TDgpt 概览 — AI 增强的时序数据库

分类：18.TDgpt | 篇章：01 TDgpt 概览

免费详情

TDgpt 是 TDengine 内置的 AI 能力扩展，提供时序预测、异常检测、智能分析。本文介绍 TDgpt 的定位、架构、能力体系。

速查表

能力	SQL 函数	用途
时序预测	FORECAST	预测未来值
异常检测	ANOMALY_WINDOW	找异常时段
时序填充	INTERP	智能插值
时序聚类	（扩展）	设备分类
模型管理	配置	切换算法

详细解析

1. TDgpt 是什么

复制代码

定位：

  TDengine + AI 能力 = TDgpt
  
  把常用时序 AI 算法封装为 SQL 函数：
  - 不需要导出数据到 Python
  - 不需要训练大模型
  - 不需要单独部署
  - 直接在 SQL 中调用


设计哲学：

  ✓ 数据不离库（性能 + 安全）
  ✓ 算法可插拔（多种算法选择）
  ✓ SQL 原生（学习成本低）
  ✓ 实时与批处理统一


典型场景：

  - 物联网：设备故障预测
  - 工业：质量异常检测
  - 能源：负荷预测
  - 运维：性能预测
  - 金融：行情预测（短期）

2. 整体架构

复制代码

┌──────────────────────────────────────┐
│         用户 SQL 接口                 │
│  SELECT FORECAST(temp) FROM sensors   │
└──────────────────────────────────────┘
          │
          ▼
┌──────────────────────────────────────┐
│         TDengine 查询引擎             │
│  - SQL 解析 / 优化                    │
│  - 调度到执行节点                     │
└──────────────────────────────────────┘
          │
          ▼
┌──────────────────────────────────────┐
│         AI 算子                       │
│  - 读取历史数据                       │
│  - 调用算法服务                       │
│  - 返回结果                           │
└──────────────────────────────────────┘
          │
          ▼
┌──────────────────────────────────────┐
│         TDgpt Anode（算法服务）       │
│  - 算法注册中心                       │
│  - 模型推理                           │
│  - 算法插件管理                       │
└──────────────────────────────────────┘
          │
          ▼
┌──────────────────────────────────────┐
│         算法库                        │
│  - 统计算法（Holt-Winters/ARIMA）    │
│  - 机器学习（LSTM/Prophet）          │
│  - 自定义                             │
└──────────────────────────────────────┘

3. 核心能力

复制代码

① 时序预测（Forecasting）

  输入：历史时序数据
  输出：未来 N 个点的预测值
  
  支持算法：
    - Holt-Winters（季节性）
    - ARIMA
    - Prophet
    - LSTM
    - 自定义
    
  典型用例：
    - 销量预测
    - 电力负荷预测
    - 设备老化预测


② 异常检测（Anomaly Detection）

  输入：时序数据
  输出：异常时段标记
  
  支持算法：
    - IQR（统计四分位）
    - Z-Score
    - LOF（局部离群）
    - Isolation Forest
    - 自定义
    
  典型用例：
    - 设备故障早期发现
    - 性能突变
    - 异常交易


③ 时序填充（Interpolation）

  输入：含缺失的时序
  输出：补全后的时序
  
  方法：
    - 线性
    - 样条
    - 历史均值
    - ML 模型
    
  典型用例：
    - 通信中断恢复
    - 传感器故障期填充

4. 部署架构

复制代码

单机部署：

  ┌─────────────────┐
  │  TDengine       │
  │   + TDgpt Anode  │
  │   + 算法库       │
  └─────────────────┘
  
  - 算法服务与 TDengine 同机
  - 简单
  - 适合中小负载


分布式部署：

  TDengine 集群
        │
        ├──→ Anode 1（算法服务）
        ├──→ Anode 2
        └──→ Anode 3
  
  - Anode 多实例
  - 负载均衡
  - 高可用
  - GPU 算力可独立


云上部署：

  TDengine on Cloud
        │
        └──→ AI Service（托管）
              - 自动扩缩容
              - 多算法可选
              - 计费透明

5. 工作流程

复制代码

预测流程示例：

  ① 用户执行：
     SELECT FORECAST(temp, 24) 
     FROM sensors WHERE device = 'd1';
  
  ② 查询引擎：
     - 解析 FORECAST 函数
     - 读取设备历史温度
     
  ③ 调度 AI 算子：
     - 准备数据（时间戳 + 值）
     - 调用 Anode
     
  ④ Anode 处理：
     - 选择算法（默认 / 配置）
     - 训练 / 使用预训练模型
     - 推理未来 24 步
     
  ⑤ 返回结果：
     - 预测值
     - 置信区间（部分算法）
     
  ⑥ 客户端展示


延迟：
  - 简单算法（Holt-Winters）：百毫秒级
  - 复杂模型（LSTM）：秒级
  - 大批量预测：分钟级

6. 与传统 ML 对比

复制代码

传统流程：

  TDengine 导出数据
       ↓
  Python / Spark
       ↓
  数据清洗
       ↓
  特征工程
       ↓
  模型训练
       ↓
  模型部署
       ↓
  推理服务
       ↓
  结果回写 TDengine


