极值点识别算法优化计划

问题分析

当前的极值点识别算法使用严格小于(<)的比较，无法识别有相同值相邻的最大值点。用户希望能够识别"最后一个阶段最大值"，即连续相同值区域中的最后一个点或整个数据系列中的最大值区域。

技术实现计划

1. 修改数据处理服务

修改文件：app/services/data_processing_service.py

优化功能：
- 修改identify_local_maxima方法：调整比较逻辑，考虑值相等的情况
- 添加identify_phase_maxima方法：专门用于识别"最后一个阶段最大值"
- 更新analyze_extreme_points方法：使用新的识别逻辑

2. 具体实现细节

优化方案1：修改现有极值点识别算法

• 将比较逻辑从严格小于(<)改为小于等于(<=)
• 确保只选择连续相同值区域中的最后一个点

优化方案2：实现阶段最大值识别

• 识别数据中的连续相同值区域
• 对于每个区域，提取最后一个点作为该阶段的最大值
• 同时保留传统的局部极大值识别

优化方案3：全局最大值增强

• 识别整个数据系列中的全局最大值
• 确保即使在有相同值的情况下也能正确识别

3. 测试与验证

• 测试不同数据模式下的识别效果
• 验证连续相同值区域的处理
• 确保与现有功能的兼容性

预期成果

• 能够正确识别有相同值相邻的最大值点
• 能够识别"最后一个阶段最大值"
• 保持与现有功能的无缝集成
• 提高用户对数据趋势的理解

开发步骤

1. 修改数据处理服务：更新极值点识别算法
2. 测试新算法：验证不同数据模式下的识别效果
3. 更新Streamlit仪表盘：确保新功能正确集成
4. 性能优化：确保大数据集下的处理速度