预测与异常检测函数

预测与异常检测函数通过预测时序曲线、寻找预测曲线和实际曲线之间误差的Ksigma与分位数等特性进行异常检测。

关于函数的算法及原理请参见：

LOG机器学习介绍（01）：时序统计建模
LOG机器学习介绍（03）：时序异常检测建模
LOG机器学习介绍（05）：时间序列预测
LOG机器学习最佳实战：时序异常检测和报警

函数列表

函数	说明
ts_predicate_simple	利用默认参数对时序数据进行建模，并进行简单的时序预测和异常点的检测。
ts_predicate_ar	使用自回归模型对时序数据进行建模，并进行简单的时序预测和异常点的检测。
ts_predicate_arma	使用移动自回归模型对时序数据进行建模，并进行简单的时序预测和异常点检测。
ts_predicate_arima	使用带有差分的移动自回归模型对时序数据进行建模，并进行简单的时序预测和异常点检测。
ts_regression_predict	针对具有周期性、趋势性的单时序序列，进行准确的预测。使用场景：计量数据的预测、网络流量的预测、财务数据的预测、以及具有一定规律的不同业务数据的预测。
ts_anomaly_filter	针对批量曲线进行时序异常检测后，可以按照用户定义的异常模式来过滤异常检测的结果，帮助用户快速找出异常的实例曲线。

ts_predicate_simple

函数格式：

select ts_predicate_simple(x, y, nPred, isSmooth)

参数说明如下：

参数	说明	取值
x	时间列，从小到大排列。	格式为Unixtime时间戳，单位为秒。
y	数值列，对应某时刻的数据。	-
nPred	预测未来的点的数量。	long类型，取值大于等于1。
isSmooth	是否需要对原始数据做滤波操作。	bool类型，默认为true表示对原始数据做滤波操作。

示例：

查询分析

* | select ts_predicate_simple(stamp, value, 6) from (select ("__time__" - ("__time__" % 60)) as stamp, avg(v) as value from log GROUP BY stamp order by stamp)

输出结果

显示项如下：

显示项		说明
横轴	unixtime	数据的Unixtime时间戳，单位为秒。
纵轴	src	原始数据。
	predict	预测的数据。
	upper	预测的上界。当前置信度为0.85，不可修改。
	lower	预测的下界。当前置信度为0.85，不可修改。
	anomaly_prob	该点为异常点的概率，范围为0~1。

ts_predicate_ar

函数格式：

select ts_predicate_ar(x, y, p, nPred, isSmooth)

参数说明如下：

参数	说明	取值
x	时间列，从小到大排列。	格式为Unixtime时间戳，单位为秒。
y	数值列，对应某时刻的数据。	-
p	自回归模型的阶数。	long类型，取值范围为2~8。
nPred	预测未来的点的数量。	long类型，取值范围为1~5*p。
isSmooth	是否需要对原始数据做滤波操作。	bool类型，默认为true表示对原始数据做滤波操作。

查询分析示例：

* | select ts_predicate_ar(stamp, value, 3, 4) from (select ("__time__" - ("__time__" % 60)) as stamp, avg(v) as value from log GROUP BY stamp order by stamp)

说明

输出结果与ts_predicate_simple函数相似，具体请参见ts_predicate_simple函数的输出结果。

ts_predicate_arma

函数格式：

select ts_predicate_arma(x, y, p, q, nPred, isSmooth)

参数说明如下：

参数	说明	取值
x	时间列，从小到大排列。	格式为Unixtime时间戳，单位为秒。
y	数值列，对应某时刻的数据。	-
p	自回归模型的阶数。	long类型，取值范围为2~100。
q	移动平均模型的阶数。	long类型，取值范围为2~8。
nPred	预测未来的点的数量。	long类型，取值范围为1~5*p。
isSmooth	是否需要对原始数据做滤波操作。	bool类型，默认为true表示对原始数据做滤波操作。

查询分析示例：

* | select ts_predicate_arma(stamp, value, 3, 2, 4) from (select ("__time__" - ("__time__" % 60)) as stamp, avg(v) as value from log GROUP BY stamp order by stamp)

说明

输出结果与ts_predicate_simple函数相似，具体请参见ts_predicate_simple函数的输出结果。

ts_predicate_arima

函数格式：

select ts_predicate_arima(x, y, p, d, q, nPred, isSmooth)

