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

title	description
预测算法	预测算法

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。

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：

列名称	类型	说明
ts	timestamp	主时间戳列
i32	int32	4字节整数，设备测量值 metric

taos> select * from foo;
           ts            |      k      |
========================================
 2020-01-01 00:00:12.681 |          13 |
 2020-01-01 00:00:13.727 |          14 |
 2020-01-01 00:00:14.378 |           8 |
 2020-01-01 00:00:15.774 |          10 |
 2020-01-01 00:00:16.170 |          16 |
 2020-01-01 00:00:17.558 |          26 |
 2020-01-01 00:00:18.938 |          32 |
 2020-01-01 00:00:19.308 |          27 |

语法

FORECAST(column_expr, option_expr)

option_expr: {"
algo=expr1
[,wncheck=1|0]
[,conf=conf_val]
[,every=every_val]
[,rows=rows_val]
[,start=start_ts_val]
[,expr2]
"}

1. column_expr：预测的时序数据列。与异常检测相同，只支持数值类型列输入。
2. options：异常检测函数的参数，使用规则与 anomaly_window 相同。预测支持 conf, every, rows, start, rows 几个控制参数，其含义如下：

参数说明

参数	含义	默认值
algo	预测分析使用的算法	holtwinters
wncheck	白噪声（white noise data）检查	默认值为 1，0 表示不进行检查
conf	预测数据的置信区间范围 ，取值范围 [0, 100]	95
every	预测数据的采样间隔	输入数据的采样间隔
start	预测结果的开始时间戳	输入数据最后一个时间戳加上一个采样间隔时间区间
rows	预测结果的记录数	10

1. 预测查询结果新增三个伪列，具体如下：_FROWTS：预测结果的时间戳、_FLOW：置信区间下界、_FHIGH：置信区间上界, 对于没有置信区间的预测算法，其置信区间同预测结果
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。

示例

--- 使用 arima 算法进行预测，预测结果是 10 条记录（默认值），数据进行白噪声检查，默认置信区间 95%. 
SELECT  _flow, _fhigh, _frowts, FORECAST(i32, "algo=arima")
FROM foo;

--- 使用 arima 算法进行预测，输入数据的是周期数据，每 10 个采样点是一个周期，返回置信区间是95%的上下边界，同时忽略白噪声检查
SELECT  _flow, _fhigh, _frowts, FORECAST(i32, "algo=arima,alpha=95,period=10,wncheck=0")
FROM foo;

taos> select _flow, _fhigh, _frowts, forecast(i32) from foo;
        _flow         |        _fhigh        |       _frowts           | forecast(i32) |
========================================================================================
           10.5286684 |           41.8038254 | 2020-01-01 00:01:35.000 |            26 |
          -21.9861946 |           83.3938904 | 2020-01-01 00:01:36.000 |            30 |
          -78.5686035 |          144.6729126 | 2020-01-01 00:01:37.000 |            33 |
         -154.9797363 |          230.3057709 | 2020-01-01 00:01:38.000 |            37 |
         -253.9852905 |          337.6083984 | 2020-01-01 00:01:39.000 |            41 |
         -375.7857971 |          466.4594727 | 2020-01-01 00:01:40.000 |            45 |
         -514.8043823 |          622.4426270 | 2020-01-01 00:01:41.000 |            53 |
         -680.6343994 |          796.2861328 | 2020-01-01 00:01:42.000 |            57 |
         -868.4956665 |          992.8603516 | 2020-01-01 00:01:43.000 |            62 |
        -1076.1566162 |         1214.4498291 | 2020-01-01 00:01:44.000 |            69 |

内置预测算法

• arima
• holtwinters