
				axis.monotonic = monotonic;
				axis.finiteCount = finiteCount;
				axis.minTime = low;
				axis.maxTime = high;
			}
			axis.time = std::move(timeColumn);

			// 去重：命中已有时间轴则复用它，否则新增一条。
			std::size_t axisIndex = group.axes.size();
			{
				const std::uint64_t hash = timeHash(axis.time);
				for (std::size_t candidate = 0; candidate < axisHashValues.size(); ++candidate)
				{
					if (axisHashValues[candidate] == hash &&
					    sameTime(group.axes[axisHashToIndex[candidate]].time, axis.time))
					{
						axisIndex = axisHashToIndex[candidate];
						break;
					}
				}
				if (axisIndex == group.axes.size())
				{
					group.axes.push_back(std::move(axis));
					axisHashValues.push_back(hash);
					axisHashToIndex.push_back(axisIndex);
				}
			}

			// 构建信号列：每列整块移动，随后就地统计取值范围。
			group.signals.reserve(group.signals.size() + columnCount - 1);
			for (std::size_t column = 1; column < columnCount; ++column)
			{
				SignalData signal;
				signal.name = Trim(table.headers[column]);
				if (signal.name.empty())
				{
					signal.name = L"Column" + std::to_wstring(column + 1);
				}
				signal.axisIndex = axisIndex;

				signal.values = std::move(table.columns[column]);
				const SignalStats stats = ComputeStats(signal.values, signal.coarseMin, signal.coarseMax);
				signal.coarseStride = kCoarseStride;
				signal.minValue = stats.minValue;
				signal.maxValue = stats.maxValue;
				signal.finiteCount = stats.finiteCount;
				// 有效点很少时缓存全部有效点（光标吸附 / 单点信号初始视图用）。
				CacheSparseSamples(group.AxisAt(signal.axisIndex), signal);

				// 显示外观随信号一起初始化：调色板按「全局信号序号」取色，
				// 使同一信号在任意标签页中都保持同一默认颜色。
				{
					const std::size_t globalIndex = paletteBase + group.signals.size();
					if (palette != nullptr && paletteCount > 0)
					{
						const std::size_t count = static_cast<std::size_t>(paletteCount);
						const std::size_t slot = globalIndex % count;
						signal.style.color = palette[slot];
						// 自定义色初值取调色板中「向后递进」的下一个颜色。
						// 若初值等于本信号自身的预设色，样式区里点击该预设色块会被判定成
						// “当前用的是自定义色”，高亮会直接跳到自定义色块上（此前的缺陷）。
						signal.style.customColor = palette[(slot + 1) % count];
					}
					else
					{
						signal.style.color = 0xFF268BD2u;
						signal.style.customColor = 0xFF859900u;
					}
					signal.style.opacity = 1.0f;
					signal.style.lineWidth = 1.0f;
					signal.style.mode = DrawMode::LINE;
					// 只有一个有效采样点的信号改用「点线」+ 最大线宽，否则根本看不见。
					ApplySinglePointDefaultStyle(stats.finiteCount, signal.style);
				}

				group.signals.push_back(std::move(signal));
			}

			if (progress)
			{
				LoadProgressInfo info;
				const double ratio = static_cast<double>(blockIndex) /
				                     static_cast<double>(std::max<std::size_t>(1, source.blocks.size()));
				info.ratio = 0.75 + 0.25 * ratio;
				info.hasBytes = false;
				if (!progress(info))
				{
					error = L"已取消加载。";
					return false;
				}
			}
		}

		if (group.signals.empty() || group.axes.empty())
		{
			error = L"除时间轴外未发现任何数据列。";
			return false;
		}
		return true;
	}

	// ============================ DataSet ============================

	bool DataSet::AddGroup(SignalGroup&& group, int& groupIndex)
	{
		groupIndex = -1;
		if (group.signals.empty() || group.axes.empty())
		{
			return false;
		}
		m_groups.push_back(std::move(group));
		groupIndex = static_cast<int>(m_groups.size()) - 1;
		return true;
	}

	bool DataSet::InsertDerivedSignal(int groupIndex, int afterSignalIndex, SignalData&& signal,
	                                  int& newSignalIndex)
	{
		newSignalIndex = -1;
		if (groupIndex < 0 || groupIndex >= static_cast<int>(m_groups.size()))
		{
			return false;
		}

		SignalGroup& group = m_groups[static_cast<std::size_t>(groupIndex)];
		if (afterSignalIndex < -1 || afterSignalIndex >= static_cast<int>(group.signals.size()))
		{
			return false;
		}

		// 1. 采样值统计与粗粒度包络层：与正常加载路径使用同一套统计逻辑，
		//    否则派生信号在大文件下会退化成逐点扫描（包络构建变慢）。
		const SignalStats stats = ComputeStats(signal.values, signal.coarseMin, signal.coarseMax);
		signal.coarseStride = kCoarseStride;
		signal.minValue = stats.minValue;
		signal.maxValue = stats.maxValue;
		signal.finiteCount = stats.finiteCount;
		// 有效点很少时缓存全部有效点；派生信号沿用源信号的时间轴。
		CacheSparseSamples(group.AxisAt(signal.axisIndex), signal);

		// 2. 显示外观按「全局信号序号」取调色板颜色（与普通新信号完全一致的规则）。
		const int insertPos = afterSignalIndex + 1;
		{
			// 新信号的全局序号 = 本组之前的信号总数 + 它在组内的下标。
			std::size_t globalIndex = static_cast<std::size_t>(insertPos);
			for (int index = 0; index < groupIndex; ++index)
			{
				globalIndex += m_groups[static_cast<std::size_t>(index)].signals.size();
			}

			int paletteCount = 0;
			const std::uint32_t* palette = SignalPalette(paletteCount);
			if (palette != nullptr && paletteCount > 0)
			{
				const std::size_t count = static_cast<std::size_t>(paletteCount);
				const std::size_t slot = globalIndex % count;
				signal.style.color = palette[slot];
				signal.style.customColor = palette[(slot + 1) % count];
			}

