登录社区云，与社区用户共同成长
邀请您加入社区
传感器越装越多、采集频率越提越高，但数据真正能用起来的比例反而越来越低。原始数据堆成山，查询越来越慢，磁盘越扩越大，可业务侧要一个"昨天某台设备每分钟的振动趋势"，还是要等上十几秒甚至超时。这背后不是数据库选得不够"先进"，而是数据治理没跟上——分区怎么切、高频数据怎么降采样、过期数据怎么清、查询怎么不退化，这些"脏活累活"才是决定一个 IoT 数据平台能不能长期跑下去的关键。
开箱即用的Java项目模板，基于SpringBoot 2.x/3.x构建，已预集成国产高性能时序数据库TDengine（支持JDBC直连），并配置Druid作为生产级数据库连接池。项目包含完整的Maven结构，pom.xml中已声明tdengine-jdbc驱动、spring-boot-starter-jdbc及druid-spring-boot-starter依赖；src/main下提供标准分层
近日，中国信息通信研究院（简称"中国信通院"）2026 上半年"可信数据库"评估测试结果正式揭晓。经来自联通软研院、陕西移动、瑞众人寿、上海国际汽车城、中国航信、邮储银行等单位的行业专家评审，涛思数据 TDengine 系列产品一举通过三项专项测评，成为本批次中同时斩获 AI 大模型时序数据管理平台、时序数据库性能、时序数据库稳定性三大领域认可的数据库产品。
本项目基于Java Swing + OpenWeatherMap 免费天气 API开发桌面版天气预报系统，采用纯 Java 单文件开发，无需复杂框架依赖。项目集成实时天气查询、5 天逐 3 小时预报、空气质量监测、温度趋势图表、中英文切换、深浅色主题、搜索历史、自动定时刷新等完整功能。
Pandas 之所以受欢迎，是因为它让数据分析变得直接；TDengine TSDB 之所以适合时序场景，是因为它面向海量时序数据的写入、存储和查询做了专门设计。两者连接起来以后，开发者和分析人员就可以在熟悉的 Python 工作流里，直接处理 TDengine TSDB 中的时序数据。对很多团队来说，这种集成的意义并不复杂：数据继续存放在适合时序场景的数据库里，分析继续使用成熟顺手的 Pandas
《一库多用：电科金仓KES多模数据库在复合型业务中的实战解析》 摘要： 本文通过实际项目经验，剖析了物联网、RAG知识库和GIS业务中多数据库堆叠架构的四大痛点：运维碎片化、跨库查询低效、事务一致性难保障和总体成本居高不下。针对这些问题，作者提出电科金仓KES数据库的内核级多模融合解决方案，通过原生集成的TSStore时序引擎、KGIS空间引擎和向量检索引擎，实现关系、时序、空间和向量四类数据的统
实时数据库的诞生主要是因为现代工业制造流程及大规模自动化的发展，导致大量的数据需要集成和存储。世界上第一款实时数据库是美国的PI 系统（Plant Information System），即工厂信息化系统。
摘要：时序数据已成为数字经济时代核心资产，预计2026年占比超70%。面对传统数据库在时序数据处理上的性能瓶颈，电科金仓KESV92025数据库创新性提出"融合为体，AI为用"理念，通过多模数据一体化存储、智能分层存储、内置时序分析函数和AI集成等核心技术，有效解决了时序数据管理的三大痛点：存储成本与效率平衡、分析实时性要求、技术栈割裂问题。该方案已在智能制造预测性维护和智慧城
TDengine 的设计是基于单个硬件、软件系统不可靠，基于任何单台计算机都无法提供足够计算能力和存储能力处理海量数据的假设进行设计的。因此 TDengine 从研发的第一天起，就按照分布式高可靠架构进行设计，是支持水平扩展的，这样任何单台或多台服务器发生硬件故障或软件错误都不影响系统的可用性和可靠性。同时，通过节点虚拟化并辅以自动化负载均衡技术，TDengine 能最高效率地利用异构集群中的计算
本文介绍了使用LightGBM进行电力负荷层次化多步时序预测的方法。基于GEFCom2012竞赛数据，预测美国某电力公司20个区域及系统总负荷的每小时用电量。核心流程包括数据预处理、特征工程（加入时间周期、滞后、滚动统计和气温等特征）、直接多步预测策略（避免递归预测的误差累积）以及WRMSE评估。实验结果显示，长周期特征（如过去一周负荷波动）对预测影响最大，直接多步预测策略有效控制了误差传播。文章
时序数据过去常被看作监控系统里的"指标数据"：写得快、存得下、能查曲线就够了。但在工业、交通、能源和城市治理场景里，时间数据正在进入调度决策、故障预测和综合研判链路。它不再只是连续上报的数值，而是业务运行过程本身。这也改变了时序数据库的评价标准。单点写入吞吐仍然重要，但真正能进入核心系统的时序能力，还要经得住高基数写入、复杂查询、分布式扩展和多模数据关联。343% 1000万设备TSBS写入场景下
摘要：随着物联网设备激增，时序数据处理成为数字化基础设施的核心能力。针对高频采集、海量写入、实时响应和长期存储等需求，传统数据库方案难以胜任。本文系统梳理五种主流时序数据架构模式：1）消息总线+时序数据库的解耦中台架构；2）边缘时序数据库+云端集中存储的边云协同架构；3）流处理引擎+时序数据库的实时计算架构；4）时序数据库+数据湖的冷热分层架构；5）一体化流式+时序计算引擎的简化架构。建议根据项目
IoTDB 采用 LSM-Tree 变体架构，结合内存 MemTable 与自研 TsFile 列式存储格式，将随机写转为顺序写。单机写入吞吐量：可达 150-500 万点/秒，是 InfluxDB 的 3-7 倍集群扩展能力：线性扩展至千万级点/秒，支持 5000 万+ 测点接入乱序数据容忍：支持 5 分钟内数据时序错乱，自动排序归并在 TPCx-IoT 国际权威基准测试中，IoTDB 写入性能
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
亚马逊云科技技术品牌专区
DAMO开发者矩阵
