工厂里的设备传感器、电网中的负荷记录、物流系统中的轨迹信息、金融市场的交易数据，每秒钟都在产生海量的时间序列。它不是把通用大语言模型换个皮肤套到时序场景上，而是从底层就为时序而生一一针对工业预测、设备异常、能源负荷、生产分析等真实业务场景产生的多领域时序数据进行大规模预训练和深度优化。： 平台已经上线了北京、广州、上海等城市的实时气温、湿度、风速、PM2.5预测应用示例。平台内置了多个示例数据集，

未来，团队将持续深化 Timer 大模型的技术迭代，进一步优化其在低资源场景、实时推理、多模态时序融合等方面的能力，推动国产时序大模型技术走向更广阔的产业场景，为我国重点领域数字经济的高质量、高智能发展提供更坚实的技术保障。企业无需额外搭建复杂的 AI 框架，即可轻松实现时序数据的预测、预警与价值挖掘，让沉淀的时间数据真正转化为可落地的业务价值。在数字化转型深入推进的当下，国产时序大模型正以坚实的

Apache IoTDB PMC 乔嘉林将带来专题报告《工业时序数智库 AIoTDB》，分享时序数据库技术如何赋能工业多模态智能场景。多模态感知与人工智能正加速深度融合，工业时序数据作为 AI 落地的核心生产要素，正在成为产业智能化升级的关键底座。清华大数据智能讲堂第 9 期「多模态感知与人工智能的融合发展」完整活动议程、嘉宾阵容如下👇欢迎各位。，在线下/线上参与我们的讨论！4 月 22 日（明

围绕 Apache IoTDB 和 TimechoAI，天谋科技将继续深耕工业时序数据领域，持续打造面向工业场景的数据基础设施与智能分析能力，让每一台设备产生的数据都能被更高效地管理、更及时地分析，并进一步服务真实业务中的预测、优化与决策。它所代表的，并不是一个孤立的 AI 功能点，而是工业系统围绕时序数据能力的一次自然延展：让数据不仅可存、可查，也进一步具备可分析、可预测、可辅助决策的可能性。从

这次航空场景中的实践也再次说明：在复杂、高要求的行业场景里，AI 的价值并不只是“用了模型”，而在于是否真正理解业务、定义好问题，并把模型能力嵌入到可执行的业务流程中。对航空公司来说，一次关键部件故障带来的影响，从来不只是一次维修本身。在航空运维场景中，重要的不只是“故障发生后尽快处理”，还在于能否在故障真正影响运行之前，更早识别异常征兆，把被动维修尽可能前移为预见性维护。当故障样本稀少、工况高度

那么，能不能专门练这些基本功，形成一个通用的时序分析组件，去降低各个场景的数据准备和模型构建的成本？时序大模型，就是把海量时序数据里的通用规律，提前学成一个超级 AI 底座，拿来就能用、少数据也能用。其中，时序大模型是可以直接使用的，而预训练数据，是时序大模型研发人员要考虑的，使用者不需要考虑。在时序算法工程师的多年探索后，也同时受到大语言模型的启发，不论是什么时序分析场景，都会涉及到。有了时序大

大家对待这类场景的一条解决途径，就是通过各种观测手段，采集大量的观测数据（时序数据），如温度、振动、电流、大气压等。对工程师而言，机理知识就像一份详尽的设计蓝图，是“上帝视角”。大家从数据中挖掘规律和知识的一个重要方式，就是做模型算法，把数据的知识学到模型的参数里，有点像往大脑里输入信息。：面对全新设备或流程，没有可直接使用的机理知识，希望将数据预测快速引入系统，进行流程验证，降低“冷启动”时间。

作为模型研发方，我们无法穷尽时序大模型在每一个具体场景中的预测效果，这需要用户在自己的领域中去实际验证。：时序智能分析的场景多种多样：有的要预测未来变化，有的要识别曲线对应的事件（如开机还是关机）。：在实际客户项目里，这种三方协同的模式推进周期会非常长，业务专家要提供业务输入，数据分析师要从数据角度给出思路，：Timer 发源于清华大学软件学院，这也是 IoTDB 的发源地，由清华大数据团队研发，

其研究方向涵盖流程挖掘、数据科学、流程智能、业务流程管理、人工智能、机器学习、工作流自动化、佩特里网、流程建模与仿真。他同时担任国际信息处理联合会会士（IFIP Fellow）、电气和电子工程师协会会士（IEEE Fellow）、美国计算机学会会士（ACM Fellow），并当选荷兰皇家艺术与科学院院士、荷兰皇家科学与人文学会院士、欧洲科学院院士、北莱茵-威斯特法伦州科学人文艺术院院士、德国国家科

输入就不应只是拥堵指数的历史数据，还应包括过去时段的降雨量、是否节假日、是否有大型活动等协变量的历史序列。这个场景的精髓在于：目标变量本身很难预测，但有些影响它的协变量，其未来值是已知的或可以被精准预测的。它就是这样一个聪明的函数，能够灵活地整合不同维度的历史与未来信息，为我们描绘出关于未来的趋势。在这里，输入中除了目标变量本身的历史，还加入了其他相关变量的历史，这些变量被称为。今天，我们来“祛魅