			// 采样点极少的派生信号同样改用「点线」并加粗（与普通加载路径同一规则）。
			ApplySinglePointDefaultStyle(stats.finiteCount, signal.style);
		}

		group.signals.insert(group.signals.begin() + insertPos, std::move(signal));

		// 3. 全局选中引用：同一组内位于插入点之后的信号下标整体后移。
		if (m_selected.groupIndex == groupIndex && m_selected.signalIndex >= insertPos)
		{
			++m_selected.signalIndex;
		}

		newSignalIndex = insertPos;
		return true;
	}

	bool DataSet::RemoveGroup(int groupIndex)
	{
		if (groupIndex < 0 || groupIndex >= static_cast<int>(m_groups.size()))
		{
			return false;
		}

		// 用移动到末位后弹出的方式移除，使被移除文件的时间轴与全部信号缓冲区在本调用内
		// 立即析构归还操作系统，不再等待后续插入覆盖；最后收缩容量，避免残留空闲块。
		const std::size_t position = static_cast<std::size_t>(groupIndex);
		for (std::size_t index = position; index + 1 < m_groups.size(); ++index)
		{
			m_groups[index] = std::move(m_groups[index + 1]);
		}
		m_groups.pop_back();
		m_groups.shrink_to_fit();
		return true;
	}

	bool DataSet::RemoveSignal(int groupIndex, int signalIndex)
	{
		if (groupIndex < 0 || groupIndex >= static_cast<int>(m_groups.size()))
		{
			return false;
		}
		SignalGroup& group = m_groups[static_cast<std::size_t>(groupIndex)];
		if (signalIndex < 0 || signalIndex >= static_cast<int>(group.signals.size()))
		{
			return false;
		}

		// 与 RemoveGroup 同一思路：先把待移除项移到末位（move 赋值时其原有缓冲当场析构），
		// 再 pop_back + shrink_to_fit，使该信号的全部采样内存在本调用内立即归还给系统，
		// 而不是留在容量里等后续插入覆盖。
		std::vector<SignalData>& signals = group.signals;
		const std::size_t position = static_cast<std::size_t>(signalIndex);
		for (std::size_t index = position; index + 1 < signals.size(); ++index)
		{
			signals[index] = std::move(signals[index + 1]);
		}
		signals.pop_back();
		signals.shrink_to_fit();
		return true;
	}

	void DataSet::RemapSelectionAfterSignalRemoval(int groupIndex, int signalIndex)
	{
		if (groupIndex < 0 || signalIndex < 0 || m_selected.groupIndex != groupIndex)
		{
			return;
		}
		if (m_selected.signalIndex == signalIndex)
		{
			// 选中的信号本身被移除：取消选中。
			m_selected = SignalRef();
		}
		else if (m_selected.signalIndex > signalIndex)
		{
			// 其后信号整体前移一位。
			--m_selected.signalIndex;
		}
	}

	std::size_t DataSet::SignalCount() const
	{
		std::size_t count = 0;
		for (const SignalGroup& group : m_groups)
		{
			count += group.signals.size();
		}
		return count;
	}

	const SignalGroup* DataSet::GroupAt(int groupIndex) const
	{
		if (groupIndex < 0 || groupIndex >= static_cast<int>(m_groups.size()))
		{
			return nullptr;
		}
		return &m_groups[static_cast<std::size_t>(groupIndex)];
	}

	bool DataSet::RenameSignal(int groupIndex, int signalIndex, const std::wstring& name)
	{
		if (groupIndex < 0 || groupIndex >= static_cast<int>(m_groups.size()))
		{
			return false;
		}

		SignalGroup& group = m_groups[static_cast<std::size_t>(groupIndex)];
		if (signalIndex < 0 || signalIndex >= static_cast<int>(group.signals.size()))
		{
			return false;
		}

		// 统一去除首尾空白；结果为空则忽略（名称是信号的唯一标识性字段，不允许抹空）。
		std::wstring trimmed = Trim(name);
		if (trimmed.empty())
		{
			return false;
		}
		SignalData& signal = group.signals[static_cast<std::size_t>(signalIndex)];
		if (trimmed == signal.name)
		{
			return false;
		}
		signal.name = std::move(trimmed);
		return true;
	}

	bool DataSet::RenameGroup(int groupIndex, const std::wstring& name)
	{
		if (groupIndex < 0 || groupIndex >= static_cast<int>(m_groups.size()))
		{
			return false;
		}

		std::wstring trimmed = Trim(name);
		if (trimmed.empty())
		{
			return false;
		}
		SignalGroup& group = m_groups[static_cast<std::size_t>(groupIndex)];
		if (trimmed == group.name)
		{
			return false;
		}
		group.name = std::move(trimmed);
		return true;
	}

	const SignalData* DataSet::Resolve(const SignalRef& ref) const
	{
		const SignalGroup* group = GroupAt(ref.groupIndex);
		if (group == nullptr)
		{
			return nullptr;
		}
		if (ref.signalIndex < 0 || ref.signalIndex >= static_cast<int>(group->signals.size()))
		{
			return nullptr;
		}
		return &group->signals[static_cast<std::size_t>(ref.signalIndex)];
	}

	const TimeAxis* DataSet::Axis(const SignalRef& ref) const
	{
		const SignalGroup* group = GroupAt(ref.groupIndex);
		if (group == nullptr)
		{
			return nullptr;
		}
		if (ref.signalIndex < 0 || ref.signalIndex >= static_cast<int>(group->signals.size()) ||
		    group->axes.empty())
		{
			return nullptr;
		}
		return &group->AxisOf(group->signals[static_cast<std::size_t>(ref.signalIndex)]);
	}

	const SignalStyle* DataSet::Style(const SignalRef& ref) const
	{
		const SignalData* signal = Resolve(ref);
		return (signal != nullptr) ? &signal->style : nullptr;
	}