参数说明如下：

参数	说明	取值
x	时间列，从小到大排列。	格式为Unixtime时间戳，单位为秒。
y	数值列，对应某时刻的数据。	-
p	自回归模型的阶数。	long类型，取值范围为2~8。
d	差分模型的阶数。	long类型，取值范围为1~3。
q	移动平均模型的阶数。	long类型，取值范围为2~8。
nPred	预测未来的点的数量。	long类型，取值范围为1~5*p。
isSmooth	是否需要对原始数据做滤波操作。	bool类型，默认为true表示对原始数据做滤波操作。

查询分析示例：

* | select ts_predicate_arima(stamp, value, 3, 1, 2, 4) from (select ("__time__" - ("__time__" % 60)) as stamp, avg(v) as value from log GROUP BY stamp order by stamp)

说明

输出结果与ts_predicate_simple函数相似，具体请参见ts_predicate_simple函数的输出结果。

ts_regression_predict

函数格式：

select ts_regression_predict(x, y, nPred, algotype,processType)

参数说明如下：

参数	说明	取值
x	时间列，从小到大排列。	格式为Unixtime时间戳，单位为秒。
y	数值列，对应某时刻的数据。	-
nPred	预测未来的点的数量。	long类型，取值范围为1~500。
algotype	针对的预测的算法类型。	取值包括： origin：使用GBRT（Gradient Boosted Regression Tree）算法进行预测。 forest：使用STL序列分解的结果，将分解得到的趋势序列使用GBRT算法进行预测，再将分解出来的序列按照加法模型进行求和后返回。 linear：使用STL序列分解的结果，将分解得到趋势序列使用Linear Regression算法进行预测，再将分解出来的序列按照加法模型进行求和后返回。
processType	数据对应的预处理流程。	取值包括： 0：不进行任何额外的数据预处理。 1：对数据去除异常后再进行预测处理。

示例：

查询分析

* and h : nu2h05202.nu8 and m: NET |  select ts_regression_predict(stamp, value, 200, 'origin') from (select ("__time__" - ("__time__" % 60)) as stamp, avg(v) as value from log group by stamp order by stamp)

输出结果

显示项如下：

显示项		说明
横轴	unixtime	数据的Unixtime时间戳，单位为秒。
纵轴	src	原始数据。
纵轴	predict	预测数据。

ts_anomaly_filter

函数格式：

select ts_anomaly_filter(lineName, ts, ds, preds, probs, nWatch, anomalyType)

参数说明如下：

参数	说明	取值
lineName	varchar类型，表示每条曲线的名称。	-
ts	曲线的时间序列，表示当前这条曲线的时间信息。array（double）类型，由小到大排列。	-
ds	曲线的实际值序列，表示当前这条曲线的数值信息。array（double）类型，长度与ts相同。	-
preds	曲线的预测值序列，表示当前这条曲线的预测值。array（double）类型，长度与ts相同。	-
probs	曲线的异常检测序列，表示当前这条曲线的异常检测结果。array（double）类型，长度与ts相同。	-
nWatch	long类型，表示当前曲线中最近观测的实际值的数量，长度必须小于实际的曲线长度。	-
anomalyType	long类型，表示要过滤的异常类型的种类。	取值包括： 0：表示关注全部异常。 1：表示关注上升沿异常。 -1：表示下降沿异常。

示例：

查询分析

* | select res.name, res.ts, res.ds, res.preds, res.probs 
     from ( 
         select ts_anomaly_filter(name, ts, ds, preds, probs, cast(5 as bigint), cast(1 as bigint)) as res 
       from (
         select name, res[1] as ts, res[2] as ds, res[3] as preds, res[4] as uppers, res[5] as lowers, res[6] as probs 
     from (
         select name, array_transpose(ts_predicate_ar(stamp, value, 10)) as res 
         from (
           select name, stamp, value from log where name like '%asg-%') group by name)) );

输出结果

| name                     | ts                                                   | ds          | preds     | probs       |
| ------------------------ | ---------------------------------------------------- | ----------- | --------- | ----------- |
| asg-bp1hylzdi2wx7civ0ivk | [1.5513696E9, 1.5513732E9, 1.5513768E9, 1.5513804E9] | [1,2,3,NaN] | [1,2,3,4] | [0,0,1,NaN] |

函数列表

ts_predicate_simple

ts_predicate_ar

ts_predicate_arma

ts_predicate_arima

ts_regression_predict

ts_anomaly_filter

平滑函数 2025-04-22 10:42

多周期估计函数 2025-04-22 10:42

变点检测函数 2025-04-22 10:42

极大值检测函数 2025-04-22 10:42

预测与异常检测函数 2025-04-22 10:42

序列分解函数 2025-04-22 10:42

目录