📈 一、滑动窗口均值法（实时监控场景）

import numpy as np
from collections import deque

class DynamicThreshold:
    def __init__(self, window_size=10, sensitivity=2.0):
        self.window = deque(maxlen=window_size)
        self.sensitivity = sensitivity  # 灵敏度系数:ml-citation{ref="4,6" data="citationList"}
    
    def update(self, new_value):
        self.window.append(new_value)
        mean = np.mean(self.window)
        std = np.std(self.window)
        return mean + self.sensitivity * std  # 动态阈值公式:ml-citation{ref="7" data="citationList"}

调用示例：

dt = DynamicThreshold(window_size=5)
current_threshold = dt.update(35)  # 输入新数据点

适用于服务器监控指标异常检测，窗口大小建议取5-10个周期6。

🤖 二、LSTM预测基线（AI服务场景）

import tensorflow as tf
from tensorflow.keras.layers import LSTM, Dense

# 1. 构建预测模型
model = tf.keras.Sequential([
    LSTM(64, input_shape=(30, 1)),  # 30个历史点:ml-citation{ref="3,8" data="citationList"}
    Dense(1)
])
model.compile(loss='mse', optimizer='adam')

# 2. 动态阈值生成
def get_dynamic_threshold(history_data):
    prediction = model.predict(np.expand_dims(history_data, axis=(0,2)))
    upper_bound = prediction * 1.3  # 上浮30%作为阈值:ml-citation{ref="3" data="citationList"}
    return upper_bound[0][0]

需用历史数据训练后使用，适合QPS、推理延迟等指标的动态调整38。

📊 三、分位数动态阈值（业务风控场景）

import pandas as pd

def quantile_threshold(data_series: pd.Series, window='24H', q=0.95):
    rolling = data_series.rolling(window)
    return rolling.quantile(q) * 1.2  # 窗口内95分位数×1.2缓冲:ml-citation{ref="2,6" data="citationList"}

使用场景：

# 读取历史交易量数据
txn_data = pd.read_csv('txn_log.csv', parse_dates=['time'])
txn_data['threshold'] = quantile_threshold(txn_data['volume'])

适用于金融交易量突增检测，窗口可按需设为1H/7D等6。

🛠️ 四、参数调优建议

避坑指南：

• 初始阶段建议用静态阈值+动态阈值双校验模式8
• 周期型数据需做STL分解预处理3
• 生产环境需添加阈值突变保护（如单次变化不超过±20%）