在实际运维和业务分析中，原始指标曲线（QPS、RT、CPU、订单量等）往往“抖动”非常明显：
既包含真实的趋势变化，也夹杂大量短期噪声。如果只盯着原始曲线，很难快速判断：

当前指标是在“整体上升 / 下降”，还是只是短暂波动？
短期波动是否已经反转长期趋势？
拐点大概出现在什么位置？

本案例基于 Kotlin Multiplatform（KMP）与 OpenHarmony，实现了一个滑动平均与趋势平滑分析器：

• 支持配置短周期窗口 shortWindow 和长周期窗口 longWindow；
• 对同一数值序列计算短期与长期移动平均线；
• 检测“短期均线与长期均线的交叉点”，给出可能的趋势拐点提示；
• 通过 ArkTS 单页面展示原始序列 + 两条移动平均序列 + 文本化拐点说明。

---

一、问题背景与典型场景

在 AIOps 与业务分析中，常见的趋势问题包括：

1. 接口耗时趋势分析
   观察某接口在过去一小时/一天中耗时的变化趋势，判断是不是“整体在变慢”，还是“偶尔抖一下”。

2. QPS / 订单量趋势平滑
   高并发场景下每秒的 QPS/订单量波动很大，需要通过移动平均来看到真正的“增长/下滑趋势”。

3. 资源利用率趋势分析
   CPU / 内存 / 磁盘使用率短时间内可能出现尖峰，通过长周期移动平均可以判断整体负载是否持续走高。

4. 业务指标健康度监控
   对 DAU、转化率等核心指标做滑动平均，避免被短期营销活动或偶发事件误导整体判断。

这些场景可以统一抽象为：

给定一条时间序列 \( x_0, x_1, \dots, x_{n-1} \)，
以及两个窗口大小 \( w_s < w_l \)，
分别计算短期移动平均 \( MA_{w_s} \) 与长期移动平均 \( MA_{w_l} \)，并分析两者的交叉关系。

---

二、Kotlin 滑动平均分析引擎

1. 输入格式设计

沿用本系列案例的文本配置风格，本案例使用如下输入格式：

shortWindow=3
longWindow=5
series=120,95,180,210,160,300,240,260,220

• shortWindow：短周期窗口大小（例如 3 个点）；
• longWindow：长周期窗口大小（例如 5 个点）；
• series：一串以 , / 空格 / ; / 换行分隔的数值样本。

解析逻辑也支持追加多行裸样本，例如：

shortWindow=3
longWindow=5
120,95,180,210,160
300,240,260,220

---

2. Kotlin 分析主入口

在 App.kt 中，我们定义了对外暴露的分析函数，并通过 @JsExport 让 OpenHarmony 端可以直接调用：

@JsExport
fun movingAverageTrendAnalyzer(inputData: String): String {
    val sanitized = inputData.trim()
    if (sanitized.isEmpty()) {
        return "❌ 输入为空，请按 shortWindow=3\\nlongWindow=5\\nseries=120,95,180,... 形式提供数据"
    }

    val lines = sanitized.lines()
        .map { it.trim() }
        .filter { it.isNotEmpty() }

    var shortWindow: Int? = null
    var longWindow: Int? = null
    val values = mutableListOf<Double>()

    for (line in lines) {
        when {
            line.startsWith("shortWindow=", ignoreCase = true) -> {
                shortWindow = line.substringAfter("=").trim().toIntOrNull()
            }
            line.startsWith("longWindow=", ignoreCase = true) -> {
                longWindow = line.substringAfter("=").trim().toIntOrNull()
            }
            line.startsWith("series=", ignoreCase = true) -> {
                val parsed = line.substringAfter("=")
                    .split(",", " ", ";", "\n")
                    .mapNotNull { it.trim().takeIf { s -> s.isNotEmpty() }?.toDoubleOrNull() }
                values += parsed
            }
            else -> {
                val parsed = line.split(",", " ", ";", "\n")
                    .mapNotNull { it.trim().takeIf { s -> s.isNotEmpty() }?.toDoubleOrNull() }
                values += parsed
            }
        }
    }

    if (values.isEmpty()) {
        return "❌ 未解析到任何数值，请检查 series=120,95,180,... 的格式是否正确"
    }
    if (shortWindow == null || shortWindow!! <= 0) {
        return "❌ 未找到合法的 shortWindow=... 配置，请提供大于 0 的短周期窗口"
    }
    if (longWindow == null || longWindow!! <= 0) {
        return "❌ 未找到合法的 longWindow=... 配置，请提供大于 0 的长周期窗口"
    }

    val sw = shortWindow!!
    val lw = longWindow!!
    if (sw >= lw) {
        return "❌ 为了体现“短周期 vs 长周期”效果，请保证 shortWindow < longWindow，例如 3 和 7"
    }
    if (values.size < lw) {
        return "❌ 样本数量 (${values.size}) 小于长周期窗口 ($lw)，无法计算移动平均，请补充更多数据"
    }

    fun movingAverage(window: Int): List<Double> {
        val result = mutableListOf<Double>()
        var sum = 0.0
        for (i in values.indices) {
            sum += values[i]
            if (i >= window) {
                sum -= values[i - window]
            }
            if (i >= window - 1) {
                result += sum / window
            }
        }
        return result
    }

    val shortMa = movingAverage(sw)
    val longMa = movingAverage(lw)