	SignalStyle* DataSet::Style(const SignalRef& ref)
	{
		const SignalGroup* group = GroupAt(ref.groupIndex);
		if (group == nullptr)
		{
			return nullptr;
		}
		if (ref.signalIndex < 0 || ref.signalIndex >= static_cast<int>(group->signals.size()))
		{
			return nullptr;
		}

		// 这里需要写入，因此借助非 const 路径重新定位信号。
		SignalGroup& mutableGroup = m_groups[static_cast<std::size_t>(ref.groupIndex)];
		return &mutableGroup.signals[static_cast<std::size_t>(ref.signalIndex)].style;
	}

	double DataSet::MinTime() const
	{
		double value = std::numeric_limits<double>::infinity();
		for (const SignalGroup& group : m_groups)
		{
			double low = 0.0;
			double high = 0.0;
			if (group.TimeRange(low, high))
			{
				value = std::min(value, low);
			}
		}
		return std::isfinite(value) ? value : 0.0;
	}

	double DataSet::MaxTime() const
	{
		double value = -std::numeric_limits<double>::infinity();
		for (const SignalGroup& group : m_groups)
		{
			double low = 0.0;
			double high = 0.0;
			if (group.TimeRange(low, high))
			{
				value = std::max(value, high);
			}
		}
		return std::isfinite(value) ? value : 1.0;
	}

	void DataSet::RemapSelectionAfterGroupRemoval(int groupIndex)
	{
		if (groupIndex < 0)
		{
			return;
		}
		if (m_selected.groupIndex == groupIndex)
		{
			m_selected = SignalRef();
		}
		else if (m_selected.groupIndex > groupIndex)
		{
			--m_selected.groupIndex;
		}
	}

	bool DataSet::ValidateSelection()
	{
		if (!m_selected.IsValid())
		{
			return false;
		}
		if (Resolve(m_selected) != nullptr)
		{
			return false;
		}
		m_selected = SignalRef();
		return true;
	}

	// ============================ 采样辅助 ============================

	namespace
	{
		/**
		 * @brief 滑动平均的共用实现（输入只要可转成 double）。
		 *
		 * 窗口 = [max(0,i-N), min(count-1,i+N)]，每前进一步只增减边界处的两个采样点，
		 * 整体 O(n)，不额外占用前缀和内存。
		 */
		template <typename T>
		void MovingAverageImpl(const std::vector<T>& values, int radius, std::vector<float>& out);
	} // namespace

	void ComputeMovingAverage(const std::vector<double>& values, int radius, std::vector<float>& out)
	{
		MovingAverageImpl(values, radius, out);
	}

	namespace
	{
		template <typename T>
		void MovingAverageImpl(const std::vector<T>& values, int radius, std::vector<float>& out)
		{
			const int window = std::max(0, radius);
			const std::size_t count = values.size();
			out.assign(count, std::numeric_limits<float>::quiet_NaN());
			if (count == 0 || window == 0)
			{
				// 半径 0 表示不平滑：原样复制（中心点无效处仍为 NaN）。
				for (std::size_t index = 0; index < count; ++index)
				{
					const double value = static_cast<double>(values[index]);
					if (std::isfinite(value))
					{
						out[index] = static_cast<float>(value);
					}
				}
				return;
			}

			// 滑动窗口求和：每前进一步只增减边界处的两个采样点，整体 O(n)。
			double sum = 0.0;
			std::size_t finiteCount = 0;
			std::size_t windowLow = 0;
			std::size_t windowHigh = 0;	// 闭区间右端。

			const auto addValue = [&sum, &finiteCount](double value)
			{
				if (std::isfinite(value))
				{
					sum += value;
					++finiteCount;
				}
			};
			const auto removeValue = [&sum, &finiteCount](double value)
			{
				if (std::isfinite(value))
				{
					sum -= value;
					--finiteCount;
				}
			};

			for (std::size_t index = 0; index < count; ++index)
			{
				const std::size_t low = (index > static_cast<std::size_t>(window))
				                            ? (index - static_cast<std::size_t>(window))
				                            : 0;
				const std::size_t high =
				    std::min(count - 1, index + static_cast<std::size_t>(window));

				if (index == 0)
				{
					windowLow = low;
					windowHigh = high;
					for (std::size_t i = windowLow; i <= windowHigh; ++i)
					{
						addValue(static_cast<double>(values[i]));
					}
				}
				else
				{
					while (windowLow < low)
					{
						removeValue(static_cast<double>(values[windowLow]));
						++windowLow;
					}
					while (windowHigh < high)
					{
						++windowHigh;
						addValue(static_cast<double>(values[windowHigh]));
					}
				}

				// 中心点本身无效（NaN）时该处不产生有效结果。
				const double center = static_cast<double>(values[index]);
				if (finiteCount > 0 && std::isfinite(center))
				{
					out[index] = static_cast<float>(sum / static_cast<double>(finiteCount));
				}
			}
		}
	} // namespace

	namespace
	{
		/**
		 * @brief `thread_local` 复用缓冲的**保留容量上限**（元素个数，约 4M）。
		 *
		 * 这些缓冲用 `thread_local` 复用，是为了省掉"每次调用都分配 + 零初始化上千万元素"
		 * 的开销（多阶弱峰调整实测 991ms → 577ms）。但**保留容量必须封顶**：
		 * 后台派生曲线线程池有 4 条线程，每条各自持有一份 `thread_local` 缓冲；
		 * 一条"整段信号"（VERY_BIG_DATA ≈ 2580 万采样）的弱峰调整需要
		 * `current` / `next`（float，各 ≈103MB）、极值表与位移表（≈数百 MB），
		 * 于是**每条线程常驻数百 MB、4 条线程就是 2GB 以上**，而 `thread_local`
		 * 只在**线程退出**时才析构 → 用户报告"启用预览后内存 1.42GB→4.21GB，
		 * 关掉预览也不下降，直到关闭整个分组才释放"。
		 *
		 * 因此只对"中/小规模"（≤ 上限）保留容量；**超大计算**改为一次性分配、用完即释放 ——
		 * 这类整段计算本身是秒级的一次性操作（结果会被曲线缓存复用），多一次分配完全可接受，
		 * 换来的是内存不再随线程数放大。
		 */
		const std::size_t kReuseBufferMaxElements = 4u * 1024u * 1024u;

