timeSeriesPredictLinearToGrid

用于在指定网格上对时间序列数据执行类似 PromQL 的线性预测的聚合函数。

​

timeSeriesPredictLinearToGrid

引入版本：v25.6.0

此聚合函数接受由时间戳和值组成的时间序列数据对，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，基于这些数据计算具有指定预测时间戳偏移量的类似 PromQL 的线性预测。对于网格上的每个点，用于计算 predict_linear 的样本取自指定时间窗口内。

样本可以通过以下三种形式传入：

• 作为两个参数 timestamp 和 value，其中每行包含一个样本；
• 作为两个时间戳和值数组，其中每行包含一个完整的时间序列；
• 作为由 (timestamp, value) 元组构成的单个数组，其中每行包含一个完整的时间序列。

如果多个样本具有相同的时间戳，则仅使用其中值最大的一个。NaN 值会被任何其他值优先选用，因此只有当该时间戳的所有样本均为 NaN 时，才会使用 NaN 值。

此函数处于私有预览阶段，请设置 enable_time_series_aggregate_functions=true 以启用。

语法

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

参数

• start_timestamp — 指定网格的起始时间。使用 DateTime64 时间戳参数时，也可以是小数，或包含数字或日期时间文本的字符串。UInt32 或 DateTime 或 DateTime64 或 Float* 或 Decimal* 或 String
• end_timestamp — 指定网格的结束时间。使用 DateTime64 时间戳参数时，也可以是小数，或包含数字或日期时间文本的字符串。UInt32 或 DateTime 或 DateTime64 或 Float* 或 Decimal* 或 String
• grid_step — 指定网格的步长 (以秒为单位) 。使用 DateTime64 时间戳参数时，也可以是小数，或包含数字或如 ’15s’、‘1m’ 等时长的字符串。UInt32 或 Float* 或 Decimal* 或 String
• staleness — 指定所考虑样本的最大”陈旧度” (以秒为单位) 。陈旧度窗口为左开右闭区间。使用 DateTime64 时间戳参数时，也可以是小数，或包含数字或如 ’15s’、‘1m’ 等时长的字符串。UInt32 或 Float* 或 Decimal* 或 String
• predict_offset — 指定要加到预测时间上的偏移秒数。UInt32 或 Float* 或 Decimal* 或 String

参数

• timestamp — 样本的时间戳。可以是单个值或数组。UInt32 或 DateTime 或 DateTime64 或 Array(UInt32) 或 Array(DateTime) 或 Array(DateTime64)
• value — 与时间戳对应的时间序列值。可以是单个值或数组。Float* 或 Array(Float*)
• samples — 以元组数组 (timestamp, value) 的形式传递的时间序列样本，其中元组元素的类型为上面列出的时间戳和值类型。这是将时间戳和值作为两个单独参数传递的替代方式。Array(Tuple(T1, T2))

返回值

指定网格上的 predict_linear 值，以 Array(Nullable(Float64)) 形式返回。返回数组在每个时间网格点包含一个值。如果窗口内没有足够的样本来计算某个网格点的速率值，则该值为 NULL。

示例

计算网格 [90, 105, 120, 135, 150, 165, 180, 195, 210] 上偏移 60 秒的 predict_linear 值

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

使用数组参数的相同查询

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