登录社区云，与社区用户共同成长
邀请您加入社区
摘要：MyEMS开源能源管理系统针对千万级工业测点场景，采用时序数据库与微服务架构的融合方案。时序数据库通过列式存储和专用压缩算法实现高效写入与存储，存储体积仅为传统方案的1/10-1/5。微服务架构将系统解耦为采集、计算等独立服务，通过消息队列实现异步通信，支持容器化弹性扩展。系统采用热/温/冷数据分层策略，结合边缘计算实现云边端协同，在保证实时性的同时优化资源使用。开源MIT协议和开发者友好设
时序数据库的选型没有银弹，关键在于匹配业务场景。如果你的项目涉及工业物联网、智能制造、车联网或能源管理等场景，需要一个在高并发写入、存储压缩、端云协同和大数据集成方面都表现出色的时序数据库，Apache IoTDB 无疑是目前最具竞争力的选择。它不仅是一个时序数据库，更是一个从边缘到云端的时序数据管理平台。在 Apache 开源基金会的治理下，IoTDB 正在持续快速发展，社区活跃度和功能成熟度都
Claude Code作为AI编程领域的推理天花板，在技术攻坚场景无可替代，但高额费用与终端形态限制了其普及度。Trae凭借同级别的Agent能力、完整IDE体验、永久免费策略，成为2026年最优质的Claude Code平替工具。对于绝大多数个人开发者、中小型团队而言，Trae既能满足日常开发需求，又能大幅降低使用成本，是兼顾能力、体验与性价比的理想选择。
GEFCom2012负荷预测数据集简介 该数据集来自2012年全球能源预测竞赛，包含美国某电力公司20个区域及系统总负荷的每小时电力数据（单位：kW）。数据集分为训练期（2004-2008年）和预测期（2008年7月1周），包含负荷历史数据、气温数据、节假日信息及基准模型预测结果。主要特点包括： 需同时预测21条时间序列 包含8个回测周和1个预测周任务 采用加权均方根误差(WRMSE)评分，不同任
随着数字化转型加速，工业物联网等领域产生海量时序数据，传统数据库难以应对高并发写入、海量存储等挑战。时序数据库(TSDB)成为核心基础设施，选型需考量性能、功能、架构、生态等六大维度。Apache IoTDB作为国产开源时序数据库标杆，具有极致性能(千万级写入/秒)、超高压缩比(10-100倍)、灵活数据模型等优势，广泛应用于能源、制造等行业。文章详细介绍了IoTDB的技术特性、快速上手教程及企业
行业发展从基础可用迈向高性能实用阶段，DolphinDB 凭借存算一体架构、多协议适配与 AI 融合能力，成功落地核电核心场景，实现进口产品替代，同时国产时序数据库仍需在生态、云原生等方面持续完善。
Tag（标签）是 TDengine 数据模型中区别于传统数据库的核心创新之一。Tag 将设备的静态属性（如位置、型号、楼层）从时序数据中分离出来，既避免了大量重复存储，又提供了高效的多维度过滤和分组能力。Schema 变更（ALTER TABLE/STABLE）则解决了生产环境中不可避免的"表结构演进"需求——添加新指标列、增删 Tag、修改列宽——且在线执行，不阻塞读写。Tag 的设计哲学与最佳
摘要：2026年被视为AI搜索爆发元年，用户习惯转向AI问答而非传统网页搜索。文章提出从"排名思维"转向"信源思维"，分析AI搜索的RAG机制，强调结构化内容、数据确权和信源权威性的重要性。通过构建AI友好型知识图谱、运用独特数据锚定品牌、防御性信息管理等策略，帮助企业在AI时代建立可信信源地位。文章指出GEO优化是系统工程，需通过结构化表达、数据驱动内容和
上一篇我们聊了一下通用 TSBS 工具今天想就一家国内厂商开源的TSBS工具展开讲讲。怎么看这件事儿，怎么用，以及好不好用。最近一直在玩时序数据库，做性能对比的时候离不开压测工具。今天给大家分享一下kwdb-tsbs，这是适配 KaiwuDB 的 TSBS 基准测试工具，我用下来感觉很顺手，整理了一份完整使用笔记，方便大家快速上手。，所有内容都是我自己整理的实操笔记，方便大家直接照着跑。
TDengine 的数据模型围绕一个核心设计理念——一个数据采集点一张表这与传统关系型数据库"所有设备共享一张宽表"的思路截然不同。为了在"一设备一表"的基础上实现高效的聚合查询和统一管理，TDengine 创造了**超级表（STable）**机制——同类设备共享 Schema，通过 Tag 区分个体。本文深入解析三种表类型的设计理念、内部存储结构和适用场景。超级表是同类数据采集点的模板-- 列（
