timeSeriesPredictLinearToGrid

自 v25.6 版本引入

该聚合函数接收由时间戳和值组成的时间序列数据对，并在由起始时间戳、结束时间戳和步长描述的规则时间网格上，计算具有指定预测时间偏移量的类似 PromQL 的线性预测。对于网格上的每个点，用于计算 predict_linear 的样本都限定在指定的时间窗口内。

注意

此函数为实验性功能，可通过将 allow_experimental_ts_to_grid_aggregate_function 设置为 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 — 指定网格的步长（以秒为单位）。 - staleness — 指定所考虑样本的最大“陈旧度”（以秒为单位）。陈旧度窗口是一个左开右闭区间。 - predict_offset — 指定要添加到预测时间的偏移秒数。

参数（函数参数）

timestamp — 样本的时间戳。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 值，类型为 Array(Nullable(Float64))。返回的数组包含每个时间网格点的一个值。如果在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

在网格 [90, 105, 120, 135, 150, 165, 180, 195, 210] 上计算偏移量为 60 秒的 predict_linear 值

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
);

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

相同查询（数组参数版本）

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);

┌─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