当时序数据出现明显的断层或均值跳跃时，时序变点检测能帮你找到确切发生的时间。无论是产品改版、市场营销活动还是外部环境干扰，该工具通过识别数据的统计规律变化，自动拆解时序为多个平稳段，并提供前后均值对比，帮你精准定位业务异常或转折的触发点。
理解数据的突变逻辑
业务数据往往不是单一趋势到底的，通过时序变点检测，你可以将长周期的指标拆解为逻辑一致的片段。这种方法将复杂的整体波动，还原为不同阶段的“常态”。
例如，在监测产品 DAU 或转化率时，该工具能自动识别出用户行为模式发生结构性变化的时刻。结合前后段的统计学指标对比，你可以明确看到业务水平在变点前后究竟产生了多大的量级偏移。
基于 PELT 的高效确定性识别
不同于依赖随机抽样的估计算法，时序变点检测采用的是完全确定性的算法架构。这意味着只要输入数据和参数一致，无论运行多少次，你都会得到完全可复现的检测结果。
该方法内置了多种模型选择，包括最基础的均值变化监测，以及针对非参分布特征的核函数模式。这种多维度的支持，确保了在不同业务场景下，无论是处理平稳数据还是带有噪声的异常数据，都能获得稳健的输出。
深入对比变点前后的指标差异
当系统定位到变点后，不仅会返回具体的时间戳，还会自动对变点前后的数据段进行描述统计计算。系统会自动执行 Welch t-test 显著性检验，直接告知你这段变化是否在统计学意义上是显著的。
这一流程省去了手动切割数据、运行统计检验的繁琐步骤。你可以直接获取每个分段的均值、标准差及极值，快速梳理出业务逻辑发生断层的上下文。
1 · Intent → method
An LLM picks ts_detect_changepoint from a fixed catalog.
2 · Method → numbers
Deterministic Python engine runs the math. Same input → same output.
3 · Numbers → plain language
A second LLM translates the result into your domain’s vocabulary.
时序变点检测如何判定一个点是“变点”？
该方法基于 PELT 算法和 BIC 准则，它会尝试将时间序列划分为多个片段。当两个相邻片段在均值或方差上的差异超过了设定的惩罚阈值（即认为变化显著且并非随机波动）时，该点便会被标记为变点。
我可以调整变点检测的敏感度吗？
可以。通过修改惩罚参数（penalty），你可以控制工具对“微小波动”的容忍度。若希望检测出更多细微变化，可降低惩罚值；若只想抓取重大的业务转折，则可提高惩罚值或使用更保守的模式。
Tool 输入字段
Schema for ts_detect_changepoint not exported yet (run pnpm export:registry).