Bi Adaptive Threshold

bi-adaptive-threshold

基于标准差衡量数据的自然波动幅度，从数值序列中自适应计算阈值，常见场景：

• 异常检测：确定指标波动率的异常阈值
• 影响度判定：确定事件影响度的显著性阈值
• 其他需要从数据分布中推导合理边界的场景

> 适用范围：仅适用于日粒度和周粒度的阈值计算。

执行步骤

1：数据准备

包含时间序列数据的 CSV 文件，至少包含以下两列：

| 列 | 说明 | 示例 | | ------ | -------------------------- | ---------- | | 日期列 | 时间标识 | 日期 | | 数值列 | 需要计算阈值的目标数值序列 | 访问用户数 |

示例：

日期,访问用户数
2025-01-01,10000
2025-01-02,10500
2025-01-03,9800

若上游步骤已产出可用数据文件则直接使用，否则自行取数。默认取近 90 天数据，若可用数据不足 90 天则取全部。

2：执行阈值计算

按以下优先级选择计算方式，命中即停：

方式一：使用脚本

路径： scripts/adaptive_threshold.py

原理：

1. 检查数据量是否充足（即：数据行数 --default-threshold 是数据不足或波动剧烈时的兜底值，调用时应根据指标类型传入不同的值：

> > - 量值指标：默认 10%（即 --default-threshold 0.10） > - 率值指标：根据率值所在区间差异化设置： > - 率值在 [40%, 60%]：±5%（即 --default-threshold 0.05） > - 率值在 [20%, 40%) 或 (60%, 80%]：±3%（即 --default-threshold 0.03） > - 率值在 [0%, 20%) 或 (80%, 100%]：±2%（即 --default-threshold 0.02）

调用示例：

python scripts/adaptive_threshold.py \
  --input-file data.csv \
  --date-col "日期" \
  --metric-col "访问用户数"

输出格式：

# 正常
threshold: 0.14

# 数据不足
threshold: 0.10 (数据不足，使用默认阈值)

# 波动剧烈
threshold: 0.10 (波动剧烈，使用默认阈值)

方式二：自行实现

若脚本不适用于当前场景（如数据结构不匹配、场景特殊、用户有自定义需求等），基于上述核心思想自行实现阈值计算。

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: agentscope-ai
• Source: agentscope-ai/QwenPaw-Data
• License: Apache-2.0

Install and usage instructions live in the source repository linked above.