timeSeriesPredictLinearToGrid

Introducida en: v25.6.0 Función de agregación que toma datos de series temporales como pares de marcas de tiempo y valores, y calcula una predicción lineal similar a PromQL con un desplazamiento de marca de tiempo de predicción especificado a partir de estos datos, sobre una cuadrícula temporal regular definida por una marca de tiempo de inicio, una de finalización y un paso. Para cada punto de la cuadrícula, se consideran las muestras dentro de la ventana de tiempo especificada para calcular predict_linear. Las muestras se pueden pasar de una de estas tres formas:

como dos argumentos, timestamp y value, donde cada fila contiene una sola muestra;
como dos arrays de marcas de tiempo y valores, donde cada fila contiene una serie temporal completa;
como un único array de tuplas (timestamp, value), donde cada fila contiene una serie temporal completa.

Si varias muestras tienen la misma marca de tiempo, solo se utiliza una de ellas: la muestra con el valor más alto. Un valor NaN pierde frente a cualquier otro valor, por lo que solo se utiliza un valor NaN si todas las muestras en esta marca de tiempo son NaN.

Esta función está en private preview; actívela configurando enable_time_series_aggregate_functions=true.

Sintaxis

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

Parámetros

start_timestamp — Especifica el inicio de la cuadrícula. Con un argumento de marca de tiempo DateTime64, también puede ser un número fraccionario o una cadena que contenga un número o texto de fecha y hora. UInt32 o DateTime o DateTime64 o Float* o Decimal* o String
end_timestamp — Especifica el final de la cuadrícula. Con un argumento de marca de tiempo DateTime64, también puede ser un número fraccionario o una cadena que contenga un número o texto de fecha y hora. UInt32 o DateTime o DateTime64 o Float* o Decimal* o String
grid_step — Especifica el intervalo de la cuadrícula en segundos. Con un argumento de marca de tiempo DateTime64, también puede ser un número fraccionario o una cadena que contenga un número o una duración como ’15s’ o ‘1m’. UInt32 o Float* o Decimal* o String
staleness — Especifica la “antigüedad” máxima, en segundos, de las muestras consideradas. La ventana de antigüedad es un intervalo abierto por la izquierda y cerrado por la derecha. Con un argumento de marca de tiempo DateTime64, también puede ser un número fraccionario o una cadena que contenga un número o una duración como ’15s’ o ‘1m’. UInt32 o Float* o Decimal* o String
predict_offset — Especifica el número de segundos de desplazamiento que se añadirán al tiempo de predicción. UInt32 o Float* o Decimal* o String

Argumentos

timestamp — Marca de tiempo de la muestra. Puede tratarse de valores individuales o de arrays. UInt32 o DateTime o DateTime64 o Array(UInt32) o Array(DateTime) o Array(DateTime64)
value — Valor de la serie temporal correspondiente a la marca de tiempo. Puede tratarse de valores individuales o de arrays. Float* o Array(Float*)
samples — Muestras de la serie temporal pasadas como un array de tuplas (timestamp, value), donde los elementos de la tupla tienen los tipos de marca de tiempo y de valor indicados anteriormente. Es una alternativa a pasar las marcas de tiempo y los valores como dos argumentos separados. Array(Tuple(T1, T2))

Valor devuelto Valores de predict_linear en la cuadrícula especificada, como Array(Nullable(Float64)). El array devuelto contiene un valor por cada punto de la cuadrícula temporal. El valor es NULL si no hay suficientes muestras dentro de la ventana para calcular el valor del rate en un punto concreto de la cuadrícula. Ejemplos Calcular los valores de predict_linear en la cuadrícula [90, 105, 120, 135, 150, 165, 180, 195, 210] con un desplazamiento de 60 segundos

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

Misma consulta con argumentos de tipo array

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

Referencia de SQL

Tipos de datos

Motores

Funciones

Formatos

Configuración

Tablas del sistema

Lagos de datos

timeSeriesPredictLinearToGrid

timeSeriesPredictLinearToGrid

​timeSeriesPredictLinearToGrid

timeSeriesPredictLinearToGrid