我认为基于傅立叶的频谱分析可能不是为您提供有关该随机服务使用数据的必要和有用信息的最佳（最合适）方法。

相反，我建议您使用统计数据分析方法。这些方法是用于通过收集使用数据并计算结果统计数据来分析用户行为的主要工具。

创建相关的随机变量并估计其相关的概率密度函数将允许您制定平均数量，例如两次连续登录之间的预期天数（或小时数）、预期的最大使用天数（或一天中的小时数）、最低使用量等，因此使您能够根据它们优化资源利用率。

如果我必须解决您的问题，我会按照 FAT32 的建议在使用 FFT 之前使用统计方法。以下是我的建议，可能会让您对应用程序的使用有更有意义的见解。

1. 每次用户打开应用程序时，测量上次使用之间的时间差。
2. 将时间增量保存在可用于分析的地方（如数据库）。
3. 找到您的最大/最小值并创建等分的价值范围。例如（0 到 6 小时、6 到 12 小时等）
4. 对于适合其中的每个测量，将 1 添加到每个 bin。然后从中生成直方图。

您将获得更有意义的使用分布，并且您可能会发现一些趋势。这是结果的样子。

当然，您必须通过调整间隔来调整您的测量技术以获得良好的分辨率。删除不稳定数据等的最小值和最大值

你甚至可以做同样的练习来衡量你的应用程序的使用时间（从打开到关闭）。

好吧，你明白了希望有帮助的想法。