Skip to content
ClickHouse Docs
ClickHouse DocsClickHouse Docs
49.6kGet Started

timeSeriesPredictLinearToGrid

View as MarkdownEdit this pageReport an issueSet up docs MCP

timeSeriesPredictLinearToGrid

Introduite dans : v25.6.0

Fonction d’agrégation qui prend des données de séries temporelles sous forme de paires d’horodatages et de valeurs, et calcule, à partir de ces données, une prédiction linéaire de type PromQL à un horodatage de prédiction spécifié, sur une grille temporelle régulière définie par un horodatage de début, un horodatage de fin et un pas. Pour chaque point de la grille, les échantillons utilisés pour calculer predict_linear sont pris en compte dans la fenêtre temporelle spécifiée.

Si plusieurs échantillons ont le même horodatage, un seul est utilisé : celui dont la valeur est la plus élevée. Une valeur NaN est écartée au profit de toute autre valeur ; elle n’est donc utilisée que si tous les échantillons associés à cet horodatage sont NaN.

Syntaxe

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

Paramètres

  • start_timestamp — Spécifie le début de la grille. Avec un argument d’horodatage DateTime64, peut également être un nombre fractionnaire ou une chaîne contenant un nombre ou une date et une heure au format texte. UInt32 ou DateTime ou DateTime64 ou Float* ou Decimal* ou String
  • end_timestamp — Spécifie la fin de la grille. Avec un argument d’horodatage DateTime64, peut également être un nombre fractionnaire ou une chaîne contenant un nombre ou une date et une heure au format texte. UInt32 ou DateTime ou DateTime64 ou Float* ou Decimal* ou String
  • grid_step — Spécifie le pas de la grille en secondes. Avec un argument d’horodatage DateTime64, peut également être un nombre fractionnaire ou une chaîne contenant un nombre ou une durée telle que '15s' ou '1m'. UInt32 ou Float* ou Decimal* ou String
  • staleness — Spécifie l’« obsolescence » maximale, en secondes, des échantillons pris en compte. La fenêtre d’obsolescence est un intervalle ouvert à gauche et fermé à droite. Avec un argument d’horodatage DateTime64, peut également être un nombre fractionnaire ou une chaîne contenant un nombre ou une durée telle que '15s' ou '1m'. UInt32 ou Float* ou Decimal* ou String
  • predict_offset — Spécifie le nombre de secondes de décalage à ajouter à l’heure de prédiction. UInt32 ou Float* ou Decimal* ou String

Arguments

  • timestamp — Horodatage de l’échantillon. Peut être une valeur individuelle ou un tableau. - value — Valeur de la série chronologique correspondant à l’horodatage. Peut être une valeur individuelle ou un tableau.

Valeur renvoyée

Valeurs predict_linear sur la grille spécifiée sous la forme d’un Array(Nullable(Float64)). Le tableau renvoyé contient une valeur pour chaque point de la grille temporelle. La valeur est NULL lorsqu’il n’y a pas suffisamment d’échantillons dans la fenêtre pour calculer la valeur du taux pour un point de grille donné.

Exemples

Calculer les valeurs predict_linear sur la grille [90, 105, 120, 135, 150, 165, 180, 195, 210] avec un décalage de 60 secondes

SET allow_experimental_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
);
┌─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]                                                                 │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

Même requête avec des arguments de type tableau

SET allow_experimental_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);
┌─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]                                                                   │
└───────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘
Navigation