kmp openharmony 序列峰值与谷值检测

本文介绍了一种基于Kotlin Multiplatform和OpenHarmony的序列峰值与谷值检测方法。该方法通过识别时序数据中的局部最大值（峰值）和最小值（谷值），帮助定位趋势转折点、业务高峰和性能瓶颈。核心算法通过比较当前值与前后两个值的关系来检测极值点，具有O(n)的时间复杂度。系统包含Kotlin后端检测引擎和OpenHarmony前端展示界面，支持峰值/谷值识别、差值计算和可视化展示

2501_94444747

1061人浏览 · 2025-12-05 21:54:44

2501_94444747 · 2025-12-05 21:54:44 发布

在这里插入图片描述

在时序数据分析中，我们经常需要识别：

数据序列中的局部最大值（峰值）在哪里？
局部最小值（谷值）在哪里？
这些极值点是否对应重要的趋势转折？

序列峰值与谷值检测 (Peak and Valley Detection) 是一种基础但实用的时序分析方法，通过识别数据序列中的局部最大值和最小值，帮助我们快速定位趋势转折点、业务高峰和性能瓶颈。
本案例基于 Kotlin Multiplatform（KMP）与 OpenHarmony，实现了一个序列峰值与谷值检测器：

检测局部峰值（当前值大于前后两个值）；
检测局部谷值（当前值小于前后两个值）；
识别最高峰值和最低谷值；
计算峰值-谷值差值和波动幅度；
通过 ArkTS 单页面展示原始序列、峰值点、谷值点和所有极值点，帮助你直观理解数据波动模式。

一、问题背景与典型场景

典型场景包括：

性能瓶颈定位
识别接口耗时序列中的峰值点，快速定位性能瓶颈时段，用于优化重点分析。
业务高峰识别
检测订单量、访问量等业务指标序列中的峰值，识别业务高峰时段，用于资源调度和容量规划。
趋势转折点检测
通过峰值和谷值的分布，识别上升趋势转为下降趋势的转折点，用于趋势预测和决策。
周期性模式识别
分析峰值和谷值的间隔，识别数据的周期性模式，用于预测和资源规划。
异常波动检测
当峰值或谷值异常突出时，可能表示发生了异常事件（如故障、攻击、活动爆发等）。

相比复杂模型，峰值谷值检测的优势在于：

实现简单，计算高效，适合实时分析；
结果直观，峰值和谷值直接对应数据的关键转折点；
适用于任何时序数据，无需假设数据分布；
可以快速识别趋势转折和异常波动。

二、Kotlin 峰值谷值检测引擎

1. 输入格式设计

本案例沿用统一的文本输入风格：

series=10,12,11,13,15,18,20,19,17

或直接输入数值序列：

10,12,11,13,15,18,20,19,17

2. 核心算法实现

在 App.kt 中，我们实现了 peakValleyDetector 函数：

@JsExport
fun peakValleyDetector(inputData: String): String {
    // 1. 解析输入序列
    val values = parseSeries(inputData)
    
    // 2. 检测峰值和谷值
    val peaks = mutableListOf<PeakValley>()
    val valleys = mutableListOf<PeakValley>()
    
    // 检测中间点的峰值和谷值
    for (i in 1 until values.size - 1) {
        val prev = values[i - 1]
        val curr = values[i]
        val next = values[i + 1]
        
        // 峰值：当前值大于前后两个值
        if (curr > prev && curr > next) {
            peaks += PeakValley(i, curr, "峰值")
        }
        // 谷值：当前值小于前后两个值
        else if (curr < prev && curr < next) {
            valleys += PeakValley(i, curr, "谷值")
        }
    }
    
    // 3. 处理边界情况
    // 第一个点：如果大于第二个点，可能是峰值
    if (values[0] > values[1]) {
        peaks += PeakValley(0, values[0], "峰值(起点)")
    }
    // 最后一个点：如果大于倒数第二个点，可能是峰值
    if (values.last() > values[values.size - 2]) {
        peaks += PeakValley(values.size - 1, values.last(), "峰值(终点)")
    }
    
    // 4. 统计摘要
    val maxPeak = peaks.maxByOrNull { it.value }
    val minValley = valleys.minByOrNull { it.value }
    val peakValleyDiff = if (maxPeak != null && minValley != null) {
        maxPeak.value - minValley.value
    } else null
    
    // 5. 生成报告
    return buildReport(...)
}

3. 关键检测逻辑

峰值检测：

条件：value[i] > value[i-1] && value[i] > value[i+1]
含义：当前值大于前后两个值，表示局部最大值
用途：识别业务高峰、性能瓶颈、趋势转折点

谷值检测：

条件：value[i] < value[i-1] && value[i] < value[i+1]
含义：当前值小于前后两个值，表示局部最小值
用途：识别业务低谷、性能最优点、趋势转折点

边界处理：

第一个点：如果大于第二个点，标记为峰值（起点）
最后一个点：如果大于倒数第二个点，标记为峰值（终点）

统计摘要：

最高峰值：所有峰值中的最大值
最低谷值：所有谷值中的最小值
峰值-谷值差值：反映数据波动幅度
波动幅度：差值相对于最低谷值的百分比

三、OpenHarmony ArkTS 前端集成

1. 导入 Kotlin/JS 函数

在 index.ets 中导入：

import { peakValleyDetector } from './hellokjs'

2. 状态变量定义

@State seriesInput: string = "10,12,11,13,15,18,20,19,17"
@State result: string = ""
@State isLoading: boolean = false

3. 执行分析逻辑

executeDemo() {
  this.isLoading = true
  
  const seriesLine = this.seriesInput.includes('series=') 
    ? this.seriesInput 
    : `series=${this.seriesInput}`
  const payload = seriesLine
  
  setTimeout(() => {
    try {
      this.result = peakValleyDetector(payload)
    } catch (e) {
      this.result = "❌ 执行失败: " + e.message
    }
    this.isLoading = false
  }, 100)
}