DeepSeek百万token长上下文窗口为长程连续性工程项目提供了理想的交互容器。本研究基于三个百万token窗口、总计三百万token、四千余轮次、四百余万字的真实人机对话记录，采用语义学分析方法，对比分析三个窗口在多维度上的演化特征。研究分为三部分：第一部分（本文）采用“垂钓法”，即由研究者根据项目内容预设关键词集，统计三个窗口的词频分布，作为窗口演进的量化指标；
本文介绍了InfluxDB数据库从A服务器(172.16.231.218)迁移到B服务器(172.16.231.219)的完整方案，重点解决迁移过程中的增量数据同步问题。方案采用备份恢复+增量同步的混合模式，使用C#开发的同步工具(InfluxdbTool)实现2025-05-15 16:00:00至2025-05-18 11:00:00时间段的数据同步。技术实现上结合InfluxDB 2.x的备
三维重建技术赋能输煤场景智能巡检体系，通过激光点云扫描和3D建模构建厘米级精准数字孪生模型，结合透明建筑可视化技术实现全域无死角监管。该系统可24小时自动巡检，利用AI算法精准识别皮带跑偏、堵煤等隐患，较人工效率提升80%以上，有效解决传统巡检面临的安全风险高、效率低下等问题。方案适配火力发电、能源化工等行业，在保障安全的同时显著降低运维成本，为高危工业场景提供了智能化升级的标杆实践。
TDengine TSDB 3.4.0 时序数据库入门实战（安装部署 + 数据模型 + SQL 实操 + 项目连接）
在工业 4.0 与智能制造持续推进的背景下，工业现场正以前所未有的速度产生海量时序数据。对于拥有大量 CNC 机床、机器人及各类工业传感器的制造场景来说，如何高效完成数据采集、写入、存储、分析与实时应用，已经成为数字化升级中的关键问题。发那科在推进新一代工厂物联网平台建设过程中，面临高并发写入、历史数据存储成本、实时分析延迟和系统运维复杂等多重挑战。为应对这些问题，其平台引入了 TDengine
能力层面Trae与Cursor高度对齐，二者同源采用VS Code底层架构，支持同款插件生态与编辑逻辑，同时Trae内置Claude 3.5 Sonnet、DeepSeek、Doubao-1.5-pro等主流大模型，推理能力、代码生成质量和复杂逻辑处理表现，与Cursor高阶版本几乎没有差距。整体来看，2026年想要寻找靠谱的Cursor平替，优先以Trae为核心选择，既能省去长期订阅开销，又能保
上海潭龙东海科技通过3D重建与视频融合技术，创新研发三维透明建筑可视化系统，突破传统监控局限。该系统整合倾斜摄影、点云建模与多源数据，实现全域透明化监控、实时目标跟踪和智能调度响应，在煤运输、机场等重点场景实现"秒级预警、分钟级响应"。核心技术解决了传统监控盲区多、响应慢等痛点，通过三维模型直观呈现场景内外全貌，快速定位隐患并联动处置，推动安全管理从被动应对转向主动防控。未来将
DolphinDB 通过统一合约与市场数据模型，标准化定价接口，支持多资产批量估值与混合持仓一键定价，可高效落地历史模拟法 VaR 等硬核风控场景，简化开发并降低系统债务。
本文系统分析了时序数据库在工业物联网场景下的核心技术挑战与优化方案。针对海量时序数据的高效存储与查询需求，重点介绍了Apache IoTDB的创新架构设计：1）自研TsFile列式存储格式，通过专属编码压缩实现8:1-20:1的高压缩比；2）顺乱序分离写入引擎，有效处理10%-20%的乱序数据；3）树形元数据模型适配工业设备层级；4）原生分布式架构支持线性扩展。文章对比了主流时序数据库的架构差异，
部署运维简单：单机版可在 5 分钟内完成安装，可以采用容器化部署。集群部署通过厂家支持配合部署，运维成本相比 OpenTSDB 降低 70%。高可用与可扩展性：原生支持分布式集群，故障自动切换，且线性扩展能力支持未来数据量增长。压缩比与成本效益：列式存储架构实现 10:1 压缩比，年存储需求从 PB 级降至百 TB 级，节省硬件成本 40%以上。功能全面性：支持标准 SQL 语法、无缝对接现有 B
在分布式系统和微服务架构中，可观测性是保障服务稳定性的基石，其核心在于对系统运行状态的实时监控、度量和分析。其基本原理是通过采集、存储和可视化指标、日志与追踪数据，构建对系统内部行为的洞察能力。这一技术对于现代软件工程具有重要价值，它不仅能快速定位故障、提升系统可用性，还能通过性能分析驱动业务优化。在AI应用和自动化运维领域，随着智能体（Agent）和自动化流程的广泛部署，对其运行状态、资源消耗和