    val builder = StringBuilder()
    builder.appendLine("📉 滑动平均与趋势平滑分析报告")
    builder.appendLine("━━━━━━━━━━━━━━━━━━━━━━━━━━━━")
    builder.appendLine("样本数量: ${values.size}")
    builder.appendLine("短周期窗口 (shortWindow): $sw")
    builder.appendLine("长周期窗口 (longWindow): $lw")
    builder.appendLine()

    builder.appendLine("🧮 原始序列")
    builder.appendLine(values.joinToString(prefix = "[", postfix = "]"))
    builder.appendLine()

    builder.appendLine("📈 短周期移动平均 (响应更快，噪声更大)")
    builder.appendLine(shortMa.joinToString(prefix = "[", postfix = "]") { round2(it).toString() })
    builder.appendLine()

    builder.appendLine("📈 长周期移动平均 (更平滑，体现整体趋势)")
    builder.appendLine(longMa.joinToString(prefix = "[", postfix = "]") { round2(it).toString() })
    builder.appendLine()

    // 简单拐点 / 趋势切换提示：短期均线与长期均线的交叉
    builder.appendLine("🔀 趋势拐点提示 (短期均线与长期均线交叉)")
    val offset = lw - sw
    var lastDiff: Double? = null
    for (i in longMa.indices) {
        val shortIndex = i + offset
        if (shortIndex >= shortMa.size) break
        val diff = shortMa[shortIndex] - longMa[i]
        if (lastDiff != null && diff * lastDiff < 0) {
            // 符号发生变化，认为发生了一次交叉
            val pos = i + (lw - 1)
            val direction = if (diff > 0) "短期向上突破长期 (可能上行趋势开启)" else "短期跌破长期 (可能下行趋势开启)"
            builder.appendLine("索引 ~$pos 附近发生交叉: $direction")
        }
        lastDiff = diff
    }
    if (lastDiff == null) {
        builder.appendLine("未检测到明显的短期 / 长期均线交叉点")
    }

    builder.appendLine()
    builder.appendLine("🧠 工程化解读")
    builder.appendLine("- 短周期移动平均线适合观测短期波动与局部异常；")
    builder.appendLine("- 长周期移动平均线更适合刻画整体趋势，过滤噪声；")
    builder.appendLine("- 短期均线向上突破长期均线时，往往意味着“指标进入上升通道”；反之则可能预示着“回落或降温”。")

    return builder.toString().trim()
}

整体实现要点：

• 使用“滑动窗口 + 前缀和”的方式计算移动平均，整体时间复杂度 \( O(n) \)；
• 对不同窗口大小调用同一 movingAverage 辅助函数，减少重复代码；
• 通过比较短期均线与长期均线的差值符号变化，粗略识别“金叉 / 死叉”这类趋势拐点。

---

三、OpenHarmony 侧调用与 UI 展示思路

在 ArkTS 页面中，可以像之前案例一样导入该分析函数：

import { movingAverageTrendAnalyzer } from './hellokjs'

页面状态可以设计为：

• shortWindow: 短周期窗口（默认如 "3"）；
• longWindow: 长周期窗口（默认如 "5" 或 "7"）；
• seriesInput: 指标时间序列数据，如 "120,95,180,210,160,300,240,260,220"。

拼接 payload 并调用：

const seriesLine = this.seriesInput.includes('series=') ? this.seriesInput : `series=${this.seriesInput}`
const payload = `shortWindow=${this.shortWindow}\nlongWindow=${this.longWindow}\n${seriesLine}`
this.result = movingAverageTrendAnalyzer(payload)

展示区域建议：

• 使用等宽字体显示原始序列、短周期均线、长周期均线三列数据；
• 对“趋势拐点提示”部分使用醒目颜色或图标标注，方便快速定位可能的金叉/死叉位置；
• 如有需要，可以在 ArkTS 侧进一步绘制简单的折线图，将原始值与两条 MA 线 Overlay 在一起。

---

四、复杂度与工程实践建议

复杂度分析：

• 移动平均计算：对每个窗口只做加减操作，时间复杂度 \( O(n) \)；
• 拐点检测：对齐短期/长期均线后做一次线性扫描，复杂度 \( O(n) \)；
• 整体复杂度 \( O(n) \)，空间复杂度 \( O(n) \)（存储两条移动平均序列）。

工程实践建议：

1. 多窗口对比
   可以支持 3/5/7 等多个窗口组合，生成多条移动平均线，分别对应短、中、长期趋势。

2. 与分位数 / 直方图联动
   对“趋势上升区间”单独做分位数或直方图分析，评估在趋势变动阶段的分布特性。

3. 阈值 + 趋势联合告警
   不仅在单点阈值越界时告警，也可以在“长期趋势持续走高 + 短期均线金叉”时发出预警，避免临界点才告警。

4. 边缘节点 / 端侧趋势分析
   利用 KMP + OpenHarmony 的跨端能力，把这套移动平均与趋势识别逻辑下沉到设备侧，在弱网甚至离线情况下也能完成本地趋势诊断。

通过这个滑动平均与趋势平滑分析案例，你可以将“技术分析”中经典的移动平均思想应用到接口耗时、QPS、资源利用率等各种指标上，
在噪声众多的实时曲线中提炼出真正有价值的趋势信号。

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.csdn.net