登录社区云，与社区用户共同成长
邀请您加入社区
边缘计算，顾名思义，指的是将数据处理从传统的集中式云计算中心迁移到更接近用户的数据源端，即“边缘”位置。通过这种方式，可以减少传输数据的延迟，同时降低带宽需求，提高数据处理效率。这种架构特别适合物联网（IoT）、智能制造、实时视频处理等领域。
边缘计算是将数据处理从传统的集中式云计算中心转移到更接近用户的设备或节点，从而缩短数据传输的延迟，提高应用响应速度。对于动态AB测试场景，边缘计算能有效降低因网络延迟而带来的不稳定因素。Cloudflare Workers是一种无服务器的计算服务，它允许开发者在全球多个边缘节点上执行JavaScript代码。通过这种方式，Cloudflare Workers可以帮助我们在全球范围内实现快速、低延迟
随着5G网络的到来，物联网（IoT）技术迎来了前所未有的发展机遇。5G的超高速网络和低延迟特性，为物联网设备的互联互通提供了坚实的基础，而边缘计算的兴起则为数据处理提供了更高效、更安全的方式。本文将深入探讨边缘计算如何赋能物联网，特别是在5G时代背景下，如何推动物联网开发框架的演进。
随着农业科技的不断发展，人工智能（AI）在农作物生产中发挥着越来越重要的作用。尤其是在病虫害预测和管理方面，深度学习技术，特别是基于PyTorch的模型，已经展示了巨大的潜力。本文将详细探讨如何利用PyTorch构建并部署一个农作物病虫害预测模型，以实现智能化农业管理。
时序数据广泛存在于无人机、机器人和工业物联网中，其按时间递增的特性对数据存储与查询提出了特殊要求。时序数据库通过时间分区和列式存储，有效提升高频数据的写入吞吐与聚合分析效率，解决了传统文件与关系型数据库在时间维度上的不足。在无人机飞行仿真场景中，PX4与ROS2构成的软硬件链路会产生大量IMU、位姿和控制话题，若直接记录为bag或CSV，后期统计与回溯极为困难。以KaiwuDB社区版为例，通过将P
时序数据是无人机仿真中高频产生的重要资产，例如IMU、姿态、电池等传感器数据每秒可达数万条记录。传统CSV或关系型数据库难以高效存储与查询，而时序数据库通过标签字段与列式压缩，实现高吞吐写入与快速聚合分析。在PX4-ROS2仿真环境中，合理设计表结构、批量写入链路及SQL查询，能显著提升轨迹回放、控制质量评估和异常检测的效率。本文以KaiwuDB社区版为载体，分享从数据建模、采集接入到智能分析的完
体育用品销售天然具有季节性、促销敏感性与品类差异，传统经验式补货很难同时兼顾预测准确率、库存周转与经营响应速度。本文围绕一个基于 Python 与 LSTM 的体育用品销量预测系统，完整拆解从原始销售数据清洗、日期特征构造、滑动窗口样本生成、标准化处理、LSTM 网络搭建、模型训练评估，到未来多日滚动预测和可视化业务输出的实现过程。系统将销量、折扣、库存、星期、月份、移动均值、波动特征等信息统一输
时序数据库作为物联网数据处理的核心组件，通过优化存储结构和查询机制解决海量时间序列数据的存储与检索问题。基于LSM-Tree的存储引擎设计实现了高吞吐写入，而列式存储和时间分片索引则大幅提升查询效率。在边缘计算场景下，轻量级时序数据库sfsDb展现出独特优势，其3.8MB的极简体积和每秒12万点的写入性能，完美适配树莓派等资源受限设备。通过谓词下推、批量写入等关键技术，在工业预测性维护、智慧交通等
时序数据库作为处理物联网、工业互联网等场景中带时间戳数据的核心技术，其核心价值在于解决海量设备数据的实时写入、高效存储与快速查询问题。基于LSM-Tree优化的存储引擎通过时间分区合并、列式压缩等技术，可实现15:1的高压缩比；查询引擎借助时间谓词下推、向量化执行等特性，使聚合查询速度提升8倍。在边缘计算场景中，通过分层部署架构和资源控制策略，能有效降低80%云端存储需求，满足工业控制毫秒级响应要
在物联网与水利信息化交汇的背景下，智慧水利的本质并非设备与算法的简单堆叠，而是一条从感知采集到调度决策的可靠数据流水线。边缘计算在站点侧完成滤波、越限触发与断网缓存，有效降低通信压力和中心端负载；时序数据库则承接高频水位、雨量数据的写入与聚合查询，支撑长期存储与快速分析。MQTT、Kafka等消息机制保障弱网环境下的可靠传输，Docker容器化方案让本地验证和部署变得可复现。从感知层到应用层的五层