		/** @brief 容量超过上限就释放缓冲内存（`std::vector` 的容量不会随 `clear()` 归还）。 */
		template <typename T>
		void TrimReuseBuffer(std::vector<T>& buffer)
		{
			if (buffer.capacity() > kReuseBufferMaxElements)
			{
				std::vector<T> empty;
				buffer.swap(empty);
			}
		}

		/**
		 * @brief 作用域守卫：离开作用域时对 `thread_local` 复用缓冲做一次容量裁剪。
		 *
		 * 用它（而不是在每个 `return` 前手写一遍）可以保证**所有**退出路径都会裁剪，
		 * 不会因为新增提前返回而漏掉、导致内存再次失控。
		 */
		template <typename T>
		class ReuseBufferScope
		{
		public:
			explicit ReuseBufferScope(std::vector<T>& buffer) : m_buffer(buffer) {}
			~ReuseBufferScope() { TrimReuseBuffer(m_buffer); }
			ReuseBufferScope(const ReuseBufferScope&) = delete;
			ReuseBufferScope& operator=(const ReuseBufferScope&) = delete;

		private:
			std::vector<T>& m_buffer;
		};
	} // namespace

	void ComputeMovingAverageIterated(const std::vector<double>& values, int radius, int iterations,
	                                  std::vector<float>& out,
	                                  const std::atomic<bool>* cancel, bool throttle)
	{
		const int stages = std::max(1, iterations);
		// 第 1 阶：从原始采样值出发。
		ComputeMovingAverage(values, radius, out);
		if (stages == 1)
		{
			return;
		}

		// 后续各阶以上一阶的结果为输入（double 中转，避免 float→double 的精度损失累积）。
		// 中转缓冲复用容量（线程本地），避免每阶重新分配上千万元素的向量。
		// ⚠️ 用 `ReuseBufferScope` 保证离开作用域时对超大容量做裁剪（见其说明）。
		thread_local std::vector<double> bufferBuffer;
		ReuseBufferScope<double> reuseScope(bufferBuffer);
		std::vector<double>& buffer = bufferBuffer;
		buffer.assign(values.size(), std::numeric_limits<double>::quiet_NaN());
		std::vector<float> stage;
		for (int iteration = 1; iteration < stages; ++iteration)
		{
			if (cancel != nullptr && cancel->load(std::memory_order_relaxed))
			{
				return;		// 过时任务：立即退出（调用方会丢弃结果）
			}
			for (std::size_t index = 0; index < out.size(); ++index)
			{
				buffer[index] = std::isfinite(out[index]) ? static_cast<double>(out[index])
				                                          : std::numeric_limits<double>::quiet_NaN();
			}
			ComputeMovingAverage(buffer, radius, stage);
			out.swap(stage);
			if (throttle)
			{
				// 低内存设备的“少量多次”：每阶之间小睡一下，把内存带宽与 CPU 让给前台。
				Sleep(1);
			}
		}
	}

	namespace
	{
		/**
		 * @brief 「弱峰调整」内部使用的极值点（波峰 / 波谷）。
		 *
		 * ⚠️ **字段顺序是刻意的**：`double value` 放在最前、`index` 用 `uint32`、`type` 用 `int8`，
		 * 使结构体只占 **16 字节**（原来的 `size_t+double+int` 是 24 字节，含 7 字节填充）。
		 * 一个千万级方波信号的极值数量与采样数同量级（编码器信号几乎每个跳变都是极值），
		 * 这张表就是「弱峰调整」工作缓冲的主导项（24 B/极值 ≈ 24 B/采样）——
		 * 瘦身后同样规模的整段计算可省下约 1/3 的峰值内存。
		 * `uint32` 下标对本项目安全：4.29e9 个 `double` 需要 34 GB 采样内存，不可能达到。
		 */
		struct PeakExtremum
		{
			double value = 0.0;			/**< 采样值（保持 double：改成 float 会让结果与历史版本不一致）。 */
			std::uint32_t index = 0;	/**< 采样下标。 */
			std::int8_t type = 0;		/**< +1 = 波峰，-1 = 波谷。 */
		};

		/**
		 * @brief 三组识别规则各自的调整幅度（每一组都在 -2 – +2，即面板上的 -200% – +200%）。
		 *
		 * 滑动条的 ±400% 会按"梯度"同时驱动三组规则（见 `ComputeWeakPeakAdjust`）：
		 * 越宽松的规则参与得越晚、在同一滑动条位置上的幅度越小。
		 */
		struct WeakPeakAmounts
		{
			double first = 0.0;		/**< 第一类（严格：两侧均值都要满足）。 */
			double second = 0.0;	/**< 第二类（其中一侧满足即可）。 */
			double third = 0.0;		/**< 第三类（更宽松：只与左右同类极值比较）。 */
		};

