日本熟妇hd丰满老熟妇,中文字幕一区二区三区在线不卡 ,亚洲成片在线观看,免费女同在线一区二区

AI 助理
備案控制臺
文檔
輸入文檔關(guān)鍵字查找
首頁 日志服務(wù) 操作指南 查詢與分析 通過索引模式查詢和分析日志 機器學(xué)習(xí)語法與函數(shù) 預(yù)測與異常檢測函數(shù)

預(yù)測與異常檢測函數(shù)

更新時間：
產(chǎn)品詳情
我的收藏

預(yù)測與異常檢測函數(shù)通過預(yù)測時序曲線、尋找預(yù)測曲線和實際曲線之間誤差的Ksigma與分位數(shù)等特性進行異常檢測。

函數(shù)列表

函數(shù)

說明

ts_predicate_simple

利用默認參數(shù)對時序數(shù)據(jù)進行建模，并進行簡單的時序預(yù)測和異常點的檢測。

ts_predicate_ar

使用自回歸模型對時序數(shù)據(jù)進行建模，并進行簡單的時序預(yù)測和異常點的檢測。

ts_predicate_arma

使用移動自回歸模型對時序數(shù)據(jù)進行建模，并進行簡單的時序預(yù)測和異常點檢測。

ts_predicate_arima

使用帶有差分的移動自回歸模型對時序數(shù)據(jù)進行建模，并進行簡單的時序預(yù)測和異常點檢測。

ts_regression_predict

針對具有周期性、趨勢性的單時序序列，進行準確的預(yù)測。

使用場景：計量數(shù)據(jù)的預(yù)測、網(wǎng)絡(luò)流量的預(yù)測、財務(wù)數(shù)據(jù)的預(yù)測、以及具有一定規(guī)律的不同業(yè)務(wù)數(shù)據(jù)的預(yù)測。

ts_anomaly_filter

針對批量曲線進行時序異常檢測后，可以按照用戶定義的異常模式來過濾異常檢測的結(jié)果，幫助用戶快速找出異常的實例曲線。

ts_predicate_simple

函數(shù)格式： 

select ts_predicate_simple(x, y, nPred, isSmooth)

參數(shù)說明如下：

參數(shù)

說明

取值

x

時間列，從小到大排列。

格式為Unixtime時間戳，單位為秒。

y

數(shù)值列，對應(yīng)某時刻的數(shù)據(jù)。

-

nPred

預(yù)測未來的點的數(shù)量。

long類型，取值大于等于1。

isSmooth

是否需要對原始數(shù)據(jù)做濾波操作。

bool類型，默認為true表示對原始數(shù)據(jù)做濾波操作。

示例：

  • 查詢分析 

    * | select ts_predicate_simple(stamp, value, 6) from (select ("__time__" - ("__time__" % 60)) as stamp, avg(v) as value from log GROUP BY stamp order by stamp)

  • 輸出結(jié)果輸出結(jié)果

顯示項如下：

顯示項

說明

橫軸

unixtime

數(shù)據(jù)的Unixtime時間戳，單位為秒。

縱軸

src

原始數(shù)據(jù)。

predict

預(yù)測的數(shù)據(jù)。

upper

預(yù)測的上界。當前置信度為0.85，不可修改。

lower

預(yù)測的下界。當前置信度為0.85，不可修改。

anomaly_prob

該點為異常點的概率，范圍為0~1。

ts_predicate_ar

函數(shù)格式： 

select ts_predicate_ar(x, y, p, nPred, isSmooth)

參數(shù)說明如下：

參數(shù)

說明

取值

x

時間列，從小到大排列。

格式為Unixtime時間戳，單位為秒。

y

數(shù)值列，對應(yīng)某時刻的數(shù)據(jù)。

-

p

自回歸模型的階數(shù)。

long類型，取值范圍為2~8。

nPred

預(yù)測未來的點的數(shù)量。

long類型，取值范圍為1~5*p。

isSmooth

是否需要對原始數(shù)據(jù)做濾波操作。

bool類型，默認為true表示對原始數(shù)據(jù)做濾波操作。

查詢分析示例： 

* | select ts_predicate_ar(stamp, value, 3, 4) from (select ("__time__" - ("__time__" % 60)) as stamp, avg(v) as value from log GROUP BY stamp order by stamp)
說明

輸出結(jié)果與ts_predicate_simple函數(shù)相似，具體請參見ts_predicate_simple函數(shù)的輸出結(jié)果。

ts_predicate_arma

函數(shù)格式： 

select ts_predicate_arma(x, y, p, q, nPred, isSmooth)

參數(shù)說明如下：

參數(shù)

說明

取值

x

時間列，從小到大排列。

格式為Unixtime時間戳，單位為秒。

y

數(shù)值列，對應(yīng)某時刻的數(shù)據(jù)。

-

p

自回歸模型的階數(shù)。

long類型，取值范圍為2~100。

q

移動平均模型的階數(shù)。

long類型，取值范圍為2~8。

nPred

預(yù)測未來的點的數(shù)量。

long類型，取值范圍為1~5*p。

isSmooth

是否需要對原始數(shù)據(jù)做濾波操作。

bool類型，默認為true表示對原始數(shù)據(jù)做濾波操作。

查詢分析示例： 

* | select ts_predicate_arma(stamp, value, 3, 2, 4) from (select ("__time__" - ("__time__" % 60)) as stamp, avg(v) as value from log GROUP BY stamp order by stamp)
說明

