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！

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。

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。关于 TDengineTDengine 专为物联网IoT

4.查询引擎 |：01 查询引擎概览：TDengine v3.x（v3.3.x / v3.4.x）|最后更新：2026-06-07TDengine 的查询引擎是一套面向时序数据特征定制的分布式 SQL 执行框架。它从客户端解析 SQL 开始，经过语义分析、逻辑/物理计划生成、任务下发、算子并行执行、最终结果汇总，全过程围绕"按时间分片+按子表并行+按列裁剪"的核心理念展开。

TDengine 持续扩展 SQL 语法，新版本可能将之前的标识符变为保留字。业务命名避免使用 SQL 标准关键字对可能成为关键字的名字（如countorder）一律用反引号。

4.查询引擎 |：03 语义分析：TDengine v3.x（v3.3.x / v3.4.x）|最后更新：2026-06-09语义分析（Translator）是连接 Parser 与 Planner 的桥梁。它验证 SQL 在语义上是否合法（表是否存在、列类型是否匹配、聚合函数使用是否正确等），并对 AST 做规范化重写，为后续计划生成准备一棵"干净"的逻辑表达。