		/**
		 * @brief 「弱峰调整」的单阶处理：把偏弱的波峰上拉 / 偏弱的波谷下拉，
		 *        或（负幅度）把弱峰本身削弱、压平。
		 *
		 * **不做任何前置滤波**（需要平滑时用户可以先用「均值滤波」构建一条滤波后的信号）：
		 * 极值点直接在输入采样上通过单调段的方向翻转识别。三组识别规则（见 `WeakPeakAmounts`）
		 * 各自有自己的幅度；某个极值若同时满足多组规则，取**幅度绝对值最大**的那一组
		 *（= 最严格的那一组），这样"越严格越先被推到目标值"。
		 *
		 * @param [IN] input 本阶的输入采样值。
		 * @param [IN] amounts 三组规则的调整幅度（各 -2 – +2，已夹取；0 = 该组不动）。
		 * @param [OUT] output 本阶的输出（长度与 input 相同；原值为 NaN 处保持 NaN）。
		 * @param [OUT] extremes 复用的极值表（容量保留，避免每阶重新分配）。
		 * @param [IN] cancel 可选的取消标志（为 true 时**立即返回 false**）。
		 * @return 确实有采样点被改动返回 true；没有任何点需要调整时返回 false。
		 */
		bool ApplyWeakPeakStage(const std::vector<float>& input, const WeakPeakAmounts& amounts,
		                         std::vector<float>& output, std::vector<PeakExtremum>& extremes,
		                         const std::atomic<bool>* cancel)
		{
			const std::size_t count = input.size();
			output.assign(count, std::numeric_limits<float>::quiet_NaN());
			if (count == 0)
			{
				return false;
			}

			// 先把有效采样原样拷入输出，之后按“极值点之间的平滑偏移”逐点叠加。
			for (std::size_t index = 0; index < count; ++index)
			{
				const float value = input[index];
				if (std::isfinite(value))
				{
					output[index] = value;
				}
			}

			// 1) 识别波峰 / 波谷：扫描单调段，方向翻转处的上一个采样点即为极值点。
			//    波峰（先升后降）与波谷（先降后升）必然交替出现，
			//    因此同类极值就是极值序列里下标 ±2 的两个。
			extremes.clear();
			// 适度预留：编码器方波约每 8 个采样一个极值，预留 1/8 能让最常见的密集信号
			// 一次到位（避免 push_back 反复扩容带来的 1.5x 峰值内存）；宁少勿多，
			// 因为 unreserve 的代价（一次 realloc）远小于无谓地占住内存。
			if (extremes.capacity() < count / 8)
			{
				try
				{
					extremes.reserve(count / 8);
				}
				catch (const std::bad_alloc&)
				{
					// 预留失败不影响正确性：让 push_back 自行增长（低内存时不报错）。
				}
			}
			{
				int direction = 0;		// 当前单调段方向（+1 上升、-1 下降）。
				bool hasPrevious = false;
				std::size_t previousIndex = 0;
				double previousValue = 0.0;
				for (std::size_t index = 0; index < count; ++index)
				{
					// 取消检查的粒度：每 1M 个采样一次（单次检查开销可忽略，
					// 但能让“过时任务”在几十毫秒内退出）。
					if (cancel != nullptr && (index & 0xFFFFFu) == 0 && cancel->load(std::memory_order_relaxed))
					{
						return false;
					}
					const double value = static_cast<double>(input[index]);
					if (!std::isfinite(value))
					{
						// 无效采样作为断点：不跨越它判定极值。
						hasPrevious = false;
						continue;
					}
					if (!hasPrevious)
					{
						hasPrevious = true;
						previousIndex = index;
						previousValue = value;
						continue;
					}
					const int step = (value > previousValue) ? 1 : ((value < previousValue) ? -1 : 0);
					if (step != 0)
					{
						if (direction == 0)
						{
							direction = step;
						}
						else if (step != direction)
						{
							// 方向在此翻转：上一个采样点就是极值（原方向向上则为波峰）。
							PeakExtremum extreme;
							extreme.index = static_cast<std::uint32_t>(previousIndex);
							extreme.value = previousValue;
							extreme.type = static_cast<std::int8_t>(direction);
							extremes.push_back(extreme);
							direction = step;
						}
					}
					previousIndex = index;
					previousValue = value;
				}
			}

			// 识别不到足够多的极值（常量 / 单调 / 采样点太少）：本阶无需任何改动。
			if (extremes.size() < 5)
			{
				return false;
			}

			// 2) 逐个极值点判定它属于哪几类规则点，并算出它自己的目标偏移量。
			const std::size_t extremeCount = extremes.size();
			thread_local std::vector<double> shiftBuffer;
			ReuseBufferScope<double> reuseScope(shiftBuffer);
			std::vector<double>& shift = shiftBuffer;
			shift.assign(extremeCount, 0.0);
			for (std::size_t k = 2; k + 2 < extremeCount; ++k)
			{
				const PeakExtremum& current = extremes[k];
				const PeakExtremum& left = extremes[k - 2];
				const PeakExtremum& right = extremes[k + 2];
				if (left.type != current.type || right.type != current.type)
				{
					continue;
				}
				if (!std::isfinite(current.value) || !std::isfinite(left.value) ||
				    !std::isfinite(right.value))
				{
					continue;
				}
				// 相邻的**异类**极值（波峰旁边的波谷 / 波谷旁边的波峰）。
				const PeakExtremum& nearLeft = extremes[k - 1];
				const PeakExtremum& nearRight = extremes[k + 1];
				if (nearLeft.type == current.type || nearRight.type == current.type)
				{
					continue;		// 极值序列本应交替；异常时不动这一点
				}
				if (!std::isfinite(nearLeft.value) || !std::isfinite(nearRight.value))
				{
					continue;
				}
				const bool isPeak = (current.type > 0);
				// 「左侧/右侧相邻的一个同类极值 + 一个异类极值」的均值。
				const double leftMean = (left.value + nearLeft.value) * 0.5;
				const double rightMean = (nearRight.value + right.value) * 0.5;
				// 同类极值里"较温和"的一侧：波峰取较低者、波谷取较高者。
				const double milderSame = isPeak ? std::min(left.value, right.value)
				                                 : std::max(left.value, right.value);
				const double meanSame = (left.value + right.value) * 0.5;
				// 异类极值里"较近"的一个：波峰取较高的波谷、波谷取较低的波峰。
				const double nearerOpposite = isPeak ? std::max(nearLeft.value, nearRight.value)
				                                     : std::min(nearLeft.value, nearRight.value);
				const double meanOpposite = (nearLeft.value + nearRight.value) * 0.5;

