本文介绍一种基于相邻元素差值判断的动态分组方法，用于将有序数组按 estimated_stay_time 的增量范围（如 100000）进行连续聚类，严格保持 detected_time 的原始顺序，且仅向前合并、不回溯。
本文介绍一种基于相邻元素差值判断的动态分组方法，用于将有序数组按 `estimated_stay_time` 的增量范围（如 100000）进行连续聚类，严格保持 `detected_time` 的原始顺序，且仅向前合并、不回溯。
在实际业务场景中（如设备停留时长分析、传感器事件聚合），我们常需对时间序列数据进行“有约束的分组”：既要满足数值范围条件（如相邻项 estimated_stay_time 差值 ≤ extension_window），又必须严格遵循原始时间顺序（detected_time 递增），禁止跨序重排或向后回溯归并。这不同于常规的 groupBy 或哈希分桶，而是一种顺序敏感的贪心聚类（greedy sequential clustering）。
核心逻辑如下：
- 遍历数组，对每个元素计算其与前一项 estimated_stay_time 的差值（delta）；
- 若为首个元素（i === 0）、差值为负（时间倒退，异常但需容错）、或差值超过 extension_window（超出允许波动范围），则开启新分组；
- 否则，将当前元素追加至上一个分组末尾；
- 始终只依赖前一项状态，确保 O(n) 时间复杂度与单次遍历完成。
以下是完整可运行的实现代码：
const data = [
{ detected_time: 1, estimated_stay_time: 300, extension_window: 100000 },
{ detected_time: 2, estimated_stay_time: 330000, extension_window: 100000 },
{ detected_time: 3, estimated_stay_time: 130000, extension_window: 100000 },
{ detected_time: 4, estimated_stay_time: 150000, extension_window: 100000 },
{ detected_time: 5, estimated_stay_time: 3000, extension_window: 100000 },
{ detected_time: 6, estimated_stay_time: 591988, extension_window: 100000 },
{ detected_time: 7, estimated_stay_time: 663913, extension_window: 100000 }
];
const groupByTimeRange = (arr, windowKey = 'extension_window') => {
return arr.reduce((groups, item, index, array) => {
const prevItem = array[index - 1];
const delta = item.estimated_stay_time - (prevItem?.estimated_stay_time ?? 0);
const threshold = item[windowKey] ?? 100000;
if (index === 0 || delta threshold) {
groups.push([item]);
} else {
groups[groups.length - 1].push(item);
}
return groups;
}, []);
};
const result = groupByTimeRange(data);
console.log(JSON.stringify(result, null, 2));
✅ 关键特性说明：
- ✅ 顺序不可逆：完全尊重 detected_time 的输入顺序，不排序、不索引重映射；
- ✅ 前向单向合并：仅当当前项与前一项满足 delta ≤ extension_window 时才合并，绝不检查后续项或回填前组；
- ✅ 鲁棒性设计：自动处理首项初始化、负差值（数据异常）、extension_window 缺失等边界情况；
- ✅ 灵活扩展：可通过 windowKey 参数动态指定阈值字段（如支持不同 item 使用不同窗口）。
⚠️ 注意事项：
- 该算法假设 estimated_stay_time 具有业务语义上的“趋势性”，若存在大量随机跳变，分组结果可能较碎；此时建议先做轻量平滑或异常值过滤；
- extension_window 是每个 item 独立生效的阈值（非全局统一值），符合题设中各对象自带 extension_window: 100000 的设计；
- 如需改为“以首项为基准的固定区间分桶”（如 [0,100000), [100000,200000)...），应使用 Math.floor(item.estimated_stay_time / 100000) 分组，而非本方案。
此方法兼顾性能、可读性与业务准确性，是处理带时序约束的动态区间聚类问题的推荐实践。