輸出結(jié)果與ts_predicate_simple函數(shù)相似，具體請參見ts_predicate_simple函數(shù)的輸出結(jié)果。

ts_predicate_arima

函數(shù)格式： 

select ts_predicate_arima(x, y, p, d, q, nPred, isSmooth)

參數(shù)說明如下：

參數(shù)

說明

取值

x

時間列，從小到大排列。

格式為Unixtime時間戳，單位為秒。

y

數(shù)值列，對應(yīng)某時刻的數(shù)據(jù)。

-

p

自回歸模型的階數(shù)。

long類型，取值范圍為2~8。

d

差分模型的階數(shù)。

long類型，取值范圍為1~3。

q

移動平均模型的階數(shù)。

long類型，取值范圍為2~8。

nPred

預(yù)測未來的點的數(shù)量。

long類型，取值范圍為1~5*p。

isSmooth

是否需要對原始數(shù)據(jù)做濾波操作。

bool類型，默認為true表示對原始數(shù)據(jù)做濾波操作。

查詢分析示例： 

* | select ts_predicate_arima(stamp, value, 3, 1, 2, 4) from (select ("__time__" - ("__time__" % 60)) as stamp, avg(v) as value from log GROUP BY stamp order by stamp)
說明

輸出結(jié)果與ts_predicate_simple函數(shù)相似，具體請參見ts_predicate_simple函數(shù)的輸出結(jié)果。

ts_regression_predict

函數(shù)格式： 

select ts_regression_predict(x, y, nPred, algotype,processType)

參數(shù)說明如下：

參數(shù)

說明

取值

x

時間列，從小到大排列。

格式為Unixtime時間戳，單位為秒。

y

數(shù)值列，對應(yīng)某時刻的數(shù)據(jù)。

-

nPred

預(yù)測未來的點的數(shù)量。

long類型，取值范圍為1~500。

algotype

針對的預(yù)測的算法類型。

取值包括：

  • origin：使用GBRT（Gradient Boosted Regression Tree）算法進行預(yù)測。

  • forest：使用STL序列分解的結(jié)果，將分解得到的趨勢序列使用GBRT算法進行預(yù)測，再將分解出來的序列按照加法模型進行求和后返回。

  • linear：使用STL序列分解的結(jié)果，將分解得到趨勢序列使用Linear Regression算法進行預(yù)測，再將分解出來的序列按照加法模型進行求和后返回。

processType

數(shù)據(jù)對應(yīng)的預(yù)處理流程。

取值包括：

  • 0：不進行任何額外的數(shù)據(jù)預(yù)處理。

  • 1：對數(shù)據(jù)去除異常后再進行預(yù)測處理。

示例：

  • 查詢分析 

    * and h : nu2h05202.nu8 and m: NET |  select ts_regression_predict(stamp, value, 200, 'origin') from (select ("__time__" - ("__time__" % 60)) as stamp, avg(v) as value from log group by stamp order by stamp)

  • 輸出結(jié)果輸出結(jié)果

顯示項如下：

顯示項

說明

橫軸

unixtime

數(shù)據(jù)的Unixtime時間戳，單位為秒。

縱軸

src

原始數(shù)據(jù)。

predict

預(yù)測數(shù)據(jù)。

ts_anomaly_filter

函數(shù)格式： 

select ts_anomaly_filter(lineName, ts, ds, preds, probs, nWatch, anomalyType)

參數(shù)說明如下：

參數(shù)

說明

取值

lineName

varchar類型，表示每條曲線的名稱。

-

ts

曲線的時間序列，表示當前這條曲線的時間信息。array（double）類型，由小到大排列。

-

ds

曲線的實際值序列，表示當前這條曲線的數(shù)值信息。array（double）類型，長度與ts相同。

-

preds

曲線的預(yù)測值序列，表示當前這條曲線的預(yù)測值。array（double）類型，長度與ts相同。

-

probs

曲線的異常檢測序列，表示當前這條曲線的異常檢測結(jié)果。array（double）類型，長度與ts相同。

-

nWatch

long類型，表示當前曲線中最近觀測的實際值的數(shù)量，長度必須小于實際的曲線長度。

-

anomalyType

long類型，表示要過濾的異常類型的種類。

取值包括：

  • 0：表示關(guān)注全部異常。

  • 1：表示關(guān)注上升沿異常。

  • -1：表示下降沿異常。

示例：

  • 查詢分析 

    * | select res.name, res.ts, res.ds, res.preds, res.probs 
     from ( 
         select ts_anomaly_filter(name, ts, ds, preds, probs, cast(5 as bigint), cast(1 as bigint)) as res 
       from (
         select name, res[1] as ts, res[2] as ds, res[3] as preds, res[4] as uppers, res[5] as lowers, res[6] as probs 
     from (
         select name, array_transpose(ts_predicate_ar(stamp, value, 10)) as res 
         from (
           select name, stamp, value from log where name like '%asg-%') group by name)) );

  • 輸出結(jié)果 

    | name                     | ts                                                   | ds          | preds     | probs       |
| ------------------------ | ---------------------------------------------------- | ----------- | --------- | ----------- |
| asg-bp1hylzdi2wx7civ0ivk | [1.5513696E9, 1.5513732E9, 1.5513768E9, 1.5513804E9] | [1,2,3,NaN] | [1,2,3,4] | [0,0,1,NaN] |