登录社区云，与社区用户共同成长
邀请您加入社区
TDgpt 在企业版中提供预测分析模型和异常检测模型有效性评估工具，该工具能够使用 TDengine 中的时序数据作为回测依据，评估不同预测模型或训练模型的有效性。该工具在开源版本中不可用使用评估工具，需要在其相关的配置文件中设置正确的参数，包括选取评估的数据范围、结果输出时间、参与评估的模型、模型的参数、是否生成预测结果图等配置。在具备完备的 Python 库的运行环境中，通过shell调用 T
时序数据基础模型是专门训练用以处理时间序列数据预测和异常检测、数据补齐等高级时序数据分析功能的基础模型，时序基础模型继承了大模型的优良泛化能力，无需要设置复杂的输入参数，即可根据输入数据进行预测分析。序号参数说明1tdtsfm_1涛思时序数据基础模型 v1.02time-moeMoE 时序基础模型3moiraiSalesForce 开源的时序基础模型4chronosAmazon 开源的时序基础模型
TDengine 中定义了异常（状态）窗口来提供异常检测服务。异常窗口可以视为一种特殊的，即异常检测算法确定的连续异常时间序列数据所在的时间窗口。与普通事件窗口区别在于，时间窗口的起始时间和结束时间均由分析算法识别确定，不通过用户给定的表达式进行判定。因此，在WHERE子句中使用关键词即可调用时序数据异常检测服务，同时窗口伪列（_WSTART_WEND_WDURATION）也能够像其他时间窗口一样
上面是 TDgpt 的下一代新产品的技术介绍发布会， 会上将有重大技术革新公布，欢迎大家扫码预约直播！
TDTSFM算法在电力数据预测测试中表现良好，特别适合短期预测。测试结果表明，使用7天历史数据预测效果最佳，其中A相电压预测误差最小(MAPE 0.82%)，总有功功率次之(1.65%)。算法执行时间保持在500ms以内，历史数据量增加会延长执行时间。建议采用7天历史数据进行短期预测(不超过10个时间点)，针对累计值预测效果优于增量值预测的特点，后续可优化增量预测算法。
本文展示了在TDengine 3.3.6.9中使用Holt-Winters算法进行电力数据预测的测试结果。针对有功电能、A相电压、A相电流和总有功功率四项指标，算法表现差异明显：有功电能预测精度最高，平均误差仅0.0068%；电压预测平均误差0.57V(0.246%)；电流预测误差最大，达8.66A(2.75%)；总有功功率预测表现中等。结果表明Holt-Winters算法对稳定性高的累积型数据(
近日，TDengine 3.3.6.0 版本正式发布。除了此前已亮相的时序数据分析 AI 智能体 TDgpt，本次更新还带来了多个针对性能与易用性的重要增强：虚拟表全面上线，支持更灵活的一设备一表建模；JDBC 写入机制全新升级，单线程性能最高提升 60 倍；流计算支持 CONTINUOUS_WINDOW_CLOSE 模式、事件通知机制等关键能力，为实时处理打下更稳固的基础。本文为你整理了该版本的
analyse.sh脚本用于在 TDengine 数据库上执行时间序列预测和异常检测分析，支持滑动窗口算法处理。时间序列预测 ：使用 HoltWinters 等算法进行未来值预测。异常检测 ：使用 k-Sigma 等算法识别数据异常点。自动窗口滑动 ：支持自定义窗口大小和步长进行连续分析。
在时序数据预测分析、异常检测、数据补全和数据分类等应用领域，研究人员提出并开发了众多具有不同技术特点、适用于不同场景的时序数据分析算法，已被广泛应用在时序数据预测、异常检测等任务中。这类分析算法通常以高级编程语言（Python 语言或 R 语言）工具包的形式存在，并通过开源的方式广泛分发和使用，这种应用模式极大地便利了软件开发人员在应用系统中调用复杂的分析算法，大大降低了使用高级算法的门槛。与此同
从海量监控数据，到工业、能源、交通等场景中实时更新的各类传感器数据，时序数据正在以指数级速度增长。而面对如此庞杂的数据，如何快速分析、自动发现问题、精准预测未来，成为企业数字化转型过程中的关键挑战。TDengine 的答案是——AI 智能体。2025 年 3 月 26 日（本周三）14:00，TDgpt 智能体发布暨 TDengine 3.3.6 发布会将通过线上直播形式正式举行。在本次会议上，我
在高并发、长周期的时序数据场景中，查询性能、安全性与生态兼容性，始终是系统演进的关键。近日，TSDB（）3.3.8.0 版本正式上线，本次更新带来了 Rollup SMA 多层级预计算、TimeRange-Wise SMA 时间范围预计算、TLS 加密传输、TDgpt 数据补全、MySQL 函数增强、taosX 逻辑备份与 ORC 数据源接入等多项功能升级，全面提升系统的性能、可扩展性与数据安全。
