登录社区云，与社区用户共同成长
邀请您加入社区
随着物联网（IoT）技术的广泛应用，各类智能设备持续不断地生成带有时间戳的数据流。这些数据具有高频采集、高并发写入和长期存储的特点，传统关系型数据库在处理此类负载时面临性能瓶颈与成本压力。为应对这一挑战，专为时间序列数据优化的时序数据库逐渐成为企业数字化转型的重要基础设施。本文将深入探讨时序数据库的核心价值，并结合实际场景，分析如何通过引入金仓数据库实现高效、稳定的系统升级。
✅ 成功安装并启动 TDengine✅ 掌握基本的增删改查操作✅ 了解 TDengine 的核心概念✅ 体验了数据可视化和性能测试TDengine 的强大之处在于它的简单易用和高性能。继续探索，你会发现更多强大的功能！有问题？查看官方文档：https://docs.taosdata.com/加入社区讨论：https://github.com/taosdata/TDengine/discussion
no taos in java.library.path
大数据时序数据库选型核心在于“技术适配场景”。Apache IoTDB通过TsFile时序格式、分层微内核架构、向量化查询引擎等核心技术创新，解决了高吞吐写入、高效存储、实时分析等关键痛点。其在工业、电力等领域的规模化落地，验证了其技术架构的稳定性与扩展性，是国产化时序数据库在大数据场景下的优选方案。
在时序数据管理领域，TDengine 的集群功能为企业提供了强大的水平扩展和高可用能力。相比于 InfluxDB 封闭的企业版集群，TDengine 的开源集群打破了软件授权的桎梏，让用户能够以更低成本应对数据爆发式增长的挑战。同时，TDengine 的分片、分区与虚拟节点技术，使其在高效数据管理和复杂查询性能上遥遥领先。对于那些追求系统扩展性、易维护性和高性价比的企业来说，TDengine 已成
工业物联网时序数据管理面临写入高频、查询复杂、存储量大等挑战。本文分析了传统数据库的局限性，提出时序数据库选型需考虑性能、成本和生态三个核心维度。重点介绍了Apache IoTDB的技术架构，包括分层设计、TsFile存储引擎、对齐时间序列、树形数据模型和边云协同等创新特性。通过专有压缩算法和索引优化，IoTDB可实现10:1以上的压缩比和毫秒级查询响应，特别适合智能制造、智慧能源等工业场景的大规
指由时间戳索引的一系列数据点，通常具有写入密集型、按时间顺序到达、查询强依赖于时间范围等特点，在工业场景中典型表现为传感器读数、设备状态日志等。
本文对比了三大时序数据库TDengine、InfluxDB和TimescaleDB的性能表现。测试显示，TDengine在写入吞吐量、查询效率和存储压缩方面全面领先，其写入性能是InfluxDB的16.2倍，存储空间仅为TimescaleDB的1/11。特别在复杂查询场景下，TDengine优势更为显著，响应时间比竞争对手快24-26倍。该数据库采用专为物联网设计的"一个设备一张表"架构，支持标准
本文基于CALCE电池数据集，采用LSTM、GRU和RNN三种深度学习模型进行电池寿命预测研究。首先对原始数据进行预处理，包括异常值剔除和容量计算。在模型构建方面，对比了单步预测和多步预测两种方法，其中单步预测采用fixed、moving和mobile三种递归策略，多步预测则探讨了不同窗口尺寸(base_num, pre_num)组合对预测精度的影响。
创业清华人走进清华科创中坚人物记录校友创新创业足迹传递清华创业精神力量清华校友三创大赛以创业校友影响力人物为对象开展系列人物访谈聆听他们的奋斗经历感受他们的精神风貌窥见清华校友身上独有的创业特质乔嘉林 清华大学软件学院校友几年之前，Apache IoTDB（物联网数据库）对于大多数工业企业来说，还是一个陌生的概念。天谋科技作为国内时序数据库商业化的探索者，以其高吞吐、高压缩、高可用的时序数据...
