> ## Documentation Index > Fetch the complete documentation index at: https://private-7c7dfe99-parallel-read-in-order-multi-part.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. > Função de agregação que calcula uma previsão linear no estilo do PromQL sobre dados de séries temporais na grade especificada. # timeSeriesPredictLinearToGrid ## timeSeriesPredictLinearToGrid Introduzida em: v25.6.0 Função de agregação que recebe dados de séries temporais como pares de timestamps e valores e calcula uma [previsão linear no estilo do PromQL](https://prometheus.io/docs/prometheus/latest/querying/functions/#predict_linear), com um deslocamento de timestamp de previsão especificado, em uma grade temporal regular definida pelo timestamp inicial, pelo timestamp final e pelo passo. Para cada ponto da grade, são consideradas as amostras dentro da janela de tempo especificada para calcular `predict_linear`. As amostras podem ser passadas de uma destas três formas: * como dois argumentos, `timestamp` e `value`, em que cada linha contém uma única amostra; * como dois arrays de timestamps e valores, em que cada linha contém uma série temporal completa; * como um único array de tuplas `(timestamp, value)`, em que cada linha contém uma série temporal completa. Se várias amostras tiverem o mesmo timestamp, apenas uma delas será usada: a amostra com o maior valor. Um valor NaN perde para qualquer outro valor, portanto, um valor NaN é usado somente se todas as amostras nesse timestamp forem NaN. Esta função está em prévia privada. Para habilitá-la, defina `enable_time_series_aggregate_functions=true`. **Sintaxe** ```sql theme={null} timeSeriesPredictLinearToGrid(start_timestamp, end_timestamp, grid_step, staleness, predict_offset)(timestamp, value) timeSeriesPredictLinearToGrid(start_timestamp, end_timestamp, grid_step, staleness, predict_offset)(samples) ``` **Parâmetros** * `start_timestamp` — Especifica o início da grade. Quando recebe um argumento de timestamp `DateTime64`, também pode ser um número fracionário ou uma string que contenha um número ou texto de data e hora. [`UInt32`](/pt-BR/reference/data-types/int-uint) ou [`DateTime`](/pt-BR/reference/data-types/datetime) ou [`DateTime64`](/pt-BR/reference/data-types/datetime64) ou [`Float*`](/pt-BR/reference/data-types/float) ou [`Decimal*`](/pt-BR/reference/data-types/decimal) ou [`String`](/pt-BR/reference/data-types/string) * `end_timestamp` — Especifica o fim da grade. Quando recebe um argumento de timestamp `DateTime64`, também pode ser um número fracionário ou uma string que contenha um número ou texto de data e hora. [`UInt32`](/pt-BR/reference/data-types/int-uint) ou [`DateTime`](/pt-BR/reference/data-types/datetime) ou [`DateTime64`](/pt-BR/reference/data-types/datetime64) ou [`Float*`](/pt-BR/reference/data-types/float) ou [`Decimal*`](/pt-BR/reference/data-types/decimal) ou [`String`](/pt-BR/reference/data-types/string) * `grid_step` — Especifica o passo da grade em segundos. Quando recebe um argumento de timestamp `DateTime64`, também pode ser um número fracionário ou uma string que contenha um número ou uma duração como '15s' ou '1m'. [`UInt32`](/pt-BR/reference/data-types/int-uint) ou [`Float*`](/pt-BR/reference/data-types/float) ou [`Decimal*`](/pt-BR/reference/data-types/decimal) ou [`String`](/pt-BR/reference/data-types/string) * `staleness` — Especifica a defasagem máxima, em segundos, das amostras consideradas. A janela de defasagem é um intervalo aberto à esquerda e fechado à direita. Quando recebe um argumento de timestamp `DateTime64`, também pode ser um número fracionário ou uma string que contenha um número ou uma duração como '15s' ou '1m'. [`UInt32`](/pt-BR/reference/data-types/int-uint) ou [`Float*`](/pt-BR/reference/data-types/float) ou [`Decimal*`](/pt-BR/reference/data-types/decimal) ou [`String`](/pt-BR/reference/data-types/string) * `predict_offset` — Especifica o número de segundos de deslocamento a adicionar ao instante da previsão. [`UInt32`](/pt-BR/reference/data-types/int-uint) ou [`Float*`](/pt-BR/reference/data-types/float) ou [`Decimal*`](/pt-BR/reference/data-types/decimal) ou [`String`](/pt-BR/reference/data-types/string) **Argumentos** * `timestamp` — Timestamp da amostra. Pode ser um valor individual ou um array. [`UInt32`](/pt-BR/reference/data-types/int-uint) ou [`DateTime`](/pt-BR/reference/data-types/datetime) ou [`DateTime64`](/pt-BR/reference/data-types/datetime64) ou [`Array(UInt32)`](/pt-BR/reference/data-types/array) ou [`Array(DateTime)`](/pt-BR/reference/data-types/array) ou [`Array(DateTime64)`](/pt-BR/reference/data-types/array) * `value` — Valor da série temporal correspondente ao timestamp. Pode ser um valor individual ou um array. [`Float*`](/pt-BR/reference/data-types/float) ou [`Array(Float*)`](/pt-BR/reference/data-types/array) * `samples` — Amostras da série temporal passadas como um array de tuplas `(timestamp, value)`, em que os elementos da tupla têm os tipos de timestamp e valor listados acima. Uma alternativa a passar os timestamps e os valores como dois argumentos separados. [`Array(Tuple(T1, T2))`](/pt-BR/reference/data-types/array) **Valor retornado** Valores de `predict_linear` na grade especificada como um `Array(Nullable(Float64))`. O array retornado contém um valor para cada ponto da grade temporal. O valor será NULL se não houver amostras suficientes dentro da janela para calcular o valor da taxa para determinado ponto da grade. **Exemplos** **Calcule valores de predict\_linear na grade \[90, 105, 120, 135, 150, 165, 180, 195, 210] com um deslocamento de 60 segundos** ```sql title=Query theme={null} 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 title=Response theme={null} ┌─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] │ └─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘ ``` **Mesma consulta com argumentos de array** ```sql title=Query theme={null} 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 title=Response theme={null} ┌─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] │ └───────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘ ```