登录社区云，与社区用户共同成长
邀请您加入社区
其中，TDengine TSDB 是一款高性能、分布式的时序数据库（Time Series Database），同时它还带有内建的缓存、流式计算、数据订阅等系统功能；TDengine IDMP 是一款AI原生工业数据管理平台，它通过树状层次结构建立数据目录，对数据进行标准化、情景化，并通过 AI 提供实时分析、可视化、事件管理与报警等功能。函数返回指定列去重后的值，功能类似于 SQL 中的 DIS
其中，TDengine TSDB 是一款高性能、分布式的时序数据库（Time Series Database），同时它还带有内建的缓存、流式计算、数据订阅等系统功能；TDengine IDMP 是一款AI原生工业数据管理平台，它通过树状层次结构建立数据目录，对数据进行标准化、情景化，并通过 AI 提供实时分析、可视化、事件管理与报警等功能。函数返回指定列中最大的 k 个非 NULL 值及其对应的记
功能说明：返回跳过最后 offset_val 个，然后取连续 k 个记录，不忽略 NULL 值。offset_val 可以不输入。此时返回最后的 k 个记录。当有 offset_val 输入的情况下，该函数功能等效于 order by ts desc LIMIT k OFFSET offset_val。
一：学习思路TDengine是什么？为什么使用TDengine？TDengine怎么使用？二：TDengine是什么呢？ TDengine是一个开源、高效的物联网大数据平台。TDengine是涛思数据专为物联网、车联网、工业互联网、IT运维等设计和优化的大数据平台。 TDengine不依赖任何开源或第三方软件，拥有完全自主知识产权，具有高性能、高可靠、可伸缩、零管理、简单易学等技术特点。 [1
使用macos搭建springboot+mybatisplus，通过mqtt将数据更新到tdenigne 3.2.3，数据源使用远程服务器的tdengine。
对于编程初学者来说，软件开发流程中的开发环境配置、安装异常或报错往往需要花费大量时间查阅资料和反复试错，才能正常安装和启动某些软件工具。现在，在 TRAE 的帮助下，即使完全没有接触过编程，也能通过自然语言直接表述需求，交由 AI 辅助编程工具执行。遇到 BUG 或不清楚的步骤，也都可以交给 AI 分析，并快速输出问题原因及解决方案。
数据库越来越成为企业运营的核心基建，但传统的运维方式仍然过于依赖个人经验与技能积累。taosExplorer 的价值，不仅在于“可视化”这些操作流程，更在于把运维能力从少数人扩展到整个团队。想深入了解 taosExplorer 的具体操作界面和功能详情？欢迎访问官网文档：可视化管理工具 | TDengine 文档 | 涛思数据下一期，我们将深入讲解 TDengine 的备份与恢复机制，聚焦“数据不
在一个springboot项目中，双数据源的配置首先需要在application.yml文件中配置连接。此外还有引入对应的jar包。下面需要编写mysql和TDengine的配置文件了。MYSQL@MapperScan属性解释：basepackages : 基于包下面的扫描MyBatis的接口。注意是，只有是接口的将会被扫描注册，如果是具体的类将会被忽略。sqlSessionFactoryRef
no taos in java.library.path
通过ETLCloud数据集成平台来解决TDengine与数仓以及其他数据库的对接问题，ETLCloud它将对TDengine的操作封装成了相应的组件，真正做到了开箱即用，十分的方便。
前言TDengine是涛思数据专为物联网、车联网、工业互联网、IT运维等设计和优化的大数据平台。除核心的快10倍以上的时序数据库功能外，还提供缓存、数据订阅、流式计算等功能，最大程度减少研发和运维的复杂度，且核心代码，包括集群功能全部开源。正文TDengine大数据平台线上实例下载量超过68.8k次，Github上的star数也多达15.5k。可以说是非常热门且使用广泛的大数据平台之一。那么，TD
TDengine 赋能 ThingLinks，提供了强大的数据存储和处理能力，使得 ThingLinks 能够更加高效、可靠地服务于物联网应用。无论是设备接入的灵活性，还是业务应用的高效集成，ThingLinks 都表现出了卓越的性能和适应性。通过这种协同工作，ThingLinks 为用户提供了一个全面、高效的云物联网 SaaS 平台解决方案，推动了各行业的数字化转型。
从 ETL 到 ELT，工业数据管理的目标一直没变：让数据 “存得下、用得快、出价值”。但光有 ELT 不够，光有 AI 也不够——得有一个平台，把 “数据情景化” 做好，让 AI 能 “看懂数据、用好数据”。TDengineIDMP 做的就是这件事：它不是单纯的 “数据库扩展”，也不是 “治理工具”，而是把 “存储、情景化、AI 协作” 串起来的工业数据中枢。它解决的是工业数据的 “最后一公里”
TDengine IDMP --AI 原生的工业数据管理平台，让BI 工具走向无问智推新时代。
