timeSeriesPredictLinearToGrid

引入版本：v25.6.0 聚合函数，接受以时间戳与值配对形式表示的时间序列数据，基于该数据计算 PromQL-like 线性预测，并在由起始时间戳、结束时间戳和步长定义的规则时间网格上输出带有指定偏移量的预测时间戳。对于网格上的每个点，用于计算 predict_linear 的样本均取自指定时间窗口内。

此函数为 Experimental，需通过设置 allow_experimental_ts_to_grid_aggregate_function=true 来启用。

语法

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

参数

start_timestamp — 指定网格的起始时间。 - end_timestamp — 指定网格的结束时间。 - grid_step — 指定网格步长 (以秒为单位) 。 - staleness — 指定纳入考虑的样本允许的最大“陈旧时间” (以秒为单位) 。陈旧时间窗口为左开右闭区间。 - predict_offset — 指定要加到预测时间上的偏移秒数。

参数

timestamp — 样本对应的时间戳。可以是单个值或数组。 - value — 与该时间戳对应的时间序列值。可以是单个值或数组。

返回值 指定网格上的 predict_linear 配置值，以 Array(Nullable(Float64)) 形式返回。返回的数组中每个时间网格点对应一个值。若某个网格点在窗口内的样本数量不足以计算速率值，则该值为 NULL。示例 在网格 [90, 105, 120, 135, 150, 165, 180, 195, 210] 上计算 predict_linear 值，偏移量为 60 秒

Query

WITH
    -- 注意：140 和 190 之间的间隔用于展示如何根据 window 参数为 ts = 150、165、180 填充值
    [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, -- 与上述时间戳对应的值数组
    90 AS start_ts,       -- 时间戳网格的起始点
    90 + 120 AS end_ts,   -- 时间戳网格的结束点
    15 AS step_seconds,   -- 时间戳网格的步长
    45 AS window_seconds, -- "staleness" 窗口
    60 AS predict_offset  -- 预测时间偏移量
SELECT timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamp, value)
FROM
(
    -- 此子查询将时间戳数组和值数组转换为 `timestamp`、`value` 行
    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]                                                            │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

使用数组参数的相同查询

Query

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]                                                            │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

​timeSeriesPredictLinearToGrid

timeSeriesPredictLinearToGrid