时间序列数据中平台期(plateau)识别算法求解

从可视化结果可见，该组数据在数值1987、3757位置存在两处明显的平台期，此前尝试实时时间序列峰值检测算法未取得预期效果，以下是可直接落地的解决思路与方案：

峰值检测算法的设计目标是识别局部极值点，和平台段「连续区间内数值波动极小、前后伴随明显阶跃变化」的特征完全不匹配，自然拿不到想要的结果，可按下面两类方法实现提取：

基础快速实现（低噪点场景首选，计算复杂度O(n)） #

• 计算序列一阶差分
  对长度为n的原始时序数组y，逐点计算相邻值差得到差分数组diff，计算逻辑为diff[i] = y[i+1] - y[i]。平台段内部相邻点差值的绝对值会无限趋近于0，和上升、下降段的差分值有非常清晰的分界。
  波动阈值不需要手动硬编码适配：取全量abs(diff)的10%分位值作为判断阈值，所有满足abs(diff[i]) < 阈值的位置先标记为候选平台点。
• 噪点过滤与连续段合并
  上一步得到的候选点里会夹杂零散的单点、超短段噪点，设置最小平台长度阈值（参考图里两个平台的长度，可先设为20~30），仅保留连续长度大于该阈值的候选区间，过滤掉零散噪点，就能得到初步的平台段范围。
• 边界校准（可选，追求定位精度时使用）
  对初步筛出的每个平台段，在其前后各扩展10个点的范围，找到范围内差分绝对值最大的位置，分别作为平台的精确起止点即可。

进阶鲁棒实现（高噪点场景适配） #

如果原始数据存在较多随机噪点，直接做差容易把噪点误判为阶跃、把平段误判为波动，可改用滚动窗口统计法：

• 选定长度为10~15的滑动窗口，逐窗口计算窗口内数值的标准差
• 取所有窗口标准差的10%分位作为波动阈值，标记标准差低于阈值的窗口为候选平台窗口
• 同样做短窗口过滤、边界校准，就能得到最终的平台段

调参提示 #

整个流程只有两个核心参数需要调整：波动判断阈值、最小平台长度，调参时把提取到的平台段在原始时序图上叠色标注，对照调整1~2次就能得到完全匹配的结果。我之前在多组工业传感器时序的平台段提取场景用过这套逻辑，对这种肉眼可辨的明显平段，识别准确率基本能到100%，比复杂的时序聚类、曲线拟合方法效率高很多。

内容的提问来源于stack exchange，提问作者Khan From Chedum