专为物联网IoT平台、工业大数据平台设计。其中，TDengine TSDB 是一款高性能、分布式的时序数据库（Time Series Database），同时它还带有内建的缓存、流式计算、数据订阅等系统功能；TDengine IDMP 是一款AI原生工业数据管理平台，它通过树状层次结构建立数据目录，对数据进行标准化、情景化，并通过 AI 提供实时分析、可视化、事件管理与报警等功能。函数统计表/超级
在上一章节《策略回测》中采用轮询的方式对整个股票池进行了回测。虽然功能已经实现，但是效率确实不高。而且生成的结果也不方便统计。本次在上一章的基础上进行修改，实现两方面的改进：创建子表根据股票代码创建子表，因为之前已经有类似的表名称，可以借用一部分。导出表名和标签，并构建建表语句。导入建表语句函数简介多进程/线程处理结果写入TDengine程序主体MACD交易策略回测程序说明该程序用于进行MACD交
MA 均线时最基本的技术指标，也是最简单，最不常用的（通常使用EMA、SMA）。以下用两种不同的计算方法和两种不同的画图方法进行展示和说明。MA 均线指标公式。
其中，TDengine TSDB 是一款高性能、分布式的时序数据库（Time Series Database），同时它还带有内建的缓存、流式计算、数据订阅等系统功能；TDengine IDMP 是一款AI原生工业数据管理平台，它通过树状层次结构建立数据目录，对数据进行标准化、情景化，并通过 AI 提供实时分析、可视化、事件管理与报警等功能。函数统计表/超级表中某列的值最大 k 个非 NULL 值。
其中，TDengine TSDB 是一款高性能、分布式的时序数据库（Time Series Database），同时它还带有内建的缓存、流式计算、数据订阅等系统功能；TDengine IDMP 是一款AI原生工业数据管理平台，它通过树状层次结构建立数据目录，对数据进行标准化、情景化，并通过 AI 提供实时分析、可视化、事件管理与报警等功能。函数统计表/超级表中某列的值最小 k 个非 NULL 值。
专为物联网IoT平台、工业大数据平台设计。其中，TDengine TSDB 是一款高性能、分布式的时序数据库（Time Series Database），同时它还带有内建的缓存、流式计算、数据订阅等系统功能；TDengine IDMP 是一款AI原生工业数据管理平台，它通过树状层次结构建立数据目录，对数据进行标准化、情景化，并通过 AI 提供实时分析、可视化、事件管理与报警等功能。函数返回输入日期
从 ETL 到 ELT，工业数据管理的目标一直没变：让数据 “存得下、用得快、出价值”。但光有 ELT 不够，光有 AI 也不够——得有一个平台，把 “数据情景化” 做好，让 AI 能 “看懂数据、用好数据”。TDengine IDMP 做的就是这件事：它不是单纯的 “数据库扩展”，也不是 “治理工具”，而是把 “存储、情景化、AI 协作” 串起来的工业数据中枢。它解决的是工业数据的 “最后一公里
公司围绕 “(1+1)×N” 战略，通过 KaihongOS 与 KaihongOS Meta 的协同创新，打造开放、安全的“开鸿安全数字底座”，赋能智慧交通、智慧城市、智慧能源、智慧教育、智慧康养等重点领域。的应用，不仅让物联展区能够实时呈现多类设备的运行状态，也为后续智慧交通、智慧城市、智慧能源等应用场景的探索提供了可复用的技术路径。高并发写入和毫秒级查询的能力，展区实现了对空调、智能灯杆、毫
它能安全高效地将大量设备每天产生的高达 TB 甚至 PB 级的数据进行汇聚、存储、分析和分发，并提供 AI 智能体对数据进行预测与异常检测，提供实时的商业洞察。是一款专为物联网、工业互联网等场景设计并优化的大数据平台，其核心模块是高性能、集群开源、云原生、极简的时序数据库。这些简化的示例更容易理解和使用，适合快速学习 TIMEDIFF 函数的基本用法。
广东盘古信息科技股份有限公司（下文简称盘古信息）成立于 2005 年，是一家基于工业互联网平台的数字化管理解决方案供应商，公司自主研发的 IMS（数字化智能制造系统）可为离散、流程及混合制造行业提供全方位的生产制造运营管理与系统集成解决方案。通过与涛思数据的深入合作，盘古信息基于 TDengine）构建了更高效的 IMS 系统，在提升业主服务能力的同时，实现了降本增效。本文将详细解析这一案例的背景
在工业数字化转型的赛道上，“监控系统搭建” 一直是个让人头疼的难题：传统方案要写 SQL、调脚本、学可视化工具，一套流程走下来少则几天、多则几周，运维新增设备还得重复折腾。但现在，有了的组合，这一切都变了——分钟级上线、零代码操作、AI 自动出面板，甚至新设备接入都不用改配置！今天我们就汇总 5 个实测场景，从烟草制丝到电动汽车，从工业锅炉到微电网，看看IDMP 是如何把 “复杂监控” 变成 “轻
基于高性能、分布式的时序数据库，辅以数据业务语义和上下文，TDengine 不仅能高效地存储采集的海量数据，而且能智能感知应用场景，自动生成面板、报表、监测异常，让您拥有一个强大的工业智能体，实时洞察系统的运营。
