timeSeriesPredictLinearToGrid

Добавленный в: v25.6.0 Агрегатная функция, принимающая данные временных рядов в виде пар из временных меток и значений и вычисляющая линейный прогноз в стиле PromQL с заданным смещением временной метки прогноза относительно этих данных на регулярной временной сетке, заданной начальной временной меткой, конечной временной меткой и шагом. Для каждой точки сетки выборки для вычисления predict_linear учитываются в пределах указанного временного окна.

Эта функция является экспериментальной; чтобы включить её, задайте allow_experimental_ts_to_grid_aggregate_function=true.

Синтаксис

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

Параметры

start_timestamp — Указывает начало сетки. - end_timestamp — Указывает конец сетки. - grid_step — Указывает шаг сетки в секундах. - staleness — Указывает максимально допустимое “устаревание” рассматриваемых выборок в секундах. Окно устаревания — это интервал, открытый слева и закрытый справа. - predict_offset — Указывает количество секунд смещения, добавляемого ко времени прогноза.

Аргументы

timestamp — Временная метка выборки. Может быть отдельным значением или массивом. - value — Значение временного ряда, соответствующее временной метке. Может быть отдельным значением или массивом.

Возвращаемое значение Значения predict_linear на указанной сетке в виде Array(Nullable(Float64)). Возвращаемый массив содержит по одному значению для каждой точки временной сетки. Значение равно NULL, если в пределах окна недостаточно выборок для вычисления значения скорости для данной точки сетки. Примеры Вычислить значения predict_linear на сетке [90, 105, 120, 135, 150, 165, 180, 195, 210] со смещением 60 секунд

Query

WITH
    -- ПРИМЕЧАНИЕ: промежуток между 140 и 190 показывает, как заполняются значения для ts = 150, 165, 180 в соответствии с параметром window
    [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, -- массив значений, соответствующих временным меткам выше
    90 AS start_ts,       -- начало сетки временных меток
    90 + 120 AS end_ts,   -- конец сетки временных меток
    15 AS step_seconds,   -- шаг сетки временных меток
    45 AS window_seconds, -- окно «устаревания»
    60 AS predict_offset  -- смещение времени прогноза
SELECT timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamp, value)
FROM
(
    -- Этот подзапрос преобразует массивы временных меток и значений в строки `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,1,9.166667,11.6,16.916666,NULL,NULL,16.5]                                                            │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

Тот же запрос с аргументами-массивами

Query

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)(timestamp, value)─┐
│ [NULL,NULL,1,9.166667,11.6,16.916666,NULL,NULL,16.5]                                                            │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

​timeSeriesPredictLinearToGrid

timeSeriesPredictLinearToGrid