timeSeriesPredictLinearToGrid

Агрегатная функция, вычисляющая линейный прогноз по данным временных рядов в стиле PromQL на указанной сетке.

​

timeSeriesPredictLinearToGrid

Добавлена в: v25.6.0

Агрегатная функция, которая принимает данные временных рядов в виде пар временных меток и значений и вычисляет линейный прогноз в стиле PromQL по этим данным с указанным смещением временной метки прогноза на регулярной временной сетке, заданной начальной временной меткой, конечной временной меткой и шагом. Для каждой точки сетки образцы для вычисления predict_linear учитываются в пределах указанного временного окна.

Образцы можно передавать в одной из трёх форм:

• в виде двух аргументов timestamp и value, где каждая строка содержит один образец;
• в виде двух массивов временных меток и значений, где каждая строка содержит целый временной ряд;
• в виде одного массива кортежей (timestamp, value), где каждая строка содержит целый временной ряд.

Если несколько образцов имеют одинаковую временную метку, используется только один из них: образец с наибольшим значением. Значение NaN уступает любому другому значению, поэтому значение NaN используется, только если все образцы с этой временной меткой равны NaN.

Эта функция находится в закрытой предварительной версии; включите её, установив enable_time_series_aggregate_functions=true.

Синтаксис

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

Параметры

• start_timestamp — Задаёт начало сетки. Для аргумента временной метки DateTime64 также может быть дробным числом или строкой, содержащей число либо дату и время в текстовом формате. UInt32 или DateTime или DateTime64 или Float* или Decimal* или String
• end_timestamp — Задаёт конец сетки. Для аргумента временной метки DateTime64 также может быть дробным числом или строкой, содержащей число либо дату и время в текстовом формате. UInt32 или DateTime или DateTime64 или Float* или Decimal* или String
• grid_step — Задаёт шаг сетки в секундах. Для аргумента временной метки DateTime64 также может быть дробным числом или строкой, содержащей число либо длительность, например ’15s’ или ‘1m’. UInt32 или Float* или Decimal* или String
• staleness — Задаёт максимальное время устаревания рассматриваемых образцов в секундах. Окно устаревания — это интервал, открытый слева и закрытый справа. Для аргумента временной метки DateTime64 также может быть дробным числом или строкой, содержащей число либо длительность, например ’15s’ или ‘1m’. UInt32 или Float* или Decimal* или String
• predict_offset — Задаёт количество секунд смещения, добавляемого ко времени прогноза. UInt32 или Float* или Decimal* или String

Аргументы

• timestamp — Временная метка отсчёта. Может быть отдельным значением или массивом. UInt32 или DateTime, или DateTime64, или Array(UInt32), или Array(DateTime), или Array(DateTime64)
• value — Значение временного ряда, соответствующее временной метке. Может быть отдельным значением или массивом. Float* или Array(Float*)
• samples — Образцы временного ряда, передаваемые в виде массива кортежей (timestamp, value), где элементы кортежа имеют перечисленные выше типы временной метки и значения. Альтернатива передаче временных меток и значений в виде двух отдельных аргументов. Array(Tuple(T1, T2))

Возвращаемое значение

Значения predict_linear в указанной сетке в виде Array(Nullable(Float64)). Возвращаемый массив содержит по одному значению для каждой точки временной сетки. Значение равно NULL, если в окне недостаточно образцов для вычисления значения скорости для конкретной точки сетки.

Примеры

Вычисление значений predict_linear в сетке [90, 105, 120, 135, 150, 165, 180, 195, 210] со смещением 60 секунд

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

Тот же запрос с аргументами-массивами

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