timeSeriesPredictLinearToGrid

지정된 그리드에서 시계열 데이터에 대한 PromQL 유사 선형 예측을 계산하는 집계 함수입니다.

​

timeSeriesPredictLinearToGrid

도입 버전: v25.6.0

타임스탬프와 값의 쌍으로 이루어진 시계열 데이터를 입력받아, 시작 타임스탬프, 종료 타임스탬프, 간격으로 정의된 정규 시간 그리드에서 지정된 예측 타임스탬프 오프셋에 대한 PromQL 유사 선형 예측을 계산하는 집계 함수입니다. 그리드의 각 지점에서는 지정된 시간 윈도우 내의 샘플을 사용해 predict_linear을 계산합니다.

샘플은 다음 세 가지 형태 중 하나로 전달할 수 있습니다.

• 두 개의 인수 timestamp와 value로 전달하며, 각 행이 단일 샘플을 담는 형태
• 타임스탬프 배열과 값 배열의 두 배열로 전달하며, 각 행이 하나의 시계열 전체를 담는 형태
• (timestamp, value) 튜플의 단일 배열로 전달하며, 각 행이 하나의 시계열 전체를 담는 형태

여러 샘플의 타임스탬프가 같으면 그중 하나만 사용합니다. 즉, 값이 가장 큰 샘플을 사용합니다. NaN 값은 다른 모든 값보다 우선순위가 낮으므로, 해당 타임스탬프의 모든 샘플이 NaN인 경우에만 NaN 값을 사용합니다.

이 함수는 비공개 프리뷰 상태입니다. enable_time_series_aggregate_functions=true를 설정하여 활성화하십시오.

구문

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

매개변수

• start_timestamp — 그리드의 시작점을 지정합니다. DateTime64 타임스탬프 인수의 경우 소수, 숫자 또는 날짜-시간 텍스트를 포함하는 문자열도 사용할 수 있습니다. UInt32 또는 DateTime 또는 DateTime64 또는 Float* 또는 Decimal* 또는 String
• end_timestamp — 그리드의 끝점을 지정합니다. DateTime64 타임스탬프 인수의 경우 소수, 숫자 또는 날짜-시간 텍스트를 포함하는 문자열도 사용할 수 있습니다. UInt32 또는 DateTime 또는 DateTime64 또는 Float* 또는 Decimal* 또는 String
• grid_step — 그리드 간격을 초 단위로 지정합니다. DateTime64 타임스탬프 인수의 경우 소수, 숫자 또는 ‘15s’나 ‘1m’ 같은 기간을 포함하는 문자열도 사용할 수 있습니다. UInt32 또는 Float* 또는 Decimal* 또는 String
• staleness — 고려 대상 샘플의 최대 “staleness”를 초 단위로 지정합니다. staleness 윈도우는 왼쪽이 열린 구간이고 오른쪽이 닫힌 인터벌입니다. DateTime64 타임스탬프 인수의 경우 소수, 숫자 또는 ‘15s’나 ‘1m’ 같은 기간을 포함하는 문자열도 사용할 수 있습니다. UInt32 또는 Float* 또는 Decimal* 또는 String
• predict_offset — 예측 시간에 추가할 오프셋을 초 단위로 지정합니다. UInt32 또는 Float* 또는 Decimal* 또는 String

인수

• timestamp — 샘플의 타임스탬프입니다. 개별 값 또는 배열일 수 있습니다. UInt32 또는 DateTime 또는 DateTime64 또는 Array(UInt32) 또는 Array(DateTime) 또는 Array(DateTime64)
• value — 타임스탬프에 해당하는 시계열의 값입니다. 개별 값 또는 배열일 수 있습니다. Float* 또는 Array(Float*)
• samples — (timestamp, value) 튜플의 배열로 전달되는 시계열의 샘플이며, 튜플 원소는 위에 나열된 타임스탬프 및 값 타입을 가집니다. 타임스탬프와 값을 두 개의 개별 인수로 전달하는 방식을 대체할 수 있습니다. Array(Tuple(T1, T2))

반환 값

지정된 그리드에서의 predict_linear 값을 Array(Nullable(Float64))로 반환합니다. 반환된 배열에는 각 시간 그리드 지점마다 하나의 값이 포함됩니다. 특정 그리드 지점의 rate 값을 계산할 만큼 충분한 샘플이 윈도우 내에 없으면 값은 NULL이 됩니다.

예시

그리드 [90, 105, 120, 135, 150, 165, 180, 195, 210]에서 60초 오프셋으로 predict_linear 값 계산

Query

SET enable_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,1,9.166667,11.6,12.5,NULL,NULL,16.5]                                                                 │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

배열 인수를 사용한 동일한 쿼리

Query

SET enable_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)(timestamps, values)─┐
│ [NULL,NULL,1,9.166667,11.6,12.5,NULL,NULL,16.5]                                                                   │
└───────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