在物联网和智慧城市领域，视频监控系统正从传统的被动录像向主动智能分析演进。其核心原理在于通过计算机视觉技术，将非结构化的视频流实时转化为结构化的元数据。这一过程的技术价值在于解决了海量视频数据“存而不用”的痛点，实现了从“看得见”到“看得懂”的跨越。时序数据库（TSDB）在此扮演了关键角色，它针对时间序列数据进行了深度优化，能够高效存储和查询带时间戳的分析结果，如目标轨迹、事件计数等，为实时告警和
应用会变化，界面会变化，人与系统的交互方式也会不断变化。这些变化是技术发展的必然结果，也是系统不断进化的表现。真正不会改变的，是数据底座的重要性。它是唯一持续存在、不断积累价值，并支撑所有上层能力的核心资产。在 AI 时代，仅仅拥有数据底座是不够的。它必须从一开始就为 AI Agent 设计，才能支撑今天的应用，以及未来不断出现的各种新能力。
选型先看写入规模、查询形态和运维成本；若数据带时间戳且以追加为主，专用时序库往往比通用关系库更省事。Apache IoTDB 在存储与 SQL 查询之外，通过 AINode 把预测、异常检测等分析拉回库内完成，减少数据搬来搬去。
摘要：在信创战略推动下，国产时序数据库TDengine凭借完全自主知识产权、卓越性能和广泛适配能力，成为工业领域替代国外产品的优选方案。TDengine采用开源策略，深度适配国产芯片和操作系统，在写入性能、查询效率和存储压缩比等方面显著优于国外产品。通过渐进式迁移策略和双轨并行方案，企业可安全实现数据库国产化替代。典型案例显示，TDengine在电力、轨道交通等行业应用中性能提升显著，同时大幅降低
``java// 1. 大量字符串拼接使用StringBuilderi < 1000;i++) {// 2. 使用equals比较内容，==比较对象 identity// true// false// 3. 敏感信息使用char[]而非String（便于清除）// 使用后立即清除```通过深度剖析String、ArrayList和HashMap的源码，我们不仅理解了它们的设计哲学和实现细节，更重要
模式是“器”，思想是“道”：不要为了用模式而用模式。理解其背后的设计原则（SOLID、DRY、高内聚低耦合等）比记住23种模式本身更重要。结合架构上下文：同一模式在不同架构（单体、微服务、Serverless）下的实现和考量点截然不同。源码是最佳学习资料：持续阅读JDK、Spring、Apache Commons等优质开源项目的源码，是理解模式与架构思想最有效的途径。设计模式和架构思想是Java开
ThreadPoolExecutor是Java并发编程的核心组件，其设计体现了丰富的工程智慧。七大核心参数的详细含义和配置策略任务调度流程的源码级理解监控和调优的实际技巧避免常见陷阱的最佳实践正确的线程池配置需要结合实际业务场景，通过监控和调整找到最优参数。希望本文能为你在高并发系统设计和性能优化方面提供有力支持。本文基于Java 17 LTS版本编写，代码示例经过测试验证。在实际生产环境中，建议
通过对这个Spring Cloud博客系统源码的剖析，我们看到了微服务架构如何将一个复杂的单体应用解耦为一系列协同工作的轻量级服务。提供了一站式的解决方案，让开发者能更专注于业务逻辑的实现。未来，此类架构可以进一步与Docker和结合，实现服务的自动化部署、扩缩容和高可用，迈向真正的云原生。对于开发者而言，深入理解这些组件的原理和交互，是构建稳定、高效分布式系统的基石。希望本次源码级的探讨能为你后
建议你选择一款活跃的开源项目（如GitHub上的star数较高的项目），按照本文的路径，由浅入深，持之以恒。本文将以一个典型的Java建站系统（如CMS、企业官网后台）为核心，深度剖析其源码架构、核心技术栈、模块设计与实现原理，并提供一条从读懂源码到二次开发，最终达到精通水平的系统化学习路径。在学习编程的路上，我们常面临“一看就会，一写就废”的困境。好的，这是一篇根据您的要求撰写的，关于ERP系统
