timeSeriesPredictLinearToGrid

Introduite dans : v25.6.0 Fonction d’agrégation qui prend des données de séries temporelles sous forme de paires d’horodatages et de valeurs, et calcule, à partir de ces données, une prédiction linéaire de type PromQL à un horodatage de prédiction spécifié, sur une grille temporelle régulière définie par un horodatage de début, un horodatage de fin et un pas. Pour chaque point de la grille, les échantillons utilisés pour calculer predict_linear sont pris en compte dans la fenêtre temporelle spécifiée.

Cette fonction est expérimentale. Activez-la en définissant allow_experimental_time_series_aggregate_functions=true.

Syntaxe

timeSeriesPredictLinearToGrid(start_timestamp, end_timestamp, grid_step, staleness, predict_offset)(timestamp, value)

Paramètres

start_timestamp — Spécifie le début de la grille. Avec un argument d’horodatage DateTime64, peut également être un nombre fractionnaire ou une chaîne contenant un nombre ou une date et une heure au format texte. UInt32 ou DateTime ou DateTime64 ou Float* ou Decimal* ou String
end_timestamp — Spécifie la fin de la grille. Avec un argument d’horodatage DateTime64, peut également être un nombre fractionnaire ou une chaîne contenant un nombre ou une date et une heure au format texte. UInt32 ou DateTime ou DateTime64 ou Float* ou Decimal* ou String
grid_step — Spécifie le pas de la grille en secondes. Avec un argument d’horodatage DateTime64, peut également être un nombre fractionnaire ou une chaîne contenant un nombre ou une durée telle que ’15s’ ou ‘1m’. UInt32 ou Float* ou Decimal* ou String
staleness — Spécifie l’« obsolescence » maximale, en secondes, des échantillons pris en compte. La fenêtre d’obsolescence est un intervalle ouvert à gauche et fermé à droite. Avec un argument d’horodatage DateTime64, peut également être un nombre fractionnaire ou une chaîne contenant un nombre ou une durée telle que ’15s’ ou ‘1m’. UInt32 ou Float* ou Decimal* ou String
predict_offset — Spécifie le nombre de secondes de décalage à ajouter à l’heure de prédiction. UInt32 ou Float* ou Decimal* ou String

Arguments

timestamp — Horodatage de l’échantillon. Peut être une valeur individuelle ou un tableau. - value — Valeur de la série chronologique correspondant à l’horodatage. Peut être une valeur individuelle ou un tableau.

Valeur renvoyée Valeurs predict_linear sur la grille spécifiée sous la forme d’un Array(Nullable(Float64)). Le tableau renvoyé contient une valeur pour chaque point de la grille temporelle. La valeur est NULL lorsqu’il n’y a pas suffisamment d’échantillons dans la fenêtre pour calculer la valeur du taux pour un point de grille donné. Exemples Calculer les valeurs predict_linear sur la grille [90, 105, 120, 135, 150, 165, 180, 195, 210] avec un décalage de 60 secondes

Query

SET allow_experimental_time_series_aggregate_functions = 1;
WITH
    -- NOTE: the gap between 140 and 190 is to show how values are filled for ts = 150, 165, 180 according to window parameter
    [110, 120, 130, 140, 190, 200, 210, 220, 230]::Array(DateTime) AS timestamps,
    [1, 1, 3, 4, 5, 5, 8, 12, 13]::Array(Float32) AS values, -- array of values corresponding to timestamps above
    90 AS start_ts,       -- start of timestamp grid
    90 + 120 AS end_ts,   -- end of timestamp grid
    15 AS step_seconds,   -- step of timestamp grid
    45 AS window_seconds, -- "staleness" window
    60 AS predict_offset  -- prediction time offset
SELECT timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamp, value)
FROM
(
    -- This subquery converts arrays of timestamps and values into rows of `timestamp`, `value`
    SELECT
        arrayJoin(arrayZip(timestamps, values)) AS ts_and_val,
        ts_and_val.1 AS timestamp,
        ts_and_val.2 AS value
);

Response

┌─timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamp, value)─┐
│ [NULL,NULL,1,9.166667,11.6,16.916666,NULL,NULL,16.5]                                                            │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

Même requête avec des arguments de type tableau

Query

SET allow_experimental_time_series_aggregate_functions = 1;
WITH
    [110, 120, 130, 140, 190, 200, 210, 220, 230]::Array(DateTime) AS timestamps,
    [1, 1, 3, 4, 5, 5, 8, 12, 13]::Array(Float32) AS values,
    90 AS start_ts,
    90 + 120 AS end_ts,
    15 AS step_seconds,
    45 AS window_seconds,
    60 AS predict_offset
SELECT timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamps, values);

Response

┌─timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamp, value)─┐
│ [NULL,NULL,1,9.166667,11.6,16.916666,NULL,NULL,16.5]                                                            │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

Référence SQL

Types de données

Moteurs

Fonctions

Formats

Interfaces

Paramètres

Tables système

Lacs de données

timeSeriesPredictLinearToGrid

timeSeriesPredictLinearToGrid

​timeSeriesPredictLinearToGrid

timeSeriesPredictLinearToGrid