近日，广东省华南前沿科学研究院的研究人员完成了一项重要研究，并在《Computers, Materials & Continua》期刊上发表了论文，题为《TRLLD: Load Level Detection Algorithm Based on Threshold Recognition for Load Time Series》。该论文提出了一种基于阈值识别的负载水平检测算法（TRLLD），旨在解决现有负载时间序列分析中对样本整体特征的不足解释问题。

研究表明，传统方法在处理具有不同特征（趋势、季节性、周期性）的样本时，负载水平检测结论存在显著差异。TRLLD算法通过样本特征有效识别不同负载水平区域，能够适应任意大小和分布类型的样本。该算法利用基于差异的密度均匀性指数（DUID）、高负载水平集中度（HLLC）和低负载水平集中度（LLLC）对样本特征进行评估，从而确保分析的高效率和强解释性。

实验结果显示，TRLLD算法在16组具有不同负载特征的时间序列样本中，能够有效识别高负载和低负载区域，且DUID与样本密度分布均匀性的相关性高达98.08%。在引入10% MAD强度噪声的情况下，最大相对误差仅为4.72%，展现出较高的鲁棒性，尤其在一般和低样本场景中具有显著优势。

该研究成果为负载时间序列分析提供了新的方法论，具有重要的应用价值和广阔的推广前景。

本研究于2025年4月正式发表，所选期刊被Scopus（Q1）和SCIE（Q3）收录，为负荷时间序列的自动化、特征自适应和量化分析提供了重要的理论基础和实践指导，标志着我院在智能分析领域的又一重要进展。