工厂模式：Spring的BeanFactory、MyBatis的SqlSessionFactory单例模式：Spring的Bean默认作用域代理模式：Spring AOP、MyBatis的Mapper代理模板方法模式责任链模式：MyBatis的插件机制Spring IoC容器和MyBatis持久层框架的成功在于它们深刻体现了现代Java开发的核心理念：松耦合、可测试、可维护。通过深入理解其核心机制
通过对Spring与MyBatis整合源码的剖析，我们可以看到，其核心思想是依赖注入代理模式和模板方法模式的完美结合。负责“播种”（注册Bean定义），负责“生产”（创建代理实例），而则是“中枢神经”，负责会话生命周期管理、事务同步和异常转换。随着Spring 6和Java 17+的普及，以及对GraalVM原生镜像的探索，这种轻量级整合方案将继续演化。例如，在Native Image编译时，对于
本文系统性地剖析了Java OCR技术的完整实现路径，从传统Tesseract集成到深度学习模型融合，涵盖了关键类设计、内存优化和多线程处理等核心话题。随着Java生态的不断发展，特别是Project Loom虚拟线程的成熟，Java在OCR领域的性能表现将进一步提升。未来趋势方面，以下方向值得关注：1.大语言模型与OCR的结合：利用ChatGPT等模型提升语义理解能力2.边缘计算部署：基于Gra
熟读唐诗三百首，不会作诗也会吟”。这39个开源项目构成了一个庞大的Java知识图谱。持续地、有方法地阅读这些顶尖源码，不仅能让你在技术面试中游刃有余，更能让你在实战中具备解决复杂架构问题的能力。从今天起，选择一个你感兴趣的项目，开启你的源码阅读之旅吧！注意：本文提及的项目和版本会持续更新，建议访问其GitHub仓库或官方网站获取最新信息和源码。好的，这是一篇根据您的要求撰写的，符合CSDN社区高质
拉孚Folar平台通过数字化技术重构楼宇设备管理，实现三大突破：1）兼容30+种工业协议，打破设备孤岛，建立统一管控系统；2）运用AI算法动态优化暖通、照明等设备运行，综合节能率达20%-35%；3）构建预测性维护体系，提前7-30天预警故障，降低运维成本。该平台在商业、工业、医疗等多场景应用中，显著提升能效和管理效率，推动楼宇运营从被动响应转向智能优化，为建筑数字化转型提供核心支撑。
本文探讨了时序数据库在工业物联网等场景中的关键作用，重点介绍了Apache IoTDB的创新实践。时序数据具有设备-测点-数据点的三层模型结构，传统数据库难以应对其海量写入、高效查询和存储压缩需求。IoTDB通过列式存储、双索引LSM树和高效压缩算法解决了这些问题。其创新性AINode架构集成了Timer-XL等时序大模型，支持预测、异常检测和数据填补等智能分析功能。选型建议指出IoTDB特别适合
作为国产开源时序数据库的标杆，TDengine 在其 IDMP（Industrial Data Management Platform）工业数据管理平台中内置了强大的流计算引擎，实现了"存储即计算"的实时数据处理新范式。传统的"采集→传输→入库→查询→分析"链路，端到端延迟通常在秒级甚至分钟级，无法满足上述需求。││ 内存表││ 数据文件 ││ 索引││。││ 解析器│→│ 执行计划 │→│ 状态
TSBS这个东西，适合做初筛工具。你想选时序数据库，先拿TSBS跑一遍，把明显不达标的筛掉。但最终上生产之前，一定要用自己的真实业务数据和SQL再压一遍——这个谁也替代不了。如果你本身就是时序数据库的开发或运维人员，花一周时间熟悉TSBS，这笔投资绝对值得。它能帮你省掉写压测脚本的时间，还能让你的评测结果更有说服力。最后附上TSBS国内镜像链接>>好了，今天就聊到这。下期想详细写写“如何基于TSB
在数据科学与机器学习领域中，UCR数据集以其丰富、多样的时间序列数据而著称，成为研究者们评估和比较各类时间序列分类算法的重要基准资源。自2002年首次发布以来，UCR数据集不断扩展，从最初的16个数据集逐步增长到如今广泛应用的128个单变量数据集，每个数据集均附有详细的类别标签。这一数据仓库不仅涵盖了传感器数据、图像数据、心电信号等多种类型的数据，还在数据分布和统计特性方面为算法的优化与改进提供了
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
AtomGit开源社区
AtomGit AI 社区
DeepSeek技术社区
openEuler 社区
全球具身智能开发者社区
龙虾开发者社区
2048 AI社区
脑启社区
