timeSeriesPredictLinearToGrid

도입된 버전: v25.6

타임스탬프와 값 쌍으로 된 시계열 데이터를 입력으로 받아, 시작 타임스탬프, 종료 타임스탬프, 스텝으로 정의되는 균일한 시간 그리드 상에서 지정된 예측 타임스탬프 오프셋을 기준으로 PromQL 유사 선형 예측을 계산하는 집계 함수입니다. 그리드의 각 지점에 대해 predict_linear 계산에 사용되는 샘플은 지정된 시간 윈도우 내의 데이터만 고려됩니다.

참고

이 함수는 실험적 기능이므로, allow_experimental_ts_to_grid_aggregate_function=true를 설정하여 활성화해야 합니다.

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 간격(초 단위)을 지정합니다. - staleness — 고려되는 샘플의 최대 「staleness」(초 단위)을 지정합니다. staleness 윈도우는 왼쪽이 열린 구간이고 오른쪽이 닫힌 구간인 구간입니다. - predict_offset — 예측 시간에 더할 오프셋(초)을 지정합니다.

인수

timestamp — 샘플의 타임스탬프입니다. 개별 값이나 배열일 수 있습니다. - value — 타임스탬프에 해당하는 시계열 값입니다. 개별 값이나 배열일 수 있습니다.

반환 값

지정된 그리드에서의 predict_linear 값을 Array(Nullable(Float64))로 반환합니다. 반환되는 배열에는 각 시간 그리드 포인트마다 하나의 값이 포함됩니다. 특정 그리드 포인트에 대해 윈도우 내에 rate 값을 계산할 만큼 충분한 샘플이 없는 경우, 해당 값은 NULL입니다.

예시

60초 오프셋을 사용하여 [90, 105, 120, 135, 150, 165, 180, 195, 210] 그리드에서 predict_linear 값을 계산합니다.

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

배열 인자를 사용하는 동일한 쿼리

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