做边缘计算网关开发最大的坑不是技术栈选型，而是运维环境搭建——Docker在ARM设备上的存储驱动、InfluxDB的内存控制、Node-RED的容器权限。边缘计算的核心诉求很直接：数据在产生的地方就处理掉，不要全量上云。当你的网关能在毫秒级做异常检测、在断网时缓存数据、在恢复网络后自动同步，整个物联网系统的带宽成本和运维复杂度都会显著下降。一个中型工厂的传感器节点从几百个增长到几千个，每个节点每
工业数据价值的释放，始于可靠的采集与治理，成于智能模型对生产决策的介入。在工业互联网体系中，时序数据库承载着海量传感器数据，数据中台则负责打通采集、存储、计算与服务的全链路，它们是构建上层智能应用的核心底座。通过特征工程提取设备状态的关键指标，借助容器化技术将训练好的模型封装为可调用的推理服务，工业场景中的预测性维护与质量优化才能真正落地。从边缘层到平台层的架构划分，从数据清洗到模型漂移监控，每一
时序数据库是工业物联网与边缘计算场景中的关键基础设施，负责高效存储和查询设备产生的海量时间戳数据。传统分布式时序库往往资源开销大、部署复杂，难以适应资源受限的嵌入式网关或工控机环境。轻量级时序数据库通过精简分布式协调能力，显著降低内存与CPU占用，同时保留标准SQL查询、时间窗口聚合等核心能力。在智能楼宇、光伏逆变器、产线监测等典型边缘场景中，这类数据库可近端完成数据预处理与存储，并支持后续云边数
时序数据库是物联网与边缘计算场景的核心数据基础设施。与通用关系型数据库不同，时序数据库通过列式存储、LSM-Tree和专用压缩算法，优化时间戳数据的写入与聚合查询。在资源受限的嵌入式设备、边缘网关和开发板环境中，轻量级时序数据库成为刚需。KaiwuDB-Lite作为一款兼容PostgreSQL协议的轻量级实现，以单进程启动、200MB级内存占用和内建TTL、自动分区等能力，在边缘计算场景中表现出色
在开源生态日趋成熟的今天，开发者对技术方案的审视不再局限于star数量，而是更关注项目的资源占用、协作活跃度与实际问题解决能力。一个明显的趋势是，边缘计算和本地优先存储正在成为新的主战场，低资源设备上的高效运行能力开始取代单纯的云端弹性。同时，基础设施类工具正从生成代码转向治理代码，像API网关、模型管理、密钥分发、多语言符号导航等细分领域冒出大量轻量级优秀项目。它们普遍遵循“够用就好”的理念，拒
时序数据是物联网设备与工业系统中最常见的数据形态，其持续产生、按时间排序的特点，对存储与查询提出了专门要求。在边缘计算场景下，设备往往面临内存小、Flash有限、网络不稳定等约束，通用时序数据库的高资源占用和依赖云端同步的设计并不适用。轻量级、支持离线自治、具备云边协同能力的边缘时序数据库，成为数据采集链路中不可或缺的一环。从数据写入、本地查询到断点续传，边缘侧需要兼顾性能与可靠性。sfsDb作为
工业数据采集与设备联网是数字化转型的基础，然而现场设备协议多样、数据分散，常形成信息孤岛。边缘计算将算力下沉至设备侧，通过协议网关统一接入OPC UA、Modbus等标准协议，并利用时序数据库高效存储高频量测数据，解决实时性与扩展性难题。OpenRIG正是基于这一理念构建的开放式井场数字化平台，它采用“边缘采集+数据服务+可配置应用”三层架构，在钻井现场实现多源设备数据融合、工况识别、多参数联合报
数据技术栈是人工智能工程落地的核心底座，决定了业务智能化的天花板。电力行业作为典型工业场景，其数据具有强时序、多源异构、质量参差等特性，要求技术架构必须兼顾实时计算与离线分析。以负荷预测为例，完整链路涵盖协议解析、消息队列、时序数据库、特征工程、模型训练与在线推理。时序数据库选型与流批计算是其中关键环节，直接影响存储成本与查询性能。围绕一套可复用的电力AI技术栈，从数据接入到模型部署逐一说明，并分
电力行业的数据具有强时间序列特征，且对系统的容错性、可解释性和可追溯性有极高要求，因此其AI应用不能简单照搬互联网技术栈。数据治理是电力AI落地的核心瓶颈，遥测清洗、时间对齐、量测点语义映射等环节直接决定模型上限。时序数据库、对象存储与关系库的合理分工，配合批处理与轻量级规则引擎，能有效支撑负荷预测与异常检测等业务场景。模型上线后还需关注云边端协同部署、模型漂移监控与灰度回退机制，才能让AI系统在
时序数据库作为物联网和边缘计算场景的核心基础设施，其设计原理需要平衡写入性能、查询效率和资源占用。现代时序数据库普遍采用LSM tree存储引擎，通过追加写入和定期合并来优化高频写入场景。在边缘计算环境中，数据库还需具备断网续传、低资源消耗等特性。本次测试的KaiwuDB-lite数据库在并发连接管理和时序数据处理方面暴露出明显缺陷，其B+树存储结构和全局锁设计导致性能瓶颈，这些问题在物联网设备长