TDgpt 流程：

  SELECT FORECAST(col, n) FROM table
  
  完成。


对比：

  传统：
    + 灵活（任意算法、特征工程）
    - 数据搬运
    - 复杂工程
    - 延迟高
    - 维护多套系统
    
  TDgpt：
    + 简单（SQL 一句）
    + 实时（数据不出库）
    + 集成度高
    - 算法选项有限
    - 复杂业务需自定义算子


定位互补：
  - 通用场景：TDgpt
  - 定制化深度模型：传统流程
  - TDgpt 也支持自定义算法（最佳实践）

7. 适用场景

复制代码

适合 TDgpt：

  ✓ 单维度时序预测
     - 销量、温度、负荷
  
  ✓ 简单异常检测
     - 阈值类、统计类
  
  ✓ 实时分析需求
     - 不能离线训练
  
  ✓ 团队 SQL 能力强、ML 弱
  
  ✓ 数据量大（搬运成本高）


不太适合：

  ✗ 多维特征复杂模型
     - 推荐用传统 ML 平台
  
  ✗ 大语言模型 / 深度学习
     - 不是 TDgpt 主战场
  
  ✗ 图像 / NLP
     - 与时序无关
  
  ✗ 长期模型迭代
     - MLOps 平台更合适

8. 版本与路线

复制代码

TDgpt 演进：

  v3.3.x：
    - 基础 FORECAST / ANOMALY_WINDOW
    - 内置统计算法
    
  v3.4.x：
    - 算法插件机制完善
    - 更多 ML 算法
    - 性能优化
    
  未来方向：
    - 自动算法选择
    - AutoML 模型调参
    - 大模型集成（部分场景）
    - GPU 加速


开放：
  - 算法插件 API
  - 第三方集成
  - 社区贡献


企业版增强：
  - 商业算法库
  - GPU 资源管理
  - 大规模并发

代码示例

快速体验

sql 复制代码

-- 1. 简单预测（未来 24 小时温度）
SELECT _wstart, FORECAST(temp, 24) 
FROM sensors 
WHERE device = 'd_001' AND ts > NOW - 7d 
INTERVAL(1h);


-- 2. 异常检测（找出最近 1 天的异常时段）
SELECT _wstart, _wend, AVG(temp) AS avg_temp 
FROM sensors 
WHERE device = 'd_001' AND ts > NOW - 1d 
ANOMALY_WINDOW(temp, "algo=iqr");


-- 3. 智能填充
SELECT _wstart, INTERP(temp) AS interp_temp 
FROM sensors 
WHERE ts >= '2025-06-01' AND ts < '2025-06-02' 
RANGE('2025-06-01', '2025-06-02', 1m) 
FILL(LINEAR);

配合传统业务

python 复制代码

import taosws

conn = taosws.connect("...")

# 用 TDgpt 预测，并在应用层做业务决策
result = conn.query("""
  SELECT FORECAST(load_kw, 24) AS pred 
  FROM substation_data 
  WHERE substation_id = 'S001' AND ts > NOW - 7d
""")

for row in result:
  pred_load = row[0]
  if pred_load > 1000:
    send_alert(f"Forecast overload: {pred_load} kW")

性能考量

算法性能（参考）

算法	输入规模	延迟
Holt-Winters	1000 点	50ms
ARIMA	1000 点	200ms
Prophet	1000 点	1s
LSTM 推理	1000 点	500ms
LSTM 训练	10000 点	分钟

资源建议

场景	Anode 配置
测试	1 个，2 核 4G
中小生产	2~3 个，4 核 8G
大规模/GPU	多个，按需 GPU

FAQ

Q1: TDgpt 是付费的吗？

基础功能开源。高级算法 / 企业级在企业版。

Q2: 需要单独装吗？

需要部署 Anode。详见《TDgpt 使用》。

Q3: 预测准吗？

视数据规律性。规律性强（季节性明显）的数据准；噪声大的数据精度有限。

Q4: 能用自己的模型吗？

可以。算法插件机制支持加载自定义算法。

Q5: 与外部 AI 平台冲突吗？

不冲突。TDgpt 解决常用场景，复杂模型仍可用外部平台。

参考

系统构架篇

数据模型

存储引擎

查询引擎

数据写入

数据订阅

预聚合

索引

SQL 语句

客户端与连接器

运维

安全

生态

应用案例

产品对比

内部机制

关于 TDengine

TDengine 专为物联网IoT平台、工业大数据平台设计。其中，TDengine TSDB 是一款高性能、分布式的时序数据库（Time Series Database），同时它还带有内建的缓存、流式计算、数据订阅等系统功能；TDengine IDMP 是一款AI原生工业数据管理平台，它通过树状层次结构建立数据目录，对数据进行标准化、情景化，并通过 AI 提供实时分析、可视化、事件管理与报警等功能。