> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-trino-dialect.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

> 指定したグリッド上で時系列データに対する PromQL 風の線形予測を計算する集約関数。

# timeSeriesPredictLinearToGrid

<div id="timeSeriesPredictLinearToGrid">
  ## timeSeriesPredictLinearToGrid
</div>

導入バージョン: v25.6.0

タイムスタンプと値のペアからなる時系列データを受け取り、開始タイムスタンプ、終了タイムスタンプ、step で定義される規則的な時間グリッド上で、指定した予測タイムスタンプオフセットに対する [PromQL ライクな線形予測](https://prometheus.io/docs/prometheus/latest/querying/functions/#predict_linear)を計算する集約関数です。グリッド上の各ポイントについて、`predict_linear` の計算には指定した時間ウィンドウ内のサンプルが使用されます。

<Note>
  この関数は Experimental です。有効にするには、`allow_experimental_time_series_aggregate_functions=true` を設定してください。
</Note>

**構文**

```sql theme={null}
timeSeriesPredictLinearToGrid(start_timestamp, end_timestamp, grid_step, staleness, predict_offset)(timestamp, value)
```

**パラメータ**

* `start_timestamp` — グリッドの開始時刻を指定します。`DateTime64` タイムスタンプ引数の場合は、小数値、数値を含む文字列、または日時テキストも指定できます。[`UInt32`](/ja/reference/data-types/int-uint)、[`DateTime`](/ja/reference/data-types/datetime)、[`DateTime64`](/ja/reference/data-types/datetime64)、[`Float*`](/ja/reference/data-types/float)、[`Decimal*`](/ja/reference/data-types/decimal)、または [`String`](/ja/reference/data-types/string)
* `end_timestamp` — グリッドの終了時刻を指定します。`DateTime64` タイムスタンプ引数の場合は、小数値、数値を含む文字列、または日時テキストも指定できます。[`UInt32`](/ja/reference/data-types/int-uint)、[`DateTime`](/ja/reference/data-types/datetime)、[`DateTime64`](/ja/reference/data-types/datetime64)、[`Float*`](/ja/reference/data-types/float)、[`Decimal*`](/ja/reference/data-types/decimal)、または [`String`](/ja/reference/data-types/string)
* `grid_step` — グリッドのステップを秒単位で指定します。`DateTime64` タイムスタンプ引数の場合は、小数値、数値を含む文字列、または '15s' や '1m' のような期間も指定できます。[`UInt32`](/ja/reference/data-types/int-uint)、[`Float*`](/ja/reference/data-types/float)、[`Decimal*`](/ja/reference/data-types/decimal)、または [`String`](/ja/reference/data-types/string)
* `staleness` — 対象となるサンプルの最大 staleness を秒単位で指定します。staleness ウィンドウは左開右閉区間です。`DateTime64` タイムスタンプ引数の場合は、小数値、数値を含む文字列、または '15s' や '1m' のような期間も指定できます。[`UInt32`](/ja/reference/data-types/int-uint)、[`Float*`](/ja/reference/data-types/float)、[`Decimal*`](/ja/reference/data-types/decimal)、または [`String`](/ja/reference/data-types/string)
* `predict_offset` — 予測時刻に加算するオフセットの秒数を指定します。[`UInt32`](/ja/reference/data-types/int-uint)、[`Float*`](/ja/reference/data-types/float)、[`Decimal*`](/ja/reference/data-types/decimal)、または [`String`](/ja/reference/data-types/string)

**引数**

* `timestamp` — サンプルのタイムスタンプです。単一の値または配列を指定できます。- `value` — タイムスタンプに対応する時系列の値です。単一の値または配列を指定できます。

**戻り値**

指定したグリッド上の `predict_linear` の値を `Array(Nullable(Float64))` として返します。返される配列には、各時間グリッドポイントに対応する値が 1 つずつ含まれます。特定のグリッドポイントでレート値を計算するのに十分なサンプルがウィンドウ内にない場合、その値は NULL になります。

**例**

**60 秒のオフセットを指定して、グリッド \[90, 105, 120, 135, 150, 165, 180, 195, 210] 上の predict\_linear 値を計算する**

```sql title=Query theme={null}
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 title=Response theme={null}
┌─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]                                                            │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘
```

**Array引数を使用した同じクエリ**

```sql title=Query theme={null}
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 title=Response theme={null}
┌─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]                                                            │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘
```