				// 三组识别规则（以弱峰为例，弱谷把"低于"换成"高于"、max/min 互换）：
				//   第一类：**同时**低于左右两侧的（相邻同类极值 + 相邻异类极值）均值；
				//   第二类：低于其中**任意一侧**的该均值（从"且"放宽为"或"）；
				//   第三类：只与左右**同类**极值比较 —— 低于左右两个同类极值即算弱峰。
				const bool firstClass = isPeak ? ((current.value < leftMean) && (current.value < rightMean))
				                               : ((current.value > leftMean) && (current.value > rightMean));
				const bool secondClass = isPeak ? ((current.value < leftMean) || (current.value < rightMean))
				                                : ((current.value > leftMean) || (current.value > rightMean));
				const bool thirdClass = isPeak ? ((current.value < left.value) && (current.value < right.value))
				                               : ((current.value > left.value) && (current.value > right.value));

				// 同时满足多组时取**幅度绝对值最大**的那一组（= 最严格的那一组先被推到目标值）。
				double amount = 0.0;
				if (firstClass)
				{
					amount = amounts.first;
				}
				if (secondClass && std::fabs(amounts.second) > std::fabs(amount))
				{
					amount = amounts.second;
				}
				if (thirdClass && std::fabs(amounts.third) > std::fabs(amount))
				{
					amount = amounts.third;
				}
				if (amount == 0.0)
				{
					continue;		// 不需要调整
				}

				double destination = current.value;
				if (amount > 0.0)
				{
					// ---- 正幅度（增强）----
					//   0 – 100%：当前值 → 左右**同类**极值中较温和的一侧（波峰取较低者、波谷取较高者）；
					//   100 – 200%：该侧 → 左右**同类**极值的**均值**。
					// ⚠️ 波峰从 `milderSame` 走向 `meanSame`（向上）、波谷同样从 `milderSame`
					//    走向 `meanSame`（此时 `meanSame` 可能比 `milderSame` **低**），
					//    即两者的插值方向一致（都是"milderSame → meanSame"），无需分别取符号。
					destination = (amount <= 1.0)
					                  ? (current.value + amount * (milderSame - current.value))
					                  : (milderSame + (amount - 1.0) * (meanSame - milderSame));
				}
				else
				{
					// ---- 负幅度（削弱）----
					//   0 – -100%：当前值 → 相邻**异类**极值中较近的一个
					//             （波峰取较高的波谷、波谷取较低的波峰）；
					//   -100 – -200%：该侧 → 相邻异类极值的**均值**。
					const double magnitude = std::min(2.0, -amount);
					destination = (magnitude <= 1.0)
					                  ? (current.value + magnitude * (nearerOpposite - current.value))
					                  : (nearerOpposite +
					                     (magnitude - 1.0) * (meanOpposite - nearerOpposite));
					// ⚠️ 削弱**不得反向增强**：目标被夹在"不越过当前值"的一侧。
					if (isPeak)
					{
						destination = std::min(destination, current.value);
					}
					else
					{
						destination = std::max(destination, current.value);
					}
				}
				shift[k] = destination - current.value;
			}

			// 3) 把偏移量平滑地摊到极值点之间的数据点上：
			//    相邻两个极值点之间用平滑步进过渡（两端导数为 0，波形不会出现折角），
			//    数据首尾则从 0 渐变到最近的极值点偏移。
			//    注意：极值序列的首尾各两个元素的偏移量恒为 0（缺少同类的左右邻居），
			//    因此这里只需要填充 shift 非零的区间。
			bool changed = false;
			const auto applySpan = [&input, &output, count](std::size_t begin, std::size_t end,
			                                              double beginShift, double endShift)
			{
				if (end <= begin)
				{
					if (begin < count && std::isfinite(input[begin]))
					{
						output[begin] = static_cast<float>(input[begin] + beginShift);
					}
					return;
				}
				const double span = static_cast<double>(end - begin);
				for (std::size_t index = begin; index <= end; ++index)
				{
					const float value = input[index];
					if (!std::isfinite(value))
					{
						continue;
					}
					const double t = static_cast<double>(index - begin) / span;
					const double weight = t * t * (3.0 - 2.0 * t);
					output[index] = static_cast<float>(value + beginShift * (1.0 - weight) +
					                                  endShift * weight);
				}
			};

			for (std::size_t k = 0; k + 1 < extremeCount; ++k)
			{
				if (shift[k] == 0.0 && shift[k + 1] == 0.0)
				{
					continue;
				}
				applySpan(extremes[k].index, extremes[k + 1].index, shift[k], shift[k + 1]);
				changed = true;
			}
			return changed;
		}
	} // namespace

	void ComputeWeakPeakAdjust(const std::vector<double>& values, double amount, int iterations,
	                           std::vector<float>& out,
	                           const std::atomic<bool>* cancel, bool throttle)
	{
		const std::size_t count = values.size();
		out.assign(count, std::numeric_limits<float>::quiet_NaN());
		if (count == 0)
		{
			return;
		}

		// 第 1 阶：从原始采样值出发（非有限值保持 NaN）。
		// 工作缓冲用线程本地变量复用容量：单条曲线动辄上千万采样，若每次调用都重新分配
		// 并零初始化，单条「弱峰调整」的耗时会被明显放大（内存分配 + page fault）。
		// ⚠️ 用 `ReuseBufferScope` 保证**离开作用域时裁剪超大容量**：否则 4 条后台线程
		// 会各自常驻数百 MB（thread_local 只在线程退出时才析构），内存随线程数放大。
		thread_local std::vector<float> currentBuffer;
		thread_local std::vector<float> nextBuffer;
		thread_local std::vector<PeakExtremum> extremesBuffer;
		ReuseBufferScope<float> currentScope(currentBuffer);
		ReuseBufferScope<float> nextScope(nextBuffer);
		ReuseBufferScope<PeakExtremum> extremesScope(extremesBuffer);
		std::vector<float>& current = currentBuffer;
		current.assign(count, std::numeric_limits<float>::quiet_NaN());
		for (std::size_t index = 0; index < count; ++index)
		{
			const double value = values[index];
			if (std::isfinite(value))
			{
				current[index] = static_cast<float>(value);
			}
		}