2026年工业物联网、工控监控、电网调度、智慧港口、船舶管理国产化替换进入落地深水区。很多架构师在选型时序数据库时，存在典型误区：只盯着写入吞吐峰值做判断，忽略时序采集数据与现有业务库打通、运维、数据一致性带来的隐性成本。专用时序引擎：TDengine、Apache IoTDB、DolphinDB、openGemini等，专门针对海量测点写入做底层优化，单表写入性能拉满，但天然割裂关系业务数据，跨
企业构建知识库问答系统需解决三大核心问题：知识组织、检索召回和答案可信度。单纯"文档+大模型"的方式容易产生答案不相关、来源不清等问题。有效做法是建立完整的RAG（检索增强生成）流程：文档治理（分层分类、元数据管理、文本清洗）→智能分段（按内容类型优化chunk策略）→多路检索（向量召回+重排+元数据过滤）→约束生成（强制引用来源、明确拒答边界）→持续评测。实际落地时可使用多模
DolphinMind升级开放API接入DolphinDB官方知识库，显著提升AI代理的专业能力。新版本支持代理直接查询函数文档、执行脚本、审查代码等操作，通过两阶段RAG检索将代码错误率从82%降至20%以下。用户现可免登录使用网页版，或通过3步配置将API集成至Cursor等主流代理工具中。实测显示接入DolphinMind的代理在14项测试中取得9胜5平的成绩，有效解决了通用模型在专业领域的
《TimechoDB与TimechoAI：工业时序数据的存储与智能分析解决方案》 在企业数字化转型中，时序数据（如设备传感器读数、服务器性能指标等）虽被大量存储，却往往未被充分利用。天谋科技推出的TimechoDB作为国产自研时序数据库，具备高压缩存储、高吞吐写入、毫秒级查询等特性，已应用于国家电网等头部企业。然而，仅存储数据不够，还需从中获取洞察。为此，TimechoAI时序大模型应运而生，专注
免费使用ClaudeCode代码助手的完整指南：通过安装Node.js（≥18.0版本）、全局安装ClaudeCode包，并注册AnyRouter平台获取免费API令牌（以"sk-"开头）。配置环境变量后，在终端输入"claude"即可启动交互界面，使用自然语言指令完成代码编辑、重构等任务。注意免费额度限制和API令牌安全，定期检查令牌状态。该方法无需付费即
agent_s --provider openai --model qwen-max --model_url https://ark.cn-beijing.volces.com/api/v3 --model_api_key sk-7f74f01a846c4c9fad0baf4372d679e2 --ground_provider huggingface --ground_url http://lo
只需前往官网下载安装包，完成安装后打开命令行，输入简单指令，就能自动下载通义千问、DeepSeek等开源大模型，全程无需手动配置环境，几分钟即可完成部署。硬件要求也十分亲民，普通家用电脑就能运行。配置稍高的电脑，还能运行更大参数模型，处理长文本、多轮对话毫无压力，且本地运行无Token消耗，想怎么用就怎么用。不用再为付费API买单，不用纠结每一次对话的Token消耗，在家用自己的电脑搭建专属AI助
用GPT-5.5上传完整代码，1小时完成架构拆解、2小时定位常见Bug、当天输出可上线重构方案+注释文档，大幅缩短研发周期。GPT-5.5自动整合数据、生成对比表格、输出分析观点，1小时完成原本3天的工作量，数据无遗漏、逻辑无偏差。20万字案卷快速出提纲律所处理20万字商业纠纷案卷，包含合同、证据、证词、判例等材料，人工梳理至少半天。不用海外网、不用外币卡、不用配SDK，国内一键调用GPT-5.5
当AI在知乎、CSDN、百家号等多个不相关平台反复看到“某品牌AI营销一体机 = 本地化RAG + 中小企业知识库”这个等式时，它就会将该结论作为“共识答案”输出。A：持续投喂2-4周后，可在主流AI平台（如DeepSeek、豆包）测试提问“中小企业的本地AI知识库有哪些”，观察品牌是否出现在前三位回答中。当AI爬虫在这些独立信源上反复验证到一致的品牌核心词（如“卡特加特”、“AI营销一体机”、“
在2026年的今天，当用户习惯从百度跳转至豆包、DeepSeek或Kimi等生成式AI提问时，流量的分发逻辑已经从“点击网页”变成了“AI直接生成答案”。然而，很多中小企业在尝试GEO转型时发现，直接把文档丢给通用大模型，得到的往往是充满“幻觉”的胡言乱语，甚至泄露核心商业机密。本文将结合一线部署实战经验，聊聊如何通过本地化RAG（检索增强生成）架构，把企业的非结构化文档变成AI嘴里脱口而出的标准