环境： Centos 8第一步：首先从官网下载安装包链接：https://www.taosdata.com/getting-started上传至服务器第二步：解压命令：tar -xvzf TDengine-server-2.4.0.14-Linux-x64.tar.gz第三步：进入 cd TDengine-server-2.4.0.14/ 目录，执行 ./install.sh 指令第四步：编辑配置
使用 python 来开发你自定义的数据库
在工业#数字化转型 的赛道上，“监控系统搭建” 一直是个让人头疼的难题：传统方案要写 SQL、调脚本、学可视化工具，一套流程走下来少则几天、多则几周，运维新增设备还得重复折腾。但现在，有了 TDengine TSDB + TDengine IDMP 的组合，这一切都变了——分钟级上线、零代码操作、AI 自动出面板，甚至新设备接入都不用改配置！今天我们汇总 5 个实测场景，从烟草制丝到电动汽车，从工
企业介绍万朗集团成立于2001年，专注于为城市管理者（水务、住建、水利、生态环境等部门）在城市水脉的建设、修复与运维中提供系统性、智慧化、综合解决方案，是城市水脉健康&智慧管理专家。作为一家以科技创新为引擎、以技术服务为核心的专业化公司，在解决城市内涝、雨季淹城看海、管网漏损比重大、爆管、局部积水塌方、城市水体黑臭、河道污染等棘手问题方面拥有多个生态化、智慧化、系统化的解决方案。业务场景水
先来两个官方文档：https://www.taosdata.com/cn/documentation/connections-with-other-tools/#Grafanahttps://grafana.com/docs/grafana/latest/grafana安装有很多种安装方式，这里采用比较省事的方式，要尝试其他方式请参考官网下载wget https://dl.grafana.com/
阿里云Centos7服务器安装TDengine保姆级教程，包含DBeaver连接教程。
过去十年，工业和物联网场景经历了快速的数字化建设：传感器接入、系统联网、数据上云……数据平台已能轻松承载每秒千万级别的写入，每天几 TB 的存储量。而“用起来”这一层，仍旧是碎片化的、高门槛的、效率低下的。为了解决“用起来”的问题，行业开始尝试自然语言查询、自动生成 SQL 等方式，并逐渐发展出 Chat BI 这类“智能问数”工具。我们也尝试过类似路径，不断优化数据库性能、强化流计算能力、引入
本文以电动汽车监控为例，详细介绍通过MQTT，轻松采集电动汽车电门开度、驱动电机功率、空调功率、车速、SOC、电池电压/电流等监控指标，将数据写入 TDengineTSDB时序数据库，然后通过 TDengineIDMP，利用 AI 自动生成可视化面板和实时分析，帮助您几分钟就构建一套稳定、高效的服务器监控解决方案。
本文以一个数据中心的服务器监控为例，详细介绍通过开源的轻量级的工具 Telegraf ，轻松采集系统 CPU、内存、磁盘、网络等系统监控指标，将数据写入 TDengineTSDB时序数据库，然后通过 TDengineIDMP，利用 AI 自动生成可视化面板和实时分析，帮助您几分钟就构建一套稳定、高效的服务器监控解决方案。
本文以制丝车间工艺监控为例，介绍如何通过轻量化采集工具快速获取制丝工艺中烘丝机等设备的运行参数及工艺指标（如温度、湿度、能耗等），并将数据写入TDengine时序数据库（随后借助，利用 AI 自动生成可视化看板和实时分析，实现分钟级搭建高效、智能的制丝工艺监控方案。在该方案中，
TDengine TSDB-Enterprise 里的 taosX 模块，在读取这些采集的数据时，能自动创建超级表和子表，做数据的转换，并可以添加更多的标签，把设备的层次结构信息保存起来。IDMP 就能依据 TSDB 里的元数据，自动构建出树状层次结构，自动创建出元素模版和元素。一旦树状层次结构模型在 IDMP 里建立起来，您可以通过元素、属性等模版补充更多的描述信息和业务语义，提供更好的数据情景
本文以一个含有“风光储”的微电网系统监控为例，详细介绍如何快速地把以 SparkplugB 格式上报的设备数据写入 TDengine，然后通过 TDengine构建资产模型，利用 AI 自动生成可视化面板和实时分析，实现分钟级搭建高效、智能的 微电网 的监控系统。
机器/深度学习模型一般要求训练集样本量足够大，才能取得不错的预测效果。训练过程要消耗一定量的时间和计算资源，并需要根据输入的数据进行定期的训练以及更新模型。TDgpt 内置了 PyTorch 和 Keras 机器学习库。所有使用 PyTorch 或 Keras 开发的模型均可以驱动运行。本章介绍将预训练完成的机器/深度学习分析模型添加到 TDgpt 中的方法。
tdengine
——tdengine
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
讯飞AI开发者社区
AI编程社区
量化交易与投资社区
智联教育社区
长沙城市开发者社区
天启AI社区