		// 「迭代次数 N」与「均值滤波」的迭代次数语义一致：把同一处理**重复应用 N 次**，
		// 每一阶以上一阶的结果为输入。一阶时改定量已严格等于「幅度」对应的目标值；
		// 多次迭代时相邻的弱峰会互相抬高彼此的基准，从而把较宽的弱峰区逐步恢复（或削弱）。
		const int stages = std::max(1, std::min(iterations, 1000));
		// 滑动条量程 ±400%（`amount` = 百分比 / 100，即 -4 – +4），按"梯度"同时驱动三组规则：
		//   第一类：始终参与，幅度 = clamp(|a|, 0, 2)；
		//   第二类：|a| > 100% 起参与，幅度 = clamp(|a| - 1, 0, 2)；
		//   第三类：|a| > 200% 起参与，幅度 = clamp(|a| - 2, 0, 2)。
		// 于是滑动条 0–100% 只有第一类在动；100–200% 第一类走完 100–200%、第二类开始走 0–100%；
		// 200–300% 第一类已到上限、第二类走 100–200%、第三类开始走 0–100%；
		// 300–400% 前两类都已到上限，只有第三类在走 100–200%。负值完全对称。
		const double clamped = std::max(-4.0, std::min(4.0, amount));
		const double magnitude = std::fabs(clamped);
		const double sign = (clamped < 0.0) ? -1.0 : 1.0;
		WeakPeakAmounts amounts;
		amounts.first = sign * std::min(magnitude, 2.0);
		amounts.second = sign * std::max(0.0, std::min(2.0, magnitude - 1.0));
		amounts.third = sign * std::max(0.0, std::min(2.0, magnitude - 2.0));
		std::vector<float>& next = nextBuffer;
		for (int stage = 0; stage < stages; ++stage)
		{
			if (cancel != nullptr && cancel->load(std::memory_order_relaxed))
			{
				return;		// 过时任务：立即退出（`out` 保留为 NaN，调用方会丢弃它）
			}
			if (!ApplyWeakPeakStage(current, amounts, next, extremesBuffer, cancel))
			{
				if (cancel != nullptr && cancel->load(std::memory_order_relaxed))
				{
					return;		// 被取消（而非“本阶无改动”）
				}
				// 这一阶没有任何采样点需要调整：后续迭代次数也不会再有变化，提前结束。
				break;
			}
			current.swap(next);
			if (throttle)
			{
				// 低内存设备的“少量多次”：每阶之间小睡一下，把内存带宽与 CPU 让给前台。
				Sleep(1);
			}
		}
		out.swap(current);
	}

	const Lane::MeanFilterItem* Lane::FindMeanFilterItem(const SignalRef& ref) const
	{
		for (const MeanFilterItem& item : meanFilterItems)
		{
			if (item.ref == ref)
			{
				return &item;
			}
		}
		return nullptr;
	}

	Lane::MeanFilterItem& Lane::EnsureMeanFilterItem(const SignalRef& ref)
	{
		for (MeanFilterItem& item : meanFilterItems)
		{
			if (item.ref == ref)
			{
				return item;
			}
		}
		MeanFilterItem item;
		item.ref = ref;
		meanFilterItems.push_back(item);
		return meanFilterItems.back();
	}

	void Lane::RemoveMeanFilterItem(const SignalRef& ref)
	{
		meanFilterItems.erase(
		    std::remove_if(meanFilterItems.begin(), meanFilterItems.end(),
		                   [&ref](const MeanFilterItem& item) { return item.ref == ref; }),
		    meanFilterItems.end());
	}

	const Lane::EdgeCenterItem* Lane::FindEdgeCenterItem(const SignalRef& ref) const
	{
		for (const EdgeCenterItem& item : edgeCenterItems)
		{
			if (item.ref == ref)
			{
				return &item;
			}
		}
		return nullptr;
	}

	Lane::EdgeCenterItem& Lane::EnsureEdgeCenterItem(const SignalRef& ref)
	{
		for (EdgeCenterItem& item : edgeCenterItems)
		{
			if (item.ref == ref)
			{
				return item;
			}
		}
		EdgeCenterItem item;
		item.ref = ref;
		edgeCenterItems.push_back(item);
		return edgeCenterItems.back();
	}

	void Lane::RemoveEdgeCenterItem(const SignalRef& ref)
	{
		edgeCenterItems.erase(
		    std::remove_if(edgeCenterItems.begin(), edgeCenterItems.end(),
		                   [&ref](const EdgeCenterItem& item) { return item.ref == ref; }),
		    edgeCenterItems.end());
	}

	const Lane::WeakPeakItem* Lane::FindWeakPeakItem(const SignalRef& ref) const
	{
		for (const WeakPeakItem& item : weakPeakItems)
		{
			if (item.ref == ref)
			{
				return &item;
			}
		}
		return nullptr;
	}