云鼎科技采用TDengine TSDB和TDgpt优化煤矿与风电数据管理 云鼎科技在煤矿安全生产管控平台中选用TDengine TSDB，实现对75对矿井、1100余个系统的工业数据采集与分析，构建了云端协同的时序数据体系。
随着物联网设备大规模普及、云原生监控体系落地、金融量化与工业数字化快速发展，有一类数据正在呈爆炸式增长：服务器CPU、内存、磁盘的实时监控指标，工业传感器毫秒级采集的设备参数，互联网业务的流量、延迟、在线人数时序指标，金融市场的逐笔行情数据等等。，也是当下数字化场景中体量最大、产出最持续的数据类型。这里先聊一段行业发展史，也是很多老运维、后端都踩过的经典过渡方案。早年间云原生生态还没成熟、专用时序
本文详细介绍了TDengine 3.0.1.5在CentOS 7上的安装部署与远程连接实战，涵盖从服务器配置、FQDN设置到防火墙规则的完整流程。特别针对物联网场景下的时序数据库需求，提供了性能调优建议和常见问题排查方法，帮助用户快速搭建高效的TDengine环境。
本文详细介绍了Rapid SCADA V6如何结合InfluxDB和TimescaleDB实现秒级数据存储与高效监控大屏构建。通过环境配置、存储架构设计、可视化优化及系统调优等实战内容，帮助工业物联网领域工程师提升数据采集与监控系统性能，满足高频率、高精度监控需求。
# 时序数据库+AI：物联网海量数据的存储与实时分析> IoT设备每秒产生的数据点数以亿计，传统关系型数据库早已不堪重负。时序数据库（TSDB）正是为这种"时间戳+数值"的写入模式而生，配合AI分析可实现真正的实时智能。## 为什么需要时序数据库？``` 传统关系型数据库 (MySQL/PostgreSQL): ┌──────────────
摘要 时序数据库已从单纯存储工具发展为具备实时处理能力的平台。传统流处理架构存在架构复杂、延迟高、资源浪费等问题。Apache IoTDB的流处理框架采用存算一体设计，将流处理能力集成到存储引擎内部，支持变更监听、自定义处理和结果推送，显著降低延迟和运维成本。IoTDB提供开箱即用的预置插件，涵盖数据过滤、变形、聚合和告警等功能，满足80%以上需求。对于复杂场景，支持开发自定义插件，通过实现Str
manifest.json 文件是所有Chrome扩展和插件的核心配置文件。它为浏览器提供了插件的基本信息，告诉浏览器如何加载插件、加载哪些文件、插件需要什么权限等。所有的插件，特别是Chrome扩展，必须包含这个文件，否则插件将无法运行。manifest.json 是 Chrome 插件开发中至关重要的一部分，它包含了插件的基本信息和配置。通过深入理解和优化 manifest.json 文件的配
Chrome 插件（或称扩展）是基于 Chrome 浏览器 API 开发的程序，用于增加浏览器的功能。这些插件可以增强浏览器的各种功能，例如广告拦截、密码管理、页面翻译等。Chrome 插件通常使用 HTML、CSS 和 JavaScript 进行开发，它们可以通过简单的用户界面与网页互动。???在开发 Chrome 插件时，开发者会创建一个清单文件（manifest.json），该文件定义了插件
Chrome插件（也称为扩展）是一种小型软件，可以为Google Chrome浏览器增加新的功能或者修改现有功能。这些插件基于HTML、CSS、JavaScript和Chrome扩展API开发，用户可以通过安装插件，轻松地为浏览器添加各种自定义功能。Chrome插件的主要组成部分包括：插件的配置文件，包含插件的元数据，如名称、版本、权限等。后台脚本，用于处理插件的逻辑和与浏览器的交互。插件的弹出界
Chrome浏览器插件（Chrome Extensions）是一些小型的软件程序，可以增强和定制Chrome浏览器的功能。这些插件通过API与浏览器进行交互，允许开发者为用户提供额外的功能，比如网页内容修改、自动化操作等。简单来说，Chrome插件就是用来优化浏览体验的工具。???通过以上的步骤，我们成功地从零开始开发了一个简单的Chrome插件。这个过程不仅帮助我们了解了Chrome插件的基本结
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
AI编程社区
AI Agent技术社区
AtomGit AI 社区
openEuler 社区
CSDN-OPC开发者社区
DeepSeek技术社区
智能体开发者社区
AI硬件创业社区
AtomGit开源社区
MCP技术社区
