Merge pull request #30361 from taosdata/doc/analysis

doc: update gpt doc.

docs/zh/06-advanced/06-TDgpt/03-preprocess.md

@@ -9,14 +9,14 @@ import wndata from './pic/white-noise-data.png'
 ### 分析流程
 时序数据分析之前需要有预处理的过程，为减轻分析算法的负担，TDgpt 在将时序数据发给具体分析算法进行分析时，已经对数据做了预处理，整体的流程如下图所示。
 
-<img src={activity} width="320" alt="预处理流程" />
+<img src={activity} alt="预处理流程"/>
 
 TDgpt 首先对输入数据进行白噪声检查（White Noise Data check）, 检查通过以后针对预测分析，还要进行输入（历史）数据的重采样和时间戳对齐处理（异常检测跳过数据重采样和时间戳对齐步骤）。
 预处理完成以后，再进行预测或异常检测操作。预处理过程不属于预测或异常检测处理逻辑的一部分。
 
 ### 白噪声检查
 
-<img src={wndata} width="344" alt="white-noise-data"/>
+<img src={wndata} alt="white-noise-data"/>
 
 白噪声时序数据可以简单地认为是随机数构成的时间数据序列（如上图所示的正态分布随机数序列），随机数构成的时间序列没有分析的价值，因此会直接返回。白噪声检查采用经典的 `Ljung-Box` 统计量检验，计算 `Ljung-Box` 统计量需遍历整个输入时间序列。如果用户能够明确输入序列一定不是白噪声序列，那么可以在参数列表中增加参数 `wncheck=0` 强制要求分析平台忽略白噪声检查，从而节省计算资源。
 TDgpt 暂不提供独立的时间序列白噪声检测功能。

docs/zh/06-advanced/06-TDgpt/04-forecast/index.md

@@ -5,7 +5,7 @@ description: 预测算法
 
 import fc_result from '../pic/fc-result.png';
 
-时序数据预测处理以持续一个时间段的时序数据作为输入，预测接下来一个连续时间区间内时间序列数据趋势。用户可以指定输出的（预测）时间序列数据点的数量，因此其输出的结果行数不确定。为此，TDengine 使用新 SQL 函数 `FORECAST` 提供时序数据预测服务。基础数据（用于预测的历史时间序列数据）是该函数的输入，预测结果是该函数的输出。用户可以通过 `FORECAST` 函数调用 Anode 提供的预测算法提供的服务。
+时序数据预测处理以持续一个时间段的时序数据作为输入，预测接下来一个连续时间区间内时间序列数据趋势。用户可以指定输出的（预测）时间序列数据点的数量，因此其输出的结果行数不确定。为此，TDengine 引入新 SQL 函数 `FORECAST` 提供预测分析功能。基础数据（用于预测的历史时间序列数据）是该函数的输入，预测结果是该函数的输出。用户可以通过 `FORECAST` 函数调用 Anode 提供的预测算法提供的服务。预测分析通常只能针对超级表的子表或者不同表中同一个时间序列。
 
 在后续章节中，使用时序数据表 `foo` 作为示例，介绍预测和异常检测算法的使用方式，`foo` 表的模式如下：
 
@@ -62,6 +62,9 @@ algo=expr1
 2. 更改参数 `START`：返回预测结果的起始时间，改变起始时间不会影响返回的预测数值，只影响起始时间。
 3. `EVERY`：可以与输入数据的采样频率不同。采样频率只能低于或等于输入数据采样频率，不能**高于**输入数据的采样频率。
 4. 对于某些不需要计算置信区间的算法，即使指定了置信区间，返回的结果中其上下界退化成为一个点。
+5. rows 的最大输出值是 1024，即只能预测 1024 个值。超过输出范围的参数会被自动设置为 1024。
+6. 预测分析的输入数据行数最大值是 40000 行，即用于预测分析的历史数据不能超过 40000 行。针对部分分析模型，输入限制更严格。
+
 
 ### 示例
 
@@ -136,6 +139,9 @@ res_start_time = 1730000000000
 gen_figure = true
 ```
 
+
+对比程序执行完成以后，会自动生成名称为`fc_result.xlsx` 的文件，第一个卡片是算法运行结果（如下表所示），分别包含了算法名称、执行调用参数、均方误差、执行时间 4 个指标。
+
 | algorithm   | params                                                                    | MSE     | elapsed_time(ms.) |
 | ----------- | ------------------------------------------------------------------------- | ------- | ----------------- |
 | holtwinters | `{"trend":"add", "seasonal":"add"}`                                       | 351.622 | 125.1721          |
@@ -143,5 +149,5 @@ gen_figure = true
 
 如果设置了 `gen_figure` 为 true，分析结果中还会有绘制的分析预测结果图（如下图所示）。
 
-<img src={fc_result} width="360" alt="预测对比结果" />
+<img src={fc_result} alt="预测对比结果"/>
 

docs/zh/06-advanced/06-TDgpt/05-anomaly-detection/index.md

@@ -17,7 +17,7 @@ ANOMALY_WINDOW(col_val, "algo=iqr");
 
 如下图所示，Anode 将返回时序数据异常窗口 $[10:51:30, 10:53:40]$ 
 
-<img src={ad} width="760" alt="异常检测" />
+<img src={ad} alt="异常检测"/>
 
 在此基础上，用户可以针对异常窗口内的时序数据进行查询聚合、变换处理等操作。
 
@@ -98,7 +98,8 @@ grubbs={}
 lof={"algorithm":"auto", "n_neighbor": 3}
 ```
 
-对比程序执行完成以后，会自动生成名称为`ad_result.xlsx` 的文件，第一个卡片是算法运行结果（如下图所示），分别包含了算法名称、执行调用参数、查全率、查准率、执行时间 5 个指标。
+对比程序执行完成以后，会自动生成名称为`ad_result.xlsx` 的文件，第一个卡片是算法运行结果（如下表所示），分别包含了算法名称、执行调用参数、查全率、查准率、执行时间 5 个指标。
+
 
 
 | algorithm | params                                 | precision(%) | recall(%) | elapsed_time(ms.) |
@@ -111,5 +112,6 @@ lof={"algorithm":"auto", "n_neighbor": 3}
 
 如果设置了 `gen_figure` 为 `true`，比较程序会自动将每个参与比较的算法分析结果采用图片方式呈现出来（如下图所示为 ksigma 的异常检测结果标注）。
 
-<img src={ad_result} width="540" alt="异常检测标注图" />
+<img src={ad_result} alt="异常检测标注图"/>
+
 

docs/zh/06-advanced/06-TDgpt/06-dev/02-forecast.md

@@ -8,6 +8,7 @@ sidebar_label: "预测算法"
 
 ### 输出约定及父类属性说明
 `execute` 方法执行完成后的返回一个如下字典对象， 预测返回结果如下：
+
 ```python
 return {
     "mse": mse, # 预测算法的拟合数据最小均方误差(minimum squared error)

docs/zh/06-advanced/06-TDgpt/07-imputation.md

@@ -0,0 +1,6 @@
+---
+title: "缺失数据补值"
+sidebar_label: "缺失数据补值"
+---
+
+近期发布

docs/zh/06-advanced/06-TDgpt/08-classification.md

@@ -0,0 +1,6 @@
+---
+title: "时间序列分类"
+sidebar_label: "时间序列分类"
+---
+
+近期发布