	Lane::WeakPeakItem& Lane::EnsureWeakPeakItem(const SignalRef& ref)
	{
		for (WeakPeakItem& item : weakPeakItems)
		{
			if (item.ref == ref)
			{
				return item;
			}
		}
		WeakPeakItem item;
		item.ref = ref;
		weakPeakItems.push_back(item);
		return weakPeakItems.back();
	}

	void Lane::RemoveWeakPeakItem(const SignalRef& ref)
	{
		weakPeakItems.erase(
		    std::remove_if(weakPeakItems.begin(), weakPeakItems.end(),
		                   [&ref](const WeakPeakItem& item) { return item.ref == ref; }),
		    weakPeakItems.end());
	}

	int FindNearestSample(const TimeAxis& axis, double time)
	{
		const std::size_t count = axis.time.size();
		if (count == 0)
		{
			return -1;
		}

		if (axis.monotonic)
		{
			const std::vector<double>::const_iterator lower =
			    std::lower_bound(axis.time.begin(), axis.time.end(), time);
			if (lower == axis.time.begin())
			{
				return 0;
			}
			if (lower == axis.time.end())
			{
				return static_cast<int>(count - 1);
			}
			const std::size_t rightIndex = static_cast<std::size_t>(lower - axis.time.begin());
			const std::size_t leftIndex = rightIndex - 1;
			const double leftDistance = std::fabs(time - axis.time[leftIndex]);
			const double rightDistance = std::fabs(axis.time[rightIndex] - time);
			return (leftDistance <= rightDistance) ? static_cast<int>(leftIndex) : static_cast<int>(rightIndex);
		}

		int best = 0;
		double bestDistance = std::numeric_limits<double>::infinity();
		for (std::size_t index = 0; index < count; ++index)
		{
			if (!std::isfinite(axis.time[index]))
			{
				continue;
			}
			const double distance = std::fabs(axis.time[index] - time);
			if (distance < bestDistance)
			{
				bestDistance = distance;
				best = static_cast<int>(index);
			}
		}
		return best;
	}

	bool SampleSignalAt(const TimeAxis& axis, const SignalData& signal, double time, bool interpolate,
	                    double& value)
	{
		value = kMissing;

		if (axis.time.empty() || signal.values.empty())
		{
			return false;
		}
		if (time < axis.minTime || time > axis.maxTime)
		{
			return false;
		}

		const std::vector<double>& values = signal.values;

		if (!axis.monotonic)
		{
			const int nearest = FindNearestSample(axis, time);
			if (nearest < 0 || static_cast<std::size_t>(nearest) >= values.size())
			{
				return false;
			}
			value = values[static_cast<std::size_t>(nearest)];
			return std::isfinite(value);
		}

		const std::vector<double>::const_iterator lower = std::lower_bound(axis.time.begin(), axis.time.end(), time);
		const std::size_t rightIndex = static_cast<std::size_t>(lower - axis.time.begin());
		if (rightIndex == 0)
		{
			value = values[0];
			return std::isfinite(value);
		}
		if (rightIndex >= axis.time.size())
		{
			value = values.back();
			return std::isfinite(value);
		}

		const std::size_t leftIndex = rightIndex - 1;
		if (rightIndex >= values.size() || leftIndex >= values.size())
		{
			return false;
		}

		const double t0 = axis.time[leftIndex];
		const double t1 = axis.time[rightIndex];
		const double v0 = values[leftIndex];
		const double v1 = values[rightIndex];

		if (!interpolate || !std::isfinite(v0) || !std::isfinite(v1) || !(t1 > t0))
		{
			const double leftDistance = std::fabs(time - t0);
			const double rightDistance = std::fabs(t1 - time);
			value = (leftDistance <= rightDistance) ? v0 : v1;
			return std::isfinite(value);
		}

		const double ratio = (time - t0) / (t1 - t0);
		value = v0 + (v1 - v0) * ratio;
		return true;
	}

	bool SampleDisplayedSignalAt(const TimeAxis& axis, const SignalData& signal,
	                             const SignalStyle& style, double time, bool interpolate, double& value)
	{
		// 未启用水平镜像 / 时间偏移时与 SampleSignalAt 完全等价
		//（避免两套实现产生细微差异）。
		if (!style.mirrorHorizontal && style.offsetTime == 0.0)
		{
			return SampleSignalAt(axis, signal, time, interpolate, value);
		}

		value = kMissing;
		if (axis.time.empty() || signal.values.empty())
		{
			return false;
		}
		// 绘制位置 = 源时刻 + offsetTime，因此查询源数据要用「绘制时刻 − offsetTime」。
		const double query = time - style.offsetTime;
		if (query < axis.minTime || query > axis.maxTime)
		{
			return false;
		}

		const std::vector<double>& values = signal.values;
		const std::size_t count = std::min(axis.time.size(), values.size());
		if (count == 0)
		{
			return false;
		}
		// 画面上第 i 个位置用源下标 srcIndex(i) 的值（水平镜像 = 数据反序）。
		const auto sample = [&](std::size_t index) -> double
		{
			return values[SourceIndexFor(style, count, index)];
		};

		if (!axis.monotonic)
		{
			const int nearest = FindNearestSample(axis, query);
			if (nearest < 0 || static_cast<std::size_t>(nearest) >= count)
			{
				return false;
			}
			value = sample(static_cast<std::size_t>(nearest));
			return std::isfinite(value);
		}

		const std::vector<double>::const_iterator lower =
		    std::lower_bound(axis.time.begin(), axis.time.end(), query);
		const std::size_t rightIndex = static_cast<std::size_t>(lower - axis.time.begin());
		if (rightIndex == 0)
		{
			value = sample(0);
			return std::isfinite(value);
		}
		if (rightIndex >= count)
		{
			value = sample(count - 1);
			return std::isfinite(value);
		}

		const std::size_t leftIndex = rightIndex - 1;
		const double t0 = axis.time[leftIndex];
		const double t1 = axis.time[rightIndex];
		const double v0 = sample(leftIndex);
		const double v1 = sample(rightIndex);

		if (!interpolate || !std::isfinite(v0) || !std::isfinite(v1) || !(t1 > t0))
		{
			const double leftDistance = std::fabs(query - t0);
			const double rightDistance = std::fabs(t1 - query);
			value = (leftDistance <= rightDistance) ? v0 : v1;
			return std::isfinite(value);
		}

		const double ratio = (query - t0) / (t1 - t0);
		value = v0 + (v1 - v0) * ratio;
		return true;
	}


} // namespace jdi