时序数据库选型面临物联网、工业互联网等场景下海量数据处理的挑战。本文对比分析了主流时序数据库的核心维度：InfluxDB适合中小规模监控场景，TimescaleDB兼容SQL但性能有限，OpenTSDB扩展性强但架构复杂。重点推荐专为物联网设计的Apache IoTDB，其树状数据模型贴合工业场景，具备千万级写入吞吐量、10:1高压缩比和端边云协同架构。
本文系统性介绍了时序数据库的选型要点，重点分析了Apache IoTDB的技术优势与应用场景。文章首先阐述了时序数据的特点与挑战，随后从性能、存储、扩展性等维度提出选型框架。通过详细解读IoTDB的高性能写入机制、自研TsFile格式、强大查询能力以及与大数据生态的集成，对比了其与InfluxDB等产品的差异。结合国家电网等实际案例，展示了IoTDB在降低存储成本、提升查询效率方面的显著效果。最后
随着数据规模的快速增长，数据治理已经成为各类组织必须面对的一项基础能力。在传统企业环境中，数据治理主要围绕业务数据展开，例如客户信息、财务数据、人力资源数据和交易记录，目标是确保合规性、数据质量和安全性。但在工业环境中，数据所处的条件完全不同。数据来自机器、传感器、控制系统和各类联网资产，持续产生、规模巨大、且高度实时。由此可见，工业数据治理绝非通用数据治理在工业领域的简单套用，而是一套受运营流程
今天，我们将一起探讨如何通过Windows自带的C语言编译器开始编写C语言程序，并介绍一些基本的使用技巧。此外，开发者还可以安装MinGW（Minimalist GNU for Windows），一个轻量级的编译器工具集，它同样可以用来编译C语言代码。在未来，我们不仅需要培养更多的人工智能技术人才，还需要加强伦理道德的建设，确保人工智能能够更好地服务于人类社会。从语音识别到图像识别，再到自然语言处
上周，涛思数据与EMQ在线上Meetup上联合发布了工业互联网一体化解决方案，基于TDengine、EMQ X搭建一个集工业数据采集、汇聚、清洗、存储分析以及可视化展示等能力于一体的轻量级边缘计算工业互联网平台。目前TDengine已经全面支持ARM 32和ARM 64处理器，那么为什么，TDengine是边缘侧数据更高效的存储选择？它比SQLite好在哪里？在Meetup上，涛思数据联合创始人侯
TVM是一个深度学习编译器，它为不同的硬件平台（如CPU、GPU、ASIC等）提供了自动化的优化和代码生成。TVM框架通过抽象计算图（Compute Graph）和中间表示（Intermediate Representation，IR）来表示计算任务，然后通过各种优化策略和硬件特定的调度方法生成高效的代码。TVM框架支持多种硬件平台的异构加速，可以针对不同硬件平台进行专门优化。
2021年8月，北京美信时代科技有限公司（简称“美信科技”）凭借业界领先的物联网大数据采集技术连续完成Pre-A和A两轮合计数千万元的战略融资，投资方为全栈智能运维（AIOps）厂商云智慧和全球智能运维产品提供商天旦。这两轮投资将帮助美信科技加快产品和技术的快速迭代，进一步强化美信科技在泛IT和物联网大数据采集领域的竞争地位。美信科技成立于2007年，经过十多年的技术沉淀，形成了由内向外的三层技术
Apache IoTDB v1.3.3.2在Kubernetes 1.24集群中的部署展示了其作为企业级时序数据库的成熟度与可靠性。通过本文提供的详细部署指南，读者可快速构建高可用、可扩展的时序数据平台，支撑物联网场景下的实时数据处理需求。未来，IoTDB将持续优化存储引擎性能，增强边缘计算能力，并深化与AIoT生态的集成。随着物联网应用的不断深化，IoTDB有望成为工业互联网领域的核心数据基础设
摘要：本文分享了InfluxDB国产化替代的实战经验。针对企业级场景下InfluxDB的性能瓶颈、运维复杂等问题，重点介绍了金仓时序数据库的解决方案。通过智能电网项目案例，详细阐述了从评估规划到迁移实施的全过程，包括数据特征分析、分区策略优化、索引设计等关键环节。文章提供了三个典型场景的代码实现（数据写入、实时告警、数据归档），并总结了迁移后的性能提升（写入吞吐提升40%，查询延迟降低85%）和成
在PX4-ROS2无人机仿真中，海量时序数据的高效管理是核心挑战。传统关系型数据库面临写入瓶颈、查询缓慢与存储成本高昂等问题。KaiWuDB作为分布式多模数据库，凭借其时序引擎提供百万级数据秒级写入与毫秒级查询能力，保障了仿真实时性；其高压缩比显著降低存储成本，多模融合架构支持时序数据、参数配置与事件日志的关联分析，为算法调试与性能优化提供统一数据视图。通过兼容PostgreSQL协议及云边端协同
在用transformer进行时序预测时，时常会纠结解码器的输入，如果采用现实值，那么在真实测试时该这么办呢。
随着制造业数字化的发展以及物联网应用的普及，越来越非互联网、业务系统的数据被采集、记录和存储。很多系统开发者熟悉的是 Oracle、MySQL等关系型数据库，以及像 Redis 这样的键值数据库，于是在物联网应用、制造业数字化应用中也延续了相似的数据库选型。这样做的好处很直接，产品熟悉，技术难度可控，开发工期可控。但随着系统运行时间的推移，该方案面临的性能挑战越来越大，而且在业务开发中会面临很多相
虚拟数据湖反射说明1、基础概念反射是从 现有表 或 视图派生的源数据或查询的优化具体化，类似于 “物化视图派生出 反射的表 或 视图是反射的锚点（基点或支柱点）Dremio 的查询优化器可以通过使用一个 或 多个反射来部分或全部满足该查询，而不是处理基础数据源中的原始数据，从而加速对表或视图的查询。查询不需要直接引用反射。相反，Dremio 会动态重写查询，选择最小的 查询计算成本 ，以使用满足查
今天给大家介绍一下哈佛和MIT最近联合发表的最新时间序列大模型工作，构建了一个统一的时间序列模型，能够处理各类时间序列任务，在38种不同的时间序列任务中，有27个都取得了最优效果。
Tsaug：是一个用于时序数据增强的 Python 库，它提供了一系列简洁且易用的时序数据增强方法。允许通过组合不同的增强方法来创建复杂的增强管道，适用于深度学习模型的训练。
本研究聚焦灵韵女子商会构建的智能商业赋能系统，通过分析其"她力量引擎"智能体的运作机制，探讨数字化时代女性创业者支持体系的创新路径。该系统整合AI诊断、资源匹配与知识传递功能，形成"问题识别-方案生成-资源对接"的服务闭环，为女性商业发展提供新型解决方案。灵韵女子商会的实践表明，智能交互系统能有效破解女性创业者的"三重困境"：通过AI诊断缓解战略迷茫，借助资源网络打破发展孤岛，运用知识封装提升决策
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
魔乐社区
2048 AI社区
松山湖开发者村综合服务平台