工业AI在能源行业的落地，核心在于打通数据采集、边缘计算与模型部署的完整链路。时序数据库与OPC UA协议实现高频数据高效汇聚，边缘侧特征提取降低带宽压力，机器学习模型结合工况分箱与SHAP可解释性，提升燃烧优化与设备预警的可靠性。这些技术不仅适用于智慧电厂，也可泛化至各类流程工业的智能化改造。本文围绕智慧电厂解决方案，拆解从DCS数据接入到闭环控制建议的工程实践，涵盖时序数据管道搭建、振动特征提
工业数字化转型中，边缘计算和时序数据库是支撑实时数据处理的关键技术。边缘计算通过在数据源头就近处理，显著降低网络传输压力，实现毫秒级响应；时序数据库则专门优化时间序列数据的存储与查询，满足高频采集和长期存储需求。在烟草复烤等流程工业中，这些技术能有效解决海量传感器数据（如温度、湿度等工艺参数）的实时处理难题。以红河复烤厂项目为例，采用华为Atlas 500边缘网关和TDengine时序数据库，实现
在智能制造与工业物联网场景中，数据从设备端到存储层的全链路可靠性，往往取决于底层系统与数据架构的协同设计。Linux内核作为边缘网关和工控设备的隐形底座，其调度策略与实时性直接影响采集周期的确定性；而工业数据库凭借时间序列模型与压缩机制，为海量点位数据提供了高效的写入和查询能力。理解内核参数调优、时序数据建模、消息队列缓冲以及断网续传等关键技术，是构建稳健数据管道的基础。无论是设备看板延迟、历史精
自动售货机分布广、占地小、能24小时不打烊；配送机器人能移动、能进楼栋、能绕过最后几百米。把机器当"微型仓"，机器人当"腿"，短途补货和即时送达的缝隙就被填上了。比如夜里园区便利店关门，机器人从就近机器取货，送到加班的人手里。
本文以TDengine IDMP为例，系统拆解企业AI Agent落地的四大关键环节：场景选择（优先高频、数据可及、闭环可控）、企业级要求（数据统一、可靠校验、安全审计、成本可控）、实施方案（分阶段推进、共享基础设施）与具体实践（如智能问数、报告自动化、诊断助手等）。强调从“能做”到“做成”的工程化思维，提出六维度企业标准，助力企业构建可信、可管、可持续的AI Agent体系。
本指南通过实用的 T-SQL 示例，详细介绍如何使用查询命令在 SQL Server 中备份数据库，涵盖完整备份、差异备份、事务日志备份、验证、恢复操作、SQL Server Agent 自动化以及故障排查最佳实践。
本文以卖伞故事引出时序预测中“信息不全”的痛点，揭示协变量（如天气、节假日、促销）对提升预测精度的关键作用。通过TimechoAI平台，仅需传入history_covs和future_covs两个参数，即可将外部影响因素融入模型。文章详解协变量分类、使用规则及实战代码，展示在加入未来协变量后，模型对关键节点（如大促日）的预测误差显著降低。强调：预测差一截，往往不是模型不行，而是信息没用全。
DolphinDB 亮相“互联网之光”博览会 | 展示 AI Agent 行业应用新实践
工业物联网的数据库选型，正在从“能不能存下海量数据”转向“能不能让实时数据直接参与生产决策”。当传感器、控制系统、边缘节点和业务平台持续产生高频数据时，企业真正需要解决的，不只是数据压缩与归档，还包括设备状态的实时判断、多测点关联分析、异常检测、预测性维护，以及大模型和 Agent 对生产数据的安全调用。因此，评价一款时序数据库，不能只看写入峰值、压缩比和单条查询速度。对于能源电力、智能制造、核工
选型评审会上最常见的一幕：一张 Excel 对比表，左边一列 InfluxDB、TimescaleDB、Prometheus，右边一列国产时序数据库，中间是压缩比、写入 TPS、单机容量、License 费用。逐行打分，总分最高者中标。这套流程看起来严谨，翻车率却出奇地高。设备故障要秒级预警、能耗要动态调控、产线指标要实时算、大模型要在线问数——这些需求没有一条会出现在"数据库选型对比表"里，但每
时序数据库
——时序数据库
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
地瓜机器人开发者社区
DAMO开发者矩阵
北京朝阳AI社区
开源宁波（NBopen）开发者社区
