timeSeriesPredictLinearToGrid

도입 버전: v25.6.0 시계열 데이터를 타임스탬프와 값의 쌍으로 입력받아, 시작 타임스탬프, 종료 타임스탬프, 간격으로 정의된 정규 시간 그리드 상에서 지정된 예측 타임스탬프 오프셋을 기반으로 PromQL 유사 선형 예측을 계산하는 집계 함수입니다. 그리드의 각 지점에서 predict_linear 계산에 사용되는 샘플은 지정된 시간 윈도우 내에서 선택됩니다.

이 함수는 실험적 기능입니다. allow_experimental_ts_to_grid_aggregate_function=true를 설정하여 활성화하십시오.

구문

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

매개변수

start_timestamp — 그리드의 시작을 지정합니다. - end_timestamp — 그리드의 끝을 지정합니다. - grid_step — 그리드의 간격을 초 단위로 지정합니다. - staleness — 고려할 샘플의 최대 “staleness”를 초 단위로 지정합니다. staleness 윈도우는 왼쪽이 열린 구간이고 오른쪽이 닫힌 구간입니다. - predict_offset — 예측 시간에 더할 offset의 초 수를 지정합니다.

인수

timestamp — 샘플의 타임스탬프입니다. 개별 값이거나 배열일 수 있습니다. - value — 해당 타임스탬프에 대응하는 시계열 값입니다. 개별 값이거나 배열일 수 있습니다.

반환 값 지정된 그리드에서의 predict_linear 값을 Array(Nullable(Float64)) 형태로 반환합니다. 반환된 배열에는 각 시간 그리드 포인트마다 값이 하나씩 포함됩니다. 특정 그리드 포인트의 비율 값을 계산하기에 윈도우 내 샘플 수가 충분하지 않은 경우, 해당 값은 NULL입니다. 예시 60초 OFFSET을 적용하여 그리드 [90, 105, 120, 135, 150, 165, 180, 195, 210]에서 predict_linear 값 계산

Query

WITH
    -- 참고: 140과 190 사이의 간격은 window 매개변수에 따라 ts = 150, 165, 180의 값이 어떻게 채워지는지 보여주기 위한 것입니다
    [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, -- 위 타임스탬프에 대응하는 값의 배열
    90 AS start_ts,       -- 타임스탬프 그리드의 시작
    90 + 120 AS end_ts,   -- 타임스탬프 그리드의 끝
    15 AS step_seconds,   -- 타임스탬프 그리드의 간격
    45 AS window_seconds, -- "staleness" 윈도우
    60 AS predict_offset  -- 예측 시간 오프셋
SELECT timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamp, value)
FROM
(
    -- 이 서브쿼리는 타임스탬프와 값의 배열을 `timestamp`, `value` 행으로 변환합니다
    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]                                                            │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

배열 인수를 사용한 동일한 쿼리

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